ಲಾಭಗಳು:
- ಸಣ್ಣ, ಮಧ್ಯಮ ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಹೊರೆ ಮುನ್ಸೂಚನೆ ಮತ್ತು ಶಕ್ತಿ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅವುಗಳ ಬಳಕೆಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್, ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಭವಿಷ್ಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ಕೈಗೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ
- MAPE ನಂತಹ ಮೆಟ್ರಿಕ್ಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚನೆ ದೋಷವನ್ನು ಅಳೆಯುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅದನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಂಜಸತೆ ಮತ್ತು ಪುನರಾವರ್ತನೆಯ ಅಗತ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ
ವಿದ್ಯುತ್ ಸಂಗ್ರಹಣೆಯು ದುಬಾರಿ ಮತ್ತು ಸೀಮಿತ ಸರಕು; ಆದ್ದರಿಂದ, ಗ್ರಾಹಕರು ಎಷ್ಟು ವಿದ್ಯುತ್ ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಯಾವಾಗ ಬಯಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಗ್ರಿಡ್ ಮುಂಚಿತವಾಗಿ ತಿಳಿದಿರಬೇಕು. ಲೋಡ್ ಮುನ್ಸೂಚನೆಯು ಭವಿಷ್ಯದ ವಿದ್ಯುತ್ ಬೇಡಿಕೆಯನ್ನು ಊಹಿಸುವ ಕಾರ್ಯವಾಗಿದೆ ಮತ್ತು ಇದು ಶಕ್ತಿ ವ್ಯವಸ್ಥೆಯ ಮೂಲಭೂತ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಈ ಮುನ್ಸೂಚನೆಯ ಪ್ರಕಾರ ಪವರ್ ಪ್ಲಾಂಟ್ಗಳನ್ನು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗುತ್ತದೆ, ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಖರೀದಿ ಮತ್ತು ಮಾರಾಟ ನಿರ್ಧಾರಗಳನ್ನು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನೆಟ್ವರ್ಕ್ ಹೂಡಿಕೆಯನ್ನು ಯೋಜಿಸಲಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಲೋಡ್ ಮುನ್ಸೂಚನೆಯ ಪ್ರಕಾರಗಳು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಅದನ್ನು ಹೇಗೆ ಸ್ಥಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಮುನ್ಸೂಚನೆ ದೋಷದ ಎಂಜಿನಿಯರಿಂಗ್ ಪರಿಣಾಮಗಳನ್ನು ನಾವು ಕಲಿಯುತ್ತೇವೆ. ಪದವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸೋಣ: ಲೋಡ್ ಎನ್ನುವುದು ಒಂದು ನಿರ್ದಿಷ್ಟ ಕ್ಷಣದಲ್ಲಿ ಸೇವಿಸುವ ವಿದ್ಯುತ್ ಶಕ್ತಿ (kW/MW); ಲೋಡ್ ಕರ್ವ್ ಕಾಲಾನಂತರದಲ್ಲಿ ಈ ಶಕ್ತಿಯ ಕೋರ್ಸ್ ಆಗಿದೆ.
ಮುನ್ಸೂಚನೆ ಹಾರಿಜಾನ್ಸ್: ಸಣ್ಣ, ಮಧ್ಯಮ, ದೀರ್ಘಾವಧಿ
ಲೋಡ್ ಮುನ್ಸೂಚನೆಯು ವಿಭಿನ್ನ ಉದ್ದೇಶಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ ಮತ್ತು ನೀವು ಎಷ್ಟು ಮುಂದೆ ನೋಡುತ್ತೀರಿ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವಿಭಿನ್ನ ವಿಧಾನಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಬಹಳ ಕಡಿಮೆ ಮತ್ತು ಅಲ್ಪಾವಧಿ (ನಿಮಿಷಗಳಿಂದ ಕೆಲವು ದಿನಗಳು). ಇದನ್ನು ಗ್ರಿಡ್ ಬ್ಯಾಲೆನ್ಸಿಂಗ್, ಯುನಿಟ್ ಕಮಿಟ್ಮೆಂಟ್ (ಯಾವ ಸ್ಥಾವರವು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ) ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಬಿಡ್ಗಳಿಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಇಲ್ಲಿ, ಹವಾಮಾನ, ದಿನದ ಪ್ರಕಾರ (ವಾರದ ದಿನ/ಅಂತ್ಯ) ಮತ್ತು ಇತ್ತೀಚಿನ ಬಳಕೆಯು ಪ್ರಬಲವಾದ ನಿರ್ಣಾಯಕಗಳಾಗಿವೆ. ನಿಖರತೆಯು ನಿರ್ಣಾಯಕವಾಗಿದೆ ಏಕೆಂದರೆ ದೋಷವು ನೇರ ಅಸಮತೋಲನ ವೆಚ್ಚಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ಮಧ್ಯಮ ಅವಧಿ (ವಾರಗಳಿಂದ ಒಂದು ವರ್ಷ). ನಿರ್ವಹಣೆ ಯೋಜನೆ, ಇಂಧನ ಪೂರೈಕೆ ಮತ್ತು ಕಾಲೋಚಿತ ಒಪ್ಪಂದಗಳಿಗೆ ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಋತುಮಾನ ಮತ್ತು ಆರ್ಥಿಕ ಪ್ರವೃತ್ತಿಗಳು ಮುಂಚೂಣಿಗೆ ಬರುತ್ತವೆ.
