लोड और मांग का पूर्वानुमान

लाभ:

• लघु, मध्यम और दीर्घकालिक भार पूर्वानुमान और ऊर्जा प्रणाली में उनके उपयोग के क्षेत्रों में अंतर समझाने की क्षमता
• कृत्रिम बुद्धिमत्ता के साथ फीचर इंजीनियरिंग, मॉडल चयन और भविष्यवाणी मूल्यांकन करने की क्षमता
• एमएपीई जैसे मेट्रिक्स के साथ पूर्वानुमान त्रुटि को मापने और इसे इंजीनियरिंग तर्कसंगतता और अतिरेक की आवश्यकता से जोड़ने की क्षमता

बिजली भंडारण एक महंगी और सीमित वस्तु है; इसलिए, ग्रिड को पहले से पता होना चाहिए कि उपभोक्ताओं को कितनी बिजली चाहिए और कब चाहिए। लोड पूर्वानुमान भविष्य में बिजली की मांग की भविष्यवाणी करने का कार्य है और यह ऊर्जा प्रणाली के सबसे बुनियादी विश्लेषणों में से एक है। बिजली संयंत्रों को इस पूर्वानुमान के अनुसार प्रोग्राम किया जाता है, बाजार में खरीद और बिक्री के निर्णय तदनुसार किए जाते हैं, और नेटवर्क निवेश की योजना तदनुसार बनाई जाती है। इस इकाई में, हम लोड पूर्वानुमान के प्रकार, इसे कृत्रिम बुद्धिमत्ता के साथ कैसे स्थापित और मूल्यांकन किया जाता है, और पूर्वानुमान त्रुटि के इंजीनियरिंग परिणामों के बारे में जानेंगे। आइए शब्द को स्पष्ट करें: लोड एक निश्चित समय पर खपत की गई विद्युत शक्ति (किलोवाट/मेगावाट) है; भार वक्र समय के साथ इस शक्ति का पाठ्यक्रम है।

पूर्वानुमान क्षितिज: लघु, मध्यम, दीर्घकालिक

लोड पूर्वानुमान अलग-अलग उद्देश्यों को पूरा करता है और आप कितना आगे देखते हैं इसके आधार पर अलग-अलग तरीकों की आवश्यकता होती है।

बहुत छोटी और छोटी अवधि (मिनट से लेकर कुछ दिन तक)। इसका उपयोग ग्रिड संतुलन, इकाई प्रतिबद्धता (कौन सा संयंत्र संचालित होगा) और बाजार बोलियों के लिए किया जाता है। यहां, मौसम, दिन का प्रकार (कार्यदिवस/अंत) और हाल की खपत सबसे मजबूत निर्धारक हैं। सटीकता महत्वपूर्ण है क्योंकि त्रुटि से सीधे असंतुलन की लागत आती है।

मध्यम अवधि (सप्ताह से एक वर्ष तक)। इसका उपयोग रखरखाव योजना, ईंधन आपूर्ति और मौसमी अनुबंधों के लिए किया जाता है। मौसमी और आर्थिक रुझान सामने आते हैं।

दीर्घावधि (वर्ष)। इसका उपयोग नेटवर्क और बिजली संयंत्र निवेश और क्षमता नियोजन के लिए किया जाता है। जनसंख्या, आर्थिक विकास, इलेक्ट्रिक वाहन और ताप पंप प्रचलन जैसे संरचनात्मक कारक निर्णायक हैं। यहां अनिश्चितता स्वाभाविक रूप से बड़ी है और परिदृश्य दृष्टिकोण का उपयोग किया जाता है।

युक्ति: पूर्वानुमान क्षितिज को स्पष्ट किए बिना कोई मॉडल न चुनें। कल की भविष्यवाणी करने वाले एक मॉडल और 2035 की भविष्यवाणी करने वाले एक मॉडल को पूरी तरह से अलग इनपुट और अलग अनिश्चितता प्रबंधन की आवश्यकता होती है।

