توقعات الحمل والطلب

المكاسب:

• القدرة على شرح الاختلافات في التنبؤ بالأحمال على المدى القصير والمتوسط والطويل ومجالات استخدامها في نظام الطاقة
• القدرة على تنفيذ هندسة الميزات واختيار النماذج وتقييم التنبؤ باستخدام الذكاء الاصطناعي
• القدرة على قياس خطأ التنبؤ باستخدام مقاييس مثل MAPE وربطه بالمعقولية الهندسية والحاجة إلى التكرار

يعد تخزين الكهرباء سلعة باهظة الثمن ومحدودة؛ ولذلك، يجب أن تعرف الشبكة مسبقًا مقدار الكهرباء الذي سيحتاجه المستهلكون ومتى. التنبؤ بالأحمال هو مهمة التنبؤ بالطلب المستقبلي على الكهرباء وهو أحد التحليلات الأساسية لنظام الطاقة. تتم برمجة محطات توليد الطاقة وفقًا لهذه التوقعات، ويتم اتخاذ قرارات البيع والشراء في السوق وفقًا لذلك، ويتم التخطيط للاستثمار في الشبكة وفقًا لذلك. في هذه الوحدة، سوف نتعلم أنواع التنبؤ بالأحمال، وكيفية إنشائها وتقييمها باستخدام الذكاء الاصطناعي، والعواقب الهندسية لخطأ التنبؤ. دعونا نوضح المصطلح: الحمل هو الطاقة الكهربائية (kW/MW) المستهلكة في لحظة معينة؛ منحنى الحمل هو مسار هذه القوة مع مرور الوقت.

آفاق التوقعات: قصيرة، متوسطة، طويلة المدى

يخدم التنبؤ بالأحمال أغراضًا مختلفة ويتطلب أساليب مختلفة اعتمادًا على المدى الذي تتطلع إليه.

قصيرة المدى وقصيرة جدًا (دقائق إلى بضعة أيام). يتم استخدامه لموازنة الشبكة، والالتزام بالوحدة (المحطة التي سيتم تشغيلها) وعطاءات السوق. هنا، يعتبر الطقس ونوع اليوم (أيام الأسبوع/نهاية الأسبوع) والاستهلاك الأخير هي أقوى المحددات. تعد الدقة أمرًا بالغ الأهمية لأن الخطأ يؤدي إلى تكاليف اختلال التوازن المباشرة.

متوسطة المدى (من أسابيع إلى سنة). يتم استخدامه لتخطيط الصيانة وإمدادات الوقود والعقود الموسمية. تظهر الاتجاهات الموسمية والاقتصادية في المقدمة.

طويلة المدى (سنوات). يتم استخدامه للاستثمار في الشبكات ومحطات الطاقة وتخطيط القدرات. تعتبر العوامل الهيكلية مثل السكان والنمو الاقتصادي وانتشار السيارات الكهربائية والمضخات الحرارية حاسمة. وهنا يكون عدم اليقين كبيرًا بشكل طبيعي ويتم استخدام نهج السيناريو.

نصيحة: لا تختار نموذجًا دون توضيح أفق التنبؤ. يتطلب النموذج الذي يتنبأ بالغد والنموذج الذي يتنبأ بعام 2035 مدخلات مختلفة تمامًا وإدارة مختلفة لعدم اليقين.

العوامل التي تحدد الحمل وهندسة الميزات

تسمى المدخلات التي نقدمها لنموذج التعلم الآلي بالميزات. يبدأ التنبؤ الجيد بالحمل باختيار الميزات الجيدة. العوامل الرئيسية التي تحدد الحمل:

• التقويم: الوقت، نوع اليوم، عطلة نهاية الأسبوع، العطلات الرسمية، الموسم. يتبع الحمل إيقاع السلوك البشري؛ يجعل التلال في الصباح والمساء.
• الهواء: تعتبر درجة الحرارة العامل الأقوى (حمل التبريد والتدفئة)، تليها الرطوبة والإشعاع والرياح. عادة ما تكون العلاقة بين درجة الحرارة والشحن على شكل حرف U: يزداد الحمل في الظروف شديدة الحرارة والباردة جدًا.
• التحميل السابق: الاستهلاك قبل ساعة ويوم وأسبوع (ميزات التأخر) هو أقوى نذير للمستقبل القريب.
• الأحداث الخاصة: الأحداث الرياضية الكبرى، والإجازات الطويلة، والصدمات الاقتصادية.

