سود:
- توانایی توضیح تفاوت های پیش بینی بار کوتاه مدت، میان مدت و بلند مدت و حوزه های استفاده از آنها در سیستم انرژی
- توانایی انجام مهندسی ویژگی، انتخاب مدل و ارزیابی پیش بینی با هوش مصنوعی
- امکان اندازه گیری خطای پیش بینی با معیارهایی مانند MAPE و ارتباط آن با منطق مهندسی و نیاز به افزونگی
ذخیره سازی برق یک کالای گران قیمت و محدود است. بنابراین، یک شبکه باید از قبل بداند مصرف کنندگان چه مقدار و چه زمانی برق می خواهند. پیشبینی بار وظیفه پیشبینی تقاضای برق آینده است و یکی از اساسیترین تحلیلهای سیستم انرژی است. نیروگاهها بر اساس این پیشبینی برنامهریزی میشوند، بر این اساس تصمیمگیری خرید و فروش در بازار گرفته میشود و بر این اساس سرمایهگذاری شبکه برنامهریزی میشود. در این واحد انواع پیش بینی بار، نحوه استقرار و ارزیابی آن با هوش مصنوعی و پیامدهای مهندسی خطای پیش بینی را می آموزیم. بیایید این اصطلاح را روشن کنیم: بار، توان الکتریکی (کیلووات/مگاوات) مصرف شده در یک لحظه معین است. منحنی بار سیر این توان در طول زمان است.
افق های پیش بینی: کوتاه مدت، میان مدت، بلند مدت
پیشبینی بار اهداف مختلفی را دنبال میکند و بسته به اینکه چقدر جلوتر نگاه میکنید، به روشهای متفاوتی نیاز دارد.
بسیار کوتاه و کوتاه مدت (دقیقه تا چند روز). برای متعادل کردن شبکه، تعهد واحد (کدام کارخانه فعال خواهد شد) و پیشنهادات بازار استفاده می شود. در اینجا، آب و هوا، نوع روز (روز هفته/پایان) و مصرف اخیر قوی ترین عوامل تعیین کننده هستند. دقت بسیار مهم است زیرا خطا هزینه های عدم تعادل مستقیم را به همراه دارد.
میان مدت (هفته تا یک سال). برای برنامه ریزی تعمیر و نگهداری، تامین سوخت و قراردادهای فصلی استفاده می شود. فصلی و روندهای اقتصادی به منصه ظهور می رسد.
بلند مدت (سال). برای سرمایه گذاری شبکه و نیروگاه و برنامه ریزی ظرفیت استفاده می شود. عوامل ساختاری مانند جمعیت، رشد اقتصادی، وسایل نقلیه الکتریکی و شیوع پمپ حرارتی تعیین کننده هستند. در اینجا عدم قطعیت به طور طبیعی زیاد است و از رویکرد سناریو استفاده می شود.
نکته: بدون روشن کردن افق پیشبینی مدلی را انتخاب نکنید. مدلی که فردا را پیشبینی میکند و مدلی که سال 2035 را پیشبینی میکند، نیاز به ورودیهای کاملاً متفاوت و مدیریت عدم قطعیت متفاوت دارد.
عوامل تعیین کننده بار و ویژگی مهندسی
ورودی هایی که به یک مدل یادگیری ماشین می دهیم، ویژگی ها نامیده می شوند. پیش بینی بار خوب با انتخاب ویژگی های خوب شروع می شود. عوامل اصلی تعیین کننده بار:
- تقویم: زمان، نوع روز، آخر هفته، تعطیلات عمومی، فصل. بار از ریتم رفتار انسان پیروی می کند. صبح و عصر تپه ایجاد می کند.
- هوا: دما قوی ترین عامل (بار سرمایش و گرمایش) و به دنبال آن رطوبت، تشعشع و باد است. رابطه دما-بار به طور کلی U شکل است: بار در شرایط بسیار گرم و بسیار سرد افزایش می یابد.
