Dobički:
- Sposobnost razlage razlik v kratkoročnem, srednjeročnem in dolgoročnem napovedovanju obremenitev ter področjih njihove uporabe v energetskem sistemu
- Sposobnost izvajanja inženiringa funkcij, izbire modela in vrednotenja napovedi z umetno inteligenco
- Sposobnost merjenja napake napovedi z metrikami, kot je MAPE, in povezovanja z inženirsko razumnostjo in potrebo po redundanci
Shranjevanje električne energije je drago in omejeno blago; Zato mora omrežje vnaprej vedeti, koliko električne energije bodo porabniki želeli in kdaj. Napovedovanje obremenitve je naloga predvidevanja prihodnjih potreb po električni energiji in je ena najosnovnejših analiz energetskega sistema. Po tej napovedi se programirajo elektrarne, skladno s tem se sprejemajo odločitve o nakupu in prodaji na trgu ter načrtujejo investicije v omrežje. V tej enoti se bomo naučili vrst napovedi obremenitve, kako se vzpostavi in ovrednoti z umetno inteligenco ter inženirskih posledic napake napovedi. Naj pojasnimo izraz: obremenitev je porabljena električna moč (kW/MW) v danem trenutku; Krivulja obremenitve je potek te moči skozi čas.
Obzorje napovedi: kratkoročno, srednjeročno, dolgoročno
Napovedovanje obremenitve služi različnim namenom in zahteva različne metode, odvisno od tega, kako daleč naprej gledate.
Zelo kratkoročno in kratkotrajno (minute do nekaj dni). Uporablja se za izravnavo omrežja, dodelitev enot (kateri obrat bo deloval) in tržne ponudbe. Tu so najmočnejši dejavniki vreme, vrsta dneva (dan v tednu/konec) in nedavna poraba. Natančnost je ključnega pomena, ker napaka povzroča neposredne stroške neuravnoteženosti.
Srednjeročno (od tednov do enega leta). Uporablja se za načrtovanje vzdrževanja, dobavo goriva in sezonske pogodbe. V ospredje prihajajo sezonskost in gospodarski trendi.
Dolgoročno (leta). Uporablja se za investicije v omrežja in elektrarne ter načrtovanje zmogljivosti. Odločilni so strukturni dejavniki, kot so prebivalstvo, gospodarska rast, razširjenost električnih vozil in toplotnih črpalk. Tu je negotovost seveda velika in uporabljen je scenarijski pristop.
Nasvet: Ne izberite modela, ne da bi razjasnili obzorje napovedi. Model, ki napoveduje jutri, in model, ki napoveduje 2035, zahtevata popolnoma različne vložke in različno obvladovanje negotovosti.
Dejavniki, ki določajo obremenitev in inženiring funkcij
Vhodne podatke, ki jih damo modelu strojnega učenja, imenujemo funkcije. Dobro predvidevanje obremenitve se začne z izbiro dobrih lastnosti. Glavni dejavniki, ki določajo obremenitev:
- Koledar: čas, vrsta dneva, vikend, državni praznik, sezona. Obremenitev sledi ritmu človekovega vedenja; Dela hribe zjutraj in zvečer.
- Zrak: Temperatura je najmočnejši dejavnik (obremenitev pri hlajenju in ogrevanju), sledijo ji vlaga, sevanje in veter. Razmerje med temperaturo in polnjenjem je na splošno v obliki črke U: obremenitev se poveča tako v zelo vročih kot v zelo hladnih razmerah.
- Pretekla obremenitev: Poraba pred eno uro, enim dnevom in enim tednom (značilnosti zamika) je najmočnejši znanilec bližnje prihodnosti.
- Posebni dogodki: veliki športni dogodki, dolge počitnice, gospodarski šoki.
Umetna inteligenca je zelo uporabna pri ustvarjanju teh lastnosti in odkrivanju, kateri so učinkoviti. Vendar pazite na past: pripisovanje informacij, ki ne bodo na voljo v času napovedi (na primer dejanska temperatura v času, ki ga je treba napovedati, medtem ko bomo imeli samo vremensko napoved), povzroči uhajanje podatkov in naredi model v bistvu neuporaben.
Korak za korakom: Ocena obremenitve z umetno inteligenco
1. korak — Opredelite težavo. Horizont (jutri ali naslednje leto), resolucija (na uro) in cilj (skupna obremenitev sistema ali posamezen podajalnik) so pojasnjeni.
2. korak — Pripravite podatke. Z disciplino v prejšnji enoti se vzpostavi čista časovna vrsta; Dodani so podatki o vremenu in koledarju.
3. korak — Ustvarite atribute. Ustvarijo se atributi urnika, odložene obremenitve in vremena. Uhajanje je preverjeno: ali je v času predvidevanja na voljo vsaka funkcija?
4. korak — izberite in usposobite model. Enostavno izhodišče (npr. "ob istem času prejšnji teden") je vedno prvi korak; Napredni modeli so vredni le toliko, kolikor presegajo ta temelj. AI je v pomoč pri ustvarjanju kode modela in cevovoda funkcij.
5. korak — Ocenite. Model se testira v časovnem obdobju, ki ga ne vidi (prihodnje obdobje); Nikoli ni ovrednoten v podatkih o usposabljanju. Meritve so razčlenjene po urah in režimih.
6. korak — Poročilo o negotovosti. Podan je obseg (obseg napovedi) in ne ena številka; V skladu s tem pasom je načrtovana redundanca omrežja.
Napaka pri merjenju napovedi: MAPE in več
Za merjenje kakovosti napovedi se uporablja več meritev. MAPE (Mean Absolute Percentage Error) je povprečna odstotna razlika med napovedjo in realnostjo; To je enostavno razlagati. Običajno se 1 do 3 odstotki MAPE štejejo za dobre za kratkoročno napovedovanje obremenitve na ravni sistema; Na ravni posamezne stavbe/napajalnika je ta vrednost seveda višja, ker je posamezni porabnik bolj spremenljiv.
Toda samo MAPE je lahko zavajajoč. Tudi če se povprečje zdi nizko, lahko pride do sistematičnega odstopanja v konicah, omrežje pa je kritično ravno na konici. Zato je treba napako preverjati ločeno na urni osnovi, na dnevni osnovi in predvsem v konicah. Poleg tega je pomembna smer napake: vztrajno podcenjevanje (podcenjevanje povpraševanja) vodi v neustrezen proizvodni načrt in ustvarja neravnovesje.
Pozor: ni dovolj reči "MAPE je 2 odstotka, super." Če je MAPE za največjo uro 6 odstotkov in nenehno podcenjujete večerno konico, je uravnoteženje omrežja s tem modelom ogroženo. Nikoli ne smatrajte povprečne metrike za varno, ne da bi jo razčlenili po režimih.
Trije mini kovčki: po številkah
Primer 1 – Neuspeh pri prehodu osnovne črte. Ena ekipa je izdelala zapleten model in dobila 2,8-odstotni MAPE ter bila navdušena. Nato je preprosta osnova "isti čas prejšnji teden + temperaturni popravek" dala 2,6 odstotka. Kompleksni model ni mogel prestati temeljev; dodatna zapletenost ni imela nobene vrednosti. Nauk: vedno najprej zgradite preproste temelje.
Primer 2 – Mrtvi kot nad glavo. Model enega distribucijskega podjetja je bil dober pri 2,1 odstotka v celotnem MAPE, vendar ga je dosledno pod napovedi za 7 odstotkov med poletnim večernim vrhuncem klimatskih naprav. To je povzročilo nepričakovane padce obremenitve in napetosti v nekaj vročih dneh. Ko smo atributu temperature dodali "število zaporednih vročih dni" (akumulacija toplote stavbe), se je največja napaka zmanjšala na 3 odstotke.
Primer 3 – Zadrževanje puščanja. Model enega stažista se je pri testiranju za nazaj izkazal neverjetno dobro (0,4 odstotka MAPE). Preiskava je pokazala, da je model kot atribut uporabil dejansko temperaturo predvidenega časa; medtem ko bi bila v resnici le vremenska napoved. Ko je bilo puščanje odpravljeno, se je MAPE povečal na realnih 2,5 odstotka. "Zelo dober" rezultat je pogosto znak napake.
Šibek poziv / močan poziv
Šibek poziv:
Zgradite model napovedi s temi podatki o obremenitvi.[podatki]
Močan poziv:
Vaša vloga: strokovnjak za napovedovanje povpraševanja po energiji. Namen: urna napoved obremenitve sistema za dan vnaprej (24 ur vnaprej). - Najprej predlagajte preprosto izhodišče (npr. isti čas prejšnji teden) in se nanj sklicujte. - Izvlecite seznam atributov; Za VSAK atribut, "ali je napoved takoj na voljo?" označiti. Ločite tiste, pri katerih obstaja tveganje uhajanja.- Izvedite oceno LOČENO od obdobja usposabljanja, v poznejšem obdobju.- Poročajte o MAPE na splošno IN ločeno v času konic; Določite smer napake (nizka/visoka). - Naj bo rezultat interval napovedi, ne ena sama številka. Podatkovna shema: [stolpci]
Zmogljiv poziv utrjuje temelje, preprečuje uhajanje, natančno določa vrednotenje in naredi negotovost vidno – odpravlja štiri klasične napake slabega napovedovanja obremenitve.
Štiri kopirane predloge
1) Preverjanje lastnosti in puščanja:
Predlagajte seznam funkcij za naslednji problem napovedovanja: [problem]. Za vsak atribut navedite tri informacije: (a) zakaj vpliva na obremenitev, (b) ali je napoved na voljo takoj, (c) ali obstaja nevarnost uhajanja. S svojega seznama odstranite tiste, ki puščajo.
2) Vzpostavitev osnovnega modela:
Predlagajte vsaj dve preprosti osnovni liniji za to serijo obremenitev (npr. isti čas včeraj, isti čas prejšnji teden, temperaturno popravljeno povprečje). Za vsako napišite utemeljitev. Napredni model bo predlagan le, če smiselno prestane te osnove.
3) Protokol ocenjevanja:
Nastavite načrt ocenjevanja za ta model: ločena obdobja usposabljanja/testiranja v časovnem zaporedju (brez uhajanja iz prihodnosti v preteklost). Izračunajte meritve ločeno glede na splošno, vrsto dneva in uro največje obremenitve. Poročajte o sistematičnem vidiku napake.
4) Negotovost in odločanje:
Predstavite napoved z razponom (zgornji/spodnji pas). Pojasnite, kako bo ta interval povezan z redundanco omrežja in odločitvijo o tržni ponudbi. Odgovorite tudi na vprašanje, kakšen bi bil "najslabši možni scenarij".
Tabela obzorja napovedi
obzorje
Trajanje
Osnovna uporaba
prevladujoči dejavnik
prekratek
Minuta-ura
uravnoteženje, nadzor
nedavna obremenitev
kratek
1-7 dni
Zaveza enote, trg
Vreme, vrsta dneva
srednje
Teden-leto
Vzdrževanje, gorivo, pogodba
sezonskost, gospodarstvo
dolgo
leta
Investicija, zmogljivost
Prebivalstvo, EV, toplotna črpalka
Pogoste napake
- Preskočite preprosto podlago. Kompleksnega modela ni mogoče šteti za dragocenega, ne da bi dokazali, da presega preproste temelje.
- Puščanje podatkov. Pripisovanje informacij, ki v času napovedi ne bodo na voljo, ustvarja lažno popolnost.
- Slepo zaupanje povprečni meritvi. Če se konice in sezonski prehodi ne preučijo ločeno, je omrežje ogroženo.
- Dajanje lihe številke. Napovedovanje brez pasov negotovosti je nepopolno za načrtovanje redundance.
- Ocenjevanje podatkov o usposabljanju. Model je treba vedno testirati v obdobju, kjer ni viden.
Če povzamem
Napovedovanje obremenitev je utrip energetskega sistema; Njegova metoda in negotovost se razlikujeta glede na horizont. Dobra napoved se začne z dobrimi lastnostmi in zahteva natančnost proti uhajanju. Umetna inteligenca je močan pripomoček pri ustvarjanju funkcij, gradnji modelov in vrednotenju; vendar je preprosta osnovna vrednost vedno referenca, ocena je narejena v nevidnem obdobju in napaka se interpretira na podlagi vrha/režima, ne na povprečju. Ocena ni ena sama številka, ampak določen obseg.
Aplikacijska naloga
Vzemite serijo obremenitve ali porabe. Najprej ročno nastavite preprosto osnovno linijo (npr. "ob istem času prejšnji teden"). Nato prosite AI za načrt napovedi s predlogama »Preverjanje atributov in uhajanja« in »Protokol ocenjevanja«. Vprašajte se o tveganju uhajanja vsakega predlaganega atributa. Na koncu preverite, ali se napaka napovedi v konicah razlikuje od povprečne napake in zapišite svojo ugotovitev.
kontrolni seznam
- [ ] Pojasnil sem obzorje napovedi, resolucijo in cilj
- [ ] Zgradil sem preprosto osnovo in se nanjo skliceval
- [ ] Ali je vsak atribut "takoj predviden?" Preveril sem, da ne pušča.
- [ ] Oceno sem opravil v slepem obdobju
- [ ] MAPE sem pregledal ločeno na podlagi splošnega in največjega časa
- [ ] Preveril sem sistematično smer napake (nizka/visoka)
- [ ] Oceno sem predstavil z vrsto negotovosti in presoje