이득:
- 단기, 중기, 장기 부하 예측의 차이점과 에너지 시스템에서의 사용 영역을 설명하는 능력
- 인공지능을 활용한 특징 엔지니어링, 모델 선택, 예측 평가 수행 능력
- MAPE와 같은 지표를 사용하여 예측 오류를 측정하고 이를 엔지니어링 합리성 및 중복성 필요성과 연관시키는 기능
전기 저장은 비싸고 제한된 상품입니다. 따라서 전력망은 소비자가 원하는 전력량과 시기를 미리 알아야 합니다. 부하예측은 미래의 전력수요를 예측하는 업무로 에너지시스템에 대한 가장 기본적인 분석 중 하나이다. 이러한 예측에 따라 발전소가 프로그래밍되고 이에 따라 시장에서의 매매 결정이 내려지며 그에 따라 네트워크 투자가 계획됩니다. 본 단원에서는 부하 예측의 유형, 인공 지능을 통해 부하 예측이 어떻게 설정되고 평가되는지, 예측 오류의 엔지니어링 결과에 대해 알아봅니다. 용어를 명확히 하겠습니다. 부하는 특정 순간에 소비되는 전력(kW/MW)입니다. 부하 곡선은 시간에 따른 전력의 경로입니다.
예측 범위: 단기, 중기, 장기
부하 예측은 다양한 목적으로 사용되며 얼마나 멀리 내다보는지에 따라 다양한 방법이 필요합니다.
매우 짧고 짧은 기간(몇 분에서 며칠). 이는 그리드 밸런싱, 단위 약속(공장이 운영될) 및 시장 입찰에 사용됩니다. 여기서는 날씨, 요일 유형(주중/종료) 및 최근 소비가 가장 강력한 결정 요인입니다. 오류로 인해 직접적인 불균형 비용이 발생하므로 정확성이 중요합니다.
중기(몇 주에서 1년). 유지보수 계획, 연료 공급 및 계절별 계약에 사용됩니다. 계절성과 경제 동향이 가장 중요합니다.
장기(년). 네트워크 및 발전소 투자, 용량 계획 등에 활용됩니다. 인구, 경제 성장, 전기 자동차 및 히트펌프 보급률과 같은 구조적 요인이 결정적입니다. 여기서는 불확실성이 당연히 크기 때문에 시나리오 접근 방식이 사용됩니다.
팁: 예측 기간을 명확히 하지 않고 모델을 선택하지 마십시오. 내일을 예측하는 모델과 2035년을 예측하는 모델에는 완전히 다른 입력과 다른 불확실성 관리가 필요합니다.
로드 및 기능 엔지니어링을 결정하는 요소
우리가 기계 학습 모델에 제공하는 입력을 기능이라고 합니다. 좋은 부하 예측은 좋은 특성을 선택하는 것부터 시작됩니다. 부하를 결정하는 주요 요소:
- 달력: 시간, 요일 유형, 주말, 공휴일, 계절. 부하는 인간 행동의 리듬을 따릅니다. 아침 저녁으로 언덕을 만듭니다.
- 공기: 온도가 가장 큰 요인(냉방 및 난방 부하)이고, 습도, 복사, 바람이 그 뒤를 따릅니다. 온도-전하 관계는 일반적으로 U자형입니다. 즉 매우 뜨겁거나 매우 추운 조건 모두에서 부하가 증가합니다.
- 과거 로드: 1시간, 1일, 1주 전 소비(지연 특성)는 가까운 미래의 가장 강력한 전조입니다.
- 특별 이벤트: 주요 스포츠 이벤트, 장기 휴가, 경제적 충격.
인공 지능은 이러한 속성을 생성하고 어떤 속성이 효과적인지 발견하는 데 매우 유용합니다. 하지만 함정에 주의하세요. 예측 시점에 사용할 수 없는 정보(예: 예측할 시점의 실제 온도, 일기 예보만 알 수 있음)를 지정하면 데이터 유출이 발생하고 모델이 본질적으로 쓸모 없게 됩니다.
단계별: 인공 지능을 이용한 부하 추정
1단계 - 문제를 정의합니다. 범위(내일 또는 내년), 해상도(시간별) 및 목표(총 시스템 부하 또는 단일 피더)가 명확해집니다.
2단계 - 데이터를 준비합니다. 이전 단원의 규율을 사용하여 깨끗한 시계열이 설정되었습니다. 날씨와 달력 데이터가 추가됩니다.
3단계 - 속성을 생성합니다. 일정, 지연된 부하 및 날씨 속성이 생성됩니다. 누출 확인: 예측 시점에 모든 기능을 사용할 수 있습니까?
