Gevinster:
- Evne til å forklare forskjellene i kort-, mellom- og langsiktig lastprognose og deres bruksområder i energisystemet
- Evne til å utføre funksjonsteknikk, modellvalg og prediksjonsevaluering med kunstig intelligens
- Evne til å måle prognosefeil med beregninger som MAPE og relatere det til teknisk rimelighet og behovet for redundans
Elektrisitetslagring er en kostbar og begrenset vare; Derfor må et nett på forhånd vite hvor mye strøm forbrukerne vil ha og når. Lastprognose er oppgaven med å forutsi fremtidig strømbehov og er en av de mest grunnleggende analysene av energisystemet. Kraftverk er programmert i henhold til denne prognosen, kjøps- og salgsbeslutninger i markedet tas deretter, og nettverksinvesteringer planlegges deretter. I denne enheten vil vi lære hvilke typer lastprognoser, hvordan den etableres og evalueres med kunstig intelligens, og de tekniske konsekvensene av prognosefeil. La oss avklare begrepet: belastning er den elektriske effekten (kW/MW) som forbrukes i et gitt øyeblikk; Lastkurven er forløpet til denne kraften over tid.
Varselhorisonter: Kort, Middels, Langsiktig
Lastprognoser tjener ulike formål og krever ulike metoder avhengig av hvor langt frem du ser.
Svært kort og kort sikt (minutter til noen dager). Den brukes til nettbalansering, enhetsforpliktelse (hvilket anlegg skal operere) og markedsbud. Her er vær, dagtype (ukedag/slutt) og siste forbruk de sterkeste faktorene. Nøyaktighet er kritisk fordi feil medfører direkte ubalansekostnader.
Middels sikt (uker til ett år). Den brukes til vedlikeholdsplanlegging, drivstoffforsyning og sesongkontrakter. Sesongvariasjoner og økonomiske trender kommer i forgrunnen.
Langsiktig (år). Den brukes til nett- og kraftverksinvesteringer og kapasitetsplanlegging. Strukturelle faktorer som befolkning, økonomisk vekst, utbredelse av elektriske kjøretøy og varmepumper er avgjørende. Her er usikkerheten naturlig nok stor og scenariotilnærmingen benyttes.
Tips: Ikke velg en modell uten å avklare prognosehorisonten. En modell som forutsier morgendagen og en modell som forutsier 2035 krever helt andre input og annen usikkerhetshåndtering.
Faktorer som bestemmer belastning og funksjonsteknikk
Inndataene vi gir til en maskinlæringsmodell kalles funksjoner. God lastprediksjon starter med å velge gode funksjoner. De viktigste faktorene som bestemmer belastningen:
- Kalender: Tid, dagtype, helg, helligdag, sesong. Lasten følger rytmen til menneskelig atferd; Lager bakker morgen og kveld.
- Luft: Temperatur er den sterkeste faktoren (kjøle- og varmebelastning), etterfulgt av fuktighet, stråling og vind. Temperatur-ladningsforholdet er generelt U-formet: belastningen øker både under veldig varme og veldig kalde forhold.
- Tidligere belastning: Forbruk for én time, én dag og én uke siden (lagfunksjoner) er den sterkeste forkynneren for nær fremtid.
- Spesielle arrangementer: Store sportsbegivenheter, lange ferier, økonomiske sjokk.
Kunstig intelligens er veldig nyttig for å generere disse egenskapene og finne ut hvilke som er effektive. Men pass deg for en felle: å tilskrive informasjon som ikke vil være tilgjengelig på tidspunktet for spådommen (for eksempel den faktiske temperaturen på tidspunktet som skal forutsies, mens vi bare vil ha værmeldingen) skaper datalekkasje og gjør modellen i hovedsak ubrukelig.
Trinn for trinn: Lastestimering med kunstig intelligens
Trinn 1 — Definer problemet. Horisonten (i morgen eller neste år), oppløsning (timevis) og mål (total systembelastning eller enkeltmater) avklares.
Trinn 2 — Forbered dataene. Det etableres en ren tidsserie med disiplinen i forrige enhet; Vær- og kalenderdata legges til.
Trinn 3 — Generer attributter. Tidsplan, forsinket belastning og værattributter opprettes. Lekkasje sjekkes: er hver funksjon tilgjengelig på prediksjonstidspunktet?
