Ganhos:
- Capacidade de explicar as diferenças na previsão de carga de curto, médio e longo prazo e suas áreas de utilização no sistema energético
- Capacidade de realizar engenharia de recursos, seleção de modelos e avaliação de previsão com inteligência artificial
- Capacidade de medir erros de previsão com métricas como MAPE e relacioná-los com a razoabilidade da engenharia e a necessidade de redundância
O armazenamento de electricidade é um bem caro e limitado; Portanto, uma rede deve saber antecipadamente quanta eletricidade os consumidores irão querer e quando. A previsão de carga é a tarefa de prever a demanda futura de eletricidade e é uma das análises mais básicas do sistema energético. As centrais eléctricas são programadas de acordo com esta previsão, as decisões de compra e venda no mercado são tomadas em conformidade e o investimento na rede é planeado em conformidade. Nesta unidade aprenderemos os tipos de previsão de carga, como ela é estabelecida e avaliada com inteligência artificial e as consequências de engenharia do erro de previsão. Vamos esclarecer o termo: carga é a potência elétrica (kW/MW) consumida em um determinado momento; A curva de carga é o curso dessa potência ao longo do tempo.
Horizontes de previsão: curto, médio e longo prazo
A previsão de carga serve a propósitos diferentes e requer métodos diferentes dependendo de quão longe você olha.
Muito curto e curto prazo (minutos a alguns dias). É utilizado para balanceamento da rede, compromisso de unidade (qual usina irá operar) e ofertas de mercado. Aqui, o clima, o tipo de dia (dia útil/final) e o consumo recente são os determinantes mais fortes. A precisão é crítica porque o erro incorre em custos diretos de desequilíbrio.
Médio prazo (semanas a um ano). É utilizado para planejamento de manutenção, fornecimento de combustível e contratos sazonais. A sazonalidade e as tendências económicas vêm à tona.
Longo prazo (anos). É usado para investimentos em redes e usinas e planejamento de capacidade. Fatores estruturais como a população, o crescimento económico, a prevalência dos veículos elétricos e das bombas de calor são decisivos. Aqui a incerteza é naturalmente grande e a abordagem de cenário é utilizada.
Dica: Não escolha um modelo sem esclarecer o horizonte de previsão. Um modelo que prevê o amanhã e um modelo que prevê 2035 requerem dados completamente diferentes e uma gestão de incerteza diferente.
Fatores que determinam a engenharia de carga e recursos
As entradas que fornecemos a um modelo de aprendizado de máquina são chamadas de recursos. Uma boa previsão de carga começa com a escolha de bons recursos. Os principais fatores que determinam a carga:
- Calendário: Hora, tipo de dia, fim de semana, feriado, temporada. A carga segue o ritmo do comportamento humano; Faz colinas de manhã e à noite.
- Ar: A temperatura é o fator mais forte (carga de resfriamento e aquecimento), seguida pela umidade, radiação e vento. A relação temperatura-carga é geralmente em forma de U: a carga aumenta tanto em condições muito quentes como muito frias.
- Carga passada: O consumo de uma hora, um dia e uma semana atrás (características de atraso) é o prenúncio mais forte do futuro próximo.
- Eventos especiais: Grandes eventos desportivos, feriados prolongados, choques económicos.
A inteligência artificial é muito útil para gerar esses atributos e descobrir quais são eficazes. Mas cuidado com uma armadilha: atribuir informações que não estarão disponíveis no momento da previsão (por exemplo, a temperatura real do momento a ser previsto, enquanto teremos apenas a previsão do tempo) cria vazamento de dados e torna o modelo essencialmente inútil.
Passo a Passo: Estimativa de Carga com Inteligência Artificial
Passo 1 – Defina o problema. O horizonte (amanhã ou no próximo ano), a resolução (de hora em hora) e a meta (carga total do sistema ou alimentador único) são esclarecidos.
Passo 2 — Prepare os dados. Uma série temporal limpa é estabelecida com a disciplina da unidade anterior; Dados meteorológicos e de calendário são adicionados.
