ترجمه فارسی مقاله PowerPM: مدل بنیادی برای سیستم‌های قدرت

چکیده

The emergence of abundant electricity time series (ETS) data provides ample opportunities for various applications in the power systems, including demand-side management, grid stability, and consumer behavior analysis. Deep learning models have advanced ETS modeling by effectively capturing sequence dependence. Nevertheless, learning a generic representation of ETS data for various applications remains challenging due to the inherently complex hierarchical structure of ETS data. Moreover, ETS data exhibits intricate temporal dependencies and is suscepti ble to the influence of exogenous variables. Furthermore, different instances exhibit diverse electricity consumption behavior. In this paper, we propose a foundation model PowerPM to model ETS data, providing a large-scale, off-the-shelf model for power systems. PowerPM consists of a temporal encoder and a hierarchical encoder. The temporal encoder captures both temporal dependencies in ETS data, considering exogenous variables. The hierarchical encoder models the correlation between hierarchy. Furthermore, PowerPM leverages a novel self-supervised pretraining framework consisting of masked ETS modeling and dual-view contrastive learning, which enable PowerPM to capture temporal dependency within ETS windows and aware the discrepancy across ETS windows, providing two different perspectives to learn generic representation. Our experiments involve five real world scenario datasets, comprising private and public data. Through pre-training on massive ETS data, PowerPM achieves SOTA performance on diverse downstream tasks within the private dataset. Impressively, when transferred to the public datasets, PowerPM maintains its superiority, showcasing its remarkable generalization ability across various tasks and domains. Moreover, ablation studies, few-shot experiments provide additional evidence of the effectiveness of our model.

چکیده به فارسی (ترجمه ماشینی)

ظهور داده های سری زمانی برق فراوان (ETS) فرصت های کافی را برای کاربردهای مختلف در سیستم های برق ، از جمله مدیریت تقاضا ، ثبات شبکه و تجزیه و تحلیل رفتار مصرف کننده فراهم می کند.مدل های یادگیری عمیق با گرفتن مؤثر وابستگی توالی ، مدل سازی ETS پیشرفته دارند.با این وجود ، یادگیری یک نمایش عمومی از داده های ETS برای برنامه های مختلف به دلیل ساختار سلسله مراتبی ذاتی پیچیده داده های ETS چالش برانگیز است.علاوه بر این ، داده های ETS وابستگی های زمانی پیچیده ای را نشان می دهد و از تأثیر متغیرهای برونزا ناشی می شود.علاوه بر این ، نمونه های مختلف رفتار متنوع مصرف برق را نشان می دهند.در این مقاله ، ما یک مدل بنیاد PowerPM را برای مدل سازی داده های ETS پیشنهاد می کنیم ، و یک مدل در مقیاس بزرگ و خارج از قفسه برای سیستم های برق ارائه می دهیم.PowerPM از یک رمزگذار موقتی و رمزگذار سلسله مراتبی تشکیل شده است.رمزگذار موقتی با توجه به متغیرهای برونزا ، هر دو وابستگی زمانی را در داده های ETS ضبط می کند.رمزگذار سلسله مراتبی همبستگی بین سلسله مراتب را مدل می کند.علاوه بر این ، PowerPM یک چارچوب پیش بینی شده خود تحت نظارت جدید متشکل از مدل سازی ETS نقاب دار و یادگیری متضاد دوگانه را اعمال می کند ، که PowerPM را قادر می سازد تا وابستگی زمانی را در ویندوز ETS ضبط کند و از اختلاف در ویندوز ETS آگاه باشد و دو دیدگاه مختلف را برای یادگیری نمایندگی عمومی فراهم می کند.آزمایشات ما شامل پنج مجموعه داده سناریوی دنیای واقعی است که شامل داده های خصوصی و عمومی است.PowerPM از طریق پیش از ترجمه در مورد داده های گسترده ETS ، به عملکرد SOTA در کارهای متنوع پایین دست در مجموعه داده های خصوصی می رسد.به طرز چشمگیر ، هنگامی که به مجموعه داده های عمومی منتقل می شود ، PowerPM برتری خود را حفظ می کند و توانایی تعمیم قابل توجه خود را در میان وظایف و حوزه های مختلف نشان می دهد.علاوه بر این ، مطالعات فرسایش ، آزمایش های چند شات شواهد دیگری در مورد اثربخشی مدل ما ارائه می دهد.