Winst:
- Vermogen om de verschillen in belastingvoorspellingen op de korte, middellange en lange termijn en hun toepassingsgebieden in het energiesysteem uit te leggen
- Mogelijkheid om feature engineering, modelselectie en voorspellingsevaluatie uit te voeren met kunstmatige intelligentie
- Mogelijkheid om voorspellingsfouten te meten met meetgegevens zoals MAPE en deze te relateren aan technische redelijkheid en de behoefte aan redundantie
Elektriciteitsopslag is een duur en beperkt goed; Daarom moet een net van tevoren weten hoeveel elektriciteit de consument wil hebben en wanneer. Belastingsvoorspelling is de taak van het voorspellen van de toekomstige vraag naar elektriciteit en is een van de meest fundamentele analyses van het energiesysteem. Elektriciteitscentrales worden op basis van deze voorspelling geprogrammeerd, koop- en verkoopbeslissingen op de markt worden dienovereenkomstig genomen en netwerkinvesteringen worden dienovereenkomstig gepland. In deze unit leren we de soorten belastingvoorspellingen, hoe deze worden opgesteld en geëvalueerd met kunstmatige intelligentie, en de technische gevolgen van voorspellingsfouten. Laten we de term verduidelijken: belasting is het elektrische vermogen (kW/MW) dat op een bepaald moment wordt verbruikt; De belastingscurve is het verloop van dit vermogen in de tijd.
Voorspellingshorizon: korte, middellange en lange termijn
Beladingsprognoses dienen verschillende doeleinden en vereisen verschillende methoden, afhankelijk van hoe ver vooruit u kijkt.
Zeer korte en korte termijn (minuten tot enkele dagen). Het wordt gebruikt voor netbalancering, eenheidstoezegging (welke centrale zal werken) en marktbiedingen. Hier zijn het weer, het dagtype (weekdag/einde) en de recente consumptie de sterkste determinanten. Nauwkeurigheid is van cruciaal belang omdat fouten directe onbalanskosten met zich meebrengen.
Middellange termijn (weken tot een jaar). Het wordt gebruikt voor onderhoudsplanning, brandstoflevering en seizoenscontracten. Seizoensgebondenheid en economische trends komen op de voorgrond.
Lange termijn (jaren). Het wordt gebruikt voor investeringen in netwerken en elektriciteitscentrales en voor capaciteitsplanning. Structurele factoren zoals de bevolking, de economische groei, de prevalentie van elektrische voertuigen en warmtepompen zijn doorslaggevend. Hier is de onzekerheid uiteraard groot en wordt gebruik gemaakt van de scenariobenadering.
Tip: Kies geen model zonder de prognosehorizon te verduidelijken. Een model dat morgen voorspelt en een model dat 2035 voorspelt, vereisen totaal verschillende inputs en een ander onzekerheidsmanagement.
Factoren die de belasting en functie-engineering bepalen
De input die we aan een machine learning-model geven, worden features genoemd. Een goede belastingvoorspelling begint met het kiezen van goede functies. De belangrijkste factoren die de belasting bepalen:
- Kalender: tijd, dagtype, weekend, feestdag, seizoen. De lading volgt het ritme van menselijk gedrag; Maakt heuvels in de ochtend en avond.
- Lucht: Temperatuur is de sterkste factor (koel- en verwarmingsbelasting), gevolgd door vochtigheid, straling en wind. De relatie tussen temperatuur en lading is over het algemeen U-vormig: de belasting neemt zowel onder zeer warme als onder zeer koude omstandigheden toe.
- Lading uit het verleden: verbruik één uur, één dag en één week geleden (lag-kenmerken) is de sterkste voorbode van de nabije toekomst.
- Speciale evenementen: grote sportevenementen, lange vakanties, economische schokken.
Kunstmatige intelligentie is zeer nuttig bij het genereren van deze kenmerken en het ontdekken welke effectief zijn. Maar pas op voor een valstrik: het toekennen van informatie die op het moment van de voorspelling niet beschikbaar zal zijn (bijvoorbeeld de werkelijke temperatuur op het tijdstip dat voorspeld moet worden, terwijl we alleen de weersvoorspelling hebben) zorgt voor gegevenslekken en maakt het model in wezen nutteloos.
Stap voor stap: schat schatting met kunstmatige intelligentie
Stap 1 — Definieer het probleem. De horizon (morgen of volgend jaar), de resolutie (per uur) en het doel (totale systeembelasting of enkele feeder) worden verduidelijkt.
Stap 2 — Bereid de gegevens voor. Er wordt een schone tijdreeks opgesteld met de discipline uit de vorige unit; Weer- en kalendergegevens worden toegevoegd.
Stap 3 — Genereer attributen. Er worden schema-, uitgestelde belasting- en weerattributen aangemaakt. Er wordt gecontroleerd op lekkage: is elke functie beschikbaar op het moment van de voorspelling?