الذكاء الاصطناعي مفيد جدًا في توليد هذه السمات واكتشاف أي منها فعال. ولكن احذر من الفخ: فإن إسناد المعلومات التي لن تكون متاحة في وقت التنبؤ (على سبيل المثال، درجة الحرارة الفعلية في الوقت الذي سيتم التنبؤ فيه، في حين لن يكون لدينا سوى توقعات الطقس) يؤدي إلى تسرب البيانات ويجعل النموذج عديم الفائدة في الأساس.

خطوة بخطوة: تقدير الأحمال باستخدام الذكاء الاصطناعي

الخطوة 1 - تحديد المشكلة. تم توضيح الأفق (غدًا أو العام المقبل) والدقة (كل ساعة) والهدف (إجمالي تحميل النظام أو وحدة التغذية الفردية).

الخطوة 2 - تحضير البيانات. يتم إنشاء سلسلة زمنية نظيفة مع الانضباط في الوحدة السابقة؛ تتم إضافة بيانات الطقس والتقويم.

الخطوة 3 - إنشاء السمات. يتم إنشاء سمات الجدول الزمني والتحميل المتأخر والطقس. يتم فحص التسرب: هل كل ميزة متاحة في وقت التنبؤ؟

الخطوة 4 - تحديد النموذج وتدريبه. دائمًا ما يكون خط الأساس البسيط (مثل "نفس الوقت من الأسبوع الماضي") هو الخطوة الأولى؛ النماذج المتقدمة تكون ذات قيمة فقط إلى الحد الذي تتجاوز فيه هذا الأساس. يعد الذكاء الاصطناعي مفيدًا في إنشاء رمز النموذج وخط أنابيب الميزات.

الخطوة 5 – التقييم. يتم اختبار النموذج على مدى فترة زمنية لا يراها (فترة مستقبلية)؛ ولا يتم تقييمه أبدًا في بيانات التدريب. يتم تقسيم المقاييس حسب الساعة والنظام.

الخطوة 6 - الإبلاغ عن عدم اليقين. يتم إعطاء نطاق (نطاق التنبؤ)، وليس رقمًا واحدًا؛ يتم التخطيط لتكرار الشبكة وفقًا لهذا النطاق.

قياس خطأ التنبؤ: MAPE وما بعده

يتم استخدام عدة مقاييس لقياس جودة التنبؤ. MAPE (متوسط ​​النسبة المئوية للخطأ المطلق) هو متوسط ​​النسبة المئوية للفرق بين التنبؤ والواقع؛ من السهل تفسيرها. عادةً ما تعتبر نسبة 1 إلى 3 بالمائة من MAPE جيدة للتنبؤ بالأحمال على المدى القصير على مستوى النظام؛ على مستوى المبنى/وحدة التغذية الفردية، تكون هذه القيمة أعلى بشكل طبيعي لأن المستهلك الفردي أكثر تنوعًا.

لكن MAPE وحده يمكن أن يكون مضللاً. حتى لو بدا المتوسط ​​منخفضًا، فقد يكون هناك انحراف منهجي خلال ساعات الذروة، وتكون الشبكة حرجة في الذروة. لذلك، من الضروري فحص الخطأ بشكل منفصل على أساس الساعة ونوع اليوم وخاصة في لحظات الذروة. بالإضافة إلى ذلك، فإن اتجاه الخطأ مهم: فالتقليل المستمر من التقدير (التقليل من تقدير الطلب) يؤدي إلى جدول إنتاج غير مناسب ويخلق خللاً في التوازن.

تحذير: لا يكفي أن نقول "MAPE هو 2 بالمائة، عظيم." إذا كانت ساعة الذروة MAPE هي 6 بالمائة وكنت تقلل باستمرار من قيمة الذروة المسائية، فسيتم اختراق موازنة الشبكة مع هذا النموذج. لا تعتبر مطلقًا أن متوسط ​​المقياس آمن دون تقسيمه حسب النظام.

