在COVID-19大流行期间利用移动性进行电力负荷预测
信号处理
2020-06-17 v1 物理与社会
摘要
新型冠状病毒(COVID-19)大流行给全球公用事业公司和电网运营商带来了前所未有的挑战。本文关注负荷预测问题。在严格的社会隔离限制下,全球用电曲线在幅值和日模式上均发生了偏移。这些变化给短期负荷预测带来了显著困难。通常算法使用天气、时间信息和既往用电水平作为输入变量,却无法捕捉大流行期间社会经济行为的巨大且突发的改变。本文引入移动性作为经济活动的度量,以补充现有预测算法的组成部分。移动性数据可作为社会隔离措施实施及后续放松期间人群层面行为的良好代理变量。此类数据集的主要挑战在于,仅有有限的移动性记录与近期大流行相关。为克服这一小数据问题,我们设计了一种迁移学习方案,实现多个不同地理区域间的知识迁移。该架构利用了这些区域间的多样性,所得聚合模型可提升各区域日前预测中的算法性能。通过对美国和欧洲地区的仿真,我们表明所提算法的表现优于传统预测方法三倍以上。此外,我们展示了所提模型如何基于不同移动性情景来预测用电量的恢复情况。
引用
@article{arxiv.2006.08826,
title = {Using Mobility for Electrical Load Forecasting During the COVID-19 Pandemic},
author = {Yize Chen and Weiwei Yang and Baosen Zhang},
journal= {arXiv preprint arXiv:2006.08826},
year = {2020}
}
备注
Data and code available at https://github.com/chennnnnyize/Load-Forecasting-During-COVID-19