論文の概要: Data-Driven Time Series Reconstruction for Modern Power Systems Research
- arxiv url: http://arxiv.org/abs/2110.13772v1
- Date: Tue, 26 Oct 2021 15:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 16:29:08.047740
- Title: Data-Driven Time Series Reconstruction for Modern Power Systems Research
- Title(参考訳): 近代電力システム研究のためのデータ駆動時系列再構成
- Authors: Minas Chatzos, Mathieu Tanneau, Pascal Van Hentenryck
- Abstract要約: 本稿では,送信システムオペレータが公開するグリッドスナップショットと履歴データを用いて,高忠実度時系列を再構築するためのデータ駆動型フレームワークを提案する。
これにより、合成されるが、非常に現実的な時系列データを5分間の粒度で複数年にわたって、個々の成分レベルで生成する。
- 参考スコア(独自算出の注目度): 11.447394702830408
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A critical aspect of power systems research is the availability of suitable
data, access to which is limited by privacy concerns and the sensitive nature
of energy infrastructure. This lack of data, in turn, hinders the development
of modern research avenues such as machine learning approaches or stochastic
formulations. To overcome this challenge, this paper proposes a systematic,
data-driven framework for reconstructing high-fidelity time series, using
publicly-available grid snapshots and historical data published by transmission
system operators. The proposed approach, from geo-spatial data and generation
capacity reconstruction, to time series disaggregation, is applied to the
French transmission grid. Thereby, synthetic but highly realistic time series
data, spanning multiple years with a 5-minute granularity, is generated at the
individual component level.
- Abstract(参考訳): 電力システム研究の重要な側面は、プライバシーの懸念とエネルギーインフラの繊細な性質によって制限される適切なデータの利用である。
このデータの欠如は、機械学習アプローチや確率的定式化のような近代的な研究の進路を妨げている。
この課題を克服するために,送信システムオペレータが公開するグリッドスナップショットと履歴データを用いて,高忠実度時系列を再構築するための体系的データ駆動型フレームワークを提案する。
提案手法は, 地理空間データから生成容量再構成, 時系列分解に至るまで, フランスの伝送網に適用できる。
これにより、各成分レベルでは5分間の粒度で複数年にまたがる合成だが高度に現実的な時系列データを生成する。
関連論文リスト
- EnergyDiff: Universal Time-Series Energy Data Generation using Diffusion Models [2.677325229270716]
高解像度時系列データはエネルギーシステムの運用と計画に不可欠である。
データ収集コストとプライバシー上の懸念のため、そのようなデータはダウンストリームタスクでは利用できないか、あるいは不十分であることが多い。
本稿では,エネルギー時系列データのための汎用データ生成フレームワークであるEnergyDiffを提案する。
論文 参考訳(メタデータ) (2024-07-18T14:10:50Z) - ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation [19.18074489351738]
プライバシー保護データを生成するグラフモデルを提案する。
3つの実時間データセットを用いて実験を行い,本モデルの有効性を検証した。
生成されたデータに基づいてトレーニングされた予測モデルは、元のデータでトレーニングされたモデルと比較して、競争力のあるエッジを維持している。
論文 参考訳(メタデータ) (2024-06-04T04:43:54Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。
RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。
不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文 参考訳(メタデータ) (2021-11-16T11:31:37Z) - PSML: A Multi-scale Time-series Dataset for Machine Learning in
Decarbonized Energy Grids [11.03026038752202]
PSMLはオープンアクセス型マルチスケール時系列データセットである。
我々は,将来の電力網の信頼性向上に向けたデータ駆動機械学習(ML)手法の開発を支援するためにPSMLを提案する。
このデータセットは、動的システムにおけるMLの進歩を可能にすると同時に、ML研究者がカーボンニュートラル電気と移動性に貢献できることを期待している。
論文 参考訳(メタデータ) (2021-10-12T20:18:49Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Conditional GAN for timeseries generation [0.0]
実時間時系列データをモデル化するために,TSGAN(Time Series GAN)を提案する。
ベンチマーク時系列データベースから,70データセット上でTSGANを評価する。
論文 参考訳(メタデータ) (2020-06-30T02:19:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。