Câștiguri:
- Capacitatea de a explica diferențele în prognoza sarcinii pe termen scurt, mediu și lung și domeniile lor de utilizare în sistemul energetic
- Abilitatea de a efectua ingineria caracteristicilor, selecția modelelor și evaluarea predicțiilor cu inteligență artificială
- Capacitatea de a măsura eroarea de prognoză cu valori precum MAPE și de a o corela cu caracterul rezonabil al ingineriei și nevoia de redundanță
Stocarea energiei electrice este o marfă scumpă și limitată; Prin urmare, o rețea trebuie să știe din timp cât și când vor dori consumatorii de energie electrică. Prognoza încărcăturii este sarcina de a prezice cererea viitoare de energie electrică și este una dintre cele mai de bază analize ale sistemului energetic. Centralele electrice sunt programate în conformitate cu această prognoză, deciziile de cumpărare și vânzare în piață sunt luate în consecință, iar investiția în rețea este planificată în consecință. În această unitate, vom afla tipurile de prognoză a sarcinii, cum este stabilită și evaluată cu inteligență artificială și consecințele inginerești ale erorii de prognoză. Sa clarificam termenul: sarcina este puterea electrica (kW/MW) consumata la un moment dat; Curba de sarcină este cursul acestei puteri în timp.
Orizonturi de prognoză: pe termen scurt, mediu, lung
Prognoza încărcăturii are scopuri diferite și necesită metode diferite, în funcție de cât de departe priviți.
Pe termen foarte scurt și scurt (de la minute la câteva zile). Este utilizat pentru echilibrarea rețelei, angajamentul unitar (care centrală va funcționa) și ofertele de piață. Aici, vremea, tipul zilei (zi a săptămânii/sfârșitul săptămânii) și consumul recent sunt cei mai puternici determinanți. Precizia este critică deoarece eroarea implică costuri directe de dezechilibru.
Termen mediu (de la săptămâni la un an). Este utilizat pentru planificarea întreținerii, furnizarea de combustibil și contractele sezoniere. Sezonalitatea și tendințele economice vin în prim-plan.
Termen lung (ani). Este utilizat pentru investiții în rețele și centrale electrice și pentru planificarea capacității. Factorii structurali precum populația, creșterea economică, vehiculele electrice și prevalența pompelor de căldură sunt determinanți. Aici incertitudinea este în mod natural mare și se utilizează abordarea scenariului.
Sfat: Nu alegeți un model fără a clarifica orizontul de prognoză. Un model care prezice ziua de mâine și un model care prezice 2035 necesită intrări complet diferite și management diferit al incertitudinii.
Factori care determină sarcina și ingineria caracteristicilor
Intrările pe care le oferim unui model de învățare automată se numesc caracteristici. Predicția bună a sarcinii începe cu alegerea unor funcții bune. Principalii factori care determină sarcina:
- Calendar: oră, tip de zi, weekend, sărbătoare legală, sezon. Sarcina urmează ritmul comportamentului uman; Face dealuri dimineața și seara.
- Aer: Temperatura este cel mai puternic factor (sarcina de racire si incalzire), urmata de umiditate, radiatii si vant. Relația temperatură-încărcare este în general în formă de U: sarcina crește atât în condiții foarte calde, cât și în condiții foarte reci.
- Sarcina trecută: consumul cu o oră, o zi și o săptămână în urmă (funcții de întârziere) este cel mai puternic prevestitor al viitorului apropiat.
- Evenimente speciale: Evenimente sportive majore, vacanțe lungi, șocuri economice.
Inteligența artificială este foarte utilă în generarea acestor atribute și pentru a descoperi care sunt eficiente. Atenție însă la o capcană: atribuirea de informații care nu vor fi disponibile în momentul predicției (de exemplu, temperatura reală a timpului care trebuie prezis, în timp ce vom avea doar prognoza meteo) creează scurgeri de date și face modelul practic inutil.
Pas cu pas: Încărcați estimarea cu inteligență artificială
Pasul 1 — Definiți problema. Se clarifică orizontul (mâine sau anul viitor), rezoluția (orară) și ținta (sarcina totală a sistemului sau un singur alimentator).
Pasul 2 — Pregătiți datele. Se stabilește o serie de timp curată cu disciplina din unitatea anterioară; Sunt adăugate date despre vreme și calendar.
