Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation

要約

世界の太陽光発電 (PV) 市場とリアルタイム データロガーの統合により、PV フリートの電力予測と長期的な信頼性評価のための大規模な PV データ分析パイプラインが可能になりました。
それにもかかわらず、PV データ分析のパフォーマンスは、PV 時系列データの品質に大きく依存します。
この論文では、欠落している PV 電力データを補完するための新しい時空間ノイズ除去グラフ オートエンコーダー (STD-GAE) フレームワークを提案します。
STD-GAE は、時間相関、空間コヒーレンス、およびドメイン知識からの値の依存関係を利用して、欠落しているデータを回復します。
実験結果は、MIDA や LRTC などの最先端のデータ補完方法と比較して、STD-GAE が補完精度で 43.14% の向上を達成し、欠落率、異なる季節、および欠落シナリオの影響を受けにくいことを示しています。
TNN。

要約(オリジナル)

The integration of the global Photovoltaic (PV) market with real time data-loggers has enabled large scale PV data analytical pipelines for power forecasting and long-term reliability assessment of PV fleets. Nevertheless, the performance of PV data analysis heavily depends on the quality of PV timeseries data. This paper proposes a novel Spatio-Temporal Denoising Graph Autoencoder (STD-GAE) framework to impute missing PV Power Data. STD-GAE exploits temporal correlation, spatial coherence, and value dependencies from domain knowledge to recover missing data. Experimental results show that STD-GAE can achieve a gain of 43.14% in imputation accuracy and remains less sensitive to missing rate, different seasons, and missing scenarios, compared with state-of-the-art data imputation methods such as MIDA and LRTC-TNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google