Nyereség:
- Képes magyarázatot adni a rövid, közép- és hosszú távú terhelés-előrejelzés különbségeire és felhasználási területeire az energiarendszerben
- Képesség mesterséges intelligenciával jellemző tervezési, modellválasztási és előrejelzési kiértékelésre
- Képes mérni az előrejelzési hibákat olyan mérőszámokkal, mint a MAPE, és összekapcsolni azt a mérnöki ésszerűséggel és a redundancia szükségességével
A villamosenergia-tárolás drága és korlátozott áru; Ezért egy hálózatnak előre tudnia kell, hogy a fogyasztók mennyi áramot akarnak majd és mikor. A terhelés-előrejelzés a jövőbeni villamosenergia-igény előrejelzésének feladata, és az energiarendszer egyik legalapvetőbb elemzése. Az erőműveket ennek az előrejelzésnek megfelelően programozzák, ennek megfelelően hozzák meg a vételi és eladási döntéseket a piacon, és ennek megfelelően tervezik a hálózati beruházásokat. Ebben a tananyagban megismerkedünk a terhelés-előrejelzés típusaival, annak mesterséges intelligenciával történő megállapításával és értékelésével, valamint az előrejelzési hiba mérnöki következményeivel. Tisztázzuk a fogalmat: terhelés az adott pillanatban fogyasztott elektromos teljesítmény (kW/MW); A terhelési görbe ennek a teljesítménynek az időbeli alakulását mutatja.
Előrejelzési horizont: rövid, közepes, hosszú távú
A terhelés-előrejelzés különböző célokat szolgál, és eltérő módszereket igényel attól függően, hogy milyen messzire tekint előre.
Nagyon rövid és rövid távú (perctől néhány napig). Hálózati kiegyenlítésre, egységlekötésre (amely üzem fog működni) és piaci ajánlattételre használják. Itt az időjárás, a nap típusa (hétnap/vége) és a legutóbbi fogyasztás a legerősebb meghatározó. A pontosság kritikus fontosságú, mert a hiba közvetlen kiegyensúlyozatlansági költségekkel jár.
Középtávú (héttől egy évig). Karbantartástervezéshez, üzemanyag-ellátáshoz és szezonális szerződésekhez használják. A szezonalitás és a gazdasági trendek előtérbe kerülnek.
Hosszú távú (év). Hálózati és erőművi beruházásokhoz, kapacitástervezéshez használják. Az olyan strukturális tényezők, mint a népesség, a gazdasági növekedés, az elektromos járművek és a hőszivattyú elterjedtsége meghatározóak. Itt természetesen nagy a bizonytalanság, és a forgatókönyv megközelítést alkalmazzuk.
Tipp: Ne válasszon modellt anélkül, hogy tisztázza az előrejelzési horizontot. A holnapot és a 2035-öt előrejelző modell teljesen más inputokat és más bizonytalanságkezelést igényel.
A terhelést meghatározó tényezők és a jellemzők tervezése
A gépi tanulási modellhez adott inputokat jellemzőknek nevezzük. A jó terhelés előrejelzése a jó tulajdonságok kiválasztásával kezdődik. A terhelést meghatározó fő tényezők:
- Naptár: Idő, naptípus, hétvége, munkaszüneti nap, évszak. A terhelés követi az emberi viselkedés ritmusát; Reggel és este dombokat készít.
- Levegő: A hőmérséklet a legerősebb tényező (hűtési és fűtési terhelés), ezt követi a páratartalom, a sugárzás és a szél. A hőmérséklet-töltés kapcsolat általában U alakú: a terhelés nagyon meleg és nagyon hideg körülmények között is növekszik.
- Múltbeli terhelés: Az egy órával, egy nappal és egy héttel ezelőtti fogyasztás (lagos jellemzők) a közeljövő legerősebb előfutára.
- Különleges események: Főbb sportesemények, hosszú ünnepek, gazdasági megrázkódtatások.
A mesterséges intelligencia nagyon hasznos ezeknek az attribútumoknak a létrehozásában és annak felderítésében, hogy melyek a hatékonyak. De óvakodjunk a csapdától: olyan információk hozzárendelése, amelyek az előrejelzés időpontjában nem állnak rendelkezésre (például a megjósolandó időpont tényleges hőmérséklete, míg csak az időjárás-előrejelzésünk lesz), adatszivárgást okoz, és lényegében használhatatlanná teszi a modellt.
Lépésről lépésre: terhelésbecslés mesterséges intelligenciával
1. lépés – Határozza meg a problémát. Tisztázódik a horizont (holnap vagy jövőre), a felbontás (óránként) és a cél (teljes rendszerterhelés vagy egyetlen adagoló).
2. lépés – Készítse elő az adatokat. Tiszta idősort hozunk létre az előző egység tudományágával; Az időjárási és naptári adatok hozzáadódnak.
