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

本研究提出一种新颖的物理知情扩散模型，用于生成合成的净负荷数据，解决数据稀缺和隐私问题。该模型将物理模型嵌入去噪网络中，提供了一种多功能方法，可以轻松推广到未预料的情景。利用来自 Pecan Street 的真实智能电表数据，我们验证了所提出的方法，并通过与生成对抗网络、变分自动编码器、标准化流以及经过良好校准的基线扩散模型等最先进的生成模型进行了全面的数值研究，使用一套全面的评估指标来评估生成的合成净负荷数据的准确性和多样性。数值研究结果表明，所提出的物理知情扩散模型在所有定量指标上优于最先进的模型，至少提供了 20% 的改进。

Jun, 2024

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

本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

Dec, 2022

本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

Jan, 2022

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

通过经验分析，我们提出了一套方法，以降低在扩散模型中引入指导所带来的时间需求和计算开销，并且保持相当的图像质量，从而将计算时间减少大约三倍。

Dec, 2023

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

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

研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

Aug, 2023