Customized Load Profiles Synthesis for Electricity Customers Based on Conditional Diffusion Models

要約

タイトル：条件付き拡散モデルに基づく顧客のカスタマイズされた負荷プロファイル合成

要約：
– 顧客の負荷プロファイルは、現代の電力システムにおいてデータ分析アプリケーションをサポートするために重要なリソースである。
– しかしながら、データ収集コストやデータプライバシーの問題により、データ分析のための十分な負荷プロファイルが存在しないことが多い。
– このようなデータ不足の問題に対処するため、負荷プロファイルの合成は、顧客が高性能のデータ駆動型モデルを構築するために合成トレーニングデータを提供する効果的な技術である。
– ただし、顧客の負荷の高い異質性により、各顧客のためにリアルな負荷プロファイルを生成することはまだ困難である。
– 本論文では、異質性のある顧客のための条件付き拡散モデルに基づく新しいカスタム負荷プロファイル合成方法を提案する。
– 具体的には、カスタマイズされた合成を条件付きデータ生成問題に変換し、トラディショナルな拡散モデルを拡張して条件付き拡散モデルを実現する。
– これにより、顧客の負荷特性とアプリケーション要求に応じて、各顧客に独占的な負荷プロファイルを合成することができる。
– さらに、条件付き拡散モデルを実現するために、スキップ接続を使用して生成性能を改善するスタックされた残差層のノイズ推定モデルを設計する。
– アテンションメカニズムも導入し、負荷プロファイルの複雑な時系列依存性をより良く抽出する。
– 最後に、公共データセットに基づく数値的なケーススタディを行い、提案手法の有効性と優越性を検証する。

要約(オリジナル)

Customers’ load profiles are critical resources to support data analytics applications in modern power systems. However, there are usually insufficient historical load profiles for data analysis, due to the collection cost and data privacy issues. To address such data shortage problems, load profiles synthesis is an effective technique that provides synthetic training data for customers to build high-performance data-driven models. Nonetheless, it is still challenging to synthesize high-quality load profiles for each customer using generation models trained by the respective customer’s data owing to the high heterogeneity of customer load. In this paper, we propose a novel customized load profiles synthesis method based on conditional diffusion models for heterogeneous customers. Specifically, we first convert the customized synthesis into a conditional data generation issue. We then extend traditional diffusion models to conditional diffusion models to realize conditional data generation, which can synthesize exclusive load profiles for each customer according to the customer’s load characteristics and application demands. In addition, to implement conditional diffusion models, we design a noise estimation model with stacked residual layers, which improves the generation performance by using skip connections. The attention mechanism is also utilized to better extract the complex temporal dependency of load profiles. Finally, numerical case studies based on a public dataset are conducted to validate the effectiveness and superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI