Zyski:
- Umiejętność wyjaśnienia różnic w krótko-, średnio- i długoterminowym prognozowaniu obciążeń oraz obszarach ich wykorzystania w systemie energetycznym
- Umiejętność przeprowadzania inżynierii cech, wyboru modelu i oceny predykcji za pomocą sztucznej inteligencji
- Umiejętność pomiaru błędu prognozy za pomocą wskaźników takich jak MAPE i powiązania go z zasadnością inżynierii i potrzebą redundancji
Magazynowanie energii elektrycznej jest towarem drogim i ograniczonym; Dlatego sieć musi wiedzieć z wyprzedzeniem, ile i kiedy będą potrzebować odbiorcy energii elektrycznej. Prognozowanie obciążenia to zadanie polegające na przewidywaniu przyszłego zapotrzebowania na energię elektryczną i stanowi jedną z najbardziej podstawowych analiz systemu energetycznego. Zgodnie z tą prognozą programuje się elektrownie, na tej podstawie podejmuje się decyzje o kupnie i sprzedaży na rynku oraz odpowiednio planuje inwestycje sieciowe. W tym module poznamy rodzaje prognozowania obciążenia, sposób jego ustalania i oceny za pomocą sztucznej inteligencji oraz inżynierskie konsekwencje błędu prognozy. Wyjaśnijmy pojęcie: obciążenie to moc elektryczna (kW/MW) pobierana w danym momencie; Krzywa obciążenia to przebieg tej mocy w czasie.
Horyzonty prognozy: krótko-, średnio-, długoterminowe
Prognozowanie obciążenia służy różnym celom i wymaga różnych metod w zależności od tego, jak daleko patrzysz w przyszłość.
Bardzo krótko i krótkoterminowo (od kilku minut do kilku dni). Służy do bilansowania sieci, zobowiązań jednostkowych (która instalacja będzie działać) i ofert rynkowych. W tym przypadku pogoda, typ dnia (dzień tygodnia/koniec) i ostatnie zużycie są najsilniejszymi wyznacznikami. Dokładność ma kluczowe znaczenie, ponieważ błąd powoduje bezpośrednie koszty niezbilansowania.
Średnioterminowy (od tygodni do jednego roku). Służy do planowania konserwacji, zaopatrzenia w paliwo i kontraktów sezonowych. Na pierwszy plan wysuwają się sezonowość i trendy gospodarcze.
Długoterminowe (lata). Służy do planowania inwestycji w sieci i elektrowni oraz planowania mocy. Decydujące znaczenie mają czynniki strukturalne, takie jak populacja, wzrost gospodarczy, rozpowszechnienie pojazdów elektrycznych i pomp ciepła. Tutaj niepewność jest naturalnie duża i stosuje się podejście scenariuszowe.
Wskazówka: Nie wybieraj modelu bez wyjaśnienia horyzontu prognozy. Model przewidujący jutro i model przewidujący rok 2035 wymagają zupełnie innych danych wejściowych i innego zarządzania niepewnością.
Czynniki determinujące inżynierię obciążeń i cech
Dane wejściowe, które przekazujemy modelowi uczenia maszynowego, nazywane są funkcjami. Dobre przewidywanie obciążenia zaczyna się od wyboru dobrych funkcji. Główne czynniki determinujące obciążenie:
- Kalendarz: godzina, typ dnia, weekend, święto państwowe, pora roku. Ładunek podąża za rytmem ludzkiego zachowania; Robi wzgórza rano i wieczorem.
- Powietrze: Najważniejszym czynnikiem (obciążenie chłodnicze i grzewcze) jest temperatura, a następnie wilgotność, promieniowanie i wiatr. Zależność temperatura-ładunek ma zazwyczaj kształt litery U: obciążenie wzrasta zarówno w bardzo gorących, jak i bardzo zimnych warunkach.
- Obciążenie w przeszłości: Zużycie godzinę, jeden dzień i tydzień temu (cechy opóźnień) jest najsilniejszym zwiastunem najbliższej przyszłości.
- Wydarzenia specjalne: Duże wydarzenia sportowe, długie wakacje, szoki gospodarcze.
Sztuczna inteligencja jest bardzo przydatna w generowaniu tych atrybutów i odkrywaniu, które z nich są skuteczne. Ale uważaj na pułapkę: przypisanie informacji, które nie będą dostępne w momencie prognozy (na przykład rzeczywista temperatura w przewidywanym czasie, podczas gdy będziemy mieli tylko prognozę pogody) powoduje wyciek danych i czyni model w zasadzie bezużytecznym.
Krok po kroku: szacowanie obciążenia za pomocą sztucznej inteligencji
Krok 1 — Zdefiniuj problem. Wyjaśniony jest horyzont (jutro lub przyszły rok), rozdzielczość (godzinowa) i cel (całkowite obciążenie systemu lub pojedynczy zasilacz).
Krok 2 — Przygotuj dane. Ustalany jest czysty szereg czasowy z dyscypliną z poprzedniej jednostki; Dodano dane pogodowe i kalendarzowe.
