નફો:
- SCADA, સ્માર્ટ મીટર અને માર્કેટ ડેટાની રચના, એકમો અને લાક્ષણિક ગુણવત્તા સમસ્યાઓ ઓળખવાની ક્ષમતા
- કૃત્રિમ બુદ્ધિમત્તા સાથે ગુમ થયેલ ડેટા, આઉટલિયર્સ અને ટાઇમસ્ટેમ્પ સમસ્યાઓ શોધવાની અને સફાઈ કાર્યપ્રવાહ સ્થાપિત કરવાની ક્ષમતા
- AI આઉટપુટમાં એનર્જી ટાઇમ સિરીઝમાં રિઝોલ્યુશન, ટાઇમ ઝોન અને ડેલાઇટ સેવિંગ ટાઇમ જેવા ટ્રેપ્સને ચકાસવાની ક્ષમતા
લગભગ તમામ ઉર્જા વિશ્લેષણ સમય શ્રેણીથી શરૂ થાય છે: સમય અક્ષ સાથે ગોઠવાયેલા માપ. મીટરનો 15-મિનિટનો વપરાશ, ટર્બાઇનની બીજી પરિભ્રમણ ગતિ, ફીડરનો કલાકદીઠ પ્રવાહ (વિતરણ રેખા) - આ બધું સમય શ્રેણી છે. આ એકમમાં, આપણે શીખીશું કે ઉર્જા ડેટા ક્યાંથી આવે છે, તેમાં શું ખામીઓ છે અને આ ડેટાને વિશ્વસનીય બનાવવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો. ચાલો આ સિદ્ધાંતને શરૂઆતથી સ્થાપિત કરીએ: ગંદા ડેટા સાથેનું સૌથી સ્માર્ટ વિશ્લેષણ પણ ગંદા પરિણામ આપે છે. એનર્જી એન્જિનિયરિંગમાં, મોટાભાગનો સમય મોડલ પર નહીં, પરંતુ ડેટાને વિશ્વસનીય બનાવવા માટે ખર્ચવામાં આવે છે, અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ભાગમાં સૌથી સુરક્ષિત યોગદાન આપે છે.
ઉર્જા ડેટાના સ્ત્રોતો અને માળખું
એનર્જી ડેટા મુખ્યત્વે કેટલાક સ્ત્રોતોમાંથી આવે છે. SCADA (સુપરવાઇઝરી કંટ્રોલ અને ડેટા એક્વિઝિશન સિસ્ટમ) સ્વીચબોર્ડ અને ગ્રીડ સાધનોમાંથી તાત્કાલિક માપન એકત્રિત કરે છે; તે સામાન્ય રીતે સેકન્ડ અથવા મિનિટના રિઝોલ્યુશનમાં હોય છે અને તેમાં વોલ્ટેજ, કરંટ, પાવર અને તાપમાન જેવા જથ્થાનો સમાવેશ થાય છે. સ્માર્ટ મીટર ડેટા સામાન્ય રીતે 15-મિનિટના અંતરાલ પર વપરાશને માપે છે અને તે બિલિંગ અને માંગ વિશ્લેષણ માટેનો આધાર છે. હવામાન સંબંધી ડેટા (તાપમાન, વિકિરણ, પવનની ગતિ) ઉત્પાદન અને માંગની આગાહીનું ઇનપુટ છે. બજાર ડેટા (કલાકના ભાવ) એ આર્થિક વિશ્લેષણનું ઇનપુટ છે.
આ ડેટાની સામાન્ય વિશેષતા એ છે કે તેમાં ટાઇમસ્ટેમ્પ (તારીખ-સમય ટેગ કે જેમાં દરેક માપન હોય છે) અને એક અથવા વધુ માપન મૂલ્યો હોય છે. આ સૌથી નિર્ણાયક મુદ્દો છે: જો ટાઇમસ્ટેમ્પ યોગ્ય રીતે ન સમજાય, તો બાકીનું બધું તૂટી જાય છે.
