Dobici:
- Sposobnost da se objasne razlike u kratkoročnom, srednjoročnom i dugoročnom predviđanju opterećenja i područja njihove upotrebe u energetskom sistemu
- Sposobnost izvođenja inženjeringa karakteristika, odabira modela i procjene predviđanja uz pomoć umjetne inteligencije
- Sposobnost mjerenja greške prognoze pomoću metrike kao što je MAPE i povezivanja je sa inženjerskom razumnošću i potrebom za redundantnošću
Skladištenje električne energije je skupa i ograničena roba; Stoga, mreža mora unaprijed znati koliko će potrošači električne energije željeti i kada. Predviđanje opterećenja je zadatak predviđanja buduće potražnje električne energije i jedna je od najosnovnijih analiza energetskog sistema. Elektrane su programirane prema ovoj prognozi, shodno tome se donose odluke o kupovini i prodaji na tržištu, te se shodno tome planiraju ulaganja u mrežu. U ovoj cjelini naučit ćemo vrste predviđanja opterećenja, kako se ono uspostavlja i procjenjuje pomoću umjetne inteligencije, te inženjerske posljedice greške u prognozi. Pojasnimo pojam: opterećenje je električna snaga (kW/MW) potrošena u datom trenutku; Kriva opterećenja je tok ove snage tokom vremena.
Horizonti prognoze: kratkoročni, srednji, dugoročni
Predviđanje opterećenja ima različite svrhe i zahtijeva različite metode ovisno o tome koliko daleko gledate unaprijed.
Vrlo kratko i kratko (minuta do nekoliko dana). Koristi se za balansiranje mreže, obavezu jedinica (koje će postrojenje raditi) i tržišne ponude. Ovdje su vrijeme, tip dana (radni dan/kraj) i nedavna potrošnja najjače determinante. Preciznost je kritična jer greška uzrokuje direktne troškove neravnoteže.
Srednjoročno (od sedmica do jedne godine). Koristi se za planiranje održavanja, opskrbu gorivom i sezonske ugovore. Do izražaja dolazi sezonalnost i ekonomski trendovi.
Dugoročni (godine). Koristi se za ulaganja u mrežu i elektrane i planiranje kapaciteta. Odlučujući su strukturni faktori kao što su stanovništvo, ekonomski rast, rasprostranjenost električnih vozila i toplotnih pumpi. Ovdje je neizvjesnost prirodno velika i koristi se scenarijski pristup.
Savjet: Ne birajte model bez razjašnjenja horizonta prognoze. Model koji predviđa sutra i model koji predviđa 2035. zahtijevaju potpuno različite inpute i drugačije upravljanje nesigurnošću.
Faktori koji određuju opterećenje i inženjering karakteristika
Ulazi koje dajemo modelu mašinskog učenja nazivaju se karakteristike. Dobro predviđanje opterećenja počinje odabirom dobrih karakteristika. Glavni faktori koji određuju opterećenje:
- Kalendar: vrijeme, tip dana, vikend, državni praznik, godišnje doba. Opterećenje prati ritam ljudskog ponašanja; Pravi brda ujutru i uveče.
- Vazduh: Temperatura je najjači faktor (opterećenje hlađenja i grijanja), a slijede je vlažnost, radijacija i vjetar. Odnos temperature i naboja je općenito u obliku slova U: opterećenje se povećava iu vrlo toplim i vrlo hladnim uvjetima.
- Prošlo opterećenje: Potrošnja prije jednog sata, jednog dana i jedne sedmice (kašnjenje) je najjači predznak bliske budućnosti.
- Posebni događaji: Veliki sportski događaji, dugi praznici, ekonomski šokovi.
Vještačka inteligencija je veoma korisna u generisanju ovih atributa i otkrivanju koji su efikasni. Ali čuvajte se zamke: pripisivanje informacija koje neće biti dostupne u vrijeme predviđanja (na primjer, stvarna temperatura u vremenu koje treba predvidjeti, dok ćemo imati samo vremensku prognozu) stvara curenje podataka i čini model u suštini beskorisnim.
Korak po korak: Procjena opterećenja umjetnom inteligencijom
Korak 1 — Definišite problem. Pojašnjeni su horizont (sutra ili iduće godine), rezolucija (po satu) i cilj (ukupno opterećenje sistema ili jedan fider).
Korak 2 — Pripremite podatke. Uspostavljena je čista vremenska serija sa disciplinom u prethodnoj cjelini; Dodaju se podaci o vremenu i kalendaru.
