Gevinster:
- Evne til at forklare forskellene i kort-, mellem- og langsigtet belastningsforudsigelse og deres anvendelsesområder i energisystemet
- Evne til at udføre feature engineering, modelvalg og forudsigelsesevaluering med kunstig intelligens
- Evne til at måle prognosefejl med målinger såsom MAPE og relatere det til teknisk rimelighed og behovet for redundans
Elektricitetsopbevaring er en dyr og begrænset vare; Derfor skal et net på forhånd vide, hvor meget el forbrugerne vil have og hvornår. Belastningsprognose er opgaven med at forudsige fremtidens elbehov og er en af de mest basale analyser af energisystemet. Kraftværker programmeres i henhold til denne prognose, købs- og salgsbeslutninger på markedet træffes i overensstemmelse hermed, og netværksinvesteringer planlægges i overensstemmelse hermed. I denne enhed lærer vi typerne af belastningsforudsigelse, hvordan den etableres og evalueres med kunstig intelligens, og de tekniske konsekvenser af prognosefejl. Lad os præcisere udtrykket: belastning er den elektriske effekt (kW/MW) forbrugt på et givet tidspunkt; Belastningskurven er forløbet af denne effekt over tid.
Prognosehorisonter: kort, mellemlang, lang sigt
Belastningsprognose tjener forskellige formål og kræver forskellige metoder afhængigt af, hvor langt frem du ser.
Meget kort og kort sigt (minutter til få dage). Det bruges til netbalancering, enhedsforpligtelse (hvilket anlæg vil fungere) og markedsbud. Her er vejr, dagtype (ugedag/afslutning) og seneste forbrug de stærkeste bestemmende faktorer. Nøjagtighed er afgørende, fordi fejl medfører direkte ubalanceomkostninger.
Mellemlang sigt (uger til et år). Det bruges til vedligeholdelsesplanlægning, brændstofforsyning og sæsonbestemte kontrakter. Sæsonbestemte og økonomiske tendenser kommer i forgrunden.
Langsigtet (år). Det bruges til netværks- og kraftværksinvesteringer og kapacitetsplanlægning. Strukturelle faktorer som befolkning, økonomisk vækst, udbredelse af elektriske køretøjer og varmepumper er afgørende. Her er usikkerheden naturligvis stor, og scenarietilgangen anvendes.
Tip: Vælg ikke en model uden at afklare prognosehorisonten. En model, der forudsiger morgendagen, og en model, der forudsiger 2035, kræver helt andre input og forskellig usikkerhedsstyring.
Faktorer, der bestemmer belastning og funktionsteknik
De input, vi giver til en maskinlæringsmodel, kaldes funktioner. God belastningsforudsigelse starter med at vælge gode funktioner. De vigtigste faktorer, der bestemmer belastningen:
- Kalender: Tid, dagtype, weekend, helligdag, sæson. Belastningen følger rytmen af menneskelig adfærd; Laver bakker morgen og aften.
- Luft: Temperatur er den stærkeste faktor (køle- og varmebelastning), efterfulgt af fugt, stråling og vind. Temperatur-ladningsforholdet er generelt U-formet: belastningen stiger både under meget varme og meget kolde forhold.
- Tidligere belastning: Forbruget for en time, en dag og en uge siden (forsinkelsestræk) er den stærkeste varsel om den nærmeste fremtid.
- Særlige begivenheder: Store sportsbegivenheder, lange ferier, økonomiske chok.
Kunstig intelligens er meget nyttig til at generere disse attributter og opdage, hvilke der er effektive. Men pas på en fælde: At tilskrive information, der ikke vil være tilgængelig på tidspunktet for forudsigelsen (for eksempel den faktiske temperatur på det tidspunkt, der skal forudsiges, hvorimod vi kun vil have vejrudsigten) skaber datalækage og gør modellen i det væsentlige ubrugelig.
Trin for trin: Belastningsvurdering med kunstig intelligens
Trin 1 — Definer problemet. Horisonten (i morgen eller næste år), opløsning (time) og mål (total systembelastning eller enkelt feeder) afklares.
Trin 2 — Forbered dataene. Der etableres en ren tidsserie med disciplinen i den foregående enhed; Vejr- og kalenderdata tilføjes.
Trin 3 — Generer attributter. Tidsplan, forsinket belastning og vejrattributter oprettes. Lækage kontrolleres: er alle funktioner tilgængelige på forudsigelsestidspunktet?