ದೀರ್ಘಾವಧಿ (ವರ್ಷಗಳು). ಇದು ನೆಟ್ವರ್ಕ್ ಮತ್ತು ವಿದ್ಯುತ್ ಸ್ಥಾವರ ಹೂಡಿಕೆ ಮತ್ತು ಸಾಮರ್ಥ್ಯ ಯೋಜನೆಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಜನಸಂಖ್ಯೆ, ಆರ್ಥಿಕ ಬೆಳವಣಿಗೆ, ವಿದ್ಯುತ್ ವಾಹನ ಮತ್ತು ಶಾಖ ಪಂಪ್ ಹರಡುವಿಕೆಯಂತಹ ರಚನಾತ್ಮಕ ಅಂಶಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ. ಇಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಯು ಸ್ವಾಭಾವಿಕವಾಗಿ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ಸನ್ನಿವೇಶದ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಸಲಹೆ: ಮುನ್ಸೂಚನೆ ಹಾರಿಜಾನ್ ಅನ್ನು ಸ್ಪಷ್ಟಪಡಿಸದೆ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಡಿ. ನಾಳೆಯನ್ನು ಊಹಿಸುವ ಮಾದರಿ ಮತ್ತು 2035 ಅನ್ನು ಊಹಿಸುವ ಮಾದರಿಯು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಒಳಹರಿವು ಮತ್ತು ವಿಭಿನ್ನ ಅನಿಶ್ಚಿತತೆಯ ನಿರ್ವಹಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಲೋಡ್ ಮತ್ತು ಫೀಚರ್ ಇಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ನಿರ್ಧರಿಸುವ ಅಂಶಗಳು
ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗೆ ನಾವು ನೀಡುವ ಇನ್ಪುಟ್ಗಳನ್ನು ವೈಶಿಷ್ಟ್ಯಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಉತ್ತಮ ಲೋಡ್ ಮುನ್ಸೂಚನೆಯು ಉತ್ತಮ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆರಿಸುವುದರೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಲೋಡ್ ಅನ್ನು ನಿರ್ಧರಿಸುವ ಮುಖ್ಯ ಅಂಶಗಳು:
- ಕ್ಯಾಲೆಂಡರ್: ಸಮಯ, ದಿನದ ಪ್ರಕಾರ, ವಾರಾಂತ್ಯ, ಸಾರ್ವಜನಿಕ ರಜೆ, ಋತು. ಹೊರೆಯು ಮಾನವ ನಡವಳಿಕೆಯ ಲಯವನ್ನು ಅನುಸರಿಸುತ್ತದೆ; ಬೆಳಿಗ್ಗೆ ಮತ್ತು ಸಂಜೆ ಬೆಟ್ಟಗಳನ್ನು ಮಾಡುತ್ತದೆ.
- ಗಾಳಿ: ತಾಪಮಾನವು ಪ್ರಬಲವಾದ ಅಂಶವಾಗಿದೆ (ತಂಪಾಗಿಸುವ ಮತ್ತು ತಾಪನ ಹೊರೆ), ನಂತರ ಆರ್ದ್ರತೆ, ವಿಕಿರಣ ಮತ್ತು ಗಾಳಿ. ತಾಪಮಾನ-ಚಾರ್ಜ್ ಸಂಬಂಧವು ಸಾಮಾನ್ಯವಾಗಿ U- ಆಕಾರದಲ್ಲಿದೆ: ಲೋಡ್ ತುಂಬಾ ಬಿಸಿ ಮತ್ತು ಅತ್ಯಂತ ಶೀತ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತದೆ.
- ಹಿಂದಿನ ಲೋಡ್: ಒಂದು ಗಂಟೆ, ಒಂದು ದಿನ ಮತ್ತು ಒಂದು ವಾರದ ಹಿಂದಿನ ಬಳಕೆ (ಮಂದಗತಿಯ ವೈಶಿಷ್ಟ್ಯಗಳು) ಮುಂದಿನ ಭವಿಷ್ಯದ ಪ್ರಬಲ ಮುನ್ಸೂಚನೆಯಾಗಿದೆ.
- ವಿಶೇಷ ಘಟನೆಗಳು: ಪ್ರಮುಖ ಕ್ರೀಡಾಕೂಟಗಳು, ದೀರ್ಘ ರಜಾದಿನಗಳು, ಆರ್ಥಿಕ ಆಘಾತಗಳು.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಯಾವುದು ಪರಿಣಾಮಕಾರಿ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬಹಳ ಉಪಯುಕ್ತವಾಗಿದೆ. ಆದರೆ ಬಲೆಯ ಬಗ್ಗೆ ಎಚ್ಚರದಿಂದಿರಿ: ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದ ಮಾಹಿತಿಯನ್ನು ಆರೋಪಿಸುವುದು (ಉದಾಹರಣೆಗೆ, ಊಹಿಸಬೇಕಾದ ಸಮಯದ ನಿಜವಾದ ತಾಪಮಾನ, ಆದರೆ ನಾವು ಹವಾಮಾನ ಮುನ್ಸೂಚನೆಯನ್ನು ಮಾತ್ರ ಹೊಂದಿದ್ದೇವೆ) ಡೇಟಾ ಸೋರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಮೂಲಭೂತವಾಗಿ ನಿಷ್ಪ್ರಯೋಜಕಗೊಳಿಸುತ್ತದೆ.
ಹಂತ ಹಂತವಾಗಿ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಅಂದಾಜು ಲೋಡ್ ಮಾಡಿ
ಹಂತ 1 - ಸಮಸ್ಯೆಯನ್ನು ವಿವರಿಸಿ. ಹಾರಿಜಾನ್ (ನಾಳೆ ಅಥವಾ ಮುಂದಿನ ವರ್ಷ), ರೆಸಲ್ಯೂಶನ್ (ಗಂಟೆಗೆ) ಮತ್ತು ಗುರಿ (ಒಟ್ಟು ಸಿಸ್ಟಮ್ ಲೋಡ್ ಅಥವಾ ಸಿಂಗಲ್ ಫೀಡರ್) ಸ್ಪಷ್ಟಪಡಿಸಲಾಗಿದೆ.
ಹಂತ 2 - ಡೇಟಾವನ್ನು ತಯಾರಿಸಿ. ಹಿಂದಿನ ಘಟಕದಲ್ಲಿನ ಶಿಸ್ತಿನೊಂದಿಗೆ ಕ್ಲೀನ್ ಸಮಯದ ಸರಣಿಯನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ; ಹವಾಮಾನ ಮತ್ತು ಕ್ಯಾಲೆಂಡರ್ ಡೇಟಾವನ್ನು ಸೇರಿಸಲಾಗಿದೆ.
ಹಂತ 3 - ಗುಣಲಕ್ಷಣಗಳನ್ನು ರಚಿಸಿ. ವೇಳಾಪಟ್ಟಿ, ವಿಳಂಬವಾದ ಲೋಡ್ ಮತ್ತು ಹವಾಮಾನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. ಸೋರಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿದೆ: ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಪ್ರತಿಯೊಂದು ವೈಶಿಷ್ಟ್ಯವು ಲಭ್ಯವಿದೆಯೇ?
ಹಂತ 4 - ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ತರಬೇತಿ ನೀಡಿ. ಸರಳವಾದ ಬೇಸ್ಲೈನ್ (ಉದಾ. "ಕಳೆದ ವಾರ ಅದೇ ಸಮಯ") ಯಾವಾಗಲೂ ಮೊದಲ ಹೆಜ್ಜೆಯಾಗಿರುತ್ತದೆ; ಸುಧಾರಿತ ಮಾದರಿಗಳು ಈ ಅಡಿಪಾಯವನ್ನು ಮೀರಿಸುವ ಮಟ್ಟಿಗೆ ಮಾತ್ರ ಮೌಲ್ಯಯುತವಾಗಿವೆ. ಮಾದರಿ ಕೋಡ್ ಮತ್ತು ವೈಶಿಷ್ಟ್ಯದ ಪೈಪ್ಲೈನ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ AI ಸಹಾಯಕವಾಗಿದೆ.
ಹಂತ 5 - ಮೌಲ್ಯಮಾಪನ. ಮಾದರಿಯನ್ನು ಅದು ನೋಡದ ಸಮಯದ ಅವಧಿಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ (ಭವಿಷ್ಯದ ಅವಧಿ); ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿ ಇದನ್ನು ಎಂದಿಗೂ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುವುದಿಲ್ಲ. ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಗಂಟೆ ಮತ್ತು ಆಡಳಿತದಿಂದ ವಿಭಜಿಸಲಾಗಿದೆ.
