没有合适的资源?快使用搜索试试~ 我知道了~
能源与人工智能12(2023)100223SolarGAN:通过深度生成网络对城市建筑立面的合成年太阳辐照度时间序列张宇飞,Arno Schmidter,ChristophWaibel建筑和建筑系统(A/S)主席,苏黎世联邦理工学院,Stefano-Francini-Platz 1,8093 Zurich,瑞士G R A P H I C A L A B S T R A C TH I G H L I G H T S• 利用鱼眼图像预测城市立面年小时太阳辐照度的生成模型• 鱼眼图像来自LoD 1城市几何,但原则上也可能来自真实照片。• 生成与确定性数据具有良好一致性的时间序列随机集成• 结合变分自动编码器(VAE)和生成对抗网络(GAN)。• 模型允许参数化地改变城市环境特征。A R T I C L E I N F O保留字:城市太阳能潜力深度生成网络(DGN)光伏建筑一体化(BIPV)生成对抗网络(GAN)变分自动编码器(VAE)A B标准建筑一体化光伏技术(BIPV)是一种很有前途的技术,通过利用建筑围护结构上的太阳能来实现城市能源系统的脱碳。虽然评估太阳辐射的方法,特别是在屋顶上,已经建立了,建筑物外墙的评估通常涉及更高的工作,因为更复杂的城市特征和障碍物。现有的基于物理的仿真程序的缺点是,它们需要大量的人工建模工作和计算时间来生成时间分辨的确定性结果。然而,太阳辐射是高度间歇性的,代表其固有的不确定性可能需要设计强大的BIPV能源系统。针对这些缺点,本文提出了一种基于深度生成网络(DGN)的数据驱动模型,以有效地生成城市尺度下建筑立面上的年度每小时太阳辐照度时间序列的随机集合,并具有不妥协的时空分辨率。所需的唯一输入是从3D模型中捕获的鱼眼图像作为分类着色遮罩。原则上,即使是城市环境的实际照片也可以使用,因为它们∗ 通讯作者。电子邮件地址:waibel@arch.ethz.ch(C. Waibel)。https://doi.org/10.1016/j.egyai.2022.100223接收日期:2022年10月11日;接收日期:2022年12月8日;接受日期:2022年12月9日2022年12月12日在线提供2666-5468/© 2022作者。出版社:Elsevier Ltd这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表能源与AI期刊主页:www.elsevier.com/locate/egyaiY. Zhang等人能源与人工智能12(2023)1002232在语义上是分段的。我们的方法的潜力在于,当面临缺乏信息时,它可以用作耗时模拟的替代品(例如,不存在3D模型),并在鲁棒能源系统规划中使用生成的随机时间序列集合。与基于物理的模拟器相比,我们的验证对生成的时间序列具有良好的保真度由于使用的性质DGN,它仍然是一个开放的挑战,精确地重建地面真相一对一的每一个小时的一年。然而,我们认为该方法的好处大于缺点。为了证明该模型1. 导言文献综述通过光伏(PV)利用太阳能,包括建筑集成光伏(BIPV)和建筑附着光伏(BAPV),1被认为是城市能源系统脱碳的主要技术。然而,城市环境形成了复杂的相互遮蔽和反射,导致许多建筑物表面对于有效的太阳能应用并不理想。此外,由于太阳能固有的波动性和间歇性,在设计和操作PV系统时会出现不确定性。鉴于这些挑战,要成功推广这项技术,必须仔细评估当地和个案的表面太阳能潜力文献综述的结构如下:在第1.1节中,我们描述了在建模工作、计算成本和(缺乏)不确定性表示方面,用于太阳能潜能评估的成熟物理方法的局限性。在第1.2节中回顾了现有的用于太阳势预测的数据驱动/替代模型,其中很明显,它们都在损害空间或时间分辨率。在第1.3节中,我们回顾了深度生成网络(DGN)在生成能源时间序列数据方面的成功应用。此外,我们概述了如何DGN可以适应城市太阳能潜力评估的具体要求。最后,在第1.4节中,我们概述了我们提出的DGN模型的贡献,实现了不妥协的时空分辨率,处理不确定性,并适用于城市设计探索。1.1. 基于物理的城市太阳模拟:挑战与机遇根据空间和时间尺度,不同的基于物理的方法可以应用于PV电势建模在从区域到大陆的大范围内,Izquierdo等人[1]提出了一种基于地理信息(土地利用、人口和建筑密度)并利用代表性城市区域的高度信息矢量地图计算屋顶表面每小时/年PV潜力的方法。在建筑物规模上,可以从光线跟踪方法和计算机辅助设计(CAD)软件中的劳动密集型3D建模获得使用行业标准引擎Radiance [2]及其接口Daysim[3]。