નફો:
- ટૂંકા, મધ્યમ અને લાંબા ગાળાના લોડની આગાહી અને ઊર્જા પ્રણાલીમાં તેમના ઉપયોગના ક્ષેત્રોમાં તફાવતો સમજાવવાની ક્ષમતા
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ફીચર એન્જિનિયરિંગ, મોડલ સિલેક્શન અને અનુમાનનું મૂલ્યાંકન કરવાની ક્ષમતા
- MAPE જેવા મેટ્રિક્સ સાથે આગાહીની ભૂલને માપવાની ક્ષમતા અને તેને એન્જિનિયરિંગની વ્યાજબીતા અને રીડન્ડન્સીની જરૂરિયાત સાથે સંબંધિત
વીજળીનો સંગ્રહ એ ખર્ચાળ અને મર્યાદિત કોમોડિટી છે; તેથી, ગ્રીડને અગાઉથી ખબર હોવી જોઈએ કે ગ્રાહકોને કેટલી વીજળી જોઈએ છે અને ક્યારે. લોડની આગાહી એ ભવિષ્યની વીજળીની માંગની આગાહી કરવાનું કાર્ય છે અને તે ઊર્જા પ્રણાલીના સૌથી મૂળભૂત વિશ્લેષણોમાંનું એક છે. પાવર પ્લાન્ટ્સ આ આગાહી અનુસાર પ્રોગ્રામ કરવામાં આવે છે, બજારમાં ખરીદી અને વેચાણના નિર્ણયો તે મુજબ લેવામાં આવે છે અને તે મુજબ નેટવર્ક રોકાણનું આયોજન કરવામાં આવે છે. આ એકમમાં, આપણે લોડની આગાહીના પ્રકારો, આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે તેની સ્થાપના અને મૂલ્યાંકન કેવી રીતે થાય છે અને આગાહીની ભૂલના એન્જિનિયરિંગ પરિણામો શીખીશું. ચાલો શબ્દને સ્પષ્ટ કરીએ: લોડ એ આપેલ ક્ષણે વપરાતી વિદ્યુત શક્તિ (kW/MW) છે; લોડ વળાંક એ સમય જતાં આ શક્તિનો કોર્સ છે.
આગાહી ક્ષિતિજ: ટૂંકા, મધ્યમ, લાંબા ગાળાના
લોડની આગાહી વિવિધ હેતુઓ પૂરી કરે છે અને તમે કેટલા આગળ જુઓ છો તેના આધારે વિવિધ પદ્ધતિઓની જરૂર પડે છે.
ખૂબ જ ટૂંકા અને ટૂંકા ગાળાના (મિનિટથી થોડા દિવસો). તેનો ઉપયોગ ગ્રીડ બેલેન્સિંગ, યુનિટ પ્રતિબદ્ધતા (કયો પ્લાન્ટ ઓપરેટ કરશે) અને માર્કેટ બિડ માટે થાય છે. અહીં, હવામાન, દિવસનો પ્રકાર (અઠવાડિયાનો દિવસ/અંત) અને તાજેતરનો વપરાશ એ સૌથી મજબૂત નિર્ણાયક છે. ચોકસાઈ મહત્વપૂર્ણ છે કારણ કે ભૂલ સીધી અસંતુલન ખર્ચનો ભોગ બને છે.
મધ્યમ ગાળા (અઠવાડિયાથી એક વર્ષ). તેનો ઉપયોગ જાળવણી આયોજન, બળતણ પુરવઠો અને મોસમી કરાર માટે થાય છે. મોસમ અને આર્થિક વલણો સામે આવે છે.
લાંબા ગાળાના (વર્ષો). તેનો ઉપયોગ નેટવર્ક અને પાવર પ્લાન્ટ રોકાણ અને ક્ષમતા આયોજન માટે થાય છે. વસ્તી, આર્થિક વૃદ્ધિ, ઇલેક્ટ્રિક વાહન અને હીટ પંપનો વ્યાપ જેવા માળખાકીય પરિબળો નિર્ણાયક છે. અહીં અનિશ્ચિતતા કુદરતી રીતે મોટી છે અને દૃશ્ય અભિગમનો ઉપયોગ કરવામાં આવ્યો છે.
ટીપ: આગાહી ક્ષિતિજને સ્પષ્ટ કર્યા વિના મોડેલ પસંદ કરશો નહીં. આવતીકાલની આગાહી કરતું મોડેલ અને 2035 ની આગાહી કરતું મોડેલ સંપૂર્ણપણે અલગ ઇનપુટ્સ અને વિવિધ અનિશ્ચિતતા વ્યવસ્થાપનની જરૂર છે.