Stap 4 — Selecteer en train het model. Een eenvoudige basislijn (bijvoorbeeld "vorige week dezelfde tijd") is altijd de eerste stap; Geavanceerde modellen zijn alleen waardevol voor zover ze dit fundament overstijgen. AI is nuttig bij het genereren van de modelcode en de functiepijplijn.
Stap 5 — Evalueer. Het model wordt getest gedurende een periode die het niet ziet (een toekomstige periode); Het wordt nooit geëvalueerd in trainingsgegevens. Metrieken worden uitgesplitst per uur en regime.
Stap 6 — Rapporteer onzekerheid. Er wordt een bereik (voorspellingsband) gegeven, geen enkel getal; Netwerkredundantie wordt gepland volgens deze band.
Voorspellingsfouten meten: MAPE en verder
Er worden verschillende maatstaven gebruikt om de kwaliteit van de prognoses te meten. MAPE (Mean Absolute Percentage Error) is het gemiddelde procentuele verschil tussen voorspelling en werkelijkheid; Het is gemakkelijk te interpreteren. Doorgaans wordt 1 tot 3 procent MAPE als goed beschouwd voor het voorspellen van de belasting op systeemniveau op korte termijn; Op het niveau van een enkel gebouw/feeder is deze waarde natuurlijk hoger omdat de individuele consument variabeler is.
Maar MAPE alleen kan misleidend zijn. Zelfs als het gemiddelde laag lijkt, kan er tijdens de piekuren sprake zijn van systematische afwijkingen en is het netwerk op de piekmomenten van cruciaal belang. Daarom is het noodzakelijk om de fout afzonderlijk te onderzoeken op uurbasis, dagtypebasis en vooral op piekmomenten. Daarnaast is de richting van de fout van belang: aanhoudende onderschatting (onderschatting van de vraag) leidt tot een ontoereikend productieschema en zorgt voor onbalans.
Let op: het is niet genoeg om te zeggen: "MAPE is 2 procent, geweldig." Als de piekuur-MAPE 6 procent bedraagt en je de avondpiek consequent onderschat, komt de netbalans met dat model in gevaar. Beschouw de gemiddelde maatstaf nooit als veilig zonder deze per regime uit te splitsen.
Drie mini-hoesjes: volgens de cijfers
Geval 1 — Het niet overschrijden van de basislijn. Eén team bouwde een complex model en behaalde een MAPE van 2,8 procent en was opgetogen. Toen leverde de eenvoudige basis "vorige week dezelfde tijd + temperatuurcorrectie" 2,6 procent op. Het complexe model kon de basis niet passeren; er zat geen waarde in extra complexiteit. Les: bouw altijd eerst de eenvoudige basis.
Geval 2 — Dode hoek boven het hoofd. Het model van één distributiebedrijf was goed met 2,1 procent in de totale MAPE, maar voorspelde dit consequent met 7 procent tijdens de zomeravondpiek van de airconditioning. Dit zorgde op een paar warme dagen voor onverwachte belasting- en spanningsdalingen. Wanneer “aantal opeenvolgende warme dagen” (warmteaccumulatie van gebouwen) werd toegevoegd aan het temperatuurattribuut, nam de piekfout af tot 3 procent.
Geval 3 — Insluiting van lek. Het model van één stagiair deed het ongelooflijk goed (0,4 procent MAPE) bij het backtesten. Uit het onderzoek bleek dat het model de werkelijke temperatuur van de voorspelde tijd als attribuut gebruikte; terwijl het in werkelijkheid slechts een weersvoorspelling zou zijn. Nadat het lek was verholpen, steeg MAPE naar een realistische 2,5 procent. Een "zeer goed" resultaat is vaak een teken van een fout.
Zwakke prompt/sterke prompt
Zwakke prompt:
Bouw een voorspellingsmodel met deze belastinggegevens.[data]
Krachtige prompt:
Jouw rol: Expert in het voorspellen van de vraag naar energie. Doel: dag-vooruit (24 uur vooruit) voorspelling van de systeembelasting per uur. - Stel eerst een eenvoudige basislijn voor (bijvoorbeeld dezelfde tijd vorige week) en verwijs ernaar. - Extraheer een lijst met attributen; Voor ELK attribuut: “is de voorspelling direct beschikbaar?” markering. Scheid degenen die risico lopen op lekkage. - Voer de beoordeling AFZONDERLIJK van de trainingsperiode uit, op een later tijdstip. - Rapporteer MAPE in het algemeen EN afzonderlijk tijdens piekuren; Geef de richting van de fout op (laag/hoog). - Laat het resultaat een voorspellingsinterval zijn, en niet een enkel getal. Gegevensschema: [kolommen]
De krachtige prompt versterkt de basis, voorkomt lekkage, stelt de evaluatie nauwkeurig vast en maakt onzekerheid zichtbaar – waardoor de vier klassieke fouten van slechte belastingvoorspellingen worden geëlimineerd.
