探索变分图自动编码器用于分布电网数据生成
机器学习
2025-12-02 v2
摘要
为解决能源网络中公开电力系统数据匮乏的难题，我们研究利用变分图自动编码器 (VGAE) 进行分布电网综合生成。我们使用两个开源数据集，ENGAGE 和 DINGO，对四种解码器变体进行评估，并通过结构和谱度量将生成网络与原始电网进行比较。结果表明，简单解码器未能捕捉真实的拓扑结构，而基于 GCN 的方法在 ENGAGE 数据集上实现了较强的保真度，但在更复杂的 DINGO 数据集上则表现不佳，产生诸如断开组件和重复图案等的人工痕迹。这些发现既凸显了 VGAE 用于网格合成的潜力，也揭示了其局限性，凸显了需要更具表达力的生成模型和稳健评估方法的需求。我们将模型和分析以开源形式发布，以支持基准测试并加速 ML 驱动的电力系统研究进程。
引用
@article{arxiv.2509.02469,
title = {Exploring Variational Graph Autoencoders for Distribution Grid Data Generation},
author = {Syed Zain Abbas and Ehimare Okoyomon},
journal= {arXiv preprint arXiv:2509.02469},
year = {2025}
}
备注
12 pages, 7 figures. Accepted at NeurIPS 2025