Gains :
- Capacité à expliquer les différences dans la prévision de charge à court, moyen et long terme et leurs domaines d'utilisation dans le système énergétique
- Capacité à réaliser l'ingénierie des fonctionnalités, la sélection de modèles et l'évaluation des prédictions avec l'intelligence artificielle
- Capacité à mesurer l'erreur de prévision avec des mesures telles que MAPE et à la relier au caractère raisonnable de l'ingénierie et au besoin de redondance
Le stockage de l’électricité est un produit coûteux et limité ; Par conséquent, un réseau doit savoir à l’avance quelle quantité d’électricité les consommateurs voudront et à quel moment. La prévision de la charge consiste à prévoir la demande future d’électricité et constitue l’une des analyses les plus fondamentales du système énergétique. Les centrales électriques sont programmées en fonction de ces prévisions, les décisions d'achat et de vente sur le marché sont prises en conséquence et les investissements dans le réseau sont planifiés en conséquence. Dans cette unité, nous apprendrons les types de prévision de charge, comment elle est établie et évaluée avec l'intelligence artificielle, ainsi que les conséquences techniques des erreurs de prévision. Précisons le terme : la charge est la puissance électrique (kW/MW) consommée à un instant donné ; La courbe de charge est l'évolution de cette puissance dans le temps.
Horizons de prévision : court, moyen et long terme
La prévision de charge répond à différents objectifs et nécessite différentes méthodes en fonction de l'étendue à laquelle vous regardez.
Très court et court terme (quelques minutes à quelques jours). Il est utilisé pour l’équilibrage du réseau, l’engagement unitaire (quelle centrale fonctionnera) et les offres de marché. Ici, la météo, le type de jour (jour de semaine/fin) et la consommation récente sont les déterminants les plus importants. La précision est essentielle car les erreurs entraînent des coûts directs de déséquilibre.
Moyen terme (semaines à un an). Il est utilisé pour la planification de la maintenance, l'approvisionnement en carburant et les contrats saisonniers. La saisonnalité et les tendances économiques sont au premier plan.
Long terme (années). Il est utilisé pour les investissements dans les réseaux et les centrales électriques et pour la planification des capacités. Les facteurs structurels tels que la population, la croissance économique, la prévalence des véhicules électriques et des pompes à chaleur sont déterminants. Ici, l’incertitude est naturellement grande et l’approche par scénarios est utilisée.
Astuce : Ne choisissez pas un modèle sans clarifier l’horizon de prévision. Un modèle prédisant demain et un modèle prévoyant 2035 nécessitent des intrants complètement différents et une gestion de l’incertitude différente.
Facteurs déterminant la charge et l’ingénierie des fonctionnalités
Les entrées que nous donnons à un modèle d'apprentissage automatique sont appelées fonctionnalités. Une bonne prévision de charge commence par le choix de bonnes fonctionnalités. Les principaux facteurs qui déterminent la charge :
- Calendrier : Heure, type de jour, week-end, jour férié, saison. La charge suit le rythme du comportement humain ; Fait des collines le matin et le soir.
- Air : La température est le facteur le plus important (charge de refroidissement et de chauffage), suivie par l'humidité, le rayonnement et le vent. La relation température-charge est généralement en forme de U : la charge augmente aussi bien dans des conditions très chaudes que très froides.
- Charge passée : la consommation il y a une heure, un jour et une semaine (caractéristiques de décalage) est le signe avant-coureur le plus fort d'un avenir proche.
- Événements spéciaux : grands événements sportifs, longues vacances, chocs économiques.
L’intelligence artificielle est très utile pour générer ces attributs et découvrir lesquels sont efficaces. Mais attention au piège : attribuer des informations qui ne seront pas disponibles au moment de la prévision (par exemple, la température réelle du moment à prédire, alors que nous n'aurons que la prévision météo) crée des fuites de données et rend le modèle essentiellement inutile.
Étape par étape : estimation de la charge avec l'intelligence artificielle
Étape 1 — Définissez le problème. L'horizon (demain ou l'année prochaine), la résolution (horaire) et l'objectif (charge totale du système ou alimentation unique) sont clarifiés.
Étape 2 — Préparez les données. Une série temporelle propre est établie avec la discipline de l'unité précédente ; Les données météorologiques et calendaires sont ajoutées.
