使用条件扩散与建筑元数据生成合成电能表数据

机器学习的进步和计算能力的提升推动了能源相关研究的发展。然而，由于难以获取建筑的私有能源数据，依赖历史数据的传统回归模型受到了阻碍。虽然生成模型提供了一种解决方案，但以往的研究主要集中在短期生成周期（例如，日负荷曲线）和有限数量的仪表上。因此，本研究提出了一种条件扩散模型，利用相关元数据生成高质量的合成能源数据。使用包含来自不同国家和各种建筑的 1,828 个电能表的数据集，将该模型与条件生成对抗网络（CGAN）和条件变分自编码器（CVAE）等传统方法进行了比较。该模型显式地处理长期年度消耗曲线，利用位置、天气、建筑和仪表类型等元数据，生成与真实世界能源消耗模式高度相似的连贯合成数据。结果表明，所提出的扩散模型性能优越，与次优方法相比，Frechet Inception Distance (FID) 分数降低了 36%，Kullback-Leibler divergence (KL divergence) 降低了 13%。所提出的方法通过元数据成功生成了高质量的能源数据，其代码将开源，为未来更广泛的能源数据生成模型奠定基础。