લોડ અને ફીચર એન્જિનિયરિંગ નક્કી કરતા પરિબળો
મશીન લર્નિંગ મોડલને આપણે જે ઇનપુટ્સ આપીએ છીએ તેને ફીચર્સ કહેવામાં આવે છે. સારા લોડની આગાહી સારી સુવિધાઓ પસંદ કરવાથી શરૂ થાય છે. મુખ્ય પરિબળો જે ભાર નક્કી કરે છે:
- કેલેન્ડર: સમય, દિવસનો પ્રકાર, સપ્તાહાંત, જાહેર રજા, મોસમ. ભાર માનવ વર્તનની લયને અનુસરે છે; સવારે અને સાંજે ટેકરીઓ બનાવે છે.
- હવા: તાપમાન સૌથી મજબૂત પરિબળ છે (ઠંડક અને ગરમીનો ભાર), ત્યારબાદ ભેજ, કિરણોત્સર્ગ અને પવન. તાપમાન-ચાર્જ સંબંધ સામાન્ય રીતે U-આકારનો હોય છે: ભાર ખૂબ જ ગરમ અને ખૂબ જ ઠંડી બંને સ્થિતિમાં વધે છે.
- ભૂતકાળનો ભાર: એક કલાક, એક દિવસ અને એક અઠવાડિયા પહેલાનો વપરાશ (લેગ ફીચર્સ) એ નજીકના ભવિષ્યની સૌથી મજબૂત હાર્બિંગર છે.
- વિશેષ ઇવેન્ટ્સ: મુખ્ય રમતગમતની ઘટનાઓ, લાંબી રજાઓ, આર્થિક આંચકા.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ વિશેષતાઓ પેદા કરવા અને કઈ અસરકારક છે તે શોધવામાં ખૂબ જ ઉપયોગી છે. પરંતુ ટ્રેપથી સાવચેત રહો: એવી માહિતી કે જે આગાહીના સમયે ઉપલબ્ધ નહીં હોય (ઉદાહરણ તરીકે, આગાહી કરવાના સમયનું વાસ્તવિક તાપમાન, જ્યારે આપણી પાસે માત્ર હવામાનની આગાહી હશે) એ ડેટા લીકેજ બનાવે છે અને મોડેલને અનિવાર્યપણે નકામું બનાવે છે.
સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે અંદાજ લોડ કરો
પગલું 1 - સમસ્યાને વ્યાખ્યાયિત કરો. ક્ષિતિજ (આવતીકાલે અથવા આગામી વર્ષ), રીઝોલ્યુશન (કલાક દીઠ) અને લક્ષ્ય (કુલ સિસ્ટમ લોડ અથવા સિંગલ ફીડર) સ્પષ્ટ કરવામાં આવે છે.
પગલું 2 - ડેટા તૈયાર કરો. અગાઉના એકમમાં શિસ્ત સાથે સ્વચ્છ સમય શ્રેણીની સ્થાપના કરવામાં આવે છે; હવામાન અને કેલેન્ડર ડેટા ઉમેરવામાં આવે છે.
પગલું 3 - વિશેષતાઓ બનાવો. શેડ્યૂલ, વિલંબિત લોડ અને હવામાન લક્ષણો બનાવવામાં આવે છે. લિકેજ તપાસવામાં આવે છે: શું આગાહીના સમયે દરેક સુવિધા ઉપલબ્ધ છે?
પગલું 4 - મોડેલ પસંદ કરો અને ટ્રેન કરો. એક સરળ આધારરેખા (દા.ત. "ગયા અઠવાડિયે સમાન સમય") હંમેશા પ્રથમ પગલું છે; અદ્યતન મોડલ્સ માત્ર એટલી હદે મૂલ્યવાન છે કે તેઓ આ ફાઉન્ડેશનને વટાવે છે. AI મોડેલ કોડ અને ફીચર પાઇપલાઇન જનરેટ કરવામાં મદદરૂપ છે.
પગલું 5 - મૂલ્યાંકન કરો. મોડલનું પરીક્ષણ એવા સમયગાળા દરમિયાન કરવામાં આવે છે જે તે જોતું નથી (ભવિષ્યનો સમયગાળો); તાલીમ ડેટામાં તેનું કદી મૂલ્યાંકન થતું નથી. મેટ્રિક્સ કલાક અને શાસન દ્વારા તૂટી જાય છે.
