नफा:
- उर्जा प्रणालीमध्ये अल्प, मध्यम आणि दीर्घकालीन लोड अंदाज आणि त्यांच्या वापराच्या क्षेत्रांमधील फरक स्पष्ट करण्याची क्षमता
- कृत्रिम बुद्धिमत्तेसह वैशिष्ट्य अभियांत्रिकी, मॉडेल निवड आणि अंदाज मूल्यांकन करण्याची क्षमता
- MAPE सारख्या मेट्रिक्ससह अंदाज त्रुटी मोजण्याची क्षमता आणि अभियांत्रिकी वाजवीपणा आणि रिडंडंसीची आवश्यकता यांच्याशी संबंधित
वीज साठवणूक ही एक महाग आणि मर्यादित वस्तू आहे; त्यामुळे ग्राहकांना किती आणि केव्हा वीज हवी आहे हे ग्रीडला आधीच माहित असणे आवश्यक आहे. लोड अंदाज हे भविष्यातील विजेच्या मागणीचा अंदाज लावण्याचे कार्य आहे आणि ऊर्जा प्रणालीच्या सर्वात मूलभूत विश्लेषणांपैकी एक आहे. या अंदाजानुसार पॉवर प्लांट्स प्रोग्राम केले जातात, बाजारातील खरेदी-विक्रीचे निर्णय त्यानुसार घेतले जातात आणि त्यानुसार नेटवर्क गुंतवणुकीचे नियोजन केले जाते. या युनिटमध्ये, आपण लोड अंदाजाचे प्रकार, ते कसे स्थापित केले जाते आणि कृत्रिम बुद्धिमत्तेने त्याचे मूल्यांकन कसे केले जाते आणि अंदाज त्रुटीचे अभियांत्रिकी परिणाम शिकू. चला संज्ञा स्पष्ट करूया: लोड ही एका दिलेल्या क्षणी वापरली जाणारी विद्युत शक्ती (kW/MW) आहे; लोड वक्र हा कालांतराने या शक्तीचा कोर्स आहे.
अंदाज क्षितिज: अल्प, मध्यम, दीर्घकालीन
लोड अंदाज वेगवेगळे उद्देश पूर्ण करतात आणि तुम्ही किती पुढे आहात यावर अवलंबून वेगवेगळ्या पद्धती आवश्यक आहेत.
खूप कमी आणि अल्पकालीन (मिनिटे ते काही दिवस). याचा वापर ग्रिड बॅलन्सिंग, युनिट बांधिलकी (कोणता प्लांट चालेल) आणि मार्केट बिडसाठी केला जातो. येथे, हवामान, दिवसाचा प्रकार (आठवड्याचा दिवस/शेवट) आणि अलीकडील वापर हे सर्वात मजबूत निर्धारक आहेत. अचूकता महत्त्वाची आहे कारण त्रुटीमुळे थेट असंतुलन खर्च येतो.
मध्यम कालावधी (आठवडे ते एक वर्ष). हे देखभाल नियोजन, इंधन पुरवठा आणि हंगामी करारासाठी वापरले जाते. हंगामी आणि आर्थिक ट्रेंड समोर येतात.
दीर्घकालीन (वर्षे). हे नेटवर्क आणि पॉवर प्लांट गुंतवणूक आणि क्षमता नियोजनासाठी वापरले जाते. लोकसंख्या, आर्थिक वाढ, इलेक्ट्रिक वाहन आणि उष्मा पंपाचा प्रसार यासारखे संरचनात्मक घटक निर्णायक आहेत. येथे अनिश्चितता नैसर्गिकरित्या मोठी आहे आणि परिस्थितीचा दृष्टीकोन वापरला जातो.
टीप: अंदाज क्षितिज स्पष्ट केल्याशिवाय मॉडेल निवडू नका. उद्याचे भाकीत करणारे मॉडेल आणि 2035 ची भविष्यवाणी करणारे मॉडेल पूर्णपणे भिन्न इनपुट आणि भिन्न अनिश्चितता व्यवस्थापन आवश्यक आहे.
