Dobici:
- Sposobnost objašnjenja razlika u kratkoročnom, srednjoročnom i dugoročnom predviđanju opterećenja i područja njihove primjene u energetskom sustavu
- Sposobnost provedbe inženjeringa značajki, odabira modela i procjene predviđanja s umjetnom inteligencijom
- Sposobnost mjerenja pogreške predviđanja pomoću metrike kao što je MAPE i povezivanja s inženjerskom razumnošću i potrebom za redundancijom
Skladištenje električne energije je skupa i ograničena roba; Stoga mreža mora unaprijed znati koliko će potrošači električne energije željeti i kada. Predviđanje opterećenja je zadatak predviđanja buduće potražnje električne energije i jedna je od najosnovnijih analiza energetskog sustava. Prema toj prognozi programiraju se elektrane, u skladu s tim donose se odluke o kupnji i prodaji na tržištu i planiraju investicije u mrežu. U ovoj jedinici naučit ćemo vrste predviđanja opterećenja, kako se ono uspostavlja i procjenjuje pomoću umjetne inteligencije te inženjerske posljedice pogreške predviđanja. Pojasnimo pojam: opterećenje je električna snaga (kW/MW) potrošena u određenom trenutku; Krivulja opterećenja je tijek ove snage kroz vrijeme.
Horizonti prognoze: kratkoročni, srednji, dugoročni
Predviđanje opterećenja služi u različite svrhe i zahtijeva različite metode ovisno o tome koliko daleko unaprijed gledate.
Vrlo kratko i kratkotrajno (minuta do nekoliko dana). Koristi se za uravnoteženje mreže, predanost jedinica (koje će postrojenje raditi) i tržišne ponude. Ovdje su vrijeme, vrsta dana (dan u tjednu/kraj) i nedavna potrošnja najjače odrednice. Točnost je ključna jer pogreška uzrokuje izravne troškove neravnoteže.
Srednjoročno (tjedni do jedne godine). Koristi se za planiranje održavanja, nabavu goriva i sezonske ugovore. Do izražaja dolaze sezonalnost i gospodarski trendovi.
Dugoročno (godine). Koristi se za investicije u mreže i elektrane te planiranje kapaciteta. Presudni su strukturni čimbenici kao što su stanovništvo, gospodarski rast, rasprostranjenost električnih vozila i dizalica topline. Ovdje je neizvjesnost prirodno velika i koristi se pristup scenarija.
Savjet: nemojte odabrati model bez razjašnjavanja horizonta prognoze. Model koji predviđa sutra i model koji predviđa 2035. zahtijevaju potpuno različite ulazne podatke i drugačije upravljanje neizvjesnošću.
Čimbenici koji određuju opterećenje i projektiranje značajki
Unosi koje dajemo modelu strojnog učenja nazivaju se značajkama. Dobro predviđanje opterećenja počinje odabirom dobrih značajki. Glavni čimbenici koji određuju opterećenje:
- Kalendar: Vrijeme, vrsta dana, vikend, državni praznik, sezona. Opterećenje prati ritam ljudskog ponašanja; Pravi brežuljke ujutro i navečer.
- Zrak: Temperatura je najjači čimbenik (opterećenje hlađenjem i grijanjem), a slijede je vlažnost, zračenje i vjetar. Odnos temperatura-naboj općenito je u obliku slova U: opterećenje se povećava iu vrlo vrućim iu vrlo hladnim uvjetima.
- Prošlo opterećenje: Potrošnja prije jednog sata, jednog dana i jednog tjedna (značajke kašnjenja) najjači je nagovještaj bliske budućnosti.
- Posebni događaji: veliki sportski događaji, dugi praznici, ekonomski šokovi.
Umjetna inteligencija vrlo je korisna u generiranju tih atributa i otkrivanju koji su od njih učinkoviti. Ali pazite na zamku: pripisivanje informacija koje neće biti dostupne u trenutku predviđanja (na primjer, stvarna temperatura vremena koje treba predvidjeti, dok ćemo imati samo vremensku prognozu) stvara curenje podataka i čini model u biti beskorisnim.
Korak po korak: Procjena opterećenja pomoću umjetne inteligencije
Korak 1 — Definirajte problem. Horizont (sutra ili iduće godine), rezolucija (po satu) i cilj (ukupno opterećenje sustava ili jedan feeder) su pojašnjeni.
Korak 2 — Pripremite podatke. Čista vremenska serija uspostavljena je s disciplinom u prethodnoj jedinici; Dodani su podaci o vremenu i kalendaru.
