Oct, 2023

家庭电力数据生成器 (HEDGE): 用于生成电动车、住宅需求和光伏发电量曲线的开放访问工具

PDF
TL;DR本文介绍了 Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE 基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们利用 HEDGE 填补了可用数据的不足，为住宅分布式能源资源特性和协调的研究提供了数据支持。
home electricity data generatorresidential energy datadata-driven methodsmachine learning-based forecastinggenerative adversarial networks
发现论文，激发创造
  • 智能家居能源管理：VAE-GAN 合成数据集生成器和 Q 学习

    本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据，并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明，基于 VAE-GAN 生成的合成数据与真实数据分布非常接近，并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。

    May, 2023

  • EVGen：用于学习电动汽车充电负载和隐藏表示的对抗网络

    本研究利用生成式对抗网络，学习电动汽车充电过程的分布规律，为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.

    Aug, 2021

  • 利用条件扩散和构建元数据创建合成能源计量数据

    使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的 Frechet Inception Distance（FID）得分和 Kullback-Leibler divergence（KL 散度）的减少。

    Mar, 2024

  • Faraday: 智能电网的合成智能电表生成器

    通过使用合成数据，本文介绍了基于 Variational Auto-encoder (VAE) 模型的 Faraday，该模型通过训练英国一个能源供应商的 3 亿次智能电表数据读数，并结合属性和低碳技术的信息，产生与实际数据相当的家庭负荷曲线，为未来能源网络的网格建模人员提供了实际应用的参考。

    Apr, 2024

  • 使用生成对抗网络进行无模型可再生场景生成

    本文提出了一种基于生成对抗网络的数据驱动方法用于清洁能源场景生成，结合了时空维度下的可再生能源生产模式，具有高效，实际和可行的特点。

    Jul, 2017

  • 智能家居中用于合成数据生成的变分自编码生成对抗网络

    本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

    Jan, 2022

  • 美国高分辨率合成住宅能源使用概况

    本研究发布了一份大规模、合成的、详细的住宅能源使用数据集，该数据集具有高分辨率和可用性，能够深入探究能源消耗方面的问题。

    Oct, 2022

  • 数据驱动的电力管理：多区域协调数据和知识图谱

    由于人口增长和技术进步，全球的电力消耗和二氧化碳排放都在增加。住宅部门占全球电力消耗的 25%，具有提高效率和减少二氧化碳排放的潜力，同时不降低舒适度。然而，缺乏涵盖多个地区的家庭级统一消耗数据，限制了大规模研究和强大的多区域模型开发。本文介绍了一个多区域数据集，该数据集由公开资源编制而成，以统一的格式呈现。这些数据支持诸如细化数据、需求预测、电器开关分类等机器学习任务。此外，我们开发了一个 RDF 知识图谱，描述了各个家庭的电力消耗，并与家庭相关属性进行语境化查询，以及与其他开放知识库（如维基数据和 DBpedia）的互操作性。这种结构化数据可用于基于数据的政策和业务发展，为各利益相关者提供信息支持。

    May, 2024

  • UK-DALE 数据集：来自五个英国家庭的家电电力需求和整个住宅需求

    本篇研究介绍了一种低成本的无线系统，并利用已收集的数据集 (UK-DALE) 提出了一种能够通过整个家庭的电表信号来估算每个电器用电量的计算技术 - 能源分解技术，并发现消费者通过个性化的电器用电量信息最有效地提高他们的能源效率。

    Apr, 2014

  • 使用物理感知 GAN 创建具有时间相关性的高分辨率功率注入配置文件

    传统智能电表测量缺乏实时决策所需的细致度。为解决这一实际问题，我们通过凸优化层引入强制时间一致性的生成对抗网络（GAN）模型。我们的 GAN 模型的一个独特特征是，它仅通过历史智能电表数据中的慢时间尺度聚合功率信息进行训练。结果表明，该模型能够成功从 15 分钟平均功耗信息中创建每分钟的时间相关瞬时注入功率曲线。这种创新方法强调神经元间的约束，为配电系统中改进的高速状态估计提供了有前途的途径，并增强了基于数据驱动解决方案在此类系统监控方面的适用性。

    Nov, 2023