Keuntungan:
- Kemampuan menjelaskan perbedaan peramalan beban jangka pendek, menengah dan panjang serta area penggunaannya dalam sistem energi
- Kemampuan untuk melakukan rekayasa fitur, pemilihan model, dan evaluasi prediksi dengan kecerdasan buatan
- Kemampuan untuk mengukur kesalahan perkiraan dengan metrik seperti MAPE dan menghubungkannya dengan kewajaran teknik dan kebutuhan akan redundansi
Penyimpanan listrik merupakan komoditas yang mahal dan terbatas; Oleh karena itu, jaringan listrik harus mengetahui terlebih dahulu berapa banyak listrik yang diinginkan konsumen dan kapan. Peramalan beban adalah tugas untuk memprediksi permintaan listrik di masa depan dan merupakan salah satu analisis paling dasar dari sistem energi. Pembangkit listrik diprogram berdasarkan perkiraan ini, keputusan pembelian dan penjualan di pasar dibuat sesuai dengan itu, dan investasi jaringan direncanakan sesuai dengan itu. Dalam unit ini, kita akan mempelajari jenis perkiraan beban, cara menetapkan dan mengevaluasinya dengan kecerdasan buatan, dan konsekuensi teknis dari kesalahan perkiraan. Mari kita perjelas istilahnya: beban adalah daya listrik (kW/MW) yang dikonsumsi pada saat tertentu; Kurva beban adalah arah daya ini dari waktu ke waktu.
Cakrawala Prakiraan: Jangka Pendek, Menengah, Panjang
Perkiraan beban memiliki tujuan yang berbeda dan memerlukan metode yang berbeda tergantung pada seberapa jauh Anda melihat ke depan.
Sangat pendek dan berjangka pendek (menit hingga beberapa hari). Ini digunakan untuk penyeimbangan jaringan, komitmen unit (pabrik mana yang akan beroperasi) dan penawaran pasar. Di sini, cuaca, jenis hari (hari kerja/akhir) dan konsumsi terkini merupakan faktor penentu yang paling kuat. Akurasi sangat penting karena kesalahan menimbulkan biaya ketidakseimbangan langsung.
Jangka menengah (minggu hingga satu tahun). Ini digunakan untuk perencanaan pemeliharaan, pasokan bahan bakar, dan kontrak musiman. Tren musiman dan ekonomi semakin mengemuka.
Jangka panjang (tahun). Ini digunakan untuk investasi jaringan dan pembangkit listrik serta perencanaan kapasitas. Faktor struktural seperti populasi, pertumbuhan ekonomi, kendaraan listrik dan prevalensi pompa panas sangat menentukan. Di sini ketidakpastiannya besar dan pendekatan skenario digunakan.
Tip: Jangan memilih model tanpa memperjelas cakrawala perkiraan. Model yang memprediksi hari esok dan model yang memprediksi tahun 2035 memerlukan masukan yang sangat berbeda dan manajemen ketidakpastian yang berbeda.
Faktor Penentu Rekayasa Beban dan Fitur
Masukan yang kami berikan pada model pembelajaran mesin disebut fitur. Prediksi beban yang baik dimulai dengan memilih fitur yang bagus. Faktor utama yang menentukan beban:
- Kalender: Waktu, jenis hari, akhir pekan, hari libur, musim. Bebannya mengikuti ritme perilaku manusia; Membuat bukit pada pagi dan sore hari.
- Udara: Suhu merupakan faktor terkuat (beban pendinginan dan pemanasan), diikuti oleh kelembapan, radiasi, dan angin. Hubungan suhu-muatan umumnya berbentuk U: beban meningkat baik dalam kondisi sangat panas maupun sangat dingin.
- Pemuatan sebelumnya: Konsumsi satu jam, satu hari, dan satu minggu yang lalu (fitur lag) adalah pertanda terkuat dalam waktu dekat.
- Acara khusus: Acara olah raga besar, libur panjang, guncangan ekonomi.
Kecerdasan buatan sangat berguna dalam menghasilkan atribut-atribut ini dan menemukan mana yang efektif. Namun berhati-hatilah terhadap jebakan: mengatribusikan informasi yang tidak akan tersedia pada saat prediksi (misalnya, suhu sebenarnya pada waktu yang akan diprediksi, sedangkan kita hanya memiliki ramalan cuaca) akan menyebabkan kebocoran data dan membuat model pada dasarnya tidak berguna.
Langkah demi Langkah: Estimasi Beban dengan Kecerdasan Buatan
Langkah 1 — Definisikan masalahnya. Cakrawala (besok atau tahun depan), resolusi (setiap jam) dan target (total beban sistem atau pengumpan tunggal) diperjelas.
Langkah 2 — Siapkan datanya. Rangkaian waktu yang bersih dibangun dengan disiplin pada unit sebelumnya; Data cuaca dan kalender ditambahkan.
