Voitot:
- Kyky selittää lyhyen, keskipitkän ja pitkän aikavälin kuormitusennusteiden erot ja niiden käyttöalueet energiajärjestelmässä
- Kyky suorittaa ominaisuussuunnittelua, mallien valintaa ja ennusteiden arviointia tekoälyn avulla
- Kyky mitata ennustevirhettä mittareilla, kuten MAPE, ja liittää se suunnittelun järkevyyteen ja redundanssin tarpeeseen
Sähkön varastointi on kallis ja rajoitettu hyödyke; Siksi verkon on tiedettävä etukäteen, kuinka paljon sähköä kuluttajat haluavat ja milloin. Kuormitusennuste on tulevaisuuden sähköntarpeen ennustamisen tehtävä ja yksi energiajärjestelmän perusanalyyseistä. Voimalaitokset ohjelmoidaan tämän ennusteen mukaan, osto- ja myyntipäätökset markkinoilla tehdään sen mukaisesti ja verkkoinvestoinnit suunnitellaan sen mukaisesti. Tässä osiossa opimme kuormituksen ennustamisen tyypit, sen määrittämisen ja arvioinnin tekoälyn avulla sekä ennustevirheen tekniset seuraukset. Selvennetään termiä: kuorma on tietyllä hetkellä kulutettu sähköteho (kW/MW); Kuormituskäyrä on tämän tehon kulku ajan kuluessa.
Ennustehorisontit: lyhyt, keskipitkä, pitkäaikainen
Kuormaennuste palvelee eri tarkoituksia ja vaatii erilaisia menetelmiä riippuen siitä, kuinka pitkälle katsot eteenpäin.
Erittäin lyhyt ja lyhytaikainen (minuuteista muutamaan päivään). Sitä käytetään verkon tasapainottamiseen, yksiköiden sitouttamiseen (joka laitos toimii) ja markkinatarjouksiin. Tässä sää, päivän tyyppi (arkipäivä/loppu) ja viimeaikainen kulutus ovat vahvimpia määrääviä tekijöitä. Tarkkuus on kriittinen, koska virhe aiheuttaa suoria epätasapainokustannuksia.
Keskipitkän aikavälin (viikoista yhteen vuoteen). Sitä käytetään kunnossapidon suunnitteluun, polttoainetoimituksiin ja kausisopimuksiin. Kausiluonteisuus ja taloudelliset trendit tulevat etualalle.
Pitkäaikainen (vuosia). Sitä käytetään verkko- ja voimalaitosinvestointeihin ja kapasiteetin suunnitteluun. Rakenteelliset tekijät, kuten väestö, talouskasvu, sähköautojen ja lämpöpumppujen yleisyys ovat ratkaisevia. Tässä epävarmuus on luonnollisesti suuri ja käytetään skenaariolähestymistapaa.
Vinkki: Älä valitse mallia selvittämättä ennustehorisonttia. Huomista ennustava malli ja vuotta 2035 ennustava malli vaativat täysin erilaisia panoksia ja erilaista epävarmuuden hallintaa.
Kuorman määräävät tekijät ja ominaisuussuunnittelu
Koneoppimismallille antamamme syötteet kutsutaan ominaisuuksiksi. Hyvä kuormitusennuste alkaa hyvien ominaisuuksien valinnasta. Tärkeimmät kuorman määräävät tekijät:
- Kalenteri: Aika, päivätyyppi, viikonloppu, pyhäpäivä, kausi. Kuorma seuraa ihmisen käyttäytymisen rytmiä; Tekee mäkiä aamulla ja illalla.
- Ilma: Lämpötila on vahvin tekijä (jäähdytys- ja lämmityskuorma), jota seuraavat kosteus, säteily ja tuuli. Lämpötila-varaussuhde on yleensä U-muotoinen: kuormitus kasvaa sekä erittäin kuumissa että erittäin kylmissä olosuhteissa.
- Mennyt kuormitus: Kulutus tunti, päivä ja viikko sitten (viiveominaisuudet) on lähitulevaisuuden vahvin ennuste.
- Erikoistapahtumat: Suuret urheilutapahtumat, pitkät lomat, taloudelliset shokit.
Tekoäly on erittäin hyödyllinen näiden ominaisuuksien luomisessa ja tehokkaiden ominaisuuksien selvittämisessä. Mutta varokaa ansaa: sellaisten tietojen antaminen, jotka eivät ole saatavilla ennustehetkellä (esimerkiksi ennustettavan ajan todellinen lämpötila, kun meillä on vain sääennuste), aiheuttaa tietovuotoja ja tekee mallista olennaisesti hyödyttömän.
Askel askeleelta: latausarvio tekoälyllä
Vaihe 1 – Määritä ongelma. Horisontti (huomenna tai ensi vuonna), resoluutio (tuntikohtainen) ja tavoite (järjestelmän kokonaiskuormitus tai yksittäinen syöttölaite) selvitetään.
Vaihe 2 – Valmistele tiedot. Edellisen yksikön kurinalaisuudesta muodostetaan puhdas aikasarja; Sää- ja kalenteritiedot lisätään.
