سود:
- توانایی تشخیص ساختار، واحدها و مشکلات معمول کیفیت SCADA، کنتورهای هوشمند و داده های بازار
- توانایی تشخیص داده های از دست رفته، مشکلات پرت و مهر زمانی با هوش مصنوعی و ایجاد یک گردش کار تمیز کردن
- امکان تایید تله هایی مانند وضوح، منطقه زمانی و زمان صرفه جویی در نور روز در سری های زمانی انرژی در خروجی هوش مصنوعی
تقریباً تمام تجزیه و تحلیل انرژی با یک سری زمانی شروع می شود: اندازه گیری هایی که در امتداد محور زمانی مرتب شده اند. مصرف 15 دقیقه ای یک متر، سرعت چرخش دوم یک توربین، جریان ساعتی یک فیدر (خط توزیع) - همه سری زمانی هستند. در این بخش، ما یاد خواهیم گرفت که داده های انرژی از کجا می آیند، حاوی چه مشکلاتی هستند و چگونه از هوش مصنوعی برای قابل اعتماد کردن این داده ها استفاده کنیم. بیایید این اصل را از ابتدا برقرار کنیم: حتی هوشمندترین تجزیه و تحلیل با داده های کثیف نیز نتیجه کثیفی می دهد. در مهندسی انرژی، بیشتر زمان صرف مدلسازی نمیشود، بلکه صرف قابلاعتماد کردن دادهها میشود و هوش مصنوعی امنترین سهم را در این بخش ارائه میکند.
منابع و ساختار داده های انرژی
داده های انرژی عمدتاً از چندین منبع می آیند. SCADA (سیستم کنترل نظارتی و جمع آوری داده ها) اندازه گیری های آنی را از تابلو و تجهیزات شبکه جمع آوری می کند. این تفکیک پذیری معمولاً بر حسب ثانیه یا دقیقه است و شامل مقادیری مانند ولتاژ، جریان، توان و دما است. داده های کنتور هوشمند معمولاً مصرف را در فواصل 15 دقیقه ای اندازه گیری می کند و مبنایی برای تجزیه و تحلیل صورتحساب و تقاضا است. داده های هواشناسی (دما، تابش، سرعت باد) ورودی تولید و پیش بینی تقاضا است. داده های بازار (قیمت های ساعتی) ورودی تحلیل اقتصادی است.
ویژگی مشترک این داده ها این است که دارای یک مهر زمانی (برچسب تاریخ-زمانی که هر اندازه گیری به آن تعلق دارد) و یک یا چند مقدار اندازه گیری دارند. این مهم ترین نکته است: اگر مهر زمانی به درستی درک نشود، همه چیز از بین می رود.
تلههای رزولوشن، منطقه زمانی و ساعت تابستانی
بخش بزرگی از خطاهای داده های انرژی از محور زمان ناشی می شود. بیایید به طور خاص سه تله را برجسته کنیم.
سردرگمی رزولوشن آیا یک متر انرژی 15 دقیقه ای (کیلووات ساعت) یا توان لحظه ای (کیلووات) را گزارش می کند؟ جمع کردن آنها نتایج متفاوتی به دست می دهد: میانگین چهار مقدار کیلووات برای 15 دقیقه توان است، در حالی که مجموع چهار با انرژی ساعتی مطابقت ندارد (مجموع انرژی های ربع ساعت مورد نیاز است). بدون درک واحد و وضوح با هم نمی توان جمع بندی کرد.
منطقه زمانی آیا داده ها به وقت محلی (TRT/UTC+3 برای ترکیه) یا زمان جهانی (UTC) نگهداری می شوند؟ دو سری از سیستم های مختلف ممکن است در مناطق زمانی متفاوت باشند. شیفت سه ساعته هنگام ترکیب، کل آنالیز ساعت پیک را مختل می کند.
