Ieguvumi:
- Spēja izskaidrot īstermiņa, vidēja termiņa un ilgtermiņa slodzes prognozēšanas atšķirības un to izmantošanas jomas energosistēmā
- Spēja veikt pazīmju inženieriju, modeļu atlasi un prognožu novērtēšanu ar mākslīgo intelektu
- Spēja izmērīt prognozes kļūdu ar tādiem rādītājiem kā MAPE un saistīt to ar inženiertehnisko pamatotību un nepieciešamību pēc dublēšanas
Elektroenerģijas uzglabāšana ir dārga un ierobežota prece; Tāpēc elektrotīklam jau iepriekš ir jāzina, cik daudz elektroenerģijas patērētāji vēlēsies un kad. Slodzes prognozēšana ir nākotnes elektroenerģijas pieprasījuma prognozēšanas uzdevums, un tā ir viena no elementārākajām energosistēmas analīzēm. Atbilstoši šai prognozei tiek programmētas elektrostacijas, atbilstoši tiek pieņemti pirkšanas un pārdošanas lēmumi tirgū, un atbilstoši tiek plānotas tīkla investīcijas. Šajā nodaļā apgūsim slodzes prognozēšanas veidus, kā to nosaka un novērtē ar mākslīgo intelektu, kā arī prognozēsim kļūdas inženiertehniskās sekas. Precizēsim terminu: slodze ir noteiktā brīdī patērētā elektriskā jauda (kW/MW); Slodzes līkne ir šīs jaudas gaita laika gaitā.
Prognozes horizonti: īstermiņa, vidēja termiņa, ilgtermiņa
Slodzes prognozēšana kalpo dažādiem mērķiem un prasa dažādas metodes atkarībā no tā, cik tālu skatāties uz priekšu.
Ļoti īss un īslaicīgs (no minūtēm līdz dažām dienām). To izmanto tīkla balansēšanai, vienības saistībām (kura iekārta darbosies) un tirgus piedāvājumiem. Šeit laikapstākļi, dienas veids (darba diena/beigas) un nesenais patēriņš ir visspēcīgākie noteicošie faktori. Precizitāte ir kritiska, jo kļūda rada tiešas nelīdzsvarotības izmaksas.
Vidējs termiņš (no nedēļām līdz vienam gadam). To izmanto apkopes plānošanai, degvielas piegādei un sezonas līgumiem. Sezonalitāte un ekonomiskās tendences izvirzās priekšplānā.
Ilgtermiņa (gadi). To izmanto tīklu un spēkstaciju investīcijām un jaudas plānošanai. Noteicošie ir tādi strukturālie faktori kā iedzīvotāju skaits, ekonomiskā izaugsme, elektrisko transportlīdzekļu un siltumsūkņu izplatība. Šeit nenoteiktība ir dabiski liela, un tiek izmantota scenārija pieeja.
Padoms. Neizvēlieties modeli, nenoskaidrojot prognozes horizontu. Modelim, kas paredz rītdienu, un modelim, kas paredz 2035. gadu, ir nepieciešami pilnīgi atšķirīgi ieguldījumi un atšķirīga nenoteiktības pārvaldība.
Faktori, kas nosaka slodzi un funkciju inženierija
Ievades, ko sniedzam mašīnmācīšanās modelim, sauc par funkcijām. Laba slodzes prognozēšana sākas ar labu funkciju izvēli. Galvenie faktori, kas nosaka slodzi:
- Kalendārs: Laiks, dienas veids, nedēļas nogale, valsts svētki, sezona. Slodze seko cilvēka uzvedības ritmam; Veido kalnus no rīta un vakarā.
- Gaiss: temperatūra ir spēcīgākais faktors (dzesēšanas un apkures slodze), kam seko mitrums, starojums un vējš. Temperatūras un uzlādes attiecība parasti ir U veida: slodze palielinās gan ļoti karstos, gan ļoti aukstos apstākļos.
