ترجمه فارسی مقاله یک یادگیری چند شات مبتنی بر ترانسفورماتور کارآمد و قابل توضیح برای مدل سازی پروفایل های مصرف برق در هزاران حوزه

چکیده

Electricity Consumption Profiles (ECPs) are crucial for operating and planning power distribution systems, especially with the increasing numbers of various low-carbon technologies such as solar panels and electric vehicles. Traditional ECP modeling methods typically assume the availability of sufficient ECP data. However, in practice, the accessibility of ECP data is limited due to privacy issues or the absence of metering devices. Few-shot learning (FSL) has emerged as a promising solution for ECP modeling in data-scarce scenarios. Nevertheless, standard FSL methods, such as those used for images, are unsuitable for ECP modeling because (1) these methods usually assume several source domains with sufficient data and several target domains. However, in the context of ECP modeling, there may be thousands of source domains with a moderate amount of data and thousands of target domains. (2) Standard FSL methods usually involve cumbersome knowledge transfer mechanisms, such as pre-training and fine-tuning, whereas ECP modeling requires more lightweight methods. (3) Deep learning models often lack explainability, hindering their application in industry. This paper proposes a novel FSL method that exploits Transformers and Gaussian Mixture Models (GMMs) for ECP modeling to address the above-described issues. Results show that our method can accurately restore the complex ECP distribution with a minimal amount of ECP data (e.g., only 1.6\% of the complete domain dataset) while it outperforms state-of-the-art time series modeling methods, maintaining the advantages of being both lightweight and interpretable. The project is open-sourced at https://github.com/xiaweijie1996/TransformerEM-GMM.git.

چکیده به فارسی (ترجمه ماشینی)

پروفایل های مصرف برق (ECP) برای سیستم های توزیع برق و برنامه ریزی انرژی ، به ویژه با افزایش تعداد فن آوری های مختلف کربن مانند پانل های خورشیدی و وسایل نقلیه برقی بسیار مهم است.روشهای سنتی مدل سازی ECP به طور معمول در دسترس بودن داده های ECP کافی را فرض می کنند.با این حال ، در عمل ، دسترسی به داده های ECP به دلیل مشکلات مربوط به حریم خصوصی یا عدم وجود دستگاه های اندازه گیری محدود است.یادگیری چند شات (FSL) به عنوان یک راه حل امیدوارکننده برای مدل سازی ECP در سناریوهای داده های محرک ظاهر شده است.با این وجود ، روشهای استاندارد FSL ، مانند مواردی که برای تصاویر استفاده می شود ، برای مدل سازی ECP نامناسب هستند زیرا (1) این روش ها معمولاً چندین دامنه منبع با داده های کافی و چندین حوزه هدف را فرض می کنند.با این حال ، در زمینه مدل سازی ECP ، ممکن است هزاران دامنه منبع با مقدار متوسط ​​داده و هزاران حوزه هدف وجود داشته باشد.(2) روشهای استاندارد FSL معمولاً شامل مکانیسم های انتقال دانش دست و پا گیر ، مانند قبل از آموزش و تنظیم دقیق است ، در حالی که مدل سازی ECP به روشهای سبک وزن بیشتری نیاز دارد.(3) مدل های یادگیری عمیق اغلب فاقد توضیح هستند و مانع کاربرد آنها در صنعت می شوند.در این مقاله یک روش جدید FSL ارائه شده است که از ترانسفورماتورها و مدل های مخلوط گاوسی (GMM) برای مدل سازی ECP برای پرداختن به موضوعات فوق استفاده می کند.نتایج نشان می دهد که روش ما می تواند توزیع دقیق ECP را با حداقل مقدار داده ECP (به عنوان مثال ، فقط 1.6 \ ٪ از مجموعه داده های دامنه کامل) بازگرداند ، در حالی که از روشهای مدل سازی سری زمانی برتر ، حفظ مزایااز سبک بودن و تفسیر بودن.این پروژه در https://github.com/xiaweijie1996/transformerem-gmm.git باز است.