Passo 3 — Gere atributos. Atributos de programação, carga atrasada e clima são criados. O vazamento é verificado: todos os recursos estão disponíveis no momento da previsão?
Passo 4 — Selecione e treine o modelo. Uma linha de base simples (por exemplo, "mesmo horário da semana passada") é sempre o primeiro passo; Os modelos avançados só são valiosos na medida em que ultrapassam esta base. A IA é útil na geração do código do modelo e do pipeline de recursos.
Etapa 5 - Avalie. O modelo é testado durante um período de tempo que não vê (um período futuro); Nunca é avaliado em dados de treinamento. As métricas são divididas por hora e regime.
Passo 6 — Relate a incerteza. É fornecido um intervalo (banda de previsão), não um único número; A redundância da rede é planejada de acordo com esta banda.
Medindo o erro de previsão: MAPE e além
Várias métricas são usadas para medir a qualidade da previsão. MAPE (Erro Percentual Médio Absoluto) é a diferença percentual média entre a previsão e a realidade; É fácil de interpretar. Normalmente, 1 a 3 por cento de MAPE é considerado bom para previsão de carga de curto prazo em nível de sistema; Ao nível do edifício/alimentador único este valor é naturalmente mais elevado porque o consumidor único é mais variável.
Mas o MAPE por si só pode ser enganoso. Mesmo que a média pareça baixa, pode haver desvios sistemáticos durante os horários de pico e a rede fica crítica logo no pico. Portanto, é necessário examinar o erro separadamente por hora, por tipo de dia e especialmente em momentos de pico. Além disso, a direção do erro é importante: a subestimação persistente (subestimação da demanda) leva a um cronograma de produção inadequado e cria desequilíbrio.
Cuidado: não basta dizer “MAPE é 2%, ótimo”. Se o MAPE do horário de pico for de 6% e você subestimar consistentemente o pico noturno, o equilíbrio da rede com esse modelo estará comprometido. Nunca considere a métrica média segura sem dividi-la por regime.
Três minicasos: em números
Caso 1 — Não aprovação da linha de base. Uma equipe construiu um modelo complexo e obteve um MAPE de 2,8% e ficou encantada. Então, a base simples “mesmo horário da semana passada + correção de temperatura” deu 2,6%. O modelo complexo não poderia passar dos alicerces; não havia valor na complexidade adicional. Lição: sempre construa primeiro uma base simples.
Caso 2 — Ângulo cego aéreo. O modelo de uma empresa de distribuição foi bom, com 2,1% no MAPE geral, mas subestimou-o consistentemente em 7% durante o pico do ar condicionado nas noites de verão. Isso criou quedas inesperadas de carga e tensão em alguns dias quentes. Quando o “número de dias quentes consecutivos” (acumulação de calor no edifício) foi adicionado ao atributo de temperatura, o erro de pico diminuiu para 3%.
Caso 3 — Contenção de vazamento. O modelo de um estagiário teve um desempenho incrivelmente bom (0,4% MAPE) no backtesting. A investigação mostrou que o modelo utilizou como atributo a temperatura real do tempo previsto; enquanto na realidade seria apenas uma previsão do tempo. Depois que o vazamento foi corrigido, o MAPE aumentou para 2,5 por cento realistas. Um resultado “muito bom” costuma ser um sinal de erro.
Alerta Fraco/Prompt Forte
Alerta fraco:
Crie um modelo de previsão com esses dados de carga.[dados]
Alerta poderoso:
Sua função: Especialista em previsão de demanda de energia. Objetivo: previsão horária de carga do sistema para o dia seguinte (24 horas à frente).- Primeiro, proponha uma linha de base simples (por exemplo, mesmo horário da semana passada) e faça referência a ela.- Extraia uma lista de atributos; Para CADA atributo, “a previsão está disponível instantaneamente?” marca. Separar aqueles com risco de vazamento.- Realizar avaliação SEPARADAMENTE do período de treinamento, em período posterior.- Reportar MAPE em geral E separadamente nos horários de pico; Especifique a direção do erro (baixo/alto). - Deixe o resultado ser um intervalo de previsão, não um único número. Esquema de dados: [colunas]
O poderoso prompt reforça a base, evita vazamentos, estabelece a avaliação com precisão e torna a incerteza visível – eliminando os quatro erros clássicos da má previsão de carga.