- Iepriekšējā slodze: patēriņš pirms vienas stundas, vienas dienas un vienas nedēļas (aizkavēšanās funkcijas) ir spēcīgākais tuvākās nākotnes priekšvēstnesis.
- Īpaši notikumi: lieli sporta notikumi, garas brīvdienas, ekonomiski satricinājumi.
Mākslīgais intelekts ir ļoti noderīgs, ģenerējot šos atribūtus un atklājot, kuri no tiem ir efektīvi. Taču uzmanieties no slazdiem: attiecinot informāciju, kas prognozēšanas brīdī nebūs pieejama (piemēram, prognozējamā laika faktiskā temperatūra, bet mums būs tikai laika prognoze), tiek radīta datu noplūde un modelis pēc būtības kļūst nederīgs.
Soli pa solim: slodzes novērtējums ar mākslīgo intelektu
1. darbība — definējiet problēmu. Tiek precizēts horizonts (rīt vai nākamgad), izšķirtspēja (stundu) un mērķis (kopējā sistēmas slodze vai viens padevējs).
2. darbība — sagatavojiet datus. Tiek izveidota tīra laikrinda ar disciplīnu iepriekšējā vienībā; Tiek pievienoti laikapstākļu un kalendāra dati.
3. darbība — ģenerējiet atribūtus. Tiek izveidoti grafika, aizkavētās slodzes un laikapstākļu atribūti. Noplūde tiek pārbaudīta: vai visas funkcijas ir pieejamas prognozēšanas brīdī?
4. darbība. Izvēlieties un apmāciet modeli. Vienkāršs sākumstāvoklis (piemēram, "tajā pašā laikā pagājušajā nedēļā") vienmēr ir pirmais solis; Uzlabotie modeļi ir vērtīgi tikai tad, ja tie pārspēj šo pamatu. AI ir noderīgs modeļa koda un funkciju konveijera ģenerēšanā.
5. solis — novērtējiet. Modelis tiek pārbaudīts laika periodā, ko tas neredz (nākotnes periods); Tas nekad netiek novērtēts apmācības datos. Metrika ir sadalīta pēc stundām un režīma.
6. darbība — ziņojiet par nenoteiktību. Tiek dots diapazons (prognozes josla), nevis viens skaitlis; Tīkla dublēšana tiek plānota atbilstoši šai joslai.
Mērīšanas prognozes kļūda: MAPE un tālāk
Prognožu kvalitātes mērīšanai tiek izmantoti vairāki rādītāji. MAPE (Mean Absolute Percentage Error) ir vidējā procentuālā atšķirība starp prognozi un realitāti; To ir viegli interpretēt. Parasti 1 līdz 3 procenti MAPE tiek uzskatīti par piemērotiem sistēmas līmeņa īstermiņa slodzes prognozēšanai; Vienas ēkas/padeves līmenī šī vērtība, protams, ir augstāka, jo viens patērētājs ir mainīgāks.
Taču MAPE vien var būt maldinošs. Pat ja vidējais rādītājs šķiet zems, pīķa stundās var būt sistemātiskas novirzes, un tīkls ir kritisks tieši maksimuma laikā. Tāpēc ir nepieciešams atsevišķi pārbaudīt kļūdu stundā, dienas veidā un īpaši pīķa brīžos. Turklāt svarīgs ir kļūdas virziens: pastāvīga nepietiekama novērtēšana (pieprasījuma nenovērtēšana) noved pie neatbilstoša ražošanas grafika un rada nelīdzsvarotību.