Korak 3 — Generirajte atribute. Kreiraju se atributi rasporeda, odgođenog opterećenja i vremena. Provjerava se curenje: da li je svaka karakteristika dostupna u vrijeme predviđanja?
Korak 4 — Odaberite i obučite model. Jednostavna osnovna linija (npr. "u isto vrijeme prošle sedmice") uvijek je prvi korak; Napredni modeli su vrijedni samo u onoj mjeri u kojoj prevazilaze ovu osnovu. AI je od pomoći u generiranju koda modela i cevovoda karakteristika.
Korak 5 — Procijenite. Model se testira u vremenskom periodu koji ne vidi (budući period); Nikada se ne vrednuje u podacima o obuci. metrike su raščlanjene po satu i režimu.
Korak 6 — Prijavite nesigurnost. Dat je raspon (opseg predviđanja), a ne jedan broj; Redundancija mreže je planirana prema ovom opsegu.
Mjerenje greške prognoze: MAPE i dalje
Za mjerenje kvaliteta prognoze koristi se nekoliko metrika. MAPE (Mean Absolute Percentage Error) je prosječna procentualna razlika između predviđanja i stvarnosti; Lako je protumačiti. Obično se 1 do 3 procenta MAPE smatra dobrim za kratkoročno predviđanje opterećenja na nivou sistema; Na nivou jedne zgrade/napojnice ova vrijednost je prirodno viša jer je pojedinačni potrošač varijabilniji.
Ali samo MAPE može dovesti u zabludu. Čak i ako se prosjek čini nizak, može doći do sistematskog odstupanja tokom vršnih sati, a mreža je kritična upravo na vrhuncu. Stoga je potrebno ispitati grešku odvojeno na satnoj bazi, dnevnoj bazi i posebno u vršnim trenucima. Dodatno, važan je smjer greške: uporno potcjenjivanje (potcjenjivanje potražnje) dovodi do neadekvatnog rasporeda proizvodnje i stvara neravnotežu.
Oprez: Nije dovoljno reći "MAPE je 2 posto, odlično." Ako MAPE maksimalnog sata iznosi 6 posto i stalno podcjenjujete večernji vrhunac, balansiranje mreže s tim modelom je ugroženo. Nikada nemojte smatrati prosječnu metriku sigurnom bez da je razbijete po režimu.
Tri mini slučaja: prema brojevima
Slučaj 1 — Neprolazak osnovne linije. Jedan tim je napravio složen model i dobio MAPE od 2,8 posto i bio je oduševljen. Tada je jednostavna osnova "u isto vrijeme prošle sedmice + korekcija temperature" dala 2,6 posto. Složeni model nije mogao proći temelj; nije bilo nikakve vrednosti u dodatnoj složenosti. Pouka: uvijek prvo izgradite jednostavnu osnovu.
Slučaj 2 — Mrtva tačka iznad glave. Model jedne distribucijske kompanije bio je dobar sa 2,1 posto u ukupnom MAPE-u, ali ga je konstantno nedovoljno predviđao za 7 posto tokom ljetnog večernjeg vrhunca klimatizacije. To je stvorilo neočekivano opterećenje i pad napona u nekoliko vrućih dana. Kada se atributu temperature doda "broj uzastopnih vrućih dana" (akumulacija topline u zgradi), vršna greška se smanjila na 3 posto.
Slučaj 3 — Zadržavanje curenja. Model jednog pripravnika pokazao se nevjerovatno dobro (0,4 posto MAPE) u backtestiranju. Istraživanje je pokazalo da je model koristio stvarnu temperaturu predviđenog vremena kao atribut; dok bi u stvarnosti to bila samo vremenska prognoza. Nakon što je curenje popravljeno, MAPE se povećao na realnih 2,5 posto. "Vrlo dobar" rezultat je često znak greške.
Slaba prompt / jaka prompt
Slab upit:
Izgradite model predviđanja s ovim podacima o učitavanju.[podaci]
Snažan upit:
Vaša uloga: Stručnjak za predviđanje potrošnje energije. Svrha: prognoza opterećenja sistema za dan unaprijed (24 sata unaprijed).- Prvo predložite jednostavnu osnovnu liniju (npr. u isto vrijeme prošle sedmice) i referencirajte je.- Izvucite listu atributa; Za SVAKI atribut "je li predviđanje trenutno dostupno?" mark. Odvojite one koji su u opasnosti od curenja.- Provedite procjenu ODVOJENO od perioda obuke, u kasnijem periodu.- Izvještavajte MAPE općenito I odvojeno tokom vršnih sati; Odredite smjer greške (niska/visoka). - Neka rezultat bude interval predviđanja, a ne jedan broj. Šema podataka: [kolone]
Snažan prompt jača osnovu, sprečava curenje, precizno utvrđuje procenu i čini nesigurnost vidljivom — uklanjajući četiri klasične greške lošeg predviđanja opterećenja.
