Kasu:
- Oskab selgitada lühi-, kesk- ja pikaajaliste koormuse prognoosimise erinevusi ning nende kasutusvaldkondi energiasüsteemis
- Võimalus teostada tehisintellektiga funktsioonide projekteerimist, mudelite valikut ja prognooside hindamist
- Võimalus mõõta prognoosiviga selliste mõõdikutega nagu MAPE ja seostada seda inseneri mõistlikkuse ja liiasuse vajadusega
Elektri salvestamine on kallis ja piiratud kaup; Seetõttu peab võrk ette teadma, kui palju ja millal tarbijad elektrit soovivad. Koormusprognoos on tulevase elektrinõudluse prognoosimise ülesanne ja üks põhilisemaid energiasüsteemi analüüse. Selle prognoosi järgi programmeeritakse elektrijaamu, vastavalt sellele tehakse turul ostu-müügiotsuseid ning planeeritakse võrguinvesteeringuid. Selles õppetükis õpime tundma koormuse prognoosimise tüüpe, kuidas seda tehisintellektiga luua ja hinnata ning prognoosivea insenerlikke tagajärgi. Täpsustame mõistet: koormus on antud hetkel tarbitud elektrienergia (kW/MW); Koormuskõver on selle võimsuse kulg ajas.
Prognoosi horisondid: lühiajaline, keskmine, pikaajaline
Koormuse prognoosimine teenib erinevaid eesmärke ja nõuab erinevaid meetodeid, olenevalt sellest, kui kaugele ette vaatate.
Väga lühiajaline ja lühiajaline (minutid kuni paar päeva). Seda kasutatakse võrgu tasakaalustamiseks, üksuse kohustuseks (milline tehas töötab) ja turupakkumiste tegemiseks. Siin on ilm, päeva tüüp (nädalapäev/lõpp) ja hiljutine tarbimine kõige tugevamad määrajad. Täpsus on kriitiline, sest veaga kaasnevad otsesed tasakaalustamatuse kulud.
Keskmine tähtaeg (nädalatest kuni ühe aastani). Seda kasutatakse hoolduse planeerimiseks, kütuse tarnimiseks ja hooajaliste lepingute sõlmimiseks. Esile tulevad hooajalisus ja majandustrendid.
Pikaajaline (aastat). Seda kasutatakse võrkude ja elektrijaamade investeeringuteks ning võimsuse planeerimiseks. Struktuurilised tegurid nagu rahvaarv, majanduskasv, elektrisõidukite ja soojuspumba levimus on määravad. Siin on määramatus loomulikult suur ja kasutatakse stsenaariumipõhist lähenemist.
Näpunäide: ärge valige mudelit ilma prognoosihorisonti täpsustamata. Homset ennustav mudel ja 2035. aastat ennustav mudel nõuavad täiesti erinevaid sisendeid ja erinevat määramatuse juhtimist.
Koormust määravad tegurid ja funktsioonide projekteerimine
Sisendeid, mille me masinõppemudelile anname, nimetatakse funktsioonideks. Hea koormuse ennustamine algab heade omaduste valimisest. Peamised tegurid, mis määravad koormuse:
- Kalender: kellaaeg, päeva tüüp, nädalavahetus, riigipüha, aastaaeg. Koormus järgib inimese käitumise rütmi; Teeb hommikuti ja õhtuti mäkke.
- Õhk: temperatuur on tugevaim tegur (jahutus- ja küttekoormus), millele järgnevad niiskus, kiirgus ja tuul. Temperatuuri ja laengu suhe on üldiselt U-kujuline: koormus suureneb nii väga kuumades kui ka väga külmades tingimustes.
- Möödunud koormus: tarbimine üks tund, üks päev ja nädal tagasi (viivitusfunktsioonid) on lähituleviku tugevaim eelkuulutaja.
- Erisündmused: suured spordisündmused, pikad puhkused, majandusšokid.
Tehisintellekt on nende atribuutide genereerimisel ja tõhusate avastamisel väga kasulik. Ettevaatust aga lõksu eest: ennustuse hetkel kättesaamatu info (näiteks ennustatava aja tegelik temperatuur, samas kui meil on ainult ilmateade) omistamine tekitab andmete lekke ja muudab mudeli sisuliselt kasutuks.
Samm-sammult: tehisintellekti koormuse hindamine
1. samm – määratlege probleem. Selgitatakse horisont (homme või järgmine aasta), resolutsioon (tunnis) ja eesmärk (süsteemi kogukoormus või üksik feeder).
2. samm – valmistage ette andmed. Eelmises üksuses oleva distsipliiniga luuakse puhas aegrida; Lisanduvad ilma- ja kalendriandmed.
