Κέρδη:
- Δυνατότητα αναγνώρισης της δομής, των μονάδων και τυπικών προβλημάτων ποιότητας του SCADA, των έξυπνων μετρητών και των δεδομένων αγοράς
- Δυνατότητα εντοπισμού προβλημάτων δεδομένων που λείπουν, ακραίων τιμών και χρονικών σφραγίδων με την τεχνητή νοημοσύνη και δημιουργία ροής εργασιών καθαρισμού
- Δυνατότητα επαλήθευσης παγίδων όπως ανάλυση, ζώνη ώρας και θερινή ώρα σε ενεργειακές χρονοσειρές στην έξοδο AI
Σχεδόν όλες οι ενεργειακές αναλύσεις ξεκινούν με μια χρονολογική σειρά: μετρήσεις διατεταγμένες κατά μήκος του άξονα του χρόνου. Η 15λεπτη κατανάλωση ενός μετρητή, η δεύτερη ταχύτητα περιστροφής ενός στροβίλου, το ωριαίο ρεύμα ενός τροφοδότη (μιας γραμμής διανομής)—όλα είναι χρονοσειρές. Σε αυτή την ενότητα, θα μάθουμε από πού προέρχονται τα ενεργειακά δεδομένα, ποιες παγίδες περιέχουν και πώς να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να κάνουμε αυτά τα δεδομένα αξιόπιστα. Ας καθιερώσουμε αυτή την αρχή από την αρχή: ακόμα και η πιο έξυπνη ανάλυση με βρώμικα δεδομένα δίνει ένα βρώμικο αποτέλεσμα. Στην ενεργειακή μηχανική, ο περισσότερος χρόνος δεν δαπανάται για το μοντέλο, αλλά για την αξιοπιστία των δεδομένων και η τεχνητή νοημοσύνη παρέχει την ασφαλέστερη συμβολή σε αυτό το κομμάτι.
Πηγές και Δομή Ενεργειακών Δεδομένων
Τα ενεργειακά δεδομένα προέρχονται κυρίως από διάφορες πηγές. Το SCADA (σύστημα εποπτικού ελέγχου και απόκτησης δεδομένων) συλλέγει στιγμιαίες μετρήσεις από τον πίνακα διανομής και τον εξοπλισμό του δικτύου. Είναι συνήθως ανάλυση σε δευτερόλεπτα ή λεπτά και περιλαμβάνει ποσότητες όπως τάση, ρεύμα, ισχύ και θερμοκρασία. Τα δεδομένα έξυπνου μετρητή συνήθως μετρούν την κατανάλωση σε διαστήματα 15 λεπτών και αποτελούν τη βάση για την ανάλυση χρέωσης και ζήτησης. Τα μετεωρολογικά δεδομένα (θερμοκρασία, ακτινοβολία, ταχύτητα ανέμου) είναι τα στοιχεία της πρόβλεψης παραγωγής και ζήτησης. Τα δεδομένα αγοράς (ωριαίες τιμές) είναι τα δεδομένα της οικονομικής ανάλυσης.
Το κοινό χαρακτηριστικό αυτών των δεδομένων είναι ότι περιέχουν μια χρονική σήμανση (ετικέτα ημερομηνίας-ώρας στην οποία ανήκει κάθε μέτρηση) και μία ή περισσότερες τιμές μέτρησης. Αυτό είναι το πιο κρίσιμο σημείο: αν η χρονική σήμανση δεν γίνει σωστά κατανοητή, όλα τα άλλα καταρρέουν.
Παγίδες ανάλυσης, ζώνης ώρας και θερινής ώρας
Ένα εκπληκτικά μεγάλο μέρος των σφαλμάτων στα ενεργειακά δεδομένα προέρχεται από τον άξονα του χρόνου. Ας επισημάνουμε ειδικότερα τρεις παγίδες.