Langkah 3 — Hasilkan atribut. Jadwal, muatan tertunda, dan atribut cuaca dibuat. Kebocoran diperiksa: apakah setiap fitur tersedia pada saat prediksi?
Langkah 4 — Pilih dan latih model. Garis dasar yang sederhana (misalnya "waktu yang sama minggu lalu") selalu menjadi langkah pertama; Model-model canggih hanya berharga jika melampaui fondasi ini. AI berguna dalam menghasilkan kode model dan saluran fitur.
Langkah 5 — Evaluasi. Model diuji selama periode waktu yang tidak dapat dilihatnya (periode masa depan); Itu tidak pernah dievaluasi dalam data pelatihan. Metrik dikelompokkan berdasarkan jam dan rezim.
Langkah 6 — Laporkan ketidakpastian. Rentang (pita prediksi) diberikan, bukan satu angka pun; Redundansi jaringan direncanakan menurut pita ini.
Mengukur Kesalahan Prakiraan: MAPE dan Selanjutnya
Beberapa metrik digunakan untuk mengukur kualitas perkiraan. MAPE (Mean Absolute Percentage Error) adalah rata-rata selisih persentase antara prediksi dan kenyataan; Mudah untuk ditafsirkan. Biasanya MAPE 1 hingga 3 persen dianggap baik untuk peramalan beban jangka pendek tingkat sistem; Pada tingkat bangunan/pengumpan tunggal, nilai ini secara alami lebih tinggi karena konsumen tunggal lebih bervariasi.
Namun MAPE saja bisa menyesatkan. Sekalipun rata-ratanya tampak rendah, mungkin terdapat penyimpangan sistematis selama jam sibuk, dan jaringan menjadi sangat kritis pada jam sibuk. Oleh karena itu, perlu untuk memeriksa kesalahan secara terpisah berdasarkan jam, tipe hari, dan terutama pada momen puncak. Selain itu, arah kesalahan juga penting: perkiraan yang terlalu rendah (permintaan yang terlalu rendah) menyebabkan jadwal produksi tidak memadai dan menciptakan ketidakseimbangan.
Perhatian: Tidaklah cukup hanya mengatakan "MAPE adalah 2 persen, bagus." Jika MAPE jam sibuk adalah 6 persen dan Anda selalu meremehkan jam puncak malam hari, penyeimbangan jaringan dengan model tersebut akan terganggu. Jangan pernah menganggap metrik rata-rata aman tanpa mengelompokkannya berdasarkan aturan.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Kegagalan melewati garis dasar. Satu tim membangun model yang kompleks dan mendapatkan MAPE 2,8 persen dan merasa senang. Kemudian basis sederhana "waktu yang sama minggu lalu + koreksi suhu" memberikan 2,6 persen. Model yang kompleks tidak dapat melewati fondasinya; tidak ada gunanya menambah kompleksitas. Hikmahnya: selalu bangun fondasi yang sederhana terlebih dahulu.
Kasus 2 — Titik buta di atas kepala. Model yang digunakan oleh salah satu perusahaan distribusi cukup bagus dengan tingkat 2,1 persen pada MAPE secara keseluruhan, namun secara konsisten memberikan prediksi yang terlalu rendah sebesar 7 persen pada puncak penggunaan AC pada malam musim panas. Hal ini menyebabkan penurunan beban dan tegangan yang tidak terduga pada beberapa hari yang panas. Ketika "jumlah hari panas berturut-turut" (akumulasi panas gedung) ditambahkan ke atribut suhu, kesalahan puncak menurun menjadi 3 persen.
Kasus 3 — Pengendalian kebocoran. Salah satu model peserta magang melakukan backtesting dengan sangat baik (0,4 persen MAPE). Investigasi menunjukkan bahwa model tersebut menggunakan suhu aktual dari waktu yang diprediksi sebagai atribut; padahal kenyataannya itu hanya ramalan cuaca. Setelah kebocoran diperbaiki, MAPE meningkat menjadi 2,5 persen. Hasil yang “sangat bagus” sering kali merupakan tanda kesalahan.
Prompt Lemah / Prompt Kuat
Perintah yang lemah:
Bangun model prediksi dengan data beban ini.[data]
Perintah yang kuat:
Peran Anda: Pakar perkiraan permintaan energi. Tujuan: prakiraan beban sistem per jam sehari ke depan (24 jam ke depan). - Pertama, usulkan garis dasar sederhana (mis. waktu yang sama minggu lalu) dan rujuk. - Ekstrak daftar atribut; Untuk SETIAP atribut, “apakah prediksi langsung tersedia?” tanda. Pisahkan pihak-pihak yang beresiko kebocoran.- Melakukan penilaian TERPISAH dari masa pelatihan, pada periode selanjutnya.- Melaporkan MAPE secara umum DAN terpisah pada jam sibuk; Tentukan arah kesalahan (rendah/tinggi). - Biarkan hasilnya berupa interval prediksi, bukan angka tunggal. Skema data: [kolom]
Perintah yang kuat memperkuat fondasi, mencegah kebocoran, menetapkan evaluasi secara akurat, dan membuat ketidakpastian terlihat — menghilangkan empat kesalahan klasik dalam peramalan beban yang buruk.