Étape 3 — Générez des attributs. Les attributs de planification, de chargement différé et de météo sont créés. Les fuites sont vérifiées : toutes les fonctionnalités sont-elles disponibles au moment de la prédiction ?
Étape 4 — Sélectionnez et entraînez le modèle. Une base de référence simple (par exemple « à la même heure la semaine dernière ») constitue toujours la première étape ; Les modèles avancés n’ont de valeur que dans la mesure où ils dépassent cette base. L'IA est utile pour générer le code du modèle et le pipeline de fonctionnalités.
Étape 5 — Évaluer. Le modèle est testé sur une période de temps qu'il ne voit pas (une période future) ; Il n’est jamais évalué dans les données d’entraînement. Les mesures sont ventilées par heure et par régime.
Étape 6 — Signaler l'incertitude. Une plage (bande de prédiction) est donnée, pas un seul nombre ; La redondance du réseau est prévue selon cette bande.
Mesurer l’erreur de prévision : MAPE et au-delà
Plusieurs mesures sont utilisées pour mesurer la qualité des prévisions. MAPE (Mean Absolute Percentage Error) est la différence moyenne en pourcentage entre la prédiction et la réalité ; C’est facile à interpréter. Généralement, 1 à 3 pour cent de MAPE est considéré comme bon pour la prévision de la charge à court terme au niveau du système ; Au niveau d'un seul bâtiment/alimentation, cette valeur est naturellement plus élevée car le consommateur unique est plus variable.
Mais MAPE seul peut être trompeur. Même si la moyenne semble faible, il peut y avoir des écarts systématiques aux heures de pointe, et le réseau est critique dès les heures de pointe. Il est donc nécessaire d’examiner l’erreur séparément sur une base horaire, sur une base journalière et surtout aux moments de pointe. De plus, le sens de l'erreur est important : une sous-estimation persistante (sous-estimation de la demande) conduit à un calendrier de production inadéquat et crée un déséquilibre.
Attention : il ne suffit pas de dire « MAPE est à 2 pour cent, super ». Si le MAPE aux heures de pointe est de 6 % et que vous sous-estimez systématiquement le pic du soir, l’équilibrage du réseau avec ce modèle est compromis. Ne considérez jamais la métrique moyenne comme sûre sans la ventiler par régime.
Trois mini-cases : en chiffres
Cas 1 — Échec du dépassement de la ligne de base. Une équipe a construit un modèle complexe et a obtenu un MAPE de 2,8 pour cent et a été ravie. Ensuite, la simple base « à la même heure la semaine dernière + correction de la température » a donné 2,6 pour cent. Le modèle complexe n’a pas pu franchir les fondations ; il n’y avait aucune valeur dans une complexité supplémentaire. Leçon : construisez toujours les fondations simples en premier.
Cas 2 — Angle mort aérien. Le modèle d'une société de distribution était bon à 2,1 pour cent du MAPE global, mais il l'a systématiquement sous-estimé de 7 pour cent pendant le pic de climatisation des soirées d'été. Cela a créé des chutes de charge et de tension inattendues lors de quelques journées chaudes. Lorsque le « nombre de jours chauds consécutifs » (accumulation de chaleur dans le bâtiment) a été ajouté à l'attribut de température, l'erreur maximale a diminué à 3 %.
Cas 3 — Confinement de la fuite. Le modèle d'un stagiaire a incroyablement bien réussi (0,4 % MAPE) lors des backtests. L'enquête a montré que le modèle utilisait comme attribut la température réelle de l'heure prévue ; alors qu'en réalité ce ne serait qu'une prévision météo. Une fois la fuite réparée, le MAPE a augmenté jusqu'à atteindre un taux réaliste de 2,5 pour cent. Un résultat « très bon » est souvent le signe d’une erreur.
Invite faible/Invite forte
Invite faible :
Créez un modèle de prédiction avec ces données de chargement.[data]
Invite puissante :
Votre rôle : Expert en prévision de la demande énergétique. Objectif : prévision horaire de la charge du système à l'avance (24 heures à l'avance). - Proposer d'abord une référence simple (par exemple, à la même heure la semaine dernière) et la référencer. - Extraire une liste d'attributs ; Pour CHAQUE attribut, « la prédiction est-elle instantanément disponible ? » marque. Séparer les personnes présentant un risque de fuite.- Effectuer l'évaluation SÉPARÉMENT de la période de formation, à une période ultérieure.- Signaler le MAPE en général ET séparément pendant les heures de pointe ; Spécifiez la direction de l'erreur (faible/élevée). - Que le résultat soit un intervalle de prédiction, pas un seul nombre. Schéma de données : [colonnes]
L'invite puissante renforce les fondations, empêche les fuites, établit l'évaluation avec précision et rend l'incertitude visible, éliminant ainsi les quatre erreurs classiques d'une mauvaise prévision de charge.