Uzmanību! Nepietiek ar teikto: "MAPE ir 2 procenti, lieliski." Ja maksimālā stunda MAPE ir 6 procenti un jūs pastāvīgi nenovērtējat vakara maksimumu, tīkla balansēšana ar šo modeli tiek apdraudēta. Nekad neuzskatiet vidējo rādītāju par drošu, nesadalot to pēc režīma.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — bāzes līnijas neievērošana. Viena komanda uzbūvēja sarežģītu modeli un ieguva 2,8% MAPE un bija sajūsmā. Tad vienkāršā "pagājušajā nedēļā tas pats laiks + temperatūras korekcija" bāze deva 2,6 procentus. Sarežģītais modelis nevarēja izturēt pamatu; papildu sarežģītībai nebija nekādas vērtības. Nodarbība: vienmēr vispirms izveidojiet vienkāršu pamatu.
2. gadījums — aklā zona virs galvas. Viena izplatīšanas uzņēmuma modelis bija labs ar 2,1 procentu no kopējā MAPE, taču vasaras vakara gaisa kondicionēšanas maksimuma laikā tas pastāvīgi tika prognozēts par 7 procentiem. Tas radīja negaidītus slodzes un sprieguma kritumus dažās karstās dienās. Kad temperatūras atribūtam tika pievienots "secīgo karsto dienu skaits" (ēkas siltuma uzkrāšanās), maksimālā kļūda samazinājās līdz 3 procentiem.
3. gadījums — noplūdes ierobežošana. Viena praktikanta modelim neticami labi veicās (0,4 procenti MAPE) atpakaļpārbaudē. Izmeklēšana parādīja, ka modelis kā atribūtu izmantoja prognozētā laika faktisko temperatūru; tā kā patiesībā tā būtu tikai laika prognoze. Kad noplūde tika novērsta, MAPE palielinājās līdz reāliem 2,5 procentiem. "Ļoti labs" rezultāts bieži vien liecina par kļūdu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Izmantojot šos slodzes datus, izveidojiet prognozēšanas modeli.[dati]
Spēcīga uzvedne:
Jūsu loma: Enerģijas pieprasījuma prognozēšanas eksperts. Mērķis: diena uz priekšu (24 stundas uz priekšu) stundas sistēmas slodzes prognoze.- Vispirms piedāvājiet vienkāršu bāzes līniju (piemēram, tajā pašā laikā pagājušajā nedēļā) un atsaucieties uz to. - Izņemiet atribūtu sarakstu; KATRAM atribūtam “vai prognoze ir pieejama uzreiz?” atzīme. Nošķirt tos, kuriem ir noplūdes risks.- Veikt novērtēšanu ATSEVIŠĶI no apmācības perioda, vēlākā periodā.- Ziņojiet MAPE kopumā UN atsevišķi pīķa stundās; Norādiet kļūdas virzienu (zems/augsts). - Lai rezultāts būtu prognozēšanas intervāls, nevis viens skaitlis. Datu shēma: [kolonnas]
Spēcīgā uzvedne nostiprina pamatu, novērš noplūdi, precīzi nosaka novērtējumu un padara redzamu nenoteiktību — izslēdzot četras klasiskās kļūdas sliktas slodzes prognozēšanas jomā.
Četras kopējamas veidnes
1) Atribūtu un noplūdes pārbaude:
Ierosiniet līdzekļu sarakstu šādai prognozēšanas problēmai: [problēma]. Par katru atribūtu sniedziet trīs informāciju: (a) kāpēc tas ietekmē slodzi, (b) vai prognoze ir pieejama uzreiz, (c) vai pastāv noplūdes risks. Noņemiet no sava saraksta noplūdušos.
2) Pamatmodeļa izveide:
Iesakiet vismaz divas vienkāršas bāzes līnijas šai slodzes sērijai (piemēram, tas pats laiks vakar, tas pats laiks pagājušajā nedēļā, temperatūras koriģētais vidējais rādītājs). Uzrakstiet katra pamatojumu. Uzlabots modelis tiks piedāvāts tikai tad, ja tas atbilst šiem pamatiem.
