लाभ:
- छोटो, मध्यम र दीर्घकालीन लोड पूर्वानुमान र ऊर्जा प्रणालीमा तिनीहरूको प्रयोगका क्षेत्रहरूमा भिन्नताहरू व्याख्या गर्ने क्षमता
- आर्टिफिसियल इन्टेलिजेन्सको साथ फीचर इन्जिनियरिङ, मोडेल चयन र भविष्यवाणी मूल्याङ्कन गर्न सक्ने क्षमता
- MAPE जस्ता मेट्रिक्सको साथ पूर्वानुमान त्रुटि मापन गर्ने क्षमता र ईन्जिनियरिङ् व्यावहारिकता र रिडन्डन्सीको आवश्यकतासँग सम्बन्धित
विद्युत भण्डारण महँगो र सीमित वस्तु हो; तसर्थ, ग्रिडले पहिले नै थाहा पाउनुपर्छ कि उपभोक्ताले कति र कहिले बिजुली चाहन्छन्। लोड पूर्वानुमान भनेको भविष्यको बिजुलीको मागको भविष्यवाणी गर्ने कार्य हो र ऊर्जा प्रणालीको सबैभन्दा आधारभूत विश्लेषणहरू मध्ये एक हो। पावर प्लान्टहरू यस पूर्वानुमान अनुसार प्रोग्राम गरिएको छ, बजारमा खरीद र बिक्री निर्णयहरू तदनुसार गरिन्छ, र नेटवर्क लगानी सोही अनुसार योजना गरिएको छ। यस एकाइमा, हामी लोड पूर्वानुमानका प्रकारहरू, कसरी यसलाई कृत्रिम बुद्धिमत्ताको साथ स्थापित र मूल्याङ्कन गरिन्छ, र पूर्वानुमान त्रुटिको इन्जिनियरिङ परिणामहरू सिक्नेछौं। शब्दलाई स्पष्ट गरौं: लोड भनेको कुनै निश्चित क्षणमा खपत हुने विद्युतीय शक्ति (kW/MW) हो; लोड कर्भ समय संग यो शक्ति को पाठ्यक्रम हो।
पूर्वानुमान क्षितिज: छोटो, मध्यम, दीर्घकालीन
लोड फरकास्टिङले फरक-फरक उद्देश्यहरू पूरा गर्छ र तपाईं कति अगाडि हेर्नुहुन्छ भन्ने आधारमा फरक-फरक विधिहरू चाहिन्छ।
धेरै छोटो र छोटो अवधि (मिनेट देखि केहि दिन)। यो ग्रिड सन्तुलन, एकाइ प्रतिबद्धता (कुन प्लान्ट सञ्चालन हुनेछ) र बजार बोली को लागी प्रयोग गरिन्छ। यहाँ, मौसम, दिनको प्रकार (साताको दिन/अन्त) र हालको खपत सबैभन्दा बलियो निर्धारकहरू हुन्। शुद्धता महत्त्वपूर्ण छ किनभने त्रुटिले प्रत्यक्ष असंतुलन लागतहरू निम्त्याउँछ।
मध्यम अवधि (हप्ता देखि एक वर्ष)। यो मर्मत योजना, इन्धन आपूर्ति र मौसमी अनुबंधको लागि प्रयोग गरिन्छ। मौसमी र आर्थिक प्रवृत्तिहरू अगाडि आउँछन्।
लामो अवधि (वर्ष)। यो नेटवर्क र पावर प्लान्ट लगानी र क्षमता योजना को लागी प्रयोग गरिन्छ। संरचनात्मक कारकहरू जस्तै जनसंख्या, आर्थिक वृद्धि, विद्युतीय सवारी र तातो पम्प प्रचलन निर्णायक छन्। यहाँ अनिश्चितता स्वाभाविक रूपमा ठूलो छ र परिदृश्य दृष्टिकोण प्रयोग गरिन्छ।
