Generation of Synthetic Smart Meter Data: A Comparison of GAN Architectures

Hochauflösende Smart-Meter-Daten sind für die Optimierung moderner Stromnetze unerlässlich, ihre Verfügbarkeit wird jedoch durch Datenschutzbestimmungen und kommerzielle Sensibilität stark eingeschränkt. Die Generierung synthetischer Daten bietet eine datenschutzkonforme Alternative, vorausgesetzt, sie gewährleistet hohe statistische Genauigkeit und die Einhaltung physikalischer Gesetze. In dieser Arbeit wird die Wirksamkeit von Generative Adversarial Networks (GANs) zur Synthese von Haushaltsstromverbrauchsdaten in einminütiger Auflösung evaluiert, ausgehend von Basisarchitekturen bis hin zu einer neuartigen, domänenspezifischen Lösung. Dabei werden drei Modellfamilien systematisch verglichen: Standard-GANs, die Wasserstein-Variante mit Gradient Penalty (WGAN-GP) sowie eine rekurrente TimeGAN Architektur, wobei jede Stufe durch die konkreten Schwächen der vorherigen motiviert wird. Im Rahmen der Studie wurden zunächst Standard-GANs und Wasserstein-GANs mit Gradient Penalty (WGAN-GP) untersucht. Während durch WGAN-GP die Randverteilungen effektiv reproduziert werden konnten, gelang die Erfassung der für Zeitreihenanalysen erforderlichen komplexen zeitlichen Abhängigkeiten nicht. Um dies zu beheben, wurde die TimeGAN-Architektur adaptiert und deren Einschränkungen hinsichtlich langfristiger Saisonalität und physikalischer Konsistenz wurden überwunden. Der Hauptbeitrag dieser Arbeit liegt in der Entwicklung eines physikalisch beschränkten, saisonal konditionierten TimeGAN. Diese neuartige Architektur umfasst drei wesentliche Erweiterungen: (1) explizite Konditionierung durch gelernte Monatseinbettungen und Amplitudenskalare zur Vermeidung von „Mode Collapse" bei saisonalen Schwankungen; (2) eine physikinformierte Verlustfunktion, die den elektrischen Zusammenhang zwischen Wirkleistung, Spannung und Stromstärke erzwingt (P ≈ V ·I); und (3) eine Trainingsstrategie mit überlappenden Zeitfenstern zur Verbesserung der Übergangsdynamik. Durch die experimentellen Ergebnisse wird gezeigt, dass die Basisansätze von dem vorgeschlagenen Modell deutlich übertroffen werden. Mit der optimalen Konfiguration, unter Verwendung einer Sequenzlänge von 240 und einer Schrittweite von 60, wurde eine 1-Wasserstein-Distanz von 0,073 sowie ein minimaler mittlerer physikalischer Fehler von 0,020 kW erreicht, was sowohl die verteilungsbezogene als auch die physikalische Genauigkeit bestätigt. Darüber hinaus werden komplexe zeitliche Muster, einschließlich saisonaler Grundlinien und täglicher Lastprofile (z. B. Morgen- und Abendspitzen), erfolgreich reproduziert. Diese Ergebnisse bestätigen, dass die Integration von Domänenwissen und physikalischen Randbedingungen in generative Modelle entscheidend für die Erzeugung realistischer synthetischer Smart-Meter-Daten ist.