રિઝોલ્યુશન, ટાઇમ ઝોન અને ડેલાઇટ સેવિંગ ટાઇમ ટ્રેપ્સ
ઊર્જા ડેટામાં ભૂલોનો આશ્ચર્યજનક રીતે મોટો ભાગ સમય અક્ષમાંથી આવે છે. ચાલો ખાસ કરીને ત્રણ ફાંસો પ્રકાશિત કરીએ.
ઠરાવ મૂંઝવણ. શું મીટર 15-મિનિટની ઊર્જા (kWh) અથવા તાત્કાલિક શક્તિ (kW) નો અહેવાલ આપે છે? તેમને ઉમેરવાથી વિવિધ પરિણામો મળે છે: 15 મિનિટ માટે ચાર kW મૂલ્યોની સરેરાશ શક્તિ છે, જ્યારે ચારનો સરવાળો કલાકદીઠ ઊર્જાને અનુરૂપ નથી (ક્વાર્ટર-કલાકની ઊર્જાનો સરવાળો જરૂરી છે). એકમ અને રીઝોલ્યુશનને એકસાથે સમજ્યા વિના કોઈપણ સરવાળો બનાવી શકાતો નથી.
સમય ઝોન. શું ડેટા સ્થાનિક સમય (Türkiye માટે TRT/UTC+3) કે સાર્વત્રિક સમય (UTC)માં રાખવામાં આવે છે? વિવિધ સિસ્ટમોમાંથી આવતી બે શ્રેણીઓ જુદા જુદા સમય ઝોનમાં હોઈ શકે છે; સંયોજન કરતી વખતે ત્રણ-કલાકની શિફ્ટ સમગ્ર પીક અવર વિશ્લેષણને વિક્ષેપિત કરે છે.
ડેલાઇટ સેવિંગ ટાઇમ (DST). ડેલાઇટ સેવિંગ ટાઈમ પર સ્વિચ કરનારા દેશોમાં, એક કલાક વર્ષમાં એકવાર "અદૃશ્ય થઈ જાય છે" અને વર્ષમાં એકવાર "પુનરાવર્તિત" થાય છે. આ તે દિવસોમાં 23 અથવા 25 કલાકના દિવસો બનાવે છે અને કલાકદીઠ પ્રોફાઇલ તોડે છે. Türkiye એ 2016 થી કાયમી ડેલાઇટ સેવિંગ ટાઇમ (UTC+3) અમલમાં મૂક્યો હોવાથી, આ સમસ્યા સ્થાનિક ડેટા પર દેખાતી નથી, પરંતુ આંતરરાષ્ટ્રીય અથવા જૂના ડેટા સાથે કામ કરતી વખતે તમને હજી પણ તેનો સામનો કરવો પડે છે.
સૂચના: શું ટાઇમસ્ટેમ્પ માટેનું લેબલ "શ્રેણીની શરૂઆત" અથવા "શ્રેણીનો અંત" છે? શું 14:00 લેબલ થયેલ રેકોર્ડ 14:00-14:15 અથવા 13:45-14:00 સૂચવે છે? આ એક જ નિર્ણય પીક ક્લોકને એક સ્લાઈસથી બદલી શકે છે. દરેક ડેટા સેટ માટે શરૂઆતમાં આ નિયમ સ્પષ્ટ કરો.
સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ડેટા તૈયારી વર્કફ્લો
પગલું 1 - શોધ. ડેટા જાણો: કેટલી પંક્તિઓ, કઈ શ્રેણી, શું રીઝોલ્યુશન, કયું એકમ? AI ને પ્રથમ કેટલીક સો પંક્તિઓ આપવાથી અને સ્ટ્રક્ચરનો સારાંશ આપવાથી કૉલમના અર્થ અને સંભવિત એકમો ઝડપથી પ્રગટ થાય છે. પરંતુ AI નો એકમ અંદાજ એક પૂર્વધારણા છે; તે સ્ત્રોત દસ્તાવેજ પરથી પુષ્ટિ થયેલ છે.
