Κέρδη:
- Ικανότητα να εξηγήσει τις διαφορές στη βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη φορτίου και τους τομείς χρήσης τους στο ενεργειακό σύστημα
- Δυνατότητα διενέργειας μηχανικής χαρακτηριστικών, επιλογής μοντέλου και αξιολόγησης πρόβλεψης με τεχνητή νοημοσύνη
- Δυνατότητα μέτρησης του σφάλματος πρόβλεψης με μετρήσεις όπως το MAPE και συσχέτισής του με τη μηχανική λογική και την ανάγκη για πλεονασμό
Η αποθήκευση ηλεκτρικής ενέργειας είναι ένα ακριβό και περιορισμένο εμπόρευμα. Επομένως, ένα δίκτυο πρέπει να γνωρίζει εκ των προτέρων πόση ηλεκτρική ενέργεια θα θέλουν οι καταναλωτές και πότε. Η πρόβλεψη φορτίου είναι το έργο της πρόβλεψης της μελλοντικής ζήτησης ηλεκτρικής ενέργειας και είναι μια από τις πιο βασικές αναλύσεις του ενεργειακού συστήματος. Οι σταθμοί ηλεκτροπαραγωγής προγραμματίζονται σύμφωνα με αυτήν την πρόβλεψη, οι αποφάσεις αγοράς και πώλησης στην αγορά λαμβάνονται ανάλογα και οι επενδύσεις στο δίκτυο σχεδιάζονται ανάλογα. Σε αυτή την ενότητα, θα μάθουμε τους τύπους πρόβλεψης φορτίου, πώς καθιερώνεται και αξιολογείται με την τεχνητή νοημοσύνη και τις μηχανικές συνέπειες του λάθους πρόβλεψης. Ας διευκρινίσουμε τον όρο: φορτίο είναι η ηλεκτρική ισχύς (kW/MW) που καταναλώνεται σε μια δεδομένη στιγμή. Η καμπύλη φορτίου είναι η πορεία αυτής της ισχύος με την πάροδο του χρόνου.
Ορίζοντες πρόβλεψης: Βραχυπρόθεσμος, Μεσοπρόθεσμος, Μακροπρόθεσμος
Η πρόβλεψη φορτίου εξυπηρετεί διαφορετικούς σκοπούς και απαιτεί διαφορετικές μεθόδους ανάλογα με το πόσο μπροστά κοιτάτε.
Πολύ βραχυπρόθεσμα και βραχυπρόθεσμα (λεπτά έως λίγες ημέρες). Χρησιμοποιείται για εξισορρόπηση δικτύου, δέσμευση μονάδας (ποιο εργοστάσιο θα λειτουργήσει) και προσφορές αγοράς. Εδώ, ο καιρός, ο τύπος ημέρας (καθημερινή/τέλος) και η πρόσφατη κατανάλωση είναι οι ισχυρότεροι καθοριστικοί παράγοντες. Η ακρίβεια είναι κρίσιμη γιατί το σφάλμα συνεπάγεται άμεσο κόστος ανισορροπίας.
Μεσοπρόθεσμα (εβδομάδες έως ένα έτος). Χρησιμοποιείται για προγραμματισμό συντήρησης, προμήθεια καυσίμων και εποχιακά συμβόλαια. Η εποχικότητα και οι οικονομικές τάσεις έρχονται στο προσκήνιο.
Μακροπρόθεσμα (χρόνια). Χρησιμοποιείται για επενδύσεις δικτύων και σταθμών ηλεκτροπαραγωγής και προγραμματισμό χωρητικότητας. Διαρθρωτικοί παράγοντες όπως ο πληθυσμός, η οικονομική ανάπτυξη, η επικράτηση των ηλεκτρικών οχημάτων και των αντλιών θερμότητας είναι καθοριστικοί. Εδώ η αβεβαιότητα είναι φυσικά μεγάλη και χρησιμοποιείται η προσέγγιση του σεναρίου.
Συμβουλή: Μην επιλέξετε μοντέλο χωρίς να διευκρινίσετε τον ορίζοντα πρόβλεψης. Ένα μοντέλο που προβλέπει το αύριο και ένα μοντέλο που προβλέπει το 2035 απαιτούν εντελώς διαφορετικές εισροές και διαφορετική διαχείριση αβεβαιότητας.