Vaihe 3 – Luo määritteet. Aikataulu-, viivästetty kuorma- ja säämääritteet luodaan. Vuoto tarkistetaan: ovatko kaikki ominaisuudet käytettävissä ennustushetkellä?
Vaihe 4 – Valitse ja harjoittele malli. Yksinkertainen perusviiva (esim. "samaan aikaan viime viikolla") on aina ensimmäinen askel; Edistyneet mallit ovat arvokkaita vain siinä määrin kuin ne ylittävät tämän perustan. Tekoäly on hyödyllinen mallikoodin ja ominaisuusputken luomisessa.
Vaihe 5 – Arvioi. Mallia testataan sellaisen ajanjakson aikana, jota se ei näe (tuleva ajanjakso); Sitä ei koskaan arvioida harjoitustiedoissa. Mittarit on jaoteltu tuntien ja järjestelmien mukaan.
Vaihe 6 – Ilmoita epävarmuus. Alue (ennustealue) on annettu, ei yksittäinen numero; Verkon redundanssi on suunniteltu tämän kaistan mukaan.
Mittausennustevirhe: MAPE and Beyond
Ennusteen laadun mittaamiseen käytetään useita mittareita. MAPE (Mean Absolute Percentage Error) on keskimääräinen prosentuaalinen ero ennusteen ja todellisuuden välillä; Se on helppo tulkita. Tyypillisesti 1–3 prosenttia MAPE:ta pidetään hyvänä järjestelmätason lyhyen aikavälin kuormituksen ennustamiseen; Yksittäisen rakennuksen/syöttölaitteen tasolla tämä arvo on luonnollisesti suurempi, koska yksittäinen kuluttaja on vaihtelevampi.
Mutta MAPE yksinään voi olla harhaanjohtava. Vaikka keskiarvo näyttää alhaiselta, ruuhka-aikoina voi esiintyä systemaattista poikkeamaa ja verkko on kriittinen juuri huipulla. Siksi virhettä on tarkasteltava erikseen tunti-, päivä- ja erityisesti ruuhka-aikoina. Lisäksi virheen suunta on tärkeä: jatkuva aliarviointi (kysynnän aliarviointi) johtaa riittämättömään tuotantoaikatauluun ja luo epätasapainoa.
Varoitus: Ei riitä, että sanot "MAPE on 2 prosenttia, hienoa." Jos huipputunti MAPE on 6 prosenttia ja aliarvioi jatkuvasti iltahuippua, ruudukon tasapainotus kyseisen mallin kanssa vaarantuu. Älä koskaan pidä keskimääräistä mittaria turvallisena erittelemättä sitä järjestelmän mukaan.
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 – Perusviivan ylittämättä jättäminen. Yksi tiimi rakensi monimutkaisen mallin ja sai 2,8 prosentin MAPE:n ja oli iloinen. Sitten yksinkertainen "sama aika viime viikolla + lämpötilakorjaus" -peruste antoi 2,6 prosenttia. Monimutkainen malli ei voinut läpäistä perustaa; monimutkaisuudella ei ollut arvoa. Oppitunti: rakenna aina ensin yksinkertainen perusta.
Tapaus 2 – yläpuolella kuollut kulma. Yhden jakeluyhtiön malli oli hyvä 2,1 prosentissa MAPE:ssa, mutta aliarvioi sen jatkuvasti 7 prosentilla kesäillan ilmastointihuipun aikana. Tämä aiheutti odottamattomia kuormituksen ja jännitteen pudotuksia muutamana kuumina päivinä. Kun lämpötilamääritteeseen lisättiin "peräkkäisten kuumien päivien lukumäärä" (rakennuslämmön kertymä), huippuvirhe pieneni 3 prosenttiin.
Tapaus 3 – Vuodon estäminen. Yhden harjoittelijan malli menestyi uskomattoman hyvin (0,4 prosenttia MAPE) jälkitestauksessa. Tutkimus osoitti, että malli käytti attribuuttina ennustetun ajan todellista lämpötilaa; kun taas todellisuudessa se olisi vain sääennuste. Kun vuoto oli korjattu, MAPE nousi realistiseen 2,5 prosenttiin. "Erittäin hyvä" tulos on usein merkki virheestä.
Heikko kehote / Vahva kehote
Heikko kehote:
Luo ennustemalli näiden lataustietojen avulla.[data]
Tehokas kehotus:
Tehtäväsi: Energian kysynnän ennustamisen asiantuntija. Tarkoitus: päivä eteenpäin (24 tuntia eteenpäin) tuntikohtainen järjestelmän kuormitusennuste. - Ehdota ensin yksinkertainen perusviiva (esim. samaan aikaan viime viikolla) ja viittaa siihen. - Pura luettelo attribuuteista; JOKAISESTA määritteestä "onko ennuste heti saatavilla?" merkki. Erottele vuotovaarassa olevat henkilöt.- Suorita arviointi ERILLÄ koulutusjaksosta, myöhemmin.- Raportoi MAPE yleisesti JA erikseen ruuhka-aikoina; Määritä virheen suunta (matala/korkea). - Tuloksena olkoon ennusteväli, ei yksittäinen luku. Tietoskeema: [sarakkeet]
Tehokas kehote vahvistaa perustaa, estää vuodot, määrittää arvioinnin tarkasti ja tekee epävarmuudesta näkyväksi – karsii pois huonon kuormitusennusteen neljä klassista virhettä.
