Печалби:
- Способност за обяснение на разликите в краткосрочното, средносрочното и дългосрочното прогнозиране на натоварването и техните области на използване в енергийната система
- Способност за извършване на инженеринг на функции, избор на модел и оценка на прогнози с изкуствен интелект
- Възможност за измерване на прогнозна грешка с показатели като MAPE и свързването й с инженерната разумност и необходимостта от излишък
Съхраняването на електроенергия е скъпа и ограничена стока; Следователно мрежата трябва да знае предварително колко електроенергия ще искат потребителите и кога. Прогнозирането на натоварването е задача за прогнозиране на бъдещото търсене на електроенергия и е един от най-основните анализи на енергийната система. Електроцентралите се програмират според тази прогноза, решенията за покупка и продажба на пазара се вземат съответно и инвестициите в мрежата се планират съответно. В тази част ще научим видовете прогнозиране на натоварването, как се установява и оценява с изкуствен интелект и инженерните последици от грешка в прогнозата. Нека изясним понятието: товар е консумираната електрическа мощност (kW/MW) в даден момент; Кривата на натоварване е ходът на тази мощност във времето.
Прогнозни хоризонти: краткосрочен, средносрочен, дългосрочен
Прогнозирането на натоварването служи за различни цели и изисква различни методи в зависимост от това колко напред гледате.
Много кратък и кратък срок (минути до няколко дни). Използва се за балансиране на мрежата, ангажимент на единица (коя централа ще работи) и пазарни оферти. Тук времето, типът на деня (ден от седмицата/край) и скорошното потребление са най-силните определящи фактори. Точността е критична, тъй като грешката води до преки разходи за дисбаланс.
Средносрочен (седмици до една година). Използва се за планиране на поддръжка, доставка на гориво и сезонни договори. Сезонността и икономическите тенденции излизат на преден план.
Дългосрочно (години). Използва се за инвестиции в мрежи и електроцентрали и планиране на капацитета. Решаващи са структурни фактори като население, икономически растеж, разпространение на електрически превозни средства и термопомпи. Тук естествено несигурността е голяма и се използва сценарийният подход.
Съвет: Не избирайте модел, без да сте изяснили прогнозния хоризонт. Модел, предсказващ утрешния ден, и модел, предсказващ 2035 г., изискват напълно различни входни данни и различно управление на несигурността.
Фактори, определящи натоварването и проектиране на характеристиките
Входящите данни, които даваме на модел на машинно обучение, се наричат характеристики. Доброто предвиждане на натоварването започва с избора на добри характеристики. Основните фактори, които определят натоварването:
- Календар: Час, тип ден, уикенд, официален празник, сезон. Натоварването следва ритъма на човешкото поведение; Прави хълмове сутрин и вечер.
- Въздух: Температурата е най-силният фактор (натоварване при охлаждане и отопление), следвана от влажност, радиация и вятър. Връзката температура-зареждане обикновено е U-образна: натоварването се увеличава както при много горещи, така и при много студени условия.
- Минало натоварване: Потреблението преди един час, един ден и една седмица (функции на забавяне) е най-силният предвестник на близкото бъдеще.
- Специални събития: големи спортни събития, дълги празници, икономически сътресения.
Изкуственият интелект е много полезен при генерирането на тези атрибути и откриването кои от тях са ефективни. Но внимавайте с капан: приписването на информация, която няма да бъде налична по време на прогнозата (например действителната температура за времето, което трябва да се прогнозира, докато ние ще имаме само прогнозата за времето), създава изтичане на данни и прави модела по същество безполезен.
Стъпка по стъпка: Оценка на натоварването с изкуствен интелект
Стъпка 1 — Дефинирайте проблема. Изясняват се хоризонтът (утре или следващата година), разделителната способност (почасово) и целта (общо системно натоварване или единично захранващо устройство).
Стъпка 2 — Подгответе данните. Установява се чист времеви ред с дисциплината в предишната единица; Добавят се данни за времето и календара.