भार आणि वैशिष्ट्य अभियांत्रिकी निर्धारित करणारे घटक
आम्ही मशीन लर्निंग मॉडेलला जे इनपुट देतो त्यांना वैशिष्ट्ये म्हणतात. चांगली वैशिष्ट्ये निवडण्यापासून चांगले लोड अंदाज सुरू होते. भार निर्धारित करणारे मुख्य घटक:
- कॅलेंडर: वेळ, दिवस प्रकार, शनिवार व रविवार, सार्वजनिक सुट्टी, हंगाम. भार मानवी वर्तनाची लय पाळतो; सकाळ संध्याकाळ हिल्स बनवतो.
- हवा: तापमान हा सर्वात मजबूत घटक आहे (थंड आणि गरम भार), त्यानंतर आर्द्रता, किरणोत्सर्ग आणि वारा. तापमान-चार्ज संबंध सामान्यतः U-आकाराचे असतात: खूप गरम आणि अतिशय थंड अशा दोन्ही स्थितीत भार वाढतो.
- मागील भार: एक तास, एक दिवस आणि एक आठवड्यापूर्वीचा वापर (लॅग वैशिष्ट्ये) नजीकच्या भविष्यातील सर्वात मजबूत अग्रदूत आहे.
- विशेष कार्यक्रम: प्रमुख क्रीडा स्पर्धा, लांब सुट्टी, आर्थिक धक्के.
हे गुणधर्म निर्माण करण्यासाठी आणि कोणते गुण प्रभावी आहेत हे शोधण्यासाठी कृत्रिम बुद्धिमत्ता खूप उपयुक्त आहे. परंतु सापळ्यापासून सावध रहा: अंदाजाच्या वेळी उपलब्ध नसलेल्या माहितीचे श्रेय (उदाहरणार्थ, अंदाज वर्तवल्या जाणाऱ्या वेळेचे वास्तविक तापमान, तर आपल्याकडे फक्त हवामानाचा अंदाज असेल) डेटा लीक करते आणि मॉडेलला मूलत: निरुपयोगी बनवते.
स्टेप बाय स्टेप: कृत्रिम बुद्धिमत्तेसह अंदाज लोड करा
पायरी 1 - समस्येची व्याख्या करा. क्षितीज (उद्या किंवा पुढील वर्षी), रिझोल्यूशन (तासाने) आणि लक्ष्य (एकूण सिस्टम लोड किंवा सिंगल फीडर) स्पष्ट केले आहेत.
पायरी 2 - डेटा तयार करा. मागील युनिटमधील शिस्तीसह स्वच्छ वेळ मालिका स्थापित केली जाते; हवामान आणि कॅलेंडर डेटा जोडला जातो.
पायरी 3 - विशेषता व्युत्पन्न करा. वेळापत्रक, विलंबित भार आणि हवामान गुणधर्म तयार केले जातात. गळती तपासली आहे: अंदाजाच्या वेळी प्रत्येक वैशिष्ट्य उपलब्ध आहे का?
पायरी 4 - मॉडेल निवडा आणि ट्रेन करा. एक साधी आधाररेखा (उदा. "गेल्या आठवड्यात तीच वेळ") ही नेहमीच पहिली पायरी असते; प्रगत मॉडेल्स केवळ त्या मर्यादेपर्यंतच मौल्यवान आहेत की ते या पायाला मागे टाकतील. मॉडेल कोड आणि वैशिष्ट्य पाइपलाइन तयार करण्यासाठी AI उपयुक्त आहे.
पायरी 5 - मूल्यांकन करा. मॉडेलची चाचणी न दिसणाऱ्या कालावधीत केली जाते (भावी कालावधी); प्रशिक्षण डेटामध्ये त्याचे कधीही मूल्यांकन केले जात नाही. मेट्रिक्स तास आणि नियमानुसार खंडित केले जातात.