4단계 - 모델 선택 및 학습 간단한 기준(예: "지난주 같은 시간")이 항상 첫 번째 단계입니다. 고급 모델은 이러한 기반을 능가하는 경우에만 가치가 있습니다. AI는 모델 코드와 기능 파이프라인을 생성하는 데 도움이 됩니다.
5단계 - 평가합니다. 모델은 보이지 않는 기간(미래 기간) 동안 테스트됩니다. 훈련 데이터에서는 평가되지 않습니다. 측정항목은 시간과 제도별로 분류됩니다.
6단계 - 불확실성을 보고합니다. 단일 숫자가 아닌 범위(예측 대역)가 제공됩니다. 이 대역에 따라 네트워크 이중화가 계획되어 있습니다.
예측 오류 측정: MAPE 및 그 이상
예측 품질을 측정하기 위해 여러 측정항목이 사용됩니다. MAPE(평균 절대 백분율 오류)는 예측과 현실 사이의 평균 백분율 차이입니다. 해석하기 쉽습니다. 일반적으로 1~3% MAPE는 시스템 수준 단기 부하 예측에 적합한 것으로 간주됩니다. 단일 건물/피더 수준에서는 단일 소비자가 더 가변적이기 때문에 이 값은 자연스럽게 더 높습니다.
그러나 MAPE만으로는 오해의 소지가 있을 수 있습니다. 평균이 낮아 보이더라도 피크 시간대에는 체계적 편차가 있을 수 있으며 피크 시간대에는 네트워크가 매우 중요합니다. 따라서 시간별, 요일별, 특히 피크 시간대별로 오류를 별도로 조사할 필요가 있다. 또한 오류의 방향도 중요합니다. 지속적인 과소평가(수요의 과소평가)는 부적절한 생산 일정을 초래하고 불균형을 초래합니다.
주의: "MAPE는 2%입니다. 훌륭합니다."라고 말하는 것만으로는 충분하지 않습니다. 피크 시간 MAPE가 6%이고 저녁 피크를 지속적으로 과소평가하는 경우 해당 모델과의 그리드 밸런싱이 손상됩니다. 정권별로 분류하지 않고 평균 측정항목을 안전하다고 생각하지 마세요.
세 가지 미니 케이스: 숫자로 알아보기
사례 1 - 기준선 통과 실패. 한 팀은 복잡한 모델을 구축하여 2.8%의 MAPE를 얻었고 매우 만족했습니다. 이어 단순 '지난주 동기+온도보정' 기준은 2.6%를 나타냈다. 복잡한 모델은 기초를 통과할 수 없습니다. 추가적인 복잡성은 가치가 없었습니다. 교훈: 항상 간단한 기초를 먼저 구축하십시오.
사례 2 - 머리 위 사각지대. 한 유통 회사의 모델은 전체 MAPE에서 2.1%로 양호했지만 여름 저녁 에어컨 피크 기간 동안 지속적으로 7%만큼 과소 예측했습니다. 이로 인해 더운 며칠 동안 예상치 못한 부하와 전압 강하가 발생했습니다. 온도 속성에 "연속 더운 날 수"(건물 열 축적)를 추가하면 피크 오류가 3%로 감소했습니다.
사례 3 — 누출 억제. 한 인턴의 모델은 백테스팅에서 믿을 수 없을 만큼 좋은 결과를 얻었습니다(0.4% MAPE). 조사 결과 모델은 예측 시간의 실제 온도를 속성으로 사용하는 것으로 나타났습니다. 실제로는 일기예보일 뿐입니다. 누출이 해결되자 MAPE는 현실적인 2.5%로 증가했습니다. "매우 좋은" 결과는 종종 오류의 징후입니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 부하 데이터를 사용하여 예측 모델을 구축합니다.[데이터]
강력한 프롬프트:
귀하의 역할: 에너지 수요 예측 전문가. 목적: 하루 전(24시간 전) 시간별 시스템 부하 예측- 먼저 간단한 기준(예: 지난주 같은 시간)을 제안하고 이를 참조합니다.- 속성 목록을 추출합니다. 모든 속성에 대해 "예측이 즉시 가능합니까?" 표시. 누출 위험이 있는 사람들을 분리하십시오.- 교육 기간과 별도로 평가를 나중에 수행하십시오.- 일반적으로 MAPE를 보고하고 피크 시간에는 별도로 MAPE를 보고하십시오. 오류의 방향(낮음/높음)을 지정합니다. - 결과가 단일 숫자가 아닌 예측 구간이 되도록 합니다. 데이터 스키마: [열]
강력한 프롬프트는 기초를 강화하고, 누출을 방지하며, 평가를 정확하게 확립하고, 불확실성을 가시화하여 부실한 부하 예측의 네 가지 고전적인 실수를 제거합니다.