Trinn 4 — Velg og tren modell. En enkel grunnlinje (f.eks. "samme tid forrige uke") er alltid det første trinnet; Avanserte modeller er bare verdifulle i den grad de overgår dette grunnlaget. AI er nyttig for å generere modellkoden og funksjonspipeline.
Trinn 5 — Evaluer. Modellen testes over en periode som den ikke ser (en fremtidig periode); Det blir aldri evaluert i treningsdata. Beregninger er brutt ned etter time og regime.
Trinn 6 — Rapporter usikkerhet. Et område (prediksjonsbånd) er gitt, ikke et enkelt tall; Nettverksredundans er planlagt i henhold til dette båndet.
Måleprognosefeil: MAPE og utover
Flere beregninger brukes for å måle prognosekvalitet. MAPE (Mean Absolute Percentage Error) er den gjennomsnittlige prosentvise forskjellen mellom prediksjon og virkelighet; Det er lett å tolke. Vanligvis anses 1 til 3 prosent MAPE som bra for kortsiktig lastprognose på systemnivå; På enkeltbygg/maternivå er denne verdien naturlig nok høyere fordi enkeltforbrukeren er mer variabel.
Men MAPE alene kan være misvisende. Selv om gjennomsnittet virker lavt, kan det være systematiske avvik i rushtiden, og nettet er kritisk helt på topp. Derfor er det nødvendig å undersøke feilen separat på timebasis, dagtypebasis og spesielt i toppøyeblikk. I tillegg er retningen på feilen viktig: vedvarende undervurdering (undervurdering av etterspørselen) fører til en utilstrekkelig produksjonsplan og skaper ubalanse.
Forsiktig: Det er ikke nok å si "MAPE er 2 prosent, flott." Hvis peak time MAPE er 6 prosent og du konsekvent undervurderer kveldstoppen, er nettbalansering med den modellen kompromittert. Vurder aldri den gjennomsnittlige metrikken som sikker uten å dele den opp etter regime.
Tre minivesker: etter tallene
Tilfelle 1 — Unnlatelse av å passere grunnlinjen. Ett team bygde en kompleks modell og fikk en MAPE på 2,8 prosent og var henrykte. Da ga det enkle «samme tidspunkt forrige uke + temperaturkorreksjon»-grunnlaget 2,6 prosent. Den komplekse modellen kunne ikke bestå grunnlaget; det var ingen verdi i ytterligere kompleksitet. Leksjon: Bygg alltid det enkle grunnlaget først.
Tilfelle 2 — Overhead blindsone. Ett distribusjonsselskaps modell var god på 2,1 prosent i den totale MAPE, men underspådde den konsekvent med 7 prosent under luftkondisjoneringstoppen om sommeren. Dette skapte uventede belastnings- og spenningsfall på noen varme dager. Når "antall påfølgende varme dager" (bygningsvarmeakkumulering) ble lagt til temperaturattributtet, sank toppfeilen til 3 prosent.
Tilfelle 3 — Inneslutning av lekkasje. En praktikantmodell gjorde det utrolig bra (0,4 prosent MAPE) i backtesting. Undersøkelsen viste at modellen brukte den faktiske temperaturen for den predikerte tiden som attributt; mens det i virkeligheten bare ville vært en værmelding. Når lekkasjen var fikset, økte MAPE til realistiske 2,5 prosent. Et "veldig godt" resultat er ofte et tegn på feil.
Svak forespørsel / sterk forespørsel
Svak melding:
Bygg en prediksjonsmodell med disse lastedataene.[data]
Kraftig ledetekst:
Din rolle: Prognoseekspert for energibehov. Formål: dag-forut (24 timer fremover) timebasert systembelastningsprognose.- Foreslå først en enkel grunnlinje (f.eks. samme tid forrige uke) og referer til den.- Trekk ut en liste over attributter; For HVER attributt, "er prediksjonen umiddelbart tilgjengelig?" merke. Skill de som er i fare for lekkasje.- Gjennomfør vurdering SEPARAT fra treningsperioden, i en senere periode.- Rapporter MAPE generelt OG separat i rushtiden; Angi retningen på feilen (lav/høy). - La resultatet være et prediksjonsintervall, ikke et enkelt tall. Dataskjema: [kolonner]
Den kraftige ledeteksten håndhever grunnlaget, forhindrer lekkasje, etablerer evalueringen nøyaktig og synliggjør usikkerhet – og kuttet ut de fire klassiske feilene med dårlig lastprognose.
