ਲਾਭ:
- ਊਰਜਾ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਥੋੜ੍ਹੇ, ਮੱਧਮ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਉਹਨਾਂ ਦੇ ਉਪਯੋਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਸਮਝਾਉਣ ਦੀ ਸਮਰੱਥਾ
- ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ, ਮਾਡਲ ਦੀ ਚੋਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਮੈਟ੍ਰਿਕਸ ਜਿਵੇਂ ਕਿ MAPE ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਗਲਤੀ ਨੂੰ ਮਾਪਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਇਸ ਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਵਾਜਬਤਾ ਅਤੇ ਰਿਡੰਡੈਂਸੀ ਦੀ ਜ਼ਰੂਰਤ ਨਾਲ ਸਬੰਧਤ
ਬਿਜਲੀ ਸਟੋਰੇਜ ਇੱਕ ਮਹਿੰਗੀ ਅਤੇ ਸੀਮਤ ਵਸਤੂ ਹੈ; ਇਸ ਲਈ, ਇੱਕ ਗਰਿੱਡ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਖਪਤਕਾਰ ਕਿੰਨੀ ਬਿਜਲੀ ਅਤੇ ਕਦੋਂ ਚਾਹੁੰਦੇ ਹਨ। ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਭਵਿੱਖ ਦੀ ਬਿਜਲੀ ਦੀ ਮੰਗ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦਾ ਕੰਮ ਹੈ ਅਤੇ ਊਰਜਾ ਪ੍ਰਣਾਲੀ ਦੇ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਪਾਵਰ ਪਲਾਂਟ ਇਸ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਅਨੁਸਾਰ ਪ੍ਰੋਗ੍ਰਾਮ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਮਾਰਕੀਟ ਵਿੱਚ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣ ਦੇ ਫੈਸਲੇ ਉਸ ਅਨੁਸਾਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਨੈੱਟਵਰਕ ਨਿਵੇਸ਼ ਦੀ ਯੋਜਨਾ ਉਸ ਅਨੁਸਾਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਲੋਡ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀਆਂ ਕਿਸਮਾਂ, ਇਸਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਕਿਵੇਂ ਸਥਾਪਿਤ ਅਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਗਲਤੀ ਦੇ ਇੰਜਨੀਅਰਿੰਗ ਨਤੀਜਿਆਂ ਬਾਰੇ ਸਿੱਖਾਂਗੇ। ਆਉ ਇਸ ਸ਼ਬਦ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੀਏ: ਲੋਡ ਇੱਕ ਨਿਸ਼ਚਿਤ ਪਲ 'ਤੇ ਖਪਤ ਕੀਤੀ ਗਈ ਇਲੈਕਟ੍ਰੀਕਲ ਪਾਵਰ (kW/MW) ਹੈ; ਲੋਡ ਕਰਵ ਸਮੇਂ ਦੇ ਨਾਲ ਇਸ ਸ਼ਕਤੀ ਦਾ ਕੋਰਸ ਹੈ।
ਪੂਰਵ ਅਨੁਮਾਨ: ਛੋਟੀ, ਦਰਮਿਆਨੀ, ਲੰਬੀ ਮਿਆਦ
ਲੋਡ ਪੂਰਵ-ਅਨੁਮਾਨ ਵੱਖ-ਵੱਖ ਉਦੇਸ਼ਾਂ ਦੀ ਪੂਰਤੀ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿੰਨੀ ਅੱਗੇ ਦੇਖਦੇ ਹੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਬਹੁਤ ਛੋਟੀ ਅਤੇ ਛੋਟੀ ਮਿਆਦ (ਮਿੰਟ ਤੋਂ ਕੁਝ ਦਿਨ)। ਇਹ ਗਰਿੱਡ ਸੰਤੁਲਨ, ਇਕਾਈ ਪ੍ਰਤੀਬੱਧਤਾ (ਕੌਣ ਪਲਾਂਟ ਕੰਮ ਕਰੇਗਾ) ਅਤੇ ਮਾਰਕੀਟ ਬੋਲੀ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਥੇ, ਮੌਸਮ, ਦਿਨ ਦੀ ਕਿਸਮ (ਹਫ਼ਤੇ ਦਾ ਦਿਨ/ਅੰਤ) ਅਤੇ ਹਾਲੀਆ ਖਪਤ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਨਿਰਧਾਰਕ ਹਨ। ਸ਼ੁੱਧਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਗਲਤੀ ਸਿੱਧੇ ਅਸੰਤੁਲਨ ਦੇ ਖਰਚੇ ਕਰਦੀ ਹੈ।
ਮੱਧਮ ਮਿਆਦ (ਹਫ਼ਤੇ ਤੋਂ ਇੱਕ ਸਾਲ)। ਇਸਦੀ ਵਰਤੋਂ ਰੱਖ-ਰਖਾਅ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਬਾਲਣ ਦੀ ਸਪਲਾਈ ਅਤੇ ਮੌਸਮੀ ਠੇਕਿਆਂ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਮੌਸਮੀ ਅਤੇ ਆਰਥਿਕ ਰੁਝਾਨ ਸਾਹਮਣੇ ਆਉਂਦੇ ਹਨ।
ਲੰਬੀ ਮਿਆਦ (ਸਾਲ). ਇਹ ਨੈੱਟਵਰਕ ਅਤੇ ਪਾਵਰ ਪਲਾਂਟ ਨਿਵੇਸ਼ ਅਤੇ ਸਮਰੱਥਾ ਯੋਜਨਾ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਸੰਰਚਨਾਤਮਕ ਕਾਰਕ ਜਿਵੇਂ ਕਿ ਆਬਾਦੀ, ਆਰਥਿਕ ਵਿਕਾਸ, ਇਲੈਕਟ੍ਰਿਕ ਵਾਹਨ ਅਤੇ ਹੀਟ ਪੰਪ ਦਾ ਪ੍ਰਚਲਨ ਨਿਰਣਾਇਕ ਹਨ। ਇੱਥੇ ਅਨਿਸ਼ਚਿਤਤਾ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਵੱਡੀ ਹੈ ਅਤੇ ਦ੍ਰਿਸ਼ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਸੰਕੇਤ: ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਦੂਰੀ ਨੂੰ ਸਪੱਸ਼ਟ ਕੀਤੇ ਬਿਨਾਂ ਕੋਈ ਮਾਡਲ ਨਾ ਚੁਣੋ। ਭਲਕੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਇੱਕ ਮਾਡਲ ਅਤੇ 2035 ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਇੱਕ ਮਾਡਲ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਇਨਪੁਟਸ ਅਤੇ ਵੱਖ-ਵੱਖ ਅਨਿਸ਼ਚਿਤਤਾ ਪ੍ਰਬੰਧਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਲੋਡ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਵਾਲੇ ਕਾਰਕ
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਨੂੰ ਅਸੀਂ ਜੋ ਇਨਪੁੱਟ ਦਿੰਦੇ ਹਾਂ ਉਹਨਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਚੰਗੀ ਲੋਡ ਦੀ ਭਵਿੱਖਬਾਣੀ ਚੰਗੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਚੋਣ ਕਰਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਮੁੱਖ ਕਾਰਕ ਜੋ ਲੋਡ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ:
- ਕੈਲੰਡਰ: ਸਮਾਂ, ਦਿਨ ਦੀ ਕਿਸਮ, ਸ਼ਨੀਵਾਰ, ਜਨਤਕ ਛੁੱਟੀ, ਮੌਸਮ। ਲੋਡ ਮਨੁੱਖੀ ਵਿਹਾਰ ਦੀ ਤਾਲ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ; ਸਵੇਰੇ-ਸ਼ਾਮ ਪਹਾੜੀਆਂ ਬਣਾਉਂਦਾ ਹੈ।