Стъпка 3 — Генериране на атрибути. Създават се атрибути за график, забавено натоварване и време. Течът се проверява: всяка функция налична ли е по време на прогнозирането?
Стъпка 4 — Изберете и обучете модел. Една проста базова линия (напр. „по същото време миналата седмица“) винаги е първата стъпка; Усъвършенстваните модели са ценни само дотолкова, доколкото надминават тази основа. AI е полезен при генерирането на кода на модела и конвейера на функциите.
Стъпка 5 — Оценете. Моделът се тества за период от време, който не вижда (бъдещ период); Никога не се оценява в данните за обучение. Показателите са разбити по часове и режим.
Стъпка 6 — Докладвайте несигурност. Даден е диапазон (диапазон на прогнозиране), а не едно число; Мрежовото резервиране е планирано според тази честотна лента.
Грешка при измерване на прогнозата: MAPE и отвъд
За измерване на качеството на прогнозата се използват няколко показателя. MAPE (средна абсолютна процентна грешка) е средната процентна разлика между прогнозата и реалността; Лесно е за тълкуване. Обикновено 1 до 3 процента MAPE се считат за добри за краткосрочно прогнозиране на натоварването на системно ниво; На ниво отделна сграда/захранващо устройство тази стойност естествено е по-висока, тъй като единичният потребител е по-променлив.
Но само MAPE може да бъде подвеждащо. Дори ако средната стойност изглежда ниска, може да има системно отклонение по време на пиковите часове и мрежата е критична точно в пика. Следователно е необходимо грешката да се изследва отделно на почасова база, дневна база и особено в пиковите моменти. Освен това посоката на грешката е важна: постоянното подценяване (подценяване на търсенето) води до неадекватен производствен график и създава дисбаланс.
Внимание: Не е достатъчно да кажете „MAPE е 2 процента, страхотно“. Ако пиковият час MAPE е 6 процента и постоянно подценявате вечерния пик, балансирането на мрежата с този модел е компрометирано. Никога не считайте средния показател за безопасен, без да го разделите по режим.
Три мини калъфа: с числата
Случай 1 — Неуспешно преминаване на базовата линия. Един екип построи сложен модел и получи 2,8 процента MAPE и беше възхитен. Тогава простата база „по същото време миналата седмица + температурна корекция“ даде 2,6 процента. Сложният модел не можа да премине основата; нямаше стойност в допълнителната сложност. Урок: винаги първо изграждайте простата основа.
Случай 2 — Мъртва зона отгоре. Моделът на една дистрибуторска компания беше добър с 2,1 процента в общия MAPE, но постоянно го подминаваше със 7 процента по време на пика на летните вечерни климатици. Това създаде неочаквано натоварване и спадове на напрежението в няколко горещи дни. Когато "брой последователни горещи дни" (натрупване на топлина в сградата) беше добавен към температурния атрибут, пиковата грешка намаля до 3 процента.
Случай 3 — Ограничаване на теча. Моделът на един стажант се справи невероятно добре (0,4 процента MAPE) при бектестовете. Разследването показа, че моделът използва действителната температура на прогнозираното време като атрибут; докато в действителност това би било просто прогноза за времето. След като течът беше коригиран, MAPE се увеличи до реалистичните 2,5 процента. „Много добър“ резултат често е знак за грешка.
Слаба подкана / Силна подкана
Слаба подкана:
Изградете модел за прогнозиране с тези данни за натоварване.[данни]
Мощна подкана:
Вашата роля: Експерт по прогнозиране на търсенето на енергия. Цел: почасова прогноза за натоварване на системата за ден напред (24 часа напред).- Първо предложете проста базова линия (напр. същото време миналата седмица) и я позовавайте.- Извлечете списък с атрибути; За ВСЕКИ атрибут, „достъпна ли е прогнозата незабавно?“ марка. Отделете тези, изложени на риск от изтичане.- Извършете оценка ОТДЕЛНО от периода на обучение, в по-късен период.- Докладвайте MAPE като цяло И отделно по време на пиковите часове; Посочете посоката на грешката (ниска/висока). - Нека резултатът е интервал на прогнозиране, а не едно число. Схема на данните: [колони]
Мощната подсказка укрепва основата, предотвратява изтичане, установява прецизната оценка и прави несигурността видима – изрязвайки четирите класически грешки на лошото прогнозиране на натоварването.