પગલું 6 - અનિશ્ચિતતાની જાણ કરો. શ્રેણી (અનુમાન બેન્ડ) આપવામાં આવે છે, એક પણ સંખ્યા નથી; આ બેન્ડ અનુસાર નેટવર્ક રીડન્ડન્સીનું આયોજન કરવામાં આવ્યું છે.
માપવામાં આગાહી ભૂલ: MAPE અને આગળ
આગાહી ગુણવત્તા માપવા માટે કેટલાક મેટ્રિક્સનો ઉપયોગ કરવામાં આવે છે. MAPE (મીન સંપૂર્ણ ટકાવારી ભૂલ) એ આગાહી અને વાસ્તવિકતા વચ્ચે સરેરાશ ટકાવારી તફાવત છે; તેનું અર્થઘટન કરવું સરળ છે. સામાન્ય રીતે 1 થી 3 ટકા MAPE સિસ્ટમ-સ્તરના ટૂંકા ગાળાના લોડની આગાહી માટે સારું માનવામાં આવે છે; સિંગલ બિલ્ડીંગ/ફીડર સ્તરે આ મૂલ્ય સ્વાભાવિક રીતે વધારે છે કારણ કે એક ઉપભોક્તા વધુ પરિવર્તનશીલ છે.
પરંતુ એકલા MAPE ભ્રામક હોઈ શકે છે. જો સરેરાશ ઓછી લાગે તો પણ, પીક અવર્સ દરમિયાન વ્યવસ્થિત વિચલન હોઈ શકે છે, અને નેટવર્ક ટોચ પર જ મહત્વપૂર્ણ છે. તેથી, કલાકના ધોરણે, દિવસના પ્રકારને આધારે અને ખાસ કરીને ટોચની ક્ષણોમાં ભૂલની અલગથી તપાસ કરવી જરૂરી છે. વધુમાં, ભૂલની દિશા મહત્વપૂર્ણ છે: સતત ઓછો અંદાજ (માગનો ઓછો અંદાજ) અપૂરતા ઉત્પાદન શેડ્યૂલ તરફ દોરી જાય છે અને અસંતુલન બનાવે છે.
સાવધાન: "MAPE 2 ટકા છે, મહાન" કહેવું પૂરતું નથી. જો પીક અવર MAPE 6 ટકા છે અને તમે સતત સાંજના શિખરને ઓછો અંદાજ કરો છો, તો તે મોડેલ સાથે ગ્રીડ સંતુલન સાથે ચેડા કરવામાં આવે છે. શાસન દ્વારા તેને તોડ્યા વિના સરેરાશ મેટ્રિકને ક્યારેય સુરક્ષિત ન ગણશો.
ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા
કેસ 1 - આધારરેખા પસાર કરવામાં નિષ્ફળતા. એક ટીમે એક જટિલ મોડેલ બનાવ્યું અને 2.8 ટકા MAPE મેળવ્યો અને આનંદ થયો. પછી સરળ "ગયા અઠવાડિયે સમાન સમય + તાપમાન સુધારણા" આધાર 2.6 ટકા આપ્યો. જટિલ મોડેલ પાયો પસાર કરી શક્યું નથી; વધારાની જટિલતામાં કોઈ મૂલ્ય ન હતું. પાઠ: હંમેશા પહેલા સરળ પાયો બનાવો.
કેસ 2 — ઓવરહેડ બ્લાઇન્ડ સ્પોટ. એક ડિસ્ટ્રિબ્યુશન કંપનીનું મોડલ એકંદર MAPEમાં 2.1 ટકા સારું હતું પરંતુ ઉનાળાની સાંજની એર કન્ડીશનીંગ પીક દરમિયાન સતત 7 ટકાથી ઓછું અનુમાન લગાવ્યું હતું. આનાથી થોડા ગરમ દિવસોમાં અનપેક્ષિત લોડ અને વોલ્ટેજમાં ઘટાડો થયો. જ્યારે તાપમાનના લક્ષણમાં "સળંગ ગરમ દિવસોની સંખ્યા" (બિલ્ડિંગ ગરમીનું સંચય) ઉમેરવામાં આવ્યું, ત્યારે ટોચની ભૂલ ઘટીને 3 ટકા થઈ ગઈ.
