Guadagni:
- Capacità di spiegare le differenze nella previsione dei carichi a breve, medio e lungo termine e i loro ambiti di utilizzo nel sistema energetico
- Capacità di eseguire ingegneria delle caratteristiche, selezione di modelli e valutazione delle previsioni con l'intelligenza artificiale
- Capacità di misurare l'errore di previsione con parametri come MAPE e metterlo in relazione con la ragionevolezza ingegneristica e la necessità di ridondanza
Lo stoccaggio dell’elettricità è un bene costoso e limitato; Pertanto, una rete deve sapere in anticipo quanta elettricità vorranno i consumatori e quando. La previsione del carico è il compito di prevedere la futura domanda di elettricità ed è una delle analisi più basilari del sistema energetico. Le centrali elettriche vengono programmate in base a questa previsione, le decisioni di acquisto e vendita sul mercato vengono prese di conseguenza e gli investimenti nella rete vengono pianificati di conseguenza. In questa unità impareremo i tipi di previsione del carico, come viene stabilito e valutato con l'intelligenza artificiale e le conseguenze ingegneristiche dell'errore di previsione. Facciamo chiarezza sul termine: carico è la potenza elettrica (kW/MW) consumata in un dato momento; La curva di carico è l'andamento di questa potenza nel tempo.
Orizzonti di previsione: breve, medio, lungo termine
La previsione del carico ha scopi diversi e richiede metodi diversi a seconda di quanto si guarda avanti.
Molto breve e breve termine (da pochi minuti a pochi giorni). Viene utilizzato per il bilanciamento della rete, l'impegno unitario (quale impianto funzionerà) e le offerte di mercato. Qui il tempo, il tipo di giorno (giorno della settimana/fine) e i consumi recenti sono i determinanti più forti. L’accuratezza è fondamentale perché l’errore comporta costi diretti di squilibrio.
Medio termine (da settimane a un anno). Viene utilizzato per la pianificazione della manutenzione, la fornitura di carburante e i contratti stagionali. La stagionalità e le tendenze economiche vengono in primo piano.
A lungo termine (anni). Viene utilizzato per gli investimenti nelle reti e nelle centrali elettriche e per la pianificazione della capacità. Fattori strutturali come la popolazione, la crescita economica, la prevalenza dei veicoli elettrici e delle pompe di calore sono decisivi. Qui l’incertezza è naturalmente grande e viene utilizzato l’approccio basato sullo scenario.
Suggerimento: non scegliere un modello senza aver chiarito l'orizzonte di previsione. Un modello che prevede il domani e un modello che prevede il 2035 richiedono input completamente diversi e una diversa gestione dell’incertezza.
Fattori che determinano il carico e l'ingegneria delle caratteristiche
Gli input che forniamo a un modello di machine learning sono chiamati funzionalità. Una buona previsione del carico inizia con la scelta di buone funzionalità. I principali fattori che determinano il carico:
- Calendario: ora, tipo di giorno, fine settimana, giorno festivo, stagione. Il carico segue il ritmo del comportamento umano; Fa colline al mattino e alla sera.
- Aria: la temperatura è il fattore più importante (carico di raffreddamento e riscaldamento), seguita da umidità, radiazione e vento. Il rapporto temperatura-carica è generalmente a forma di U: il carico aumenta sia in condizioni molto calde che molto fredde.
- Carico passato: il consumo di un'ora, un giorno e una settimana fa (caratteristiche lag) è il più forte presagio del prossimo futuro.
- Eventi speciali: grandi eventi sportivi, vacanze lunghe, shock economici.
L’intelligenza artificiale è molto utile per generare questi attributi e scoprire quali sono efficaci. Ma attenzione a una trappola: attribuire informazioni che non saranno disponibili al momento della previsione (ad esempio, la temperatura effettiva del momento da prevedere, mentre avremo solo le previsioni del tempo) crea una fuga di dati e rende il modello sostanzialmente inutile.
Passo dopo passo: stima del carico con l'intelligenza artificiale
Passaggio 1: definire il problema. Vengono chiariti l'orizzonte (domani o l'anno prossimo), la risoluzione (oraria) e l'obiettivo (carico totale del sistema o alimentatore singolo).
Passaggio 2: preparare i dati. Viene stabilita una serie temporale pulita con la disciplina dell'unità precedente; Vengono aggiunti i dati meteorologici e di calendario.