3) Novērtēšanas protokols:
Izveidojiet šim modelim novērtēšanas plānu: atsevišķi apmācību/pārbaudes periodi laika secībā (nav noplūdes no nākotnes uz pagātni). Aprēķiniet metriku atsevišķi pēc vispārīgā, dienas veida un maksimālās stundas bāzes. Ziņojiet par kļūdas sistemātisko aspektu.
4) nenoteiktība un lēmumu pieņemšana:
Norādiet prognozi ar diapazonu (augšējā/apakšējā josla). Paskaidrojiet, kā šis intervāls būs saistīts ar tīkla atlaišanas un tirgus solīšanas lēmumu. Atbildiet arī uz jautājumu, kāds būtu "sliktākais scenārijs".
Prognoze Horizon tabula
horizonts
Ilgums
Pamata lietošana
dominējošais faktors
pārāk īss
Minūte-stunda
balansēšana, kontrole
nesenā slodze
īss
1-7 dienas
Vienības saistības, tirgus
Laikapstākļi, dienas veids
vidējs
Nedēļa-gads
Apkope, degviela, līgums
sezonalitāte, ekonomija
garš
gadiem
Investīcijas, jauda
Iedzīvotāji, EV, siltumsūknis
Biežas kļūdas
- Izlaižot vienkāršu pamatu. Sarežģītu modeli nevar uzskatīt par vērtīgu, nepierādot, ka tas pārspēj vienkāršu pamatu.
- Datu noplūde. Informācijas piešķiršana, kas prognozēšanas brīdī nebūs pieejama, rada nepatiesu pilnību.
- Akli uzticoties vidējam rādītājam. Ja maksimumstundas un sezonālās pārejas netiek izskatītas atsevišķi, tīkls ir apdraudēts.
- Dodot nepāra skaitli. Prognozēšana bez nenoteiktības joslām ir nepilnīga atlaišanas plānošanai.
- Treniņu datu novērtēšana. Modelis vienmēr ir jāpārbauda laika posmā, kad tas nav redzams.
Rezumējot
Slodzes prognozēšana ir energosistēmas pulss; Tās metode un nenoteiktība atšķiras atkarībā no horizonta. Laba prognozēšana sākas ar labām īpašībām un prasa rūpību pret noplūdēm. Mākslīgais intelekts ir spēcīgs palīglīdzeklis funkciju ģenerēšanā, modeļu veidošanā un novērtēšanā; bet vienkāršā bāzes līnija vienmēr ir atsauce, novērtējums tiek veikts neredzētajā periodā, un kļūda tiek interpretēta pēc maksimuma/režīma, nevis uz vidējo. Aprēķins nav viens skaitlis, bet gan noteikts diapazons.
Lietojumprogrammas uzdevums
Paņemiet slodzi vai patēriņa sēriju. Vispirms manuāli iestatiet vienkāršu bāzes līniju (piemēram, "tajā pašā laikā pagājušajā nedēļā"). Pēc tam pieprasiet AI prognozēšanas plānu ar veidnēm “Atribūtu un noplūdes pārbaude” un “Novērtēšanas protokols”. Pajautājiet sev par katra ieteiktā atribūta noplūdes risku. Visbeidzot pārbaudiet, vai prognozes kļūda maksimumstundās atšķiras no vidējās kļūdas, un pierakstiet savu atradumu.
kontrolsaraksts
- [ ] Es precizēju prognozes horizontu, izšķirtspēju un mērķi
- [ ] Es izveidoju vienkāršu pamatu un atsaucos uz to
- [ ] Vai katrs atribūts ir "paredzams uzreiz?" Es pārbaudīju, vai tajā nav noplūdes.
- [ ] Novērtējumu veicu aklā periodā
- [ ] Es pārbaudīju MAPE atsevišķi, pamatojoties uz vispārīgo un maksimumstundu principu
- [ ] Es pārbaudīju kļūdas sistemātisko virzienu (zems/augsts)
- [ ] Es iesniedzu tāmi ar virkni nenoteiktības un spriedumu