लोड और फ़ीचर इंजीनियरिंग का निर्धारण करने वाले कारक

मशीन लर्निंग मॉडल को हम जो इनपुट देते हैं, उन्हें फीचर्स कहा जाता है। अच्छे लोड की भविष्यवाणी अच्छी सुविधाओं को चुनने से शुरू होती है। भार निर्धारित करने वाले मुख्य कारक:

• कैलेंडर: समय, दिन का प्रकार, सप्ताहांत, सार्वजनिक अवकाश, मौसम। भार मानव व्यवहार की लय का अनुसरण करता है; सुबह-शाम पहाड़ियां बनाता है।
• वायु: तापमान सबसे मजबूत कारक (शीतलन और ताप भार) है, इसके बाद आर्द्रता, विकिरण और हवा हैं। तापमान-आवेश संबंध आम तौर पर यू-आकार का होता है: भार बहुत गर्म और बहुत ठंडी दोनों स्थितियों में बढ़ता है।
• पिछला भार: एक घंटा, एक दिन और एक सप्ताह पहले की खपत (अंतराल विशेषताएं) निकट भविष्य का सबसे मजबूत अग्रदूत है।
• विशेष घटनाएँ: प्रमुख खेल प्रतियोगिताएँ, लंबी छुट्टियाँ, आर्थिक झटके।

इन विशेषताओं को उत्पन्न करने और यह पता लगाने में कि कौन सी विशेषताएँ प्रभावी हैं, कृत्रिम बुद्धिमत्ता बहुत उपयोगी है। लेकिन एक जाल से सावधान रहें: ऐसी जानकारी को जिम्मेदार ठहराना जो भविष्यवाणी के समय उपलब्ध नहीं होगी (उदाहरण के लिए, भविष्यवाणी किए जाने वाले समय का वास्तविक तापमान, जबकि हमारे पास केवल मौसम का पूर्वानुमान होगा) डेटा रिसाव पैदा करता है और मॉडल को अनिवार्य रूप से बेकार बना देता है।

चरण दर चरण: आर्टिफिशियल इंटेलिजेंस के साथ अनुमान लोड करें

चरण 1 - समस्या को परिभाषित करें। क्षितिज (कल या अगले वर्ष), रिज़ॉल्यूशन (प्रति घंटा) और लक्ष्य (कुल सिस्टम लोड या एकल फीडर) स्पष्ट किए गए हैं।

चरण 2 - डेटा तैयार करें। पिछली इकाई में अनुशासन के साथ एक स्वच्छ समय श्रृंखला स्थापित की गई है; मौसम और कैलेंडर डेटा जोड़ा जाता है।

चरण 3 - विशेषताएँ उत्पन्न करें। शेड्यूल, विलंबित लोड और मौसम विशेषताएँ बनाई जाती हैं। रिसाव की जाँच की जाती है: क्या भविष्यवाणी के समय हर सुविधा उपलब्ध है?

चरण 4 - मॉडल चुनें और प्रशिक्षित करें। एक सरल आधार रेखा (उदाहरण के लिए "पिछले सप्ताह समान समय") हमेशा पहला कदम होता है; उन्नत मॉडल केवल उसी हद तक मूल्यवान हैं, जहां तक ​​वे इस आधार से आगे निकल जाते हैं। AI मॉडल कोड और फीचर पाइपलाइन तैयार करने में सहायक है।

चरण 5 - मूल्यांकन करें। मॉडल का परीक्षण उस समयावधि में किया जाता है जिसे वह नहीं देखता (भविष्य की अवधि); प्रशिक्षण डेटा में इसका मूल्यांकन कभी नहीं किया जाता है। मेट्रिक्स को घंटे और शासन के अनुसार विभाजित किया जाता है।