Četiri predloška koji se mogu kopirati
1) Provjera atributa i curenja:
Predložite listu karakteristika za sljedeći problem predviđanja: [problem]. Za svaki atribut navedite tri informacije: (a) zašto utiče na opterećenje, (b) da li je predviđanje dostupno odmah, (c) postoji li rizik od curenja. Uklonite one koje propuštaju sa svoje liste.
2) Uspostavljanje osnovnog modela:
Predložite barem dvije jednostavne osnovne linije za ovu seriju opterećenja (npr. u isto vrijeme jučer, u isto vrijeme prošle sedmice, temperaturno ispravljen prosjek). Napišite obrazloženje za svaki. Napredni model će biti predložen samo ako smisleno polaže ove osnove.
3) Protokol evaluacije:
Postavite plan evaluacije za ovaj model: odvojeni periodi obuke/testiranja u vremenskom redoslijedu (bez curenja iz budućnosti u prošlost). Izračunajte metriku odvojeno prema općem, tipu dana i vršnom satu. Prijavite sistematski aspekt greške.
4) Neizvjesnost i donošenje odluka:
Predstavite prognozu s rasponom (gornji/donji pojas). Objasnite kako će ovaj interval biti vezan za redundantnost mreže i odluku o tržišnim ponudama. Odgovorite i na pitanje šta bi bio "najgori scenario".
Tabela Horizonta prognoze
horizont
Trajanje
Osnovna upotreba
dominantan faktor
prekratko
Minuta-sat
balansiranje, kontrola
nedavno opterećenje
kratko
1-7 dana
Predanost jedinice, tržište
Vrijeme, vrsta dana
srednje
Sedmica-godina
Održavanje, gorivo, ugovor
sezonalnost, ekonomičnost
dugo
godine
Investicija, kapacitet
Stanovništvo, EV, toplotna pumpa
Uobičajene greške
- Preskakanje jednostavne osnove. Složeni model se ne može smatrati vrijednim ako se ne dokaže da nadilazi jednostavnu osnovu.
- Curenje podataka. Pripisivanje informacija koje neće biti dostupne u vrijeme predviđanja proizvodi lažno savršenstvo.
- Slijepo vjerovati prosječnoj metrici. Ako se vršni sati i sezonski prijelazi ne ispitaju odvojeno, mreža je u opasnosti.
- Davanje neparnog broja. Predviđanje bez opsega nesigurnosti je nepotpuno za planiranje redundantnosti.
- Evaluacija na osnovu podataka o obuci. Model uvijek treba testirati u periodu u kojem nije vidljiv.
Ukratko
Predviđanje opterećenja je puls energetskog sistema; Njegova metoda i nesigurnost variraju ovisno o horizontu. Dobro predviđanje počinje dobrim atributima i zahtijeva pažljivost protiv curenja. Umjetna inteligencija je moćna pomoć u generiranju karakteristika, izgradnji modela i evaluaciji; ali jednostavna osnovna linija je uvijek referenca, procjena se vrši u neviđenom periodu i greška se tumači na bazi vrha/režima, a ne u prosjeku. Procjena nije pojedinačni broj već određeni raspon.
Zadatak aplikacije
Uzmite seriju opterećenja ili potrošnje. Prvo ručno postavite jednostavnu osnovnu liniju (npr. "u isto vrijeme prošle sedmice"). Zatim zatražite od AI plan predviđanja s predlošcima “Provjera atributa i curenja” i “Protokol evaluacije”. Zapitajte se o riziku od curenja svakog predloženog atributa. Na kraju provjerite da li se greška prognoze u vršnim satima razlikuje od prosječne greške i zapišite svoj nalaz.
kontrolna lista
- [ ] Pojasnio sam horizont prognoze, rezoluciju i cilj
- [ ] Napravio sam jednostavnu osnovu i referencirao je
- [ ] Je li svaki atribut "predviđen odmah?" Provjerio sam da li curi.
- [ ] Napravio sam evaluaciju u slijepom periodu
- [ ] Ispitivao sam MAPE odvojeno na opštoj i vršnoj bazi
- [ ] Provjerio sam sistematski smjer greške (nisko/visoko)
- [ ] Predstavio sam procjenu sa nizom nesigurnosti i prosuđivanja