MultiLoad-GAN：一种考虑时空相关性的基于GAN的合成负载组生成方法
摘要：多载荷生成对抗网络（MultiLoad-GAN）——一种用于同时生成一组合成负荷轮廓（SLP）的深度学习框架。 MultiLoad-GAN的主要贡献是捕捉由同一配电变压器服务的负荷组之间的时空相关性。这使得能够生成用于微电网和配电系统研究所需的大量相关的SLPs。 MultiLoad-GAN框架的新颖性和独特性有三个方面。首先，据我们所知，这是第一种同时生成具有真实时空相关性的负荷轮廓的方法。其次，开发了两个互补的用于评估生成的负荷轮廓真实性的指标：基于领域知识的统计数据和通过深度学习分类器比较高级特征。第三，为了解决数据稀缺性问题，开发了一种新颖的迭代数据增强机制，用于生成用于增强分类器和MultiLoad-GAN模型训练的训练样本。模拟结果表明，与现有方法相比，MultiLoad-GAN可以生成更真实的负荷轮廓，特别是在群体水平特征方面。几乎不需要微调，MultiLoad-GAN可以轻松扩展到为线路或服务区生成一组负荷或光伏轮廓。
作者：Yi Hu, Yiyan Li, Lidong Song, Han Pyo Lee, PJ Rehm, Matthew Makdad, Edmond Miller, and Ning Lu
论文ID：2210.01167
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-25