- بار گذشته: مصرف یک ساعت، یک روز و یک هفته قبل (ویژگی های تاخیر) قوی ترین منادی آینده نزدیک است.
- رویدادهای ویژه: رویدادهای ورزشی بزرگ، تعطیلات طولانی، شوک های اقتصادی.
هوش مصنوعی در تولید این ویژگی ها و کشف اینکه کدام یک از آنها موثر هستند بسیار مفید است. اما مراقب یک تله باشید: نسبت دادن اطلاعاتی که در زمان پیشبینی در دسترس نخواهد بود (به عنوان مثال، دمای واقعی زمانی که باید پیشبینی شود، در حالی که ما فقط پیشبینی آبوهوا را خواهیم داشت) نشت داده ایجاد میکند و مدل را اساساً بیفایده میکند.
گام به گام: تخمین بار با هوش مصنوعی
مرحله 1 - مشکل را تعریف کنید. افق (فردا یا سال آینده)، وضوح (ساعتی) و هدف (بار کل سیستم یا تک فیدر) روشن می شود.
مرحله 2 - داده ها را آماده کنید. یک سری زمانی تمیز با رشته قبلی ایجاد می شود. اطلاعات آب و هوا و تقویم اضافه شده است.
مرحله 3 - صفات را ایجاد کنید. ویژگی های برنامه، بار تاخیری و آب و هوا ایجاد می شود. نشتی بررسی می شود: آیا هر ویژگی در زمان پیش بینی در دسترس است؟
مرحله 4 - مدل را انتخاب و آموزش دهید. یک خط پایه ساده (به عنوان مثال "هفته گذشته در همان زمان") همیشه اولین قدم است. مدل های پیشرفته تنها در حدی ارزشمند هستند که از این پایه پیشی بگیرند. هوش مصنوعی در تولید کد مدل و خط لوله ویژگی مفید است.
مرحله 5 - ارزیابی مدل در یک دوره زمانی آزمایش می شود که نمی بیند (دوره آینده). هرگز در داده های آموزشی ارزیابی نمی شود. معیارها بر اساس ساعت و رژیم تجزیه می شوند.
مرحله 6 - عدم قطعیت را گزارش کنید. یک محدوده (باند پیش بینی) داده می شود، نه یک عدد. افزونگی شبکه بر اساس این باند برنامه ریزی شده است.
خطای پیش بینی اندازه گیری: MAPE و فراتر از آن
چندین معیار برای اندازه گیری کیفیت پیش بینی استفاده می شود. MAPE (میانگین درصد مطلق خطا) میانگین درصد اختلاف بین پیش بینی و واقعیت است. تفسیر آن آسان است. به طور معمول 1 تا 3 درصد MAPE برای پیش بینی بار کوتاه مدت در سطح سیستم خوب در نظر گرفته می شود. در سطح تک ساختمان/تغذیه کننده، این مقدار به طور طبیعی بالاتر است زیرا مصرف کننده منفرد متغیرتر است.
اما MAPE به تنهایی می تواند گمراه کننده باشد. حتی اگر میانگین پایین به نظر برسد، ممکن است انحراف سیستماتیک در ساعات اوج مصرف وجود داشته باشد و شبکه درست در اوج حیاتی است. بنابراین لازم است خطا به صورت جداگانه به صورت ساعتی، روز و به ویژه در لحظات اوج بررسی شود. علاوه بر این، جهت خطا مهم است: دست کم برآورد مداوم (کم برآورد تقاضا) منجر به برنامه تولید ناکافی و ایجاد عدم تعادل می شود.
احتیاط: گفتن "MAPE 2 درصد است، عالی است" کافی نیست. اگر ساعت اوج MAPE 6 درصد باشد و شما به طور مداوم اوج عصر را دست کم بگیرید، تعادل شبکه با آن مدل به خطر می افتد. هرگز میانگین متریک را بدون تقسیم کردن آن بر اساس رژیم ایمن در نظر نگیرید.