કેસ 3 - લીકનું નિયંત્રણ. એક ઇન્ટર્નના મોડેલે બેકટેસ્ટિંગમાં અવિશ્વસનીય રીતે (0.4 ટકા MAPE) પ્રદર્શન કર્યું. તપાસ દર્શાવે છે કે મોડેલે એક વિશેષતા તરીકે અનુમાનિત સમયના વાસ્તવિક તાપમાનનો ઉપયોગ કર્યો હતો; જ્યારે વાસ્તવમાં તે માત્ર હવામાનની આગાહી હશે. એકવાર લીક ઠીક થઈ ગયા પછી, MAPE વાસ્તવિક 2.5 ટકા સુધી વધી ગયું. "ખૂબ સારું" પરિણામ ઘણીવાર ભૂલની નિશાની હોય છે.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ લોડ ડેટા સાથે આગાહી મોડલ બનાવો.[ડેટા]
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: ઊર્જા માંગની આગાહી નિષ્ણાત. હેતુ: દિવસ-આગળ (24 કલાક આગળ) કલાકદીઠ સિસ્ટમ લોડ અનુમાન.- પ્રથમ એક સરળ આધારરેખા પ્રસ્તાવિત કરો (દા.ત. ગયા અઠવાડિયે તે જ સમયે) અને તેનો સંદર્ભ આપો.- વિશેષતાઓની સૂચિ બહાર કાઢો; દરેક વિશેષતા માટે, "શું આગાહી તરત જ ઉપલબ્ધ છે?" ચિહ્ન લિકેજનું જોખમ ધરાવતા લોકોને અલગ કરો.- તાલીમના સમયગાળાથી અલગથી, પછીના સમયગાળામાં મૂલ્યાંકન કરો.- સામાન્ય રીતે અને પીક અવર્સ દરમિયાન અલગથી MAPEની જાણ કરો; ભૂલની દિશા સ્પષ્ટ કરો (નીચી/ઉચ્ચ). - પરિણામને અનુમાન અંતરાલ બનવા દો, એક પણ સંખ્યા નહીં. ડેટા સ્કીમા: [કૉલમ્સ]
શક્તિશાળી પ્રોમ્પ્ટ ફાઉન્ડેશનને લાગુ કરે છે, લિકેજને અટકાવે છે, મૂલ્યાંકનને સચોટ રીતે સ્થાપિત કરે છે, અને અનિશ્ચિતતાને દૃશ્યમાન બનાવે છે - નબળા લોડની આગાહીની ચાર ઉત્તમ ભૂલોને કાપી નાખે છે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) વિશેષતા અને લીક તપાસ:
નીચેની આગાહી સમસ્યા માટે સુવિધાઓની સૂચિ પ્રસ્તાવિત કરો: [સમસ્યા]. દરેક વિશેષતા માટે, માહિતીના ત્રણ ટુકડાઓ પ્રદાન કરો: (a) તે શા માટે ભારને અસર કરે છે, (b) અનુમાન તરત જ ઉપલબ્ધ છે, (c) લીક થવાનું જોખમ છે. તમારી સૂચિમાંથી લીકીને દૂર કરો.
2) મૂળભૂત મોડેલની સ્થાપના:
આ લોડ શ્રેણી માટે ઓછામાં ઓછી બે સરળ આધારરેખાઓ સૂચવો (દા.ત. ગઈકાલે એ જ સમય, ગયા અઠવાડિયે એ જ સમય, તાપમાન-સુધારેલી સરેરાશ). દરેક માટે તર્ક લખો. એક અદ્યતન મોડેલ ફક્ત ત્યારે જ પ્રસ્તાવિત કરવામાં આવશે જો તે આ મૂળભૂત બાબતોને અર્થપૂર્ણ રીતે પસાર કરે.
3) મૂલ્યાંકન પ્રોટોકોલ:
આ મોડેલ માટે મૂલ્યાંકન યોજના સેટ કરો: સમય ક્રમમાં અલગ તાલીમ/પરીક્ષણ સમયગાળો (ભવિષ્યથી ભૂતકાળમાં કોઈ લિકેજ નહીં). સામાન્ય, દિવસના પ્રકાર અને પીક કલાકના આધારે અલગથી મેટ્રિક્સની ગણતરી કરો. ભૂલના વ્યવસ્થિત પાસાની જાણ કરો.
4) અનિશ્ચિતતા અને નિર્ણય લેવાની ક્ષમતા:
શ્રેણી (ઉપલા/નીચલા બેન્ડ) સાથે આગાહી રજૂ કરો. આ અંતરાલને ગ્રીડ રીડન્ડન્સી અને માર્કેટ બિડિંગ નિર્ણય સાથે કેવી રીતે જોડવામાં આવશે તે સમજાવો. "સૌથી ખરાબ પરિસ્થિતિ" શું હશે તે પ્રશ્નનો પણ જવાબ આપો.