Παράγοντες που καθορίζουν το φορτίο και τη μηχανική χαρακτηριστικών
Οι εισροές που δίνουμε σε ένα μοντέλο μηχανικής μάθησης ονομάζονται χαρακτηριστικά. Η καλή πρόβλεψη φορτίου ξεκινά με την επιλογή καλών χαρακτηριστικών. Οι κύριοι παράγοντες που καθορίζουν το φορτίο:
- Ημερολόγιο: Ώρα, τύπος ημέρας, Σαββατοκύριακο, αργία, εποχή. Το φορτίο ακολουθεί τον ρυθμό της ανθρώπινης συμπεριφοράς. Κάνει λόφους το πρωί και το βράδυ.
- Αέρας: Η θερμοκρασία είναι ο ισχυρότερος παράγοντας (ψυκτικό και θερμαντικό φορτίο), ακολουθούμενη από την υγρασία, την ακτινοβολία και τον άνεμο. Η σχέση θερμοκρασίας-φόρτισης είναι γενικά σε σχήμα U: το φορτίο αυξάνεται τόσο σε πολύ ζεστές όσο και σε πολύ κρύες συνθήκες.
- Προηγούμενο φορτίο: Η κατανάλωση πριν από μία ώρα, μία ημέρα και μία εβδομάδα (χαρακτηριστικά καθυστέρησης) είναι ο ισχυρότερος προάγγελος του εγγύς μέλλοντος.
- Ειδικές εκδηλώσεις: Σημαντικά αθλητικά γεγονότα, μεγάλες διακοπές, οικονομικές κρίσεις.
Η τεχνητή νοημοσύνη είναι πολύ χρήσιμη για τη δημιουργία αυτών των χαρακτηριστικών και την ανακάλυψη ποιες από αυτές είναι αποτελεσματικές. Προσοχή όμως σε μια παγίδα: η απόδοση πληροφοριών που δεν θα είναι διαθέσιμες τη στιγμή της πρόβλεψης (για παράδειγμα, η πραγματική θερμοκρασία της ώρας που θα προβλεφθεί, ενώ θα έχουμε μόνο την πρόγνωση του καιρού) δημιουργεί διαρροή δεδομένων και καθιστά το μοντέλο ουσιαστικά άχρηστο.
Βήμα προς βήμα: Εκτίμηση φορτίου με τεχνητή νοημοσύνη
Βήμα 1 — Ορίστε το πρόβλημα. Ο ορίζοντας (αύριο ή το επόμενο έτος), η ανάλυση (ωριαία) και ο στόχος (συνολικό φορτίο συστήματος ή μεμονωμένος τροφοδότης) διευκρινίζονται.
Βήμα 2 — Προετοιμάστε τα δεδομένα. Καθιερώνεται μια καθαρή χρονοσειρά με την πειθαρχία στην προηγούμενη ενότητα. Προστίθενται δεδομένα καιρού και ημερολογίου.
Βήμα 3 — Δημιουργήστε χαρακτηριστικά. Δημιουργούνται χαρακτηριστικά χρονοδιαγράμματος, καθυστερημένου φορτίου και καιρού. Η διαρροή ελέγχεται: είναι κάθε χαρακτηριστικό διαθέσιμο τη στιγμή της πρόβλεψης;
Βήμα 4 — Επιλέξτε και εκπαιδεύστε το μοντέλο. Μια απλή γραμμή βάσης (π.χ. "την ίδια ώρα την περασμένη εβδομάδα") είναι πάντα το πρώτο βήμα. Τα προηγμένα μοντέλα είναι πολύτιμα μόνο στο βαθμό που ξεπερνούν αυτό το θεμέλιο. Η τεχνητή νοημοσύνη είναι χρήσιμη για τη δημιουργία του κώδικα μοντέλου και της γραμμής χαρακτηριστικών.
Βήμα 5 — Αξιολόγηση. Το μοντέλο δοκιμάζεται σε μια χρονική περίοδο που δεν βλέπει (μια μελλοντική περίοδος). Δεν αξιολογείται ποτέ στα δεδομένα εκπαίδευσης. Οι μετρήσεις αναλύονται ανά ώρα και καθεστώς.
