基于弱监督训练与权重选择的GAN用于多样化住宅负荷模式生成
机器学习
2025-04-28 v2 人工智能
摘要
住宅负荷数据的稀缺与高品质不足，构成脱碳住宅部门以及有效电网规划与运行的障碍。上述挑战促使研究生成合成负荷数据，但现有方法在可扩展性、多样性与相似性方面存在局限。本文提出一种基于生成对抗网络的住宅负荷模式（RLP-GAN）生成模型，一种新型弱监督GAN框架，利用过完备自编码器捕获复杂且多样化负荷模式中的依赖关系，并按规模学习家庭层级数据分布。我们引入模型权重选择方法以解决模式崩溃问题，生成具有高多样性的负荷模式。我们构建了整体评估方法，使用417户真实数据验证RLP-GAN的有效性。结果表明，RLP-GAN在捕获时序依赖性方面优于最新模型，生成的负荷模式与真实数据的相似性更高。此外，我们公开了RLP-GAN生成的合成数据集，包含100万条住宅负荷模式档案。
引用
@article{arxiv.2504.14300,
title = {Learning and Generating Diverse Residential Load Patterns Using GAN with Weakly-Supervised Training and Weight Selection},
author = {Xinyu Liang and Hao Wang},
journal= {arXiv preprint arXiv:2504.14300},
year = {2025}
}
备注
12 pages