MultiLoad-GAN：一种考虑时空相关性的基于 GAN 的合成负荷组生成方法
信号处理
2023-08-25 v3
摘要
本文提出一种深度学习框架——多负荷生成对抗网络（MultiLoad-GAN），用于同时生成一组合成负荷曲线（SLP）。MultiLoad-GAN 的主要贡献在于捕捉由同一配电变压器供电的一组负荷之间的时空相关性。这使得能够生成微电网与配电系统研究所需的大量相关 SLP。MultiLoad-GAN 框架的新颖性与独特性体现在三方面。首先，据我们所知，这是首个同时生成具有真实时空相关性的一组负荷曲线的方法。其次，开发了两种互补的真实性度量来评估生成的负荷曲线：基于领域知识计算统计量，以及通过深度学习分类器比较高阶特征。第三，为应对数据稀缺，开发了一种新颖的迭代数据增强机制来生成训练样本，以增强分类器与 MultiLoad-GAN 模型的训练。仿真结果表明，MultiLoad-GAN 能比现有方法生成更真实的负荷曲线，尤其在组级特征上。只需少量微调，MultiLoad-GAN 即可轻松扩展用于为馈线或服务区生成一组负荷或光伏曲线。
引用
@article{arxiv.2210.01167,
title = {MultiLoad-GAN: A GAN-Based Synthetic Load Group Generation Method Considering Spatial-Temporal Correlations},
author = {Yi Hu and Yiyan Li and Lidong Song and Han Pyo Lee and PJ Rehm and Matthew Makdad and Edmond Miller and Ning Lu},
journal= {arXiv preprint arXiv:2210.01167},
year = {2023}
}
备注
in IEEE Transactions on Smart Grid