- ਹਵਾ: ਤਾਪਮਾਨ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਕਾਰਕ ਹੈ (ਕੂਲਿੰਗ ਅਤੇ ਹੀਟਿੰਗ ਲੋਡ), ਉਸ ਤੋਂ ਬਾਅਦ ਨਮੀ, ਰੇਡੀਏਸ਼ਨ ਅਤੇ ਹਵਾ। ਤਾਪਮਾਨ-ਚਾਰਜ ਸਬੰਧ ਆਮ ਤੌਰ 'ਤੇ U-ਆਕਾਰ ਦਾ ਹੁੰਦਾ ਹੈ: ਲੋਡ ਬਹੁਤ ਗਰਮ ਅਤੇ ਬਹੁਤ ਠੰਡੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵਧਦਾ ਹੈ।
- ਪਿਛਲਾ ਲੋਡ: ਇੱਕ ਘੰਟਾ, ਇੱਕ ਦਿਨ ਅਤੇ ਇੱਕ ਹਫ਼ਤਾ ਪਹਿਲਾਂ ਦੀ ਖਪਤ (ਲੈਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) ਨੇੜਲੇ ਭਵਿੱਖ ਦੀ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਹਰਬਿੰਗਰ ਹੈ।
- ਵਿਸ਼ੇਸ਼ ਸਮਾਗਮ: ਮੁੱਖ ਖੇਡ ਸਮਾਗਮ, ਲੰਬੀਆਂ ਛੁੱਟੀਆਂ, ਆਰਥਿਕ ਝਟਕੇ।
ਨਕਲੀ ਬੁੱਧੀ ਇਹਨਾਂ ਗੁਣਾਂ ਨੂੰ ਪੈਦਾ ਕਰਨ ਅਤੇ ਇਹ ਖੋਜਣ ਵਿੱਚ ਬਹੁਤ ਉਪਯੋਗੀ ਹੈ ਕਿ ਕਿਹੜੀਆਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ। ਪਰ ਇੱਕ ਜਾਲ ਤੋਂ ਸਾਵਧਾਨ ਰਹੋ: ਜਾਣਕਾਰੀ ਜੋ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਸਮੇਂ ਉਪਲਬਧ ਨਹੀਂ ਹੋਵੇਗੀ (ਉਦਾਹਰਣ ਵਜੋਂ, ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਸਮੇਂ ਦਾ ਅਸਲ ਤਾਪਮਾਨ, ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਸਿਰਫ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹੋਵੇਗੀ) ਡੇਟਾ ਲੀਕੇਜ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਮਾਡਲ ਨੂੰ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਬੇਕਾਰ ਬਣਾਉਂਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਅਨੁਮਾਨ ਲੋਡ ਕਰੋ
ਕਦਮ 1 - ਸਮੱਸਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਦੂਰੀ (ਕੱਲ੍ਹ ਜਾਂ ਅਗਲੇ ਸਾਲ), ਰੈਜ਼ੋਲਿਊਸ਼ਨ (ਘੰਟੇਵਾਰ) ਅਤੇ ਟੀਚਾ (ਕੁੱਲ ਸਿਸਟਮ ਲੋਡ ਜਾਂ ਸਿੰਗਲ ਫੀਡਰ) ਸਪਸ਼ਟ ਕੀਤਾ ਗਿਆ ਹੈ।
ਸਟੈਪ 2 - ਡਾਟਾ ਤਿਆਰ ਕਰੋ। ਪਿਛਲੀ ਇਕਾਈ ਵਿੱਚ ਅਨੁਸ਼ਾਸਨ ਦੇ ਨਾਲ ਇੱਕ ਸਾਫ਼ ਸਮਾਂ ਲੜੀ ਸਥਾਪਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਮੌਸਮ ਅਤੇ ਕੈਲੰਡਰ ਡੇਟਾ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।
ਕਦਮ 3 - ਗੁਣ ਪੈਦਾ ਕਰੋ। ਅਨੁਸੂਚੀ, ਦੇਰੀ ਨਾਲ ਲੋਡ ਅਤੇ ਮੌਸਮ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਣਾਈਆਂ ਗਈਆਂ ਹਨ। ਲੀਕੇਜ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਕੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਸਮੇਂ ਹਰ ਵਿਸ਼ੇਸ਼ਤਾ ਉਪਲਬਧ ਹੈ?
ਕਦਮ 4 — ਮਾਡਲ ਚੁਣੋ ਅਤੇ ਟ੍ਰੇਨ ਕਰੋ। ਇੱਕ ਸਧਾਰਨ ਬੇਸਲਾਈਨ (ਜਿਵੇਂ ਕਿ "ਪਿਛਲੇ ਹਫ਼ਤੇ ਇੱਕੋ ਸਮਾਂ") ਹਮੇਸ਼ਾ ਪਹਿਲਾ ਕਦਮ ਹੁੰਦਾ ਹੈ; ਉੱਨਤ ਮਾਡਲ ਸਿਰਫ ਇਸ ਹੱਦ ਤੱਕ ਕੀਮਤੀ ਹਨ ਕਿ ਉਹ ਇਸ ਬੁਨਿਆਦ ਨੂੰ ਪਾਰ ਕਰਦੇ ਹਨ. AI ਮਾਡਲ ਕੋਡ ਅਤੇ ਫੀਚਰ ਪਾਈਪਲਾਈਨ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ।