具体地,使用本地天气数据、明确的3D几何模型和对应的光学表面属性(地面、建筑物和场景中的其他对象的光学表面属性),可以精确地计算由于计算资源的可访问性越来越高,这种模拟可以在地区和城市规模上使用,但也存在简化的方法[4]。有几种技术可以加快年时间序列的计算过程。最常见的方法是只对一年中少数几个有代表性的日子进行射线追踪(包括计算成本高的相互反射),并对未知日子插入障碍因子[3,5,6]。显然,这会引入一些错误 和 Waibel et al. [6]美国 有 研究 的 影响 不同1在下文中,我们将使用BIPV作为首字母缩略词来描述BAPV。与在Radiance中将一年中的每个小时作为地面实况进行显式模拟相比,目前最快的商业仿真引擎ClimateS-tudio [7]进一步利用了渐进式路径跟踪和硬件加速。关于城市环境的3D建模,在数据可访问性方面已经有了实质性的改进:具有由全球越来越多的城市发布的建筑物足迹和高度信息的开源地理信息系统(GIS)数据库,以及用于访问和自动化3D构建的程序,已经大大减轻了为太阳模拟提供必要的几何输入的努力。太阳能潜力的大规模评估(地形或城市),往往是与GIS程序进行。与CAD软件相比,基于GIS的模拟方法通常限于2.5 D [8],或忽略建筑物相互反射的影响和垂直表面典型悬挑的复杂阴影效果[9]。为了更好地考虑城市背景的影响,最近的几项研究引入了基于经典天空视图因子(SVF)或阴影掩模的方法[10,11]。这些方法只需要低计算成本的操作,如投影和屏幕截图,获得2D圆形鱼眼面具,表示在城市环境中的任意传感器点周围的遮挡天幕。 然而,这些方法无法捕获由城市街道峡谷中典型的复杂几何星座引起的显著的相互反射,并且特别是与垂直表面相关。总之,利用当前现有的基于物理的和显式的模拟方法,仍然不能在实时内获得准确的结果,特别是在城市规模下。 这些模拟的结果也是固有的确定性,而在现实中,由于难以预测的云层覆盖,太阳辐照度的特点是快速的时间波动。作为上述许多方法的基础的天气文件将几年或几十年的历史记录合成为具有统计代表性的年度时间序列,称为“典型气象年”(TMY)。 当然,这些时间序列并不直接用于实际的光伏发电预测,而是用于制定设计决策,例如产量预期。 尽管如此,问题出现了依赖于确定性的结果是否可能导致不太稳健的设计决策时,使用随机方法。Mavromaidel等人[12]中介绍了多能源系统(MES)设计中随机方法与确定性方法的重要性,更具体地说,Waibel等人[13]和Zhang等人[14]中介绍了BIPV系统设计作为区域MES的一部分。最后,一些城市特征可能很难在更大的规模上获得或受到改造,例如立面上的窗户,植被或新建筑。 因此,城市环境因素被参数化为,例如,窗墙比、植被覆盖率等,并且随后针对变化的参数模拟多个情况。Peronato等人[15]进一步提出了一种改进TMY设计的方法,以综合典型和极端天气情景并进行多次模拟。由于一个单一的模拟情况下已经可以是耗时的,这些采样策略,依赖于多个模拟是一个相当昂贵的计算策略,以处理不确定性。Y. Zhang等人能源与人工智能12(2023)10022331.2. 机器学习预测太阳能潜力另一种方法是用快速数据驱动的代理模型取代计算昂贵的模拟器。这种方法通常利用某些类型的机器学习模型,这些模型是在(模拟的)地面实况上训练的。例如,在一个示例中,Assouline等人。[16]使用2阶段支持向量机(SVM)回归模型进行天气数据空间插值和城市BIPV潜力估计。 Nault等人。[17]提出了一个工作流程,使用多线性回归(MLR)和高斯过程(GP)在辐射模拟上进行训练,以预测建筑立面上的太阳能潜力和建筑分辨率上的日光自主性,但应用于一个街区的规模。除了大幅降低计算成本外,Assouline等人[16]和Nault等人[17]的两种方法都提供了对预测不确定性的估计,更重要的是,输入参数相对于输出量的灵敏度指标-这是确定性的基于物理的模拟的另一个优势。最后,为了阐明不同模型性能的问题,Walch等人[18]进行了一个基准测试。在五种常见的城市太阳能潜力预测机器学习模型上,随机森林被认为是预测精度最高的模型。虽然这样的代理模型已经被证明对于低维输出预测是非常成功的(例如,累积年红外辐射、日光自主性或能量使用强度),它们通常缺乏较高的时间分辨率。此外,它们依赖于人工设计的特征来指示城市环境条件,例如街道宽度或平均建筑物高度。这可能会限制这种方法的通用性,从而限制其实用价值许多预测时间序列的数据驱动方法的另一个研究差距是,它们仅限于屋顶,而忽略了垂直表面[16,19,20]。