सुझाव: पूर्वानुमान क्षितिज स्पष्ट नगरी मोडेल छनौट नगर्नुहोस्। भोलिको भविष्यवाणी गर्ने मोडेल र २०३५ को भविष्यवाणी गर्ने मोडेललाई पूर्णतया फरक इनपुट र फरक अनिश्चितता व्यवस्थापन चाहिन्छ।
लोड र फीचर इन्जिनियरिङ निर्धारण गर्ने कारकहरू
हामीले मेसिन लर्निङ मोडेलमा दिने इनपुटहरूलाई सुविधाहरू भनिन्छ। राम्रो लोड भविष्यवाणी राम्रो सुविधाहरू छनोट संग सुरु हुन्छ। लोड निर्धारण गर्ने मुख्य कारकहरू:
- क्यालेन्डर: समय, दिन प्रकार, सप्ताहन्त, सार्वजनिक बिदा, मौसम। भारले मानव व्यवहारको ताल पछ्याउँछ; बिहान र बेलुका पहाड बनाउँछ।
- हावा: तापक्रम सबैभन्दा बलियो कारक हो (चिसो र तताउने भार), त्यसपछि आर्द्रता, विकिरण र हावा। तापक्रम-चार्ज सम्बन्ध सामान्यतया U-आकारको हुन्छ: लोड धेरै तातो र धेरै चिसो दुवै अवस्थामा बढ्छ।
- विगतको भार: एक घण्टा, एक दिन र एक हप्ता अघिको खपत (लग सुविधाहरू) निकट भविष्यको सबैभन्दा बलियो हार्बिंगर हो।
- विशेष घटनाहरू: प्रमुख खेलकुद घटनाहरू, लामो बिदाहरू, आर्थिक झट्काहरू।
यी विशेषताहरू उत्पन्न गर्न र कुन प्रभावकारी छन् भनेर पत्ता लगाउन कृत्रिम बुद्धिमत्ता धेरै उपयोगी छ। तर जालबाट सावधान रहनुहोस्: भविष्यवाणीको समयमा उपलब्ध नहुने जानकारी (उदाहरणका लागि, भविष्यवाणी गर्ने समयको वास्तविक तापक्रम, जहाँ हामीसँग मौसम पूर्वानुमान मात्र हुनेछ) विशेषताहरू डेटा चुहावट सिर्जना गर्दछ र मोडेललाई अनिवार्य रूपमा बेकार बनाउँछ।
चरणबद्ध रूपमा: कृत्रिम बुद्धिमत्ताको साथ अनुमान लोड गर्नुहोस्
चरण 1 - समस्या परिभाषित गर्नुहोस्। क्षितिज (भोलि वा अर्को वर्ष), संकल्प (घण्टा) र लक्ष्य (कुल प्रणाली लोड वा एकल फिडर) स्पष्ट छन्।
चरण 2 - डाटा तयार गर्नुहोस्। अघिल्लो एकाइमा अनुशासनको साथ सफा समय श्रृंखला स्थापित गरिएको छ; मौसम र क्यालेन्डर डेटा थपिएको छ।
चरण 3 - विशेषताहरू उत्पन्न गर्नुहोस्। तालिका, ढिलाइ लोड र मौसम विशेषताहरू सिर्जना गरिएका छन्। चुहावट जाँच गरिएको छ: के प्रत्येक सुविधा भविष्यवाणीको समयमा उपलब्ध छ?