ਕਦਮ 5 - ਮੁਲਾਂਕਣ ਕਰੋ। ਮਾਡਲ ਨੂੰ ਸਮੇਂ ਦੀ ਇੱਕ ਮਿਆਦ ਵਿੱਚ ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਇਹ ਨਹੀਂ ਦੇਖਦਾ (ਇੱਕ ਭਵਿੱਖ ਦੀ ਮਿਆਦ); ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਇਸਦਾ ਕਦੇ ਵੀ ਮੁਲਾਂਕਣ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਘੰਟੇ ਅਤੇ ਨਿਯਮ ਦੁਆਰਾ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ।
ਕਦਮ 6 - ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਇੱਕ ਸੀਮਾ (ਭਵਿੱਖਬਾਣੀ ਬੈਂਡ) ਦਿੱਤੀ ਗਈ ਹੈ, ਇੱਕ ਵੀ ਸੰਖਿਆ ਨਹੀਂ; ਨੈਟਵਰਕ ਰਿਡੰਡੈਂਸੀ ਦੀ ਯੋਜਨਾ ਇਸ ਬੈਂਡ ਦੇ ਅਨੁਸਾਰ ਕੀਤੀ ਗਈ ਹੈ।
ਮਾਪਣ ਦੀ ਪੂਰਵ ਅਨੁਮਾਨ ਗਲਤੀ: MAPE ਅਤੇ ਪਰੇ
ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਮਾਪਣ ਲਈ ਕਈ ਮੈਟ੍ਰਿਕਸ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। MAPE (ਔਸਤਨ ਸੰਪੂਰਨ ਪ੍ਰਤੀਸ਼ਤ ਗਲਤੀ) ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਔਸਤ ਪ੍ਰਤੀਸ਼ਤ ਅੰਤਰ ਹੈ; ਇਹ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਆਸਾਨ ਹੈ. ਆਮ ਤੌਰ 'ਤੇ 1 ਤੋਂ 3 ਪ੍ਰਤੀਸ਼ਤ MAPE ਨੂੰ ਸਿਸਟਮ-ਪੱਧਰ ਦੀ ਛੋਟੀ ਮਿਆਦ ਦੇ ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਲਈ ਚੰਗਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ; ਸਿੰਗਲ ਬਿਲਡਿੰਗ/ਫੀਡਰ ਪੱਧਰ 'ਤੇ ਇਹ ਮੁੱਲ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਉੱਚਾ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਸਿੰਗਲ ਖਪਤਕਾਰ ਵਧੇਰੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ।
ਪਰ ਸਿਰਫ਼ MAPE ਹੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ। ਭਾਵੇਂ ਔਸਤ ਘੱਟ ਜਾਪਦੀ ਹੈ, ਪੀਕ ਘੰਟਿਆਂ ਦੌਰਾਨ ਵਿਵਸਥਿਤ ਵਿਵਹਾਰ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਨੈੱਟਵਰਕ ਸਿਖਰ 'ਤੇ ਨਾਜ਼ੁਕ ਹੈ। ਇਸ ਲਈ, ਹਰ ਘੰਟੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਦਿਨ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ 'ਤੇ ਅਤੇ ਖਾਸ ਕਰਕੇ ਸਿਖਰ ਦੇ ਪਲਾਂ 'ਤੇ ਗਲਤੀ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰਨੀ ਜ਼ਰੂਰੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਗਲਤੀ ਦੀ ਦਿਸ਼ਾ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਲਗਾਤਾਰ ਘੱਟ ਅਨੁਮਾਨ (ਮੰਗ ਦਾ ਘੱਟ ਅੰਦਾਜ਼ਾ) ਇੱਕ ਨਾਕਾਫ਼ੀ ਉਤਪਾਦਨ ਅਨੁਸੂਚੀ ਵੱਲ ਖੜਦਾ ਹੈ ਅਤੇ ਅਸੰਤੁਲਨ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਇਹ ਕਹਿਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ "MAPE 2 ਪ੍ਰਤੀਸ਼ਤ ਹੈ, ਬਹੁਤ ਵਧੀਆ।" ਜੇਕਰ ਪੀਕ ਆਵਰ MAPE 6 ਪ੍ਰਤੀਸ਼ਤ ਹੈ ਅਤੇ ਤੁਸੀਂ ਲਗਾਤਾਰ ਸ਼ਾਮ ਦੇ ਸਿਖਰ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹੋ, ਤਾਂ ਉਸ ਮਾਡਲ ਦੇ ਨਾਲ ਗਰਿੱਡ ਸੰਤੁਲਨ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਔਸਤ ਮੈਟ੍ਰਿਕ ਨੂੰ ਨਿਯਮ ਦੁਆਰਾ ਤੋੜੇ ਬਿਨਾਂ ਕਦੇ ਵੀ ਸੁਰੱਖਿਅਤ ਨਾ ਸਮਝੋ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਬੇਸਲਾਈਨ ਨੂੰ ਪਾਸ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ। ਇੱਕ ਟੀਮ ਨੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਬਣਾਇਆ ਅਤੇ ਇੱਕ 2.8 ਪ੍ਰਤੀਸ਼ਤ MAPE ਪ੍ਰਾਪਤ ਕੀਤਾ ਅਤੇ ਖੁਸ਼ੀ ਹੋਈ। ਫਿਰ ਸਧਾਰਨ "ਪਿਛਲੇ ਹਫ਼ਤੇ ਉਸੇ ਸਮੇਂ + ਤਾਪਮਾਨ ਸੁਧਾਰ" ਆਧਾਰ ਨੇ 2.6 ਪ੍ਰਤੀਸ਼ਤ ਦਿੱਤਾ. ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਬੁਨਿਆਦ ਨੂੰ ਪਾਸ ਨਹੀਂ ਕਰ ਸਕਿਆ; ਵਾਧੂ ਜਟਿਲਤਾ ਦਾ ਕੋਈ ਮੁੱਲ ਨਹੀਂ ਸੀ। ਸਬਕ: ਹਮੇਸ਼ਾ ਪਹਿਲਾਂ ਸਧਾਰਨ ਨੀਂਹ ਬਣਾਓ।
ਕੇਸ 2 — ਓਵਰਹੈੱਡ ਬਲਾਇੰਡ ਸਪਾਟ। ਇੱਕ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਕੰਪਨੀ ਦਾ ਮਾਡਲ ਸਮੁੱਚੇ MAPE ਵਿੱਚ 2.1 ਪ੍ਰਤੀਸ਼ਤ 'ਤੇ ਚੰਗਾ ਸੀ ਪਰ ਗਰਮੀਆਂ ਦੀ ਸ਼ਾਮ ਦੇ ਏਅਰ ਕੰਡੀਸ਼ਨਿੰਗ ਸਿਖਰ ਦੇ ਦੌਰਾਨ ਲਗਾਤਾਰ ਇਸਨੂੰ 7 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਘੱਟ ਕੀਤਾ ਗਿਆ। ਇਸ ਨੇ ਕੁਝ ਗਰਮ ਦਿਨਾਂ 'ਤੇ ਅਚਾਨਕ ਲੋਡ ਅਤੇ ਵੋਲਟੇਜ ਦੀਆਂ ਬੂੰਦਾਂ ਬਣਾਈਆਂ। ਜਦੋਂ ਤਾਪਮਾਨ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ "ਲਗਾਤਾਰ ਗਰਮ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ" (ਬਿਲਡਿੰਗ ਗਰਮੀ ਦਾ ਸੰਚਵ) ਜੋੜਿਆ ਗਿਆ ਸੀ, ਤਾਂ ਸਿਖਰ ਦੀ ਗਲਤੀ 3 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਘਟ ਗਈ।
ਕੇਸ 3 - ਲੀਕ ਦੀ ਰੋਕਥਾਮ। ਇੱਕ ਇੰਟਰਨ ਦੇ ਮਾਡਲ ਨੇ ਬੈਕਟੈਸਟਿੰਗ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ (0.4 ਪ੍ਰਤੀਸ਼ਤ MAPE) ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਜਾਂਚ ਨੇ ਦਿਖਾਇਆ ਕਿ ਮਾਡਲ ਨੇ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਸਮੇਂ ਦੇ ਅਸਲ ਤਾਪਮਾਨ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਵਜੋਂ ਵਰਤਿਆ; ਜਦੋਂ ਕਿ ਅਸਲ ਵਿੱਚ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹੋਵੇਗੀ। ਇੱਕ ਵਾਰ ਲੀਕ ਨੂੰ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ, MAPE ਇੱਕ ਯਥਾਰਥਵਾਦੀ 2.5 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਵਧ ਗਿਆ. ਇੱਕ "ਬਹੁਤ ਵਧੀਆ" ਨਤੀਜਾ ਅਕਸਰ ਗਲਤੀ ਦੀ ਨਿਸ਼ਾਨੀ ਹੁੰਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਲੋਡ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਡਲ ਬਣਾਓ।