基于信息最大化生成对抗网的无监督可解释电力时间序列合成
信号处理
2024-07-19 v1
摘要
生成合成数据已成为应对电力系统中获取和共享现场测量数据困难的流行替代方案。然而，为使生成结果可控，现有方法（如条件生成对抗网，cGAN）需要 labeled 数据集进行训练，这在实际中往往难以实现，因为许多现场测量数据缺乏描述性标签。本文引入信息最大化生成对抗网（infoGAN），实现基于无标签电力时间序列数据集的可解释特征提取和可控合成数据生成。通过最大化输入隐含代码与 infoGAN 分类器输出之间的互信息，自动提取具有清晰物理意义的特征。提取的特征随后用于控制生成结果，类似于 vanilla cGAN 框架。案例研究基于电力负荷和可再生能源出力的时间序列数据集。结果表明，infoGAN 能够提取具有清晰物理意义的离散和连续特征，同时生成满足给定特征要求的真实合成时间序列。
引用
@article{arxiv.2407.13691,
title = {Unsupervised and Interpretable Synthesizing for Electrical Time Series Based on Information Maximizing Generative Adversarial Nets},
author = {Zhenghao Zhou and Yiyan Li and Runlong Liu and Zheng Yan and Mo-Yuen Chow},
journal= {arXiv preprint arXiv:2407.13691},
year = {2024}
}