Vinster:
- Förmåga att förklara skillnaderna i kort, medellång och lång sikt lastprognoser och deras användningsområden i energisystemet
- Förmåga att utföra funktionsteknik, modellval och prediktionsutvärdering med artificiell intelligens
- Förmåga att mäta prognosfel med mätvärden som MAPE och relatera det till teknisk rimlighet och behovet av redundans
Ellagring är en dyr och begränsad vara; Därför måste ett nät veta i förväg hur mycket elkonsumenter vill ha och när. Lastprognos är uppgiften att förutsäga framtida elbehov och är en av de mest grundläggande analyserna av energisystemet. Kraftverk är programmerade enligt denna prognos, köp- och säljbeslut på marknaden fattas därefter, och nätinvesteringar planeras därefter. I denna enhet kommer vi att lära oss typerna av lastprognoser, hur den etableras och utvärderas med artificiell intelligens och de tekniska konsekvenserna av prognosfel. Låt oss förtydliga termen: last är den elektriska effekt (kW/MW) som förbrukas vid ett givet ögonblick; Belastningskurvan är förloppet för denna effekt över tiden.
Prognoshorisonter: kort, medellång, lång sikt
Lastprognos tjänar olika syften och kräver olika metoder beroende på hur långt fram man tittar.
Mycket kort och kort sikt (minuter till några dagar). Den används för nätbalansering, enhetsåtagande (vilken anläggning kommer att fungera) och marknadsbud. Här är väder, dagstyp (vardag/slut) och senaste konsumtion de starkaste bestämningsfaktorerna. Noggrannhet är avgörande eftersom fel medför direkta obalanskostnader.
Medellång sikt (veckor till ett år). Den används för underhållsplanering, bränsleförsörjning och säsongskontrakt. Säsongsvariationer och ekonomiska trender kommer i förgrunden.
Långsiktigt (år). Den används för nät- och kraftverksinvesteringar och kapacitetsplanering. Strukturella faktorer som befolkning, ekonomisk tillväxt, elfordon och värmepumpsprevalens är avgörande. Här är osäkerheten naturligtvis stor och scenarioansatsen används.
Tips: Välj inte en modell utan att förtydliga prognoshorisonten. En modell som förutsäger morgondagen och en modell som förutsäger 2035 kräver helt olika insatser och olika osäkerhetshantering.
Faktorer som bestämmer belastning och funktionsteknik
De input vi ger till en maskininlärningsmodell kallas funktioner. Bra belastningsförutsägelse börjar med att välja bra funktioner. De viktigaste faktorerna som bestämmer belastningen:
- Kalender: Tid, dagtyp, helg, helgdag, säsong. Lasten följer rytmen av mänskligt beteende; Gör kullar på morgonen och kvällen.
- Luft: Temperaturen är den starkaste faktorn (kylnings- och värmebelastning), följt av luftfuktighet, strålning och vind. Temperatur-laddningsförhållandet är i allmänhet U-format: belastningen ökar både i mycket varma och mycket kalla förhållanden.
- Tidigare belastning: Konsumtionen för en timme, en dag och en vecka sedan (fördröjningsfunktioner) är den närmaste framtidens starkaste förebud.
- Särskilda evenemang: Stora sportevenemang, långa semestrar, ekonomiska chocker.
Artificiell intelligens är mycket användbar för att generera dessa attribut och upptäcka vilka som är effektiva. Men se upp för en fälla: att tillskriva information som inte kommer att vara tillgänglig vid tidpunkten för förutsägelsen (till exempel den faktiska temperaturen för den tid som ska förutsägas, medan vi bara kommer att ha väderprognosen) skapar dataläckage och gör modellen i princip värdelös.
Steg för steg: Ladda uppskattning med artificiell intelligens
Steg 1 — Definiera problemet. Horisonten (i morgon eller nästa år), upplösning (timme) och mål (total systembelastning eller enstaka matare) förtydligas.
Steg 2 — Förbered data. En ren tidsserie upprättas med disciplinen i föregående enhet; Väder- och kalenderdata läggs till.
Steg 3 — Generera attribut. Schema, fördröjd belastning och väderattribut skapas. Läckage kontrolleras: är alla funktioner tillgängliga vid tidpunkten för prognosen?
Steg 4 — Välj och träna modell. En enkel baslinje (t.ex. "samma tid förra veckan") är alltid det första steget; Avancerade modeller är värdefulla endast i den mån de överträffar denna grund. AI är till hjälp för att generera modellkoden och funktionspipeline.
Steg 5 — Utvärdera. Modellen testas under en tidsperiod som den inte ser (en framtida period); Det utvärderas aldrig i träningsdata. Mätvärden är uppdelade efter timmar och regim.
Steg 6 — Rapportera osäkerhet. Ett intervall (prediktionsband) ges, inte ett enda tal; Nätverksredundans planeras enligt detta band.
Mätprognosfel: MAPE and Beyond
Flera mätvärden används för att mäta prognoskvalitet. MAPE (Mean Absolute Percentage Error) är den genomsnittliga procentuella skillnaden mellan förutsägelse och verklighet; Det är lätt att tolka. Vanligtvis anses 1 till 3 procent MAPE vara bra för kortsiktig belastningsprognoser på systemnivå; På enstaka byggnads-/matarnivå är detta värde naturligtvis högre eftersom den enskilda konsumenten är mer variabel.