Passaggio 3: genera attributi. Vengono creati gli attributi di pianificazione, carico ritardato e meteo. Viene controllata la perdita: tutte le funzionalità sono disponibili al momento della previsione?
Passaggio 4: seleziona e addestra il modello. Un semplice riferimento (ad esempio "stessa ora la settimana scorsa") è sempre il primo passo; I modelli avanzati hanno valore solo nella misura in cui superano questo fondamento. L'intelligenza artificiale è utile per generare il codice del modello e la pipeline delle funzionalità.
Passaggio 5: valutare. Il modello viene testato su un periodo di tempo che non vede (un periodo futuro); Non viene mai valutato nei dati di training. Le metriche sono suddivise per ora e regime.
Passaggio 6: segnalare l'incertezza. Viene fornito un intervallo (banda di previsione), non un singolo numero; Secondo questa banda è prevista la ridondanza della rete.
Misurare l'errore di previsione: MAPE e oltre
Per misurare la qualità delle previsioni vengono utilizzati diversi parametri. MAPE (Errore Percentuale Medio Assoluto) è la differenza percentuale media tra previsione e realtà; È facile da interpretare. In genere, una percentuale di MAPE compresa tra l'1 e il 3% è considerata valida per la previsione del carico a breve termine a livello di sistema; A livello di singolo edificio/alimentatore questo valore è naturalmente più alto perché il singolo consumatore è più variabile.
Ma il solo MAPE può essere fuorviante. Anche se la media sembra bassa, potrebbero verificarsi deviazioni sistematiche durante le ore di punta e la rete è critica proprio nelle ore di punta. Pertanto è necessario esaminare l'errore separatamente su base oraria, per tipologia di giorno e soprattutto nei momenti di punta. Inoltre, è importante la direzione dell’errore: una persistente sottostima (sottostima della domanda) porta a un programma di produzione inadeguato e crea squilibrio.
Attenzione: non basta dire "MAPE è al 2%, ottimo". Se il MAPE nelle ore di punta è pari al 6% e si sottostima costantemente il picco serale, il bilanciamento della rete con quel modello risulta compromesso. Non considerare mai sicura la metrica media senza suddividerla per regime.
Tre mini custodie: i numeri
Caso 1 – Mancato superamento della linea di base. Un team ha costruito un modello complesso e ha ottenuto un MAPE del 2,8% ed è rimasto molto soddisfatto. Quindi la semplice base "stessa ora della scorsa settimana + correzione della temperatura" ha dato il 2,6%. Il modello complesso non poteva superare le fondamenta; non c'era alcun valore nella complessità aggiuntiva. Lezione: costruire sempre prima le fondamenta semplici.
Caso 2: punto cieco sopra la testa. Il modello di una società di distribuzione era buono, pari al 2,1%, nel MAPE complessivo, ma lo ha costantemente sottostimato del 7% durante il picco dell'aria condizionata nelle sere d'estate. Ciò ha creato cali di carico e tensione inaspettati in alcune giornate calde. Quando all'attributo temperatura è stato aggiunto il "numero di giorni caldi consecutivi" (accumulo di calore dell'edificio), l'errore di picco è sceso al 3%.
Caso 3 — Contenimento della perdita. Il modello di uno stagista ha funzionato incredibilmente bene (0,4% MAPE) nel backtesting. L'indagine ha dimostrato che il modello utilizzava come attributo la temperatura effettiva del tempo previsto; mentre in realtà si tratterebbe solo di previsioni del tempo. Una volta risolta la perdita, il MAPE è aumentato fino a raggiungere un realistico 2,5%. Un risultato "molto buono" è spesso un segno di errore.
Prompt debole / Prompt forte
Suggerimento debole:
Crea un modello di previsione con questi dati di carico.[dati]
Suggerimento potente:
Il tuo ruolo: esperto di previsione della domanda energetica. Scopo: previsione oraria del carico del sistema del giorno prima (24 ore prima). - Proporre innanzitutto una semplice linea di base (ad esempio, stessa ora della settimana scorsa) e farvi riferimento. - Estrarre un elenco di attributi; Per OGNI attributo, "la previsione è immediatamente disponibile?" segno. Separare quelli a rischio di perdite.- Condurre la valutazione SEPARATAMENTE dal periodo di formazione, in un periodo successivo.- Segnalare MAPE in generale E separatamente durante le ore di punta; Specificare la direzione dell'errore (basso/alto). - Lascia che il risultato sia un intervallo di previsione, non un singolo numero. Schema dei dati: [colonne]
Il potente prompt rafforza le fondamenta, previene le perdite, stabilisce la valutazione in modo accurato e rende visibile l'incertezza, eliminando i quattro errori classici di una scarsa previsione del carico.