ساعت تابستانی (DST). در کشورهایی که به ساعت تابستانی تغییر می کنند، یک ساعت یک بار در سال "ناپدید" می شود و یک بار در سال "تکرار" می شود. این کار 23 یا 25 ساعت روز را در آن روزها ایجاد می کند و پروفایل های ساعتی را می شکند. از آنجایی که Türkiye از سال 2016 ساعت تابستانی دائمی (UTC+3) را اجرا کرده است، این مشکل در داده های محلی ظاهر نمی شود، اما همچنان هنگام کار با داده های بین المللی یا قدیمی با آن مواجه می شوید.
توجه: آیا برچسب برای مهر زمانی "شروع محدوده" یا "پایان محدوده" است؟ آیا رکوردی با برچسب 14:00 ساعت 14:00-14:15 یا 13:45-14:00 را نشان می دهد؟ این تصمیم واحد می تواند ساعت اوج را یک تکه تغییر دهد. این قانون را در ابتدا برای هر مجموعه داده روشن کنید.
گام به گام: گردش کار آماده سازی داده ها با هوش مصنوعی
مرحله 1 - کشف داده ها را بشناسید: چند ردیف، چه محدوده، چه وضوح، چه واحد؟ دادن چند صد ردیف اول به هوش مصنوعی و خلاصه کردن ساختار به سرعت معانی ستون و واحدهای ممکن را آشکار می کند. اما برآورد واحد هوش مصنوعی یک فرضیه است. از سند منبع تایید شده است.
مرحله 2 - جدول زمانی را استاندارد کنید. به یک منطقه زمانی منفرد ضربه بزنید، وضوح تصویر را اصلاح کنید، قانون برچسب را مشخص کنید (شروع/پایان). هوش مصنوعی میتواند کدی تولید کند که فواصل نامنظم و مُهرهای زمانی گمشده را تشخیص دهد.
مرحله 3 - سوابق ناقص و تکراری. خرابی های ارتباطی باعث ایجاد تهی و دوباره ضبط مضاعف می شود. هوش مصنوعی مجموعهای از قوانین را تولید میکند که شکافها و موارد تکراری را مشخص میکند. شکاف های کوتاه (مثلاً یک 15 دقیقه) را می توان با یک روش مناسب پر کرد، شکاف های طولانی از تجزیه و تحلیل حذف و گزارش می شوند.
مرحله 4 - پرت. مصرف منفی (بدون تولید)، توان بیش از حد بالای فیزیکی، جهش های ناگهانی. هوش مصنوعی تشخیص آماری و مبتنی بر قانون را ارائه می دهد. اما یک نقطه پرت همیشه یک خطا نیست - می تواند یک رویداد واقعی نیز باشد (به عنوان مثال، یک کارخانه آنلاین شدن). مهندس این تمایز را ایجاد می کند.
مرحله 5 - تأیید دادههای تمیز شده با لنگرهای فیزیکی آزمایش میشوند: طلوع/غروب خورشید باید تولید خورشیدی را بازنشانی کند، بار شب باید کمتر از روز باشد، کل انرژی باید با صورتحساب مطابقت داشته باشد.
سه مورد کوچک: با اعداد
مورد 1 - یک ساعت لغزش. داده های تولید خورشیدی یکی از تحلیلگران نشان داد که اوج ظهر به جای ساعت 13:00 ساعت 14:00 است. مشکل از پنل نبود. داده ها UTC بود اما تصور می شد به وقت محلی باشد. هنگامی که شیفت سه ساعته متوجه شد (ظاهر تولید قبل از طلوع خورشید لنگر را از دست داد) کل تجزیه و تحلیل بهبود یافت. از تصمیمات سرمایه گذاری بر اساس تفسیر نادرست جلوگیری شد.
