লাভ:
- স্বল্প, মাঝারি এবং দীর্ঘমেয়াদী লোড পূর্বাভাস এবং শক্তি সিস্টেমে তাদের ব্যবহারের ক্ষেত্রে পার্থক্য ব্যাখ্যা করার ক্ষমতা
- কৃত্রিম বুদ্ধিমত্তা সহ বৈশিষ্ট্য প্রকৌশল, মডেল নির্বাচন এবং পূর্বাভাস মূল্যায়ন করার ক্ষমতা
- MAPE এর মতো মেট্রিকগুলির সাথে পূর্বাভাস ত্রুটি পরিমাপ করার ক্ষমতা এবং এটিকে ইঞ্জিনিয়ারিং যুক্তিযুক্ততা এবং অপ্রয়োজনীয়তার প্রয়োজনের সাথে সম্পর্কিত
বিদ্যুৎ সঞ্চয় একটি ব্যয়বহুল এবং সীমিত পণ্য; অতএব, একটি গ্রিডকে আগে থেকেই জানতে হবে গ্রাহকরা কতটা বিদ্যুৎ চাইবেন এবং কখন। লোড পূর্বাভাস হল ভবিষ্যতের বিদ্যুতের চাহিদার পূর্বাভাস দেওয়ার কাজ এবং এটি শক্তি ব্যবস্থার সবচেয়ে মৌলিক বিশ্লেষণগুলির মধ্যে একটি। পাওয়ার প্ল্যান্টগুলি এই পূর্বাভাস অনুসারে প্রোগ্রাম করা হয়, বাজারে ক্রয়-বিক্রয়ের সিদ্ধান্ত সেই অনুযায়ী নেওয়া হয় এবং সেই অনুযায়ী নেটওয়ার্ক বিনিয়োগের পরিকল্পনা করা হয়। এই ইউনিটে, আমরা লোডের পূর্বাভাসের ধরন, কৃত্রিম বুদ্ধিমত্তার সাহায্যে এটি কীভাবে প্রতিষ্ঠিত এবং মূল্যায়ন করা হয় এবং পূর্বাভাস ত্রুটির প্রকৌশলগত ফলাফলগুলি শিখব। আসুন শব্দটি স্পষ্ট করা যাক: লোড হল একটি নির্দিষ্ট মুহূর্তে ব্যবহৃত বৈদ্যুতিক শক্তি (kW/MW); লোড কার্ভ সময়ের সাথে সাথে এই শক্তির কোর্স।
পূর্বাভাস দিগন্ত: স্বল্প, মাঝারি, দীর্ঘমেয়াদী
লোড পূর্বাভাস বিভিন্ন উদ্দেশ্যে কাজ করে এবং আপনি কতটা এগিয়ে তা নির্ভর করে তার উপর নির্ভর করে বিভিন্ন পদ্ধতির প্রয়োজন হয়।
খুব সংক্ষিপ্ত এবং স্বল্প মেয়াদী (মিনিট থেকে কয়েক দিন)। এটি গ্রিড ব্যালেন্সিং, ইউনিট প্রতিশ্রুতি (কোনটি প্ল্যান্ট পরিচালনা করবে) এবং বাজার বিডের জন্য ব্যবহৃত হয়। এখানে, আবহাওয়া, দিনের ধরন (সপ্তাহের দিন/শেষ) এবং সাম্প্রতিক খরচ সবচেয়ে শক্তিশালী নির্ধারক। সঠিকতা গুরুত্বপূর্ণ কারণ ত্রুটি সরাসরি ভারসাম্যহীনতার খরচ বহন করে।
মাঝারি মেয়াদ (সপ্তাহ থেকে এক বছর)। এটি রক্ষণাবেক্ষণ পরিকল্পনা, জ্বালানি সরবরাহ এবং মৌসুমী চুক্তির জন্য ব্যবহৃত হয়। ঋতু এবং অর্থনৈতিক প্রবণতা সামনে আসে।