Vier kopieerbare sjablonen
1) Attributen- en lekcontrole:
Stel een lijst met kenmerken voor het volgende voorspellingsprobleem voor: [probleem]. Geef voor elk attribuut drie soorten informatie: (a) waarom beïnvloedt dit de belasting, (b) is de voorspelling direct beschikbaar, (c) is er een risico op lekkage. Verwijder lekkende exemplaren uit uw lijst.
2) Opzetten van een basismodel:
Stel ten minste twee eenvoudige basislijnen voor deze belastingreeks voor (bijvoorbeeld dezelfde tijd gisteren, dezelfde tijd vorige week, temperatuurgecorrigeerd gemiddelde). Schrijf voor elk de reden op. Een geavanceerd model zal alleen worden voorgesteld als het op zinvolle wijze aan deze basisprincipes voldoet.
3) Evaluatieprotocol:
Stel een evaluatieplan op voor dit model: aparte training/testperiodes in tijdsvolgorde (geen lekkage van toekomst naar verleden). Bereken de statistieken afzonderlijk op basis van algemeen, dagtype en piekuur. Rapporteer het systematische aspect van de fout.
4) Onzekerheid en besluitvorming:
Presenteer de voorspelling met een bereik (bovenste/onderste band). Leg uit hoe dit interval zal worden gekoppeld aan de netredundantie en de marktbiedingsbeslissing. Beantwoord ook de vraag wat het ‘worst case scenario’ zou zijn.
Prognosehorizontabel
horizon
Duur
Basisgebruik
dominante factor
te kort
Minuut-uur
balanceren, controleren
recente lading
kort
1-7 dagen
Eenheidsbetrokkenheid, markt
Weer, type dag
middelmatig
Week-jaar
Onderhoud, brandstof, contract
seizoensinvloeden, economie
lang
jaar
Investering, capaciteit
Bevolking, EV, warmtepomp
Veel voorkomende fouten
- Het overslaan van de eenvoudige basis. Een complex model kan niet als waardevol worden beschouwd zonder te bewijzen dat het de eenvoudige basis overstijgt.
- Datalek. Het toekennen van informatie die op het moment van de voorspelling niet beschikbaar zal zijn, levert valse perfectie op.
- Blindelings vertrouwend op de gemiddelde maatstaf. Als piekuren en seizoensovergangen niet afzonderlijk worden bekeken, loopt het netwerk gevaar.
- Geeft een oneven getal. Prognoses zonder onzekerheidsbanding zijn onvolledig voor redundantieplanning.
- Evalueren op basis van trainingsgegevens. Het model moet altijd worden getest in een periode waarin het niet zichtbaar is.
Samengevat
Het voorspellen van de belasting is de hartslag van het energiesysteem; De methode en de onzekerheid ervan variëren afhankelijk van de horizon. Een goede voorspelling begint met goede eigenschappen en vereist nauwgezetheid tegen lekkage. Kunstmatige intelligentie is een krachtig hulpmiddel bij het genereren van functies, het bouwen van modellen en evaluatie; maar de eenvoudige basislijn is altijd de referentie, de evaluatie wordt gemaakt in de ongeziene periode en de fout wordt geïnterpreteerd op basis van piek/regime, niet op basis van het gemiddelde. De schatting is niet een enkel getal, maar een bepaald bereik.
Applicatie taak
Neem een belasting- of verbruiksreeks. Stel eerst handmatig een eenvoudige basislijn in (bijvoorbeeld "vorige week dezelfde tijd"). Vraag de AI dan om een voorspellingsplan met de templates ‘Attribuut- en lekcontrole’ en ‘Evaluatieprotocol’. Vraag uzelf af wat het lekrisico is van elk voorgesteld kenmerk. Controleer ten slotte of de fout van de voorspelling in de spits afwijkt van de gemiddelde fout en noteer je bevindingen.
controlelijst
- [ ] Ik heb de voorspellingshorizon, de resolutie en het doel verduidelijkt
- [ ] Ik heb een eenvoudige basis gebouwd en ernaar verwezen
- [ ] Wordt elk attribuut "onmiddellijk voorspeld?" Ik heb het gecontroleerd op lekkages.
- [ ] Ik heb de evaluatie in een blinde periode gemaakt
- [ ] Ik heb MAPE afzonderlijk onderzocht, zowel op algemene basis als op piekurenbasis
- [ ] Ik heb de systematische richting van de fout gecontroleerd (laag/hoog)
- [ ] Ik presenteerde de schatting met een scala aan onzekerheid en oordeel