負荷と需要の予測 — エネルギーシステム工学における人工知能

利益:

短期、中期、長期の負荷予測の違いと、エネルギーシステムにおけるそれらの使用分野を説明する能力
人工知能を使用して特徴量エンジニアリング、モデル選択、予測評価を実行する能力
MAPE などの指標を使用して予測誤差を測定し、それをエンジニアリングの合理性と冗長性の必要性に関連付ける機能

蓄電は高価であり、限られた商品です。したがって、送電網は、消費者がいつどのくらいの電力を必要とするかを事前に把握しておく必要があります。負荷予測は将来の電力需要を予測するタスクであり、エネルギーシステムの最も基本的な分析の 1 つです。発電所はこの予測に従ってプログラムされ、それに応じて市場での売買の決定が行われ、それに応じてネットワーク投資が計画されます。この単元では、負荷予測の種類、人工知能を使用して負荷予測を確立および評価する方法、予測誤差の工学的影響について学びます。用語を明確にしましょう。負荷とは、特定の瞬間に消費される電力 (kW/MW) です。負荷曲線は、この電力の時間の経過を表します。

予測範囲: 短期、中期、長期

負荷予測はさまざまな目的を果たし、どの程度先を見据えているかに応じてさまざまな方法が必要になります。

非常に短期間（数分から数日）。これは、グリッドバランシング、ユニットコミットメント（どのプラントが稼働するか）、および市場入札に使用されます。ここでは、天気、曜日の種類 (平日/年末)、および最近の消費量が最も強力な決定要因となります。誤差は不均衡コストを直接招くため、精度は非常に重要です。

中期（数週間から1年）。これは、メンテナンス計画、燃料供給、季節契約に使用されます。季節性や経済動向が浮き彫りになります。

長期（数年）。ネットワークと発電所への投資と容量計画に使用されます。人口、経済成長、電気自動車やヒートポンプの普及などの構造的要因が決定的です。ここでは当然不確実性が大きいため、シナリオアプローチが使用されます。

ヒント: 予測期間を明確にすることなくモデルを選択しないでください。明日を予測するモデルと 2035 年を予測するモデルには、まったく異なる入力と異なる不確実性管理が必要です。

負荷および機能エンジニアリングを決定する要因

機械学習モデルに与える入力は特徴と呼ばれます。適切な負荷予測は、適切な機能を選択することから始まります。負荷を決定する主な要因は次のとおりです。

カレンダー: 時間、曜日の種類、週末、祝日、季節。負荷は人間の行動のリズムに従います。朝と夕方に丘を作ります。
空気: 温度が最も強い要因 (冷暖房負荷) であり、次に湿度、輻射、風が続きます。温度と充電の関係は一般に U 字型であり、負荷は非常に暑い状態でも非常に寒い状態でも増加します。
過去の負荷: 1 時間、1 日、1 週間前の消費量 (ラグ特徴) は、近い将来の最も強力な前兆です。
特別なイベント: 大規模なスポーツイベント、長期休暇、経済ショック。

人工知能は、これらの属性を生成し、どの属性が効果的であるかを発見するのに非常に役立ちます。ただし、罠に注意してください。予測時には利用できない情報 (たとえば、天気予報しか得られないのに、予測される時点の実際の気温など) を帰属させると、データ漏洩が発生し、モデルが実質的に役に立たなくなります。

ステップバイステップ: 人工知能による負荷推定

ステップ 1 — 問題を定義します。範囲 (明日または来年)、解像度 (時間ごと)、および目標 (システムの総負荷または単一フィーダー) が明確になります。

ステップ 2 — データを準備します。前の単元の規律により、きれいな時系列が確立されます。天気・カレンダーデータを追加しました。

ステップ 3 — 属性を生成します。スケジュール、遅延負荷、天候の属性が作成されます。漏れがチェックされます。予測時にすべての機能が利用可能ですか?

ステップ 4 — モデルを選択してトレーニングします。単純なベースライン (例: 「先週の同じ時間」) が常に最初のステップです。上級モデルはこの基礎を超えてこそ価値があるのです。 AI は、モデルコードと機能パイプラインの生成に役立ちます。

ステップ 5 — 評価します。モデルは、認識されていない期間 (将来の期間) にわたってテストされます。トレーニングデータでは決して評価されません。メトリクスは時間と体制ごとに分類されます。

ステップ 6 — 不確実性を報告します。単一の数値ではなく、範囲 (予測帯域) が与えられます。この帯域に応じてネットワークの冗長化が計画されます。

予測誤差の測定: MAPE 以降

予測の品質を測定するために、いくつかの指標が使用されます。 MAPE (平均絶対パーセント誤差) は、予測と現実の間の平均パーセント差です。解釈は簡単です。通常、システムレベルの短期負荷予測には 1 ～ 3 パーセントの MAPE が適していると考えられます。単一の建物/フィーダレベルでは、単一の消費者はより変動するため、この値は自然に高くなります。

しかし、MAPE だけでは誤解を招く可能性があります。平均が低いように見えても、ピーク時間帯には体系的な偏差が存在する可能性があり、ネットワークはピーク時に重要になります。したがって、時間ベース、日タイプベース、特にピーク時のエラーを個別に調べる必要があります。さらに、誤差の方向も重要です。過小評価 (需要の過小評価) が続くと、生産スケジュールが不適切になり、不均衡が生じます。

注意: 「MAPE は 2% で素晴らしい」と言うだけでは十分ではありません。ピーク時間帯の MAPE が 6% で、夕方のピークを一貫して過小評価している場合、そのモデルによるグリッドバランシングが損なわれます。平均メトリクスをレジームごとに分類せずに安全であるとは決して考えないでください。