দীর্ঘ মেয়াদী (বছর)। এটি নেটওয়ার্ক এবং পাওয়ার প্লান্ট বিনিয়োগ এবং ক্ষমতা পরিকল্পনার জন্য ব্যবহৃত হয়। জনসংখ্যা, অর্থনৈতিক প্রবৃদ্ধি, বৈদ্যুতিক যান এবং তাপ পাম্পের প্রসারের মতো কাঠামোগত কারণগুলি নির্ধারক। এখানে অনিশ্চয়তা স্বাভাবিকভাবেই বড় এবং দৃশ্যকল্প পদ্ধতি ব্যবহার করা হয়েছে।
টিপ: পূর্বাভাস দিগন্ত স্পষ্ট না করে একটি মডেল নির্বাচন করবেন না। আগামীকালের ভবিষ্যদ্বাণী করা একটি মডেল এবং 2035 সালের ভবিষ্যদ্বাণী করার একটি মডেল সম্পূর্ণ ভিন্ন ইনপুট এবং ভিন্ন অনিশ্চয়তা ব্যবস্থাপনার প্রয়োজন।
লোড এবং ফিচার ইঞ্জিনিয়ারিং নির্ধারণকারী ফ্যাক্টর
আমরা একটি মেশিন লার্নিং মডেলে যে ইনপুটগুলি দেই তাকে বৈশিষ্ট্য বলা হয়। ভাল লোড পূর্বাভাস ভাল বৈশিষ্ট্য নির্বাচন সঙ্গে শুরু হয়. লোড নির্ধারণকারী প্রধান কারণগুলি:
- ক্যালেন্ডার: সময়, দিনের ধরন, সপ্তাহান্ত, সরকারী ছুটি, ঋতু। লোড মানুষের আচরণের ছন্দ অনুসরণ করে; সকাল-সন্ধ্যা পাহাড় বানায়।
- বায়ু: তাপমাত্রা সবচেয়ে শক্তিশালী ফ্যাক্টর (ঠান্ডা এবং গরম করার লোড), তারপরে আর্দ্রতা, বিকিরণ এবং বায়ু। তাপমাত্রা-চার্জ সম্পর্ক সাধারণত U-আকৃতির হয়: খুব গরম এবং খুব ঠান্ডা উভয় অবস্থায়ই লোড বৃদ্ধি পায়।
- অতীত লোড: এক ঘন্টা, এক দিন এবং এক সপ্তাহ আগে খরচ (ল্যাগ বৈশিষ্ট্য) হল নিকট ভবিষ্যতের সবচেয়ে শক্তিশালী আশ্রয়দাতা।
- বিশেষ ইভেন্ট: প্রধান ক্রীড়া ইভেন্ট, দীর্ঘ ছুটি, অর্থনৈতিক ধাক্কা।
কৃত্রিম বুদ্ধিমত্তা এই বৈশিষ্ট্যগুলি তৈরি করতে এবং কোনটি কার্যকর তা আবিষ্কার করতে খুব কার্যকর। কিন্তু একটি ফাঁদ থেকে সাবধান থাকুন: এমন তথ্যের বৈশিষ্ট্য যা ভবিষ্যদ্বাণী করার সময় উপলব্ধ হবে না (উদাহরণস্বরূপ, ভবিষ্যদ্বাণী করা সময়ের প্রকৃত তাপমাত্রা, যেখানে আমাদের কেবল আবহাওয়ার পূর্বাভাস থাকবে) ডেটা ফাঁস সৃষ্টি করে এবং মডেলটিকে অপরিহার্যভাবে অকেজো করে তোলে।
ধাপে ধাপে: কৃত্রিম বুদ্ধিমত্তা সহ লোড অনুমান
ধাপ 1 - সমস্যাটি সংজ্ঞায়িত করুন। দিগন্ত (আগামীকাল বা পরের বছর), রেজোলিউশন (ঘণ্টাপ্রতি) এবং লক্ষ্য (মোট সিস্টেম লোড বা একক ফিডার) স্পষ্ট করা হয়েছে।
ধাপ 2 - ডেটা প্রস্তুত করুন। পূর্ববর্তী ইউনিটে শৃঙ্খলার সাথে একটি পরিষ্কার সময় সিরিজ প্রতিষ্ঠিত হয়; আবহাওয়া এবং ক্যালেন্ডার তথ্য যোগ করা হয়.
