Ganancias:
- Capacidad para explicar las diferencias en la previsión de carga a corto, medio y largo plazo y sus áreas de uso en el sistema energético.
- Capacidad para realizar ingeniería de características, selección de modelos y evaluación de predicciones con inteligencia artificial.
- Capacidad para medir el error de pronóstico con métricas como MAPE y relacionarlo con la razonabilidad de la ingeniería y la necesidad de redundancia.
El almacenamiento de electricidad es un bien caro y limitado; Por lo tanto, una red debe saber de antemano cuánta electricidad querrán los consumidores y cuándo. La previsión de carga es la tarea de predecir la demanda eléctrica futura y es uno de los análisis más básicos del sistema energético. Las centrales eléctricas se programan de acuerdo con esta previsión, las decisiones de compra y venta en el mercado se toman en consecuencia y las inversiones en redes se planifican en consecuencia. En esta unidad, aprenderemos los tipos de pronóstico de carga, cómo se establece y evalúa con inteligencia artificial y las consecuencias de ingeniería del error de pronóstico. Aclaremos el término: carga es la potencia eléctrica (kW/MW) consumida en un momento dado; La curva de carga es el curso de esta potencia en el tiempo.
Horizontes de pronóstico: corto, mediano y largo plazo
El pronóstico de carga tiene diferentes propósitos y requiere diferentes métodos dependiendo de qué tan lejos se mire.
Muy corto y de corta duración (de minutos a unos pocos días). Se utiliza para el equilibrio de la red, el compromiso unitario (qué planta operará) y las ofertas de mercado. En este caso, el clima, el tipo de día (entre semana/fin) y el consumo reciente son los determinantes más importantes. La precisión es fundamental porque el error genera costos directos de desequilibrio.
Mediano plazo (semanas a un año). Se utiliza para la planificación del mantenimiento, el suministro de combustible y los contratos estacionales. La estacionalidad y las tendencias económicas pasan a primer plano.
Largo plazo (años). Se utiliza para la inversión y la planificación de capacidad de redes y plantas de energía. Factores estructurales como la población, el crecimiento económico, el uso de vehículos eléctricos y la prevalencia de bombas de calor son decisivos. Aquí la incertidumbre es naturalmente grande y se utiliza el enfoque de escenarios.
Consejo: No elija un modelo sin aclarar el horizonte de pronóstico. Un modelo que predice el mañana y un modelo que predice el año 2035 requieren datos completamente diferentes y una gestión de la incertidumbre diferente.
Factores que determinan la carga y la ingeniería de características
Las entradas que damos a un modelo de aprendizaje automático se denominan características. Una buena predicción de carga comienza con la elección de buenas características. Los principales factores que determinan la carga:
- Calendario: Hora, tipo de día, fin de semana, festivo, temporada. La carga sigue el ritmo del comportamiento humano; Hace colinas por la mañana y por la tarde.
- Aire: La temperatura es el factor más importante (carga de refrigeración y calefacción), seguida de la humedad, la radiación y el viento. La relación temperatura-carga generalmente tiene forma de U: la carga aumenta tanto en condiciones de mucho calor como de mucho frío.
- Carga pasada: El consumo de hace una hora, un día y una semana (características de retraso) es el presagio más fuerte del futuro próximo.
- Eventos especiales: Grandes eventos deportivos, vacaciones largas, crisis económicas.
La inteligencia artificial es muy útil para generar estos atributos y descubrir cuáles son efectivos. Pero cuidado con una trampa: atribuir información que no estará disponible en el momento de la predicción (por ejemplo, la temperatura real en el momento que se va a predecir, mientras que solo tendremos el pronóstico del tiempo) crea una fuga de datos y hace que el modelo sea esencialmente inútil.
Paso a Paso: Estimación de Carga con Inteligencia Artificial
Paso 1: definir el problema. Se aclara el horizonte (mañana o el próximo año), la resolución (horaria) y el objetivo (carga total del sistema o alimentador único).
Paso 2: prepare los datos. Se establece una serie de tiempo limpia con la disciplina de la unidad anterior; Se añaden datos meteorológicos y de calendario.
