在低接入环境中预测家庭电力消耗水平
计算机视觉与模式识别
2021-12-17 v1 机器学习
摘要
在低收入环境中，对电力公司而言最关键的信息是客户的预期消耗量。在相当大比例家庭尚未接通电力的情况下，电力消耗评估难以开展。在此类环境中，预期消耗的绝对水平可在 5–100 kWh/月之间，导致这些客户间存在高度变异性。若把大量低消耗客户而非高消耗客户接入电网，宝贵资源将面临风险。这是低收入环境中首项尝试预测单体建筑而非聚合行政区消耗的研究。我们在肯尼亚 20,000 个地理参考电力客户（占肯尼亚居民客户的 0.01%）的账单样本上，基于通电前白天卫星影像训练卷积神经网络（CNN）。这得益于一种两阶段方法，其使用新颖的建筑分割方法以利用更大量的无成本卫星影像，从而充分利用稀缺且昂贵的客户数据。我们的方法表明，在建筑层面可获得有竞争力的精度，应对了消耗变异性的挑战。本工作表明，建筑特征及其周边环境对预测消耗水平均十分重要。我们还评估了将较低分辨率地理空间数据集（包括夜间灯光与人口普查衍生数据）加入训练过程的效果。该结果已通过肯尼亚单体结构的细粒度预测，帮助指导站点选择与配电级规划，且无理由不能推广至其他国家。
引用
@article{arxiv.2112.08497,
title = {Predicting Levels of Household Electricity Consumption in Low-Access Settings},
author = {Simone Fobi and Joel Mugyenyi and Nathaniel J. Williams and Vijay Modi and Jay Taneja},
journal= {arXiv preprint arXiv:2112.08497},
year = {2021}
}
备注
Accepted to be published in Proceedings of IEEE Winter Conference on Applications of Computer Vision (WACV) 2022