这是由于更复杂的阴影背景、内部反射和立面上尤其是街道峡谷中存在的异质空间分布,导致太阳辐照度的更高的空间和时间变化。然而,随着光伏价格的不断下降和BIPV建设的更多创新,特别是屋顶面积有限的高密度城市可以从利用垂直建筑表面中获益,并且作为决策支持方法的有效数据驱动方法可以大大促进此类系统的采用。为了填补这一研究空白,在本文中,我们提出了一种新的方法,垂直表面,确保速度,精度和高时空分辨率在城市规模。1.3. 应用于能源数据的深度生成网络(DGN)深度神经网络(DNN)已被证明可以成功处理复杂的高维图像、音频或序列数据。在能源部门(包括BIPV规划),数据通常以时间序列的形式在这里,可以有效地使用递归神经网络(RNN),特别是长短期记忆(LSTM)与传统的时间序列分析模型相比,这些深度学习模型不仅考虑了时间序列的顺序方式,还允许对确定时间序列的多变量条件输入进行建模这一优势使其非常适合处理各种现场预测任务,例如能源消耗预测[22运行预测对系统设计和规划的要求不同于能势预测。现场运行预测模型通常专用于具有已知边界条件的几个特定站点,而能源潜力评估模型需要在地理上、几何上和/或气候上更具普遍性,以便有用。生成方法的最新进展带来了许多令人兴奋的新应用通常以卷积神经网络(CNN)或RNN为骨干,可以分别处理复杂和高维的图像或时间序列数据。他们更进一步,对有限的未来范围进行回归预测,或提取代表性特征用于分类。 通过仔细设计损失函数并组合多个骨干DNN,DGN能够近似复杂的高维分布,甚至创建远远超出可用数据集变量范围的一致数据,只要它包含模型可以推断的足够可变性。在能源部门,在模拟或(历史)测量数据上进行培训后,DGN已经用于产生合成可再生能源产量或建筑能源需求[33这样的模型能够以高保真度生成时间序列,并且同时具有引入条件随机性(即,场景)基于天气、日期、输出量的统计矩(例如,值范围)等。值得一提的是,可以在不事先明确地对分布建模的情况下生成这些场景。这些优点可以使基于DGN的模型非常有用的替代品,用于高分辨率但计算昂贵的仿真模型,并且同时将可控的可变性引入确定性地面实况以表示可再生资源的固有不确定性。1.4. 主要贡献文件概述已经发现,许多DGN模型非常适合于异构模态之间的数据转换(即,模态转换,这里,图像到时间序列数据)[42 然而,有必要注意的是,现有的基于DGN的模型生成时间序列,仅以特定的季节,地理位置,几何设置和/或天气条件为条件。因此,这些现有的方法不能实现垂直城市表面上的BIPV规划所需的足够的通用性。如第1.2节所述,立面上(尤其是街道峡谷中)的阴影背景、相互反射和异质空间分布是城市太阳辐照度时空变化的关键影响因素。为了毫不妥协地表现这些细节,我们以图像格式表示城市背景条件,并辅以本地天气统计数据。解决定义了我们正在解决的研究差距在我们的工作中。简而言之,本文提出了一种新的方法来近似和生成太阳辐照度的垂直表面上的城市背景图像的时间序列,同时确保计算速度,数据精度,并在城市尺度上的高时空分辨率。个人贡献列示如下:• 据作者所知,使用图像数据作为输入的垂直表面的有条件的年度太阳时间序列DGN模型尚未引入到现有文献中。Middel等人。[11]和Liang等人。[10]提出了也基于鱼眼图像的方法,但它们仅适用于到水平表面。利用DNN和DGN的最新进展,通过结合几个已建立的模型,我们提出了SolarGAN,2一个高分辨率的替代品,能够通过简单地输入任意城市环境的鱼眼镜头图像来操作(图1)。①的人。• 除了重建地面实况外,所提出的模型还能够生成随机时间序列的集合,其可用于场景建模或表示可再生的能量不确定性。空间分辨率是任意的,因为可以为任何感兴趣的传感器点生成预测。由于天气文件中的数据可用性,时间分辨率是每年每小时的水平,但原则上我们的模型可以扩展到更高的分辨率。这极大地扩展了深度学习模型的能力,应对这些具体挑战。深度生成网络(DGN),2 该代码可在www.example.com上获得https://github.com/89ng/SolarGAN。Y. Zhang等人能源与人工智能12(2023)1002234表1图像/几何数据集。城市几何#传感器点#图像图像大小苏黎世(ZH)新加坡(SG)五千一万五(3× WWR)512 × 512像素Fig. 1. (左)基于光线跟踪物理的方法。(右)SolarGAN中使用的基于图像的视点方法。表2时间序列模拟数据集。5000个传感器点与3个不同的WWR导致15 HCMC =胡志明市;WWR =窗墙比。