पायरी 6 - अनिश्चितता नोंदवा. एक श्रेणी (अंदाज बँड) दिली आहे, एक संख्या नाही; या बँडनुसार नेटवर्क रिडंडन्सीचे नियोजन केले आहे.
मापन अंदाज त्रुटी: MAPE आणि पलीकडे
अंदाज गुणवत्ता मोजण्यासाठी अनेक मेट्रिक्स वापरली जातात. MAPE (मीन परिपूर्ण टक्केवारी त्रुटी) म्हणजे अंदाज आणि वास्तविकता यांच्यातील सरासरी टक्केवारीतील फरक; त्याचा अर्थ लावणे सोपे आहे. सामान्यत: 1 ते 3 टक्के MAPE सिस्टम-स्तरीय अल्प-मुदतीच्या लोड अंदाजासाठी चांगले मानले जाते; सिंगल बिल्डिंग/फीडर स्तरावर हे मूल्य नैसर्गिकरित्या जास्त असते कारण एकल ग्राहक अधिक परिवर्तनशील असतो.
परंतु केवळ MAPE दिशाभूल करणारे असू शकते. जरी सरासरी कमी वाटत असली तरीही, पीक अवर्स दरम्यान पद्धतशीर विचलन असू शकते आणि नेटवर्क अगदी शिखरावर गंभीर आहे. त्यामुळे तासाभराच्या आधारावर, दिवसाच्या प्रकारानुसार आणि विशेषत: पीक मोमेंट्सवर स्वतंत्रपणे त्रुटी तपासणे आवश्यक आहे. याव्यतिरिक्त, त्रुटीची दिशा महत्त्वाची आहे: सतत कमी लेखणे (मागणी कमी लेखणे) अपुरे उत्पादन वेळापत्रक ठरते आणि असंतुलन निर्माण करते.
खबरदारी: "MAPE 2 टक्के आहे, उत्तम" असे म्हणणे पुरेसे नाही. जर पीक अवर MAPE 6 टक्के असेल आणि तुम्ही संध्याकाळच्या शिखराला सातत्याने कमी लेखत असाल, तर त्या मॉडेलसह ग्रिड बॅलन्सिंगशी तडजोड केली जाईल. नियमानुसार तो खंडित केल्याशिवाय सरासरी मेट्रिक कधीही सुरक्षित मानू नका.
तीन मिनी प्रकरणे: संख्यांनुसार
केस 1 - बेसलाइन पास करण्यात अयशस्वी. एका संघाने एक जटिल मॉडेल तयार केले आणि त्याला 2.8 टक्के MAPE मिळाले आणि आनंद झाला. मग साध्या "गेल्या आठवड्यात समान वेळ + तापमान सुधारणा" आधारावर 2.6 टक्के दिले. जटिल मॉडेल पाया पास करू शकत नाही; अतिरिक्त जटिलतेमध्ये कोणतेही मूल्य नव्हते. धडा: नेहमी प्रथम साधा पाया तयार करा.
केस 2 - ओव्हरहेड ब्लाइंड स्पॉट. एका वितरण कंपनीचे मॉडेल एकूण MAPE मध्ये 2.1 टक्के चांगले होते परंतु उन्हाळ्याच्या संध्याकाळच्या वातानुकूलित शिखरावर सातत्याने 7 टक्क्यांनी कमी केले. यामुळे काही गरम दिवसांवर अनपेक्षित भार आणि व्होल्टेज कमी झाले. जेव्हा तापमान गुणधर्मामध्ये "सलग उष्ण दिवसांची संख्या" (उष्णता जमा करणे) जोडली गेली तेव्हा शिखर त्रुटी 3 टक्क्यांपर्यंत कमी झाली.