Βήμα 6 — Αναφέρετε την αβεβαιότητα. Δίνεται ένα εύρος (ζώνη πρόβλεψης), όχι ένας αριθμός. Ο πλεονασμός του δικτύου σχεδιάζεται σύμφωνα με αυτή τη ζώνη.
Σφάλμα πρόβλεψης μέτρησης: MAPE και πέρα
Για τη μέτρηση της ποιότητας πρόβλεψης χρησιμοποιούνται διάφορες μετρήσεις. MAPE (Mean Absolute Percentage Error) είναι η μέση ποσοστιαία διαφορά μεταξύ πρόβλεψης και πραγματικότητας. Είναι εύκολο να ερμηνευτεί. Τυπικά 1 έως 3 τοις εκατό MAPE θεωρείται καλό για βραχυπρόθεσμη πρόβλεψη φορτίου σε επίπεδο συστήματος. Σε επίπεδο μεμονωμένου κτιρίου/τροφοδότη, αυτή η τιμή είναι φυσικά υψηλότερη επειδή ο μεμονωμένος καταναλωτής είναι πιο μεταβλητός.
Αλλά το MAPE από μόνο του μπορεί να είναι παραπλανητικό. Ακόμα κι αν ο μέσος όρος φαίνεται χαμηλός, μπορεί να υπάρχει συστηματική απόκλιση κατά τις ώρες αιχμής και το δίκτυο είναι κρίσιμο ακριβώς στην αιχμή. Ως εκ τούτου, είναι απαραίτητο να εξετάζεται το σφάλμα χωριστά σε ωριαία βάση, βάση τύπου ημέρας και ειδικά σε στιγμές αιχμής. Επιπλέον, η κατεύθυνση του λάθους είναι σημαντική: η επίμονη υποεκτίμηση (υποεκτίμηση της ζήτησης) οδηγεί σε ανεπαρκές πρόγραμμα παραγωγής και δημιουργεί ανισορροπία.
Προσοχή: Δεν αρκεί να πούμε "Το MAPE είναι 2 τοις εκατό, υπέροχο." Εάν η ώρα αιχμής MAPE είναι 6 τοις εκατό και υποτιμάτε σταθερά τη βραδινή αιχμή, η εξισορρόπηση πλέγματος με αυτό το μοντέλο διακυβεύεται. Μην θεωρείτε ποτέ ασφαλή τη μέση μέτρηση χωρίς να την αναλύσετε ανά καθεστώς.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Αποτυχία να περάσει η γραμμή βάσης. Μια ομάδα κατασκεύασε ένα σύνθετο μοντέλο και πήρε 2,8 τοις εκατό MAPE και ήταν ενθουσιασμένη. Τότε η απλή βάση «ίδια ώρα την προηγούμενη εβδομάδα + διόρθωση θερμοκρασίας» έδωσε 2,6 τοις εκατό. Το σύνθετο μοντέλο δεν μπορούσε να περάσει από τα θεμέλια. δεν υπήρχε αξία στην πρόσθετη πολυπλοκότητα. Μάθημα: πάντα να χτίζετε πρώτα το απλό θεμέλιο.
Περίπτωση 2 — Τυφλό σημείο πάνω από το κεφάλι. Το μοντέλο μιας εταιρείας διανομής ήταν καλό στο 2,1 τοις εκατό στο συνολικό MAPE, αλλά το προέβλεψε σταθερά κατά 7 τοις εκατό κατά τη διάρκεια της καλοκαιρινής απογευματινής αιχμής κλιματισμού. Αυτό δημιούργησε απροσδόκητες πτώσεις φορτίου και τάσης σε λίγες ζεστές μέρες. Όταν στο χαρακτηριστικό θερμοκρασίας προστέθηκε "αριθμός διαδοχικών θερμών ημερών" (συσσώρευση θερμότητας κτιρίου), το σφάλμα αιχμής μειώθηκε στο 3 τοις εκατό.