Четири копируеми шаблона
1) Проверка на атрибути и течове:
Предложете списък с функции за следния проблем с прогнозиране: [проблем]. За всеки атрибут предоставете три части от информация: (a) защо влияе на натоварването, (b) прогнозата налична ли е незабавно, (c) има ли риск от изтичане. Премахнете изтичащите от списъка си.
2) Създаване на основен модел:
Предложете поне две прости базови линии за тази серия от натоварвания (напр. по същото време вчера, по същото време миналата седмица, коригирана спрямо температурата средна стойност). Напишете обосновката за всеки. Усъвършенстван модел ще бъде предложен само ако премине тези основи по смислен начин.
3) Протокол за оценка:
Създайте план за оценка за този модел: отделни периоди на обучение/тестване във времеви ред (без изтичане от бъдещето към миналото). Изчислете показателите отделно по общ, тип ден и пиков час. Докладвайте системния аспект на грешката.
4) Несигурност и вземане на решения:
Представете прогнозата с диапазон (горна/долна лента). Обяснете как този интервал ще бъде обвързан с решението за резервиране на мрежата и пазарно наддаване. Също така отговорете на въпроса какъв би бил „най-лошият сценарий“.
Таблица на прогнозния хоризонт
хоризонт
Продължителност
Основна употреба
доминиращ фактор
твърде кратък
Минута-час
балансиране, контрол
скорошно натоварване
кратко
1-7 дни
Единичен ангажимент, пазар
Време, тип ден
среден
Седмица-година
Поддръжка, гориво, договор
сезонност, икономичност
дълго
години
Инвестиция, капацитет
Население, EV, термопомпа
Често срещани грешки
- Пропускане на простата основа. Сложен модел не може да се счита за ценен, без да се докаже, че превъзхожда простата основа.
- Изтичане на данни. Приписването на информация, която няма да бъде налична по време на прогнозирането, създава фалшиво съвършенство.
- Сляпо доверие на средния показател. Ако пиковите часове и сезонните преходи не се изследват отделно, мрежата е изложена на риск.
- Даване на нечетно число. Прогнозирането без обхват на несигурността е непълно за планиране на резервиране.
- Оценяване на данни от обучението. Моделът винаги трябва да се тества в период, в който не се вижда.
В обобщение
Прогнозирането на товара е пулсът на енергийната система; Неговият метод и несигурност варират в зависимост от хоризонта. Доброто прогнозиране започва с добри атрибути и изисква прецизност срещу изтичане. Изкуственият интелект е мощна помощ при генериране на функции, изграждане на модели и оценка; но простата базова линия винаги е референтната, оценката се прави в невидения период и грешката се тълкува на база пик/режим, а не на средна стойност. Оценката не е едно число, а определен диапазон.
Задача за приложение
Вземете серия от натоварване или потребление. Първо задайте проста базова линия ръчно (напр. „по същото време миналата седмица“). След това поискайте от AI план за прогнозиране с шаблоните „Проверка на атрибути и изтичане“ и „Протокол за оценка“. Запитайте се за риска от изтичане на всеки предложен атрибут. Накрая проверете дали грешката на прогнозата в пиковите часове се различава от средната грешка и запишете констатацията си.
контролен списък
- [ ] Изясних прогнозния хоризонт, разделителната способност и целта
- [ ] Създадох проста основа и я препратих
- [ ] Всеки атрибут "предвиден ли е незабавно?" Проверих го за течове.
- [ ] Направих оценката в сляп период
- [ ] Разгледах MAPE поотделно на обща основа и в пиковите часове
- [ ] Проверих систематичната посока на грешката (ниска/висока)
- [ ] Представих оценката с определена несигурност и преценка