天气文件#年度时间序列#火车/#测试• 此外,场景的可变改变,诸如广告的窗壁比(WWR)的连续调制,日内瓦、米兰、巴黎、柏林、苏黎世HMCCL,雅加达,吉隆坡75'000(5个地点)四比一建筑物,可以作为条件输入进行控制。因此,SolarGAN显示出对城市环境的一些基本影响因素• 最后,简单的鱼眼镜头图像,所需的输入信息之一,可以从3D城市几何(如从容易获得的,开放访问的细节层次,LoD,1模型),或在原则上甚至从实际照片捕获。因此,该模型原则上不局限于特定的城市或地区,具有较大的通用性和广泛的应用潜力。3本文的其余部分组织如下:在第2节中,我们介绍了从输入到输出的数据管道,并提出了所采用的模型以及分别设计的网络体系结构。第3节基于不同的度量标准评估模型在第4节中,我们讨论了该模型在能源研究中的潜在应用,如何将原型部署到实践中,以及可能扩展到端到端解决方案。附录包含所设计的DGN的进一步细节,以及它们的相关算法和理论背景。我们提出的SolarGAN模型可以在网上公开访问。[4]我们已经在Zhang等人的文章中发表了该模型在区域能源系统规划中的应用。[14 ]第10段。另一方面,本文扩展了研究结果,并全面介绍了所开发的方法,包括详细的验证。2. 方法所提出的模型的开发包含三个工作包,如图所示。二、它涵盖了数据采集(第2.1节)、数据处理(第2.2节)和基于几种最先进的DGN的模型设计(第2.3节)。2.1. 数据集准备该数据集包括来自欧洲和东南亚城市的城市LoD 1几何图形和天气文件(图1)。3)。苏黎世和新加坡成为其独特的柯本气候区的代表。虽然我们将苏黎世和新加坡的几何图形组合到一个几何数据集中,但我们分别用每个气候区域五个不同城市的天气文件训练两个独立的SolarGAN时间序列模型。 至于几何形状,苏黎世市已经开源了LoD 13D模型[48]。对于新加坡,虽然市政当局有非常详细的城市模型,但由于可访问性,我们依赖于开源OpenStreetMap(OSM)数据[49]。我们使用插件“@ it”将这些LoD 1模型作为3D几何形状导入Rhino Grasshopper3然而,我们确实将模型训练到不同的气候区域,即中欧和东南亚,以提高模型的保真度。4https://github.com/89ng/SolarGAN。吉隆坡, 曼谷,新加坡 “”我的天为了生成地面实况数据集,我们从苏黎世和新加坡的LoD 1模型中随机抽取了5 '000个传感器点。只选择传感器点有两个原因在立面上:首先,我们发现屋顶上的大多数传感器点大多是无遮挡的,导致用于训练的有价值的样本较少。其次,已经存在许多屋顶太阳能预测方法,而垂直表面/立面的研究较少。不过,我们建议的方法主要也适用于天台。我们使用“ClimateStudio”[ 7 ]模拟每年每小时的太阳辐照度该程序还可以为我们提出的模型所需的每个模拟立面点生成圆形鱼眼镜头图像的渲染。这些图像被转换成多类别的阴影遮罩,表示地面,不透明和透明的表面,以及天空(图1)。3,对于每个传感器点,我们生成地面真实太阳辐照度时间序列的三元组及其相应的鱼眼镜头图像,其中三个样本中的每个样本中的周围建筑物分别具有不同的WWR(图3,“模型输入”)。低和高WWR样品的特定值被随机采样(均匀分布),低WWR样品的值在0.1至0.4之间,高WWR样品的值在0.5至0.8之间。 然而,在采样场景中,所有建筑物将具有相同的随机WWR。例如,在一个示例中,表示低WWR的图像将以具有在0.1到0.4之间的所有相同随机WWR的建筑物为特征。通过这样做,我们引入了城市背景特征的变化(即, WWR)到数据集,从而使我们能够评估我们的模型的参数化,生成城市设计的能力。为了减少计算时间,在模拟每个传感器点的地面实况时,我们只考虑10= 30个最近的相邻建筑物。表1和表2概述了模拟数据集。由于这种城市背景的视觉表现是有限的,我们在后面的讨论部分讨论了一些可能的补救措施。2.2. 数据处理如图4.将分类鱼眼镜头图像重新投影到展开的半立方体映射,并随后变换为顺序编码(单通道灰度)或独热编码(分离的二进制通道)分类图像。这种格式简洁,同时保持图像特征不受平移和缩放的影响-这是专用于图像的卷积神经网络(CNN)首选的格式。两种编码类型(灰度和独热)的原因是由于所使用的DGN模型,如将在第2.3.1节中解释的。至于天气数据输入,即,直接法向辐照度(DNI)和漫射水平辐照度(DHI),而不是向它们Y. Zhang等人能源与人工智能12(2023)1002235图二. 数据管道和模型架构概述。图3.第三章。数据 集准备工作流。每个城市以千瓦时/平方米a为单位的值是每年的太阳能潜力。见图4。 