مورد 2 - ضبط های تکراری. در دادههای ساعتی 30 روزه یک فیدر توزیع، کل مصرف تقریباً 4 درصد بیشتر از حد انتظار بود. تشخیص پخش مجدد به کمک هوش مصنوعی نشان داد که برخی از ساعت ها دو بار در اتصالات مجدد ارتباطی ثبت شده است. پس از پاک کردن 68 رکورد تکراری، کل با صورت حساب مطابقت داشت.
مورد 3 - صفرهای کاذب. یک متر مصرف را به عنوان "0" در طول قطع ارتباط گزارش می کرد. با این حال، مصرف ادامه یافت. این صفرهای کاذب میانگین را کاهش داد و پیش بینی تقاضا را گمراه کرد. AI قانون "بررسی مقادیر 0 همراه با پرچم حضور" را پیشنهاد کرد. صفرهای کاذب به عنوان داده های گمشده علامت گذاری شدند و از صفرهای واقعی (مثلاً محل کار بسته) جدا شدند.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این داده پیشخوان را پاک کنید.[data]
اعلان قدرتمند:
نقش شما: تحلیلگر داده انرژی دادههای متر زیر برای فواصل 15 دقیقهای، به وقت محلی (UTC+3)، مهر زمانی نشاندهنده شروع فاصله زمانی، واحد کیلووات ساعت است. وظایف: 1) فهرست مُهرهای زمانی گمشده و رکوردهای تکراری (تعداد و زمان). حذف نکنید، فقط علامت بزنید. 3) برای تشخیص صفرهای نادرست از صفرهای واقعی که مشکوک به اشتباه هستند، یک چک ارائه دهید. هیچ مقداری را خودتان پر نکنید. ابتدا آن را شناسایی کنید و من پر کردن را تأیید می کنم.
اعلان قدرتمند وضوح، منطقه زمانی، قانون برچسب و حد بالایی را از ابتدا ارائه می دهد. این نظم و انضباط «اول شناسایی، بعداً بپرس» را بر هوش مصنوعی تحمیل می کند. به این ترتیب داده ها بی سر و صدا خراب نمی شوند.
چهار قالب قابل کپی
1) پروفایل داده:
نمایه ای از داده های زیر ایجاد کنید: تعداد ردیف ها، محدوده تاریخ، وضوح، واحد تخمینی و معنای هر ستون، نرخ گمشده، حداقل/حداکثر/میانگین. برآوردهای واحد را با برچسب "نیاز به تایید" علامت گذاری کنید.
2) کنترل محور زمان:
در این سری زمانی، شناسایی کنید: (الف) شکافهای خارج از محدوده مورد انتظار، (ب) مُهرهای زمانی تکراری، (ج) تغییرات احتمالی به دلیل زمان/منطقه زمانی تابستانی. هر یافته را با محدوده زمانی آن فهرست کنید. پیشنهاد اصلاح خود را جداگانه بنویسید. برنامه.
3) قانون پرت:
نقاط پرت را با استفاده از این محدودیت های فیزیکی مشخص کنید: توان 0-[X] کیلووات، دما [A]-[B] درجه سانتی گراد. همچنین فهرستی جداگانه از پرت های آماری تهیه کنید (مثلاً انحراف بیش از حد از میانه). برای هر نقطه پرت، سوال "خطای احتمالی یا رویداد واقعی" را مطرح کنید. بگذار تصمیم بگیرم
4) تأیید پس از تمیز کردن:
داده های پاک شده را با لنگرهای فیزیکی زیر آزمایش کنید و ناسازگاری ها را گزارش دهید: تولید خورشیدی باید در شب صفر باشد. کل انرژی باید در سطح صورتحساب مورد انتظار باشد. بار شب باید کمتر از اوج بار در روز باشد. برای هر لنگر پاس/شکست بنویسید.