ثلاث حالات صغيرة: بالأرقام

الحالة 1 - الفشل في تجاوز خط الأساس. قام أحد الفرق ببناء نموذج معقد وحصل على نسبة 2.8% من MAPE وكانوا سعداء. ثم أعطى الأساس البسيط "نفس الوقت من الأسبوع الماضي + تصحيح درجة الحرارة" 2.6 بالمائة. النموذج المعقد لم يتمكن من اجتياز الأساس؛ ولم تكن هناك قيمة في التعقيد الإضافي. الدرس المستفاد: قم دائمًا ببناء الأساس البسيط أولاً.

الحالة 2 - النقطة العمياء العلوية. كان نموذج إحدى شركات التوزيع جيدًا بنسبة 2.1 بالمائة في إجمالي MAPE، لكنه كان يتنبأ به باستمرار بنسبة 7 بالمائة خلال ذروة تكييف الهواء المسائي في الصيف. أدى هذا إلى حدوث انخفاض غير متوقع في الحمل والجهد في بضعة أيام حارة. عند إضافة "عدد الأيام الحارة المتتالية" (تراكم حرارة المبنى) إلى سمة درجة الحرارة، انخفض خطأ الذروة إلى 3 بالمائة.

الحالة 3 - احتواء التسرب. كان أداء نموذج أحد المتدربين جيدًا بشكل لا يصدق (0.4 بالمائة MAPE) في الاختبار الخلفي. أظهر التحقيق أن النموذج استخدم درجة الحرارة الفعلية للوقت المتوقع كخاصية؛ بينما في الواقع سيكون مجرد توقعات الطقس. وبمجرد إصلاح التسرب، ارتفعت نسبة MAPE إلى نسبة واقعية تبلغ 2.5 بالمائة. غالبًا ما تكون النتيجة "الجيدة جدًا" علامة على الخطأ.

موجه ضعيف / موجه قوي

حث ضعيف:

أنشئ نموذج تنبؤ باستخدام بيانات التحميل هذه.[البيانات]

مطالبة قوية:

دورك: خبير التنبؤ بالطلب على الطاقة. الغرض: توقعات تحميل النظام لكل يوم (قبل 24 ساعة). - اقترح أولاً خط أساس بسيط (على سبيل المثال، نفس الوقت من الأسبوع الماضي) وقم بالرجوع إليه. - استخرج قائمة السمات؛ بالنسبة لكل سمة، "هل التوقع متاح على الفور؟" علامة. افصل بين الأشخاص المعرضين لخطر التسرب. - قم بإجراء التقييم بشكل منفصل عن فترة التدريب، في فترة لاحقة. - قم بالإبلاغ عن MAPE بشكل عام وبشكل منفصل خلال ساعات الذروة؛ حدد اتجاه الخطأ (منخفض/مرتفع). - لتكن النتيجة فترة تنبؤ وليس رقما واحدا. مخطط البيانات: [الأعمدة]

تعمل المطالبة القوية على تعزيز الأساس، وتمنع التسرب، وتحدد التقييم بدقة، وتجعل عدم اليقين مرئيًا - مما يؤدي إلى استبعاد الأخطاء الأربعة الكلاسيكية المتمثلة في سوء التنبؤ بالأحمال.

أربعة قوالب قابلة للنسخ

1) فحص السمات والتسرب:

اقترح قائمة بالميزات لمشكلة التنبؤ التالية: [مشكلة]. بالنسبة لكل سمة، قدم ثلاث معلومات: (أ) لماذا تؤثر على الحمل، (ب) هل التنبؤ متاح على الفور، (ج) هل هناك خطر التسرب. قم بإزالة تلك المتسربة من قائمتك.

2) إنشاء النموذج الأساسي:

اقترح خطي أساس بسيطين على الأقل لسلسلة التحميل هذه (على سبيل المثال، نفس الوقت بالأمس، نفس الوقت من الأسبوع الماضي، المتوسط المصحح لدرجة الحرارة). اكتب الأساس المنطقي لكل منها. لن يتم اقتراح نموذج متقدم إلا إذا اجتاز هذه الأساسيات بشكل مفيد.

