Defining 'Good': Evaluation Framework for Synthetic Smart Meter Data

获得详细的需求数据对于实现净零转型至关重要；随着我们对可变可再生能源的依赖程度增加，它可以实现准确的分析和主动的需求管理。然而，由于隐私问题，公开发布这些数据通常是不可能的。良好质量的合成数据可以解决这个问题。尽管已经有大量关于生成合成智能电表数据的研究，但在创建一致的评估框架方面仍然不足。在本文中，我们研究了其他行业使用合成数据的常见框架如何应用于合成智能电表数据，例如保真度、效用和隐私。我们还建议具体的指标，以确保智能电表数据的定义方面得到保留，并测试使用差分隐私可以保护隐私的程度。我们表明，标准的隐私攻击方法，如重建或成员推断攻击，不足以评估智能电表数据集的隐私风险。我们提出了一种改进的方法，即向训练数据中注入不合理的异常值，然后直接对这些异常值进行隐私攻击。选择 $\epsilon$（隐私损失的度量）显着影响隐私风险，凸显了在权衡保真度和隐私时进行明确的隐私测试的必要性。

如何使用合成数据来解决公共发布需求数据时的隐私问题，以便进行准确的需求管理和能源转型？该论文还试图提出一种评估框架，以确保生成的合成数据具有逼真度、实用性和隐私保护性。

论文提出了一种基于合成数据的解决方案，以解决公共发布需求数据时的隐私问题。该方案使用差分隐私技术来保护隐私，并建议使用特定的指标来确保生成的合成数据与原始数据具有相似的特征。

论文提出了一种新的方法，通过注入训练数据中的不合理的异常值来评估隐私风险。实验使用了一个真实的智能电表数据集，并展示了该方法的有效性。论文还建议使用特定的指标来评估合成数据的逼真度和实用性。该论文的贡献在于提出了一个评估框架，用于评估合成数据的质量和隐私保护性。

最近的相关研究包括：1. 'Synthetic data generation for smart metering: A review'；2. 'Privacy-preserving synthetic smart meter data generation using generative adversarial networks'；3. 'Privacy-preserving synthetic data generation using Wasserstein GAN: Application to smart meter data'.