Trin 4 — Vælg og træne model. En simpel baseline (f.eks. "samme tid i sidste uge") er altid det første skridt; Avancerede modeller er kun værdifulde i det omfang, de overgår dette grundlag. AI er nyttig til at generere modelkoden og funktionspipeline.
Trin 5 — Evaluer. Modellen testes over en periode, som den ikke kan se (en fremtidig periode); Det evalueres aldrig i træningsdata. Metrics er opdelt efter time og regime.
Trin 6 — Rapporter usikkerhed. Et område (forudsigelsesbånd) er givet, ikke et enkelt tal; Netværksredundans er planlagt i henhold til dette bånd.
Måleprognosefejl: MAPE and Beyond
Adskillige metrics bruges til at måle prognosekvalitet. MAPE (Mean Absolute Percentage Error) er den gennemsnitlige procentvise forskel mellem forudsigelse og virkelighed; Det er let at fortolke. Typisk anses 1 til 3 procent MAPE for at være god til kortsigtet belastningsprognose på systemniveau; På enkelt bygnings-/føderniveau er denne værdi naturligvis højere, fordi den enkelte forbruger er mere variabel.
Men MAPE alene kan være vildledende. Selvom gennemsnittet virker lavt, kan der være systematiske afvigelser i myldretiden, og netværket er kritisk lige i spidsbelastningsperioden. Derfor er det nødvendigt at undersøge fejlen særskilt på timebasis, dagtypebasis og især i spidsbelastningsmomenter. Derudover er retningen af fejlen vigtig: vedvarende undervurdering (undervurdering af efterspørgsel) fører til en utilstrækkelig produktionsplan og skaber ubalance.
Forsigtig: Det er ikke nok at sige "MAPE er 2 procent, fantastisk." Hvis spidsbelastningstiden MAPE er 6 procent, og du konsekvent undervurderer aftentoppen, kompromitteres netbalanceringen med den model. Overvej aldrig den gennemsnitlige metriske sikkerhed uden at opdele den efter regime.
Tre minietuier: Efter numrene
Tilfælde 1 — Manglende beståelse af basislinjen. Et hold byggede en kompleks model og fik en MAPE på 2,8 procent og var henrykte. Så gav det simple "samme tidspunkt i sidste uge + temperaturkorrektion" 2,6 pct. Den komplekse model kunne ikke bestå fundamentet; der var ingen værdi i yderligere kompleksitet. Lektion: Byg altid det enkle fundament først.
Tilfælde 2 — Overhead blind vinkel. Et distributionsselskabs model var god til 2,1 procent i den samlede MAPE, men underspåede den konsekvent med 7 procent i løbet af sommeraftenens klimaanlæg. Dette skabte uventede belastnings- og spændingsfald på et par varme dage. Når "antal på hinanden følgende varme dage" (bygningsvarmeakkumulering) blev tilføjet til temperaturattributten, faldt peak-fejlen til 3 procent.
Tilfælde 3 — Indeslutning af lækage. En praktikantmodel klarede sig utroligt godt (0,4 procent MAPE) i backtesting. Undersøgelsen viste, at modellen brugte den faktiske temperatur på den forudsagte tid som en egenskab; hvorimod det i virkeligheden blot ville være en vejrudsigt. Da lækagen var rettet, steg MAPE til realistiske 2,5 procent. Et "meget godt" resultat er ofte et tegn på fejl.
Svag prompt / stærk prompt
Svag prompt:
Byg en forudsigelsesmodel med disse indlæsningsdata.[data]
Kraftig prompt:
Din rolle: Ekspert i energibehovsprognose. Formål: dag frem (24 timer frem) timesystembelastningsprognose.- Foreslå først en simpel basislinje (f.eks. samme tidspunkt i sidste uge) og referer til den.- Udtræk en liste over attributter; For HVER egenskab, "er forudsigelsen tilgængelig med det samme?" mærke. Adskil dem, der er i risiko for lækage.- Udfør vurdering SEPARAT fra uddannelsesperioden, i en senere periode.- Rapporter MAPE generelt OG separat i spidsbelastningsperioder; Angiv fejlretningen (lav/høj). - Lad resultatet være et forudsigelsesinterval, ikke et enkelt tal. Dataskema: [kolonner]
Den kraftfulde prompt håndhæver fundamentet, forhindrer lækage, etablerer evalueringen nøjagtigt og synliggør usikkerhed - fjerner de fire klassiske fejl med dårlig belastningsforudsigelse.