Empat Templat yang Dapat Disalin
1) Pemeriksaan atribut dan kebocoran:
Usulkan daftar fitur untuk masalah prediksi berikut: [masalah]. Untuk setiap atribut, berikan tiga informasi: (a) mengapa hal ini mempengaruhi beban, (b) apakah prediksi tersedia secara instan, (c) apakah terdapat risiko kebocoran. Hapus yang bocor dari daftar Anda.
2) Menetapkan model dasar:
Sarankan setidaknya dua garis dasar sederhana untuk rangkaian beban ini (misalnya waktu yang sama kemarin, waktu yang sama minggu lalu, rata-rata koreksi suhu). Tuliskan alasan masing-masingnya. Model tingkat lanjut hanya akan diusulkan jika model tersebut memenuhi dasar-dasar ini dengan baik.
3) Protokol evaluasi:
Siapkan rencana evaluasi untuk model ini: pisahkan periode pelatihan/pengujian dalam urutan waktu (tidak ada kebocoran dari masa depan ke masa lalu). Hitung metrik secara terpisah berdasarkan umum, jenis hari, dan jam sibuk. Laporkan aspek sistematik dari kesalahan tersebut.
4) Ketidakpastian dan pengambilan keputusan:
Sajikan perkiraan dengan rentang (pita atas/bawah). Jelaskan bagaimana interval ini akan dikaitkan dengan redundansi jaringan listrik dan keputusan penawaran pasar. Jawab juga pertanyaan tentang "skenario terburuk" yang akan terjadi.
Tabel Horizon Prakiraan
cakrawala
Durasi
Penggunaan dasar
faktor dominan
terlalu pendek
Menit-jam
keseimbangan, kontrol
beban baru-baru ini
pendek
1-7 hari
Komitmen unit, pasar
Cuaca, jenis hari
sedang
Minggu-tahun
Pemeliharaan, bahan bakar, kontrak
musiman, ekonomi
panjang
tahun
Investasi, kapasitas
Populasi, EV, pompa panas
Kesalahan umum
- Melewatkan fondasi sederhana. Sebuah model yang kompleks tidak dapat dianggap berharga tanpa membuktikan bahwa model tersebut melampaui fondasi yang sederhana.
- Kebocoran data. Mengatribusikan informasi yang tidak tersedia pada saat prediksi menghasilkan kesempurnaan yang salah.
- Mempercayai metrik rata-rata secara membabi buta. Jika jam sibuk dan peralihan musim tidak diperiksa secara terpisah, jaringan akan berisiko.
- Memberikan angka ganjil. Peramalan tanpa ketidakpastian tidak lengkap untuk perencanaan redundansi.
- Mengevaluasi data pelatihan. Model harus selalu diuji dalam periode dimana model tersebut tidak terlihat.
Singkatnya
Perkiraan beban adalah inti dari sistem energi; Metode dan ketidakpastiannya bervariasi tergantung pada cakrawala. Prediksi yang baik dimulai dari atribut yang baik dan memerlukan ketelitian terhadap kebocoran. Kecerdasan buatan merupakan bantuan yang ampuh dalam pembuatan fitur, pembuatan model, dan evaluasi; namun baseline sederhana selalu menjadi acuan, evaluasi dilakukan pada periode yang belum terlihat dan kesalahan diinterpretasikan berdasarkan puncak/rezim, bukan rata-rata. Perkiraannya bukanlah angka tunggal, melainkan rentang yang ditentukan.
Tugas aplikasi
Ambil seri beban atau konsumsi. Pertama, siapkan garis dasar sederhana secara manual (misalnya, "waktu yang sama minggu lalu"). Kemudian minta AI untuk membuat rencana prediksi dengan templat “Pemeriksaan Atribut dan Kebocoran” dan “Protokol Evaluasi”. Tanyakan pada diri Anda sendiri tentang risiko kebocoran setiap atribut yang disarankan. Terakhir, periksa apakah kesalahan ramalan pada jam sibuk berbeda dengan kesalahan rata-rata dan tuliskan temuan Anda.
daftar periksa
- [ ] Saya memperjelas cakrawala perkiraan, resolusi dan target
- [ ] Saya membangun fondasi sederhana dan mereferensikannya
- [ ] Apakah setiap atribut "diprediksi secara instan?" Saya memeriksanya apakah ada kebocoran.
- [ ] Saya melakukan evaluasi dalam periode buta
- [ ] Saya memeriksa MAPE secara terpisah pada jam sibuk dan umum
- [ ] Saya memeriksa arah sistematis kesalahannya (rendah/tinggi)
- [ ] Saya menyajikan perkiraan tersebut dengan berbagai ketidakpastian dan penilaian