תחזית עומס וביקוש

רווחים:

• יכולת להסביר את ההבדלים בחיזוי עומסים לטווח קצר, בינוני וארוך ותחומי השימוש שלהם במערכת האנרגיה
• יכולת לבצע הנדסת תכונות, בחירת דגמים והערכת חיזוי עם בינה מלאכותית
• יכולת למדוד שגיאות תחזית עם מדדים כמו MAPE ולקשר אותה לסבירות הנדסית ולצורך ביתירות

אחסון חשמל הוא מצרך יקר ומצומצם; לכן, רשת חייבת לדעת מראש כמה ירצו צרכני החשמל ומתי. חיזוי עומס היא המשימה של חיזוי ביקוש לחשמל עתידי והיא אחד הניתוחים הבסיסיים ביותר של מערכת האנרגיה. תחנות הכוח מתוכנתות לפי תחזית זו, בהתאם לכך מתקבלות החלטות קנייה ומכירה בשוק, ובהתאם לכך מתוכננת ההשקעה ברשת. ביחידה זו נלמד את סוגי חיזוי העומס, כיצד הוא מתבסס ומוערך באמצעות בינה מלאכותית, ואת ההשלכות ההנדסיות של שגיאת חיזוי. בואו נבהיר את המונח: עומס הוא ההספק החשמלי (kW/MW) הנצרך ברגע נתון; עקומת העומס היא מהלך ההספק הזה לאורך זמן.

אופקי תחזית: קצר, בינוני, ארוך טווח

חיזוי עומס משרת מטרות שונות ודורש שיטות שונות בהתאם לכמה רחוק אתה מסתכל קדימה.

טווח קצר וקצר מאוד (דקות עד כמה ימים). הוא משמש לאיזון רשת, התחייבות ליחידה (איזה מפעל יפעל) והצעות שוק. כאן, מזג האוויר, סוג היום (יום חול/סוף) והצריכה האחרונה הם הקובעים החזקים ביותר. הדיוק הוא קריטי מכיוון שגיאה גורמת לעלויות ישירות של חוסר איזון.

טווח בינוני (שבועות עד שנה). הוא משמש לתכנון תחזוקה, אספקת דלק וחוזים עונתיים. מגמות עונתיות ומגמות כלכליות באות לידי ביטוי.

לטווח ארוך (שנים). הוא משמש להשקעות ברשת ותחנות כוח ותכנון קיבולת. גורמים מבניים כמו אוכלוסיה, צמיחה כלכלית, שכיחות רכב חשמלי ומשאבת חום הם המכריעים. כאן אי הוודאות גדולה באופן טבעי ונעשה שימוש בגישת התרחישים.

טיפ: אל תבחרו דגם מבלי להבהיר את אופק התחזית. מודל החוזה את המחר ומודל החוזה את 2035 דורשים תשומות שונות לחלוטין וניהול אי ודאות שונה.

גורמים הקובעים הנדסת עומס ותכונות

התשומות שאנו נותנים למודל למידת מכונה נקראות תכונות. חיזוי עומס טוב מתחיל בבחירת תכונות טובות. הגורמים העיקריים הקובעים את העומס:

• לוח שנה: שעה, סוג יום, סוף שבוע, חג, עונה. העומס עוקב אחר קצב ההתנהגות האנושית; עושה גבעות בבוקר ובערב.
• אוויר: הטמפרטורה היא הגורם החזק ביותר (עומס קירור וחימום), ואחריו לחות, קרינה ורוח. יחסי הטמפרטורה-מטען הם בדרך כלל בצורת U: העומס גדל הן בתנאים חמים מאוד והן בתנאים קרים מאוד.
• עומס עבר: צריכה לפני שעה, יום ושבוע (מאפייני פיגור) היא המבשר החזק ביותר של העתיד הקרוב.
• אירועים מיוחדים: אירועי ספורט גדולים, חופשות ארוכות, זעזועים כלכליים.

בינה מלאכותית שימושית מאוד ביצירת תכונות אלו וגילוי אילו מהן יעילות. אבל היזהרו ממלכודת: ייחוס מידע שלא יהיה זמין בזמן החיזוי (לדוגמה, הטמפרטורה האמיתית של הזמן שיש לחזות, בעוד שתהיה לנו רק תחזית מזג האוויר) יוצרת דליפת נתונים והופכת את המודל לחסר תועלת בעצם.

שלב אחר שלב: טען הערכת בינה מלאכותית

שלב 1 - הגדר את הבעיה. האופק (מחר או שנה הבאה), הרזולוציה (לשעה) והמטרה (עומס המערכת הכולל או מזין בודד) מובהרים.

שלב 2 - הכן את הנתונים. נקבעת סדרת זמן נקייה עם הדיסציפלינה ביחידה הקודמת; מתווספים נתוני מזג אוויר ולוח שנה.

