zisky:
- Schopnost vysvětlit rozdíly v prognózování krátkodobé, střednědobé a dlouhodobé zátěže a oblasti jejich použití v energetickém systému
- Schopnost provádět inženýrství funkcí, výběr modelu a vyhodnocení predikce s umělou inteligencí
- Schopnost měřit chybu prognózy pomocí metrik, jako je MAPE, a dát ji do souvislosti s technickou přiměřeností a potřebou redundance
Skladování elektřiny je drahé a omezené zboží; Síť proto musí předem vědět, kolik elektřiny budou spotřebitelé chtít a kdy. Předpovídání zátěže je úkolem předpovídat budoucí spotřebu elektřiny a je jednou z nejzákladnějších analýz energetického systému. Elektrárny jsou naprogramovány podle této prognózy, podle toho se rozhodují o nákupu a prodeji na trhu a podle toho se plánují investice do sítě. V této lekci se seznámíme s typy prognózování zátěže, jak se zavádí a vyhodnocuje pomocí umělé inteligence a jaké jsou inženýrské důsledky chyby prognózy. Ujasněme si pojem: zátěž je elektrický výkon (kW/MW) spotřebovaný v daném okamžiku; Zátěžová křivka je průběh tohoto výkonu v čase.
Horizonty předpovědi: Krátkodobé, Střední, Dlouhodobé
Prognóza zatížení slouží různým účelům a vyžaduje různé metody v závislosti na tom, jak daleko dopředu se díváte.
Velmi krátké a krátkodobé (minuty až několik dní). Používá se pro vyrovnávání sítě, závazek jednotky (která elektrárna bude provozovat) a tržní nabídky. Zde jsou nejsilnějšími determinanty počasí, typ dne (den v týdnu/konec) a nedávná spotřeba. Přesnost je kritická, protože chyba způsobuje přímé náklady na nevyváženost.
Střednědobé (týdny až jeden rok). Používá se pro plánování údržby, dodávky paliva a sezónní smlouvy. Do popředí se dostává sezónnost a ekonomické trendy.
Dlouhodobě (roky). Používá se pro investice do sítí a elektráren a plánování kapacity. Rozhodující jsou strukturální faktory, jako je populace, ekonomický růst, rozšířenost elektromobilů a tepelných čerpadel. Zde je nejistota přirozeně velká a používá se scénářový přístup.
Tip: Nevybírejte model bez ujasnění horizontu prognózy. Model předpovídající zítřek a model předpovídající rok 2035 vyžadují zcela odlišné vstupy a jiné řízení nejistoty.
Faktory určující zatížení a inženýrství prvků
Vstupy, které dáváme do modelu strojového učení, se nazývají funkce. Dobrá předpověď zatížení začíná výběrem dobrých funkcí. Hlavní faktory, které určují zatížení:
- Kalendář: Čas, typ dne, víkend, státní svátek, roční období. Zátěž sleduje rytmus lidského chování; Ráno a večer dělá kopce.
- Vzduch: Nejsilnějším faktorem je teplota (chladicí a topná zátěž), následovaná vlhkostí, sáláním a větrem. Vztah mezi teplotou a náplní je obecně ve tvaru U: zatížení se zvyšuje jak ve velmi horkých, tak ve velmi chladných podmínkách.
- Minulá zátěž: Spotřeba před hodinou, jedním dnem a týdnem (funkce zpoždění) je nejsilnější předzvěstí blízké budoucnosti.
- Zvláštní události: Velké sportovní události, dlouhé prázdniny, ekonomické otřesy.
Umělá inteligence je velmi užitečná při generování těchto atributů a zjišťování, které z nich jsou účinné. Ale pozor na past: přiřazení informací, které nebudou v době predikce k dispozici (například skutečná teplota v čase, který se má předpovídat, zatímco my budeme mít pouze předpověď počasí), vytváří únik dat a model je v podstatě zbytečný.
Krok za krokem: Odhad zatížení pomocí umělé inteligence
Krok 1 — Definujte problém. Objasňuje se horizont (zítra nebo příští rok), rozlišení (hodiny) a cíl (celkové zatížení systému nebo jeden podavač).
Krok 2 — Připravte data. Čistá časová řada je založena s disciplínou v předchozí jednotce; Jsou přidány údaje o počasí a kalendáři.