سه مورد کوچک: با اعداد
مورد 1 - عدم عبور از خط پایه. یک تیم یک مدل پیچیده ساخت و 2.8 درصد MAPE گرفت و خوشحال شد. سپس مبنای ساده «هفته گذشته یکسان + تصحیح دما» 2.6 درصد را نشان داد. مدل پیچیده نتوانست از پایه عبور کند. هیچ ارزشی در پیچیدگی اضافی وجود نداشت. درس: همیشه ابتدا پایه ساده را بسازید.
مورد 2 - نقطه کور بالای سر. مدل یک شرکت توزیع با 2.1 درصد در MAPE کلی خوب بود، اما به طور مداوم آن را تا 7 درصد در اوج تهویه مطبوع عصر تابستان پیشبینی نمیکرد. این باعث ایجاد بار و افت ولتاژ غیرمنتظره در چند روز گرم شد. وقتی «تعداد روزهای گرم متوالی» (انباشت گرمای ساختمان) به ویژگی دما اضافه شد، خطای پیک به 3 درصد کاهش یافت.
مورد 3 - مهار نشت. مدل یک کارآموز به طرز باورنکردنی (0.4 درصد MAPE) در آزمون پسآزمایی خوب عمل کرد. بررسی نشان داد که مدل از دمای واقعی زمان پیشبینیشده به عنوان یک ویژگی استفاده میکند. در حالی که در واقعیت این فقط یک پیش بینی آب و هوا خواهد بود. پس از رفع نشت، MAPE به 2.5 درصد واقعی افزایش یافت. یک نتیجه "بسیار خوب" اغلب نشانه ای از خطا است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
یک مدل پیشبینی با این دادههای بار بسازید.[data]
اعلان قدرتمند:
نقش شما: کارشناس پیش بینی تقاضای انرژی هدف: پیشبینی بار ساعتی سیستم در روز آینده (24 ساعت قبل).- ابتدا یک خط پایه ساده (مثلاً در همان زمان هفته گذشته) پیشنهاد کنید و به آن ارجاع دهید.- فهرستی از ویژگیها را استخراج کنید. برای هر ویژگی، «آیا پیشبینی فوراً در دسترس است؟» علامت گذاری کنید. آنهایی را که در معرض خطر نشت هستند جدا کنید.- ارزیابی را به طور جداگانه از دوره آموزشی، در دوره بعدی انجام دهید.- MAPE را به طور کلی و جداگانه در ساعات اوج مصرف گزارش دهید. جهت خطا (کم/ زیاد) را مشخص کنید. - بگذارید نتیجه یک فاصله پیش بینی باشد نه یک عدد واحد. طرح داده ها: [ستون ها]
اعلان قدرتمند پایه را اجرا می کند، از نشت جلوگیری می کند، ارزیابی را به طور دقیق ایجاد می کند، و عدم اطمینان را قابل مشاهده می کند - چهار اشتباه کلاسیک پیش بینی بار ضعیف را حذف می کند.
چهار قالب قابل کپی
1) بررسی ویژگی و نشت:
فهرستی از ویژگیها را برای مشکل پیشبینی زیر پیشنهاد کنید: [مشکل]. برای هر ویژگی، سه اطلاعات ارائه دهید: (الف) چرا بر بار تأثیر می گذارد، (ب) پیش بینی فوراً در دسترس است، (ج) آیا خطر نشت وجود دارد. موارد نشتی را از لیست خود حذف کنید.
2) ایجاد یک مدل پایه:
حداقل دو خط مبنا ساده برای این سری بار پیشنهاد کنید (مثلاً دیروز همان ساعت، هفته گذشته همان زمان، میانگین تصحیح دما). دلیل هر کدام را بنویسید. یک مدل پیشرفته تنها در صورتی پیشنهاد می شود که این اصول اولیه را به طور معنی داری بگذراند.
