基于变分自编码器的配电网电缆网络数据增强机会
机器学习
2025-01-22 v1 系统与控制
系统与控制
摘要
电力配电电缆网络数据不完整且不平衡，阻碍了基于机器学习的预测性维护和可靠性评估的效果。诸如电缆安装日期等特征经常缺失。为解决数据稀缺问题，本研究探索了变分自编码器（Variational Autoencoders, VAEs）用于数据增强、合成数据生成、不平衡数据处理和异常值检测的应用。基于针对丹麦的概念案例研究，旨在对电缆网络资产寄存器中的年龄信息进行插值。分析结果凸显了生成模型支持数据驱动维护的潜力。然而，研究也指出了若干改进领域，包括增强特征重要性分析、纳入网络特征和外部特征、以及处理缺失数据的偏差。未来计划应通过纳入半监督学习、先进抽样技术以及将低压网络等额外的配电网要素纳入分析，来扩大 VAE 的应用范围。
引用
@article{arxiv.2501.10920,
title = {Data Enrichment Opportunities for Distribution Grid Cable Networks using Variational Autoencoders},
author = {Konrad Sundsgaard and Kutay Bölat and Guangya Yang},
journal= {arXiv preprint arXiv:2501.10920},
year = {2025}
}