图像处理,从彩色编码的鱼眼镜头到分类的二进制阴影遮罩。 灰度图像用于计算用于训练ID-GAN图像生成器的损失项;独热编码图像被馈送到ID-VAE编码器中,其然后创建用作时间序列生成器的输入的潜在表示���在AS时间序列中,我们注意到,仅绘制一些统计数据,例如,峰值和平均值是降低模型复杂性的有效方法[37]。此外,它允许更灵活地生成新的随机预测,这些预测不严格遵循来自输入天气文件的确定性天气模式。由于具有8760步(一年中的小时数)的时间序列对于任何当前存在的时间序列DGN来说都太长,因此我们使用每周滑动窗口来生成补丁,然后将这些补丁连接为一个整体年因此,输入的天气统计数据也按周分段绘制。我们还剔除每周补丁,只包括 每天17小时,即,在04:00和21:00之间这略微降低了模型的复杂性,并将每周样本的长度减少到17 × 7 = 119 h。如图2,除了图像和天气统计,辅助条件输入还包括Y. Zhang等人能源与人工智能12(2023)1002236表3SolarGAN中所需的辅助模型输入(除了标记的立方体地图图像)用于预测年度随机太阳时间序列(顶部)和用于训练模型的每周补丁(底部)。属性术语描述尺寸经度和纬度在天气文件中的位置2传感器点1的高度曲面法线的x,y分量曲面法线2给定立面传感器点的矢量(不需要z分量)将VAE和GAN相结合,可以得到有效的去纠缠学习模型,能够重建高保真输出和控制输出属性的操作。在我们的例子中,我们使用Lee等人提出的信息蒸馏GAN(ID-GAN)。[47]用于图像编码,编辑和重建。正如原始论文中所概述的,它是基于InfoGAN-VAE [53]进行了几次修改,并与InfoGAN [42]密切相关。ID-GAN和ID-VAE基于CNN,通常用于处理图像数据。我们在ID-GAN中使用的图像大小为128 × 128像素。在这里,我们注意到将立方体映射视为简单顺序编码的灰度图像,可以很好地计算用于训练图像生成器的GAN损失,如月度指数每周补丁的月度指数太阳历十年用第一天计算1当月每周DNI和DHI的天气统计每小时峰值和每小时平均图五.然而,我们仍然将图像转换为用于EST-VAE编码器的独热编码标签掩码。这个编码器的潜在表示被用作下一节介绍的时间序列生成器的输入。图4示出了鱼眼镜头图像的处理及其在各种DGN模型中的使用最大/最大值的每小时平均值最小日共15地面实况时间序列Term描述样本长度17 h × 7天= 119 h每日持续时间4:00数据集大小Train:3120 K周样本测试:每周780 K样本位置,以及传感器点的高度和表面法向量。这种信息很容易获得,计算成本可以忽略不计。表3给出了辅助属性的概述,这些辅助属性与其对应的立方体映射图像一起用作DGN的输入。该表还显示了地面实况时间序列的每周补丁2.3. DGN的设计和培训图2显示了我们提出的模型架构的两个主要组成部分:(i)处理图像城市背景信息的DGN和(ii)有条件生成太阳辐照度的DGN。如前所述,我们将训练一个图像DGN(因为我们从苏黎世和新加坡采样传感器点,并将其合并到一个几何数据集中),但分别为SE-Asia和Europe训练两个单独的时间序列DGN。换句话说,时间序列DGN将依赖于相同的图像DGN。在第2.3.1节和第2.3.2节中,我们介绍了这两种不同的DGN架构;第2.3.3节然后详细介绍了数据管道,并解释了我们如何组合这些DGN。附录A进一步阐述了所应用的DGN的算法背景,详细的模型架构在附录B中说明。2.3.1. 图像的DGN为了处理城市背景的鱼眼镜头图像,我们使用一种混合的变分自编码器(VAE)和生成对抗网络(GAN)模型,其核心思想是使用VAE进行图像表示和图像创建,并利用GAN来改进其整体输出保真度。在VAE中,图像被表示在所谓的潜在空间中,其中编码器学习如何将特征(诸如建筑物立面上的WWR)从图像中分离(或分解)到较低维度(与输入图像相比)的变量空间中。潜在空间中的这些变量可以经由解码器(或图像生成器)被指定用于条件输出重构,例如,将建筑物的WWR由低变高。 简而言之,GAN就是让一代车型与之竞争的概念。一种猜测生成的输出是假的还是真的方法[52]。因此,发电机和稳压器都相继地ID-GAN生成器(重建图像的解码器)的输入维度是36,包含32个用于图像表示的潜变量,以及一个4维随机潜向量。应该注意的是,VAE将需要学习期望的属性(例如,���作为WWR),而无需事先明确指定。然而,通过提供训练数据中的相应变化(即,相同的城市形象,但不同的WWR)的模型实际上是保证学习这个属性,并表示它作为潜在变量。