SynEnergy: Framework AI per Dati Energetici Sintetici che Preservano le Anomalie

I ricercatori hanno introdotto SynEnergy, un framework basato su diffusione a due stadi progettato per generare dati sintetici di consumo energetico preservando rari eventi anomali. Il lavoro, dettagliato in un articolo su arXiv (riferimento 2608.03087), affronta la sfida che i metodi esistenti di generazione di dati sintetici spesso attenuano o sottorappresentano le anomalie causate da eventi meteorologici estremi, guasti alle infrastrutture e cambiamenti comportamentali. Tali anomalie sono sparse, localizzate nel tempo e nello spazio, e influenzate da dipendenze eterogenee tra prossimità geografica e attributi regionali. Il primo stadio di SynEnergy impiega un'estrazione semantica delle anomalie basata su grafi eterogenei per catturare queste dipendenze, mentre il secondo stadio utilizza un modello di diffusione per generare dati che mantengono questi eventi critici. La motivazione deriva dall'accesso limitato a dati energetici granulari a causa di problemi di privacy e vincoli di condivisione dei dati, che limita applicazioni come la previsione della domanda, la pianificazione della risposta alla domanda e la valutazione dell'affidabilità della rete. Preservando le anomalie, SynEnergy mira a produrre set di dati sintetici più realistici che supportino meglio queste applicazioni. L'articolo è classificato come annuncio di tipo incrociato ed è disponibile su arXiv. La ricerca contribuisce al crescente campo della generazione di dati sintetici, in particolare per i sistemi energetici dove il rilevamento delle anomalie e la pianificazione della resilienza sono cruciali.