基于数据增强的时空去噪图自编码器用于光伏时序数据插补
机器学习
2023-02-22 v1 应用统计
摘要
全球光伏（PV）市场与实时数据记录仪的融合已实现大规模 PV 数据分析流水线，用于功率预测与 PV 机群的长期可靠性评估。然而，PV 数据分析的性能严重依赖于 PV 时序数据的质量。本文提出一种新颖的时空去噪图自编码器（STD-GAE）框架以插补缺失的 PV 功率数据。STD-GAE 利用来自领域知识的时间相关性、空间一致性与数值依赖性来恢复缺失数据。实验结果表明，与 MIDA 和 LRTC-TNN 等最先进的数据插补方法相比，STD-GAE 在插补精度上可实现 43.14% 的提升，且对缺失率、不同季节与缺失场景较不敏感。
引用
@article{arxiv.2302.10860,
title = {Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation},
author = {Yangxin Fan and Xuanji Yu and Raymond Wieser and David Meakin and Avishai Shaton and Jean-Nicolas Jaubert and Robert Flottemesch and Michael Howell and Jennifer Braid and Laura S. Bruckman and Roger French and Yinghui Wu},
journal= {arXiv preprint arXiv:2302.10860},
year = {2023}
}
备注
ACM SIGMOD Conference on Management of Data (SIGMOD)