Прибыль:
- Способность объяснять различия в краткосрочном, среднесрочном и долгосрочном прогнозировании нагрузки и области их использования в энергосистеме.
- Способность выполнять разработку функций, выбор модели и прогнозную оценку с помощью искусственного интеллекта.
- Способность измерять ошибку прогноза с помощью таких показателей, как MAPE, и связывать ее с инженерной обоснованностью и необходимостью резервирования.
Хранение электроэнергии — дорогой и ограниченный товар; Следовательно, энергосистема должна заранее знать, сколько электроэнергии потребуется потребителям и когда. Прогнозирование нагрузки — это задача прогнозирования будущего спроса на электроэнергию и один из самых базовых анализов энергетической системы. Электростанции программируются в соответствии с этим прогнозом, решения о покупке и продаже на рынке принимаются соответствующим образом, и сетевые инвестиции планируются соответствующим образом. В этом модуле мы изучим типы прогнозирования нагрузки, как оно устанавливается и оценивается с помощью искусственного интеллекта, а также инженерные последствия ошибки прогноза. Уточним термин: нагрузка – это потребляемая в данный момент электрическая мощность (кВт/МВт); Кривая нагрузки представляет собой изменение этой мощности во времени.
Горизонты прогноза: краткосрочные, среднесрочные, долгосрочные
Прогнозирование нагрузки служит разным целям и требует разных методов в зависимости от того, насколько далеко вперед вы заглядываете.
Очень кратковременный и кратковременный (от минут до нескольких дней). Он используется для балансировки сети, определения единиц электроэнергии (какая станция будет работать) и рыночных заявок. Здесь важнейшими определяющими факторами являются погода, тип дня (будний день/конец) и недавнее потребление. Точность имеет решающее значение, поскольку ошибка влечет за собой прямые издержки дисбаланса.
Среднесрочный (от нескольких недель до года). Он используется для планирования технического обслуживания, поставок топлива и сезонных контрактов. На первый план выходят сезонность и экономические тенденции.
Долгосрочная (лет). Он используется для инвестиций в сети и электростанции, а также для планирования мощности. Структурные факторы, такие как население, экономический рост, распространенность электромобилей и тепловых насосов, имеют решающее значение. Здесь неопределенность, естественно, велика и используется сценарный подход.
Совет: не выбирайте модель без уточнения горизонта прогноза. Модель, предсказывающая завтрашний день, и модель, предсказывающая 2035 год, требуют совершенно разных исходных данных и разного управления неопределенностью.
Факторы, определяющие расчет нагрузки и характеристик
Входные данные, которые мы вводим в модель машинного обучения, называются функциями. Хорошее прогнозирование нагрузки начинается с выбора хороших функций. Основные факторы, определяющие нагрузку:
- Календарь: время, тип дня, выходные, праздничные дни, сезон. Нагрузка следует ритму поведения человека; Делает холмики утром и вечером.
- Воздух: температура является самым сильным фактором (охлаждающая и отопительная нагрузка), за ней следуют влажность, радиация и ветер. Зависимость температуры от заряда обычно имеет U-образную форму: нагрузка увеличивается как в очень жарких, так и в очень холодных условиях.
- Прошлая нагрузка: Потребление один час, один день и неделю назад (лаговые характеристики) является сильнейшим предвестником ближайшего будущего.
- Особые события: крупные спортивные мероприятия, длительные каникулы, экономические потрясения.
Искусственный интеллект очень полезен для создания этих атрибутов и определения того, какие из них эффективны. Но остерегайтесь ловушки: приписывание информации, которая не будет доступна на момент прогноза (например, фактическая температура в прогнозируемое время, тогда как у нас будет только прогноз погоды), приводит к утечке данных и делает модель по существу бесполезной.
Шаг за шагом: оценка нагрузки с помощью искусственного интеллекта
Шаг 1 — Определите проблему. Уточняются горизонт (завтра или следующий год), разрешение (почасово) и цель (общая загрузка системы или один фидер).
Шаг 2 — Подготовьте данные. Чистый временной ряд устанавливается с учетом дисциплины в предыдущем модуле; Добавлены данные о погоде и календаре.
Шаг 3 — Сгенерируйте атрибуты. Создаются расписание, отложенная нагрузка и погодные атрибуты. Утечка проверяется: все ли функции доступны на момент прогнозирования?
Шаг 4 — Выберите и обучите модель. Простой базовый показатель (например, «то же время на прошлой неделе») всегда является первым шагом; Продвинутые модели ценны лишь постольку, поскольку они превосходят этот фундамент. ИИ полезен при создании кода модели и конвейера функций.
Шаг 5 — Оцените. Модель тестируется в течение периода времени, которого она не видит (будущий период); Он никогда не оценивается в обучающих данных. Метрики разбиты по часам и режимам.
Шаг 6 — Сообщите о неопределенности. Задан диапазон (диапазон прогнозирования), а не одно число; В соответствии с этим диапазоном планируется резервирование сети.
Измерение ошибки прогноза: MAPE и не только
Для измерения качества прогноза используются несколько показателей. MAPE (средняя абсолютная процентная ошибка) — это средняя процентная разница между прогнозом и реальностью; Это легко интерпретировать. Обычно значение MAPE от 1 до 3 процентов считается подходящим для краткосрочного прогнозирования нагрузки на уровне системы; На уровне отдельного здания/питания это значение, естественно, выше, поскольку отдельный потребитель более изменчив.
Но сам по себе MAPE может ввести в заблуждение. Даже если среднее значение кажется низким, в часы пик могут иметь место систематические отклонения, а сеть критически важна именно в пик. Поэтому необходимо проверять ошибку отдельно по часам, по дням и особенно в моменты пиковой нагрузки. Кроме того, важно направление ошибки: постоянная недооценка (занижение спроса) приводит к неадекватному графику производства и создает дисбаланс.
Внимание: недостаточно сказать: «MAPE составляет 2 процента, отлично». Если MAPE в час пик составляет 6 процентов и вы постоянно недооцениваете вечерний пик, балансировка сети с помощью этой модели будет нарушена. Никогда не считайте средний показатель безопасным, не разбив его по режимам.
Три мини-кейса: в цифрах
Случай 1 — Неспособность пройти базовый уровень. Одна команда построила сложную модель, получила MAPE 2,8% и была очень довольна. Тогда простая формула «то же время на прошлой неделе + поправка на температуру» дала 2,6 процента. Сложная модель не могла пройти мимо фундамента; дополнительная сложность не имела смысла. Урок: всегда сначала стройте простой фундамент.
Случай 2. Слепая зона над головой. Модель одной распределительной компании была хороша на уровне 2,1 процента в целом MAPE, но последовательно занижала его на 7 процентов во время пика кондиционирования воздуха летним вечером. Это привело к неожиданным падениям нагрузки и напряжения в несколько жарких дней. Когда к атрибуту температуры было добавлено «количество последовательных жарких дней» (накопление тепла в здании), пиковая ошибка снизилась до 3 процентов.
Случай 3 — Локализация утечки. Модель одного стажера показала невероятно хорошие результаты (0,4 процента MAPE) при бэктестировании. Исследование показало, что модель использовала в качестве атрибута фактическую температуру прогнозируемого времени; тогда как на самом деле это был бы просто прогноз погоды. Как только утечка была устранена, MAPE выросла до реалистичных 2,5 процента. «Очень хороший» результат часто является признаком ошибки.
Слабая подсказка/Сильная подсказка
Слабая подсказка:
Создайте модель прогнозирования с этими данными о нагрузке.[данные]
Мощная подсказка:
Ваша роль: эксперт по прогнозированию спроса на энергию. Цель: почасовой прогноз загрузки системы на день вперед (24 часа вперед). - Сначала предложите простой базовый уровень (например, то же время на прошлой неделе) и укажите на него ссылку. - Извлеките список атрибутов; Для КАЖДОГО атрибута «доступен ли прогноз мгновенно?» отметка. Отделите тех, кто подвергается риску утечки.- Проведите оценку ОТДЕЛЬНО от периода обучения, в более поздний период.- Сообщайте о MAPE в целом И отдельно в часы пик; Укажите направление ошибки (низкое/высокое). - Пусть результатом будет интервал прогнозирования, а не одно число. Схема данных: [столбцы]
Мощная подсказка укрепляет основу, предотвращает утечки, точно устанавливает оценку и делает неопределенность видимой, исключая четыре классические ошибки плохого прогнозирования нагрузки.
Четыре копируемых шаблона
1) Проверка атрибутов и утечек:
Предложите список особенностей следующей задачи прогнозирования: [проблема]. Для каждого атрибута предоставьте три части информации: (а) почему это влияет на нагрузку, (б) доступен ли прогноз мгновенно, (в) существует ли риск утечки. Удалите протекающие из своего списка.
2) Создание базовой модели:
Предложите как минимум два простых базовых показателя для этого ряда нагрузок (например, то же время вчера, то же время на прошлой неделе, среднее значение с поправкой на температуру). Напишите обоснование каждого. Усовершенствованная модель будет предложена только в том случае, если она осмысленно соответствует этим основам.
3) Протокол оценки:
Настройте план оценки для этой модели: отдельные периоды обучения/тестирования во времени (без утечек из будущего в прошлое). Рассчитывайте показатели отдельно по общему принципу, типу дня и часам пик. Сообщите о систематическом аспекте ошибки.
4) Неопределенность и принятие решений:
Представьте прогноз в диапазоне (верхний/нижний диапазон). Объясните, как этот интервал будет связан с резервированием сети и решением о рыночных торгах. Также ответьте на вопрос, каким будет «наихудший сценарий».
Таблица горизонта прогноза
горизонт
Продолжительность
Основное использование
доминирующий фактор
слишком короткий
минута-час
балансировка, контроль
недавняя загрузка
короткий
1-7 дней
Приверженность единице, рынок
Погода, тип дня
средний
Неделя-год
ТО, топливо, договор.
сезонность, экономичность
длинный
годы
Инвестиции, мощность
Население, электромобили, тепловой насос
Распространенные ошибки
- Отказ от простой основы. Сложную модель нельзя считать ценной, не доказав, что она превосходит простую основу.
- Утечка данных. Приписывание информации, которая не будет доступна во время предсказания, приводит к ложному совершенству.
- Слепо доверяя среднему показателю. Если часы пик и сезонные переходы не рассматриваются отдельно, сеть подвергается риску.
- Даем нечетное число. Прогнозирование без определения диапазонов неопределенности является неполным для планирования резервирования.
- Оценка данных обучения. Модель всегда следует тестировать в период, когда она не видна.
В итоге
Прогнозирование нагрузки – это пульс энергосистемы; Его метод и неопределенность варьируются в зависимости от горизонта. Хороший прогноз начинается с хороших качеств и требует тщательного предотвращения утечек. Искусственный интеллект — мощный помощник в создании признаков, построении и оценке моделей; но простая базовая линия всегда является эталоном, оценка производится в невидимый период, а ошибка интерпретируется на основе пика/режима, а не на основе среднего значения. Оценка представляет собой не одно число, а определенный диапазон.
Задача приложения
Возьмите ряд нагрузки или потребления. Сначала вручную настройте простой базовый показатель (например, «в то же время на прошлой неделе»). Затем запросите у ИИ план прогнозирования с помощью шаблонов «Проверка атрибутов и утечек» и «Протокол оценки». Задайте себе вопрос о риске утечки каждого предложенного атрибута. Наконец, проверьте, отличается ли ошибка прогноза в часы пик от средней ошибки, и запишите свой результат.
контрольный список
- [ ] Я уточнил горизонт прогноза, разрешение и цель
- [ ] Я построил простой фундамент и дал на него ссылку
- [ ] Каждый атрибут «прогнозируется мгновенно?» Я проверил его на предмет утечек.
- [ ] Я провел оценку вслепую
- [ ] Я исследовал MAPE отдельно в целом и в часы пик.
- [ ] Я проверил систематическое направление ошибки (низкое/высокое)
- [ ] Я представил оценку с диапазоном неопределенности и суждений