આગાહી ક્ષિતિજ કોષ્ટક
ક્ષિતિજ
અવધિ
મૂળભૂત ઉપયોગ
પ્રભાવશાળી પરિબળ
ખૂબ ટૂંકા
મિનિટ-કલાક
સંતુલન, નિયંત્રણ
તાજેતરનો ભાર
ટૂંકું
1-7 દિવસ
એકમ પ્રતિબદ્ધતા, બજાર
હવામાન, દિવસનો પ્રકાર
મધ્યમ
સપ્તાહ-વર્ષ
જાળવણી, બળતણ, કરાર
મોસમ, અર્થતંત્ર
લાંબી
વર્ષ
રોકાણ, ક્ષમતા
વસ્તી, EV, હીટ પંપ
સામાન્ય ભૂલો
- સરળ પાયો અવગણીને. એક જટિલ મોડેલને સાબિત કર્યા વિના મૂલ્યવાન ગણી શકાય નહીં કે તે સરળ પાયાને વટાવે છે.
- ડેટા લીક. આગાહીના સમયે ઉપલબ્ધ ન હોય તેવી માહિતીને એટ્રિબ્યુટ કરવાથી ખોટી પૂર્ણતા ઉત્પન્ન થાય છે.
- સરેરાશ મેટ્રિક પર આંધળો વિશ્વાસ કરવો. જો પીક અવર્સ અને મોસમી સંક્રમણોને અલગથી તપાસવામાં ન આવે, તો નેટવર્ક જોખમમાં છે.
- એક વિષમ નંબર આપવો. અનિશ્ચિતતાના બેન્ડિંગ વિના આગાહી કરવી એ રીડન્ડન્સી પ્લાનિંગ માટે અધૂરી છે.
- તાલીમ ડેટા પર મૂલ્યાંકન. મોડેલનું હંમેશા એવા સમયગાળામાં પરીક્ષણ કરવું જોઈએ જ્યાં તે દૃશ્યમાન ન હોય.
સારાંશમાં
લોડની આગાહી એ ઊર્જા પ્રણાલીની પલ્સ છે; તેની પદ્ધતિ અને અનિશ્ચિતતા ક્ષિતિજના આધારે બદલાય છે. સારી આગાહી સારા લક્ષણોથી શરૂ થાય છે અને લિકેજ સામે સાવચેતી જરૂરી છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ફીચર જનરેશન, મોડલ નિર્માણ અને મૂલ્યાંકનમાં એક શક્તિશાળી સહાય છે; પરંતુ સરળ આધારરેખા હંમેશા સંદર્ભ હોય છે, મૂલ્યાંકન અદ્રશ્ય સમયગાળામાં કરવામાં આવે છે અને ભૂલનું અર્થઘટન ટોચ/શાસનના આધારે કરવામાં આવે છે, સરેરાશ પર નહીં. અંદાજ એ એક નંબર નથી પણ નક્કી કરેલ શ્રેણી છે.
એપ્લિકેશન કાર્ય
લોડ અથવા વપરાશ શ્રેણી લો. સૌપ્રથમ એક સરળ આધારરેખા જાતે સેટ કરો (દા.ત. "ગયા અઠવાડિયે સમાન સમય"). પછી AI ને “એટ્રિબ્યુટ અને લિકેજ ચેક” અને “વેલ્યુએશન પ્રોટોકોલ” ટેમ્પ્લેટ્સ સાથે અનુમાન યોજના માટે પૂછો. સૂચવેલ દરેક વિશેષતાના લીક જોખમ વિશે તમારી જાતને પ્રશ્ન કરો. છેલ્લે, પીક અવર્સમાં આગાહીની ભૂલ સરેરાશ ભૂલથી અલગ છે કે કેમ તે તપાસો અને તમારી શોધ લખો.
ચેકલિસ્ટ
- [ ] મેં આગાહી ક્ષિતિજ, રીઝોલ્યુશન અને લક્ષ્ય સ્પષ્ટ કર્યું
- [ ] મેં એક સરળ પાયો બનાવ્યો અને તેનો સંદર્ભ આપ્યો
- [ ] શું દરેક લક્ષણ "તત્કાલ અનુમાનિત છે?" મેં તેને લીક્સ માટે તપાસ્યું.
- [ ] મેં અંધ સમયગાળામાં મૂલ્યાંકન કર્યું
- [ ] મેં સામાન્ય અને પીક કલાકના આધારે અલગથી MAPE ની તપાસ કરી
- [ ] મેં ભૂલની પદ્ધતિસરની દિશા તપાસી (નીચી/ઉચ્ચ)
- [ ] મેં અનિશ્ચિતતા અને નિર્ણયની શ્રેણી સાથે અંદાજ રજૂ કર્યો