Περίπτωση 3 — Περιορισμός διαρροής. Το μοντέλο ενός ασκούμενου τα πήγε απίστευτα καλά (0,4 τοις εκατό MAPE) στο backtesting. Η έρευνα έδειξε ότι το μοντέλο χρησιμοποίησε την πραγματική θερμοκρασία του προβλεπόμενου χρόνου ως χαρακτηριστικό. ενώ στην πραγματικότητα θα ήταν απλώς μια πρόγνωση καιρού. Μόλις επιδιορθώθηκε η διαρροή, το MAPE αυξήθηκε σε ρεαλιστικό 2,5 τοις εκατό. Ένα «πολύ καλό» αποτέλεσμα είναι συχνά σημάδι λάθους.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Δημιουργήστε ένα μοντέλο πρόβλεψης με αυτά τα δεδομένα φόρτωσης.[data]
Ισχυρή προτροπή:
Ο ρόλος σας: Εμπειρογνώμονας πρόβλεψης ενεργειακής ζήτησης. Σκοπός: ωριαία πρόβλεψη φόρτου συστήματος για την επόμενη μέρα (24 ώρες μπροστά).- Πρώτα προτείνετε μια απλή γραμμή βάσης (π.χ. την ίδια ώρα την περασμένη εβδομάδα) και ανατρέξτε σε αυτήν.- Εξαγωγή λίστας χαρακτηριστικών. Για ΚΑΘΕ χαρακτηριστικό, "είναι η πρόβλεψη άμεσα διαθέσιμη;" σημάδι. Διαχωρίστε αυτούς που διατρέχουν κίνδυνο διαρροής.- Διεξαγωγή αξιολόγησης ΞΕΧΩΡΙΣΤΑ από την περίοδο εκπαίδευσης, σε μεταγενέστερη περίοδο.- Αναφέρετε το MAPE γενικά ΚΑΙ χωριστά κατά τις ώρες αιχμής. Καθορίστε την κατεύθυνση του σφάλματος (χαμηλό/υψηλό). - Αφήστε το αποτέλεσμα να είναι ένα διάστημα πρόβλεψης, όχι ένας αριθμός. Σχήμα δεδομένων: [στήλες]
Η ισχυρή προτροπή επιβάλλει τη βάση, αποτρέπει τη διαρροή, καθορίζει την αξιολόγηση με ακρίβεια και καθιστά ορατή την αβεβαιότητα — εξαλείφοντας τα τέσσερα κλασικά λάθη της κακής πρόβλεψης φορτίου.
Τέσσερα αντιγράψιμα πρότυπα
1) Έλεγχος ιδιοτήτων και διαρροών:
Προτείνετε μια λίστα δυνατοτήτων για το ακόλουθο πρόβλημα πρόβλεψης: [πρόβλημα]. Για κάθε χαρακτηριστικό, δώστε τρεις πληροφορίες: (α) γιατί επηρεάζει το φορτίο, (β) είναι η πρόβλεψη διαθέσιμη άμεσα, (γ) υπάρχει κίνδυνος διαρροής. Καταργήστε αυτά που διαρρέουν από τη λίστα σας.
2) Καθιέρωση ενός βασικού μοντέλου:
Προτείνετε τουλάχιστον δύο απλές γραμμές βάσης για αυτήν τη σειρά φόρτωσης (π.χ. ίδια ώρα χθες, ίδια ώρα την περασμένη εβδομάδα, μέσος όρος διορθωμένος με τη θερμοκρασία). Γράψτε το σκεπτικό για το καθένα. Ένα προηγμένο μοντέλο θα προταθεί μόνο εάν περάσει αυτά τα βασικά με νόημα.
3) Πρωτόκολλο αξιολόγησης:
Δημιουργήστε ένα σχέδιο αξιολόγησης για αυτό το μοντέλο: ξεχωριστές περιόδους εκπαίδευσης/δοκιμών με χρονική σειρά (καμία διαρροή από το μέλλον στο παρελθόν). Υπολογίστε τις μετρήσεις ξεχωριστά κατά γενικό, τύπο ημέρας και ώρα αιχμής. Αναφέρετε τη συστηματική πτυχή του σφάλματος.
4) Αβεβαιότητα και λήψη αποφάσεων:
Παρουσιάστε την πρόβλεψη με ένα εύρος (άνω/κάτω ζώνη). Εξηγήστε πώς αυτό το διάστημα θα συνδεθεί με την απόφαση πλεονασμού του δικτύου και την υποβολή προσφορών στην αγορά. Απαντήστε επίσης στην ερώτηση ποιο θα ήταν το «χειρότερο σενάριο».
