面向长期预测场景的机器学习方法生成能源消费者时间序列替代数据
机器学习
2025-06-26 v1 人工智能
摘要
预测在电力价值链中吸引了大量研究关注。然而，大多数研究集中于发电或消费的短期预测，且侧重于系统层面而非单个消费者。个体电力消费的长期预测这一主题甚至更被忽视。在此，我们针对生成用于能源消费长期预测的合成时间序列数据的数据驱动方法，进行了深入的比较评估。高保真合成数据对于能源系统状态估计或电网规划等广泛应用至关重要。本研究评估并比较了多种最先进但不太常见的技术：混合Wasserstein生成对抗网络（WGAN）、去噪扩散概率模型（DDPM）、隐马尔可夫模型（HMM）和掩码自回归伯恩斯坦多项式归一化流（MABF）。我们分析了每种方法在复现个体能源消费特征的时间动态、长程依赖性和概率转移方面的能力。我们的比较评估突出了WGAN、DDPM、HMM和MABF的优势与局限性，有助于为状态估计和其他能源相关任务选择最合适的方法。我们的生成与分析框架旨在提高合成电力消费数据的准确性和可靠性，同时生成满足匿名化标准的数据——保护隐私，降低对单个客户进行特定画像的风险。本研究使用了来自德国家庭的开放数据集，时间分辨率为15分钟。生成的合成功率曲线可立即用于状态估计或消费预测等应用。
引用
@article{arxiv.2506.20253,
title = {Time-series surrogates from energy consumers generated by machine learning approaches for long-term forecasting scenarios},
author = {Ben Gerhards and Nikita Popkov and Annekatrin König and Marcel Arpogaus and Bastian Schäfermeier and Leonie Riedl and Stephan Vogt and Philip Hehlert},
journal= {arXiv preprint arXiv:2506.20253},
year = {2025}
}