Korak 3 — Generirajte atribute. Izrađuju se atributi rasporeda, odgođenog opterećenja i vremena. Curenje se provjerava: je li svaka značajka dostupna u vrijeme predviđanja?
Korak 4 — Odaberite i obučite model. Jednostavna osnovna linija (npr. "isto vrijeme prošli tjedan") uvijek je prvi korak; Napredni modeli vrijedni su samo u onoj mjeri u kojoj nadilaze ovaj temelj. AI je od pomoći u generiranju koda modela i cjevovoda značajki.
Korak 5 — Procijenite. Model se testira tijekom vremenskog razdoblja koje ne vidi (buduće razdoblje); Nikada se ne procjenjuje u podacima o obuci. Mjerni podaci su raščlanjeni po satu i režimu.
Korak 6 — Prijavite nesigurnost. Naveden je raspon (pojas predviđanja), a ne jedan broj; Redundancija mreže planirana je prema ovom pojasu.
Mjerenje pogreške prognoze: MAPE i šire
Za mjerenje kvalitete predviđanja koristi se nekoliko metrika. MAPE (Mean Absolute Percentage Error) je prosječna postotna razlika između predviđanja i stvarnosti; Lako ga je protumačiti. Obično se 1 do 3 posto MAPE smatra dobrim za kratkoročno predviđanje opterećenja na razini sustava; Na razini pojedinačne zgrade/dovoda ova je vrijednost prirodno viša jer je pojedinačni potrošač varijabilniji.
Ali sam MAPE može dovesti u zabludu. Čak i ako se prosjek čini nizak, može doći do sustavnog odstupanja tijekom vršnih sati, a mreža je kritična upravo na vrhuncu. Stoga je potrebno ispitati pogrešku odvojeno na satnoj osnovi, dnevnoj bazi i posebno u vršnim trenucima. Dodatno, važan je i smjer pogreške: stalno podcjenjivanje (podcjenjivanje potražnje) dovodi do neadekvatnog rasporeda proizvodnje i stvara neravnotežu.
Oprez: Nije dovoljno reći "MAPE je 2 posto, odlično." Ako MAPE u vršnom satu iznosi 6 posto, a vi stalno podcjenjujete vršni večer, balansiranje mreže s tim modelom je ugroženo. Nikada ne smatrajte prosječnu metriku sigurnom bez raščlanjivanja prema režimu.
Tri mini kućišta: po brojevima
Slučaj 1 — Neuspjeh u prolasku osnovne linije. Jedan tim napravio je složeni model i dobio MAPE od 2,8 posto i bili su oduševljeni. Tada je jednostavna osnova "isto vrijeme prošlog tjedna + temperaturna korekcija" dala 2,6 posto. Složeni model nije mogao proći temelje; nije bilo vrijednosti u dodatnoj složenosti. Pouka: uvijek prvo izgradite jednostavne temelje.
Slučaj 2 — Mrtvi kut iznad glave. Model jedne distribucijske tvrtke bio je dobar s 2,1 posto u ukupnom MAPE-u, ali ga je dosljedno smanjivao za 7 posto tijekom ljetne večernje vrhunske klimatizacije. To je stvorilo neočekivane padove opterećenja i napona tijekom nekoliko vrućih dana. Kada je atributu temperature dodan "broj uzastopnih vrućih dana" (akumulacija topline zgrade), vršna pogreška se smanjila na 3 posto.
Slučaj 3 — Zaustavljanje curenja. Model jednog pripravnika prošao je nevjerojatno dobro (0,4 posto MAPE) u retroaktivnom testiranju. Istraživanje je pokazalo da je model koristio stvarnu temperaturu predviđenog vremena kao atribut; dok bi u stvarnosti to bila samo vremenska prognoza. Nakon što je curenje popravljeno, MAPE je porastao na realnih 2,5 posto. "Vrlo dobar" rezultat često je znak pogreške.
Slab upit / Jak upit
Slab upit:
Izradite model predviđanja s ovim podacima o učitavanju.[podaci]
Snažan upit:
Vaša uloga: Stručnjak za predviđanje potražnje za energijom. Svrha: prognoza opterećenja sustava za dan unaprijed (24 sata unaprijed).- Prvo predložite jednostavnu osnovnu liniju (npr. isto vrijeme prošlog tjedna) i navedite je.- Izdvojite popis atributa; Za SVAKI atribut, "je li predviđanje trenutno dostupno?" ocjena. Odvojite one koji su izloženi riziku od curenja.- Provedite procjenu ODVOJENO od razdoblja obuke, u kasnijem razdoblju.- Izvješćujte MAPE općenito I odvojeno tijekom sati najvećeg opterećenja; Odredite smjer pogreške (nisko/visoko). - Neka rezultat bude interval predviđanja, a ne jedan broj. Shema podataka: [stupci]
Snažni prompt pojačava temelje, sprječava curenje, utvrđuje točnu procjenu i čini neizvjesnost vidljivom - uklanjajući četiri klasične pogreške lošeg predviđanja opterećenja.