Fire kopierbare skabeloner
1) Attribut- og lækagekontrol:
Foreslå en liste over funktioner til følgende forudsigelsesproblem: [problem]. Angiv tre oplysninger for hver egenskab: (a) hvorfor påvirker det belastningen, (b) er forudsigelsen tilgængelig med det samme, (c) er der risiko for lækage. Fjern utætte fra din liste.
2) Etablering af en grundlæggende model:
Foreslå mindst to simple basislinjer for denne belastningsserie (f.eks. samme tid i går, samme tid i sidste uge, temperaturkorrigeret gennemsnit). Skriv begrundelsen for hver. En avanceret model vil kun blive foreslået, hvis den består disse grundlæggende principper meningsfuldt.
3) Evalueringsprotokol:
Opstil en evalueringsplan for denne model: separate trænings-/testperioder i tidsorden (ingen lækage fra fremtid til fortid). Beregn metrics separat efter generel, dagtype og spidsbelastningstimer. Rapporter det systematiske aspekt af fejlen.
4) Usikkerhed og beslutningstagning:
Præsenter prognosen med et interval (øvre/nedre bånd). Forklar, hvordan dette interval vil være bundet til netredundansen og markedsudbudsbeslutningen. Besvar også spørgsmålet om, hvad "worst-case scenariet" ville være.
Prognose horisonttabel
horisont
Varighed
Grundlæggende brug
dominerende faktor
for kort
Minut-time
balancering, kontrol
seneste belastning
kort
1-7 dage
Enhedsforpligtelse, marked
Vejret, type dag
medium
Uge-år
Vedligeholdelse, brændstof, kontrakt
sæsonbestemt, økonomi
lang
år
Investering, kapacitet
Indbyggertal, EV, varmepumpe
Almindelige fejl
- Springer over den simple foundation. En kompleks model kan ikke betragtes som værdifuld uden at bevise, at den overgår det simple grundlag.
- Datalæk. At tilskrive information, der ikke vil være tilgængelig på tidspunktet for forudsigelsen, producerer falsk perfektion.
- Blind tillid til den gennemsnitlige metrik. Hvis spidsbelastningstider og sæsonbestemte overgange ikke undersøges separat, er netværket i fare.
- Giver et ulige tal. Forecasting uden usikkerhedsbånd er ufuldstændig for redundansplanlægning.
- Evaluering på træningsdata. Modellen bør altid testes i en periode, hvor den ikke er synlig.
Sammenfattende
Belastningsprognose er energisystemets puls; Dens metode og usikkerhed varierer afhængigt af horisonten. God forudsigelse starter med gode egenskaber og kræver omhyggelighed mod lækage. Kunstig intelligens er en stærk hjælp til generering af funktioner, modelbygning og evaluering; men den simple baseline er altid referencen, evalueringen foretages i den usete periode, og fejlen fortolkes på basis af peak/regime, ikke på gennemsnittet. Estimatet er ikke et enkelt tal, men et bestemt interval.
Ansøgningsopgave
Tag en læs eller forbrugsserie. Opsæt først en simpel baseline manuelt (f.eks. "samme tid i sidste uge"). Bed derefter AI om en forudsigelsesplan med skabelonerne "Attribut- og lækagetjek" og "Evalueringsprotokol". Spørg dig selv om risikoen for lækage ved hver foreslået egenskab. Til sidst skal du kontrollere, om fejlen i prognosen i spidsbelastningstiderne afviger fra den gennemsnitlige fejl, og skriv din konstatering ned.
tjekliste
- [ ] Jeg præciserede prognosehorisont, opløsning og mål
- [ ] Jeg byggede et simpelt fundament og refererede til det
- [ ] Er hver egenskab "forudsagt øjeblikkeligt?" Jeg tjekkede den for lækager.
- [ ] Jeg lavede evalueringen i en blind periode
- [ ] Jeg undersøgte MAPE separat på basis af generel og spidsbelastning
- [ ] Jeg kontrollerede den systematiske retning af fejlen (lav/høj)
- [ ] Jeg præsenterede skønnet med en række usikkerhed og dømmekraft