[論文レビュー] Using Mobility for Electrical Load Forecasting During the COVID-19 Pandemic

Yize Chen, Weiwei Yang+1 more|arXiv (Cornell University)|Jun 15, 2020

Energy Load and Power Forecasting参考文献 22被引用数 30

ひとこと要約

この論文は日次需要予測をモビリティデータと転移学習フレームワークで補完し、パンデミックによる変化に対処して複数地域で精度を向上させる。

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.

研究の動機と目的

• モビリティデータが社会経済活動をどのように反映し、COVID-19時の電力需要にどのように影響するかを特定する。
• モビリティを特徴量として組み込む予測モデルを開発する。
• データ不足と地域の多様性に対処するため、複数地域を跨ぐ転移学習を適用する。
• USおよび欧州地域で手法を評価し、再開時のモビリティシナリオをシミュレーションする。

提案手法

• 予測関数を、モビリティ特徴を天候および過去データと連結して表現するニューラルネットワークとして表現する。
• 日付 ahead の天気予報と同調したモビリティデータ（Apple/Google）をニューラルネットワークの入力として使用する。
• 確率的勾配降下法で平均絶対パーセント誤差（MAPE）目的関数を最適化する。
• 初層を共有するマルチタスク学習フレームワークを実装し、最終層をタスク特有とする。
• 知識移転を促進するため複数地域からのバッチで学習し、タスクごとにファインチューニングを行う。
• 再現性のため公的コードベースを提供する。

実験結果

リサーチクエスチョン

• RQ1 COVID-19 時に従来の特徴量が不十分な場合、モビリティデータは日次需要予測を改善できるか。
• RQ2 データ不足と移動パターンの変化の下で、地域間の転移学習は予測精度を高めるか。
• RQ3 モビリティ情報を含む予測は標準モデルおよび再学習のみの場合とどう比較されるか。
• RQ4 将来の需要予測に影響を与えるモビリティ回復のシナリオとは何か。

主な発見

• モビリティを組み込んだモデルは、ベースラインのニューラルネットワークを大幅に上回り、テスト地域全体でMAPEを改善している。
• 早期層を共有し出力を地域特有とするマルチタスク学習が最も高精度を示す（Mobi_MTL）。
• 12地域において、Mobi_MTLはベースラインNN_Origより平均で4割強のMAPE改善を達成。
• 予測は週末・平日を通じて堅牢で、モビリティ特徴を用いると誤差分布が0に近づく傾向がある。
• 異なるモビリティ回復シナリオがシアトル地区の将来の需要へ与える影響を示す。