שלב 3 - צור תכונות. נוצרות לוח זמנים, עומס מושהה ומזג אוויר. הדליפה נבדקת: האם כל תכונה זמינה בזמן החיזוי?

שלב 4 — בחר והכשרת דגם. קו בסיס פשוט (למשל "באותה שעה בשבוע שעבר") הוא תמיד הצעד הראשון; מודלים מתקדמים הם בעלי ערך רק במידה שהם עולים על הבסיס הזה. AI מועיל ביצירת קוד הדגם וצינור התכונות.

שלב 5 - הערכה. המודל נבדק על פני פרק זמן שאינו רואה (תקופה עתידית); זה אף פעם לא מוערך בנתוני ההדרכה. מדדים מחולקים לפי שעה ומשטר.

שלב 6 - דווח על אי ודאות. ניתן טווח (רצועת חיזוי), לא מספר בודד; יתירות רשת מתוכננת בהתאם לרצועה זו.

שגיאת תחזית מדידה: MAPE ומעבר

מספר מדדים משמשים למדידת איכות התחזית. MAPE (Mean Absolute Percentage Error) הוא ההפרש הממוצע באחוזים בין חיזוי למציאות; זה קל לפרש. בדרך כלל 1 עד 3 אחוז MAPE נחשב טוב לחיזוי עומסים לטווח קצר ברמת המערכת; ברמת הבניין/המזנה היחיד ערך זה גבוה יותר באופן טבעי מכיוון שהצרכן היחיד משתנה יותר.

אבל MAPE לבדה יכולה להטעות. גם אם הממוצע נראה נמוך, תיתכן סטייה שיטתית בשעות השיא, והרשת קריטית ממש בשיא. לכן יש לבחון את הטעות בנפרד על בסיס שעתי, סוג יום ובעיקר ברגעי שיא. בנוסף, כיוון השגיאה חשוב: הערכת חסר מתמשכת (הערכת חסר של הביקוש) מובילה ללוח זמנים ייצור לא מספק ויוצרת חוסר איזון.

זהירות: זה לא מספיק להגיד "MAPE הוא 2 אחוז, נהדר." אם שעת השיא MAPE היא 6 אחוזים ואתם מזלזלים בעקביות בשיא הערב, איזון הרשת עם המודל הזה נפגע. לעולם אל תשקול את המדד הממוצע בטוח מבלי לחלק אותו לפי משטר.

שלושה מיני מארזים: לפי המספרים

מקרה 1 - אי העברת קו הבסיס. צוות אחד בנה מודל מורכב וקיבל 2.8 אחוז MAPE והיה מרוצים. ואז הבסיס הפשוט של "אותה שעה בשבוע שעבר + תיקון טמפרטורה" נתן 2.6 אחוזים. המודל המורכב לא הצליח לעבור את היסוד; לא היה ערך למורכבות נוספת. לקח: תמיד בנה תחילה את הבסיס הפשוט.

מקרה 2 - נקודה עיוורת מעל הראש. דגם של חברת הפצה אחת היה טוב ב-2.1 אחוזים ב-MAPE הכולל, אך באופן עקבי לא ניבא אותו ב-7 אחוזים במהלך שיא מיזוג האוויר בקיץ בערב. זה יצר נפילות עומס ומתח בלתי צפויות בכמה ימים חמים. כאשר התווסף "מספר ימים חמים רצופים" (צבירת חום בבניין) לתכונת הטמפרטורה, שגיאת השיא ירדה ל-3 אחוזים.

מקרה 3 - בלימת הדליפה. מודל אחד של מתמחה הצליח בצורה יוצאת דופן (0.4 אחוז MAPE) ב-backtesting. החקירה הראתה שהמודל השתמש בטמפרטורה בפועל של הזמן החזוי כתכונה; ואילו במציאות זו תהיה רק ​​תחזית מזג אוויר. לאחר תיקון הדליפה, MAPE עלתה לרמה ריאלית של 2.5 אחוזים. תוצאה "טובה מאוד" היא לרוב סימן לטעות.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

בנה מודל חיזוי עם נתוני הטעינה האלה.[נתונים]

הנחיה עוצמתית:

תפקידך: מומחה לחיזוי ביקוש לאנרגיה. מטרה: תחזית עומס מערכת לפי יום (24 ​​שעות קדימה) לפי שעה.- תחילה הצע קו בסיס פשוט (למשל באותה שעה בשבוע שעבר) והתייחס אליו.- חלץ רשימה של תכונות; עבור כל תכונה, "האם התחזית זמינה באופן מיידי?" סִימָן. הפרידו את אלו שנמצאים בסיכון לדליפה.- ערכו הערכה בנפרד מתקופת ההכשרה, בתקופה מאוחרת יותר.- דווחו על MAPE באופן כללי ובנפרד בשעות השיא; ציין את כיוון השגיאה (נמוך/גבוה). - תן לתוצאה להיות מרווח חיזוי, לא מספר בודד. סכימת נתונים: [עמודות]

ההנחיה העוצמתית אוכפת את הבסיס, מונעת דליפה, מבססת את ההערכה במדויק, והופכת את אי הוודאות לעין - חותכת את ארבע הטעויות הקלאסיות של חיזוי עומס לקוי.