Fire kopierbare maler
1) Attributt- og lekkasjekontroll:
Foreslå en liste over funksjoner for følgende prediksjonsproblem: [problem]. Oppgi tre opplysninger for hver attributt: (a) hvorfor påvirker det belastningen, (b) er forutsigelsen tilgjengelig umiddelbart, (c) er det en risiko for lekkasje. Fjern lekke fra listen din.
2) Etablere en grunnleggende modell:
Foreslå minst to enkle grunnlinjer for denne lastserien (f.eks. samme tid i går, samme tid forrige uke, temperaturkorrigert gjennomsnitt). Skriv begrunnelsen for hver. En avansert modell vil bare bli foreslått hvis den passer disse grunnleggende tingene på en meningsfull måte.
3) Evalueringsprotokoll:
Sett opp en evalueringsplan for denne modellen: separate trenings-/testingsperioder i tidsrekkefølge (ingen lekkasje fra fremtid til fortid). Beregn beregninger separat etter generell, dagtype og topptimer. Rapporter det systematiske aspektet ved feilen.
4) Usikkerhet og beslutningstaking:
Presenter prognosen med et område (øvre/nedre bånd). Forklar hvordan dette intervallet vil være knyttet til nettredundans og markedsbudbeslutning. Svar også på spørsmålet om hva "worst-case scenario" ville vært.
Værvarsel Horisonttabell
horisont
Varighet
Grunnleggende bruk
dominerende faktor
for kort
Minutt-time
balansering, kontroll
siste belastning
kort
1-7 dager
Enhetsforpliktelse, marked
Vær, type dag
medium
Uke-år
Vedlikehold, drivstoff, kontrakt
sesongmessighet, økonomi
lang
år
Investering, kapasitet
Innbyggertall, EV, varmepumpe
Vanlige feil
- Hopp over det enkle grunnlaget. En kompleks modell kan ikke anses som verdifull uten å bevise at den overgår det enkle grunnlaget.
- Datalekkasje. Å tilskrive informasjon som ikke vil være tilgjengelig på prediksjonstidspunktet produserer falsk perfeksjon.
- Stoler blindt på den gjennomsnittlige beregningen. Hvis rushtiden og sesongmessige overganger ikke undersøkes separat, er nettet i fare.
- Oppgi et oddetall. Prognosering uten usikkerhetsbånd er ufullstendig for redundansplanlegging.
- Evaluering på treningsdata. Modellen bør alltid testes i en periode hvor den ikke er synlig.
Oppsummert
Lastprognose er pulsen til energisystemet; Metoden og usikkerheten varierer avhengig av horisonten. God prediksjon starter med gode egenskaper og krever nøyaktighet mot lekkasje. Kunstig intelligens er et kraftig hjelpemiddel i funksjonsgenerering, modellbygging og evaluering; men den enkle grunnlinjen er alltid referansen, evalueringen gjøres i den usynlige perioden og feilen tolkes på basis av topp/regime, ikke på gjennomsnittet. Anslaget er ikke et enkelt tall, men et bestemt område.
Søknadsoppgave
Ta en last eller forbruksserie. Sett først opp en enkel grunnlinje manuelt (f.eks. "samme tid forrige uke"). Spør deretter AI om en prediksjonsplan med malene "Attributt- og lekkasjesjekk" og "Evalueringsprotokoll". Spør deg selv om lekkasjerisikoen for hver foreslåtte egenskap. Til slutt, sjekk om feilen i prognosen i rushtiden er forskjellig fra gjennomsnittsfeilen og skriv ned funnet.
sjekkliste
- [ ] Jeg avklarte prognosehorisont, oppløsning og mål
- [ ] Jeg bygde et enkelt grunnlag og refererte til det
- [ ] Er hvert attributt "spådd umiddelbart?" Jeg sjekket den for lekkasjer.
- [ ] Jeg gjorde evalueringen i en blind periode
- [ ] Jeg undersøkte MAPE separat på generell basis og peak time basis
- [ ] Jeg sjekket den systematiske retningen til feilen (lav/høy)
- [ ] Jeg presenterte estimatet med en rekke usikkerhet og skjønn