ಹಂತ 6 - ಅನಿಶ್ಚಿತತೆಯನ್ನು ವರದಿ ಮಾಡಿ. ಒಂದು ಶ್ರೇಣಿಯನ್ನು (ಪ್ರಿಡಿಕ್ಷನ್ ಬ್ಯಾಂಡ್) ನೀಡಲಾಗಿದೆ, ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ; ಈ ಬ್ಯಾಂಡ್ ಪ್ರಕಾರ ನೆಟ್ವರ್ಕ್ ಪುನರುಜ್ಜೀವನವನ್ನು ಯೋಜಿಸಲಾಗಿದೆ.
ಮುನ್ಸೂಚನೆ ದೋಷವನ್ನು ಅಳೆಯುವುದು: MAPE ಮತ್ತು ಮೀರಿ
ಮುನ್ಸೂಚನೆಯ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯಲು ಹಲವಾರು ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. MAPE (ಮೀನ್ ಸಂಪೂರ್ಣ ಶೇಕಡಾವಾರು ದೋಷ) ಭವಿಷ್ಯ ಮತ್ತು ವಾಸ್ತವದ ನಡುವಿನ ಸರಾಸರಿ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವಾಗಿದೆ; ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ಸುಲಭ. ವಿಶಿಷ್ಟವಾಗಿ 1 ರಿಂದ 3 ಪ್ರತಿಶತ MAPE ಅನ್ನು ಸಿಸ್ಟಮ್-ಮಟ್ಟದ ಅಲ್ಪಾವಧಿಯ ಲೋಡ್ ಮುನ್ಸೂಚನೆಗೆ ಉತ್ತಮವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ; ಒಂದೇ ಕಟ್ಟಡ/ಫೀಡರ್ ಮಟ್ಟದಲ್ಲಿ ಈ ಮೌಲ್ಯವು ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ ಏಕ ಗ್ರಾಹಕರು ಹೆಚ್ಚು ವ್ಯತ್ಯಾಸಗೊಳ್ಳುತ್ತಾರೆ.
ಆದರೆ MAPE ಮಾತ್ರ ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು. ಸರಾಸರಿಯು ಕಡಿಮೆಯಾಗಿದ್ದರೂ ಸಹ, ಪೀಕ್ ಅವರ್ಗಳಲ್ಲಿ ವ್ಯವಸ್ಥಿತ ವಿಚಲನವಿರಬಹುದು ಮತ್ತು ನೆಟ್ವರ್ಕ್ ಗರಿಷ್ಠ ಮಟ್ಟದಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಒಂದು ಗಂಟೆಯ ಆಧಾರದ ಮೇಲೆ, ದಿನದ ಪ್ರಕಾರದ ಆಧಾರದ ಮೇಲೆ ಮತ್ತು ವಿಶೇಷವಾಗಿ ಗರಿಷ್ಠ ಕ್ಷಣಗಳಲ್ಲಿ ದೋಷವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಶೀಲಿಸುವುದು ಅವಶ್ಯಕ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ದೋಷದ ನಿರ್ದೇಶನವು ಮುಖ್ಯವಾಗಿದೆ: ನಿರಂತರವಾದ ಕಡಿಮೆ ಅಂದಾಜು (ಬೇಡಿಕೆಯನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುವುದು) ಅಸಮರ್ಪಕ ಉತ್ಪಾದನಾ ವೇಳಾಪಟ್ಟಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಅಸಮತೋಲನವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: "MAPE 2 ಪ್ರತಿಶತ, ಅದ್ಭುತವಾಗಿದೆ" ಎಂದು ಹೇಳಲು ಸಾಕಾಗುವುದಿಲ್ಲ. ಪೀಕ್ ಅವರ್ MAPE ಶೇಕಡಾ 6 ಆಗಿದ್ದರೆ ಮತ್ತು ನೀವು ಸಂಜೆಯ ಗರಿಷ್ಠವನ್ನು ಸ್ಥಿರವಾಗಿ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದರೆ, ಆ ಮಾದರಿಯೊಂದಿಗೆ ಗ್ರಿಡ್ ಸಮತೋಲನವು ರಾಜಿಯಾಗುತ್ತದೆ. ಆಡಳಿತದಿಂದ ಅದನ್ನು ಒಡೆಯದೆಯೇ ಸರಾಸರಿ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಪರಿಗಣಿಸಬೇಡಿ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಬೇಸ್ಲೈನ್ ಅನ್ನು ರವಾನಿಸಲು ವಿಫಲವಾಗಿದೆ. ಒಂದು ತಂಡವು ಸಂಕೀರ್ಣ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿತು ಮತ್ತು 2.8 ಪ್ರತಿಶತ MAPE ಅನ್ನು ಪಡೆದುಕೊಂಡಿತು ಮತ್ತು ಸಂತೋಷವಾಯಿತು. ನಂತರ ಸರಳವಾದ "ಕಳೆದ ವಾರ ಅದೇ ಸಮಯ + ತಾಪಮಾನ ತಿದ್ದುಪಡಿ" ಆಧಾರವು 2.6 ಪ್ರತಿಶತವನ್ನು ನೀಡಿತು. ಸಂಕೀರ್ಣ ಮಾದರಿಯು ಅಡಿಪಾಯವನ್ನು ಹಾದುಹೋಗಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ; ಹೆಚ್ಚುವರಿ ಸಂಕೀರ್ಣತೆಗೆ ಯಾವುದೇ ಮೌಲ್ಯವಿರಲಿಲ್ಲ. ಪಾಠ: ಯಾವಾಗಲೂ ಸರಳವಾದ ಅಡಿಪಾಯವನ್ನು ಮೊದಲು ನಿರ್ಮಿಸಿ.
