COVID-19 期间分布外电力负荷预测的导航：有无持续学习的负荷预测模型基准测试
机器学习
2023-10-05 v3 人工智能
系统与控制
系统与控制
摘要
在传统深度学习算法中，一个关键假设是数据分布在训练和部署期间保持恒定。然而，当面对分布外时期（如 COVID-19 封控）时，该假设便出现问题，因为数据分布显著偏离模型训练时所见。本文采用双重策略：利用持续学习技术以新数据更新模型，并借助从建筑外隐私保护行人计数器收集的人类移动数据。与在线学习因新获取知识常抹除先前信息而遭受“灾难性遗忘”不同，持续学习通过保留过往洞见同时整合新数据提供了整体方案。本研究将强大的持续学习算法 FSNet 应用于澳大利亚墨尔本 13 个建筑群的真实数据，该城市在疫情期间拥有全球第二长的累计封控时长。结果强调了持续学习在精确能源预测中的关键作用，尤其在分布外时期。移动与温度等辅助数据为主预测模型提供了支持。更重要的是，当传统方法难以在封控期间适应时，至少具备在线学习的模型展现出韧性，一旦配备自适应学习技术，封控期带来的挑战更小。本研究为改进未来分布外时期的能源负荷预测贡献了宝贵方法与洞见。
引用
@article{arxiv.2309.04296,
title = {Navigating Out-of-Distribution Electricity Load Forecasting during COVID-19: Benchmarking energy load forecasting models without and with continual learning},
author = {Arian Prabowo and Kaixuan Chen and Hao Xue and Subbu Sethuvenkatraman and Flora D. Salim},
journal= {arXiv preprint arXiv:2309.04296},
year = {2023}
}
备注
10 pages, 2 figures, 5 tables, BuildSys '23