Σύγχυση επίλυσης. Ένας μετρητής αναφέρει ενέργεια 15 λεπτών (kWh) ή στιγμιαία ισχύ (kW); Η πρόσθεσή τους δίνει διαφορετικά αποτελέσματα: ο μέσος όρος των τιμών των τεσσάρων kW για 15 λεπτά είναι η ισχύς, ενώ το άθροισμα των τεσσάρων δεν αντιστοιχεί στην ωριαία ενέργεια (απαιτείται το άθροισμα των ενεργειών του τετάρτου). Καμία άθροιση δεν μπορεί να γίνει χωρίς να κατανοήσουμε τη μονάδα και την ανάλυση μαζί.
Ζώνη ώρας. Διατηρούνται τα δεδομένα σε τοπική ώρα (TRT/UTC+3 για την Τουρκία) ή σε παγκόσμια ώρα (UTC); Δύο σειρές που προέρχονται από διαφορετικά συστήματα μπορεί να βρίσκονται σε διαφορετικές ζώνες ώρας. Η τρίωρη βάρδια κατά τον συνδυασμό διακόπτει ολόκληρη την ανάλυση της ώρας αιχμής.
Θερινή ώρα (DST). Σε χώρες που αλλάζουν σε θερινή ώρα, μια ώρα «εξαφανίζεται» μια φορά το χρόνο και «επαναλαμβάνεται» μια φορά το χρόνο. Αυτό δημιουργεί 23 ή 25 ώρες ημέρες εκείνες τις ημέρες και διακόπτει τα ωριαία προφίλ. Δεδομένου ότι η Türkiye εφαρμόζει τη μόνιμη θερινή ώρα (UTC+3) από το 2016, αυτό το πρόβλημα δεν εμφανίζεται στα τοπικά δεδομένα, αλλά εξακολουθείτε να το αντιμετωπίζετε όταν εργάζεστε με διεθνή ή παλιά δεδομένα.
Σημείωση: Η ετικέτα για τη χρονική σήμανση είναι "αρχή εύρους" ή "τέλος εύρους"; Ένας δίσκος με την ετικέτα 14:00 δείχνει 14:00-14:15 ή 13:45-14:00; Αυτή η μεμονωμένη απόφαση θα μπορούσε να μετατοπίσει το ρολόι αιχμής κατά ένα κομμάτι. Κάντε αυτόν τον κανόνα σαφή στην αρχή για κάθε σύνολο δεδομένων.
Βήμα προς βήμα: Ροή εργασιών προετοιμασίας δεδομένων με τεχνητή νοημοσύνη
Βήμα 1 — Ανακάλυψη. Γνωρίστε τα δεδομένα: πόσες σειρές, τι εύρος, ποια ανάλυση, ποια μονάδα; Δίνοντας στο AI τις πρώτες μερικές εκατοντάδες σειρές και συνοψίζοντας τη δομή γρήγορα αποκαλύπτονται οι έννοιες των στηλών και οι πιθανές μονάδες. Αλλά η εκτίμηση μονάδας του AI είναι μια υπόθεση. Επιβεβαιώνεται από το έγγραφο πηγής.
Βήμα 2 — Τυποποιήστε τη γραμμή χρόνου. Μεταβείτε σε μια ζώνη ώρας, διορθώστε την ανάλυση, καθορίστε τον κανόνα ετικέτας (αρχή/τέλος). Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει κώδικα που ανιχνεύει ακανόνιστα διαστήματα και χρονικές σημάνσεις που λείπουν.
Βήμα 3 — Ελλιπείς και διπλότυπες εγγραφές. Οι βλάβες στην επικοινωνία δημιουργούν κενό και διπλή εγγραφή ξανά. Η τεχνητή νοημοσύνη παράγει ένα σύνολο κανόνων που επισημαίνουν τα κενά και τις επικαλύψεις. μικρά κενά (π.χ. ένα μόνο 15 λεπτά) μπορούν να καλυφθούν με κατάλληλη μέθοδο, τα μεγάλα κενά εξαιρούνται από την ανάλυση και αναφέρονται.
