EnergyDiff: Universal Time-Series Energy Data Generation using Diffusion Models

要約

高解像度の時系列データは、電力システムや暖房システムなどのエネルギー システムの運用と計画に不可欠です。
ただし、データ収集コストとプライバシー上の懸念により、そのようなデータは多くの場合、下流のタスクには利用できないか、不十分です。
データ合成は、このデータ不足に対する潜在的な解決策です。
生成 AI の最近の発展に伴い、エネルギー時系列データの汎用データ生成フレームワークである EnergyDiff を提案します。
EnergyDiff は、最先端のノイズ除去拡散確率モデルに基づいて構築されており、高解像度の時系列データ専用に提案されたノイズ除去ネットワークを利用し、新しいマージナル キャリブレーション手法を導入しています。
私たちの広範な実験結果は、EnergyDiff がベースラインと比較して、特に 1 分の分解能で時間依存性と周辺分布の捕捉において大幅な改善を達成していることを示しています。
さらに、EnergyDiff は、計算の必要性を軽減しながら、さまざまなエネルギー ドメイン、時間解像度にわたって、顧客レベルと変電所レベルの両方で高品質の時系列データを一貫して生成します。

要約(オリジナル)

High-resolution time series data are crucial for operation and planning in energy systems such as electrical power systems and heating systems. However, due to data collection costs and privacy concerns, such data is often unavailable or insufficient for downstream tasks. Data synthesis is a potential solution for this data scarcity. With the recent development of generative AI, we propose EnergyDiff, a universal data generation framework for energy time series data. EnergyDiff builds on state-of-the-art denoising diffusion probabilistic models, utilizing a proposed denoising network dedicated to high-resolution time series data and introducing a novel Marginal Calibration technique. Our extensive experimental results demonstrate that EnergyDiff achieves significant improvement in capturing temporal dependencies and marginal distributions compared to baselines, particularly at the 1-minute resolution. Additionally, EnergyDiff consistently generates high-quality time series data across diverse energy domains, time resolutions, and at both customer and transformer levels with reduced computational need.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google