ಪ್ರಕರಣ 2 - ಓವರ್ಹೆಡ್ ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್. ಒಂದು ವಿತರಣಾ ಕಂಪನಿಯ ಮಾದರಿಯು ಒಟ್ಟಾರೆ MAPE ನಲ್ಲಿ 2.1 ಪ್ರತಿಶತದಷ್ಟು ಉತ್ತಮವಾಗಿತ್ತು ಆದರೆ ಬೇಸಿಗೆಯ ಸಂಜೆ ಹವಾನಿಯಂತ್ರಣದ ಉತ್ತುಂಗದಲ್ಲಿ 7 ಪ್ರತಿಶತದಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ. ಇದು ಕೆಲವು ಬಿಸಿ ದಿನಗಳಲ್ಲಿ ಅನಿರೀಕ್ಷಿತ ಲೋಡ್ ಮತ್ತು ವೋಲ್ಟೇಜ್ ಹನಿಗಳನ್ನು ಸೃಷ್ಟಿಸಿತು. ತಾಪಮಾನದ ಗುಣಲಕ್ಷಣಕ್ಕೆ "ಸತತ ಬಿಸಿ ದಿನಗಳ ಸಂಖ್ಯೆ" (ಬಿಲ್ಡಿಂಗ್ ಶಾಖದ ಶೇಖರಣೆ) ಅನ್ನು ಸೇರಿಸಿದಾಗ, ಗರಿಷ್ಠ ದೋಷವು 3 ಪ್ರತಿಶತಕ್ಕೆ ಕಡಿಮೆಯಾಗಿದೆ.
ಪ್ರಕರಣ 3 - ಸೋರಿಕೆಯ ಧಾರಣ. ಒಬ್ಬ ಇಂಟರ್ನ್ನ ಮಾದರಿಯು ಬ್ಯಾಕ್ಟೆಸ್ಟಿಂಗ್ನಲ್ಲಿ ನಂಬಲಾಗದಷ್ಟು ಚೆನ್ನಾಗಿ (0.4 ಶೇಕಡಾ MAPE) ಮಾಡಿದೆ. ಮಾದರಿಯು ಮುನ್ಸೂಚನೆಯ ಸಮಯದ ನಿಜವಾದ ತಾಪಮಾನವನ್ನು ಗುಣಲಕ್ಷಣವಾಗಿ ಬಳಸಿದೆ ಎಂದು ತನಿಖೆಯು ತೋರಿಸಿದೆ; ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ಇದು ಕೇವಲ ಹವಾಮಾನ ಮುನ್ಸೂಚನೆಯಾಗಿರುತ್ತದೆ. ಸೋರಿಕೆಯನ್ನು ಸರಿಪಡಿಸಿದ ನಂತರ, MAPE ವಾಸ್ತವಿಕ 2.5 ಪ್ರತಿಶತಕ್ಕೆ ಹೆಚ್ಚಾಯಿತು. "ತುಂಬಾ ಒಳ್ಳೆಯ" ಫಲಿತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ದೋಷದ ಸಂಕೇತವಾಗಿದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಲೋಡ್ ಡೇಟಾದೊಂದಿಗೆ ಭವಿಷ್ಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ.[data]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಶಕ್ತಿ ಬೇಡಿಕೆ ಮುನ್ಸೂಚನಾ ತಜ್ಞ. ಉದ್ದೇಶ: ದಿನ-ಮುಂದೆ (24 ಗಂಟೆಗಳ ಮುಂದೆ) ಗಂಟೆಯ ಸಿಸ್ಟಂ ಲೋಡ್ ಮುನ್ಸೂಚನೆ.- ಮೊದಲು ಸರಳ ಬೇಸ್ಲೈನ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ (ಉದಾ. ಕಳೆದ ವಾರ ಅದೇ ಸಮಯ) ಮತ್ತು ಅದನ್ನು ಉಲ್ಲೇಖಿಸಿ.- ಗುಣಲಕ್ಷಣಗಳ ಪಟ್ಟಿಯನ್ನು ಹೊರತೆಗೆಯಿರಿ; ಪ್ರತಿಯೊಂದು ಗುಣಲಕ್ಷಣಕ್ಕಾಗಿ, "ಭವಿಷ್ಯವು ತಕ್ಷಣವೇ ಲಭ್ಯವಿದೆಯೇ?" ಗುರುತು. ಸೋರಿಕೆಯ ಅಪಾಯದಲ್ಲಿರುವವರನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ.- ತರಬೇತಿ ಅವಧಿಯಿಂದ ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ನಡೆಸಿ, ನಂತರದ ಅವಧಿಯಲ್ಲಿ.- ಸಾಮಾನ್ಯವಾಗಿ ಮತ್ತು ಪೀಕ್ ಸಮಯದಲ್ಲಿ ಪ್ರತ್ಯೇಕವಾಗಿ MAPE ವರದಿ ಮಾಡಿ; ದೋಷದ ದಿಕ್ಕನ್ನು ಸೂಚಿಸಿ (ಕಡಿಮೆ/ಹೆಚ್ಚು). - ಫಲಿತಾಂಶವು ಮುನ್ಸೂಚನೆಯ ಮಧ್ಯಂತರವಾಗಿರಲಿ, ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ. ಡೇಟಾ ಸ್ಕೀಮಾ: [ಕಾಲಮ್ಗಳು]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಅಡಿಪಾಯವನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತದೆ, ಸೋರಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ, ಮೌಲ್ಯಮಾಪನವನ್ನು ನಿಖರವಾಗಿ ಸ್ಥಾಪಿಸುತ್ತದೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಗೋಚರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ - ಕಳಪೆ ಲೋಡ್ ಮುನ್ಸೂಚನೆಯ ನಾಲ್ಕು ಶ್ರೇಷ್ಠ ತಪ್ಪುಗಳನ್ನು ಕತ್ತರಿಸುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಗುಣಲಕ್ಷಣ ಮತ್ತು ಸೋರಿಕೆ ತಪಾಸಣೆ:
ಕೆಳಗಿನ ಮುನ್ಸೂಚನೆ ಸಮಸ್ಯೆಗೆ ವೈಶಿಷ್ಟ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ: [ಸಮಸ್ಯೆ]. ಪ್ರತಿ ಗುಣಲಕ್ಷಣಕ್ಕಾಗಿ, ಮೂರು ತುಣುಕುಗಳ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಿ: (ಎ) ಅದು ಲೋಡ್ನ ಮೇಲೆ ಏಕೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, (ಬಿ) ತಕ್ಷಣವೇ ಲಭ್ಯವಿರುವ ಮುನ್ಸೂಚನೆಯಾಗಿದೆ, (ಸಿ) ಸೋರಿಕೆಯ ಅಪಾಯವಿದೆ. ನಿಮ್ಮ ಪಟ್ಟಿಯಿಂದ ಸೋರಿಕೆಯನ್ನು ತೆಗೆದುಹಾಕಿ.
2) ಮೂಲ ಮಾದರಿಯನ್ನು ಸ್ಥಾಪಿಸುವುದು:
ಈ ಲೋಡ್ ಸರಣಿಗೆ ಕನಿಷ್ಠ ಎರಡು ಸರಳ ಬೇಸ್ಲೈನ್ಗಳನ್ನು ಸೂಚಿಸಿ (ಉದಾ. ನಿನ್ನೆ ಅದೇ ಸಮಯ, ಕಳೆದ ವಾರ ಅದೇ ಸಮಯ, ತಾಪಮಾನ-ಸರಿಪಡಿಸಿದ ಸರಾಸರಿ). ಪ್ರತಿಯೊಂದಕ್ಕೂ ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ. ಈ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಅರ್ಥಪೂರ್ಣವಾಗಿ ಹಾದುಹೋದರೆ ಮಾತ್ರ ಮುಂದುವರಿದ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗುತ್ತದೆ.