Pasul 3 — Generați atribute. Sunt create atributele de orar, încărcare întârziată și vreme. Scurgerea este verificată: fiecare caracteristică este disponibilă în momentul predicției?
Pasul 4 — Selectați și pregătiți modelul. O linie de bază simplă (de exemplu, „la aceeași oră săptămâna trecută”) este întotdeauna primul pas; Modelele avansate sunt valoroase doar în măsura în care depășesc această bază. AI este utilă în generarea codului modelului și a conductei de caracteristici.
Pasul 5 — Evaluați. Modelul este testat pe o perioadă de timp pe care nu o vede (o perioadă viitoare); Nu este niciodată evaluat în datele de antrenament. Valorile sunt defalcate pe oră și regim.
Pasul 6 — Raportați incertitudinea. Este dat un interval (banda de predicție), nu un singur număr; Redundanța rețelei este planificată în funcție de această bandă.
Eroare de prognoză de măsurare: MAPE și mai departe
Mai multe valori sunt utilizate pentru a măsura calitatea prognozei. MAPE (Mean Absolute Percentage Error) este diferența procentuală medie dintre predicție și realitate; Este ușor de interpretat. De obicei, 1 până la 3 la sută MAPE este considerat bun pentru prognoza sarcinii pe termen scurt la nivel de sistem; La nivelul unei singure clădiri/alimentare, această valoare este în mod natural mai mare, deoarece consumatorul unic este mai variabil.
Dar numai MAPE poate induce în eroare. Chiar dacă media pare scăzută, poate exista o abatere sistematică în timpul orelor de vârf, iar rețeaua este critică chiar la vârf. Prin urmare, este necesar să se examineze eroarea separat pe oră, pe tip de zi și mai ales în momentele de vârf. În plus, direcția erorii este importantă: subestimarea persistentă (subestimarea cererii) duce la un program de producție inadecvat și creează dezechilibru.
Atenție: nu este suficient să spui „MAPE este 2 la sută, grozav”. Dacă ora de vârf MAPE este de 6 procente și subestimați în mod constant vârful de seară, echilibrarea grilei cu modelul respectiv este compromisă. Nu considerați niciodată metricul mediu sigur fără a o defalca pe regim.
Trei mini carcase: după cifre
Cazul 1 – Nedepășirea liniei de bază. O echipă a construit un model complex și a obținut un MAPE de 2,8% și a fost încântată. Apoi, baza simplă „aceeași oră săptămâna trecută + corecția temperaturii” a dat 2,6 la sută. Modelul complex nu putea trece de fundație; nu era nicio valoare în complexitatea suplimentară. Lecție: construiește întotdeauna fundația simplă mai întâi.
Cazul 2 – unghiul mort deasupra capului. Modelul unei companii de distribuție a fost bun la 2,1% în totalul MAPE, dar l-a subestimat în mod constant cu 7% în timpul vârfului de aer condiționat seara de vară. Acest lucru a creat scăderi neașteptate de sarcină și tensiune în câteva zile fierbinți. Când „numărul de zile fierbinți consecutive” (acumularea căldurii din clădire) a fost adăugat la atributul de temperatură, eroarea de vârf a scăzut la 3 procente.
Cazul 3 – Reținerea scurgerii. Modelul unui stagiar s-a descurcat incredibil de bine (0,4 la sută MAPE) în backtesting. Investigația a arătat că modelul a folosit temperatura reală a timpului prezis ca atribut; pe când în realitate ar fi doar o prognoză meteo. Odată ce scurgerea a fost remediată, MAPE a crescut la o valoare realistă de 2,5%. Un rezultat „foarte bun” este adesea un semn de eroare.
Solicitare slabă / Solicitare puternică
Prompt slab:
Creați un model de predicție cu aceste date de încărcare.[date]
Solicitare puternică:
Rolul dumneavoastră: expert în prognoza cererii de energie. Scop: prognoza orară a încărcării sistemului pentru ziua următoare (cu 24 de ore înainte).- Propuneți mai întâi o linie de bază simplă (de exemplu, aceeași oră săptămâna trecută) și faceți referire la aceasta.- Extrageți o listă de atribute; Pentru FIECARE atribut, „este predicția disponibilă instantaneu?” marca. Separați pe cei cu risc de scurgere.- Efectuați evaluarea SEPARAT de perioada de pregătire, într-o perioadă ulterioară.- Raportați MAPE în general ȘI separat în orele de vârf; Specificați direcția erorii (mică/înaltă). - Fie rezultatul un interval de predicție, nu un singur număr. Schema de date: [coloane]
Promptul puternic întărește fundația, previne scurgerea, stabilește evaluarea cu precizie și face vizibilă incertitudinea - eliminând cele patru greșeli clasice ale previziunii slabe a sarcinii.