Krok 3 — Wygeneruj atrybuty. Tworzone są atrybuty harmonogramu, opóźnionego obciążenia i pogody. Sprawdza się wycieki: czy każda funkcja jest dostępna w momencie prognozowania?
Krok 4 — Wybierz i wytrenuj model. Prosty punkt odniesienia (np. „w zeszłym tygodniu o tej samej porze”) jest zawsze pierwszym krokiem; Zaawansowane modele są wartościowe tylko w takim stopniu, w jakim wykraczają poza ten fundament. Sztuczna inteligencja jest pomocna w generowaniu kodu modelu i potoku funkcji.
Krok 5 — Oceń. Model jest testowany przez okres, którego nie widzi (okres przyszły); Nigdy nie jest oceniany w danych szkoleniowych. Dane są podzielone według godzin i reżimów.
Krok 6 — Zgłoś niepewność. Podawany jest zakres (pasmo przewidywania), a nie pojedyncza liczba; Redundancja sieci planowana jest zgodnie z tym pasmem.
Pomiar błędu prognozy: MAPE i nie tylko
Do pomiaru jakości prognoz wykorzystuje się kilka wskaźników. MAPE (średni bezwzględny błąd procentowy) to średnia procentowa różnica między prognozą a rzeczywistością; Łatwo to zinterpretować. Zwykle do krótkoterminowego prognozowania obciążenia na poziomie systemu uważa się 1 do 3 procent MAPE; Na poziomie pojedynczego budynku/dostawcy wartość ta jest oczywiście wyższa, ponieważ pojedynczy odbiorca jest bardziej zmienny.
Jednak sam MAPE może wprowadzać w błąd. Nawet jeśli średnia wydaje się niska, w godzinach szczytu mogą występować systematyczne odchylenia, a sieć ma krytyczne znaczenie właśnie w szczycie. Dlatego konieczne jest osobne badanie błędu w podziale na godziny, dni, a zwłaszcza w momentach szczytowych. Dodatkowo ważny jest kierunek błędu: utrzymujące się niedoszacowanie (niedoszacowanie popytu) prowadzi do nieodpowiedniego harmonogramu produkcji i powoduje brak równowagi.
Uwaga: nie wystarczy powiedzieć „MAPE to 2 procent, świetnie”. Jeśli godzina szczytu MAPE wynosi 6 procent, a wartość szczytu wieczornego będzie konsekwentnie niedoszacowana, równoważenie sieci w tym modelu będzie zagrożone. Nigdy nie uważaj średniego wskaźnika za bezpieczny bez podziału go na reżimy.
Trzy mini etui: w liczbach
Przypadek 1 — Nieprzekroczenie poziomu bazowego. Jeden zespół zbudował złożony model i uzyskał 2,8% MAPE, co było zachwycone. Wtedy prosta baza „ten sam czas w zeszłym tygodniu + korekta temperatury” dała 2,6 proc. Złożony model nie mógł przejść przez fundament; dodatkowa złożoność nie miała żadnej wartości. Lekcja: zawsze najpierw buduj prosty fundament.
Przypadek 2 — Martwy punkt nad głową. Model jednej ze spółek dystrybucyjnych był dobry i wyniósł 2,1% w ogólnym MAPE, ale konsekwentnie zaniżał go o 7% w godzinach szczytu w przypadku klimatyzacji w letni wieczór. Spowodowało to nieoczekiwane spadki obciążenia i napięcia w kilka upalnych dni. Po dodaniu do atrybutu temperatury „liczby kolejnych gorących dni” (akumulacji ciepła w budynku) błąd szczytowy zmniejszył się do 3%.
Przypadek 3 – Ograniczenie wycieku. Model jednego stażysty wypadł niesamowicie dobrze (0,4% MAPE) w testach historycznych. Badanie wykazało, że w modelu jako atrybut wykorzystano rzeczywistą temperaturę w przewidywanym czasie; podczas gdy w rzeczywistości byłaby to tylko prognoza pogody. Po naprawieniu wycieku wartość MAPE wzrosła do realistycznych 2,5 procent. „Bardzo dobry” wynik jest często oznaką błędu.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Zbuduj model predykcyjny na podstawie tych danych obciążenia.[data]
Potężny monit:
Twoja rola: Ekspert w zakresie prognozowania zapotrzebowania na energię. Cel: godzinowa prognoza obciążenia systemu z wyprzedzeniem dziennym (24 godziny do przodu). - Najpierw zaproponuj prostą linię bazową (np. o tej samej porze w zeszłym tygodniu) i odnieś się do niej. - Wyodrębnij listę atrybutów; W przypadku KAŻDEGO atrybutu „czy prognoza jest natychmiast dostępna?” ocena. Oddziel osoby zagrożone wyciekiem. - Przeprowadź ocenę ODDZIELNIE od okresu szkolenia, w późniejszym okresie. - Zgłaszaj MAPE ogólnie ORAZ osobno w godzinach szczytu; Określ kierunek błędu (niski/wysoki). - Niech wynikiem będzie przedział przewidywania, a nie pojedyncza liczba. Schemat danych: [kolumny]
Potężny monit wzmacnia fundament, zapobiega wyciekom, dokładnie ustala ocenę i uwidacznia niepewność — eliminując cztery klasyczne błędy złego prognozowania obciążenia.