3. samm – looge atribuudid. Luuakse ajakava, hilinenud koormuse ja ilmastiku atribuudid. Leket kontrollitakse: kas kõik funktsioonid on prognoosimise ajal saadaval?
4. samm – valige ja treenige mudel. Lihtne lähtejoon (nt "eelmisel nädalal samal ajal") on alati esimene samm; Täiustatud mudelid on väärtuslikud ainult sel määral, kui nad seda alust ületavad. AI on abiks mudelikoodi ja funktsioonide konveieri genereerimisel.
5. samm – hindamine. Mudelit testitakse aja jooksul, mida see ei näe (tulevikuperiood); Seda ei hinnata kunagi treeningandmetes. Mõõdikud on jaotatud tundide ja režiimide kaupa.
6. samm – teatage ebakindlusest. Antakse vahemik (ennustusriba), mitte üks arv; Võrgu koondamine on kavandatud vastavalt sellele sagedusalale.
Prognoosi viga: MAPE ja kaugemale
Prognoosi kvaliteedi mõõtmiseks kasutatakse mitmeid mõõdikuid. MAPE (Mean Absolute Percentage Error) on keskmine protsentuaalne erinevus ennustuse ja tegelikkuse vahel; Seda on lihtne tõlgendada. Tavaliselt peetakse 1–3 protsenti MAPE-d heaks süsteemitasemel lühiajalise koormuse prognoosimiseks; Ühe hoone/sööturi tasandil on see väärtus loomulikult kõrgem, kuna üksiktarbija on muutlikum.
Kuid MAPE üksi võib olla eksitav. Isegi kui keskmine tundub madal, võib tipptundidel esineda süstemaatilisi kõrvalekaldeid ja võrk on tipphetkel kriitiline. Seetõttu on vaja viga eraldi uurida tunnipõhiselt, päevapõhiselt ja eriti tipphetkedel. Lisaks on oluline vea suund: pidev alahindamine (nõudluse alahindamine) viib ebapiisava tootmisgraafikuni ja tekitab tasakaalustamatust.
Ettevaatust: ei piisa, kui öelda "MAPE on 2 protsenti, suurepärane." Kui MAPE tipptund on 6 protsenti ja te alahinnate õhtust tipphetki pidevalt, on selle mudeliga võrgu tasakaalustamine ohus. Ärge kunagi pidage keskmist mõõdikut ohutuks ilma seda režiimi järgi jaotamata.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – algtaseme ületamine ebaõnnestumine. Üks meeskond ehitas keeruka mudeli ja sai 2,8-protsendilise MAPE-i ning oli rõõmus. Siis andis lihtne "eelmisel nädalal sama aeg + temperatuuri korrektsioon" alus 2,6 protsenti. Keeruline mudel ei suutnud vundamenti läbida; täiendaval keerukusel polnud väärtust. Õppetund: ehitage alati kõigepealt lihtne vundament.
Juhtum 2 – pea kohal oleva pimeala. Ühe turustusettevõtte mudel oli MAPE üldarvestuses hea 2,1 protsendiga, kuid suvise õhtuse kliimaseadmete tipptaseme ajal prognoositi seda pidevalt 7 protsendi võrra. See tekitas mõnel kuumal päeval ootamatuid koormus- ja pingelangusi. Kui temperatuuriatribuudile lisati "järjestikuste kuumade päevade arv" (hoonesoojuse akumulatsioon), vähenes tippviga 3 protsendini.
Juhtum 3 – lekke piiramine. Ühe praktikandi mudelil läks järeltestimisel uskumatult hästi (0,4 protsenti MAPE). Uurimine näitas, et mudel kasutas atribuudina ennustatud aja tegelikku temperatuuri; kusjuures tegelikkuses oleks see lihtsalt ilmateade. Kui leke oli fikseeritud, tõusis MAPE realistliku 2,5 protsendini. "Väga hea" tulemus on sageli märk veast.
Nõrk viip / Tugev viip
Nõrk viip:
Looge nende laadimisandmete põhjal ennustusmudel.[andmed]
Võimas viip:
Sinu roll: Energianõudluse prognoosimise ekspert. Eesmärk: päeva-ette (24 tundi ette) tunnis süsteemi koormuse prognoos.- Esmalt pakkuge välja lihtne lähtejoon (nt eelmisel nädalal samal ajal) ja viidake sellele.- Pakkuge välja atribuutide loend; IGA atribuudi puhul „kas ennustus on kohe saadaval?” mark. Eraldage need, kellel on lekkeoht.- Viige hindamine läbi koolitusperioodist ERALDI, hilisemal perioodil. - Teatage MAPE üldiselt JA eraldi tipptundidel; Määrake vea suund (madal/kõrge). - Olgu tulemuseks ennustusintervall, mitte üks arv. Andmeskeem: [veerud]
Võimas viip tugevdab vundamenti, takistab lekkeid, määrab hinnangu täpselt ja muudab ebakindluse nähtavaks – eemaldades neli klassikalist halva koormuse prognoosimise viga.