Četiri predloška za kopiranje
1) Provjera atributa i curenja:
Predložite popis značajki za sljedeći problem predviđanja: [problem]. Za svaki atribut navedite tri informacije: (a) zašto utječe na opterećenje, (b) je li predviđanje dostupno trenutno, (c) postoji li rizik od curenja. Uklonite one koji cure sa svog popisa.
2) Uspostavljanje osnovnog modela:
Predložite najmanje dvije jednostavne osnovne linije za ovu seriju opterećenja (npr. isto vrijeme jučer, isto vrijeme prošlog tjedna, temperaturno korigirani prosjek). Napišite obrazloženje za svaki. Napredni model bit će predložen samo ako smisleno zadovolji ove osnove.
3) Protokol ocjenjivanja:
Postavite plan evaluacije za ovaj model: odvojena razdoblja obuke/testiranja prema vremenskom redoslijedu (bez curenja iz budućnosti u prošlost). Izračunajte metriku zasebno prema općoj osnovi, vrsti dana i vršnom satu. Prijavite sustavni aspekt pogreške.
4) Neizvjesnost i donošenje odluka:
Predstavite prognozu s rasponom (gornji/donji pojas). Objasnite kako će ovaj interval biti povezan sa suvišnošću mreže i odlukom o tržišnom nadmetanju. Također odgovorite na pitanje koji bi bio "najgori mogući scenarij".
Tablica horizonta prognoza
horizont
Trajanje
Osnovna uporaba
dominantan faktor
prekratko
Minuta-sat
balansiranje, kontrola
nedavno opterećenje
kratko
1-7 dana
Predanost jedinice, tržište
Vrijeme, vrsta dana
srednji
Tjedan-godina
Održavanje, gorivo, ugovor
sezonalnost, ekonomičnost
dugo
godina
Investicija, kapacitet
Broj stanovnika, EV, toplinska pumpa
Uobičajene greške
- Preskakanje jednostavnog temeljca. Složen model ne može se smatrati vrijednim bez dokazivanja da nadilazi jednostavne temelje.
- Curenje podataka. Pripisivanje informacija koje neće biti dostupne u trenutku predviđanja proizvodi lažno savršenstvo.
- Slijepo vjerujući prosječnoj metrici. Ako se vršni sati i sezonski prijelazi ne ispitaju odvojeno, mreža je u opasnosti.
- Davanje neparnog broja. Predviđanje bez povezivanja nesigurnosti je nepotpuno za planiranje redundancije.
- Ocjenjivanje podataka o obuci. Model uvijek treba testirati u razdoblju u kojem nije vidljiv.
Ukratko
Predviđanje opterećenja je puls energetskog sustava; Njegova metoda i nesigurnost variraju ovisno o horizontu. Dobro predviđanje počinje s dobrim atributima i zahtijeva pedantnost protiv curenja. Umjetna inteligencija moćna je pomoć u stvaranju značajki, izgradnji modela i evaluaciji; ali jednostavna osnovna linija uvijek je referenca, procjena se vrši u neviđenom razdoblju i pogreška se tumači na bazi vršne vrijednosti/režima, a ne na prosjeku. Procjena nije jedan broj, već određeni raspon.
Zadatak aplikacije
Uzmite seriju opterećenja ili potrošnje. Najprije ručno postavite jednostavnu osnovnu liniju (npr. "isto vrijeme prošli tjedan"). Zatim zatražite od umjetne inteligencije plan predviđanja s predlošcima "Provjera atributa i curenja" i "Protokol procjene". Zapitajte se o riziku curenja svakog predloženog atributa. Na kraju provjerite razlikuje li se pogreška prognoze u vršnim satima od prosječne pogreške i zapišite svoj nalaz.
popis za provjeru
- [ ] Pojasnio sam horizont prognoze, rezoluciju i cilj
- [ ] Napravio sam jednostavan temelj i referencirao ga
- [ ] Je li svaki atribut "odmah predviđen?" Provjerio sam ima li curenja.
- [ ] Procjenu sam napravio u slijepom razdoblju
- [ ] Pregledao sam MAPE zasebno na osnovi općeg i najvećeg opterećenja
- [ ] Provjerio sam sustavni smjer pogreške (nisko/visoko)
- [ ] Predstavio sam procjenu s nizom nesigurnosti i prosudbe