.png){kind=icon}
返回
EnergyDiff: Universal Time-Series Energy Data Generation Using Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TSG.2025.3581472.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高分辨率时间序列数据对于电力系统、供暖系统等能源系统的运行与规划至关重要。由于隐私问题，此类数据通常无法共享，因此需要使用合成数据。然而，高分辨率时间序列数据因其固有的高维性和复杂的时序依赖性而难以建模。利用生成式人工智能（特别是扩散模型）的最新进展，我们提出了EnergyDiff，一种通用的能源时间序列数据生成框架。EnergyDiff基于当前最先进的去噪扩散概率模型，利用专门针对高分辨率时间序列数据的去噪网络，并引入了一种新颖的边缘校准（Marginal Calibration）技术。我们的广泛实验结果表明，与基线方法相比，EnergyDiff在捕捉时序依赖性和边缘分布方面取得了显著提升，尤其是在1分钟分辨率下。EnergyDiff的通用性已在多个能源领域（如电力需求、热泵、光伏）、多种时间分辨率（1分钟、15分钟、30分钟和1小时）以及客户和变压器层级上得到验证。
Keyword:
Generative models
load profile
data generation
time-series data
期刊
IF:
9.8
论文数:
5.7K
被引数:
4.3W
机构
引用论文
Conditional Multivariate Elliptical Copulas to Model Residential Load Profiles From Smart Meter Data
OAAI
OAAI分享收藏
分享收藏Synergistic Day-Ahead Scheduling Framework for Smart Distribution Grid Under Uncertainty不确定条件下智能配电网协同日前调度框架
PREAI
分享收藏Generative Adversarial Networks-Based Synthetic PMU Data Creation for Improved Event ClassificationOAAI
OAAI分享收藏RL-ADN: A high-performance Deep Reinforcement Learning environment for optimal Energy Storage Systems dispatch in active distribution networksRl-adn: 主动配电网储能系统优化调度的高性能深度强化学习环境.png)
ENERGY AND AIOAAI
ENERGY AND AIIF9.6
OAAI分享收藏Model-Free Renewable Scenario Generation Using Generative Adversarial Networks使用生成对抗网络的无模型可再生场景生成OAAI
OAAI分享收藏
查看更多内容