પગલું 2 - સમયરેખાને પ્રમાણિત કરો. સિંગલ ટાઇમ ઝોન પર સ્નેપ કરો, રિઝોલ્યુશન ઠીક કરો, ટેગ નિયમનો ઉલ્લેખ કરો (શરૂઆત/અંત). AI એ કોડ જનરેટ કરી શકે છે જે અનિયમિત અંતરાલ અને ગુમ થયેલ ટાઇમસ્ટેમ્પને શોધી કાઢે છે.
પગલું 3 - અપૂર્ણ અને ડુપ્લિકેટ રેકોર્ડ્સ. કોમ્યુનિકેશન બ્રેકડાઉન ખાલીપણું અને ફરીથી ડબલ રેકોર્ડિંગ બનાવે છે. AI નિયમોનો સમૂહ ઉત્પન્ન કરે છે જે ગાબડાં અને ડુપ્લિકેશનને ફ્લેગ કરે છે; ટૂંકા ગાબડાઓ (દા.ત. એક 15 મિનિટ) યોગ્ય પદ્ધતિ દ્વારા ભરી શકાય છે, લાંબા અંતરને વિશ્લેષણમાંથી બાકાત રાખવામાં આવે છે અને જાણ કરવામાં આવે છે.
પગલું 4 - આઉટલિયર્સ. નકારાત્મક વપરાશ (ઉત્પાદન નહીં), ભૌતિક ઉપલી મર્યાદા કરતાં વધુ શક્તિ, અચાનક કૂદકા. AI આંકડાકીય અને નિયમ-આધારિત આઉટલાયર ડિટેક્શન ઓફર કરે છે; પરંતુ આઉટલીયર હંમેશા ભૂલ હોતું નથી — તે વાસ્તવિક ઘટના પણ હોઈ શકે છે (ઉદાહરણ તરીકે, ફેક્ટરી ઓનલાઈન થઈ રહી છે). એન્જિનિયર આ તફાવત બનાવે છે.
પગલું 5 - ચકાસણી. ક્લીન કરેલા ડેટાનું ભૌતિક એન્કર સાથે પરીક્ષણ કરવામાં આવે છે: સૂર્યોદય/સૂર્યાસ્તે સૌર જનરેશન રીસેટ કરવું જોઈએ, રાત્રિનો ભાર દિવસ કરતાં ઓછો હોવો જોઈએ, કુલ ઊર્જા બિલ સાથે સુસંગત હોવી જોઈએ.
ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા
કેસ 1 - એક કલાકની સ્લિપ. એક વિશ્લેષકના સૌર ઉત્પાદન ડેટાએ મધ્યાહનની ટોચ 13:00 ને બદલે 14:00 દર્શાવી હતી. સમસ્યા પેનલ સાથે ન હતી; ડેટા UTC હતો પરંતુ તે સ્થાનિક સમય હોવાનું માનવામાં આવતું હતું. જ્યારે ત્રણ-કલાકની પાળી નોંધવામાં આવી (સૂર્યોદય પહેલાં ઉત્પાદનનો દેખાવ એ એન્કરને દૂર કરી દીધો) સમગ્ર વિશ્લેષણમાં સુધારો થયો; ખોટા અર્થઘટનના આધારે રોકાણના નિર્ણયો અટકાવવામાં આવ્યા હતા.
કેસ 2 - ડુપ્લિકેટ રેકોર્ડિંગ. એક વિતરણ ફીડરના 30-દિવસના કલાકદીઠ ડેટામાં, કુલ વપરાશ અપેક્ષા કરતાં લગભગ 4 ટકા વધુ હતો. AI-આસિસ્ટેડ રિપ્લે ડિટેક્શન દર્શાવે છે કે કેટલાક કલાકો સંચાર પુનઃજોડાણમાં બે વાર રેકોર્ડ કરવામાં આવ્યા હતા. 68 પુનરાવર્તિત રેકોર્ડ ક્લિયર કર્યા પછી કુલ બિલ સાથે મેળ ખાય છે.