3) بروتوكول التقييم:

قم بإعداد خطة تقييم لهذا النموذج: فترات تدريب/اختبار منفصلة حسب الترتيب الزمني (لا يوجد تسرب من المستقبل إلى الماضي). قم بحساب المقاييس بشكل منفصل حسب الأساس العام ونوع اليوم وساعة الذروة. قم بالإبلاغ عن الجانب المنهجي للخطأ.

4) عدم اليقين واتخاذ القرار:

اعرض التوقعات بنطاق (النطاق العلوي/السفلي). اشرح كيف سيتم ربط هذا الفاصل الزمني بتكرار الشبكة وقرار عطاءات السوق. أجب أيضًا على سؤال ما هو "السيناريو الأسوأ".

توقعات الجدول الأفق

الأفق

المدة

الاستخدام الأساسي

العامل المهيمن

قصير جدًا

دقيقة وساعة

التوازن والسيطرة

التحميل الأخير

قصيرة

1-7 أيام

التزام الوحدة، السوق

الطقس، نوع اليوم

متوسطة

أسبوع في السنة

صيانة، وقود، عقد

الموسمية والاقتصاد

طويل

سنوات

الاستثمار والقدرة

السكان، EV، مضخة الحرارة

الأخطاء الشائعة

• تخطي الأساس البسيط. لا يمكن اعتبار النموذج المعقد ذا قيمة دون إثبات أنه يتجاوز الأساس البسيط.
• تسرب البيانات. إن إسناد المعلومات التي لن تكون متاحة في وقت التنبؤ يؤدي إلى كمال زائف.
• الثقة العمياء في متوسط ​​المقياس. إذا لم يتم فحص ساعات الذروة والتحولات الموسمية بشكل منفصل، فإن الشبكة معرضة للخطر.
• إعطاء رقم فردي. التنبؤ بدون نطاقات عدم اليقين غير مكتمل لتخطيط التكرار.
• التقييم على بيانات التدريب. يجب دائمًا اختبار النموذج في فترة لا يكون فيها مرئيًا.

في ملخص

التنبؤ بالأحمال هو نبض نظام الطاقة؛ تختلف طريقتها وعدم اليقين باختلاف الأفق. يبدأ التنبؤ الجيد بصفات جيدة ويتطلب الدقة ضد التسرب. يعد الذكاء الاصطناعي أداة مساعدة قوية في إنشاء الميزات وبناء النماذج وتقييمها؛ ولكن خط الأساس البسيط هو المرجع دائمًا، ويتم التقييم في فترة الغيب ويتم تفسير الخطأ على أساس الذروة/النظام، وليس على المتوسط. التقدير ليس رقمًا واحدًا بل نطاقًا محددًا.

مهمة التطبيق

خذ سلسلة الحمل أو الاستهلاك. قم أولاً بإعداد خط أساس بسيط يدويًا (على سبيل المثال، "في نفس الوقت من الأسبوع الماضي"). ثم اطلب من الذكاء الاصطناعي خطة تنبؤ باستخدام قوالب "فحص السمات والتسرب" و"بروتوكول التقييم". اسأل نفسك عن مخاطر التسرب لكل سمة مقترحة. وأخيرًا، تحقق مما إذا كان خطأ التوقعات في ساعات الذروة يختلف عن متوسط ​​الخطأ وقم بتدوين النتائج التي توصلت إليها.

قائمة مرجعية

• [ ] لقد أوضحت أفق التوقعات والحل والهدف
• [ ] لقد قمت ببناء أساس بسيط وأشرت إليه
• [ ] هل يتم "التنبؤ بكل سمة على الفور؟" لقد راجعت ذلك بحثًا عن التسريبات.
• [ ] لقد أجريت التقييم في فترة عمياء
• [ ] لقد قمت بفحص MAPE بشكل منفصل على أساس عام وساعة الذروة
• [ ] لقد تأكدت من الاتجاه المنهجي للخطأ (منخفض/مرتفع)
• [ ] لقد قدمت التقدير مع مجموعة من عدم اليقين والحكم