ধাপ 3 - বৈশিষ্ট্যগুলি তৈরি করুন। সময়সূচী, বিলম্বিত লোড এবং আবহাওয়া বৈশিষ্ট্য তৈরি করা হয়। ফুটো চেক করা হয়: ভবিষ্যদ্বাণী করার সময় প্রতিটি বৈশিষ্ট্য উপলব্ধ?
ধাপ 4 - মডেল নির্বাচন করুন এবং ট্রেন করুন। একটি সাধারণ বেসলাইন (যেমন "গত সপ্তাহে একই সময়") সর্বদা প্রথম ধাপ; উন্নত মডেলগুলি শুধুমাত্র সেই পরিমাণে মূল্যবান যে তারা এই ভিত্তিকে অতিক্রম করে। AI মডেল কোড এবং বৈশিষ্ট্য পাইপলাইন তৈরি করতে সহায়ক।
ধাপ 5 - মূল্যায়ন করুন। মডেলটি এমন সময়ের মধ্যে পরীক্ষা করা হয় যা এটি দেখতে পায় না (ভবিষ্যত সময়কাল); এটি প্রশিক্ষণের ডেটাতে কখনই মূল্যায়ন করা হয় না। মেট্রিক্স ঘন্টা এবং শাসন দ্বারা ভাঙ্গা হয়.
ধাপ 6 - অনিশ্চয়তা রিপোর্ট করুন। একটি পরিসীমা (ভবিষ্যদ্বাণী ব্যান্ড) দেওয়া হয়েছে, একটি সংখ্যা নয়; নেটওয়ার্ক রিডানডেন্সি এই ব্যান্ড অনুযায়ী পরিকল্পনা করা হয়.
পরিমাপের পূর্বাভাস ত্রুটি: MAPE এবং এর বাইরে
পূর্বাভাসের মান পরিমাপ করতে বেশ কিছু মেট্রিক ব্যবহার করা হয়। MAPE (মান পরম শতাংশ ত্রুটি) হল ভবিষ্যদ্বাণী এবং বাস্তবতার মধ্যে গড় শতাংশ পার্থক্য; এটি ব্যাখ্যা করা সহজ। সাধারণত 1 থেকে 3 শতাংশ MAPE সিস্টেম-স্তরের স্বল্প-মেয়াদী লোড পূর্বাভাসের জন্য ভাল বলে মনে করা হয়; একক বিল্ডিং/ফিডার স্তরে এই মান স্বাভাবিকভাবেই বেশি কারণ একক ভোক্তা বেশি পরিবর্তনশীল।
কিন্তু একা MAPE বিভ্রান্তিকর হতে পারে। গড়টি কম মনে হলেও, পিক আওয়ারের সময় পদ্ধতিগত বিচ্যুতি হতে পারে এবং নেটওয়ার্কটি শীর্ষে গুরুত্বপূর্ণ। অতএব, প্রতি ঘন্টার ভিত্তিতে, দিনের প্রকারের ভিত্তিতে এবং বিশেষ করে সর্বোচ্চ মুহুর্তগুলিতে ত্রুটিটি আলাদাভাবে পরীক্ষা করা প্রয়োজন। উপরন্তু, ত্রুটির দিকটি গুরুত্বপূর্ণ: ক্রমাগত অবমূল্যায়ন (চাহিদা অবমূল্যায়ন) একটি অপর্যাপ্ত উৎপাদন সময়সূচীর দিকে নিয়ে যায় এবং ভারসাম্যহীনতা তৈরি করে।
সতর্কতা: "MAPE 2 শতাংশ, দুর্দান্ত" বলাই যথেষ্ট নয়। যদি পিক আওয়ার MAPE 6 শতাংশ হয় এবং আপনি ধারাবাহিকভাবে সন্ধ্যার শিখরটিকে অবমূল্যায়ন করেন, তাহলে সেই মডেলের সাথে গ্রিডের ভারসাম্য আপোস করা হয়। শাসন দ্বারা ভেঙ্গে না দিয়ে গড় মেট্রিককে কখনই নিরাপদ মনে করবেন না।
তিনটি মিনি কেস: সংখ্যা দ্বারা
কেস 1 - বেসলাইন পাস করতে ব্যর্থতা। একটি দল একটি জটিল মডেল তৈরি করেছে এবং 2.8 শতাংশ MAPE পেয়েছে এবং আনন্দিত হয়েছে৷ তারপর সরল "গত সপ্তাহে একই সময় + তাপমাত্রা সংশোধন" ভিত্তিতে 2.6 শতাংশ দিয়েছে। জটিল মডেল ভিত্তি পাস করতে পারেনি; অতিরিক্ত জটিলতার কোন মূল্য ছিল না। পাঠ: সর্বদা প্রথমে সহজ ভিত্তি তৈরি করুন।