Patru șabloane copiabile
1) Verificarea atributelor și a scurgerilor:
Propuneți o listă de caracteristici pentru următoarea problemă de predicție: [problemă]. Pentru fiecare atribut, furnizați trei informații: (a) de ce afectează sarcina, (b) predicția este disponibilă instantaneu, (c) există riscul de scurgere. Eliminați-le pe cele care nu au scurgeri din lista dvs.
2) Stabilirea unui model de bază:
Sugerați cel puțin două linii de bază simple pentru această serie de încărcări (de exemplu, aceeași oră ieri, aceeași oră săptămâna trecută, medie corectată în funcție de temperatură). Scrieți argumentul pentru fiecare. Un model avansat va fi propus doar dacă trece aceste elemente de bază în mod semnificativ.
3) Protocol de evaluare:
Stabiliți un plan de evaluare pentru acest model: perioade separate de instruire/testare în ordine de timp (fără scurgeri de la viitor la trecut). Calculați valorile separat în funcție de tipul general, de zi și de orele de vârf. Raportați aspectul sistematic al erorii.
4) Incertitudine și luare a deciziilor:
Prezentați prognoza cu un interval (bandă superioară/inferioară). Explicați modul în care acest interval va fi legat de redundanța rețelei și de decizia de licitare a pieței. Răspunde, de asemenea, la întrebarea care ar fi „cel mai rău scenariu”.
Tabelul orizontului de prognoză
orizont
Durata
Utilizare de bază
factor dominant
prea scurt
Minut-oră
echilibrare, control
sarcina recenta
scurt
1-7 zile
Angajament unitar, piață
Vremea, tipul zilei
mediu
Săptămâna-an
Întreținere, combustibil, contract
sezonalitate, economie
lung
ani
Investiție, capacitate
Populație, EV, pompă de căldură
Greșeli comune
- Sari peste fondul de ten simplu. Un model complex nu poate fi considerat valoros fără a dovedi că depășește fundamentul simplu.
- Scurgere de date. Atribuirea de informații care nu vor fi disponibile în momentul predicției produce o perfecțiune falsă.
- Încredere orboasă în valoarea medie. Dacă orele de vârf și tranzițiile sezoniere nu sunt examinate separat, rețeaua este în pericol.
- Dând un număr impar. Prognoza fără benzi de incertitudine este incompletă pentru planificarea redundanței.
- Evaluarea datelor de antrenament. Modelul trebuie testat întotdeauna într-o perioadă în care nu este vizibil.
În concluzie
Prognoza încărcăturii este pulsul sistemului energetic; Metoda și incertitudinea sa variază în funcție de orizont. O predicție bună începe cu atribute bune și necesită meticulozitate împotriva scurgerilor. Inteligența artificială este un ajutor puternic în generarea de caracteristici, construirea de modele și evaluare; dar linia de bază simplă este întotdeauna referința, evaluarea se face în perioada nevăzută și eroarea este interpretată pe bază de vârf/regim, nu în medie. Estimarea nu este un singur număr, ci un interval decis.
Sarcina de aplicare
Luați o serie de sarcină sau de consum. Mai întâi configurați manual o linie de bază simplă (de exemplu, „la aceeași oră săptămâna trecută”). Apoi cereți AI un plan de predicție cu șabloanele „Verificare atribute și scurgeri” și „Protocol de evaluare”. Întrebați-vă despre riscul de scurgere al fiecărui atribut sugerat. În cele din urmă, verificați dacă eroarea prognozei în orele de vârf diferă de eroarea medie și notați-vă constatarea.
lista de verificare
- [ ] Am clarificat orizontul de prognoză, rezoluția și ținta
- [ ] Am construit o fundație simplă și am făcut referire la ea
- [ ] Este fiecare atribut „prevăzut instantaneu?” L-am verificat pentru scurgeri.
- [ ] Am făcut evaluarea într-o perioadă oarbă
- [ ] Am examinat MAPE separat pe o bază generală și oră de vârf
- [ ] Am verificat direcția sistematică a erorii (scăzut/înalt)
- [ ] Am prezentat estimarea cu o serie de incertitudine și raționament