केस 3 - गळती रोखणे. एका इंटर्नच्या मॉडेलने बॅकटेस्टिंगमध्ये आश्चर्यकारकपणे (0.4 टक्के MAPE) कामगिरी केली. तपासणीत असे दिसून आले की मॉडेलने अंदाज केलेल्या वेळेचे वास्तविक तापमान गुणधर्म म्हणून वापरले; प्रत्यक्षात तो फक्त हवामानाचा अंदाज असेल. एकदा लीक निश्चित झाल्यानंतर, MAPE वास्तववादी 2.5 टक्क्यांपर्यंत वाढले. "खूप चांगला" परिणाम हे अनेकदा त्रुटीचे लक्षण असते.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या लोड डेटासह एक अंदाज मॉडेल तयार करा.[डेटा]
शक्तिशाली सूचना:
तुमची भूमिका: ऊर्जा मागणी अंदाज तज्ञ. उद्देश: दिवस-पुढे (24 तास पुढे) तासाभराच्या सिस्टम लोडचा अंदाज.- प्रथम एक साधी आधाररेखा प्रस्तावित करा (उदा. गेल्या आठवड्यात तीच वेळ) आणि त्याचा संदर्भ द्या.- विशेषतांची सूची काढा; प्रत्येक विशेषतासाठी, "अंदाज त्वरित उपलब्ध आहे का?" चिन्ह गळतीचा धोका असलेल्यांना वेगळे करा.- प्रशिक्षण कालावधीपासून स्वतंत्रपणे, नंतरच्या कालावधीत मूल्यांकन करा.- सर्वसाधारणपणे आणि पीक अवर्समध्ये स्वतंत्रपणे MAPE नोंदवा; त्रुटीची दिशा निर्दिष्ट करा (कमी/उच्च). - परिणाम एक अंदाज मध्यांतर असू द्या, एकल संख्या नाही. डेटा स्कीमा: [स्तंभ]
शक्तिशाली प्रॉम्प्ट फाउंडेशनची अंमलबजावणी करते, गळती रोखते, मूल्यांकन अचूकपणे स्थापित करते आणि अनिश्चितता दृश्यमान बनवते — खराब लोड अंदाजाच्या चार उत्कृष्ट चुका काढून टाकणे.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) विशेषता आणि गळती तपासणी:
पुढील अंदाज समस्येसाठी वैशिष्ट्यांची सूची प्रस्तावित करा: [समस्या]. प्रत्येक विशेषतासाठी, माहितीचे तीन भाग प्रदान करा: (अ) ते लोडवर का परिणाम करते, (ब) अंदाज त्वरित उपलब्ध आहे, (क) गळतीचा धोका आहे. तुमच्या यादीतून गळती काढा.
2) मूलभूत मॉडेल स्थापित करणे:
या लोड मालिकेसाठी किमान दोन सोप्या आधाररेषा सुचवा (उदा. कालची तीच वेळ, गेल्या आठवड्यात तीच वेळ, तापमान-सुधारित सरासरी). प्रत्येकासाठी तर्क लिहा. प्रगत मॉडेल केवळ या मूलभूत गोष्टींना अर्थपूर्णपणे पास केल्यासच प्रस्तावित केले जाईल.
3) मूल्यमापन प्रोटोकॉल:
या मॉडेलसाठी मूल्यमापन योजना सेट करा: वेळेच्या क्रमाने वेगळे प्रशिक्षण/चाचणी कालावधी (भविष्यापासून भूतकाळात गळती नाही). सामान्य, दिवसाचा प्रकार आणि पीक तास आधारावर स्वतंत्रपणे मेट्रिक्सची गणना करा. त्रुटीच्या पद्धतशीर पैलूचा अहवाल द्या.
4) अनिश्चितता आणि निर्णयक्षमता:
एका श्रेणीसह अंदाज सादर करा (वरचा/खालचा बँड). हे अंतराल ग्रिड रिडंडंसी आणि मार्केट बिडिंग निर्णयाशी कसे जोडले जाईल ते स्पष्ट करा. "सर्वात वाईट परिस्थिती" काय असेल या प्रश्नाचे उत्तर देखील द्या.