चरण 4 - मोडेल चयन गर्नुहोस् र ट्रेन गर्नुहोस्। एक साधारण आधाररेखा (जस्तै "गत हप्ता उही समय") सधैं पहिलो चरण हो; उन्नत मोडेलहरू केवल हदसम्म मूल्यवान छन् कि तिनीहरूले यस आधारलाई पार गर्छन्। AI मोडेल कोड र सुविधा पाइपलाइन उत्पन्न गर्न मद्दत गर्छ।
चरण 5 - मूल्याङ्कन गर्नुहोस्। मोडेललाई समयको अवधिमा परीक्षण गरिन्छ जुन यसले देख्दैन (भविष्यको अवधि); प्रशिक्षण डेटामा यो कहिल्यै मूल्याङ्कन हुँदैन। मेट्रिक्स घण्टा र शासन द्वारा विभाजित छन्।
चरण 6 - अनिश्चितता रिपोर्ट गर्नुहोस्। दायरा (पूर्वानुमान ब्यान्ड) दिइएको छ, एकल संख्या होइन; नेटवर्क रिडन्डन्सी यस ब्यान्ड अनुसार योजना गरिएको छ।
मापन पूर्वानुमान त्रुटि: MAPE र बाहिर
पूर्वानुमान गुणस्तर मापन गर्न धेरै मेट्रिक्स प्रयोग गरिन्छ। MAPE (Mean Absolute Percentage Error) भनेको भविष्यवाणी र वास्तविकता बीचको औसत प्रतिशत भिन्नता हो; यसलाई व्याख्या गर्न सजिलो छ। सामान्यतया 1 देखि 3 प्रतिशत MAPE प्रणाली-स्तर छोटो अवधिको लोड पूर्वानुमानको लागि राम्रो मानिन्छ; एकल भवन/फिडर स्तरमा यो मूल्य स्वाभाविक रूपमा उच्च हुन्छ किनभने एकल उपभोक्ता बढी परिवर्तनशील हुन्छ।
तर MAPE एक्लै भ्रामक हुन सक्छ। यदि औसत कम देखिन्छ भने, त्यहाँ पीक घण्टाको समयमा व्यवस्थित विचलन हुन सक्छ, र सञ्जाल शिखरमा महत्त्वपूर्ण छ। तसर्थ, यो त्रुटिलाई घण्टाको आधारमा, दिनको प्रकारको आधारमा र विशेष गरी शिखर पलहरूमा छुट्टै जाँच गर्न आवश्यक छ। थप रूपमा, त्रुटिको दिशा महत्त्वपूर्ण छ: लगातार कम मूल्याङ्कन (मागको कम मूल्याङ्कन) एक अपर्याप्त उत्पादन तालिकामा जान्छ र असंतुलन सिर्जना गर्दछ।
सावधानी: "MAPE 2 प्रतिशत, उत्कृष्ट छ" भन्न पर्याप्त छैन। यदि अधिकतम घण्टा MAPE 6 प्रतिशत छ र तपाइँ निरन्तर रूपमा साँझको शिखरलाई कम आँकलन गर्नुहुन्छ भने, त्यो मोडेलसँग ग्रिड सन्तुलनमा सम्झौता हुन्छ। औसत मेट्रिकलाई शासन द्वारा तोडे बिना सुरक्षित कहिल्यै नबिर्सनुहोस्।
तीन मिनी केसहरू: नम्बरहरू द्वारा
केस 1 - आधाररेखा पास गर्न असफल। एउटा टोलीले जटिल मोडेल बनाए र २.८ प्रतिशत MAPE पाए र खुसी भए। त्यसपछि साधारण "गत हप्ता उही समय + तापमान सुधार" आधारमा 2.6 प्रतिशत दियो। जटिल मोडेल जग पास गर्न सकेन; अतिरिक्त जटिलतामा कुनै मूल्य थिएन। पाठ: सधैं पहिले सरल आधार निर्माण गर्नुहोस्।
केस 2 - ओभरहेड अन्धा ठाउँ। एक वितरण कम्पनीको मोडेल समग्र MAPE मा 2.1 प्रतिशतमा राम्रो थियो तर गर्मीको साँझको वातानुकूलित शिखरमा लगातार 7 प्रतिशतले यसलाई कम गरेको छ। यसले केही तातो दिनहरूमा अप्रत्याशित लोड र भोल्टेज ड्रपहरू सिर्जना गर्यो। जब तापमान विशेषतामा "लगातार तातो दिनहरूको संख्या" (निर्माण गर्मी संचय) थपियो, शिखर त्रुटि 3 प्रतिशतमा घट्यो।