Paso 3: generar atributos. Se crean atributos de programación, carga retrasada y clima. Se verifica la fuga: ¿están todas las funciones disponibles en el momento de la predicción?
Paso 4: seleccione y entrene el modelo. Una línea de base simple (por ejemplo, "a la misma hora la semana pasada") es siempre el primer paso; Los modelos avanzados son valiosos sólo en la medida en que superan esta base. La IA es útil para generar el código del modelo y la canalización de funciones.
Paso 5: Evaluar. El modelo se prueba durante un período de tiempo que no ve (un período futuro); Nunca se evalúa en los datos de entrenamiento. Las métricas se desglosan por hora y régimen.
Paso 6: Informe la incertidumbre. Se da un rango (banda de predicción), no un solo número; La redundancia de la red está prevista según esta banda.
Medición del error de pronóstico: MAPE y más allá
Se utilizan varias métricas para medir la calidad del pronóstico. MAPE (Error porcentual absoluto medio) es la diferencia porcentual promedio entre la predicción y la realidad; Es fácil de interpretar. Normalmente, entre un 1 y un 3 por ciento de MAPE se considera bueno para la previsión de carga a corto plazo a nivel de sistema; A nivel de un solo edificio/alimentador, este valor es naturalmente mayor porque el consumidor individual es más variable.
Pero el MAPE por sí solo puede resultar engañoso. Incluso si el promedio parece bajo, puede haber una desviación sistemática durante las horas pico, y la red es crítica justo en las horas pico. Por lo tanto, es necesario examinar el error por separado por hora, tipo de día y especialmente en los momentos pico. Además, la dirección del error es importante: la subestimación persistente (subestimación de la demanda) conduce a un programa de producción inadecuado y crea un desequilibrio.
Precaución: no basta con decir "MAPE es del 2 por ciento, genial". Si el MAPE de la hora pico es del 6 por ciento y usted subestima constantemente el pico de la tarde, el equilibrio de la red con ese modelo se ve comprometido. Nunca considere segura la métrica promedio sin desglosarla por régimen.
Tres minicasos: en cifras
Caso 1: No superar la línea de base. Un equipo construyó un modelo complejo y obtuvo un MAPE del 2,8 por ciento y quedó encantado. Luego, la base simple "a la misma hora la semana pasada + corrección de temperatura" arrojó un 2,6 por ciento. El complejo modelo no pudo pasar la fundación; no tenía ningún valor la complejidad adicional. Lección: construye siempre primero la base simple.
Caso 2: Punto ciego aéreo. El modelo de una empresa de distribución fue bueno con un 2,1 por ciento en el MAPE general, pero lo subestimó consistentemente en un 7 por ciento durante el pico de aire acondicionado de las noches de verano. Esto generó caídas inesperadas de carga y voltaje en algunos días calurosos. Cuando se agregó el "número de días calurosos consecutivos" (acumulación de calor en el edificio) al atributo de temperatura, el error máximo disminuyó al 3 por ciento.
Caso 3: Contención de fuga. El modelo de un pasante obtuvo resultados increíblemente buenos (0,4 por ciento MAPE) en las pruebas retrospectivas. La investigación demostró que el modelo utilizaba como atributo la temperatura real del tiempo previsto; mientras que en realidad sería sólo una previsión meteorológica. Una vez que se solucionó la fuga, el MAPE aumentó a un realista 2,5 por ciento. Un resultado "muy bueno" suele ser un signo de error.
Aviso débil / Aviso fuerte
Aviso débil:
Cree un modelo de predicción con estos datos de carga.[datos]
Potente mensaje:
Su función: experto en previsión de la demanda de energía. Propósito: pronóstico de carga del sistema por hora con un día de anticipación (24 horas de anticipación). Primero proponga una línea de base simple (por ejemplo, a la misma hora de la semana pasada) y haga referencia a ella. Extraiga una lista de atributos; Para CADA atributo, "¿la predicción está disponible al instante?" marca. Separar aquellos con riesgo de fuga.- Realizar evaluación POR SEPARADO del período de capacitación, en un período posterior.- Informar MAPE en general Y por separado durante las horas pico; Especifique la dirección del error (bajo/alto). - Sea el resultado un intervalo de predicción, no un solo número. Esquema de datos: [columnas]
El potente mensaje refuerza los cimientos, evita fugas, establece la evaluación con precisión y hace visible la incertidumbre, eliminando los cuatro errores clásicos de una mala previsión de carga.
