[논문 리뷰] Using Mobility for Electrical Load Forecasting During the COVID-19 Pandemic

Yize Chen, Weiwei Yang외 1명|arXiv (Cornell University)|2020. 06. 15.

Energy Load and Power Forecasting참고 문헌 22인용 수 30

한 줄 요약

이 논문은 이동성 데이터와 팬데믹으로 인한 변화에 대응하는 전이 학습 프레임워크를 활용하여 다음 날 로드 예측의 정확도를 여러 지역에 걸쳐 향상시킨다.

ABSTRACT

The novel coronavirus (COVID-19) pandemic has posed unprecedented challenges for the utilities and grid operators around the world. In this work, we focus on the problem of load forecasting. With strict social distancing restrictions, power consumption profiles around the world have shifted both in magnitude and daily patterns. These changes have caused significant difficulties in short-term load forecasting. Typically algorithms use weather, timing information and previous consumption levels as input variables, yet they cannot capture large and sudden changes in socioeconomic behavior during the pandemic. In this paper, we introduce mobility as a measure of economic activities to complement existing building blocks of forecasting algorithms. Mobility data acts as good proxies for the population-level behaviors during the implementation and subsequent easing of social distancing measures. The major challenge with such dataset is that only limited mobility records are associated with the recent pandemic. To overcome this small data problem, we design a transfer learning scheme that enables knowledge transfer between several different geographical regions. This architecture leverages the diversity across these regions and the resulting aggregated model can boost the algorithm performance in each region's day-ahead forecast. Through simulations for regions in the US and Europe, we show our proposed algorithm can outperform conventional forecasting methods by more than three-folds. In addition, we demonstrate how the proposed model can be used to project how electricity consumption would recover based on different mobility scenarios.

연구 동기 및 목표

• 이동성 데이터가 사회경제적 활동을 어떻게 반영하고 COVID-19 동안 전력 수요에 어떤 영향을 미치는지 식별한다.
• 이동성을 특징으로 포함하는 예측 모델을 개발한다.
• 여러 지역에 걸친 전이 학습을 통해 데이터 희소성과 지역 다양성을 다룬다.
• 미국과 유럽 지역 전반에 걸쳐 접근법을 평가하고 재개방 모빌리티 시나리오를 시뮬레이션한다.

제안 방법

• 모빌리티 특징을 기후 데이터 및 과거 데이터와 연결하는 신경망으로 예측 함수를 표현한다.
• 시간 정렬된 모빌리티 데이터(Apple/Google)와 다음 날 예보된 기상 데이터를 신경망의 입력으로 사용한다.
• 확률적 경사하강법으로 MAPE(Mean Absolute Percentage Error) 목적함수를 최적화한다.
• 작업 간(지역 간) 처음 층을 공유하고 마지막 층은 작업별로 특화된 다중 작업 학습 프레임워크를 구현한다.
• 여러 지역의 배치를 이용해 지식 이전을 가능하게 학습하고 각 작업에 대해 미세 조정(fine-tuning)을 수행한다.
• 복제를 위한 공개 코드베이스를 제공한다.

실험 결과

연구 질문

• RQ1 전통 특징이 부진할 때 모빌리티 데이터가 COVID-19 기간의 day-ahead 로드 예측을 개선할 수 있는가?
• RQ2 데이터 희소성과 변화하는 모빌리티 패턴 하에서 지역 간 전이 학습이 예측 정확도를 높이는가?
• RQ3 다양한 지역에서 모빌리티 정보를 활용한 예측이 표준 모델 및 단독 재훈련과 비교하여 어떠한가?
• RQ4 모빌리티 회복의 어떤 시나리오가 향후 부하 예측에 시사하는 바가 있는가?

주요 결과

• 모빌리티를 보강한 모델은 기본 신경망보다 현저히 우수하며, 테스트된 지역 전반에서 MAPE 감소를 보였다.
• 공유 초기 층과 작업별 출력을 갖는 다중 작업 학습이 최고의 정확도를 달성한다(Mobi_MTL).
• 12개 지역에서 Mobi_MTL은 평균적으로 MAPE에서 baseline NN_Orig 대비 3.98배 향상을 보인다.
• 예측은 주말과 평일 모두에서 견고하며, 모빌리티 특징을 도입하면 오차 분포가 0에 더 가깝게 중심을 이룬다.
• 다양한 모빌리티 회복 시나리오가 시애틀 지역의 향후 부하에 어떤 영향을 미치는지 보여준다.