疫情下的城市电力负荷预测，微软+华盛顿大学有奇招

百度首页

关注并星标

从此不迷路

Jiangmen

From: Venture Beat; 编译：Iris

微软和华盛顿大学的研究人员提出了一种能利用智能手机的GPS数据来预测电力负荷的AI系统。在他们的预测架构中，世界上多个地区的地理数据都被放入系统，以尽可能实现电力预测覆盖。

将流动性数据和电力负荷数据结合起来的实验思路，正顺应了疫情之下的社会用电新趋势。目前的电力负荷预测方法都还无法很好地适应疫情期间的电力巨变情形。而这一开拓性的创新法，经试验，比传统预测方法的准确率要高出三倍以上。

未来城市电力走向，你可知几何？

疫情期间各地居民蜗居在家，对全球电网造成了巨大的负荷压力，导致电力负荷模式和高峰需求发生遽然变化。据统计，从年初到现在，意大利和美国的用电需求在美国的总用电量占比中下降了25%，已经达到16年来的最低用电水平。

传统的电力功率预测算法，会在AI预测系统中综合计算天气信息、具体时间数据，并且统筹计算往期的电力消耗指数。不过，疫情当前，这些经典技术已经无力应付电力的大规模突然变化。原因在于传统预测方法会想当然地将现阶段的用电模式与往期用电负荷模式划等号，而鉴于在它们的数据库中，并无类似的电力消耗水平骤变事件记录在案，可以想见，它们的应变能力根本跟不上变化。

传统和新式预测结果对比

微软和华盛顿大学团队联合提出的AI模型，则将一些近期流动性数据也放在影响用电水平的相关因素中来。研究人员认为，有关于人口层面的流动性数据，例如交通和购物人流趋势等，可以具体显示人们的集群移动信息，这就有助于AI模型细化预测各地区、各场所的用电量。

除此之外，这一新式AI模型还能根据智能手机的GPS数据、天气数据和其他变量信息进行预测。为了应对自疫情爆发以来导致的各类工业数据更新力度落后等问题，研究人员采用了多任务学习框架，在这个框架下又搭建了有相应数据集支撑的预测任务联合训练模型。两套模型里外应合，共同挖掘了用电量的地区差异和社交隔离政策对其造成的现实影响。各组数据经过预测可以互相迁移，因此，即使在某个研究地区存在灰色数据的情况下，AI系统也能尽可能保持预测结果的准确性。

各地区用电负荷预测图

为了进一步训练AI系统，研究人员从谷歌和苹果公司联合撰写的COVID-19社区活动报告中提取了与目标预测地区对应的人流交通信息，以及世界上各个国家、地区和城市的公开用电数据。他们将这些信息组合在一起，创建了一个2月15日至5月15日期间涵盖各地用电负荷的语料库，这些信息能够充分显示疫情前和疫情后的电量变化。

研究人员报告说，在模拟实验中，AI系统给出的最佳预测模型优于初始设定的基线性能，而模拟的数据库中并未纳入移动数据，特别是美国大城市地区的流动性数据还尚未拟合到训练数据集里。在结合了移动数据之后，模拟成果的优化水平能得到一定提高。举个例子：在5月2日至5月15日这两周的美国西雅图轻工业区，基线模型的日前预测错误率为15.01%，而拟议模型的错误率为2.28%。总的来看，新式AI模型的预测结果，比所有基准测试的基线性能都要平均高3.98倍。

基于西雅图的2021年1月和2020年7月的负荷预测图

为了保障训练数据的准确性，团队还使用AI模型绘制出疫情开始前的电力负荷曲线。在将预测所得的集群移动特性与2019年7月至2020年1月期间的各地天气数据结合起来之后，他们特别计算了西雅图城市在2020年7月和2021年1月可能存在的电力负荷情形，发现AI模型能够输出显示人流移动和电力负荷之间的关系。

在所有实验的最后，研究人员这样总结道：“模型给了我们诸多灵感。集群移动指数的下降意味着冬季电力负荷的减少，如果当下的集群移动性模式持续下去，电力峰值负荷的减少量将超过300MW。通过应用人流移动信息，新式预测方法可以极大地减少预测与实际负荷之间的误差。由于全球流感在未来仍可能对电网负荷造成影响，我们开发的预测技术可以为电网运营商提供未来可行的电力负荷模式。”