केस 3 - चुहावट को नियन्त्रण। एक इन्टर्नको मोडेलले ब्याकटेस्टिङमा अविश्वसनीय रूपमा राम्रो गर्यो (0.4 प्रतिशत MAPE)। अनुसन्धानले देखायो कि मोडेलले एक विशेषताको रूपमा भविष्यवाणी गरिएको समयको वास्तविक तापमान प्रयोग गर्यो; जबकि वास्तविकता मा यो केवल एक मौसम पूर्वानुमान हुनेछ। एक पटक चुहावट ठीक भएपछि, MAPE वास्तविक 2.5 प्रतिशतमा बढ्यो। एक "धेरै राम्रो" परिणाम अक्सर त्रुटि को संकेत हो।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
यो लोड डाटा संग एक भविष्यवाणी मोडेल बनाउनुहोस्।[डेटा]
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: ऊर्जा माग पूर्वानुमान विशेषज्ञ। उद्देश्य: दिन-अगाडि (24 घण्टा अगाडि) घण्टा प्रणाली लोड पूर्वानुमान।- पहिले एक साधारण आधार रेखा प्रस्ताव गर्नुहोस् (जस्तै गत हप्ताको समान समय) र यसलाई सन्दर्भ गर्नुहोस्।- विशेषताहरूको सूची निकाल्नुहोस्; प्रत्येक विशेषताको लागि, "के भविष्यवाणी तुरुन्तै उपलब्ध छ?" चिन्ह। चुहावटको जोखिममा भएकाहरूलाई अलग गर्नुहोस्।- तालिम अवधिबाट अलग-अलग मूल्याङ्कन सञ्चालन गर्नुहोस्, पछिको अवधिमा।- MAPE रिपोर्ट सामान्य रूपमा र पीक घण्टामा अलग गर्नुहोस्; त्रुटिको दिशा निर्दिष्ट गर्नुहोस् (कम/उच्च)। - परिणाम एक भविष्यवाणी अन्तराल हुन दिनुहोस्, एक संख्या होइन। डाटा स्कीमा: [स्तम्भहरू]
शक्तिशाली प्रम्प्टले फाउन्डेसनलाई लागू गर्छ, चुहावट रोक्छ, मूल्याङ्कनलाई सही रूपमा स्थापित गर्छ, र अनिश्चिततालाई देखिने बनाउँछ — खराब लोड पूर्वानुमानका चारवटा क्लासिक गल्तीहरूलाई काट्दै।
चार प्रतिलिपि गर्न मिल्ने टेम्प्लेटहरू
1) विशेषता र चुहावट जाँच:
निम्न भविष्यवाणी समस्याका लागि सुविधाहरूको सूची प्रस्ताव गर्नुहोस्: [समस्या]। प्रत्येक विशेषताको लागि, जानकारीको तीन टुक्राहरू प्रदान गर्नुहोस्: (a) किन यसले लोडलाई असर गर्छ, (b) तत्काल उपलब्ध भविष्यवाणी हो, (c) त्यहाँ चुहावटको जोखिम छ। तपाईंको सूचीबाट चुहावट हटाउनुहोस्।
2) आधारभूत मोडेल स्थापना गर्दै:
यो लोड शृङ्खलाका लागि कम्तिमा दुईवटा साधारण आधाररेखाहरू सुझाव दिनुहोस् (जस्तै हिजो उही समय, पछिल्लो हप्ताको समान समय, तापक्रम-सही औसत)। प्रत्येकको लागि तर्क लेख्नुहोस्। यी आधारभूत कुराहरूलाई अर्थपूर्ण रूपमा पारित गरेमा मात्र उन्नत मोडेल प्रस्तावित हुनेछ।
3) मूल्याङ्कन प्रोटोकल:
यस मोडेलको लागि एक मूल्याङ्कन योजना सेट अप गर्नुहोस्: समय क्रममा छुट्टै प्रशिक्षण/परीक्षण अवधिहरू (भविष्यबाट विगतमा कुनै चुहावट छैन)। सामान्य, दिन प्रकार र चोटी घण्टा आधार द्वारा अलग मेट्रिक्स गणना। त्रुटिको व्यवस्थित पक्ष रिपोर्ट गर्नुहोस्।
4) अनिश्चितता र निर्णय लिने:
दायरा (माथिल्लो / तल्लो ब्यान्ड) संग पूर्वानुमान प्रस्तुत गर्नुहोस्। यो अन्तराललाई ग्रिड रिडन्डेन्सी र बजार बिडिङ निर्णयसँग कसरी जोडिनेछ भनेर व्याख्या गर्नुहोस्। "सबैभन्दा खराब अवस्था" के हुनेछ भन्ने प्रश्नको जवाफ पनि दिनुहोस्।
पूर्वानुमान क्षितिज तालिका
क्षितिज
अवधि
आधारभूत प्रयोग
प्रमुख कारक
धेरै छोटो
मिनेट-घण्टा
सन्तुलन, नियन्त्रण
भर्खरको लोड
छोटो
1-7 दिन
एकाइ प्रतिबद्धता, बजार
मौसम, दिनको प्रकार
मध्यम
हप्ता-वर्ष
रखरखाव, इन्धन, अनुबंध
मौसमी, अर्थव्यवस्था
लामो
वर्ष
लगानी, क्षमता
जनसंख्या, EV, तातो पम्प
सामान्य गल्तीहरू
- साधारण आधार छोड्दै। एउटा जटिल मोडेलले साधारण आधारलाई पार गरेको प्रमाणित नगरी मूल्यवान मान्न सकिँदैन।
- डाटा लीक। भविष्यवाणीको समयमा उपलब्ध नहुने जानकारी एट्रिब्युट गर्दा गलत पूर्णता उत्पन्न हुन्छ।
- औसत मेट्रिकमा अन्धाधुन्ध विश्वास गर्दै। यदि पीक घण्टा र मौसमी संक्रमणहरू अलग-अलग जाँच गरिएन भने, नेटवर्क जोखिममा छ।
- बिजोर संख्या दिने । अनिश्चितता ब्यान्डिङ बिना भविष्यवाणी अनावश्यक योजनाको लागि अपूर्ण छ।
- प्रशिक्षण डेटा मा मूल्याङ्कन। मोडेल सधैं यो नदेखिने अवधिमा परीक्षण गरिनुपर्छ।
संक्षेपमा
लोड पूर्वानुमान ऊर्जा प्रणाली को पल्स हो; यसको विधि र अनिश्चितता क्षितिजको आधारमा भिन्न हुन्छ। राम्रो भविष्यवाणी राम्रो विशेषताहरु संग सुरु हुन्छ र चुहावट विरुद्ध सावधानी आवश्यक छ। कृत्रिम बुद्धिमत्ता सुविधा उत्पादन, मोडेल निर्माण र मूल्याङ्कन मा एक शक्तिशाली सहायता हो; तर साधारण आधार रेखा सधैं सन्दर्भ हो, मूल्याङ्कन नदेखिएको अवधिमा गरिन्छ र त्रुटिलाई औसतमा होइन, शिखर/व्यवस्थाको आधारमा व्याख्या गरिन्छ। अनुमान एकल संख्या होइन तर एक निश्चित दायरा हो।
आवेदन कार्य
लोड वा उपभोग श्रृंखला लिनुहोस्। पहिले म्यानुअल रूपमा एक साधारण आधार रेखा सेट अप गर्नुहोस् (जस्तै "गत हप्ता उही समय")। त्यसपछि AI लाई "विशेषता र चुहावट जाँच" र "मूल्याङ्कन प्रोटोकल" टेम्प्लेटहरूको साथ भविष्यवाणी योजनाको लागि सोध्नुहोस्। सुझाव गरिएको प्रत्येक विशेषताको चुहावट जोखिमको बारेमा आफैलाई प्रश्न गर्नुहोस्। अन्तमा, शिखर घण्टामा पूर्वानुमानको त्रुटि औसत त्रुटि भन्दा फरक छ कि छैन जाँच गर्नुहोस् र आफ्नो खोज लेख्नुहोस्।
चेकलिस्ट
- [] मैले पूर्वानुमान क्षितिज, संकल्प र लक्ष्य स्पष्ट गरें
- [ ] मैले एउटा साधारण आधार निर्माण गरें र यसलाई सन्दर्भ गरें
- के प्रत्येक विशेषता "तुरुन्तै भविष्यवाणी गरिएको छ?" मैले लीकको लागि जाँच गरें।
- [ ] मैले एक अन्धा अवधिमा मूल्याङ्कन गरें
- [ ] मैले सामान्य र चरम घण्टाको आधारमा MAPE अलग-अलग जाँच गरें
- [] मैले त्रुटिको व्यवस्थित दिशा जाँच गरें (कम/उच्च)
- [ ] मैले अनुमानलाई अनिश्चितता र निर्णयको दायराको साथ प्रस्तुत गरें