AI模型使用智能手机位置数据预测电网使用情况

发布时间：2020-06-22 12:12:10 【来源：】

在预印服务器Arxiv.org上发表的一篇论文中，微软和华盛顿大学的研究人员提出了一种AI系统，该系统使用智能手机的位置数据来预测电力负荷。他们说，考虑到来自美国和欧洲的地理区域数据的架构，其性能可以比传统的预测方法高出三倍以上。

大流行没有迹象显示减弱，并且对全球电网产生了惊人的影响。旨在减缓当前局势爆发的全屋订单和社交疏远导致了负荷模式和高峰需求的重大转变。意大利在全国范围内的封锁期间需求减少了25%，在美国，总体电力消耗已降至16年低点。

典型的功率预测算法在预测时会考虑天气，时间信息和先前的消耗水平，但该论文的合著者声称，这些技术无法捕捉到由大流行引起的大而突然的变化。这是因为他们理所当然地认为，一年中相似时间的相似日子会观察到相似的负荷模式，这是假设危机从根本上发生了改变-历史上没有任何相似的事件。

在提出的模型中，流动性数据可作为经济活动的代理。(研究人员断言，人口水平的流动性数据(例如过境和购物趋势)可以显示出一旦实施了强制性的强制性规定，人们如何改变自己的行为。)转移学习计划使区域之间的知识共享能够反映出国家所处的阶段世界各地(以及美国的城市)恢复工作。

AI模型会根据智能手机的移动性数据，天气数据和其他变量执行提前一天的预测。为了应对数据可用性有限(自大流行开始以来)和对变化的鲁棒性(如宽松的自我隔离措施)的挑战，研究人员采用了多任务学习框架，该框架包含针对一组预测任务与相应数据共同训练的模型套。这些模型一起了解了电力消耗的区域差异以及当前局势缓解工作的效果，并启用了知识传递，因此即使在特定位置存在看不见的数据的情况下，预测仍然准确。

为了训练该系统，研究人员从Google和Apple的匿名当前局势社区报告中收集了出行信息，此外还提供了每小时可公开获得的国家，地区和大城市用电量数据。他们结合起来，创建了一个涵盖2月15日至5月15日的语料库，涵盖了所有感兴趣领域的锁定前后。

研究人员报告说，在模拟实验中，他们的最佳模型在不包含流动性数据的基准上有所改善，尤其是在美国大都市地区。例如，在5月2日至5月15日期间的两周的西雅图城市轻服务区域中，基准模型的日前预测错误率为15.01%(大大超过大流行前的2%至4%)。与建议模型的错误率相比为2.28%。实际上，在所有基准测试中，所提出的模型的性能比基准测试高出3.98倍。

在一个单独的实验中，研究小组使用他们的模型在大流行开始之前绘制了负荷曲线。在将估计的流动性特征与2019年7月和2020年1月的几周的天气数据结合起来后，他们计算了2020年7月和2021年1月在西雅图地区可能出现的负荷情况，并发现模型的输出显示出流动性与负荷之间的关系。共同作者写道：“我们可以看到，流动性指数的下降带来了冬季负荷的更多减少，如果当前的流动性模式持续下去，峰值负荷将减少300MW以上。”“通过明确纳入机动性模式，我们的方法可以大大减少预测与实际负荷之间的误差……由于未来全球大流行仍可能对电网造成影响。

上一篇：赛博朋克2077延期发布至11月
下一篇：谷歌建立了AI代理通过忽略干扰来学习将其推广到新环境