Cztery szablony do kopiowania
1) Kontrola właściwości i szczelności:
Zaproponuj listę cech następującego problemu predykcji: [problem]. Dla każdego atrybutu podaj trzy informacje: (a) dlaczego wpływa to na ładunek, (b) czy prognoza jest dostępna natychmiast, (c) czy istnieje ryzyko wycieku. Usuń nieszczelne z listy.
2) Ustalenie modelu podstawowego:
Zaproponuj co najmniej dwie proste linie bazowe dla tej serii obciążeń (np. o tej samej porze wczoraj, o tej samej porze w zeszłym tygodniu, średnia skorygowana o temperaturę). Do każdego napisz uzasadnienie. Zaawansowany model zostanie zaproponowany tylko wtedy, gdy w znaczący sposób przejdzie te podstawy.
3) Protokół oceny:
Przygotuj plan ewaluacji dla tego modelu: oddzielne okresy szkolenia/testowania w kolejności czasowej (bez wycieków z przyszłości do przeszłości). Obliczaj dane oddzielnie według ogólnego, typu dnia i godzin szczytu. Zgłoś systematyczny aspekt błędu.
4) Niepewność i podejmowanie decyzji:
Przedstaw prognozę wraz z zakresem (górny/dolny przedział). Wyjaśnij, w jaki sposób ten odstęp będzie powiązany z redundancją sieci i decyzją o przetargu rynkowym. Odpowiedz także na pytanie, jaki byłby „najgorszy scenariusz”.
Tabela horyzontu prognozy
horyzont
Czas trwania
Podstawowe zastosowanie
czynnik dominujący
za krótki
Minuta-godzina
równoważenie, kontrola
ostatni ładunek
krótki
1-7 dni
Zaangażowanie jednostki, rynek
Pogoda, rodzaj dnia
średni
Tydzień-rok
Konserwacja, paliwo, umowa
sezonowość, ekonomia
długi
lata
Inwestycja, pojemność
Populacja, EV, pompa ciepła
Typowe błędy
- Pomijam proste podstawy. Złożonego modelu nie można uznać za wartościowy bez udowodnienia, że przewyższa on proste podstawy.
- Wyciek danych. Przypisywanie informacji, które nie będą dostępne w momencie przewidywania, prowadzi do fałszywej doskonałości.
- Ślepe zaufanie do średnich wskaźników. Jeśli godziny szczytu i przejścia sezonowe nie zostaną zbadane oddzielnie, sieć będzie zagrożona.
- Podawanie liczby nieparzystej. Prognozowanie bez pasm niepewności jest niekompletne w przypadku planowania nadmiarowości.
- Ocena danych szkoleniowych. Model należy zawsze testować w okresie, w którym nie jest on widoczny.
Podsumowując
Prognozowanie obciążenia jest impulsem systemu energetycznego; Jej metoda i niepewność różnią się w zależności od horyzontu. Dobre przewidywanie zaczyna się od dobrych cech i wymaga skrupulatności w zapobieganiu wyciekom. Sztuczna inteligencja stanowi potężną pomoc w generowaniu funkcji, budowaniu modeli i ocenie; ale prosta linia bazowa jest zawsze punktem odniesienia, oceny dokonuje się w niewidocznym okresie, a błąd interpretuje się na podstawie wartości szczytowych/reżimów, a nie średniej. Szacunek nie jest pojedynczą liczbą, ale ustalonym zakresem.
Zadanie aplikacji
Weź serię obciążenia lub zużycia. Najpierw ręcznie skonfiguruj prostą linię bazową (np. „w zeszłym tygodniu o tej samej porze”). Następnie poproś sztuczną inteligencję o plan predykcji z szablonami „Sprawdzanie atrybutów i wycieków” oraz „Protokół oceny”. Zadaj sobie pytanie o ryzyko wycieku każdego sugerowanego atrybutu. Na koniec sprawdź, czy błąd prognozy w godzinach szczytu różni się od błędu średniego i zapisz swoje ustalenia.
lista kontrolna
- [ ] Wyjaśniłem horyzont prognozy, rozdzielczość i cel
- [ ] Zbudowałem prosty fundament i odniosłem się do niego
- [ ] Czy każdy atrybut jest „przewidywany natychmiastowo”? Sprawdziłem pod kątem wycieków.
- [ ] Oceny dokonałem w ciemno
- [ ] Sprawdziłem MAPE oddzielnie pod kątem godzin ogólnych i godzin szczytu
- [ ] Sprawdziłem systematyczny kierunek błędu (niski/wysoki)
- [ ] Szacunek przedstawiłem z pewnym zakresem niepewności i osądu