ProfileSR-GAN：一种基于 GAN 的用于生成高分辨率负荷曲线的超分辨率方法
信号处理
2022-01-28 v2
摘要
电力公司通常将智能电表测量数据从高分分辨率（如 1 分钟或 1 秒）降采样至低分辨率（如 15、30 或 60 分钟），以降低数据传输与存储成本。然而，降采样会移除时间序列负荷曲线中的高频分量，使其不适用于准静态潮流分析或非侵入式负荷监测(NILM)等深入研究。因此，本文提出 ProfileSR-GAN：一种基于生成对抗网络(GAN)的负荷曲线超分辨率(LPSR)框架，用于恢复因降采样过程的平滑效应而丢失的高频分量。LPSR 问题被表述为一个最大后验(Maximum-a-Prior)问题。在训练 ProfileSR-GAN 生成器网络时，为使生成的曲线更逼真，除 conventionally used 内容损失外，我们引入了两种新的形状相关损失：对抗损失与特征匹配损失。此外，提出了一组新的基于形状的评价指标，用于评估生成曲线的逼真度。仿真结果表明，ProfileSR-GAN 在所有基于形状的指标上均优于基于均方损失的方法。在 NILM 中的成功应用进一步证明 ProfileSR-GAN 能有效恢复高分辨率逼真波形。
引用
@article{arxiv.2107.09523,
title = {ProfileSR-GAN: A GAN based Super-Resolution Method for Generating High-Resolution Load Profiles},
author = {Lidong Song and Yiyan Li and Ning Lu},
journal= {arXiv preprint arXiv:2107.09523},
year = {2022}
}