Neli kopeeritavat malli
1) Omaduste ja lekke kontrollimine:
Pakkuge välja funktsioonide loend järgmise ennustusprobleemi jaoks: [probleem]. Esitage iga atribuudi kohta kolm teavet: (a) miks see koormust mõjutab, (b) kas ennustus on koheselt saadaval, (c) kas on lekkeoht. Eemaldage oma loendist lekkivad.
2) Põhimudeli loomine:
Soovitage selle koormusseeria jaoks vähemalt kaks lihtsat lähtejoont (nt eile sama aeg, eelmisel nädalal sama aeg, temperatuuriga korrigeeritud keskmine). Kirjutage igaühe põhjendus. Täiustatud mudelit pakutakse ainult siis, kui see läbib need põhitõed sisuliselt.
3) Hindamisprotokoll:
Koostage selle mudeli jaoks hindamisplaan: eraldage koolitus-/testimisperioodid ajalises järjekorras (tulevikust minevikku ei leki). Arvutage mõõdikud eraldi üldise, päevatüübi ja tipptundide alusel. Teatage vea süstemaatilisest aspektist.
4) Ebakindlus ja otsustusvõime:
Esitage prognoos vahemikuga (ülemine/alumine riba). Selgitage, kuidas see intervall on seotud võrgu koondamise ja turupakkumise otsusega. Vasta ka küsimusele, milline oleks "halvim stsenaarium".
Prognoos Horisondi tabel
horisont
Kestus
Põhikasutus
domineeriv tegur
liiga lühike
Minut-tund
tasakaalustamine, kontroll
hiljutine koormus
lühike
1-7 päeva
Ühiku kohustus, turg
Ilm, päeva tüüp
keskmine
Nädal-aasta
Hooldus, kütus, leping
hooajalisus, säästlikkus
pikk
aastat
Investeering, võimsus
Rahvaarv, EV, soojuspump
Levinud vead
- Lihtsa vundamendi vahelejätmine. Keerulist mudelit ei saa pidada väärtuslikuks, tõestamata, et see ületab lihtsa vundamendi.
- Andmeleke. Teabe omistamine, mis pole ennustamise ajal kättesaadav, tekitab vale täiuslikkuse.
- Pimesi usaldades keskmist mõõdikut. Kui tipptunde ja hooajalisi üleminekuid eraldi ei uurita, on võrk ohus.
- Paaritu numbri andmine. Prognoosimine ilma määramatuse ribadeta on koondamise planeerimise jaoks puudulik.
- Treeninguandmete hindamine. Mudelit tuleks alati katsetada ajal, mil see pole nähtav.
Kokkuvõttes
Koormuse prognoosimine on energiasüsteemi pulss; Selle meetod ja määramatus varieeruvad olenevalt horisondist. Hea ennustus algab headest omadustest ja nõuab täpsust lekke vastu. Tehisintellekt on võimas abivahend funktsioonide genereerimisel, mudelite loomisel ja hindamisel; kuid alati on võrdlusaluseks lihtne baasjoon, hinnang tehakse nähtamatul perioodil ja viga tõlgendatakse tipu/režiimi alusel, mitte keskmise järgi. Hinnang ei ole üks arv, vaid kindlaksmääratud vahemik.
Rakenduse ülesanne
Võtke koormus või tarbimisseeria. Esmalt seadistage käsitsi lihtne lähtejoon (nt "eelmisel nädalal samal ajal"). Seejärel küsige tehisintellektilt ennustusplaani mallidega „Atribuutide ja lekkekontroll” ja „Hindamisprotokoll”. Küsige endalt iga soovitatud atribuudi lekkeohu kohta. Lõpuks kontrolli, kas tipptundide prognoosi viga erineb keskmisest veast ja pane oma leid kirja.
kontrollnimekiri
- [ ] Täpsustasin prognoosi horisondi, eraldusvõimet ja sihtmärki
- [ ] Ehitasin lihtsa vundamendi ja viitasin sellele
- [ ] Kas iga atribuut "ennustatakse kohe ette?" Kontrollisin lekkeid.
- [ ] Tegin hindamise pimeperioodil
- [ ] Uurisin MAPE-i eraldi üldise ja tipptunni alusel
- [ ] Kontrollisin vea süstemaatilist suunda (madal/kõrge)
- [ ] Esitasin hinnangu mitme ebakindluse ja hinnanguga