ארבע תבניות הניתנות להעתקה

1) בדיקת תכונה ודליפות:

הצע רשימה של תכונות עבור בעיית החיזוי הבאה: [בעיה]. עבור כל תכונה, ספק שלוש פיסות מידע: (א) מדוע היא משפיעה על העומס, (ב) האם התחזית זמינה באופן מיידי, (ג) האם יש סיכון לדליפה. הסר דולפים מהרשימה שלך.

2) הקמת מודל בסיסי:

הצע לפחות שני קווי בסיס פשוטים עבור סדרת עומס זו (למשל, אותה שעה אתמול, באותה שעה בשבוע שעבר, ממוצע מתוקן בטמפרטורה). כתוב את הרציונל לכל אחד. מודל מתקדם יוצע רק אם יעבור את היסודות הללו בצורה משמעותית.

3) פרוטוקול הערכה:

הגדר תוכנית הערכה למודל זה: הפרדת תקופות אימון/בדיקה לפי סדר זמן (ללא זליגה מהעתיד לעבר). חשב מדדים בנפרד לפי כללי, סוג יום ושעות שיא. דווח על ההיבט השיטתי של השגיאה.

4) אי ודאות וקבלת החלטות:

הציגו את התחזית עם טווח (פס עליון/תחתון). הסבירו כיצד מרווח זה יהיה קשור לעודפות הרשת ולהחלטת הצעות השוק. ענו גם על השאלה מה יהיה "התרחיש הגרוע ביותר".

טבלת אופק תחזית

אופק

משך זמן

שימוש בסיסי

גורם דומיננטי

קצר מדי

דקה-שעה

איזון, שליטה

טעינה אחרונה

קצר

1-7 ימים

מחויבות יחידה, שוק

מזג אוויר, סוג יום

בינוני

שבוע-שנה

תחזוקה, דלק, חוזה

עונתיות, כלכלה

ארוך

שנים

השקעה, יכולת

אוכלוסייה, EV, משאבת חום

טעויות נפוצות

• מדלגים על הבסיס הפשוט. מודל מורכב לא יכול להיחשב בעל ערך מבלי להוכיח שהוא עולה על הבסיס הפשוט.
• דליפת נתונים. ייחוס מידע שלא יהיה זמין בזמן החיזוי מייצר שלמות כוזבת.
• אמון עיוור במדד הממוצע. אם שעות שיא ומעברים עונתיים לא נבדקים בנפרד, הרשת בסיכון.
• מתן מספר אי זוגי. חיזוי ללא פסי אי ודאות אינו שלם עבור תכנון יתירות.
• הערכה על נתוני אימון. יש לבדוק את הדגם תמיד בתקופה שבה הוא לא נראה לעין.

לסיכום

חיזוי עומס הוא הדופק של מערכת האנרגיה; שיטתו ואי הוודאות משתנים בהתאם לאופק. חיזוי טוב מתחיל בתכונות טובות ודורש הקפדה נגד דליפה. בינה מלאכותית היא כלי עזר רב עוצמה ביצירת תכונות, בניית מודלים והערכה; אבל קו הבסיס הפשוט הוא תמיד ההתייחסות, ההערכה מתבצעת בתקופה הבלתי נראית והשגיאה מתפרשת על בסיס שיא/משטר, לא על ממוצע. האומדן אינו מספר בודד אלא טווח נחרץ.

משימת יישום

קח סדרת עומס או צריכה. תחילה הגדר קו בסיס פשוט באופן ידני (למשל "באותה שעה בשבוע שעבר"). לאחר מכן בקש מה-AI תוכנית חיזוי עם תבניות "בדיקת תכונה ודליפה" ו"פרוטוקול הערכה". שאל את עצמך לגבי סיכון הדליפה של כל תכונה מוצעת. לבסוף, בדקו האם הטעות בתחזית בשעות השיא שונה מהשגיאה הממוצעת ורשמו את הממצא שלכם.

רשימת בדיקה

• [ ] הבהרתי את אופק התחזית, הרזולוציה והיעד
• [ ] בניתי בסיס פשוט והתייחסתי אליו
• [ ] האם כל תכונה "חזויה באופן מיידי?" בדקתי אם יש דליפות.
• [ ] עשיתי את ההערכה בתקופה עיוורת
• [ ] בדקתי את MAPE בנפרד על בסיס כללי ושעות שיא
• [ ] בדקתי את הכיוון השיטתי של השגיאה (נמוך/גבוה)
• [ ] הצגתי את האומדן בטווח של אי ודאות ושיקול דעת