કેસ 3 — ખોટા શૂન્ય. સંદેશાવ્યવહારની ખોટ દરમિયાન એક મીટર "0" તરીકે વપરાશની જાણ કરી રહ્યું હતું; જો કે, વપરાશ ચાલુ રહ્યો. આ ખોટા શૂન્યએ સરેરાશ ઘટાડ્યું અને માંગની આગાહીને ગેરમાર્ગે દોરી. AI એ નિયમ સૂચવ્યો "હાજરી ધ્વજ સાથે 0 મૂલ્યોનું એકસાથે નિરીક્ષણ કરો"; ખોટા શૂન્યને ગુમ થયેલ ડેટા તરીકે ચિહ્નિત કરવામાં આવ્યા હતા અને સાચા શૂન્યથી અલગ કરવામાં આવ્યા હતા (દા.ત., બંધ કાર્યસ્થળ).
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ કાઉન્ટર ડેટાને સાફ કરો.[ડેટા]
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: એનર્જી ડેટા એનાલિસ્ટ. નીચેનો મીટર ડેટા 15 મિનિટના અંતરાલ, સ્થાનિક સમય (UTC+3) માટે છે, ટાઈમસ્ટેમ્પ અંતરાલની શરૂઆત સૂચવે છે, એકમ kWh. કાર્યો:1) ગુમ થયેલ ટાઈમસ્ટેમ્પ અને ડુપ્લિકેટ રેકોર્ડ્સ (નંબર અને સમય) ની સૂચિ બનાવો. 2) ભૌતિક ઉપલી મર્યાદા કરતાં વધુ નકારાત્મક મૂલ્ય અને મૂલ્યોને અલગથી ચિહ્નિત કરો (કોન્ટ્રેક્ટ પાવર 25); કાઢી નાખો નહીં, ફક્ત ચિહ્નિત કરો.3) ખોટા શૂન્યને વાસ્તવિક શૂન્યથી અલગ કરવા માટે એક ચેક ઑફર કરો કે જેમાં ખોટી વાતચીતની શંકા હોય. કોઈપણ મૂલ્યો જાતે ભરશો નહીં; પહેલા તેને ઓળખો અને હું ભરણની પુષ્ટિ કરીશ.
શક્તિશાળી પ્રોમ્પ્ટ શરૂઆતથી જ રીઝોલ્યુશન, ટાઇમ ઝોન, ટેગ નિયમ અને ઉપલી મર્યાદા આપે છે; તે AI પર "પહેલા શોધો, પછી પૂછો" શિસ્ત લાદે છે. આ રીતે ડેટા ચુપચાપ દૂષિત થશે નહીં.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) ડેટા પ્રોફાઇલિંગ:
નીચેના ડેટાની પ્રોફાઇલ બનાવો: પંક્તિઓની સંખ્યા, તારીખ શ્રેણી, રીઝોલ્યુશન, અંદાજિત એકમ અને દરેક કૉલમનો અર્થ, ખૂટતો દર, ન્યૂનતમ/મહત્તમ/સરેરાશ. "ચકાસવાની જરૂર છે" ટૅગ સાથે એકમ અંદાજોને ચિહ્નિત કરો.
2) સમય અક્ષ નિયંત્રણ:
આ સમય શ્રેણીમાં, શોધો: (a) અપેક્ષિત શ્રેણીની બહારનું અંતર, (b) પુનરાવર્તિત ટાઇમસ્ટેમ્પ્સ, (c) ડેલાઇટ સેવિંગ ટાઇમ/ટાઇમ ઝોનને કારણે શક્ય પાળીઓ. દરેક શોધને તેની સમય શ્રેણી સાથે સૂચિબદ્ધ કરો. તમારા સુધારણા સૂચનને અલગથી લખો; અરજી.