Quatre modèles copiables
1) Vérification des attributs et des fuites :
Proposez une liste de fonctionnalités pour le problème de prédiction suivant : [problème]. Pour chaque attribut, fournissez trois informations : (a) pourquoi cela affecte-t-il la charge, (b) la prédiction est-elle disponible instantanément, (c) y a-t-il un risque de fuite. Supprimez ceux qui fuient de votre liste.
2) Etablir un modèle de base :
Suggérez au moins deux lignes de base simples pour cette série de charges (par exemple, à la même heure hier, à la même heure la semaine dernière, moyenne corrigée de la température). Écrivez la justification de chacun. Un modèle avancé ne sera proposé que s’il satisfait de manière significative à ces bases.
3) Protocole d'évaluation :
Mettre en place un plan d'évaluation pour ce modèle : des périodes de formation/test séparées dans l'ordre chronologique (pas de fuite du futur vers le passé). Calculez les métriques séparément par général, type de jour et heure de pointe. Signaler l'aspect systématique de l'erreur.
4) Incertitude et prise de décision :
Présentez la prévision avec une plage (bande supérieure/inférieure). Expliquez comment cet intervalle sera lié à la redondance du réseau et à la décision d'appel d'offres sur le marché. Répondez également à la question de savoir quel serait le « pire des cas ».
Tableau d'horizon de prévision
horizon
Durée
Utilisation de base
facteur dominant
trop court
Minute-heure
équilibrage, contrôle
chargement récent
court
1-7 jours
Engagement unitaire, marché
Météo, type de jour
moyen
Semaine-année
Entretien, carburant, contrat
saisonnalité, économie
longtemps
années
Investissement, capacité
Population, VE, pompe à chaleur
Erreurs courantes
- Sauter les fondations simples. Un modèle complexe ne peut être considéré comme précieux sans prouver qu’il dépasse les simples fondations.
- Fuite de données. Attribuer des informations qui ne seront pas disponibles au moment de la prédiction produit une fausse perfection.
- Faire aveuglément confiance à la métrique moyenne. Si les heures de pointe et les transitions saisonnières ne sont pas examinées séparément, le réseau est en danger.
- Donner un nombre impair. La prévision sans bandes d’incertitude est incomplète pour la planification de redondance.
- Évaluation sur les données de formation. Le modèle doit toujours être testé dans une période où il n'est pas visible.
En résumé
La prévision de la charge est le pouls du système énergétique ; Sa méthode et son incertitude varient selon l'horizon. Une bonne prédiction commence par de bons attributs et nécessite une minutie contre les fuites. L'intelligence artificielle est une aide puissante dans la génération de fonctionnalités, la création de modèles et l'évaluation ; mais la ligne de base simple est toujours la référence, l'évaluation est effectuée dans la période invisible et l'erreur est interprétée sur la base d'un pic/régime, et non sur la moyenne. L'estimation n'est pas un chiffre unique mais une fourchette déterminée.
Tâche de candidature
Prenez une série de charge ou de consommation. Commencez par définir manuellement une ligne de base simple (par exemple, "à la même heure la semaine dernière"). Demandez ensuite à l’IA un plan de prédiction avec les modèles « Contrôle d’attributs et de fuites » et « Protocole d’évaluation ». Interrogez-vous sur le risque de fuite de chaque attribut proposé. Enfin, vérifiez si l’erreur de prévision aux heures de pointe diffère de l’erreur moyenne et notez votre constat.
liste de contrôle
- [ ] J'ai clarifié l'horizon de prévision, la résolution et l'objectif
- [ ] J'ai construit une fondation simple et je l'ai référencée
- [ ] Chaque attribut est-il « prédit instantanément ? » Je l'ai vérifié pour les fuites.
- [ ] J'ai fait l'évaluation en période aveugle
- [ ] J'ai examiné MAPE séparément sur une base générale et aux heures de pointe
- [ ] J'ai vérifié le sens systématique de l'erreur (bas/haut)
- [ ] J'ai présenté l'estimation avec une gamme d'incertitudes et de jugement