चरण 6 - अनिश्चितता की रिपोर्ट करें। एक सीमा (भविष्यवाणी बैंड) दी गई है, एक भी संख्या नहीं; इस बैंड के अनुसार नेटवर्क अतिरेक की योजना बनाई गई है।

पूर्वानुमान त्रुटि मापने: एमएपीई और उससे आगे

पूर्वानुमान की गुणवत्ता मापने के लिए कई मीट्रिक का उपयोग किया जाता है। एमएपीई (मीन एब्सोल्यूट परसेंटेज एरर) भविष्यवाणी और वास्तविकता के बीच औसत प्रतिशत अंतर है; इसकी व्याख्या करना आसान है. आमतौर पर 1 से 3 प्रतिशत एमएपीई को सिस्टम-स्तरीय अल्पकालिक लोड पूर्वानुमान के लिए अच्छा माना जाता है; एकल भवन/फीडर स्तर पर यह मान स्वाभाविक रूप से अधिक है क्योंकि एकल उपभोक्ता अधिक परिवर्तनशील है।

लेकिन केवल MAPE ही भ्रामक हो सकता है। भले ही औसत कम लगता हो, व्यस्त समय के दौरान व्यवस्थित विचलन हो सकता है, और चरम पर नेटवर्क महत्वपूर्ण होता है। इसलिए, प्रति घंटे के आधार पर, दिन के आधार पर और विशेष रूप से चरम क्षणों में त्रुटि की अलग-अलग जांच करना आवश्यक है। इसके अतिरिक्त, त्रुटि की दिशा महत्वपूर्ण है: लगातार कम आकलन (मांग का कम आकलन) अपर्याप्त उत्पादन कार्यक्रम की ओर ले जाता है और असंतुलन पैदा करता है।

सावधानी: यह कहना पर्याप्त नहीं है कि "एमएपीई 2 प्रतिशत है, बढ़िया है।" यदि पीक ऑवर एमएपीई 6 प्रतिशत है और आप लगातार शाम के पीक को कम आंकते हैं, तो उस मॉडल के साथ ग्रिड संतुलन से समझौता हो जाता है। औसत मीट्रिक को शासन द्वारा तोड़े बिना कभी भी सुरक्षित न समझें।

तीन मिनी मामले: संख्याओं द्वारा

केस 1 - बेसलाइन पास करने में विफलता। एक टीम ने एक जटिल मॉडल बनाया और 2.8 प्रतिशत एमएपीई प्राप्त किया और वे खुश हुए। फिर सरल "पिछले सप्ताह समान समय + तापमान सुधार" के आधार पर 2.6 प्रतिशत दिया गया। जटिल मॉडल नींव को पारित नहीं कर सका; अतिरिक्त जटिलता का कोई मूल्य नहीं था। सबक: हमेशा पहले साधारण नींव बनाएं।

केस 2 - ओवरहेड ब्लाइंड स्पॉट। एक वितरण कंपनी का मॉडल समग्र एमएपीई में 2.1 प्रतिशत पर अच्छा था, लेकिन गर्मियों की शाम की एयर कंडीशनिंग चरम के दौरान लगातार 7 प्रतिशत से कम अनुमानित था। इससे कुछ गर्म दिनों में अप्रत्याशित भार और वोल्टेज में गिरावट आई। जब तापमान विशेषता में "लगातार गर्म दिनों की संख्या" (गर्मी संचय का निर्माण) जोड़ा गया, तो चरम त्रुटि घटकर 3 प्रतिशत हो गई।

केस 3 - रिसाव की रोकथाम। एक इंटर्न के मॉडल ने बैकटेस्टिंग में अविश्वसनीय रूप से अच्छा (0.4 प्रतिशत एमएपीई) प्रदर्शन किया। जांच से पता चला कि मॉडल ने अनुमानित समय के वास्तविक तापमान को एक विशेषता के रूप में इस्तेमाल किया; जबकि हकीकत में यह सिर्फ मौसम का पूर्वानुमान होगा। एक बार रिसाव ठीक हो जाने पर, एमएपीई वास्तविक 2.5 प्रतिशत तक बढ़ गया। एक "बहुत अच्छा" परिणाम अक्सर त्रुटि का संकेत होता है।