अंदाज क्षितिज सारणी
क्षितीज
कालावधी
मूलभूत वापर
प्रबळ घटक
खूप लहान
मिनिट-तास
संतुलन, नियंत्रण
अलीकडील भार
लहान
1-7 दिवस
युनिट बांधिलकी, बाजार
हवामान, दिवसाचा प्रकार
मध्यम
आठवडा-वर्ष
देखभाल, इंधन, करार
हंगामी, अर्थव्यवस्था
लांब
वर्षे
गुंतवणूक, क्षमता
लोकसंख्या, EV, उष्णता पंप
सामान्य चुका
- साधा पाया वगळणे. एक जटिल मॉडेल हे सिद्ध केल्याशिवाय मौल्यवान मानले जाऊ शकत नाही की ते साध्या पायाला मागे टाकते.
- डेटा लीक. भविष्यवाणीच्या वेळी उपलब्ध नसलेल्या माहितीचे श्रेय देणे चुकीची परिपूर्णता निर्माण करते.
- सरासरी मेट्रिकवर आंधळेपणाने विश्वास ठेवणे. पीक अवर्स आणि हंगामी संक्रमणे यांची स्वतंत्रपणे तपासणी न केल्यास, नेटवर्कला धोका असतो.
- विषम संख्या देणे. रिडंडंसी प्लॅनिंगसाठी अनिश्चितता बँडिंगशिवाय अंदाज अपूर्ण आहे.
- प्रशिक्षण डेटाचे मूल्यांकन. मॉडेलची नेहमी त्या कालावधीत चाचणी केली पाहिजे जिथे ते दृश्यमान नाही.
सारांशात
लोड अंदाज ऊर्जा प्रणालीची नाडी आहे; त्याची पद्धत आणि अनिश्चितता क्षितिजानुसार बदलते. चांगली भविष्यवाणी चांगल्या गुणधर्मांनी सुरू होते आणि गळतीविरूद्ध सावधपणा आवश्यक असतो. आर्टिफिशियल इंटेलिजन्स ही वैशिष्ट्य निर्मिती, मॉडेल बिल्डिंग आणि मूल्यमापनासाठी एक शक्तिशाली मदत आहे; परंतु साधी आधाररेखा हा नेहमीच संदर्भ असतो, मूल्यमापन न पाहिलेल्या कालावधीत केले जाते आणि त्रुटीचा अर्थ सरासरीवर नव्हे तर शिखर/व्यवस्था आधारावर केला जातो. अंदाज ही एक संख्या नसून एक निश्चित श्रेणी आहे.
अर्ज कार्य
भार किंवा उपभोग मालिका घ्या. प्रथम एक साधी बेसलाइन व्यक्तिचलितपणे सेट करा (उदा. "गेल्या आठवड्यात तीच वेळ"). नंतर AI ला “विशेषता आणि गळती तपासणी” आणि “मूल्यांकन प्रोटोकॉल” टेम्पलेट्ससह अंदाज योजनेसाठी विचारा. प्रत्येक सुचवलेल्या विशेषताच्या गळतीच्या जोखमीबद्दल स्वतःला प्रश्न करा. शेवटी, पीक अवर्समधील अंदाजाची त्रुटी सरासरी त्रुटीपेक्षा वेगळी आहे का ते तपासा आणि तुमचा शोध लिहा.
चेकलिस्ट
- मी अंदाज क्षितिज, ठराव आणि लक्ष्य स्पष्ट केले
- मी एक साधा पाया तयार केला आणि त्याचा संदर्भ दिला
- [ ] प्रत्येक विशेषता "लगेच अंदाज लावली जाते?" मी लीकसाठी ते तपासले.
- [ ] मी एका अंध कालावधीत मूल्यांकन केले
- [ ] मी MAPE ची सामान्य आणि पीक तास आधारावर स्वतंत्रपणे तपासणी केली
- [ ] मी त्रुटीची पद्धतशीर दिशा तपासली (कमी/उच्च)
- [ ] मी अनिश्चितता आणि निर्णयाच्या श्रेणीसह अंदाज सादर केला