zisky:
- Schopnosť vysvetliť rozdiely v krátkodobom, strednodobom a dlhodobom predpovedaní zaťaženia a oblasti ich využitia v energetickom systéme
- Schopnosť vykonávať inžinierstvo funkcií, výber modelov a vyhodnocovanie predpovedí pomocou umelej inteligencie
- Schopnosť merať chybu prognózy pomocou metrík, ako je MAPE, a dať ich do súvislosti s inžinierskou primeranosťou a potrebou redundancie
Skladovanie elektriny je drahá a obmedzená komodita; Sieť preto musí vopred vedieť, koľko elektriny budú spotrebitelia chcieť a kedy. Predpovedanie zaťaženia je úlohou predpovedať budúci dopyt po elektrine a je jednou z najzákladnejších analýz energetického systému. Elektrárne sú naprogramované podľa tejto prognózy, podľa toho sa rozhodujú o nákupe a predaji na trhu a podľa toho sa plánujú investície do siete. V tejto lekcii sa naučíme typy predpovedí zaťaženia, ako sa vytvára a vyhodnocuje pomocou umelej inteligencie a inžinierske dôsledky chyby predpovede. Ujasnime si pojem: záťaž je elektrický výkon (kW/MW) spotrebovaný v danom momente; Záťažová krivka je priebeh tohto výkonu v čase.
Horizonty predpovede: Krátkodobé, Stredné, Dlhodobé
Prognóza zaťaženia slúži na rôzne účely a vyžaduje rôzne metódy v závislosti od toho, ako ďaleko sa pozeráte.
Veľmi krátke a krátkodobé (minúty až niekoľko dní). Používa sa na vyrovnávanie siete, viazanie jednotiek (ktorá elektráreň bude fungovať) a trhové ponuky. Tu sú najsilnejšími determinantmi počasie, typ dňa (deň/koniec týždňa) a nedávna spotreba. Presnosť je kritická, pretože chyba spôsobuje priame náklady na nerovnováhu.
Strednodobé (týždne až jeden rok). Používa sa na plánovanie údržby, dodávky paliva a sezónne zmluvy. Do popredia sa dostáva sezónnosť a ekonomické trendy.
Dlhodobé (roky). Používa sa na investície do sietí a elektrární a plánovanie kapacity. Rozhodujúce sú štrukturálne faktory ako populácia, ekonomický rast, rozšírenosť elektrických vozidiel a tepelných čerpadiel. Tu je neistota prirodzene veľká a používa sa scenárový prístup.
Tip: Nevyberajte si model bez objasnenia horizontu prognózy. Model predpovedajúci zajtrajšok a model predpovedajúci rok 2035 si vyžadujú úplne iné vstupy a iné riadenie neistoty.
Faktory určujúce zaťaženie a inžinierstvo prvkov
Vstupy, ktoré dávame do modelu strojového učenia, sa nazývajú funkcie. Dobrá predpoveď zaťaženia začína výberom dobrých funkcií. Hlavné faktory, ktoré určujú zaťaženie:
- Kalendár: Čas, typ dňa, víkend, sviatok, ročné obdobie. Zaťaženie sleduje rytmus ľudského správania; Ráno a večer robí kopce.
- Vzduch: Najsilnejším faktorom je teplota (chladiaca a vykurovacia záťaž), po nej nasleduje vlhkosť, žiarenie a vietor. Vzťah medzi teplotou a náplňou má vo všeobecnosti tvar U: zaťaženie sa zvyšuje vo veľmi horúcich aj veľmi studených podmienkach.
- Minulé zaťaženie: Spotreba pred hodinou, jedným dňom a týždňom (funkcie oneskorenia) je najsilnejšou predzvesťou blízkej budúcnosti.
- Špeciálne udalosti: Veľké športové udalosti, dlhé dovolenky, ekonomické šoky.
Umelá inteligencia je veľmi užitočná pri vytváraní týchto atribútov a zisťovaní, ktoré z nich sú efektívne. Dajte si však pozor na pascu: priraďovanie informácií, ktoré nebudú v čase predpovede k dispozícii (napríklad skutočná teplota v čase, ktorý sa má predpovedať, zatiaľ čo my budeme mať iba predpoveď počasia), vytvára únik údajov a robí model v podstate zbytočným.
Krok za krokom: Odhad zaťaženia pomocou umelej inteligencie
Krok 1 – Definujte problém. Objasňuje sa horizont (zajtra alebo budúci rok), rozlíšenie (hodinové) a cieľ (celkové zaťaženie systému alebo jeden podávač).
Krok 2 – Pripravte si údaje. Čistá časová séria sa vytvorí s disciplínou v predchádzajúcej jednotke; Pridávajú sa údaje o počasí a kalendári.
Krok 3 — Generovanie atribútov. Vytvárajú sa atribúty harmonogram, oneskorené zaťaženie a počasie. Kontroluje sa únik: sú všetky funkcie dostupné v čase predpovede?
Krok 4 — Vyberte a trénujte model. Jednoduchý základný stav (napr. „v rovnakom čase minulý týždeň“) je vždy prvým krokom; Pokročilé modely sú hodnotné len do tej miery, že presahujú tento základ. AI je užitočná pri generovaní kódu modelu a kanála funkcií.
Krok 5 – Vyhodnoťte. Model je testovaný počas časového obdobia, ktoré nevidí (budúce obdobie); Nikdy sa nevyhodnocuje v tréningových údajoch. Metriky sú rozdelené podľa hodín a režimu.
Krok 6 – Nahláste neistotu. Udáva sa rozsah (predikčné pásmo), nie jedno číslo; Podľa tohto pásma je plánovaná redundancia siete.
Chyba predpovede merania: MAPE a ďalšie
Na meranie kvality prognózy sa používa niekoľko metrík. MAPE (stredná absolútna percentuálna chyba) je priemerný percentuálny rozdiel medzi predpoveďou a realitou; Ľahko sa interpretuje. Typicky sa 1 až 3 percentá MAPE považujú za dobré pre krátkodobé predpovedanie zaťaženia na systémovej úrovni; Na úrovni jednej budovy/napájača je táto hodnota prirodzene vyššia, pretože jeden spotrebiteľ je variabilnejší.
Ale samotný MAPE môže byť zavádzajúci. Aj keď sa priemer zdá nízky, počas špičky môže dochádzať k systematickej odchýlke a sieť je kritická práve v špičke. Preto je potrebné chybu skúmať oddelene na hodinovej báze, na základe typu dňa a najmä v špičkách. Okrem toho je dôležitý smer chyby: pretrvávajúce podceňovanie (podceňovanie dopytu) vedie k neadekvátnemu výrobnému plánu a vytvára nerovnováhu.
Pozor: Nestačí povedať "MAPE je 2 percentá, skvelé." Ak je špičková hodina MAPE 6 percent a neustále podceňujete večernú špičku, vyrovnávanie siete s týmto modelom je ohrozené. Nikdy nepovažujte priemernú metriku za bezpečnú bez toho, aby ste ju rozdelili podľa režimu.
Tri mini prípady: Podľa čísel
Prípad 1 – Neprekročenie základnej čiary. Jeden tím postavil zložitý model a získal 2,8 percenta MAPE a bol nadšený. Potom jednoduchý základ „rovnaký čas minulý týždeň + korekcia teploty“ dal 2,6 percenta. Komplexný model nemohol prejsť základom; dodatočná zložitosť nemala cenu. Ponaučenie: vždy najprv postavte jednoduchý základ.
Prípad 2 – mŕtvy uhol nad hlavou. Model jednej distribučnej spoločnosti bol dobrý na úrovni 2,1 percenta v celkovom MAPE, ale počas letnej večernej špičky klimatizácie bol konzistentne podpredpokladaný o 7 percent. To spôsobilo neočakávanú záťaž a poklesy napätia počas niekoľkých horúcich dní. Keď sa k atribútu teploty pridal „počet po sebe nasledujúcich horúcich dní“ (akumulácia tepla budovy), maximálna chyba sa znížila na 3 percentá.
Prípad 3 – Zamedzenie úniku. Model jedného stážistu obstál neuveriteľne dobre (0,4 percenta MAPE) v spätnom testovaní. Vyšetrovanie ukázalo, že model používal ako atribút skutočnú teplotu predpovedaného času; zatiaľ čo v skutočnosti by to bola len predpoveď počasia. Po odstránení úniku sa MAPE zvýšil na realistických 2,5 percenta. „Veľmi dobrý“ výsledok je často znakom chyby.
Slabá výzva / silná výzva
Slabá výzva:
Vytvorte predikčný model s týmito údajmi o zaťažení.[údaje]
Výkonná výzva:
Vaša úloha: Expert na prognózovanie spotreby energie. Účel: hodinová predpoveď zaťaženia systému na deň vopred (24 hodín dopredu).- Najprv navrhnite jednoduchú základnú líniu (napr. v rovnakom čase minulý týždeň) a odkazujte na ňu.- Extrahujte zoznam atribútov; Pre KAŽDÝ atribút „je predpoveď okamžite dostupná?“ značka. Oddeľte tých, ktorí sú vystavení riziku úniku.- Vykonajte hodnotenie ODDELENÍ od obdobia školenia, neskôr.- Reportujte MAPE vo všeobecnosti A oddelene počas špičkových hodín; Zadajte smer chyby (nízka/vysoká). - Nech je výsledkom interval predpovede, nie jedno číslo. Schéma údajov: [stĺpce]
Výkonná výzva posilňuje základy, zabraňuje úniku, presne stanovuje hodnotenie a zviditeľňuje neistotu – odstraňuje štyri klasické chyby zlého predpovedania zaťaženia.
Štyri kopírovateľné šablóny
1) Kontrola vlastností a úniku:
Navrhnite zoznam funkcií pre nasledujúci problém s predikciou: [problém]. Pre každý atribút uveďte tri informácie: (a) prečo ovplyvňuje zaťaženie, (b) je predpoveď dostupná okamžite, (c) existuje riziko úniku. Odstráňte netesné zo svojho zoznamu.
2) Vytvorenie základného modelu:
Navrhnite aspoň dve jednoduché základné línie pre túto sériu záťaže (napr. rovnaký čas včera, rovnaký čas minulý týždeň, teplotne upravený priemer). Napíšte zdôvodnenie každého z nich. Pokročilý model bude navrhnutý len vtedy, ak zmysluplne prejde týmito základmi.
3) Hodnotiaci protokol:
Nastavte plán hodnotenia pre tento model: oddelené obdobia školenia/testovania v časovom poradí (žiadny únik z budúcnosti do minulosti). Vypočítajte metriky oddelene podľa všeobecného, typu dňa a špičkovej hodiny. Nahláste systematický aspekt chyby.
4) Neistota a rozhodovanie:
Prezentujte predpoveď s rozsahom (horné/dolné pásmo). Vysvetlite, ako bude tento interval prepojený s redundanciou siete a rozhodnutím o ponukách na trhu. Odpovedzte aj na otázku, aký by bol „najhorší scenár“.
Tabuľka predpovedí horizontu
horizont
Trvanie
Základné použitie
dominantný faktor
príliš krátke
Minúta-hodina
vyváženie, kontrola
nedávne zaťaženie
krátky
1-7 dní
Jednotkový záväzok, trh
Počasie, typ dňa
stredná
Týždeň-rok
Údržba, palivo, zmluva
sezónnosť, hospodárnosť
dlhý
rokov
Investícia, kapacita
Obyvateľstvo, EV, tepelné čerpadlo
Časté chyby
- Vynechanie jednoduchého základu. Komplexný model nemožno považovať za hodnotný bez preukázania, že presahuje jednoduchý základ.
- Únik dát. Priraďovanie informácií, ktoré nebudú k dispozícii v čase predpovede, vedie k falošnej dokonalosti.
- Slepo dôverovať priemernej metrike. Ak sa hodiny počas špičky a sezónne prechody neskúmajú oddelene, sieť je ohrozená.
- Dať nepárne číslo. Predpovedanie bez odstupňovania neistoty je pre plánovanie redundancie neúplné.
- Vyhodnotenie na tréningových údajoch. Model by mal byť vždy testovaný v období, kde nie je viditeľný.
V súhrne
Predpovedanie zaťaženia je impulzom energetického systému; Jeho spôsob a neistota sa líšia v závislosti od horizontu. Dobrá predpoveď začína dobrými vlastnosťami a vyžaduje si dôslednosť proti úniku. Umelá inteligencia je silným pomocníkom pri vytváraní funkcií, vytváraní modelov a hodnotení; ale jednoduchá základná línia je vždy referenčná, hodnotenie sa robí v neviditeľnom období a chyba sa interpretuje na základe špičky/režimu, nie ako priemer. Odhad nie je jedno číslo, ale určený rozsah.
Aplikačná úloha
Vezmite sériu zaťaženia alebo spotreby. Najprv manuálne nastavte jednoduchú základnú líniu (napr. „v rovnakom čase minulý týždeň“). Potom požiadajte AI o plán predpovedí so šablónami „Kontrola atribútov a úniku“ a „Protokol hodnotenia“. Opýtajte sa sami seba na riziko úniku každého navrhovaného atribútu. Nakoniec skontrolujte, či sa chyba predpovede v špičkách líši od priemernej chyby a svoje zistenie zapíšte.
kontrolný zoznam
- [ ] Objasnil som horizont prognózy, rozlíšenie a cieľ
- [ ] Postavil som jednoduchý základ a odkázal som naň
- [ ] Je každý atribút "predpovedaný okamžite?" Skontroloval som tesnosť.
- [ ] Hodnotenie som robil na slepo
- [ ] Skúmal som MAPE oddelene na základe všeobecnej a špičkovej hodiny
- [ ] Skontroloval som systematický smer chyby (nízka/vysoká)
- [ ] Odhad som predložil s radom neistoty a úsudku