[ਡਾਟਾ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਊਰਜਾ ਦੀ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਮਾਹਰ। ਉਦੇਸ਼: ਦਿਨ-ਅੱਗੇ (24 ਘੰਟੇ ਅੱਗੇ) ਘੰਟਾਵਾਰ ਸਿਸਟਮ ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ।- ਪਹਿਲਾਂ ਇੱਕ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ (ਜਿਵੇਂ ਕਿ ਪਿਛਲੇ ਹਫ਼ਤੇ ਉਸੇ ਸਮੇਂ) ਅਤੇ ਇਸਦਾ ਹਵਾਲਾ ਦਿਓ।- ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਕੱਢੋ; ਹਰ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ, "ਕੀ ਭਵਿੱਖਬਾਣੀ ਤੁਰੰਤ ਉਪਲਬਧ ਹੈ?" ਨਿਸ਼ਾਨ ਲੀਕ ਹੋਣ ਦੇ ਖਤਰੇ ਵਾਲੇ ਲੋਕਾਂ ਨੂੰ ਵੱਖ ਕਰੋ।- ਸਿਖਲਾਈ ਦੀ ਮਿਆਦ ਤੋਂ ਵੱਖਰੇ ਤੌਰ 'ਤੇ, ਬਾਅਦ ਦੀ ਮਿਆਦ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕਰੋ।- ਆਮ ਤੌਰ 'ਤੇ ਅਤੇ ਪੀਕ ਘੰਟਿਆਂ ਦੌਰਾਨ ਵੱਖਰੇ ਤੌਰ 'ਤੇ MAPE ਦੀ ਰਿਪੋਰਟ ਕਰੋ; ਗਲਤੀ ਦੀ ਦਿਸ਼ਾ ਨਿਰਧਾਰਤ ਕਰੋ (ਘੱਟ/ਉੱਚ)। - ਨਤੀਜਾ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਅੰਤਰਾਲ ਹੋਣ ਦਿਓ, ਇੱਕ ਵੀ ਸੰਖਿਆ ਨਹੀਂ। ਡਾਟਾ ਸਕੀਮਾ: [ਕਾਲਮ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਫਾਊਂਡੇਸ਼ਨ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਲੀਕੇਜ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਮੁਲਾਂਕਣ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦਿਖਣਯੋਗ ਬਣਾਉਂਦਾ ਹੈ - ਗਰੀਬ ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀਆਂ ਚਾਰ ਕਲਾਸਿਕ ਗਲਤੀਆਂ ਨੂੰ ਕੱਟਣਾ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਗੁਣ ਅਤੇ ਲੀਕ ਜਾਂਚ:
ਨਿਮਨਲਿਖਤ ਭਵਿੱਖਬਾਣੀ ਸਮੱਸਿਆ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਪ੍ਰਸਤਾਵਿਤ ਕਰੋ: [ਸਮੱਸਿਆ]। ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ, ਜਾਣਕਾਰੀ ਦੇ ਤਿੰਨ ਟੁਕੜੇ ਪ੍ਰਦਾਨ ਕਰੋ: (a) ਇਹ ਲੋਡ ਨੂੰ ਕਿਉਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, (b) ਪੂਰਵ ਅਨੁਮਾਨ ਤੁਰੰਤ ਉਪਲਬਧ ਹੈ, (c) ਲੀਕ ਹੋਣ ਦਾ ਖਤਰਾ ਹੈ। ਆਪਣੀ ਸੂਚੀ ਵਿੱਚੋਂ ਲੀਕ ਵਾਲੇ ਨੂੰ ਹਟਾਓ।
2) ਇੱਕ ਬੁਨਿਆਦੀ ਮਾਡਲ ਸਥਾਪਤ ਕਰਨਾ:
ਇਸ ਲੋਡ ਲੜੀ ਲਈ ਘੱਟੋ-ਘੱਟ ਦੋ ਸਧਾਰਨ ਆਧਾਰਲਾਈਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ (ਜਿਵੇਂ ਕਿ ਕੱਲ੍ਹ ਦਾ ਇੱਕੋ ਸਮਾਂ, ਪਿਛਲੇ ਹਫ਼ਤੇ ਦਾ ਇੱਕੋ ਸਮਾਂ, ਤਾਪਮਾਨ-ਸਹੀ ਔਸਤ)। ਹਰੇਕ ਲਈ ਤਰਕ ਲਿਖੋ। ਇੱਕ ਉੱਨਤ ਮਾਡਲ ਤਾਂ ਹੀ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਜਾਵੇਗਾ ਜੇਕਰ ਇਹ ਇਹਨਾਂ ਮੂਲ ਗੱਲਾਂ ਨੂੰ ਅਰਥਪੂਰਨ ਢੰਗ ਨਾਲ ਪਾਸ ਕਰਦਾ ਹੈ।
3) ਮੁਲਾਂਕਣ ਪ੍ਰੋਟੋਕੋਲ:
ਇਸ ਮਾਡਲ ਲਈ ਇੱਕ ਮੁਲਾਂਕਣ ਯੋਜਨਾ ਸੈਟ ਅਪ ਕਰੋ: ਸਮੇਂ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਵੱਖਰੀ ਸਿਖਲਾਈ/ਟੈਸਟਿੰਗ ਪੀਰੀਅਡ (ਭਵਿੱਖ ਤੋਂ ਅਤੀਤ ਤੱਕ ਕੋਈ ਲੀਕ ਨਹੀਂ)। ਆਮ, ਦਿਨ ਦੀ ਕਿਸਮ ਅਤੇ ਪੀਕ ਘੰਟੇ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੈਟ੍ਰਿਕਸ ਦੀ ਗਣਨਾ ਕਰੋ। ਗਲਤੀ ਦੇ ਯੋਜਨਾਬੱਧ ਪਹਿਲੂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ।
4) ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਫੈਸਲਾ ਲੈਣਾ:
ਇੱਕ ਸੀਮਾ (ਉੱਪਰ/ਹੇਠਲੇ ਬੈਂਡ) ਦੇ ਨਾਲ ਪੂਰਵ ਅਨੁਮਾਨ ਪੇਸ਼ ਕਰੋ। ਦੱਸੋ ਕਿ ਇਸ ਅੰਤਰਾਲ ਨੂੰ ਗਰਿੱਡ ਰਿਡੰਡੈਂਸੀ ਅਤੇ ਮਾਰਕੀਟ ਬੋਲੀ ਦੇ ਫੈਸਲੇ ਨਾਲ ਕਿਵੇਂ ਜੋੜਿਆ ਜਾਵੇਗਾ। ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਵੀ ਦਿਓ ਕਿ "ਸਭ ਤੋਂ ਮਾੜੀ ਸਥਿਤੀ" ਕੀ ਹੋਵੇਗੀ।
ਪੂਰਵ ਅਨੁਮਾਨ ਹੋਰਾਈਜ਼ਨ ਸਾਰਣੀ
ਹੋਰੀਜ਼ਨ
ਮਿਆਦ
ਮੁੱਢਲੀ ਵਰਤੋਂ
ਪ੍ਰਮੁੱਖ ਕਾਰਕ
ਬਹੁਤ ਛੋਟਾ
ਮਿੰਟ-ਘੰਟਾ
ਸੰਤੁਲਨ, ਨਿਯੰਤਰਣ
ਤਾਜ਼ਾ ਲੋਡ
ਛੋਟਾ
1-7 ਦਿਨ
ਯੂਨਿਟ ਪ੍ਰਤੀਬੱਧਤਾ, ਮਾਰਕੀਟ
ਮੌਸਮ, ਦਿਨ ਦੀ ਕਿਸਮ
ਮੱਧਮ
ਹਫ਼ਤਾ-ਸਾਲ
ਰੱਖ-ਰਖਾਅ, ਬਾਲਣ, ਇਕਰਾਰਨਾਮਾ
ਮੌਸਮੀ, ਆਰਥਿਕਤਾ
ਲੰਬੇ
ਸਾਲ
ਨਿਵੇਸ਼, ਸਮਰੱਥਾ
ਆਬਾਦੀ, EV, ਹੀਟ ਪੰਪ
ਆਮ ਗਲਤੀਆਂ
- ਸਧਾਰਨ ਬੁਨਿਆਦ ਨੂੰ ਛੱਡਣਾ. ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਨੂੰ ਇਹ ਸਾਬਤ ਕੀਤੇ ਬਿਨਾਂ ਕੀਮਤੀ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਸਧਾਰਨ ਬੁਨਿਆਦ ਨੂੰ ਪਾਰ ਕਰਦਾ ਹੈ।
- ਡਾਟਾ ਲੀਕ. ਪੂਰਵ-ਅਨੁਮਾਨ ਦੇ ਸਮੇਂ ਉਪਲਬਧ ਨਹੀਂ ਹੋਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇਣਾ ਗਲਤ ਸੰਪੂਰਨਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- ਔਸਤ ਮੈਟ੍ਰਿਕ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਕਰਨਾ। ਜੇ ਪੀਕ ਘੰਟਿਆਂ ਅਤੇ ਮੌਸਮੀ ਤਬਦੀਲੀਆਂ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਨੈਟਵਰਕ ਖਤਰੇ ਵਿੱਚ ਹੁੰਦਾ ਹੈ।
- ਇੱਕ ਬੇਜੋੜ ਨੰਬਰ ਦੇਣਾ। ਅਨਿਸ਼ਚਿਤਤਾ ਬੈਂਡਿੰਗ ਤੋਂ ਬਿਨਾਂ ਪੂਰਵ ਅਨੁਮਾਨ ਰਿਡੰਡੈਂਸੀ ਯੋਜਨਾ ਲਈ ਅਧੂਰਾ ਹੈ।
- ਸਿਖਲਾਈ ਡੇਟਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ. ਮਾਡਲ ਨੂੰ ਹਮੇਸ਼ਾ ਇੱਕ ਅਵਧੀ ਵਿੱਚ ਟੈਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿੱਥੇ ਇਹ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ.