Πίνακας ορίζοντα πρόβλεψης
ορίζοντα
Διάρκεια
Βασική χρήση
κυρίαρχο παράγοντα
πολύ σύντομη
Λεπτό-ώρα
εξισορρόπηση, έλεγχος
πρόσφατο φορτίο
σύντομη
1-7 ημέρες
Δέσμευση μονάδας, αγορά
Καιρός, τύπος ημέρας
μεσαίο
Εβδομάδα-έτος
Συντήρηση, καύσιμα, συμβόλαιο
εποχικότητα, οικονομία
μακρύς
χρόνια
Επένδυση, ικανότητα
Πληθυσμός, EV, αντλία θερμότητας
Συνήθη λάθη
- Παρακάμπτοντας το απλό foundation. Ένα σύνθετο μοντέλο δεν μπορεί να θεωρηθεί πολύτιμο χωρίς να αποδειχθεί ότι ξεπερνά το απλό θεμέλιο.
- Διαρροή δεδομένων. Η απόδοση πληροφοριών που δεν θα είναι διαθέσιμες τη στιγμή της πρόβλεψης παράγει ψευδή τελειότητα.
- Εμπιστευόμαστε τυφλά τη μέση μέτρηση. Εάν οι ώρες αιχμής και οι εποχιακές μεταβάσεις δεν εξεταστούν χωριστά, το δίκτυο κινδυνεύει.
- Δίνοντας περιττό αριθμό. Η πρόβλεψη χωρίς ζώνες αβεβαιότητας είναι ελλιπής για τον σχεδιασμό απολύσεων.
- Αξιολόγηση δεδομένων εκπαίδευσης. Το μοντέλο πρέπει πάντα να δοκιμάζεται σε περίοδο που δεν είναι ορατό.
Συνοπτικά
Η πρόβλεψη φορτίου είναι ο παλμός του ενεργειακού συστήματος. Η μέθοδος και η αβεβαιότητα του ποικίλλουν ανάλογα με τον ορίζοντα. Η καλή πρόβλεψη ξεκινά με καλά χαρακτηριστικά και απαιτεί σχολαστικότητα κατά της διαρροής. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα στη δημιουργία χαρακτηριστικών, τη δημιουργία μοντέλων και την αξιολόγηση. αλλά η απλή γραμμή βάσης είναι πάντα η αναφορά, η αξιολόγηση γίνεται στην αόρατη περίοδο και το σφάλμα ερμηνεύεται σε βάση αιχμής/καθεστώτος, όχι κατά μέσο όρο. Η εκτίμηση δεν είναι ένας ενιαίος αριθμός αλλά ένα αποφασισμένο εύρος.
Εργασία εφαρμογής
Πάρτε μια σειρά φορτίου ή κατανάλωσης. Πρώτα ρυθμίστε μια απλή γραμμή βάσης με μη αυτόματο τρόπο (π.χ. "ίδια ώρα την προηγούμενη εβδομάδα"). Στη συνέχεια, ζητήστε από το AI ένα σχέδιο πρόβλεψης με τα πρότυπα «Έλεγχος χαρακτηριστικών και διαρροής» και «Πρωτόκολλο αξιολόγησης». Αναρωτηθείτε σχετικά με τον κίνδυνο διαρροής κάθε προτεινόμενου χαρακτηριστικού. Τέλος, ελέγξτε αν το σφάλμα της πρόβλεψης σε ώρες αιχμής διαφέρει από το μέσο σφάλμα και σημειώστε το εύρημα σας.
λίστα ελέγχου
- [ ] Διευκρίνισα τον ορίζοντα πρόβλεψης, την ανάλυση και τον στόχο
- [ ] Έφτιαξα ένα απλό θεμέλιο και το αναφέρθηκα
- [ ] Κάθε χαρακτηριστικό "προβλέπεται άμεσα;" Το έλεγξα για διαρροές.
- [ ] Έκανα την αξιολόγηση σε τυφλή περίοδο
- [ ] Εξέτασα το MAPE ξεχωριστά σε γενική και ώρα αιχμής
- [ ] Έλεγξα τη συστηματική κατεύθυνση του σφάλματος (χαμηλό/υψηλό)
- [ ] Παρουσίασα την εκτίμηση με μια σειρά αβεβαιότητας και κρίσης