3 つのミニケース: 数字で見る

ケース 1 — ベースラインを通過できない。あるチームは複雑なモデルを構築し、2.8 パーセントの MAPE を獲得して大喜びしました。次に、単純な「先週の同じ時間 + 気温補正」ベースでは 2.6% となりました。複雑なモデルは基礎を通過できませんでした。複雑さを増すことに価値はありませんでした。教訓: 常に最初に単純な基盤を構築してください。

ケース 2 — 頭上の死角。ある流通会社のモデルでは、全体の MAPE が 2.1% と良好でしたが、夏の夜の空調のピーク時には一貫して 7% も下回る予測でした。これにより、予想外の負荷が発生し、暑い日には電圧が低下しました。気温属性に「連続猛暑日の日数」（建物の蓄熱量）を加えると、ピーク誤差は3％まで減少した。

ケース 3 — 漏れの封じ込め。あるインターンのモデルは、バックテストで信じられないほど良い成績を収めました (MAPE 0.4%)。調査の結果、モデルは予測時間の実際の温度を属性として使用していることがわかりました。しかし、実際にはそれは単なる天気予報です。漏洩が修正されると、MAPE は現実的な 2.5% に上昇しました。「非常に良い」結果は、多くの場合、エラーの兆候です。

弱いプロンプト / 強いプロンプト

弱いプロンプト:

この負荷データを使用して予測モデルを構築します。[データ]

強力なプロンプト:

あなたの役割: エネルギー需要予測の専門家。目的: 前日 (24 時間前) の 1 時間ごとのシステム負荷予測。- まず単純なベースライン (例: 先週の同じ時刻) を提案し、それを参照します。- 属性のリストを抽出します。すべての属性について、「予測は即座に利用可能か?」マーク。漏洩の危険性のある人を分離します。 - トレーニング期間とは別に、後の期間に評価を実施します。 - MAPE を一般的に報告し、ピーク時間には個別に報告します。エラーの方向(低/高)を指定します。 - 結果を単一の数値ではなく、予測間隔にします。データスキーマ: [列]

強力なプロンプトにより、基礎が強化され、漏れが防止され、評価が正確に確立され、不確実性が可視化され、不適切な負荷予測による 4 つの古典的な間違いが排除されます。

4 つのコピー可能なテンプレート

1) 属性とリークのチェック:

次の予測問題に対する特徴のリストを提案してください: [問題]。属性ごとに 3 つの情報を提供します: (a) なぜ負荷に影響するのか、(b) 予測は即座に利用可能か、(c) 漏洩のリスクはあるか。漏れのあるものをリストから削除してください。

2) 基本モデルの確立:

この負荷シリーズに対して少なくとも 2 つの単純なベースラインを提案します (例: 昨日の同じ時刻、先週の同じ時刻、温度補正された平均)。それぞれの根拠を書きます。高度なモデルは、これらの基本を有意義に満たす場合にのみ提案されます。

3) 評価プロトコル:

このモデルの評価計画を設定します。トレーニング/テスト期間を時間順に分けます (将来から過去への漏れはありません)。一般、日の種類、ピーク時間ベースごとにメトリクスを個別に計算します。エラーの体系的な側面を報告します。

4) 不確実性と意思決定:

予測を範囲 (上限/下限バンド) で表示します。この間隔が系統の冗長性と市場入札の決定にどのように結びつくのかを説明します。また、「最悪のシナリオ」とは何かという質問にも答えてください。

予測ホライズンテーブル

地平線

期間

基本的な使い方

支配的な要因

短すぎる

分時

バランス、コントロール

よくある間違い

簡単な基礎を省略します。複雑なモデルは、単純な基礎を超えていることが証明されない限り、価値があるとは見なされません。
データ漏洩。予測時に利用できない情報を帰属させると、誤った完全性が生じます。
平均的な指標を盲目的に信頼する。ピーク時間と季節の移行を個別に調査しないと、ネットワークが危険にさらされます。
奇数を与える。不確実性バンディングのない予測は、冗長性計画としては不完全です。
トレーニングデータの評価。モデルは常に目に見えない期間にテストする必要があります。

要約すれば

負荷予測はエネルギーシステムのパルスです。その方法と不確実性は地平線によって異なります。優れた予測は優れた属性から始まり、漏れに対する細心の注意が必要です。人工知能は、特徴の生成、モデルの構築、評価を強力に支援します。しかし、単純なベースラインは常に基準であり、評価は目に見えない期間で行われ、誤差は平均ではなくピーク/レジームベースで解釈されます。推定値は単一の数値ではなく、決められた範囲です。

アプリケーションタスク

負荷または消費系列を取得します。まず、単純なベースラインを手動で設定します (例: 「先週の同じ時刻」)。次に、「属性と漏れのチェック」と「評価プロトコル」のテンプレートを使用して、AI に予測計画を依頼します。提案された各属性の漏洩リスクについて自問してください。最後に、ピーク時の予測の誤差が平均的な誤差と異なるかどうかを確認し、その結果を書き留めます。

チェックリスト

[ ] 予測期間、解像度、目標を明確にしました
[ ] 簡単な基盤を構築して参考にさせていただきました
[ ] 各属性は「瞬時に予測」されますか?漏れがないか確認してみました。
[ ] ブラインド期間で評価を行いました
[ ] MAPE を一般ベースとピーク時間ベースに分けて調べました
[ ] 誤差の系統的な方向（低/高）を確認しました
[ ] 不確実性と判断の範囲を考慮して見積もりを提示しました