3. lépés – Attribútumok létrehozása. Ütemezés, késleltetett terhelés és időjárás attribútumok jönnek létre. A szivárgást ellenőrzik: minden funkció elérhető az előrejelzés időpontjában?
4. lépés – Válassza ki és képezze be a modellt. Az első lépés mindig egy egyszerű alapvonal (pl. „a múlt héten ugyanabban az időben”); A fejlett modellek csak akkor értékesek, ha felülmúlják ezt az alapot. Az AI segít a modellkód és a szolgáltatási folyamat létrehozásában.
5. lépés – Értékelje. A modellt olyan időtartamon keresztül tesztelik, amelyet nem lát (egy jövőbeli időszak); Soha nem értékelik ki az edzésadatokban. A mutatók óra és rendszer szerinti bontásban vannak.
6. lépés – Jelentse a bizonytalanságot. Egy tartomány (előrejelzési sáv) van megadva, nem egyetlen szám; A hálózati redundanciát ennek a sávnak megfelelően tervezzük.
Mérési előrejelzési hiba: MAPE and Beyond
Számos mérőszámot használnak az előrejelzés minőségének mérésére. A MAPE (Mean Absolute Percentage Error) az előrejelzés és a valóság közötti átlagos százalékos különbség; Könnyen értelmezhető. Általában az 1-3 százalékos MAPE jó rendszerszintű rövid távú terhelés-előrejelzéshez; Az egyes épületek/táplálók szintjén ez az érték természetesen magasabb, mivel az egyedi fogyasztó változóbb.
De a MAPE önmagában félrevezető lehet. Még ha az átlag alacsonynak is tűnik, csúcsidőben szisztematikus eltérések lehetnek, és a hálózat pont a csúcson kritikus. Ezért külön kell vizsgálni a hibát óránkénti, napos jelleggel és különösen csúcsidőszakban. Emellett a hiba iránya is fontos: a tartós alulbecslés (a kereslet alulbecslése) nem megfelelő termelési ütemtervhez vezet, és egyensúlyhiányt okoz.
Vigyázat: Nem elég azt mondani, hogy "A MAPE 2 százalék, nagyszerű." Ha a MAPE csúcsidő 6 százalék, és folyamatosan alulbecsüli az esti csúcsot, akkor ezzel a modellel a rács-kiegyenlítés veszélybe kerül. Soha ne tekintse biztonságosnak az átlagos mérőszámot anélkül, hogy rendszerenként lebontotta volna.
Három mini tok: a számok szerint
1. eset – Az alapvonal átlépésének elmulasztása. Az egyik csapat egy összetett modellt épített, és 2,8 százalékos MAPE-t kapott, és nagyon örült. Akkor az egyszerű "múlt héten ugyanekkor + hőmérséklet korrekció" alap 2,6 százalékot adott. Az összetett modell nem tudott átmenni az alapokon; nem volt érték a további bonyolultságban. Tanulság: először mindig az egyszerű alapot építsd fel.
2. eset – Fej feletti holttér. Az egyik forgalmazó cég modellje 2,1 százalékkal jó volt a teljes MAPE-ban, de következetesen 7 százalékkal alulmaradt a nyári esti klímacsúcs idején. Ez váratlan terhelés- és feszültségesést okozott néhány forró napon. Ha a hőmérséklet attribútumhoz hozzáadtuk az „egymást követő forró napok számát” (épületi hőfelhalmozás), a csúcshiba 3 százalékra csökkent.
3. eset – A szivárgás elzárása. Az egyik gyakornok modellje hihetetlenül jól teljesített (0,4 százalék MAPE) a visszatesztelésben. A vizsgálat kimutatta, hogy a modell az előrejelzett idő aktuális hőmérsékletét használta attribútumként; míg a valóságban ez csak egy időjárás-előrejelzés lenne. A szivárgás megszüntetése után a MAPE reális 2,5 százalékra nőtt. A „nagyon jó” eredmény gyakran a hiba jele.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Készítsen előrejelzési modellt ezekkel a terhelési adatokkal.[data]
Erőteljes felszólítás:
Az Ön szerepe: Energiaigény-előrejelző szakértő. Cél: egy napra (24 órára előre) óránkénti rendszerterhelési előrejelzés.- Először javasoljon egy egyszerű alapállapotot (pl. a múlt héten ugyanabban az időpontban), és hivatkozzon rá.- Vonja ki az attribútumok listáját; MINDEN attribútumnál „azonnal elérhető a jóslat?” Mark. A szivárgás veszélyének kitett személyek elkülönítése.- Az értékelést a képzési időszaktól KÜLÖN, egy későbbi időszakban végezze.- A MAPE jelentése általában ÉS külön a csúcsidőben; Adja meg a hiba irányát (alacsony/magas). - Legyen az eredmény egy előrejelzési intervallum, ne egyetlen szám. Adatséma: [oszlopok]
Az erőteljes felszólítás megerősíti az alapot, megakadályozza a szivárgást, pontosan megállapítja az értékelést, és láthatóvá teszi a bizonytalanságot – kiiktatva a rossz terhelés-előrejelzés négy klasszikus hibáját.
