arXiv 2107.035452021-07-08eess.SYcs.SY

基于条件生成对抗网络的时间序列负荷数据合成

Synthetic Time-Series Load Data via Conditional Generative Adversarial Networks

Andrea Pinceti, Lalitha Sankar, Oliver Kosut

摘要：

提出了一种用于生成合成时间序列传输级负载数据的框架。条件生成对抗网络用于学习每小时采样的为期一周的负载曲线的真实数据集的模式，并根据季节和所需负载类型按需生成独特的合成曲线。生成模型的广泛测试被执行以验证合成数据完全捕获真实负载的特性并且其可以用于下游电力系统和/或机器学习应用。

英文摘要：

A framework for the generation of synthetic time-series transmission-level load data is presented. Conditional generative adversarial networks are used to learn the patterns of a real dataset of hourly-sampled week-long load profiles and generate unique synthetic profiles on demand, based on the season and type of load required. Extensive testing of the generative model is performed to verify that the synthetic data fully captures the characteristics of real loads and that it can be used for downstream power system and/or machine learning applications.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

通过对抗性机器学习实现网络攻击弹性负载预测

Enabling Cyberattack-Resilient Load Forecasting through Adversarial Machine Learning

面对日益广泛的网络攻击面，电力公司的网络攻击弹性负荷预测比以往任何时候都更有必要，也更具挑战性。在本文中，我们提出了一种对抗性机器学习（AML）方法，该方法可以在不检测离群值的情况下响应各种攻击行为。它在增强系统对网络攻击的鲁棒性和在没有攻击时保持合理的预测准确度之间取得了平衡。对抗训练的攻击模型和配置被选择和评估，以在模拟研究中达到期望的性能水平。仿真结果验证了该方法的有效性和优良性能。

2020-01-07cs.SYeess.SY

利用增强条件扩散模型的高渗透率可再生能源电网概率净负荷预测

Probabilistic Net Load Forecasting for High-Penetration RES Grids Utilizing Enhanced Conditional Diffusion Model

本文提出基于增强条件扩散模型ECDM的日前概率净负荷预测框架，通过交叉注意力融合多模态条件、非参数插补引导反向扩散、周排列捕捉周期性及自适应核密度估计，在高渗透率可再生能源电网中实现了优于现有方法的概率预测性能。

2025-06-03cs.SYeess.SY

识别使直流最优潮流（DC-OPF）不可行的最小对抗性负荷扰动

Identifying the Smallest Adversarial Load Perturbation that Renders DC-OPF Infeasible

针对使DC-OPF不可行的全局最小对抗性负荷扰动识别问题，本文通过参数化Farkas引理构建非凸模型，提出参数化发电控制策略提供可解性保证，组合问题挤压上下界至全局解，并在PGLib测试案例上与Gurobi下界对比验证。

2025-11-17cs.SYeess.SY

基于深度学习的负荷预测可用性对抗攻击及对策

Availability Adversarial Attack and Countermeasures for Deep Learning-based Load Forecasting

Imperial College London（伦敦帝国学院）

电力负荷预测是电力系统规划和运行的基础。最近，深度学习的进步使得预测更加准确。然而，深度神经网络容易受到对抗攻击。虽然大多数文献都集中在基于完整性的攻击，本文提出了基于可用性的对抗攻击，它可以更容易地实现的攻击者。对于每个预测实例，通过人工神经网络的混合整数重构优化求解可用攻击位置。为了解决这种攻击，提出了一种对抗性训练算法。在仿真中，一个现实的负载预测数据集被认为是和攻击性能进行比较，基于完整性的攻击。同时，对抗性训练算法显着提高了对可用性攻击的鲁棒性。所有代码都可以在https://github.com/xuwkk/AAA_Load_Forecast上找到。

2023-01-04cs.CRcs.LGcs.SY

作战对抗情景生成

Operation-Adversarial Scenario Generation

本文提出了一种改进的条件生成对抗网络（cGAN）模型，用于生成统计上可信的电力系统的净负荷场景，由给定的标签（例如，季节），同时对系统运行和调度决策造成“压力”。本文中使用的应力的测量是基于由于净负荷变化而导致的运行成本增加。所提出的操作对抗cGAN（OA-cGAN）内化了DC最优潮流模型，并寻求最大化运营成本并实现最坏情况下的数据生成。在拟议的OA-cGAN中采用的训练和测试阶段使用历史的前一天净负荷预测误差，并已实施为现实的NYISO 11区系统。我们的数值实验表明，所产生的操作对抗性预测误差导致更具有成本效益和可靠的调度决策。

