論文の概要: LoaDiff: Conditional Generation of Electricity Consumption Time Series for Energy Analytics
- arxiv url: http://arxiv.org/abs/2609.11639v1
- Date: Thu, 10 Sep 2026 14:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.405454
- Title: LoaDiff: Conditional Generation of Electricity Consumption Time Series for Energy Analytics
- Title（参考訳）: LoaDiff:エネルギー分析のための電力消費時系列の条件付き生成
- Abstract要約: 本稿では,1時間以内のスマートメーター負荷曲線の拡散に基づく生成モデルであるLoaDiffを紹介する。
3つの住宅電力消費データセットに基づいて,複数の発電ベースラインに対するモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 6.062089991172254
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The energy transition is reshaping residential electricity consumption through the increasing adoption of distributed generation, electrified appliances, and demand-response programs. Understanding these evolving behaviors requires access to granular smart-meter data for applications such as load forecasting, appliance detection, and demand-side flexibility analysis. However, such data are subject to strict access restrictions and data-protection regulations. Thus, realistic synthetic alternatives are necessary. In this paper, we introduce LoaDiff, a diffusion-based generative model for year-long, sub-hourly smart-meter load curves. LoaDiff supports flexible conditioning on static household attributes, such as appliance ownership, and dynamic contextual variables, including calendar information and outdoor temperature. We evaluate the model against multiple generative baselines on three residential electricity-consumption datasets. Our experiments assess four complementary dimensions: fidelity and diversity, training-record memorization risk, downstream utility for load forecasting and appliance detection, and conditional controllability under alternative temperature conditions. The results show that LoaDiff generates realistic and diverse load profiles, achieves a favorable trade-off between generation quality and limited evidence of memorization, preserves information useful for downstream energy applications, and responds coherently to changes in conditioning variables.
- Abstract（参考訳）: エネルギー移行は、分散型発電、電化製品、需要応答プログラムの採用の増加を通じて住宅電力消費を変革している。
これらの進化する振る舞いを理解するには、負荷予測、アプライアンス検出、需要側の柔軟性分析といったアプリケーションのための粒度のスマートメーターデータにアクセスする必要がある。
しかし、そのようなデータは厳格なアクセス制限とデータ保護規制の対象となっている。
したがって、現実的な合成代替手段が必要である。
本稿では,1時間以下のスマートメーター負荷曲線の拡散に基づく生成モデルであるLoaDiffを紹介する。
LoaDiffは、アプライアンスオーナのような静的な世帯属性のフレキシブルな条件付けと、カレンダー情報や屋外温度などの動的コンテキスト変数をサポートする。
3つの住宅電力消費データセットに基づいて,複数の発電ベースラインに対するモデルの評価を行った。
実験では, 忠実度と多様性, トレーニング記録の記憶リスク, 負荷予測と家電検出のための下流ユーティリティ, 代替温度条件下での条件制御性, の4つの相補的次元を評価した。
その結果、LoaDiffは現実的で多様な負荷プロファイルを生成し、生成品質と記憶の限られた証拠との良好なトレードオフを実現し、下流のエネルギー応用に有用な情報を保存し、条件変数の変化に一貫性を持って応答することを示した。
関連論文リスト
- WattCouncil: Context-Aware Household Energy Scenario Generation With Governed LLMs [1.0450509067356148]
WattCouncilは、LLM(Large Language Model)ベースのエージェントによって家庭用電力需要が生成されるデータ生成フレームワークである。
静的予測器として振る舞うのではなく、これらのエージェントは制御パイプライン内で適応的な意思決定者として機能する。
また,4232世帯を対象とした1年以上の負荷計測を含む詳細なCERデータセットに対して,生成したプロファイルを評価した。
論文 参考訳（メタデータ） (2026-07-12T11:28:02Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - A synthetic dataset of French electric load curves with temperature conditioning [0.0]
本稿では,条件付き潜伏拡散によって生成された新しい合成負荷曲線データセットを提案する。
また, 発電に使用する契約電力, 使用時間, 局部温度も提供する。
論文 参考訳（メタデータ） (2025-04-18T19:28:49Z) - Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。
我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。
分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
論文 参考訳（メタデータ） (2025-02-10T04:42:11Z) - From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。
ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
論文 参考訳（メタデータ） (2025-01-06T05:53:38Z) - AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-21T12:23:09Z) - Home Electricity Data Generator (HEDGE): An open-access tool for the
generation of electric vehicle, residential demand, and PV generation
profiles [0.0]
Home Electricity Data Generator (HEDGE)は、現実的な住宅エネルギーデータをランダムに生成するためのオープンアクセスツールである。
住宅用太陽光発電、家庭用電気負荷、電気自動車の消費および家庭での可用性に関する現実的な日々のプロファイルを生成する。
次に、GAN(Generative Adversarial Network)を訓練し、各行動群を代表する現実的な合成データを生成する。
論文 参考訳（メタデータ） (2023-10-02T21:51:42Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z)
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。