Négy másolható sablon
1) Tulajdonság- és szivárgásellenőrzés:
Javasoljon egy listát a következő előrejelzési problémához: [probléma]. Minden attribútumhoz adjon meg három információt: (a) miért befolyásolja a terhelést, (b) azonnal elérhető-e az előrejelzés, (c) fennáll-e a szivárgás veszélye. Távolítsa el a szivárgókat a listáról.
2) Alapmodell felállítása:
Javasoljon legalább két egyszerű alapvonalat ehhez a terhelési sorozathoz (pl. tegnap ugyanabban az időben, a múlt héten ugyanabban az időben, hőmérséklettel korrigált átlag). Írd le mindegyikhez az indoklást! Fejlett modellt csak akkor javasolunk, ha értelmesen átadja ezeket az alapokat.
3) Értékelési jegyzőkönyv:
Készítsen értékelési tervet ehhez a modellhez: külön képzési/tesztelési időszakokat időrendben (nincs kiszivárgás a jövőből a múltba). Számítsa ki a mutatókat általános, naptípus és csúcsidő alapján külön-külön. Jelentse a hiba szisztematikus aspektusát.
4) Bizonytalanság és döntéshozatal:
Mutassa be az előrejelzést egy tartománnyal (felső/alsó sáv). Magyarázza el, hogy ez az intervallum hogyan kapcsolódik a hálózat redundanciájához és a piaci ajánlattételi döntéshez. Válaszoljon arra a kérdésre is, hogy mi lenne a „legrosszabb forgatókönyv”.
Előrejelzési horizont táblázat
horizonton
Időtartam
Alapvető használat
domináns tényező
túl rövid
Perc-óra
egyensúlyozás, ellenőrzés
legutóbbi terhelés
rövid
1-7 nap
Egység elkötelezettség, piac
Időjárás, naptípus
közepes
Hét-év
Karbantartás, üzemanyag, szerződés
szezonalitás, gazdaságosság
hosszú
év
Beruházás, kapacitás
Népesség, EV, hőszivattyú
Gyakori hibák
- Az egyszerű alapozás kihagyása. Egy összetett modell nem tekinthető értékesnek anélkül, hogy bebizonyítaná, hogy felülmúlja az egyszerű alapot.
- Adatszivárgás. Az olyan információk hozzárendelése, amelyek az előrejelzés időpontjában nem állnak rendelkezésre, hamis tökéletességet eredményez.
- Vakon bízva az átlagmutatóban. Ha a csúcsidőket és a szezonális átmeneteket nem vizsgáljuk külön, a hálózat veszélybe kerül.
- Páratlan szám megadása. A bizonytalansági sáv nélküli előrejelzés nem teljes a redundanciatervezés szempontjából.
- Edzési adatok kiértékelése. A modellt mindig olyan időszakban kell tesztelni, amikor nem látható.
Összefoglalva
A terhelés előrejelzése az energiarendszer pulzusa; Módszere és bizonytalansága horizontonként változik. A jó előrejelzés jó tulajdonságokkal kezdődik, és alaposságot igényel a szivárgás ellen. A mesterséges intelligencia hatékony segítség a funkciók generálásában, a modellépítésben és a kiértékelésben; de mindig az egyszerű alapvonal a referencia, az értékelés a nem látott időszakban történik és a hiba értelmezése csúcs/rezsim alapon történik, nem átlagon. A becslés nem egyetlen szám, hanem egy meghatározott tartomány.
Pályázati feladat
Vegyünk egy terhelést vagy fogyasztási sorozatot. Először állítson be egy egyszerű alapvonalat manuálisan (pl. „múlt héten ugyanabban az időben”). Ezután kérjen az AI-tól egy előrejelzési tervet az „Attribútum- és szivárgásellenőrzés” és az „Értékelési protokoll” sablonokkal. Kérdezze meg magát az egyes javasolt tulajdonságok szivárgási kockázatáról. Végül ellenőrizze, hogy a csúcsidőszaki előrejelzés hibája eltér-e az átlagos hibától, és írja le a megállapítást.
ellenőrző lista
- [ ] Pontosítottam az előrejelzési horizontot, felbontást és célt
- [ ] Felépítettem egy egyszerű alapot, és hivatkoztam rá
- [ ] Minden attribútum "azonnal megjósolható"? Megnéztem, hogy nincs-e benne szivárgás.
- [ ] Az értékelést vakidőszakban végeztem
- [ ] A MAPE-t külön vizsgáltam általános és csúcsidőben
- [ ] Ellenőriztem a hiba szisztematikus irányát (alacsony/magas)
- [ ] A becslést bizonytalansági és ítélőképességi tartományban mutattam be