Neljä kopioitavaa mallia
1) Ominaisuuksien ja vuotojen tarkistus:
Ehdota luetteloa ominaisuuksista seuraavalle ennusteongelmalle: [ongelma]. Anna jokaisesta määritteestä kolme tietoa: (a) miksi se vaikuttaa kuormaan, (b) onko ennuste saatavilla välittömästi, (c) onko olemassa vuodon riski. Poista vuotavat luettelostasi.
2) Perusmallin luominen:
Ehdota tälle kuormitussarjalle vähintään kahta yksinkertaista perusviivaa (esim. samaan aikaan eilen, samaan aikaan viime viikolla, lämpötilakorjattu keskiarvo). Kirjoita perustelut jokaiselle. Edistynyttä mallia ehdotetaan vain, jos se läpäisee nämä perusasiat mielekkäästi.
3) Arviointipöytäkirja:
Laadi arviointisuunnitelma tälle mallille: erilliset koulutus-/testausjaksot aikajärjestyksessä (ei vuotoa tulevaisuudesta menneisyyteen). Laske tiedot erikseen yleisen, päivätyypin ja ruuhka-ajan perusteella. Ilmoita virheen systemaattisesta näkökulmasta.
4) Epävarmuus ja päätöksenteko:
Esitä ennuste vaihteluvälillä (ylempi/alakaista). Selitä, kuinka tämä aikaväli liittyy verkon redundanssiin ja markkinatarjouspäätökseen. Vastaa myös kysymykseen, mikä olisi "pahin mahdollinen skenaario".
Ennuste Horisonttitaulukko
horisontti
Kesto
Peruskäyttö
hallitseva tekijä
liian lyhyt
Minuutti-tunti
tasapainottaminen, hallinta
viimeaikainen kuorma
lyhyt
1-7 päivää
Yksikkösitoumus, markkinat
Sää, päivän tyyppi
keskikokoinen
Viikko-vuosi
Huolto, polttoaine, sopimus
kausiluonteisuus, talous
pitkä
vuotta
Investoinnit, kapasiteetti
Väestö, sähköauto, lämpöpumppu
Yleisiä virheitä
- Yksinkertaisen perustan väliin. Monimutkaista mallia ei voida pitää arvokkaana todistamatta, että se ylittää yksinkertaisen perustan.
- Tietovuoto. Sellaisten tietojen antaminen, joita ei ole saatavilla ennustushetkellä, tuottaa väärän täydellisyyden.
- Sokeasti luotetaan keskimääräiseen mittariin. Jos ruuhka-aikoja ja kausivaihteluita ei tarkastella erikseen, verkko on vaarassa.
- Parittoman luvun antaminen. Ennustaminen ilman epävarmuuskaistaa on epätäydellinen redundanssisuunnittelun kannalta.
- Harjoittelutietojen arviointi. Mallia tulee aina testata aikana, jolloin se ei ole näkyvissä.
Yhteenvetona
Kuorman ennustaminen on energiajärjestelmän pulssi; Sen menetelmä ja epävarmuus vaihtelevat horisontin mukaan. Hyvä ennuste alkaa hyvistä ominaisuuksista ja vaatii tarkkuutta vuotojen varalta. Tekoäly on tehokas apu piirteiden luomisessa, mallin rakentamisessa ja arvioinnissa; mutta yksinkertainen lähtötaso on aina referenssi, arvio tehdään näkymättömällä jaksolla ja virhe tulkitaan huipun/järjestelmän perusteella, ei keskiarvon perusteella. Arvio ei ole yksittäinen luku, vaan päätetty vaihteluväli.
Sovellustehtävä
Ota kuorma tai kulutussarja. Määritä ensin yksinkertainen perusviiva manuaalisesti (esim. "sama aika viime viikolla"). Pyydä sitten tekoälyltä ennustesuunnitelma "Attribuuttien ja vuotojen tarkistus"- ja "Arviointiprotokolla"-malleilla. Kysy itseltäsi kunkin ehdotetun ominaisuuden vuotoriskistä. Tarkista lopuksi, eroaako ruuhka-ajan ennusteen virhe keskimääräisestä virheestä ja kirjoita havaintosi muistiin.
tarkistuslista
- [ ] Selvensin ennustehorisonttia, resoluutiota ja tavoitetta
- [ ] Rakensin yksinkertaisen perustan ja viittasin siihen
- [ ] Onko jokainen määrite "ennustettu välittömästi?" Tarkistin vuotojen varalta.
- [ ] Tein arvioinnin sokealla jaksolla
- [ ] Tarkastin MAPE:n erikseen yleisen ja ruuhka-ajan perusteella
- [ ] Tarkistin virheen systemaattisen suunnan (matala/korkea)
- [ ] Esitin arvion vaihtelevin epävarmuuksin ja harkintansa mukaan