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

इस लोड डेटा के साथ एक पूर्वानुमान मॉडल बनाएं।[डेटा]

शक्तिशाली संकेत:

आपकी भूमिका: ऊर्जा मांग पूर्वानुमान विशेषज्ञ। उद्देश्य: दिन-आगे (24 घंटे आगे) प्रति घंटा सिस्टम लोड पूर्वानुमान। - पहले एक सरल आधार रेखा प्रस्तावित करें (उदाहरण के लिए पिछले सप्ताह का समान समय) और उसका संदर्भ लें। - विशेषताओं की एक सूची निकालें; प्रत्येक विशेषता के लिए, "क्या पूर्वानुमान तुरंत उपलब्ध है?" निशान। रिसाव के जोखिम वाले लोगों को अलग करें। - प्रशिक्षण अवधि से अलग, बाद की अवधि में मूल्यांकन करें। - सामान्य रूप से एमएपीई की रिपोर्ट करें और पीक आवर्स के दौरान अलग से; त्रुटि की दिशा (निम्न/उच्च) निर्दिष्ट करें। - मान लीजिए कि परिणाम एक भविष्यवाणी अंतराल है, एक संख्या नहीं। डेटा स्कीमा: [कॉलम]

शक्तिशाली संकेत नींव को लागू करता है, रिसाव को रोकता है, मूल्यांकन को सटीक रूप से स्थापित करता है, और अनिश्चितता को दृश्यमान बनाता है - खराब लोड पूर्वानुमान की चार क्लासिक गलतियों को दूर करता है।

चार प्रतिलिपि योग्य टेम्पलेट

1) विशेषता और लीक की जाँच:

निम्नलिखित भविष्यवाणी समस्या के लिए सुविधाओं की एक सूची प्रस्तावित करें: [समस्या]। प्रत्येक विशेषता के लिए, जानकारी के तीन टुकड़े प्रदान करें: (ए) यह लोड को क्यों प्रभावित करता है, (बी) क्या पूर्वानुमान तुरंत उपलब्ध है, (सी) क्या रिसाव का खतरा है। लीक वाली बातों को अपनी सूची से हटा दें।

2) एक बुनियादी मॉडल स्थापित करना:

इस लोड श्रृंखला के लिए कम से कम दो सरल आधार रेखाएं सुझाएं (उदाहरण के लिए कल एक ही समय, पिछले सप्ताह एक ही समय, तापमान-संशोधित औसत)। प्रत्येक के लिए तर्क लिखें. एक उन्नत मॉडल तभी प्रस्तावित किया जाएगा जब वह इन बुनियादी बातों पर सार्थक रूप से खरा उतरेगा।

3) मूल्यांकन प्रोटोकॉल:

इस मॉडल के लिए एक मूल्यांकन योजना स्थापित करें: समय क्रम में अलग-अलग प्रशिक्षण/परीक्षण अवधि (भविष्य से अतीत में कोई रिसाव नहीं)। सामान्य, दिन के प्रकार और व्यस्त समय के आधार पर अलग-अलग मेट्रिक्स की गणना करें। त्रुटि के व्यवस्थित पहलू की रिपोर्ट करें.