ਸਾਰੰਸ਼ ਵਿੱਚ
ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਊਰਜਾ ਪ੍ਰਣਾਲੀ ਦੀ ਨਬਜ਼ ਹੈ; ਇਸਦੀ ਵਿਧੀ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੂਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਚੰਗੀ ਭਵਿੱਖਬਾਣੀ ਚੰਗੇ ਗੁਣਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਅਤੇ ਲੀਕ ਹੋਣ ਦੇ ਵਿਰੁੱਧ ਸਾਵਧਾਨੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਵਿਸ਼ੇਸ਼ਤਾ ਬਣਾਉਣ, ਮਾਡਲ ਬਣਾਉਣ ਅਤੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ; ਪਰ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਹਮੇਸ਼ਾ ਹਵਾਲਾ ਹੁੰਦਾ ਹੈ, ਮੁਲਾਂਕਣ ਅਣਦੇਖੇ ਸਮੇਂ ਵਿੱਚ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਗਲਤੀ ਦੀ ਵਿਆਖਿਆ ਇੱਕ ਸਿਖਰ/ਨਿਯਮ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਔਸਤ 'ਤੇ ਨਹੀਂ। ਅੰਦਾਜ਼ਾ ਇੱਕ ਸੰਖਿਆ ਨਹੀਂ ਸਗੋਂ ਇੱਕ ਨਿਰਧਾਰਿਤ ਸੀਮਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਲੋਡ ਜਾਂ ਖਪਤ ਦੀ ਲੜੀ ਲਓ। ਪਹਿਲਾਂ ਹੱਥੀਂ ਇੱਕ ਸਧਾਰਨ ਬੇਸਲਾਈਨ ਸੈਟ ਅਪ ਕਰੋ (ਜਿਵੇਂ ਕਿ "ਪਿਛਲੇ ਹਫ਼ਤੇ ਉਸੇ ਸਮੇਂ")। ਫਿਰ AI ਨੂੰ “ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਲੀਕੇਜ ਜਾਂਚ” ਅਤੇ “ਮੁਲਾਂਕਣ ਪ੍ਰੋਟੋਕੋਲ” ਟੈਂਪਲੇਟਸ ਦੇ ਨਾਲ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਯੋਜਨਾ ਲਈ ਪੁੱਛੋ। ਸੁਝਾਏ ਗਏ ਹਰੇਕ ਗੁਣ ਦੇ ਲੀਕ ਜੋਖਮ ਬਾਰੇ ਆਪਣੇ ਆਪ ਤੋਂ ਸਵਾਲ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਪੀਕ ਘੰਟਿਆਂ ਵਿੱਚ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਗਲਤੀ ਔਸਤ ਗਲਤੀ ਤੋਂ ਵੱਖਰੀ ਹੈ ਅਤੇ ਆਪਣੀ ਖੋਜ ਨੂੰ ਲਿਖੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਦੂਰੀ, ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਟੀਚੇ ਨੂੰ ਸਪੱਸ਼ਟ ਕੀਤਾ ਹੈ
- [ ] ਮੈਂ ਇੱਕ ਸਧਾਰਨ ਨੀਂਹ ਬਣਾਈ ਅਤੇ ਇਸਦਾ ਹਵਾਲਾ ਦਿੱਤਾ
- [ ] ਕੀ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ "ਤੁਰੰਤ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?" ਮੈਂ ਇਸਨੂੰ ਲੀਕ ਲਈ ਚੈੱਕ ਕੀਤਾ।
- [ ] ਮੈਂ ਇੱਕ ਅੰਨ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕੀਤਾ
- [ ] ਮੈਂ ਆਮ ਅਤੇ ਪੀਕ ਆਵਰ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ MAPE ਦੀ ਜਾਂਚ ਕੀਤੀ
- [ ] ਮੈਂ ਗਲਤੀ ਦੀ ਯੋਜਨਾਬੱਧ ਦਿਸ਼ਾ ਦੀ ਜਾਂਚ ਕੀਤੀ (ਘੱਟ/ਉੱਚ)
- [ ] ਮੈਂ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਨਿਰਣੇ ਦੀ ਇੱਕ ਸੀਮਾ ਦੇ ਨਾਲ ਅਨੁਮਾਨ ਪੇਸ਼ ਕੀਤਾ