고품질 주거 부하 데이터 부족은 주거 부문의 탈탄소화뿐만 아니라 효과적인 전력망 계획 및 운영에 장애가 될 수 있습니다. 본 논문은 이러한 문제를 해결하기 위해 확장성, 다양성 및 유사성 측면에서 기존 방법의 한계를 극복하는 새로운 약지도 학습 기반 GAN 프레임워크인 RLP-GAN(Generative Adversarial Network-based Synthetic Residential Load Pattern generation model)을 제안합니다. RLP-GAN은 과잉 완전 자동 인코더를 활용하여 복잡하고 다양한 부하 패턴 내의 종속성을 포착하고 규모에 맞게 가구 수준의 데이터 분포를 학습합니다. 모드 붕괴 문제를 해결하고 다양한 부하 패턴을 생성하기 위해 모델 가중치 선택 방법을 통합합니다. 417가구의 실제 데이터를 사용하여 RLP-GAN의 효과를 검증하는 종합적인 평가 방법을 개발했습니다. 결과는 RLP-GAN이 기존 모델보다 시간적 종속성을 포착하고 실제 데이터와 유사성이 높은 부하 패턴을 생성하는 데 우수함을 보여줍니다. 또한, 100만 개의 합성 주거 부하 패턴 프로필로 구성된 RLP-GAN 생성 합성 데이터 세트를 공개적으로 배포했습니다.