3) ಮೌಲ್ಯಮಾಪನ ಪ್ರೋಟೋಕಾಲ್:
ಈ ಮಾದರಿಗಾಗಿ ಮೌಲ್ಯಮಾಪನ ಯೋಜನೆಯನ್ನು ಹೊಂದಿಸಿ: ಸಮಯ ಕ್ರಮದಲ್ಲಿ ಪ್ರತ್ಯೇಕ ತರಬೇತಿ/ಪರೀಕ್ಷಾ ಅವಧಿಗಳು (ಭವಿಷ್ಯದಿಂದ ಹಿಂದಿನವರೆಗೆ ಸೋರಿಕೆ ಇಲ್ಲ). ಸಾಮಾನ್ಯ, ದಿನದ ಪ್ರಕಾರ ಮತ್ತು ಪೀಕ್ ಅವರ್ ಆಧಾರದ ಮೇಲೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ದೋಷದ ವ್ಯವಸ್ಥಿತ ಅಂಶವನ್ನು ವರದಿ ಮಾಡಿ.
4) ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು:
ವ್ಯಾಪ್ತಿಯೊಂದಿಗೆ ಮುನ್ಸೂಚನೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ (ಮೇಲಿನ/ಕೆಳಗಿನ ಬ್ಯಾಂಡ್). ಈ ಮಧ್ಯಂತರವನ್ನು ಗ್ರಿಡ್ ಪುನರಾವರ್ತನೆ ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಬಿಡ್ಡಿಂಗ್ ನಿರ್ಧಾರಕ್ಕೆ ಹೇಗೆ ಜೋಡಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. "ಕೆಟ್ಟ ಸನ್ನಿವೇಶ" ಏನು ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ.
ಮುನ್ಸೂಚನೆ ಹಾರಿಜಾನ್ ಟೇಬಲ್
ದಿಗಂತ
ಅವಧಿ
ಮೂಲ ಬಳಕೆ
ಪ್ರಬಲ ಅಂಶ
ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದೆ
ನಿಮಿಷ-ಗಂಟೆ
ಸಮತೋಲನ, ನಿಯಂತ್ರಣ
ಇತ್ತೀಚಿನ ಲೋಡ್
ಚಿಕ್ಕದು
1-7 ದಿನಗಳು
ಘಟಕ ಬದ್ಧತೆ, ಮಾರುಕಟ್ಟೆ
ಹವಾಮಾನ, ದಿನದ ಪ್ರಕಾರ
ಮಧ್ಯಮ
ವಾರ-ವರ್ಷ
ನಿರ್ವಹಣೆ, ಇಂಧನ, ಒಪ್ಪಂದ
ಋತುಮಾನ, ಆರ್ಥಿಕತೆ
ಉದ್ದವಾಗಿದೆ
ವರ್ಷಗಳು
ಹೂಡಿಕೆ, ಸಾಮರ್ಥ್ಯ
ಜನಸಂಖ್ಯೆ, EV, ಶಾಖ ಪಂಪ್
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸರಳ ಅಡಿಪಾಯವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಸಂಕೀರ್ಣ ಮಾದರಿಯು ಸರಳವಾದ ಅಡಿಪಾಯವನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸದೆ ಮೌಲ್ಯಯುತವೆಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ.
- ಡೇಟಾ ಸೋರಿಕೆ. ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದ ಮಾಹಿತಿಯನ್ನು ಆರೋಪಿಸುವುದು ತಪ್ಪು ಪರಿಪೂರ್ಣತೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ಸರಾಸರಿ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಕುರುಡಾಗಿ ನಂಬುವುದು. ಗರಿಷ್ಠ ಸಮಯ ಮತ್ತು ಕಾಲೋಚಿತ ಪರಿವರ್ತನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಶೀಲಿಸದಿದ್ದರೆ, ನೆಟ್ವರ್ಕ್ ಅಪಾಯದಲ್ಲಿದೆ.
- ಬೆಸ ಸಂಖ್ಯೆ ನೀಡುವುದು. ಅನಿಶ್ಚಿತತೆಯ ಬ್ಯಾಂಡಿಂಗ್ ಇಲ್ಲದೆ ಮುನ್ಸೂಚನೆಯು ಪುನರುಜ್ಜೀವನ ಯೋಜನೆಗೆ ಅಪೂರ್ಣವಾಗಿದೆ.
- ತರಬೇತಿ ಡೇಟಾವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು. ಮಾದರಿಯನ್ನು ಯಾವಾಗಲೂ ಗೋಚರಿಸದ ಅವಧಿಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಬೇಕು.