Krok 3 — Vygenerujte atributy. Vytvoří se atributy rozvrh, zpožděné zatížení a počasí. Kontroluje se únik: jsou všechny funkce dostupné v době predikce?
Krok 4 — Vyberte a trénujte model. Prvním krokem je vždy jednoduchá základní linie (např. „ve stejnou dobu minulý týden); Pokročilé modely jsou hodnotné pouze do té míry, do jaké překračují tento základ. AI je užitečná při generování kódu modelu a kanálu funkcí.
Krok 5 – Vyhodnoťte. Model je testován po dobu, kterou nevidí (budoucí období); Nikdy se nevyhodnocuje v tréninkových datech. Metriky jsou rozděleny podle hodin a režimu.
Krok 6 — Oznamte nejistotu. Je dán rozsah (predikční pásmo), nikoli jedno číslo; Podle tohoto pásma je plánována redundance sítě.
Chyba předpovědi měření: MAPE and Beyond
K měření kvality prognózy se používá několik metrik. MAPE (Mean Absolute Percentage Error) je průměrný procentuální rozdíl mezi předpovědí a realitou; Je snadné jej interpretovat. Typicky je 1 až 3 procenta MAPE považováno za dobré pro předpovídání krátkodobé zátěže na systémové úrovni; Na úrovni jedné budovy/napáječe je tato hodnota přirozeně vyšší, protože jeden spotřebitel je variabilnější.
Ale samotný MAPE může být zavádějící. I když se průměr zdá nízký, může docházet k systematické odchylce ve špičce a síť je kritická právě ve špičce. Proto je nutné chybu zkoumat odděleně na hodinové bázi, typu dne a zejména ve špičkách. Kromě toho je důležitý směr chyby: přetrvávající podceňování (podceňování poptávky) vede k nedostatečnému výrobnímu plánu a vytváří nerovnováhu.
Pozor: Nestačí říct "MAPE je 2 procenta, skvělé." Pokud je hodina špičky MAPE 6 procent a vy soustavně podceňujete večerní špičku, je vyvážení sítě s tímto modelem ohroženo. Nikdy nepovažujte průměrnou metriku za bezpečnou, aniž byste ji rozdělili podle režimu.
Tři mini případy: Podle čísel
Případ 1 – Nepřekročení základní čáry. Jeden tým postavil složitý model a získal 2,8 procenta MAPE a byl potěšen. Pak prostý základ „minulý týden ve stejnou dobu + korekce teploty“ dal 2,6 procenta. Složitý model nemohl projít základem; další složitost neměla cenu. Ponaučení: vždy nejprve postavte jednoduchý základ.
Případ 2 – mrtvý úhel nad hlavou. Model jedné distribuční společnosti byl dobrý s 2,1 procenta v celkovém MAPE, ale během letního večerního vrcholu klimatizace jej trvale podhodnocoval o 7 procent. To způsobilo neočekávané poklesy zatížení a napětí v několika horkých dnech. Když byl k atributu teploty přidán „počet po sobě jdoucích horkých dnů“ (akumulace tepla budovy), maximální chyba se snížila na 3 procenta.
Případ 3 – Zabránění úniku. Model jednoho praktikanta si ve zpětném testování vedl neuvěřitelně dobře (0,4 procenta MAPE). Šetření ukázalo, že model používal jako atribut skutečnou teplotu předpovídaného času; zatímco ve skutečnosti by to byla jen předpověď počasí. Jakmile byl únik opraven, MAPE vzrostl na realistických 2,5 procenta. "Velmi dobrý" výsledek je často známkou chyby.
Slabá výzva / Silná výzva
Slabá výzva:
Sestavte predikční model s těmito daty zatížení.[data]
Výkonná výzva:
Vaše role: Expert na prognózování energetické náročnosti. Účel: denní předpověď (24 hodin dopředu) hodinová předpověď zatížení systému.- Nejprve navrhněte jednoduchý základní plán (např. ve stejnou dobu minulý týden) a odkazujte na něj.- Rozbalte seznam atributů; Pro KAŽDÝ atribut „je předpověď okamžitě dostupná?“ označit. Oddělte ty, kteří jsou ohroženi únikem.- Provádějte hodnocení ODDĚLENĚ od období školení, později.- Reportujte MAPE obecně A samostatně během špiček; Určete směr chyby (nízká/vysoká). - Nechť je výsledkem interval předpovědi, nikoli jedno číslo. Datové schéma: [sloupce]
Výkonná výzva posiluje základy, zabraňuje únikům, provádí přesné vyhodnocení a zviditelňuje nejistotu – odstraňuje čtyři klasické chyby špatného předpovídání zatížení.