表4提供了有关训练设置和超参数的更多信息。在���SolarGAN中使用的-VAE和ID-GAN的具体网络架构如图2和3所示。分别是16和17。附录A.4中也对它们作了进一步解释。2.3.2. 时间序列由于VAE编码器将鱼眼图像压缩为(较低维度)向量,因此所有剩余属性都可以连接到该向量并馈送到条件时间序列GAN中(图5)。���条件的总维数为47,包括15个原始属性(表3)以及编码的32维图像表示。5正如前面在2.2节中所解释的,生成的输出时间序列是具有119个小时时间步长的每周补丁我们使用Lin等人提出的DoppelGANger。[54],这是一种能够合成高保真条件时间序列的架构。它使用经典RNN的组合来处理顺序数据(即,LSTM [21]),以及经典的多层感知器(MLP),用于处理解耦属性和辅助Min/Max生成器以解决模式崩溃。最后,由于在整个训练数据集(包含3 '120 K周样本)上训练时间序列模型非常耗时,因此我们仅使用四分之一的训练数据,即新加坡和苏黎世数据集分别使用1' 000个传感器点和780 K周样本。表4提供了有关训练设置和超参数的详细信息。附录包含与So- larGAN相关的DoppelGANger的细节,包括图18中的网络架构的图示和附录A.5中的算法背景的描述。2.3.3. 把所有的东西放在一起图图5显示了整个训练过程和结合上述DGN的整体SolarGAN架构。总指挥官都受过训练 在三个不同的阶段:I. 图像表示,二。 图像编辑,以及III.时间序列生成 由于ID-GAN的框架设计,步骤I和II是分开的,其中图像表示学习和高保真图像编辑被制定为两个独立但仍然关联的问题,因此当制定为联合问题时,这两个任务的性能都更好[47]。在训练过程中得到了改善这一想法导致了令人印象深刻的近年来取得的成果,在图像生成方面具有前所未有的逼真度。5与图像生成器不同,我们在时间序列生成器中不需要随机噪声向量。Y. Zhang等人能源与人工智能12(2023)1002237图五、详细的模型架构和整个培训过程的3个 独立阶段的插图。红色线条和文本表示所涉及的损失函数项如图 5、来自���-VAE编码器的表示(训练I)没有随着条件时间序列生成(训练III)一起优化。这也是不必要的,因为立方体地图图像已经足够好地表示了相关的城市背景信息表4DGN培训概述项目名称-VAE ID-GAN DoppelGANger因为每个图像直接匹配对应的地面实况太阳能辐照时间序列这些从图像中提取的表征超参数Eq= 3(等式(7))= 0.01(方程式(十一)���= 1(等式(十三))��� =������������.= 10个由编码器(例如视点坐标,对象轮廓和天空遮挡条件)也与人类专家如何保持一致。(方程式 (九)批量32 64 100会直观地解释这些图像与太阳能的关系,[55]第五十五话[55]第55话:我的世界tials。此外,单独的培训有助于我们更好地了解(1 = 0.9)���每个DGN的单独角色和效果。表4总结了关于这三种类型的DGN的训练对于DoppelGANger,学习率= 10������−4������= 10−4(退火,������= 10−3(重复训练3步,值得注意的是,我们实际上在新加坡和苏黎世的太阳辐照度上训练了两个具有相同架构的0.9每 (1步)104次迭代)数据集,分别。 对于VAE和ID-GAN,我们使用相同的图像���两个地点的数据集。训练持续时间2500 K次迭代(68h)的50万次迭代(100h)的200个纪元(1560 K次迭代)最后,当利用/应用SolarGAN进行时间序列和图像生成时,我们不需要维护训练阶段使用的所有完整的DGN框架,如图所示。5,但只 能 将 编 码 器 保 持 在 ID-VAE 中 , 将 发 生 器 保 持 在 ID-GAN 和DoppelGANger中。���从表4中,我们可以观察到编码器和时间序列生成器(用于基本工作流)相对较轻(仅几MB)。因此,可以预期它们将被灵活地部署在用户侧,例如,作为移动应用程序或CAD/GIS软件插件。另一方面,更重的图像生成器仅用于视觉反馈,例如,当用户需要图像来理解遍历上下文特征的设计含义时,例如逐渐添加或移除周围上下文的窗口。无论哪种方式,这只涉及存储要求,而计算时间将在图3中稍后报告。十五岁(72小时)环境Pytorch 1.9 [57] Pytorch 1.9 [57] Tensorflow 1.15 [58]模型大小18 MB 238 MB 6MBGPU Nvidia 3090(内存:24 GB)3. 