Gewinne:
- Fähigkeit, die Unterschiede in der kurz-, mittel- und langfristigen Lastprognose und deren Einsatzbereiche im Energiesystem zu erklären
- Fähigkeit, Feature Engineering, Modellauswahl und Vorhersageauswertung mit künstlicher Intelligenz durchzuführen
- Fähigkeit, Prognosefehler mit Metriken wie MAPE zu messen und sie mit der technischen Angemessenheit und der Notwendigkeit von Redundanz in Beziehung zu setzen
Stromspeicher sind ein teures und begrenztes Gut; Daher muss ein Netz im Voraus wissen, wie viel Strom die Verbraucher wann benötigen. Die Lastprognose ist die Aufgabe, den zukünftigen Strombedarf vorherzusagen und gehört zu den grundlegendsten Analysen des Energiesystems. Nach dieser Prognose werden Kraftwerke programmiert, Kauf- und Verkaufsentscheidungen am Markt entsprechend getroffen und Netzinvestitionen entsprechend geplant. In dieser Einheit lernen wir die Arten der Lastprognose kennen, wie sie mit künstlicher Intelligenz erstellt und ausgewertet wird und welche technischen Konsequenzen Prognosefehler haben. Lassen Sie uns den Begriff klären: Last ist die elektrische Leistung (kW/MW), die zu einem bestimmten Zeitpunkt verbraucht wird; Die Lastkurve ist der zeitliche Verlauf dieser Leistung.
Prognosehorizonte: Kurzfristig, mittelfristig, langfristig
Lastprognosen dienen unterschiedlichen Zwecken und erfordern unterschiedliche Methoden, je nachdem, wie weit Sie in die Zukunft blicken.
Sehr kurzfristig und kurzfristig (Minuten bis einige Tage). Es wird für den Netzausgleich, die Einheitszusage (welche Anlage betrieben wird) und Marktgebote verwendet. Dabei sind das Wetter, der Tagestyp (Wochentag/Ende) und der aktuelle Verbrauch die stärksten Einflussfaktoren. Genauigkeit ist von entscheidender Bedeutung, da Fehler direkte Ungleichgewichtskosten verursachen.
Mittelfristig (Wochen bis ein Jahr). Es wird für Wartungsplanung, Kraftstoffversorgung und Saisonverträge verwendet. Saisonalität und wirtschaftliche Trends rücken in den Vordergrund.
Langfristig (Jahre). Es wird für Netz- und Kraftwerksinvestitionen sowie für die Kapazitätsplanung verwendet. Entscheidend sind strukturelle Faktoren wie Bevölkerung, Wirtschaftswachstum, Verbreitung von Elektrofahrzeugen und Wärmepumpen. Hier ist die Unsicherheit naturgemäß groß und es wird der Szenarioansatz verwendet.
Tipp: Wählen Sie kein Modell aus, ohne den Prognosehorizont zu klären. Ein Modell, das morgen vorhersagt, und ein Modell, das 2035 vorhersagt, erfordern völlig unterschiedliche Eingaben und ein unterschiedliches Unsicherheitsmanagement.
Faktoren, die die Last und das Feature-Engineering bestimmen
Die Eingaben, die wir einem maschinellen Lernmodell geben, werden Features genannt. Eine gute Lastvorhersage beginnt mit der Auswahl guter Funktionen. Die Hauptfaktoren, die die Belastung bestimmen:
- Kalender: Uhrzeit, Tagestyp, Wochenende, Feiertag, Jahreszeit. Die Belastung folgt dem Rhythmus des menschlichen Verhaltens; Macht morgens und abends Hügel.
- Luft: Die Temperatur ist der stärkste Faktor (Kühl- und Heizlast), gefolgt von Luftfeuchtigkeit, Strahlung und Wind. Das Temperatur-Ladungs-Verhältnis ist im Allgemeinen U-förmig: Die Belastung steigt sowohl bei sehr heißen als auch bei sehr kalten Bedingungen.
- Vergangene Belastung: Der Verbrauch vor einer Stunde, einem Tag und einer Woche (Lag-Merkmale) ist der stärkste Vorbote der nahen Zukunft.
- Besondere Ereignisse: Große Sportereignisse, lange Feiertage, wirtschaftliche Schocks.
Künstliche Intelligenz ist sehr nützlich, um diese Attribute zu generieren und herauszufinden, welche effektiv sind. Aber Vorsicht vor einer Falle: Die Zuschreibung von Informationen, die zum Zeitpunkt der Vorhersage nicht verfügbar sind (z. B. die tatsächliche Temperatur des vorherzusagenden Zeitpunkts, während uns nur die Wettervorhersage zur Verfügung steht), führt zu Datenlecks und macht das Modell praktisch unbrauchbar.
Schritt für Schritt: Lastschätzung mit künstlicher Intelligenz
Schritt 1 – Definieren Sie das Problem. Der Horizont (morgen oder nächstes Jahr), die Auflösung (stündlich) und das Ziel (Gesamtsystemauslastung oder Einzeleinspeisung) werden geklärt.
Schritt 2 – Bereiten Sie die Daten vor. Mit der Disziplin in der vorherigen Einheit wird eine saubere Zeitreihe erstellt; Wetter- und Kalenderdaten werden hinzugefügt.
Schritt 3 – Attribute generieren. Es werden Zeitplan-, Lastverzögerungs- und Wetterattribute erstellt. Leckage wird überprüft: Sind alle Funktionen zum Zeitpunkt der Vorhersage verfügbar?
Schritt 4 – Modell auswählen und trainieren. Eine einfache Grundlinie (z. B. „gleiche Zeit letzte Woche“) ist immer der erste Schritt; Fortgeschrittene Modelle sind nur insoweit wertvoll, als sie über diese Grundlage hinausgehen. KI ist hilfreich bei der Generierung des Modellcodes und der Feature-Pipeline.
Schritt 5 – Bewerten. Das Modell wird über einen Zeitraum getestet, den es nicht sieht (einen zukünftigen Zeitraum); Es wird niemals in Trainingsdaten ausgewertet. Die Messwerte sind nach Stunde und Regime aufgeschlüsselt.
Schritt 6 – Unsicherheit melden. Es wird ein Bereich (Vorhersageband) angegeben, keine einzelne Zahl; Entsprechend diesem Band ist eine Netzwerkredundanz vorgesehen.
Prognosefehler messen: MAPE und darüber hinaus
Zur Messung der Prognosequalität werden mehrere Metriken verwendet. MAPE (Mean Absolute Percentage Error) ist der durchschnittliche prozentuale Unterschied zwischen Vorhersage und Realität; Es ist leicht zu interpretieren. Typischerweise werden 1 bis 3 Prozent MAPE als gut für die kurzfristige Lastprognose auf Systemebene angesehen; Auf der Ebene einzelner Gebäude/Einspeiser ist dieser Wert naturgemäß höher, da der einzelne Verbraucher variabler ist.
Aber MAPE allein kann irreführend sein. Auch wenn der Durchschnitt niedrig erscheint, kann es während der Spitzenzeiten zu systematischen Abweichungen kommen, und das Netzwerk ist gerade in der Spitzenzeit kritisch. Daher ist es notwendig, den Fehler separat auf Stundenbasis, Tagesbasis und insbesondere zu Spitzenzeiten zu untersuchen. Darüber hinaus ist die Richtung des Fehlers wichtig: Eine anhaltende Unterschätzung (Unterschätzung der Nachfrage) führt zu einem unzureichenden Produktionsplan und schafft ein Ungleichgewicht.
Achtung: Es reicht nicht aus zu sagen „MAPE beträgt 2 Prozent, großartig.“ Wenn der MAPE-Wert zur Hauptverkehrszeit 6 Prozent beträgt und Sie den Spitzenwert am Abend ständig unterschätzen, ist der Netzausgleich mit diesem Modell gefährdet. Betrachten Sie niemals die durchschnittliche Metrik als sicher, ohne sie nach Regime aufzuschlüsseln.
Drei Mini-Hüllen: In Zahlen
Fall 1 – Nichterreichen der Grundlinie. Ein Team baute ein komplexes Modell, erhielt einen MAPE von 2,8 Prozent und war begeistert. Dann ergab die einfache Basis „gleiche Zeit letzte Woche + Temperaturkorrektur“ 2,6 Prozent. Das komplexe Modell konnte das Fundament nicht bestehen; Es gab keinen Wert in zusätzlicher Komplexität. Lektion: Bauen Sie immer zuerst das einfache Fundament.
Fall 2 – Toter Winkel über dem Kopf. Das Modell eines Vertriebsunternehmens war mit 2,1 Prozent im Gesamt-MAPE gut, lag aber während der Klimatisierungsspitze im Sommerabend durchweg um 7 Prozent unter der Prognose. Dies führte an einigen heißen Tagen zu unerwarteten Last- und Spannungseinbrüchen. Wenn „Anzahl aufeinanderfolgender heißer Tage“ (Gebäudewärmestau) zum Temperaturattribut hinzugefügt wurde, verringerte sich der Spitzenfehler auf 3 Prozent.
Fall 3 – Eindämmung des Lecks. Das Modell eines Praktikanten schnitt beim Backtesting unglaublich gut ab (0,4 Prozent MAPE). Die Untersuchung ergab, dass das Modell die tatsächliche Temperatur des vorhergesagten Zeitpunkts als Attribut verwendete; wohingegen es in Wirklichkeit nur eine Wettervorhersage wäre. Nachdem das Leck behoben war, stieg der MAPE auf realistische 2,5 Prozent. Ein „sehr gutes“ Ergebnis ist oft ein Zeichen für einen Fehler.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Erstellen Sie mit diesen Lastdaten ein Vorhersagemodell.[Daten]
Kraftvolle Aufforderung:
Ihre Rolle: Experte für Energiebedarfsprognosen. Zweck: stündliche Systemauslastungsvorhersage für den Tag im Voraus (24 Stunden im Voraus). – Schlagen Sie zunächst eine einfache Basislinie vor (z. B. die gleiche Zeit letzte Woche) und verweisen Sie darauf. – Extrahieren Sie eine Liste von Attributen. Für JEDES Attribut: „Ist die Vorhersage sofort verfügbar?“ markieren. Trennen Sie diejenigen, bei denen das Risiko einer Leckage besteht. – Führen Sie die Bewertung SEPARAT vom Schulungszeitraum zu einem späteren Zeitpunkt durch. – Melden Sie MAPE allgemein UND separat während der Spitzenzeiten. Geben Sie die Richtung des Fehlers an (niedrig/hoch). - Das Ergebnis sei ein Vorhersageintervall und keine einzelne Zahl. Datenschema: [Spalten]
Die leistungsstarke Eingabeaufforderung stärkt das Fundament, verhindert Leckagen, erstellt die Bewertung genau und macht Unsicherheiten sichtbar – wodurch die vier klassischen Fehler einer schlechten Lastprognose vermieden werden.
Vier kopierbare Vorlagen
1) Attribut- und Leckprüfung:
Schlagen Sie eine Liste von Funktionen für das folgende Vorhersageproblem vor: [Problem]. Geben Sie für jedes Attribut drei Informationen an: (a) Warum wirkt es sich auf die Last aus, (b) ist die Vorhersage sofort verfügbar, (c) besteht die Gefahr einer Leckage? Entfernen Sie undichte Stellen aus Ihrer Liste.
2) Etablierung eines Grundmodells:
Schlagen Sie mindestens zwei einfache Basislinien für diese Lastreihe vor (z. B. gleiche Zeit gestern, gleiche Zeit letzte Woche, temperaturkorrigierter Durchschnitt). Schreiben Sie jeweils die Begründung auf. Ein fortgeschrittenes Modell wird nur dann vorgeschlagen, wenn es diese Grundlagen sinnvoll erfüllt.
3) Auswertungsprotokoll:
Erstellen Sie einen Evaluierungsplan für dieses Modell: Trennen Sie die Trainings-/Testperioden in zeitlicher Reihenfolge (kein Übergang von der Zukunft in die Vergangenheit). Berechnen Sie die Kennzahlen getrennt nach Allgemein, Tagestyp und Hauptverkehrszeitbasis. Melden Sie den systematischen Aspekt des Fehlers.
4) Unsicherheit und Entscheidungsfindung:
Präsentieren Sie die Prognose mit einem Bereich (oberes/unteres Band). Erklären Sie, wie dieses Intervall mit der Netzredundanz und der Marktgebotsentscheidung verknüpft wird. Beantworten Sie auch die Frage, was das „Worst-Case-Szenario“ wäre.
Prognosehorizonttabelle
Horizont
Dauer
Grundlegende Verwendung
dominierender Faktor
zu kurz
Minute-Stunde
Ausgleich, Kontrolle
Letzte Ladung
kurz
1-7 Tage
Einheitenengagement, Markt
Wetter, Art des Tages
mittel
Woche-Jahr
Wartung, Treibstoff, Vertrag
Saisonalität, Wirtschaft
lang
Jahre
Investition, Kapazität
Bevölkerung, EV, Wärmepumpe
Häufige Fehler
- Das einfache Fundament überspringen. Ein komplexes Modell kann nicht als wertvoll angesehen werden, ohne zu beweisen, dass es über die einfache Grundlage hinausgeht.
- Datenleck. Die Zuschreibung von Informationen, die zum Zeitpunkt der Vorhersage nicht verfügbar sein werden, führt zu falscher Perfektion.
- Blindes Vertrauen auf die durchschnittliche Kennzahl. Werden Spitzenzeiten und saisonale Übergänge nicht gesondert betrachtet, ist das Netz gefährdet.
- Geben Sie eine ungerade Zahl an. Prognosen ohne Unsicherheitsbänder sind für die Redundanzplanung unvollständig.
- Auswertung anhand von Trainingsdaten. Das Modell sollte immer in einem Zeitraum getestet werden, in dem es nicht sichtbar ist.
Zusammenfassend
Die Lastprognose ist der Puls des Energiesystems; Seine Methode und Unsicherheit variieren je nach Horizont. Eine gute Vorhersage beginnt mit guten Eigenschaften und erfordert Sorgfalt beim Schutz vor Lecks. Künstliche Intelligenz ist ein leistungsstarkes Hilfsmittel bei der Feature-Generierung, Modellbildung und Bewertung; Aber die einfache Basislinie ist immer die Referenz, die Bewertung erfolgt im unsichtbaren Zeitraum und der Fehler wird auf Spitzen-/Regimebasis interpretiert, nicht auf dem Durchschnitt. Bei der Schätzung handelt es sich nicht um eine einzelne Zahl, sondern um einen bestimmten Bereich.
Anwendungsaufgabe
Nehmen Sie eine Last- oder Verbrauchsreihe. Richten Sie zunächst manuell eine einfache Basislinie ein (z. B. „gleiche Zeit letzte Woche“). Dann fragen Sie die KI nach einem Vorhersageplan mit den Vorlagen „Attribut- und Leckageprüfung“ und „Auswertungsprotokoll“. Fragen Sie sich nach dem Leckrisiko jedes vorgeschlagenen Attributs. Überprüfen Sie abschließend, ob der Fehler der Prognose in den Hauptverkehrszeiten vom durchschnittlichen Fehler abweicht, und notieren Sie Ihren Befund.
Checkliste
- [ ] Ich habe den Prognosehorizont, die Auflösung und das Ziel klargestellt
- [ ] Ich habe ein einfaches Fundament erstellt und darauf verwiesen
- [ ] Wird jedes Attribut „sofort vorhergesagt“? Ich habe es auf Undichtigkeiten überprüft.
- [ ] Ich habe die Bewertung in einer Blindphase durchgeführt
- [ ] Ich habe MAPE separat auf allgemeiner Basis und zu Hauptverkehrszeiten untersucht
- [ ] Ich habe die systematische Richtung des Fehlers überprüft (niedrig/hoch)
- [ ] Ich habe die Schätzung mit einer Reihe von Unsicherheiten und Urteilsvermögen vorgelegt