Čtyři kopírovatelné šablony
1) Atribut a kontrola těsnosti:
Navrhněte seznam funkcí pro následující problém s predikcí: [problém]. U každého atributu uveďte tři informace: (a) proč to ovlivňuje zatížení, (b) je předpověď dostupná okamžitě, (c) existuje riziko úniku. Odstraňte netěsné ze svého seznamu.
2) Vytvoření základního modelu:
Navrhněte alespoň dvě jednoduché základní linie pro tuto řadu zatížení (např. ve stejnou dobu včera, ve stejnou dobu minulý týden, průměr s korekcí teploty). Ke každému napište zdůvodnění. Pokročilý model bude navržen pouze tehdy, pokud tyto základy smysluplně projde.
3) Protokol o hodnocení:
Nastavte plán hodnocení pro tento model: oddělená období školení/testování v časovém pořadí (žádný únik z budoucnosti do minulosti). Počítejte metriky odděleně podle obecného, typu dne a podle hodin ve špičce. Nahlaste systematický aspekt chyby.
4) Nejistota a rozhodování:
Prezentujte předpověď s rozsahem (horní/dolní pásmo). Vysvětlete, jak bude tento interval spojen s redundancí sítě a rozhodnutím o tržní nabídce. Odpovězte také na otázku, jaký by byl „nejhorší scénář“.
Tabulka předpovědi horizontu
horizont
Doba trvání
Základní použití
dominantní faktor
příliš krátký
Minuta-hodina
vyvážení, kontrola
nedávné zatížení
krátký
1-7 dní
Jednotkový závazek, trh
Počasí, typ dne
střední
Týden-rok
Údržba, palivo, smlouva
sezónnost, hospodárnost
dlouhý
let
Investice, kapacita
Obyvatelstvo, EV, tepelné čerpadlo
Časté chyby
- Vynechání jednoduchého základu. Složitý model nelze považovat za hodnotný, aniž bychom prokázali, že překonává jednoduchý základ.
- Únik dat. Přiřazování informací, které nebudou k dispozici v době predikce, vytváří falešnou dokonalost.
- Slepě důvěřovat průměrné metrice. Pokud nejsou hodiny ve špičce a sezónní přechody zkoumány samostatně, je síť ohrožena.
- Dát liché číslo. Prognózování bez odstupňování nejistot je pro plánování redundance neúplné.
- Vyhodnocování na tréninkových datech. Model by měl být vždy testován v období, kdy není vidět.
V souhrnu
Předpovídání zatížení je impulsem energetického systému; Jeho metoda a nejistota se liší v závislosti na horizontu. Dobrá předpověď začíná dobrými vlastnostmi a vyžaduje pečlivost proti úniku. Umělá inteligence je mocným pomocníkem při generování funkcí, sestavování modelů a hodnocení; ale jednoduchá základní linie je vždy referenční, hodnocení se provádí v neviditelném období a chyba je interpretována na základě špičky/režimu, nikoli na základě průměru. Odhad není jedno číslo, ale určený rozsah.
Aplikační úkol
Vezměte sérii zatížení nebo spotřeby. Nejprve ručně nastavte jednoduchou základní linii (např. „ve stejnou dobu minulý týden“). Poté požádejte umělou inteligenci o předpovědní plán se šablonami „Kontrola atributů a úniku“ a „Protokol hodnocení“. Zeptejte se sami sebe na riziko úniku každého navrhovaného atributu. Nakonec zkontrolujte, zda se chyba předpovědi ve špičce liší od průměrné chyby a své zjištění zapište.
kontrolní seznam
- [ ] Upřesnil jsem horizont prognózy, rozlišení a cíl
- [ ] Postavil jsem jednoduchý základ a odkazoval na něj
- [ ] Je každý atribut "předvídán okamžitě?" Zkontroloval jsem to na netěsnosti.
- [ ] Hodnocení jsem provedl ve slepém období
- [ ] Zkoumal jsem MAPE odděleně na obecné a špičkové hodinové bázi
- [ ] Zkontroloval jsem systematický směr chyby (nízká/vysoká)
- [ ] Odhad jsem předložil s řadou nejistot a úsudků