3) બાહ્ય નિયમ:
આ ભૌતિક મર્યાદાઓનો ઉપયોગ કરીને આઉટલાયર્સને ચિહ્નિત કરો: પાવર 0-[X] kW, તાપમાન [A]-[B] °C. આંકડાકીય આઉટલાયર્સની એક અલગ સૂચિ પણ બનાવો (દા.ત. મધ્યથી ખૂબ દૂર વિચલિત થવું). દરેક આઉટલીયર માટે, "સંભવિત ભૂલ અથવા વાસ્તવિક ઘટના" પ્રશ્ન ઉઠાવો; મને નક્કી કરવા દો.
4) સફાઈ કર્યા પછી ચકાસણી:
નીચેના ભૌતિક એન્કર સાથે સાફ કરેલા ડેટાનું પરીક્ષણ કરો અને અસંગતતાઓની જાણ કરો: રાત્રે સૌર ઉત્પાદન શૂન્ય હોવું જોઈએ; કુલ ઊર્જા અપેક્ષિત બિલ સ્તરની અંદર હોવી જોઈએ; રાત્રિનો ભાર દિવસના શિખર કરતા ઓછો હોવો જોઈએ. દરેક એન્કર માટે પાસ/ફેલ લખો.
ડેટા ગુણવત્તા મુદ્દાઓ કોષ્ટક
સમસ્યા
લક્ષણ
ચકાસણી એન્કર
સમય ઝોન શિફ્ટ
ટોચની ઘડિયાળ અતાર્કિક જગ્યાએ છે
સૂર્યોદય/સૂર્યાસ્ત સાથે સંરેખિત કરો
ઉનાળાનો સમય (DST)
23/25 કલાકના દિવસો
દિવસની લંબાઈ ગણો
નકલી શૂન્ય
સંચાર ખોટના કિસ્સામાં 0
સંચાર ધ્વજ સાથે મેળ
ફરીથી નોંધણી કરો
કુલ બિલ ઉપર
ટાઇમસ્ટેમ્પ વિશિષ્ટતા તપાસો
એકમ મૂંઝવણ
રેન્ક 60/1000 વખત વિકૃત
kW↔kWh રૂપાંતરણ ચકાસો
નકારાત્મક મૂલ્ય
જ્યારે ઉત્પાદન ન હોય ત્યારે નકારાત્મક વપરાશ
ભૌતિક સંકેત નિયમ
સામાન્ય ભૂલો
- ગુમ થયેલ ડેટાને ચુપચાપ શૂન્ય સાથે ભરી રહ્યા છીએ. શૂન્યનો અર્થ "કોઈ વપરાશ નથી", "કોઈ ડેટા" નથી; બેનું મિશ્રણ સરેરાશ અને આગાહીને વિકૃત કરે છે.
- આઉટલાયરને આપમેળે કાઢી નાખો. આઉટલીયર એક વાસ્તવિક ઘટના હોઈ શકે છે; કાઢી નાખતા પહેલા એન્જિનિયરની સમીક્ષા જરૂરી છે.
- સમય ઝોન ધારી રહ્યા છીએ. "તે કદાચ સ્થાનિક છે" એમ કહેવું એ સૌથી મોંઘી ભૂલોમાંની એક છે; હંમેશા સ્ત્રોતમાંથી ચકાસો.
- મિશ્રણ દ્વારા દ્રાવ્યતા એકત્રિત કરવી. ઊર્જા (kWh) તરીકે પાવર (kW) મૂલ્યો ઉમેરવાથી ખોટો કુલ મળે છે.
