Добици:
- Способност да се објасне разлике у краткорочном, средњорочном и дугорочном предвиђању оптерећења и области њихове употребе у енергетском систему
- Способност спровођења инжењеринга карактеристика, одабира модела и процене предвиђања са вештачком интелигенцијом
- Способност мерења грешке предвиђања помоћу метрика као што је МАПЕ и повезивање са инжењерском разумношћу и потребом за редундантношћу
Складиштење електричне енергије је скупа и ограничена роба; Дакле, мрежа мора унапред знати колико ће потрошачи електричне енергије желети и када. Предвиђање оптерећења је задатак предвиђања будуће потражње електричне енергије и једна је од најосновнијих анализа енергетског система. Електране се програмирају према овој прогнози, сходно томе се доносе одлуке о куповини и продаји на тржишту и сходно томе планирају улагања у мрежу. У овој јединици ћемо научити врсте предвиђања оптерећења, како се оно успоставља и процењује помоћу вештачке интелигенције и инжењерске последице грешке у прогнози. Појаснимо појам: оптерећење је електрична снага (кВ/МВ) утрошена у датом тренутку; Крива оптерећења је ток ове снаге током времена.
Хоризонти прогнозе: краткорочни, средњи, дугорочни
Предвиђање оптерећења има различите сврхе и захтева различите методе у зависности од тога колико далеко гледате унапред.
Веома кратко и кратко (од минута до неколико дана). Користи се за балансирање мреже, обавезу јединица (које ће постројење радити) и тржишне понуде. Овде су време, тип дана (радни дан/крај) и недавна потрошња најјаче одреднице. Тачност је критична јер грешка изазива директне трошкове неравнотеже.
Средњорочно (недеље до годину дана). Користи се за планирање одржавања, снабдевање горивом и сезонске уговоре. До изражаја долазе сезоналност и економски трендови.
Дугорочни (године). Користи се за улагања у мрежу и електране и планирање капацитета. Одлучујући су структурни фактори као што су становништво, економски раст, распрострањеност електричних возила и топлотних пумпи. Овде је неизвесност природно велика и користи се сценаријски приступ.
Савет: Не бирајте модел без разјашњења хоризонта прогнозе. Модел који предвиђа сутра и модел који предвиђа 2035. захтевају потпуно различите инпуте и другачије управљање несигурношћу.
Фактори који одређују оптерећење и инжењеринг карактеристика
Уноси које дајемо моделу машинског учења називају се карактеристике. Добро предвиђање оптерећења почиње одабиром добрих карактеристика. Главни фактори који одређују оптерећење:
- Календар: Време, тип дана, викенд, државни празник, годишње доба. Оптерећење прати ритам људског понашања; Ујутру и увече прави брда.
- Ваздух: Температура је најјачи фактор (оптерећење хлађења и грејања), а следе влажност, радијација и ветар. Однос температуре и набоја је генерално у облику слова У: оптерећење се повећава иу веома топлим и веома хладним условима.
- Прошло оптерећење: Потрошња пре једног сата, једног дана и једне недеље (кашњење) је најјачи предзнак блиске будућности.
- Посебни догађаји: Велики спортски догађаји, дуги празници, економски шокови.
Вештачка интелигенција је веома корисна у генерисању ових атрибута и откривању који су ефикасни. Али чувајте се замке: приписивање информација које неће бити доступне у време предвиђања (на пример, стварна температура у време које треба предвидети, док ћемо имати само временску прогнозу) ствара цурење података и чини модел у суштини бескорисним.
Корак по корак: Процена оптерећења помоћу вештачке интелигенције
Корак 1 — Дефинишите проблем. Појашњени су хоризонт (сутра или следеће године), резолуција (по сату) и циљ (укупно оптерећење система или један фидер).
Корак 2 — Припремите податке. Успоставља се чист временски низ са дисциплином у претходној јединици; Додају се подаци о времену и календару.
Корак 3 — Генеришите атрибуте. Креирају се атрибути распореда, одложеног оптерећења и времена. Проверава се цурење: да ли је свака карактеристика доступна у време предвиђања?
Корак 4 — Изаберите и обучите модел. Једноставна основна линија (нпр. „у исто време прошле недеље“) је увек први корак; Напредни модели су вредни само у мери у којој превазилазе ову основу. АИ је од помоћи у генерисању кода модела и цевовода карактеристика.
Корак 5 — Процена. Модел се тестира током временског периода који не види (будући период); Никада се не вреднује у подацима о обуци. метрике су рашчлањене по сату и режиму.
Корак 6 — Пријавите несигурност. Дат је опсег (опсег предвиђања), а не један број; Редунданција мреже је планирана према овом опсегу.
Мерење грешке прогнозе: МАПЕ и даље
Неколико метрика се користи за мерење квалитета прогнозе. МАПЕ (Меан Абсолуте Перцентаге Еррор) је просечна процентуална разлика између предвиђања и стварности; Лако је протумачити. Обично се 1 до 3 процента МАПЕ сматра добрим за краткорочно предвиђање оптерећења на нивоу система; На нивоу једне зграде/напојнице ова вредност је природно виша јер је појединачни потрошач променљивији.
Али само МАПЕ може да доведе у заблуду. Чак и ако се просек чини низак, може доћи до систематског одступања током вршних сати, а мрежа је критична управо на врхунцу. Због тога је неопходно испитати грешку одвојено на бази сата, дневног типа и посебно у тренуцима највећег оптерећења. Поред тога, важан је и правац грешке: упорно потцењивање (потцењивање потражње) доводи до неадекватног распореда производње и ствара неравнотежу.
Опрез: Није довољно рећи „МАПЕ је 2 процента, одлично“. Ако МАПЕ максималног сата износи 6 процената и стално потцењујете вечерњи врхунац, балансирање мреже са тим моделом је угрожено. Никада не сматрајте просечну метрику безбедном, а да је не разбијете по режиму.
Три мини случаја: према бројевима
Случај 1 — Неуспех у проласку основне линије. Један тим је направио сложен модел и добио МАПЕ од 2,8 одсто и био је одушевљен. Тада је једноставна основа „у исто време прошле недеље + корекција температуре“ дала 2,6 одсто. Сложени модел није могао да прође темељ; није било вредности у додатној сложености. Поука: увек прво изградите једноставну основу.
Случај 2 — Слепа тачка изнад главе. Модел једне дистрибуцијске компаније био је добар са 2,1 посто у укупном МАПЕ-у, али га је константно подбацио за 7 посто током љетног вечерњег врхунца климатизације. Ово је створило неочекивано оптерећење и пад напона у неколико врућих дана. Када се атрибуту температуре дода „број узастопних топлих дана“ (акумулација топлоте у згради), вршна грешка се смањила на 3 процента.
Случај 3 — Спречавање цурења. Модел једног приправника је прошао невероватно добро (0,4 одсто МАПЕ) у тестирању уназад. Истраживање је показало да је модел користио стварну температуру предвиђеног времена као атрибут; док би у стварности то била само временска прогноза. Када је цурење поправљено, МАПЕ се повећао на реалних 2,5 одсто. „Веома добар“ резултат је често знак грешке.
Слаба порука / јака промпт
Слабо обавештење:
Направите модел предвиђања са овим подацима о учитавању.[подаци]
Снажан упит:
Ваша улога: Стручњак за предвиђање потрошње енергије. Сврха: прогноза оптерећења система за дан унапред (24 сата унапред).- Прво предложите једноставну основну линију (нпр. у исто време прошле недеље) и референцирајте је.- Извуците листу атрибута; За СВАКИ атрибут „да ли је предвиђање тренутно доступно?“ марк. Одвојите оне који су у опасности од цурења.- Спроведите процену ОДВОЈЕНО од периода обуке, у каснијем периоду.- Извештај МАПЕ уопште И одвојено током вршних сати; Наведите правац грешке (ниско/високо). - Нека резултат буде интервал предвиђања, а не један број. Шема података: [колоне]
Моћни промпт ојачава основу, спречава цурење, прецизно утврђује процену и чини несигурност видљивом — уклањајући четири класичне грешке лошег предвиђања оптерећења.
Четири шаблона за копирање
1) Провера атрибута и цурења:
Предложите листу карактеристика за следећи проблем предвиђања: [проблем]. За сваки атрибут наведите три информације: (а) зашто утиче на оптерећење, (б) да ли је предвиђање доступно одмах, (ц) да ли постоји ризик од цурења. Уклоните оне који пропуштају са своје листе.
2) Успостављање основног модела:
Предложите најмање две једноставне основне линије за ову серију оптерећења (нпр. у исто време јуче, у исто време прошле недеље, температурно исправљен просек). Напишите образложење за сваки. Напредни модел ће бити предложен само ако прође ове основе смислено.
3) Протокол евалуације:
Поставите план евалуације за овај модел: одвојени периоди обуке/тестирања у временском редоследу (без цурења из будућности у прошлост). Израчунајте метрику одвојено на основу општег типа, типа дана и вршног сата. Пријавите систематски аспект грешке.
4) Неизвесност и доношење одлука:
Представите прогнозу са опсегом (горњи/доњи опсег). Објасните како ће овај интервал бити везан за редундантност мреже и одлуку о тржишним понудама. Одговорите и на питање шта би био „најгори сценарио“.
Табела Хоризонта прогнозе
хоризонт
Трајање
Основна употреба
доминантан фактор
прекратко
Минут-сат
балансирање, контрола
недавно оптерећење
кратко
1-7 дана
Посвећеност јединице, тржиште
Време, врста дана
средње
Недеља-година
Одржавање, гориво, уговор
сезоналност, економичност
дуго
године
Инвестиција, капацитет
Становништво, ЕВ, топлотна пумпа
Уобичајене грешке
- Прескакање једноставне основе. Сложени модел се не може сматрати вредним без доказа да превазилази једноставну основу.
- Цурење података. Приписивање информација које неће бити доступне у време предвиђања производи лажно савршенство.
- Слепо верујући просечној метрици. Ако се вршни сати и сезонски прелази не испитају одвојено, мрежа је у опасности.
- Давање непарног броја. Предвиђање без опсега несигурности је непотпуно за планирање редундансе.
- Евалуација на основу података о обуци. Модел увек треба тестирати у периоду када није видљив.
Укратко
Предвиђање оптерећења је пулс енергетског система; Његов метод и несигурност варирају у зависности од хоризонта. Добро предвиђање почиње добрим атрибутима и захтева пажљивост против цурења. Вештачка интелигенција је моћна помоћ у генерисању карактеристика, изградњи модела и евалуацији; али једноставна полазна линија је увек референца, процена се врши у невидљивом периоду и грешка се тумачи на бази врхунца/режима, а не у просеку. Процена није један број већ одређени распон.
Задатак апликације
Узмите серију оптерећења или потрошње. Прво ручно поставите једноставну основну линију (нпр. „у исто време прошле недеље“). Затим затражите од АИ план предвиђања са шаблонима „Провера атрибута и цурења“ и „Протокол за процену“. Запитајте се о ризику од цурења сваког предложеног атрибута. На крају, проверите да ли се грешка прогнозе у вршним сатима разликује од просечне грешке и запишите свој налаз.
контролна листа
- [ ] Појаснио сам хоризонт прогнозе, резолуцију и циљ
- [ ] Направио сам једноставну основу и навео је
- [ ] Да ли се сваки атрибут „предвиђа одмах?“ Проверио сам да ли цури.
- [ ] Процену сам направио у слепом периоду
- [ ] Испитивао сам МАПЕ одвојено на основу општег и вршног времена
- [ ] Проверио сам систематски правац грешке (ниско/високо)
- [ ] Представио сам процену са низом несигурности и просуђивања