جدول مسائل کیفیت داده ها
مشکل
علامت
لنگر تایید
تغییر منطقه زمانی
ساعت بالا در جای غیر منطقی قرار دارد
مطابق با طلوع/غروب خورشید
زمان تابستانی (DST)
روز 23/25 ساعت
شمارش طول روز
صفر جعلی
0 در صورت قطع ارتباط
مطابقت با پرچم ارتباطات
ثبت نام مجدد
بالاتر از کل صورت حساب
منحصر به فرد بودن مهر زمانی را بررسی کنید
سردرگمی واحد
رتبه 60/1000 بار منحرف شده است
تبدیل kW↔kWh را تأیید کنید
ارزش منفی
مصرف منفی زمانی که تولیدی وجود ندارد
قانون نشانه های فیزیکی
اشتباهات رایج
- پر کردن بیصدا دادههای از دست رفته با صفر. صفر به معنای "بدون مصرف" است، نه "بدون داده"؛ اختلاط این دو میانگین و پیش بینی را مخدوش می کند.
- حذف خودکار موارد پرت یک رویداد پرت ممکن است یک رویداد واقعی باشد. بررسی مهندس قبل از حذف الزامی است.
- با فرض منطقه زمانی گفتن "احتمالا محلی است" یکی از گرانترین اشتباهات است. همیشه از منبع تأیید کنید.
- جمع آوری حلالیت با مخلوط کردن. افزودن مقادیر توان (کیلووات) به عنوان انرژی (کیلووات ساعت) یک کل نادرست به دست می دهد.
- عدم تایید پاکیزگی داده های پاک شده نیز ممکن است فاسد باشند. حتما آن را با لنگرهای فیزیکی تست کنید.
نکته: هر مرحله از پاکسازی دادهها را در «گزارش دادهها» یادداشت کنید: چه تعداد رکورد علامتگذاری شدهاند، چه تعداد پر شده است، از کدام قانون استفاده شده است. این گزارش هم تکرارپذیری و هم قابلیت ممیزی را تضمین می کند. یک سال بعد "این عدد از کجا آمده است؟" به سوال پاسخ می دهد
به طور خلاصه
اساس تحلیل انرژی یک سری زمانی تمیز است. داده ها از SCADA، متر، هواشناسی و بازار می آیند. هر کدام دارای رزولوشن، واحد، منطقه زمانی، و تله های زمان صرفه جویی در نور روز هستند. هوش مصنوعی در تسریع تشخیص مفقود/تکراری/پرت بسیار قدرتمند است، اما تصمیمات حذف و پر کردن باید با مهندس باقی بماند و نتیجه باید با لنگرهای فیزیکی تایید شود. هیچ تحلیلی بدون درک درست از مهر زمانی قابل اعتماد نیست.
وظیفه کاربردی
یک سری زمانی انرژی (متر، تولید یا دما) را در دست بگیرید. با استفاده از الگوهای «ممیزی خط زمانی» و «پروفایل دادهها» یک گزارش کیفی از هوش مصنوعی درخواست کنید. سپس سه مورد را به صورت دستی بررسی کنید: آیا واحد و وضوح صحیح هستند، آیا ساعت اوج از نظر فیزیکی منطقی است، آیا کل انرژی با صورتحساب مطابقت دارد؟ به طور خلاصه یک مشکل کیفیت داده را که پیدا کردید و نحوه رفع آن توضیح دهید.
چک لیست
- [ ] من منبع، وضوح و واحد داده ها را تأیید کرده ام
- [ ] من قانون برچسب منطقه زمانی و مهر زمانی (شروع/پایان) را روشن کردم
- [ ] من خطر روزهای 23/25 ساعته را به دلیل زمان تابستان بررسی کردم
- [ ] سوابق مفقود و تکراری را شناسایی کردم و آنها را گزارش کردم
- [ ] من موارد پرت را با تمایز "خطا یا رویداد" بررسی کردم
- [ ] من صفرهای کاذب را از صفرهای واقعی تشخیص دادم
- [ ] من داده های پاک شده را با لنگرهای فیزیکی تأیید کردم و یک گزارش داده نگه داشتم