结果我们根据以下方面评估所提出的模型SolarGAN:• 第3.1节评估了模型Y. Zhang等人能源与人工智能12(2023)1002238TN +FP• 第3.2节评估了生成的随机太阳辐照度时间序列差异将不会显著地降低该度量中的值一个类别的IoU由Eq给出(2)[59]:• 在第3.3节中,我们展示了模型IoU =交叉点=TP(二)城市场景生成,例如改变WWR联合TP + FP + FN• 在第3.4节中,我们展示了模型计算时间的分解以及与基于确定性物理的模拟器的比较3.1. 图像性能评价如第2.3.3节和图所示。5,我们使用两个DGN架构的图像:EST-VAE的城市图像编码成一个潜在的表示,和ID-GAN高保真图像生成使用的编码器从EST-VAE。编码器的质量决定了可以从城市背景图像中提取多少信息。因此,在本发明中, 它成为ID-GAN图像生成以及后续条件时间序列生成任务的关键要素。在第3.1.1节中,我们检查了重建和生成的鱼眼图像的视觉质量,并将其与地面实况进行了比较。在第3.1.2节中,我们计算了语义分割任务中的两个典型指标,以量化我们模型的性能3.1.1. 目视检查ID-VAE重建性能以及ID-GAN���VAE的图像表示能力,因为它们依赖于相同的编码器。总体而言,我们发现重建图像与原始地面实况图像一致。此外,在潜在空间中遍历(例如,改变WWR)产生令人满意的质量有意义的图像(图。6)。ID-VAE和ID-GAN都能够捕获地面实况图像的全局特征。然而,该图清楚地显示了ID-GAN卓越的图像生成能力。从图的目视检查。6中,我们可以得出结论,ID-VAE的编码器在将周围建筑物的WWR与潜在表示中的潜在生成因素相关联方面是有效的,因为在该维度上的遍历(ID-GAN的列1至4,WWR从左到右增加)产生可信的图像。3.1.2. 像素精度(PA)和并集求交(IoU)由于我们将图像转换为多类别遮罩(地面,不透明,玻璃,天空),因此我们可以依赖于语义分割(经典计算机视觉任务)的度量[59],其中对图像进行逐像素分类。我们使用像素精度(PA)和联合上的相交(IoU)来评估地面实况和生成的图像之间的PA是直接计算正确分类像素的比率的最简单的评估方法在二进制分类中,真阳性(TP)和真阴性(TN)是分别被正确区分为目标和背景的像素。另一方面,假阳性(FP)和假阴性(FN)是分类错误的像素。然而,在其原始图像位置上精确地匹配像素可能过于严格。此外,PA偏向于图像中的主导类别,这可能会误导,例如,低WWR图像。PA由Eq.(1)[59]:PA=TP+TP+TN+FN(1)Intersect over Union(IoU)是一个反映模型能力的指标我们还可以计算平均IoU(mIoU),以量化模型是否对每个类别的对象具有平衡的生成能力通过简单地对每个类别的IoU进行求和和上述度量的值范围从零到一,越大越好。应该注意的是,什么样的值被认为是好的取决于应用程序,对于我们的特定情况,还没有基准。我们绘制PA,mIoU以及每个类别的IoU,图7中的ID-VAE重建和ID-GAN生成。在PA方面,ID-VAE和ID-GAN都超过了0.9的值,这表明了整体的一致性。然而,对于这两种模型,类别方面的IoU相对较低,不透明立面的值为0.7,甚至仅为0.3。然而,建筑物的边界似乎捕捉得很好,因为地面和天空的IoU都是0.9。令人惊讶的是,虽然ID-GAN生成的样本在视觉上更好(图1)。6),与VAE相比,它确实导致较低的度量值,尽管差异很小。���这可能是因为IoU和PA并不完全代表我们生成可信的城市背景图像的目标为了进一步研究玻璃类别的低图像生成性能,我们设计了一个简单的实验:3,“模型输入”),我们省略那些没有玻璃的。 然后,使用图像表示的EST-VAE编码器,我们遍历的潜在表示的WWR为20个值,从低到高WWR。6这些值,我们将其输入到ID-VAE和ID-GAN解码器中,以生成20个不同WWR的相应图像。对数据集中的每个传感器点重复此过程,我们可以分别使用具有低WWR和高WWR的原始图像作为地面真实值来计算所有生成样本的玻璃化的IoU。记录最佳表现样本(即与所需WWR最佳匹配的样本)的IoU,并绘制为图1中的箱形图。8 .第八条。可以看出,在在高WWR的情况下,在大部分样品的玻璃化IoU超过0.4的情况下,ID-VAE和ID-GAN都表现出可接受的性能。���因此,可以认为,尽管EST-VAE不能完全恢复地面实况图像的精确窗口模式,但它仍然能够捕获与WWR相关的全局和突出特征。因此,我们可以期望编码器对于后续的时间序列生成任务是有效的。此外,编码器有效地利用ID-GAN生成逼真的图像,如图。6演示3.2. 时间序列本节评估生成的太阳辐照度时间序列的保真度。在第3.2.1节中,我们计算了两个统计指标,即在第3.2.2节中,我们检查了生成的样本和真实样本是否可以与下游机器学习模型互换。因此,我们训练了一个时间序列分类器,以比较其在地面实况和生成样本上的分类性能,使用F1得分[59]作为评估指标。的能力,以捕捉的位置和轮廓的每一类对象中,形象转化为我们的任务,可以实现良好的价值IoU,如果,对于相应的类别(地面、不透明、玻璃、天空),正确生成的像素在来自生成的图像和地面实况图像的该特定类别的像素的并集内构成尽可能大的比例。因此,小的偏移或小的位置偏移可以是最小的。6.由于我们不知道潜在表征到实际WWR之间的直接转换,我们需要测试不同的参数。此外,具体值可能因图像而异,即,潜在表示中的0.2的参数可以在一个图像中转换为0.4的WWR,但是转换为WWR0.3在另一个Y. Zhang等人能源与人工智能12(2023)1002239������(见图6。 穿越WWR的潜在表征。 示例图像重新着色并以鱼眼格式显示,以获得更直观的视觉外观。(For解释在这个图例中,颜色的引用,读者可以参考本文的网络版本。)3.2.1. 基于群体的度量一个典型的传感器点上每小时太阳辐照度时间序列的集合如图所示。9 .第九条。 可以观察到,生成的集合中的每个单独的样本在细节上与地面实况不同(因此导致每小时的显著误差),但总体趋势是一致的。 时间序列的特征可分为3个主要方面:(i)每小时和每年合计水平下的值分布,(ii)短期趋势,即每日范围内的每小时变化,以及(iii)长期趋势,即每年的每日变化。见图7。通过每个类别的PA、mIoU和IoU定量评估VAE重建和ID-GAN生成。���如前所述,我们训练了两个独立的时间序列生成模型,一个用于东南亚城市,一个用于中欧城市。在下文中,我们仅分别显示了新加坡和苏黎世案例的图,代表了两个训练模型中的每一个。然而,我们仍然在表5中比较了所有城市的统计指标。在本节的整个验证过程中,我们使用 每个真实样本生成10个时间序列作为分析值分布的准备,我们将所有值(无论时间步长如何)排序到50个bin中,以形成生成的样本和地面真实样本的直方图。 然后,类似 到[37,40,54],我们计算Jensen-Shannon散度(JSD)来衡量这两个直方图之间的相似性。JSD是经典统计度量Kullback-Leibler散度的变体(等式10)。(3)[60]):���KL������������������(���(三)见图8。“添加窗口”任务中最佳性能样本的IoU分布。有关“最佳"样本的详细说明,请参见第3.1.2其中,Rbr和Rbg分别是真实数据和生成数据的概率分布。与JSDKL不同,JSD是对称的,因此更适合于评估。���作为一个经验法则,当JSD≤0.1,则认为这两个分布彼此相似[37]。Y. Zhang等人能源与人工智能12(2023)10022310‖‖见图9。 苏黎世年度每小时太阳辐照度时间序列生成的集合的典型样本,与每月部分和每周部分的局部放大相比,地面真相。JSD(JSD)由等式(1)计算(4)[60]:表51 1使用来自5的���中国(简体) (g)=2KL(r)+2KL(g��������������� ���(4)式中,λ= 1 scin
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 电力电子与电力传动专业《电子技术基础》期末考试试题
- 电力电子技术期末考试题:电力客户与服务管理专业
- 电力系统自动化《电力电子技术》期末考卷习题精选
- 电力系统自动化专业《电力电子技术》期末考试试题
- 电子信息专业《电子技术》期末考试试题解析
- 电子与信息技术专业《电子技术》期末考试试题概览
- 电子信息工程《电子技术》期末考卷习题集
- 电子信息工程专业《电子技术》期末考试试题解析
- 电子信息工程《电工与电子技术》期末考试试题解析
- 电子信息工程专业《电子技术基础》期末考试计算题解析
- 电子技术期末考试题试卷(试卷B)——电子技术应用专业
- 电子科技专业《电力电子技术》期末考试填空题精选
- 2020-21秋《电力电子技术》电机电器智能化期末试题解析
- 电气工程及其自动化专业《电子技术》期末考试题(卷六)
- 电气工程专业《电子技术基础》期末考试试题解析
- 电气自动化专业《电子技术》期末考试试题解析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)