Generative AI applied for synthetic data in PMU
Notice bibliographique
Résumé
The growing deployment of Phasor Measurement Units (PMUs) has enhanced power system observability but introduced new challenges related to data privacy, incompleteness, and measurement quality. To address these issues, this paper proposes a data-driven methodology for generating and completing PMU phasor measurements using Generative Artificial Intelligence. Specifically, we employ Variational Autoencoders (VAEs) and Generative Adversarial Networks (GANs) trained on real-world PMU datasets to learn the underlying empirical data distributions without assuming predefined statistical models. The proposed deep generative models are evaluated against traditional statistical techniques based on Gaussian Copulas using a suite of distributional similarity metrics, including Kullback–Leibler (KL) divergence, Hellinger distance, Maximum Deviation Nearest Neighbor (MDNN), and the Kolmogorov–Smirnov (KS) test. The GAN model achieved the best distributional fidelity, with KL divergence as low as 0.0106 and Hellinger distance of 0.0435 for voltage signals. In a synthetic data reconstruction task with 0.5% missing values, the GAN reduced the percentage root mean squared error (PRMSE) to 0.52% for voltage and 2.19% for current—significantly outperforming baseline methods. Moreover, the GAN was able to augment the dataset from 1489 to 5000 samples while preserving key statistical properties, as validated by empirical distribution tests. These results demonstrate that deep generative models not only offer superior accuracy but also provide statistically consistent synthetic PMU data, making them a robust alternative to conventional methods for enhancing power system datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».