4) अनिश्चितता और निर्णय लेना:

पूर्वानुमान को एक सीमा (ऊपरी/निचले बैंड) के साथ प्रस्तुत करें। बताएं कि यह अंतराल ग्रिड अतिरेक और बाजार बोली निर्णय से कैसे जुड़ा होगा। इस प्रश्न का भी उत्तर दें कि "सबसे खराब स्थिति" क्या होगी।

पूर्वानुमान क्षितिज तालिका

क्षितिज

अवधि

बुनियादी उपयोग

प्रमुख कारक

बहुत छोटा

मिनट-घंटा

संतुलन, नियंत्रण

हालिया लोड

लघु

1-7 दिन

इकाई प्रतिबद्धता, बाज़ार

मौसम, दिन का प्रकार

मध्यम

सप्ताह-वर्ष

रखरखाव, ईंधन, अनुबंध

मौसमी, अर्थव्यवस्था

लंबा

साल

निवेश, क्षमता

जनसंख्या, ईवी, ताप पंप

सामान्य गलतियाँ

• साधारण बुनियाद को छोड़ना। एक जटिल मॉडल को यह साबित किए बिना मूल्यवान नहीं माना जा सकता कि यह सरल आधार से बेहतर है।
• डेटा लीक. ऐसी जानकारी का श्रेय देना जो भविष्यवाणी के समय उपलब्ध नहीं होगी, झूठी पूर्णता उत्पन्न करती है।
• औसत मीट्रिक पर आंख मूंदकर भरोसा करना। यदि पीक आवर्स और मौसमी बदलावों की अलग से जांच नहीं की जाती है, तो नेटवर्क खतरे में है।
• विषम संख्या देना. अतिरेक योजना के लिए अनिश्चितता बैंडिंग के बिना पूर्वानुमान अधूरा है।
• प्रशिक्षण डेटा पर मूल्यांकन. मॉडल का परीक्षण हमेशा उस अवधि में किया जाना चाहिए जब वह दिखाई न दे।

सारांश

लोड पूर्वानुमान ऊर्जा प्रणाली की नब्ज है; इसकी विधि और अनिश्चितता क्षितिज के आधार पर भिन्न-भिन्न होती है। अच्छी भविष्यवाणी अच्छी विशेषताओं से शुरू होती है और रिसाव के प्रति सावधानी की आवश्यकता होती है। आर्टिफिशियल इंटेलिजेंस फीचर निर्माण, मॉडल निर्माण और मूल्यांकन में एक शक्तिशाली सहायता है; लेकिन सरल आधार रेखा हमेशा संदर्भ होती है, मूल्यांकन अदृश्य अवधि में किया जाता है और त्रुटि की व्याख्या शिखर/शासन के आधार पर की जाती है, औसत के आधार पर नहीं। अनुमान कोई एकल संख्या नहीं बल्कि एक निश्चित सीमा है।

आवेदन कार्य

भार या उपभोग श्रृंखला लें। सबसे पहले मैन्युअल रूप से एक सरल आधार रेखा सेट करें (उदाहरण के लिए "पिछले सप्ताह इसी समय")। फिर एआई से "विशेषता और रिसाव जांच" और "मूल्यांकन प्रोटोकॉल" टेम्पलेट्स के साथ एक भविष्यवाणी योजना के लिए पूछें। प्रत्येक सुझाई गई विशेषता के लीक जोखिम के बारे में स्वयं से प्रश्न करें। अंत में, जांचें कि क्या पीक आवर्स में पूर्वानुमान की त्रुटि औसत त्रुटि से भिन्न है और अपना निष्कर्ष लिखें।

चेकलिस्ट

• [ ] मैंने पूर्वानुमान क्षितिज, संकल्प और लक्ष्य को स्पष्ट किया
• [ ] मैंने एक साधारण आधार बनाया और उसका संदर्भ दिया
• [ ] क्या प्रत्येक विशेषता का "तत्काल पूर्वानुमान लगाया जाता है?" मैंने लीक के लिए इसकी जाँच की।
• [ ] मैंने एक अंधी अवधि में मूल्यांकन किया
• [ ] मैंने सामान्य और व्यस्त समय के आधार पर एमएपीई की अलग-अलग जांच की
• [ ] मैंने त्रुटि की व्यवस्थित दिशा की जाँच की (कम/उच्च)
• [ ] मैंने अनुमान को अनिश्चितता और निर्णय की एक श्रृंखला के साथ प्रस्तुत किया