Quattro modelli copiabili
1) Controllo delle caratteristiche e delle perdite:
Proporre un elenco di funzionalità per il seguente problema di previsione: [problema]. Per ciascun attributo, fornire tre informazioni: (a) perché influisce sul carico, (b) la previsione è immediatamente disponibile, (c) esiste il rischio di perdite. Rimuovi quelli che perdono dalla tua lista.
2) Stabilire un modello di base:
Suggerisci almeno due semplici linee di base per questa serie di carico (ad esempio stessa ora ieri, stessa ora la scorsa settimana, media corretta per la temperatura). Scrivi la motivazione per ciascuno. Un modello avanzato sarà proposto solo se supererà in modo significativo questi principi fondamentali.
3) Protocollo di valutazione:
Stabilire un piano di valutazione per questo modello: periodi di formazione/test separati in ordine temporale (nessuna dispersione dal futuro al passato). Calcola i parametri separatamente per base generale, tipo di giorno e ora di punta. Riportare l'aspetto sistematico dell'errore.
4) Incertezza e processo decisionale:
Presenta la previsione con un intervallo (fascia superiore/inferiore). Spiegare come questo intervallo sarà legato alla ridondanza della rete e alla decisione sulle offerte di mercato. Rispondi anche alla domanda su quale sarebbe lo "scenario peggiore".
Tabella degli orizzonti di previsione
orizzonte
Durata
Utilizzo di base
fattore dominante
troppo corto
Minuto-ora
bilanciamento, controllo
carico recente
breve
1-7 giorni
Impegno unitario, mercato
Meteo, tipo di giornata
medio
Settimana-anno
Manutenzione, carburante, contratto
stagionalità, economia
lungo
anni
Investimenti, capacità
Popolazione, EV, pompa di calore
Errori comuni
- Tralasciando il fondamento semplice. Un modello complesso non può essere considerato prezioso senza dimostrare che supera il semplice fondamento.
- Perdita di dati. Attribuire informazioni che non saranno disponibili al momento della previsione produce una falsa perfezione.
- Fidarsi ciecamente della metrica media. Se le ore di punta e le transizioni stagionali non vengono esaminate separatamente, la rete è a rischio.
- Dare un numero dispari. La previsione senza fasce di incertezza è incompleta per la pianificazione della ridondanza.
- Valutazione sui dati di allenamento. Il modello va sempre testato in un periodo in cui non è visibile.
In sintesi
La previsione del carico è il polso del sistema energetico; Il suo metodo e l'incertezza variano a seconda dell'orizzonte. Una buona previsione inizia con buoni attributi e richiede meticolosità contro le perdite. L’intelligenza artificiale è un potente aiuto nella generazione di funzionalità, nella costruzione di modelli e nella valutazione; ma la semplice linea di base è sempre il riferimento, la valutazione viene effettuata nel periodo invisibile e l'errore viene interpretato sulla base del picco/regime, non della media. La stima non è un singolo numero ma un intervallo deciso.
Compito dell'applicazione
Prendi una serie di carichi o consumi. Per prima cosa imposta manualmente una linea di base semplice (ad esempio "stessa ora la settimana scorsa"). Chiedere poi all’AI un piano di previsione con i modelli “Controllo attributi e perdite” e “Protocollo di valutazione”. Interrogati sul rischio di perdita di ciascun attributo suggerito. Infine, controlla se l'errore della previsione nelle ore di punta differisce dall'errore medio e annota il risultato.
lista di controllo
- [ ] Ho chiarito l'orizzonte previsionale, la risoluzione e il target
- [] Ho costruito una base semplice e vi ho fatto riferimento
- [ ] Ogni attributo è "previsto istantaneamente?" Ho controllato se ci sono perdite.
- [ ] Ho effettuato la valutazione in un periodo cieco
- [ ] Ho esaminato MAPE separatamente su base generale e nelle ore di punta
- [ ] Ho controllato la direzione sistematica dell'errore (basso/alto)
- [ ] Ho presentato la stima con una serie di incertezze e giudizi