কেস 2 — ওভারহেড ব্লাইন্ড স্পট। একটি ডিস্ট্রিবিউশন কোম্পানির মডেল সামগ্রিক MAPE-তে 2.1 শতাংশে ভাল ছিল কিন্তু গ্রীষ্মের সন্ধ্যায় শীতাতপ নিয়ন্ত্রণের শীর্ষে ধারাবাহিকভাবে এটি 7 শতাংশ দ্বারা কম অনুমান করেছে৷ এটি কয়েক গরম দিনে অপ্রত্যাশিত লোড এবং ভোল্টেজ ড্রপ তৈরি করেছে। যখন তাপমাত্রার বৈশিষ্ট্যে "টানা গরম দিনের সংখ্যা" (বিল্ডিং তাপ সঞ্চয়) যোগ করা হয়, তখন সর্বোচ্চ ত্রুটি 3 শতাংশে কমে যায়।
কেস 3 — ফুটো কন্টেনমেন্ট. একজন ইন্টার্নের মডেল ব্যাকটেস্টিংয়ে অবিশ্বাস্যভাবে ভাল করেছে (0.4 শতাংশ MAPE)। তদন্তে দেখা গেছে যে মডেলটি একটি বৈশিষ্ট্য হিসাবে পূর্বাভাসিত সময়ের প্রকৃত তাপমাত্রা ব্যবহার করেছে; বাস্তবে এটা শুধু একটি আবহাওয়ার পূর্বাভাস হবে। একবার ফাঁস ঠিক হয়ে গেলে, MAPE বাস্তবসম্মত 2.5 শতাংশে বেড়েছে। একটি "খুব ভাল" ফলাফল প্রায়ই ত্রুটি একটি চিহ্ন.
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই লোড ডেটা দিয়ে একটি ভবিষ্যদ্বাণী মডেল তৈরি করুন।[ডেটা]
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: শক্তি চাহিদা পূর্বাভাস বিশেষজ্ঞ. উদ্দেশ্য: দিন-আগে (24 ঘন্টা এগিয়ে) ঘন্টায় সিস্টেম লোড পূর্বাভাস।- প্রথমে একটি সাধারণ বেসলাইন প্রস্তাব করুন (যেমন গত সপ্তাহের একই সময়) এবং এটি উল্লেখ করুন।- বৈশিষ্ট্যগুলির একটি তালিকা বের করুন; প্রতিটি বৈশিষ্ট্যের জন্য, "ভবিষ্যদ্বাণী কি তাত্ক্ষণিকভাবে পাওয়া যায়?" চিহ্ন যাদের ফাঁস হওয়ার ঝুঁকি রয়েছে তাদের আলাদা করুন।- প্রশিক্ষণের সময় থেকে আলাদাভাবে, পরবর্তী সময়ে মূল্যায়ন পরিচালনা করুন।- সাধারণভাবে এবং পিক আওয়ারে আলাদাভাবে MAPE রিপোর্ট করুন; ত্রুটির দিকটি নির্দিষ্ট করুন (নিম্ন/উচ্চ)। - ফলাফলটি একটি ভবিষ্যদ্বাণী ব্যবধান হতে দিন, একটি একক সংখ্যা নয়। ডেটা স্কিমা: [কলাম]
শক্তিশালী প্রম্পট ফাউন্ডেশন কার্যকর করে, ফুটো প্রতিরোধ করে, নির্ভুলভাবে মূল্যায়ন স্থাপন করে এবং অনিশ্চয়তাকে দৃশ্যমান করে — দুর্বল লোড পূর্বাভাসের চারটি ক্লাসিক ভুলকে কেটে দেয়।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) বৈশিষ্ট্য এবং লিক চেকিং:
নিম্নলিখিত ভবিষ্যদ্বাণী সমস্যার জন্য বৈশিষ্ট্যগুলির একটি তালিকা প্রস্তাব করুন: [সমস্যা]। প্রতিটি বৈশিষ্ট্যের জন্য, তথ্যের তিনটি টুকরো প্রদান করুন: (ক) কেন এটি লোডকে প্রভাবিত করে, (খ) তাৎক্ষণিকভাবে পূর্বাভাস পাওয়া যায়, (গ) ফুটো হওয়ার ঝুঁকি রয়েছে। আপনার তালিকা থেকে ফাঁস বেশী সরান.