Cuatro plantillas copiables
1) Comprobación de atributos y fugas:
Proponga una lista de características para el siguiente problema de predicción: [problema]. Para cada atributo, proporcione tres datos: (a) por qué afecta la carga, (b) si la predicción está disponible al instante, (c) si existe riesgo de fuga. Elimine los que gotean de su lista.
2) Establecer un modelo básico:
Sugiera al menos dos líneas de base simples para esta serie de carga (por ejemplo, a la misma hora ayer, a la misma hora la semana pasada, promedio corregido por temperatura). Escribe la justificación de cada uno. Sólo se propondrá un modelo avanzado si supera estos conceptos básicos de manera significativa.
3) Protocolo de evaluación:
Establezca un plan de evaluación para este modelo: períodos de entrenamiento/prueba separados en orden temporal (sin fugas del futuro al pasado). Calcule las métricas por separado por general, tipo de día y hora pico. Informe el aspecto sistemático del error.
4) Incertidumbre y toma de decisiones:
Presentar el pronóstico con un rango (banda superior/inferior). Explique cómo se vinculará este intervalo con la redundancia de la red y la decisión de licitación del mercado. Responda también a la pregunta de cuál sería el "peor de los casos".
Tabla de horizonte de pronóstico
horizonte
Duración
Uso básico
factor dominante
demasiado corto
minuto-hora
equilibrio, control
carga reciente
corto
1-7 días
Compromiso unitario, mercado
Clima, tipo de día.
medio
Semana-año
Mantenimiento, combustible, contrato.
estacionalidad, economía
largo
años
Inversión, capacidad
Población, vehículos eléctricos, bomba de calor
Errores comunes
- Saltándose la base simple. Un modelo complejo no puede considerarse valioso sin demostrar que supera la base simple.
- Fuga de datos. Atribuir información que no estará disponible en el momento de la predicción produce una falsa perfección.
- Confiar ciegamente en la métrica promedio. Si las horas pico y las transiciones estacionales no se examinan por separado, la red está en riesgo.
- Dando un número impar. La previsión sin bandas de incertidumbre es incompleta para la planificación de despidos.
- Evaluación de datos de entrenamiento. El modelo siempre debe probarse en un período en el que no sea visible.
En resumen
La previsión de carga es el pulso del sistema energético; Su método e incertidumbre varían según el horizonte. Una buena predicción comienza con buenos atributos y requiere meticulosidad contra las fugas. La inteligencia artificial es una poderosa ayuda en la generación de características, construcción y evaluación de modelos; pero la línea de base simple es siempre la referencia, la evaluación se hace en el período no visto y el error se interpreta sobre la base del pico/régimen, no sobre el promedio. La estimación no es un número único sino un rango decidido.
Tarea de aplicación
Tome una serie de carga o consumo. Primero configure manualmente una línea de base simple (por ejemplo, "a la misma hora la semana pasada"). Luego solicite a la IA un plan de predicción con las plantillas “Comprobación de atributos y fugas” y “Protocolo de evaluación”. Pregúntese sobre el riesgo de fuga de cada atributo sugerido. Finalmente, compruebe si el error de la previsión en horas punta difiere del error medio y anote su hallazgo.
lista de verificación
- [ ] Aclaré el horizonte de previsión, la resolución y el objetivo
- [] Construí una base simple y la hice referencia.
- [] ¿Se "predice instantáneamente cada atributo"? Lo revisé en busca de fugas.
- [ ] Hice la evaluación en un período ciego
- [] Examiné MAPE por separado en términos generales y en horas pico.
- [] Verifiqué la dirección sistemática del error (bajo/alto)
- [ ] Presenté la estimación con un rango de incertidumbre y juicio.