Quatro modelos copiáveis
1) Atributo e verificação de vazamentos:
Proponha uma lista de recursos para o seguinte problema de previsão: [problema]. Para cada atributo, forneça três informações: (a) por que isso afeta a carga, (b) a previsão está disponível instantaneamente, (c) há risco de vazamento. Remova os que vazam da sua lista.
2) Estabelecendo um modelo básico:
Sugira pelo menos duas linhas de base simples para esta série de carga (por exemplo, mesmo horário de ontem, mesmo horário da semana passada, média corrigida pela temperatura). Escreva a justificativa para cada um. Um modelo avançado será proposto apenas se passar de forma significativa nestes princípios básicos.
3) Protocolo de avaliação:
Estabeleça um plano de avaliação para este modelo: períodos de treinamento/teste separados em ordem temporal (sem vazamento do futuro para o passado). Calcule as métricas separadamente por geral, tipo de dia e horário de pico. Relate o aspecto sistemático do erro.
4) Incerteza e tomada de decisão:
Apresente a previsão com um intervalo (faixa superior/inferior). Explique como esse intervalo estará vinculado à redundância da rede e à decisão de licitação no mercado. Responda também à pergunta sobre qual seria o “pior cenário”.
Tabela de horizonte de previsão
horizonte
Duração
Uso básico
fator dominante
muito curto
Minuto-hora
equilíbrio, controle
carregamento recente
curto
1-7 dias
Compromisso da unidade, mercado
Tempo, tipo de dia
médio
Semana-ano
Manutenção, combustível, contrato
sazonalidade, economia
longo
anos
Investimento, capacidade
População, EV, bomba de calor
Erros comuns
- Ignorando a base simples. Um modelo complexo não pode ser considerado valioso sem provar que ultrapassa o fundamento simples.
- Vazamento de dados. Atribuir informações que não estarão disponíveis no momento da previsão produz uma falsa perfeição.
- Confiar cegamente na métrica média. Se os horários de pico e as transições sazonais não forem examinados separadamente, a rede estará em risco.
- Dando um número ímpar. A previsão sem faixas de incerteza é incompleta para o planejamento de redundância.
- Avaliando dados de treinamento. O modelo deve sempre ser testado em um período onde não seja visível.
Resumindo
A previsão de carga é o pulso do sistema energético; Seu método e incerteza variam dependendo do horizonte. Uma boa previsão começa com bons atributos e requer meticulosidade contra vazamentos. A inteligência artificial é uma ajuda poderosa na geração de recursos, construção de modelos e avaliação; mas a linha de base simples é sempre a referência, a avaliação é feita no período não visto e o erro é interpretado numa base de pico/regime, e não na média. A estimativa não é um número único, mas um intervalo decidido.
Tarefa de aplicativo
Faça uma série de carga ou consumo. Primeiro, configure uma linha de base simples manualmente (por exemplo, "mesmo horário da semana passada"). Em seguida, peça à IA um plano de previsão com os modelos “Verificação de atributos e vazamentos” e “Protocolo de avaliação”. Questione-se sobre o risco de vazamento de cada atributo sugerido. Por fim, verifique se o erro da previsão nos horários de pico difere do erro médio e anote sua constatação.
lista de verificação
- [ ] Esclareci o horizonte de previsão, resolução e meta
- [] Eu construí uma base simples e a referenciei
- [] Cada atributo é "previsto instantaneamente?" Eu verifiquei se há vazamentos.
- [ ] Fiz a avaliação em período cego
- [] Examinei o MAPE separadamente com base em geral e horário de pico
- [] Verifiquei a direção sistemática do erro (baixo/alto)
- [ ] Apresentei a estimativa com uma gama de incertezas e julgamentos