2) একটি মৌলিক মডেল প্রতিষ্ঠা করা:
এই লোড সিরিজের জন্য কমপক্ষে দুটি সাধারণ বেসলাইন প্রস্তাব করুন (যেমন গতকাল একই সময়, গত সপ্তাহের একই সময়, তাপমাত্রা-সংশোধিত গড়)। প্রতিটির জন্য যুক্তি লিখুন। একটি উন্নত মডেল প্রস্তাব করা হবে শুধুমাত্র যদি এটি এই মৌলিক বিষয়গুলিকে অর্থপূর্ণভাবে পাস করে।
3) মূল্যায়ন প্রোটোকল:
এই মডেলের জন্য একটি মূল্যায়ন পরিকল্পনা সেট আপ করুন: সময় ক্রমে পৃথক প্রশিক্ষণ/পরীক্ষার সময়কাল (ভবিষ্যত থেকে অতীতে কোন ফাঁস নেই)। সাধারণ, দিনের ধরন এবং পিক আওয়ার ভিত্তিতে আলাদাভাবে মেট্রিক্স গণনা করুন। ত্রুটির পদ্ধতিগত দিক রিপোর্ট করুন।
4) অনিশ্চয়তা এবং সিদ্ধান্ত গ্রহণ:
একটি পরিসীমা (উপরের/নিম্ন ব্যান্ড) সহ পূর্বাভাস উপস্থাপন করুন। ব্যাখ্যা করুন কিভাবে এই ব্যবধানটি গ্রিড রিডানডেন্সি এবং মার্কেট বিডিং সিদ্ধান্তের সাথে আবদ্ধ হবে। এছাড়াও "সবচেয়ে খারাপ পরিস্থিতি" কী হবে সেই প্রশ্নের উত্তর দিন।
পূর্বাভাস দিগন্ত টেবিল
দিগন্ত
সময়কাল
মৌলিক ব্যবহার
প্রভাবশালী ফ্যাক্টর
খুব ছোট
মিনিট-ঘণ্টা
ভারসাম্য, নিয়ন্ত্রণ
সাম্প্রতিক লোড
সংক্ষিপ্ত
1-7 দিন
ইউনিট প্রতিশ্রুতি, বাজার
আবহাওয়া, দিনের ধরন
মাঝারি
সপ্তাহ-বছর
রক্ষণাবেক্ষণ, জ্বালানি, চুক্তি
ঋতু, অর্থনীতি
দীর্ঘ
বছর
বিনিয়োগ, ক্ষমতা
জনসংখ্যা, ইভি, তাপ পাম্প
সাধারণ ভুল
- সরল ভিত্তি এড়িয়ে যাওয়া। একটি জটিল মডেলকে এটি প্রমাণ না করে মূল্যবান হিসাবে বিবেচনা করা যায় না যে এটি সহজ ভিত্তিকে অতিক্রম করে।
- ডেটা লিক। ভবিষ্যদ্বাণী করার সময় পাওয়া যাবে না এমন তথ্যের গুণাবলী মিথ্যা পরিপূর্ণতা তৈরি করে।
- গড় মেট্রিককে অন্ধভাবে বিশ্বাস করা। যদি পিক আওয়ার এবং সিজনাল ট্রানজিশন আলাদাভাবে পরীক্ষা না করা হয়, তাহলে নেটওয়ার্ক ঝুঁকিতে থাকে।