3) پروتکل ارزیابی:
یک طرح ارزیابی برای این مدل تنظیم کنید: دوره های آموزشی/آزمایشی جداگانه به ترتیب زمانی (بدون نشت از آینده به گذشته). معیارها را به طور جداگانه بر اساس کلی، نوع روز و ساعت اوج محاسبه کنید. جنبه سیستماتیک خطا را گزارش کنید.
4) عدم اطمینان و تصمیم گیری:
پیش بینی را با یک محدوده (باند بالا/پایین) ارائه دهید. توضیح دهید که چگونه این فاصله زمانی با تصمیم افزونگی شبکه و مناقصه بازار مرتبط است. همچنین به این سوال پاسخ دهید که "بدترین سناریو" چه خواهد بود.
جدول افق پیش بینی
افق
مدت زمان
استفاده اساسی
عامل غالب
خیلی کوتاه
دقیقه-ساعت
تعادل، کنترل
بار اخیر
کوتاه
1-7 روز
تعهد واحد، بازار
آب و هوا، نوع روز
متوسط
هفته-سال
تعمیر و نگهداری، سوخت، قرارداد
فصلی، اقتصادی
طولانی
سال
سرمایه گذاری، ظرفیت
جمعیت، EV، پمپ حرارتی
اشتباهات رایج
- نادیده گرفتن فونداسیون ساده یک مدل پیچیده را نمی توان بدون اثبات اینکه از پایه ساده پیشی می گیرد، ارزشمند تلقی کرد.
- نشت داده ها نسبت دادن اطلاعاتی که در زمان پیش بینی در دسترس نخواهد بود، کمال کاذب تولید می کند.
- اعتماد کورکورانه به معیار میانگین. اگر ساعات اوج مصرف و انتقال فصلی به طور جداگانه بررسی نشود، شبکه در معرض خطر است.
- دادن عدد فرد پیش بینی بدون باند عدم قطعیت برای برنامه ریزی افزونگی ناقص است.
- ارزیابی داده های آموزشی مدل همیشه باید در دوره ای که قابل مشاهده نیست آزمایش شود.
به طور خلاصه
پیش بینی بار، نبض سیستم انرژی است. روش و عدم قطعیت آن بسته به افق متفاوت است. پیش بینی خوب با ویژگی های خوب شروع می شود و نیاز به دقت در برابر نشت دارد. هوش مصنوعی کمکی قدرتمند در تولید ویژگی، ساخت مدل و ارزیابی است. اما خط مبنا ساده همیشه مرجع است، ارزیابی در دوره نامرئی انجام می شود و خطا بر اساس اوج/رژیم تفسیر می شود، نه بر اساس میانگین. تخمین یک عدد واحد نیست بلکه یک محدوده تعیین شده است.
وظیفه کاربردی
یک سری بار یا مصرف بگیرید. ابتدا یک خط پایه ساده را به صورت دستی تنظیم کنید (به عنوان مثال "هفته گذشته در همان زمان"). سپس از هوش مصنوعی یک طرح پیشبینی با الگوهای «ویژگی و بررسی نشت» و «پروتکل ارزیابی» بخواهید. از خود در مورد خطر نشت هر ویژگی پیشنهادی سوال کنید. در نهایت بررسی کنید که آیا خطای پیشبینی در ساعات اوج مصرف با میانگین خطا متفاوت است یا خیر و یافته خود را یادداشت کنید.
چک لیست
- [ ] من افق پیش بینی، وضوح و هدف را روشن کردم
- [ ] یک پایه ساده ساختم و به آن اشاره کردم
- [ ] آیا هر ویژگی "فوراً پیش بینی می شود؟" من آن را برای نشتی بررسی کردم.
- [ ] ارزیابی را در یک دوره کور انجام دادم
- [ ] من MAPE را به طور جداگانه به صورت کلی و ساعت اوج بررسی کردم
- [ ] من جهت سیستماتیک خطا را بررسی کردم (کم/بالا)
- [ ] من برآورد را با طیفی از عدم قطعیت و قضاوت ارائه کردم