2022-04-11cs.SYeess.SY

使用条件变分自编码器生成上下文负载配置文件

Generating Contextual Load Profiles Using a Conditional Variational Autoencoder

Delft University of Technology（代尔夫特理工大学）

在电力系统规划和安全评估中，尤其是在历史数据不足的情况下，具有相似分布和相关性的发电系统状态是必不可少的。在本文中，我们描述了一个生成模型的工业和商业客户的负载配置文件，基于条件变分自编码器（CVAE）神经网络架构，这是具有挑战性的，由于高度可变的性质，这样的配置文件。生成的上下文负载配置文件以一年中的月份和与电网的典型功率交换为条件。此外，代的质量进行了视觉和统计评估。实验结果表明，我们提出的CVAE模型可以捕捉历史负荷曲线的时间特征，并生成“现实”的数据，具有令人满意的单变量分布和多变量依赖关系。

2022-12-13cs.LGcs.SYeess.SY

更多相关论文收起更多论文

通过对抗攻击利用负荷预测的漏洞

Exploiting Vulnerabilities of Load Forecasting Through Adversarial Attacks

University of Washington（华盛顿大学）

本文研究了一类负荷预测算法的脆弱性，提出了一种无需假设攻击者能力的数据注入攻击算法，通过注入恶意数据影响负荷预测，导致系统操作中的负载削减和调度成本增加。

2019-04-13cs.SYeess.SYmath.OC

使用条件变分自动编码器生成多变量负荷状态

Generating Multivariate Load States Using a Conditional Variational Autoencoder

Delft University of Technology（代尔夫特理工大学）

对于电力系统的规划和操作工具的校准，在大范围的代表性场景中分析系统性能是必不可少的。当可用的历史数据有限时，生成模型是一个很有前途的解决方案，但建模高维依赖性是具有挑战性的。提出了一种基于条件变分自编码（CVAE）神经网络的多变量负荷状态生成模型。超越常见的CVAE实现，该模型包括在给定的潜在向量下输出样本的随机变化，并共同优化该输出可变性的参数。结果表明，这提高了所生成的数据的统计特性。使用单变量和多变量性能度量来评估生成的多变量负载的质量。欧洲网络的发电充裕度的案例研究被用来说明模型的能力，以产生现实的尾部分布。实验结果表明，该生成器优于其他数据生成机制。

2022-12-14cs.LGcs.SYeess.SY

居民负荷剖面情景预测

Scenario Forecasting of Residential Load Profiles

负荷预测是电力系统运行和规划中不可或缺的一部分。由于屋顶光伏、电动汽车和需求响应应用的日益普及，预测个人和一小群家庭的负荷变得越来越重要。然而，当只包括少数家庭时，准确地预测负荷是相当困难的。缓解这一挑战的一种方法是提供一组场景，而不是一个点的预测，因此运营商或公用事业可以考虑一系列的行为。提出了一种基于流的条件生成模型的居民负荷情景预测方法。与现有的情景预测方法相比，我们的方法可以生成的情景不仅能够从观察到的历史数据中推断出未来可能实现的住宅负荷，而且还足够现实，可以涵盖广泛的行为。特别地，基于流的模型利用可逆变换的流来最大化给定过去观测的未来负荷的条件密度函数的值。为了更好地捕捉预测的未来负荷对条件的复杂时间依赖性，我们通过加强转换中输出和条件输入之间的耦合来扩展基于流的条件生成模型中可逆转换的结构设计。仿真结果表明，基于流的设计优于现有的方法，在情景预测的居民负荷，提供更准确，更多样化的场景。

2019-06-18cs.SYeess.SPeess.SY

气候变化下的鲁棒负荷预测：面向少样本极端负荷预测的自适应条件神经过程

Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting

本文提出AdaCNP模型，通过自适应条件神经过程实现少样本极端负荷预测，提升电力系统在极端天气下的预测鲁棒性。

2026-02-04cs.LGcs.SYeess.SY

基于条件扩散的低压配电网场景生成中的负荷轮廓合成

Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation

Department of Electronic and Electrical Engineering, University of Strathclyde（电子与电气工程系，斯特拉思克莱德大学）

本文提出基于条件扩散模型的低压配电网场景生成方法，通过合成具有代表性的负载轮廓以提升配电网规划和运营的准确性。

2026-02-10cs.AIcs.LGcs.SY