- একটি বিজোড় সংখ্যা প্রদান. অনিশ্চয়তা ব্যান্ডিং ছাড়া পূর্বাভাস অপ্রয়োজনীয় পরিকল্পনার জন্য অসম্পূর্ণ।
- প্রশিক্ষণ তথ্য মূল্যায়ন. মডেলটি সর্বদা এমন একটি সময়ের মধ্যে পরীক্ষা করা উচিত যেখানে এটি দৃশ্যমান নয়।
সংক্ষেপে
লোড পূর্বাভাস শক্তি সিস্টেমের নাড়ি; এর পদ্ধতি এবং অনিশ্চয়তা দিগন্তের উপর নির্ভর করে পরিবর্তিত হয়। ভাল ভবিষ্যদ্বাণী ভাল গুণাবলী দিয়ে শুরু হয় এবং ফুটো হওয়ার বিরুদ্ধে সতর্কতা প্রয়োজন। কৃত্রিম বুদ্ধিমত্তা বৈশিষ্ট্য তৈরি, মডেল বিল্ডিং এবং মূল্যায়ন একটি শক্তিশালী সাহায্য; কিন্তু সরল বেসলাইন সর্বদা রেফারেন্স হয়, মূল্যায়ন অদেখা সময়ের মধ্যে করা হয় এবং ত্রুটিটি পিক/শাসনের ভিত্তিতে ব্যাখ্যা করা হয়, গড়ে নয়। অনুমান একটি একক সংখ্যা নয় বরং একটি নির্ধারিত পরিসর।
আবেদন টাস্ক
একটি লোড বা খরচ সিরিজ নিন. প্রথমে ম্যানুয়ালি একটি সাধারণ বেসলাইন সেট আপ করুন (যেমন "গত সপ্তাহে একই সময়")। তারপরে "অ্যাট্রিবিউট এবং লিকেজ চেক" এবং "মূল্যায়ন প্রোটোকল" টেমপ্লেট সহ একটি ভবিষ্যদ্বাণী পরিকল্পনার জন্য এআইকে জিজ্ঞাসা করুন। প্রতিটি প্রস্তাবিত বৈশিষ্ট্যের ফাঁসের ঝুঁকি সম্পর্কে নিজেকে প্রশ্ন করুন। পরিশেষে, পিক আওয়ারে পূর্বাভাসের ত্রুটি গড় ত্রুটির থেকে আলাদা কিনা তা পরীক্ষা করুন এবং আপনার অনুসন্ধান লিখুন।
চেকলিস্ট
- [ ] আমি পূর্বাভাস দিগন্ত, রেজোলিউশন এবং লক্ষ্য স্পষ্ট করেছি
- আমি একটি সাধারণ ভিত্তি তৈরি করেছি এবং এটি উল্লেখ করেছি
- [ ] প্রতিটি বৈশিষ্ট্য কি "তাত্ক্ষণিকভাবে ভবিষ্যদ্বাণী করা হয়?" আমি ফাঁস জন্য এটি পরীক্ষা.
- আমি একটি অন্ধ সময়ের মধ্যে মূল্যায়ন করা
- [ ] আমি আলাদাভাবে MAPE পরীক্ষা করেছি সাধারণ এবং পিক আওয়ার ভিত্তিতে
- [ ] আমি ত্রুটির পদ্ধতিগত দিক পরীক্ষা করেছি (নিম্ন/উচ্চ)
- [ ] আমি অনেক অনিশ্চয়তা এবং রায়ের সাথে অনুমানটি উপস্থাপন করেছি