- સ્વચ્છતાની ચકાસણી કરતા નથી. સાફ કરેલ ડેટા પણ દૂષિત હોઈ શકે છે; ભૌતિક એન્કર સાથે તેનું પરીક્ષણ કરવાની ખાતરી કરો.
ટીપ: "ડેટા લોગ" માં ડેટા ક્લિનિંગના દરેક પગલાને લખો: કેટલા રેકોર્ડ્સ ચિહ્નિત કરવામાં આવ્યા હતા, કેટલી વસ્તી હતી, કયા નિયમનો ઉપયોગ કરવામાં આવ્યો હતો. આ લોગ પુનઃઉત્પાદનક્ષમતા અને ઓડિટેબિલિટી બંનેની ખાતરી કરે છે; એક વર્ષ પછી "આ નંબર ક્યાંથી આવ્યો?" પ્રશ્નનો જવાબ આપે છે.
સારાંશમાં
ઊર્જા વિશ્લેષણનો આધાર સ્વચ્છ સમય શ્રેણી છે. ડેટા SCADA, મીટર, હવામાનશાસ્ત્ર અને બજારમાંથી આવે છે; દરેક પાસે રીઝોલ્યુશન, યુનિટ, ટાઇમ ઝોન અને ડેલાઇટ સેવિંગ ટાઇમ ટ્રેપ્સ છે. AI ગુમ/ડુપ્લિકેટ/આઉટલીયર ડિટેક્શનને વેગ આપવા માટે ખૂબ જ શક્તિશાળી છે, પરંતુ કાઢી નાખવા અને ભરવાના નિર્ણયો એન્જિનિયર પાસે રહેવા જોઈએ, અને પરિણામ ભૌતિક એન્કર સાથે માન્ય હોવું જોઈએ. ટાઇમસ્ટેમ્પની યોગ્ય સમજણ વિના કોઈપણ વિશ્લેષણ વિશ્વસનીય નથી.
એપ્લિકેશન કાર્ય
તમારા હાથમાં ઊર્જા સમય શ્રેણી (મીટર, ઉત્પાદન અથવા તાપમાન) લો. "સમયરેખા ઓડિટ" અને "ડેટા પ્રોફાઇલિંગ" ટેમ્પ્લેટ્સનો ઉપયોગ કરીને AI પાસેથી ગુણવત્તા અહેવાલની વિનંતી કરો. પછી મેન્યુઅલી ત્રણ બાબતોની ચકાસણી કરો: શું એકમ અને રીઝોલ્યુશન યોગ્ય છે, શું પીક ક્લોક ભૌતિક રીતે વાજબી છે, શું કુલ ઊર્જા બિલ સાથે સુસંગત છે? તમને મળેલી ડેટા ગુણવત્તાની સમસ્યા અને તમે તેને કેવી રીતે ઠીક કરી તેનું સંક્ષિપ્તમાં વર્ણન કરો.
ચેકલિસ્ટ
- [ ] મેં ડેટાના સ્ત્રોત, રિઝોલ્યુશન અને યુનિટની પુષ્ટિ કરી છે
- [ ] મેં ટાઇમઝોન અને ટાઇમસ્ટેમ્પ લેબલનો નિયમ સ્પષ્ટ કર્યો (શરૂઆત/અંત)
- મેં ઉનાળાના સમયને કારણે 23/25 કલાકના દિવસોનું જોખમ તપાસ્યું
- [ ] મેં ગુમ થયેલ અને ડુપ્લિકેટ રેકોર્ડ શોધી કાઢ્યા અને તેની જાણ કરી
- [ ] મેં "ભૂલ અથવા ઘટના" ના ભેદ સાથે આઉટલીયર્સની તપાસ કરી
- [ ] મેં ખોટા શૂન્યને વાસ્તવિક શૂન્યથી અલગ કર્યા
- [ ] મેં ભૌતિક એન્કર વડે સાફ કરેલા ડેટાની ચકાસણી કરી અને ડેટા લોગ રાખ્યો