ಸಾರಾಂಶದಲ್ಲಿ
ಲೋಡ್ ಮುನ್ಸೂಚನೆಯು ಶಕ್ತಿ ವ್ಯವಸ್ಥೆಯ ನಾಡಿಯಾಗಿದೆ; ಇದರ ವಿಧಾನ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯು ದಿಗಂತವನ್ನು ಅವಲಂಬಿಸಿ ಬದಲಾಗುತ್ತದೆ. ಉತ್ತಮ ಭವಿಷ್ಯವು ಉತ್ತಮ ಗುಣಲಕ್ಷಣಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ಸೋರಿಕೆಯ ವಿರುದ್ಧ ನಿಖರತೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವೈಶಿಷ್ಟ್ಯಗಳ ಉತ್ಪಾದನೆ, ಮಾದರಿ ನಿರ್ಮಾಣ ಮತ್ತು ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಪ್ರಬಲವಾದ ಸಹಾಯವಾಗಿದೆ; ಆದರೆ ಸರಳ ಬೇಸ್ಲೈನ್ ಯಾವಾಗಲೂ ಉಲ್ಲೇಖವಾಗಿರುತ್ತದೆ, ಮೌಲ್ಯಮಾಪನವನ್ನು ಕಾಣದ ಅವಧಿಯಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷವನ್ನು ಗರಿಷ್ಠ/ಆಡಳಿತದ ಆಧಾರದ ಮೇಲೆ ಅರ್ಥೈಸಲಾಗುತ್ತದೆ, ಸರಾಸರಿಯಲ್ಲ. ಅಂದಾಜು ಒಂದೇ ಸಂಖ್ಯೆಯಲ್ಲ ಆದರೆ ನಿರ್ಧರಿಸಿದ ಶ್ರೇಣಿಯಾಗಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಲೋಡ್ ಅಥವಾ ಬಳಕೆಯ ಸರಣಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. ಮೊದಲು ಸರಳ ಬೇಸ್ಲೈನ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಹೊಂದಿಸಿ (ಉದಾ. "ಕಳೆದ ವಾರ ಅದೇ ಸಮಯ"). ನಂತರ "ಗುಣಲಕ್ಷಣ ಮತ್ತು ಸೋರಿಕೆ ಪರಿಶೀಲನೆ" ಮತ್ತು "ಮೌಲ್ಯಮಾಪನ ಪ್ರೋಟೋಕಾಲ್" ಟೆಂಪ್ಲೆಟ್ಗಳೊಂದಿಗೆ ಭವಿಷ್ಯ ಯೋಜನೆಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ಸೂಚಿಸಲಾದ ಪ್ರತಿಯೊಂದು ಗುಣಲಕ್ಷಣದ ಸೋರಿಕೆಯ ಅಪಾಯದ ಬಗ್ಗೆ ನಿಮ್ಮನ್ನು ಪ್ರಶ್ನಿಸಿಕೊಳ್ಳಿ. ಅಂತಿಮವಾಗಿ, ಗರಿಷ್ಠ ಅವಧಿಯಲ್ಲಿನ ಮುನ್ಸೂಚನೆಯ ದೋಷವು ಸರಾಸರಿ ದೋಷದಿಂದ ಭಿನ್ನವಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಸಂಶೋಧನೆಯನ್ನು ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಮುನ್ಸೂಚನೆ ಹಾರಿಜಾನ್, ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಗುರಿಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿದೆ
- [ ] ನಾನು ಸರಳವಾದ ಅಡಿಪಾಯವನ್ನು ನಿರ್ಮಿಸಿದೆ ಮತ್ತು ಅದನ್ನು ಉಲ್ಲೇಖಿಸಿದೆ
- [ ] ಪ್ರತಿಯೊಂದು ಗುಣಲಕ್ಷಣವು "ತಕ್ಷಣವೇ ಊಹಿಸಲಾಗಿದೆಯೇ?" ಸೋರಿಕೆಗಾಗಿ ನಾನು ಅದನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
- [ ] ನಾನು ಕುರುಡು ಅವಧಿಯಲ್ಲಿ ಮೌಲ್ಯಮಾಪನವನ್ನು ಮಾಡಿದ್ದೇನೆ
- [ ] ನಾನು ಸಾಮಾನ್ಯ ಮತ್ತು ಪೀಕ್ ಅವರ್ ಆಧಾರದ ಮೇಲೆ ಪ್ರತ್ಯೇಕವಾಗಿ MAPE ಅನ್ನು ಪರೀಕ್ಷಿಸಿದೆ
- [ ] ನಾನು ದೋಷದ ವ್ಯವಸ್ಥಿತ ದಿಕ್ಕನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ (ಕಡಿಮೆ/ಹೆಚ್ಚು)
- [ ] ನಾನು ಅಂದಾಜನ್ನು ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ತೀರ್ಪಿನ ವ್ಯಾಪ್ತಿಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿದೆ