PanTaGruEl

PanTaGruEl数据集由瑞士西部应用科学与艺术大学工程学院和日内瓦大学量子物质物理系创建，旨在为电力系统中的机器学习应用提供大型合成数据。该数据集包含20年的电力注入时间序列数据，每小时分辨率，涵盖数千个负载和数百个发电机。数据集的生成过程结合了欧洲输电网模型和ENTSO-E提供的聚合电力消耗数据，通过算法生成了具有空间和时间一致性的合成数据。该数据集主要用于评估电力系统的运行安全性、稳定性和可靠性，解决实际电力系统数据难以获取的问题。The PanTaGruEl dataset was developed by the School of Engineering, University of Applied Sciences and Arts Western Switzerland, and the Department of Quantum Matter Physics, University of Geneva. It is designed to provide large-scale synthetic data for machine learning applications in power systems. The dataset includes 20 years of power injection time-series data at hourly resolution, covering thousands of load nodes and hundreds of generators. The generation process combines the European transmission grid model with aggregated power consumption data provided by ENTSO-E, and employs algorithms to generate synthetic data with both spatial and temporal consistency. This dataset is primarily utilized to evaluate the operational safety, stability and reliability of power systems, addressing the challenge of limited availability of real-world power system data.

搜集汇总

数据集介绍

构建方式

PanTaGruEl数据集的构建基于一种算法方法，用于生成电力系统中的大规模电力注入数据集。该方法利用电网的导纳矩阵、发电机位置、类型和容量以及聚合的电力消耗数据（如ENTSO-E提供的国家负荷数据）来生成任意长的时间序列。生成的数据集通过统计验证与真实世界数据进行对比。具体构建过程包括：首先，根据国家负荷数据在所有消费节点上进行分解，考虑每个节点的周边人口统计信息，并引入可调噪声以减少不同节点间的交叉相关性；其次，通过最优电力流（OPF）算法生成发电时间序列，确保电力线的温度限制不被严格约束，而是作为目标函数的一部分。

特点

PanTaGruEl数据集的主要特点在于其高度逼真的电力注入时间序列，这些序列在空间和时间上均保持一致性。数据集不仅捕捉了电力消耗和生产的平均值和波动，还包含了每日、每周和季节性的周期性以及节点间的交叉相关性。此外，数据集具有足够的灵活性，可以根据不同的机器学习应用需求调整数据集，使其更接近N或N-1可行边界。该数据集可应用于任何其他电网模型，前提是提供了聚合的电力注入数据。

使用方法

PanTaGruEl数据集适用于电力系统中的机器学习应用，特别是需要大规模、高质量数据集的场景。用户可以直接使用数据集中的时间序列数据进行模型训练和测试，无需依赖难以获取的历史操作数据。数据集提供了详细的电力负荷、发电机和线路的时间序列数据，用户可以根据需要选择特定国家或地区的数据，或者将小时级数据聚合为日或周级别。此外，数据集的格式兼容多种流行的电力系统分析工具，如PowerModels和PandaPower，便于在不同框架中使用。

背景与挑战

背景概述

随着能源转型的推进，电力系统正经历快速变革。电力网络在更频繁地接近其技术极限的情况下运行，面临更大的波动性。为了评估其运行安全性、稳定性和可靠性，实时快速计算方法变得尤为重要。机器学习方法被认为是解决这一挑战的有效途径，但其对训练和测试数据的巨大需求与现实世界电力系统历史数据的难以获取形成了鲜明对比。PanTaGruEl数据集由Marc Gillioz、Guillaume Dubuis和Philippe Jacquod等研究人员于2024年创建，旨在通过算法生成大规模电力注入数据集，以满足机器学习应用的需求。该数据集基于电网的导纳、发电机位置、类型和容量以及聚合电力消费数据生成，并通过与实际数据的统计验证确保其真实性。

当前挑战

PanTaGruEl数据集面临的挑战主要包括两个方面。首先，解决电力系统实时评估问题的复杂性，特别是在高波动性和接近技术极限的运行条件下。其次，数据集构建过程中遇到的难题，如历史操作数据的难以获取和聚合形式的数据限制了地理分辨率。此外，现有数据库中的合成数据存在时间序列间的过多相关性，这可能导致机器学习算法在实际应用中的偏差。因此，生成大规模、真实、高质量的基准数据集成为关键挑战，以确保机器学习算法在实际电力系统中的有效部署。

常用场景

经典使用场景

PanTaGruEl数据集在电力系统领域中被广泛用于机器学习算法的训练和测试。其经典使用场景包括但不限于：通过模拟电力网络中的功率注入时间序列，评估电力系统的运行安全性、稳定性和可靠性。该数据集能够生成任意大规模的时间序列数据，涵盖电力网络的节点和发电机类型，为机器学习模型提供了丰富的训练样本，从而提高了模型在实际电力系统中的预测和决策能力。

实际应用

在实际应用中，PanTaGruEl数据集被用于电力系统的实时监控和优化调度。通过模拟电力网络的运行状态，该数据集帮助电力公司预测和应对电网中的潜在风险，如过载和故障。此外，它还支持电力市场的智能决策，通过优化发电和负荷分配，提高能源利用效率和经济效益。这些应用显著提升了电力系统的运行效率和可靠性，为可持续能源的集成提供了技术支持。

衍生相关工作

PanTaGruEl数据集的发布催生了一系列相关研究工作。例如，基于该数据集，研究人员开发了多种电力系统优化算法和预测模型，这些模型在电力系统的动态分析和控制中表现出色。此外，该数据集还促进了跨学科的研究合作，如与气象学、经济学等领域的结合，进一步拓展了其在复杂系统建模和分析中的应用。这些衍生工作不仅丰富了电力系统的研究工具箱，也为其他领域的数据驱动研究提供了借鉴。