복사 가능한 템플릿 4개
1) 속성 및 누출 검사:
다음 예측 문제에 대한 기능 목록을 제안합니다: [문제]. 각 속성에 대해 세 가지 정보를 제공하십시오. (a) 부하에 영향을 미치는 이유, (b) 즉시 사용할 수 있는 예측, (c) 누출 위험이 있습니까? 목록에서 누출된 항목을 제거하세요.
2) 기본 모델 수립:
이 부하 시리즈에 대해 최소한 두 가지 간단한 기준을 제안합니다(예: 어제 같은 시간, 지난 주 같은 시간, 온도 보정 평균). 각각에 대한 근거를 쓰십시오. 이러한 기본 사항을 의미 있게 통과해야만 고급 모델이 제안될 것입니다.
3) 평가 프로토콜:
이 모델에 대한 평가 계획을 설정합니다. 교육/테스트 기간을 시간 순서대로 구분합니다(미래에서 과거로 누출 없음). 일반, 요일 유형 및 피크 시간 기준으로 별도로 측정항목을 계산합니다. 오류의 체계적 측면을 보고합니다.
4) 불확실성과 의사결정:
범위(상한/하한 밴드)로 예측을 제시합니다. 이 간격이 그리드 중복성 및 시장 입찰 결정과 어떻게 연결되는지 설명하십시오. 또한 "최악의 시나리오"가 무엇인지에 대한 질문에 대답하십시오.
예측 범위 테이블
지평선
기간
기본 사용
지배적 요인
너무 짧다
분-시간
균형, 제어
최근 부하
짧은
1~7일
단위 약정, 시장
날씨, 요일 유형
중간
주별
정비, 연료, 계약
계절성, 경제
긴
년
투자, 용량
인구, EV, 히트펌프
일반적인 실수
- 간단한 기초를 건너뜁니다. 복잡한 모델은 단순한 기초를 뛰어넘는다는 사실을 증명하지 않으면 가치 있는 것으로 간주될 수 없습니다.
- 데이터 유출. 예측 당시에는 사용할 수 없는 정보를 귀속시키는 것은 잘못된 완벽성을 생성합니다.
- 평균 지표를 맹목적으로 신뢰합니다. 피크 시간대와 계절적 전환을 별도로 조사하지 않으면 네트워크가 위험해집니다.
- 홀수를 제공합니다. 불확실성 밴딩이 없는 예측은 중복 계획에 있어 불완전합니다.
- 훈련 데이터를 평가합니다. 모델은 항상 눈에 보이지 않는 기간에 테스트되어야 합니다.
요약하면
부하 예측은 에너지 시스템의 핵심입니다. 그 방법과 불확실성은 지평선에 따라 다릅니다. 좋은 예측은 좋은 속성에서 시작되며 누출에 대한 세심함이 필요합니다. 인공 지능은 기능 생성, 모델 구축 및 평가에 강력한 도움이 됩니다. 그러나 단순한 기준선은 항상 참조이며, 평가는 눈에 보이지 않는 기간에 이루어지며 오류는 평균이 아닌 최고/정기 기준으로 해석됩니다. 추정치는 단일 숫자가 아니라 정해진 범위입니다.
응용과제
부하 또는 소비 시리즈를 살펴보세요. 먼저 간단한 기준을 수동으로 설정합니다(예: "지난주 같은 시간"). 그런 다음 AI에게 "속성 및 누출 확인" 및 "평가 프로토콜" 템플릿을 사용하여 예측 계획을 요청합니다. 제안된 각 속성의 누출 위험에 대해 스스로에게 질문해 보세요. 마지막으로 피크 시간대 예보의 오차가 평균 오차와 다른지 확인하고 그 결과를 적어보세요.
체크리스트
- [ ] 예측 범위, 해상도, 목표를 명확히 했습니다.
- [ ] 간단한 기초를 구축하고 참고했습니다
- [ ] 각 속성이 "즉시 예측"됩니까? 누수 여부를 확인해 봤습니다.
- [ ] 블라인드 기간에 평가를 했습니다.
- [ ] MAPE를 일반 시간대와 피크 시간대를 기준으로 별도로 조사했습니다.
- [ ] 오류의 체계적인 방향(낮음/높음)을 확인했습니다.
- [ ] 나는 다양한 불확실성과 판단을 고려하여 추정치를 제시했습니다.