Βήμα 4 — Απώλειες. Αρνητική κατανάλωση (χωρίς παραγωγή), ισχύς που υπερβαίνει το φυσικό ανώτερο όριο, ξαφνικά άλματα. Η τεχνητή νοημοσύνη προσφέρει στατιστική και βασισμένη σε κανόνες ανίχνευση ακραίων τιμών. Αλλά μια ακραία τιμή δεν είναι πάντα σφάλμα — μπορεί επίσης να είναι πραγματικό γεγονός (για παράδειγμα, ένα εργοστάσιο που συνδέεται στο διαδίκτυο). Ο μηχανικός κάνει αυτή τη διάκριση.
Βήμα 5 — Επαλήθευση. Τα καθαρισμένα δεδομένα ελέγχονται με φυσικές αγκυρώσεις: η ανατολή/δύση του ηλίου πρέπει να επαναφέρει την ηλιακή παραγωγή, το νυχτερινό φορτίο πρέπει να είναι χαμηλότερο από την ημέρα, η συνολική ενέργεια πρέπει να είναι συνεπής με τον λογαριασμό.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Δελτίο μιας ώρας. Τα δεδομένα ηλιακής παραγωγής ενός αναλυτή έδειξαν ότι η μεσημεριανή κορύφωση ήταν στις 14:00 αντί στις 13:00. Το πρόβλημα δεν ήταν με τον πίνακα. Τα δεδομένα ήταν UTC, αλλά θεωρήθηκε ότι ήταν τοπική ώρα. Όταν παρατηρήθηκε η τρίωρη βάρδια (η εμφάνιση της παραγωγής πριν την ανατολή του ηλίου έδιωξε την άγκυρα) η όλη ανάλυση βελτιώθηκε. Οι επενδυτικές αποφάσεις αποτράπηκαν με βάση παρερμηνείες.
Περίπτωση 2 — Διπλότυπες εγγραφές. Σε ωριαία δεδομένα 30 ημερών ενός τροφοδότη διανομής, η συνολική κατανάλωση ήταν περίπου 4 τοις εκατό υψηλότερη από την αναμενόμενη. Η ανίχνευση επανάληψης με τη βοήθεια AI έδειξε ότι ορισμένες ώρες καταγράφηκαν δύο φορές σε επανασυνδέσεις επικοινωνίας. Μετά την εκκαθάριση 68 επαναλαμβανόμενων εγγραφών, το σύνολο ταιριάζει με τον λογαριασμό.
Περίπτωση 3 — Ψευδή μηδενικά. Ένα μέτρο ανέφερε την κατανάλωση ως "0" κατά τη διάρκεια απώλειας επικοινωνίας. Ωστόσο, η κατανάλωση συνεχίστηκε. Αυτά τα ψευδή μηδενικά μείωσαν τον μέσο όρο και παραπλάνησαν την πρόβλεψη της ζήτησης. Το AI πρότεινε τον κανόνα "Επιθεώρηση τιμών 0 μαζί με τη σημαία παρουσίας". Τα ψευδή μηδενικά επισημάνθηκαν ως δεδομένα που λείπουν και διαχωρίστηκαν από τα αληθινά μηδενικά (π.χ. κλειστός χώρος εργασίας).
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Διαγράψτε αυτά τα δεδομένα μετρητή.[data]
Ισχυρή προτροπή:
Ο ρόλος σας: Αναλυτής ενεργειακών δεδομένων. Τα ακόλουθα δεδομένα του μετρητή είναι για διαστήματα 15 λεπτών, τοπική ώρα (UTC+3), η χρονική σήμανση υποδεικνύει την ΕΝΑΡΞΗ του διαστήματος, μονάδα kWh. Εργασίες:1) Κατάλογος χρονικών σημάνσεων που λείπουν και διπλών εγγραφών (αριθμός και χρόνος). Μην διαγράψετε, απλώς σημειώστε. 3) Προσφέρετε έναν έλεγχο για να διακρίνετε τα ψευδή μηδενικά από τα πραγματικά μηδενικά που είναι ύποπτα για εσφαλμένη επικοινωνία. Μην συμπληρώνετε μόνοι σας τιμές. Προσδιορίστε το πρώτα και θα επιβεβαιώσω τη γέμιση.
Η ισχυρή προτροπή δίνει ανάλυση, ζώνη ώρας, κανόνα ετικέτας και ανώτερο όριο από την αρχή. Επιβάλλει την πειθαρχία «Πρώτα ανιχνεύστε, ρωτήστε αργότερα» στην τεχνητή νοημοσύνη. Με αυτόν τον τρόπο τα δεδομένα δεν θα αλλοιωθούν σιωπηλά.
Τέσσερα αντιγράψιμα πρότυπα
1) Δημιουργία προφίλ δεδομένων:
Δημιουργήστε ένα προφίλ με τα ακόλουθα δεδομένα: αριθμός σειρών, εύρος ημερομηνιών, ανάλυση, εκτιμώμενη μονάδα και σημασία κάθε στήλης, ποσοστό που λείπει, ελάχ./μέγ./μέσος όρος. Σημειώστε τις εκτιμήσεις μονάδας με την ετικέτα "χρειάζεται επαλήθευση".
2) Έλεγχος άξονα χρόνου:
Σε αυτήν τη χρονοσειρά, εντοπίστε: (α) κενά εκτός αναμενόμενου εύρους, (β) επαναλαμβανόμενες χρονικές σημάνσεις, (γ) πιθανές μετατοπίσεις λόγω θερινής ώρας/ζώνης ώρας. Καταγράψτε κάθε εύρημα με το χρονικό εύρος του. Γράψτε την πρόταση διόρθωσης ξεχωριστά. ΕΦΑΡΜΟΓΗ.
3) Απώτερος κανόνας:
Σημειώστε ακραίες τιμές χρησιμοποιώντας αυτά τα φυσικά όρια: ισχύς 0-[X] kW, θερμοκρασία [A]-[B] °C. Δημιουργήστε επίσης μια ξεχωριστή λίστα στατιστικών ακραίων τιμών (π.χ. απόκλιση πολύ από τη διάμεσο). Για κάθε ακραίο στοιχείο, θέστε την ερώτηση "πιθανό σφάλμα ή πραγματικό γεγονός". Αφήστε με να αποφασίσω.
4) Επαλήθευση μετά τον καθαρισμό:
Ελέγξτε τα καθαρισμένα δεδομένα με τις ακόλουθες φυσικές αγκυρώσεις και αναφέρετε ασυνέπειες: η ηλιακή παραγωγή πρέπει να είναι μηδενική τη νύχτα. Η συνολική ενέργεια πρέπει να είναι εντός του αναμενόμενου επιπέδου λογαριασμού. Το νυχτερινό φορτίο πρέπει να είναι χαμηλότερο από την αιχμή της ημέρας. Γράψτε πέρασμα/αποτυχία για κάθε άγκυρα.
Πίνακας ζητημάτων ποιότητας δεδομένων
πρόβλημα
σύμπτωμα
άγκυρα επαλήθευσης
Μετατόπιση ζώνης ώρας
Το πάνω ρολόι βρίσκεται σε παράλογη θέση
Ευθυγραμμίστε με την ανατολή/δύση του ηλίου
Θερινή ώρα (DST)
23/25 ώρες ημέρες
Μετρήστε τη διάρκεια της ημέρας
ψεύτικο μηδέν
0 σε περίπτωση απώλειας επικοινωνίας
Ταίριασμα με σημαία επικοινωνίας
επανεγγραφή
Πάνω από το συνολικό λογαριασμό
Ελέγξτε τη μοναδικότητα της χρονικής σήμανσης
Σύγχυση μονάδας
Κατάταξη 60/1000 φορές διεστραμμένη
Επαληθεύστε τη μετατροπή kW↔kWh
αρνητική τιμή
Αρνητική κατανάλωση όταν δεν υπάρχει παραγωγή
Κανόνας φυσικών ζωδίων
Συνήθη λάθη
- Σιωπηλή συμπλήρωση στοιχείων που λείπουν με μηδέν. Μηδέν σημαίνει "καμία κατανάλωση", όχι "χωρίς δεδομένα". Η ανάμειξη των δύο στρεβλώνει τον μέσο όρο και την πρόβλεψη.
- Αυτόματη διαγραφή ακραίων στοιχείων. Ένα ακραίο μπορεί να είναι ένα πραγματικό γεγονός. Απαιτείται έλεγχος μηχανικού πριν από τη διαγραφή.
- Υποθέτοντας ζώνη ώρας. Το να πεις "είναι μάλλον τοπικό" είναι ένα από τα πιο ακριβά λάθη. Επαληθεύστε πάντα από την πηγή.
- Συλλογή της διαλυτότητας με ανάμιξη. Η προσθήκη τιμών ισχύος (kW) ως ενέργειας (kWh) δίνει ένα εσφαλμένο σύνολο.
- Δεν επαληθεύεται η καθαριότητα. Τα καθαρισμένα δεδομένα μπορεί επίσης να είναι κατεστραμμένα. Φροντίστε να το δοκιμάσετε με φυσικές άγκυρες.
Συμβουλή: Καταγράψτε κάθε βήμα καθαρισμού δεδομένων σε ένα "ημερολόγιο δεδομένων": πόσες εγγραφές επισημάνθηκαν, πόσες συμπληρώθηκαν, ποιος κανόνας χρησιμοποιήθηκε. Αυτό το αρχείο καταγραφής διασφαλίζει τόσο την αναπαραγωγιμότητα όσο και τη δυνατότητα ελέγχου. ένα χρόνο αργότερα "από πού προήλθε αυτός ο αριθμός;" απαντά στην ερώτηση.
Συνοπτικά
Η βάση της ενεργειακής ανάλυσης είναι μια καθαρή χρονοσειρά. Τα δεδομένα προέρχονται από SCADA, μετρητή, μετεωρολογία και αγορά. καθένα έχει ανάλυση, μονάδα, ζώνη ώρας και παγίδες θερινής ώρας. Η τεχνητή νοημοσύνη είναι πολύ ισχυρή στην επιτάχυνση της ανίχνευσης ελλείψεων/διπλότυπων/ακραίων στοιχείων, αλλά οι αποφάσεις διαγραφής και συμπλήρωσης θα πρέπει να παραμείνουν στον μηχανικό και το αποτέλεσμα θα πρέπει να επικυρωθεί με φυσικές αγκυρώσεις. Καμία ανάλυση δεν είναι αξιόπιστη χωρίς σωστή κατανόηση της χρονικής σφραγίδας.
Εργασία εφαρμογής
Πάρτε μια ενεργειακή χρονοσειρά (μετρητής, παραγωγή ή θερμοκρασία) στα χέρια σας. Ζητήστε μια αναφορά ποιότητας από την τεχνητή νοημοσύνη χρησιμοποιώντας τα πρότυπα "Έλεγχος χρονοδιαγράμματος" και "Προφίλ δεδομένων". Στη συνέχεια, επαληθεύστε με μη αυτόματο τρόπο τρία πράγματα: είναι η μονάδα και η ανάλυση σωστές, είναι το ρολόι αιχμής από φυσική άποψη, είναι η συνολική ενέργεια συνεπής με τον λογαριασμό; Περιγράψτε συνοπτικά ένα πρόβλημα ποιότητας δεδομένων που εντοπίσατε και πώς το επιλύσατε.
λίστα ελέγχου
- [ ] Έχω επιβεβαιώσει την πηγή, την ανάλυση και τη μονάδα των δεδομένων
- [ ] Διευκρίνισα τον κανόνα της ετικέτας ζώνης ώρας και χρονικής σφραγίδας (αρχή/λήξη)
- [ ] Έλεγξα τον κίνδυνο των ημερών 23/25 ωρών λόγω θερινής ώρας
- [ ] Εντόπισα ελλείποντα και διπλότυπα αρχεία και τα ανέφεραν
- [ ] Εξέτασα τις ακραίες τιμές με τη διάκριση του "λάθους ή συμβάντος"
- [ ] Ξεχώρισα τα ψεύτικα μηδενικά από τα πραγματικά μηδενικά
- [ ] Επαλήθευσα τα καθαρισμένα δεδομένα με φυσικές αγκυρώσεις και διατήρησα ένα αρχείο καταγραφής δεδομένων