Men MAPE ensam kan vara vilseledande. Även om snittet verkar lågt kan det förekomma systematiska avvikelser under rusningstid, och nätet är kritiskt precis på topp. Därför är det nödvändigt att undersöka felet separat på timbasis, dagtypbasis och speciellt vid toppögonblick. Dessutom är riktningen för felet viktig: ihållande underskattning (underskattning av efterfrågan) leder till ett otillräckligt produktionsschema och skapar obalans.
Varning: Det räcker inte att säga "MAPE är 2 procent, bra." Om topptimmen MAPE är 6 procent och du konsekvent underskattar kvällstoppen, äventyras nätbalanseringen med den modellen. Betrakta aldrig det genomsnittliga måttet säkert utan att dela upp det efter regim.
Tre minifodral: Efter siffrorna
Fall 1 — Misslyckande med att klara baslinjen. Ett team byggde en komplex modell och fick en MAPE på 2,8 procent och var mycket nöjda. Då gav den enkla "samma tid förra veckan + temperaturkorrigering" 2,6 procent. Den komplexa modellen kunde inte passera grunden; det fanns inget värde i ytterligare komplexitet. Lektion: bygg alltid den enkla grunden först.
Fall 2 — Döda vinkeln ovanför. Ett distributionsbolags modell var bra på 2,1 procent i den totala MAPE men underspådde den konsekvent med 7 procent under sommarkvällens luftkonditioneringstopp. Detta skapade oväntade belastnings- och spänningsfall under några varma dagar. När "antal på varandra följande varma dagar" (byggnadsvärmeackumulering) lades till temperaturattributet minskade toppfelet till 3 procent.
Fall 3 — Inneslutning av läcka. En praktikant modell gjorde otroligt bra (0,4 procent MAPE) i backtesting. Undersökningen visade att modellen använde den faktiska temperaturen för den förutsagda tiden som ett attribut; medan det i verkligheten bara skulle vara en väderprognos. När läckan väl var åtgärdad ökade MAPE till realistiska 2,5 procent. Ett "mycket bra" resultat är ofta ett tecken på fel.
Svag prompt / Stark prompt
Svag uppmaning:
Bygg en förutsägelsemodell med denna laddningsdata.[data]
Kraftfull uppmaning:
Din roll: Expert på energiefterfrågan. Syfte: dag före (24 timmar framåt) prognos för systembelastning per timme.- Föreslå först en enkel baslinje (t.ex. samma tid förra veckan) och referera till den.- Extrahera en lista med attribut; För VARJE attribut, "är förutsägelsen tillgänglig omedelbart?" märke. Separera de som löper risk för läckage.- Genomför bedömning SEPARAT från utbildningsperioden, vid en senare period.- Rapportera MAPE i allmänhet OCH separat under rusningstid; Ange riktningen för felet (låg/hög). - Låt resultatet vara ett prediktionsintervall, inte ett enda tal. Dataschema: [kolumner]
Den kraftfulla uppmaningen framtvingar grunden, förhindrar läckage, fastställer utvärderingen exakt och gör osäkerhet synlig – skär bort de fyra klassiska misstagen med dålig lastprognoser.
Fyra kopieringsbara mallar
1) Attribut- och läckagekontroll:
Föreslå en lista med funktioner för följande prediktionsproblem: [problem]. För varje attribut, tillhandahåll tre delar av information: (a) varför påverkar det belastningen, (b) är förutsägelsen tillgänglig omedelbart, (c) finns det en risk för läckage. Ta bort läckande från din lista.
2) Etablera en grundmodell:
Föreslå minst två enkla baslinjer för denna lastserie (t.ex. samma tid igår, samma tid förra veckan, temperaturkorrigerat medelvärde). Skriv motiveringen för varje. En avancerad modell kommer endast att föreslås om den klarar dessa grunder på ett meningsfullt sätt.
3) Utvärderingsprotokoll:
Sätt upp en utvärderingsplan för denna modell: separata tränings-/testperioder i tidsordning (inget läckage från framtid till tidigare). Beräkna mätvärden separat efter allmän, dagtyp och rusningstid. Rapportera den systematiska aspekten av felet.
4) Osäkerhet och beslutsfattande:
Presentera prognosen med ett intervall (övre/undre band). Förklara hur detta intervall kommer att vara knutet till nätredundans och marknadsbudsbeslut. Svara också på frågan om vad "värsta scenariot" skulle vara.
Prognos Horisonttabell
horisont
Varaktighet
Grundläggande användning
dominerande faktor
för kort
Minut-timme
balansering, kontroll
senaste laddning
kort
1-7 dagar
Enhetsengagemang, marknad
Väder, typ av dag
medium
Vecka-år
Underhåll, bränsle, kontrakt
säsongsvariationer, ekonomi
lång
år
Investering, kapacitet
Befolkning, EV, värmepump
Vanliga misstag
- Hoppa över den enkla grunden. En komplex modell kan inte anses värdefull utan att bevisa att den överträffar den enkla grunden.
- Dataläcka. Att tillskriva information som inte kommer att vara tillgänglig vid tidpunkten för förutsägelse producerar falsk perfektion.
- Litar blint på det genomsnittliga måttet. Om högtrafik och säsongsövergångar inte undersöks separat är nätet i riskzonen.
- Ge ett udda tal. Prognoser utan osäkerhetsband är ofullständiga för redundansplanering.
- Utvärdera på träningsdata. Modellen ska alltid testas under en period då den inte syns.
Sammanfattningsvis
Lastprognos är energisystemets puls; Dess metod och osäkerhet varierar beroende på horisonten. Bra förutsägelse börjar med bra egenskaper och kräver noggrannhet mot läckage. Artificiell intelligens är ett kraftfullt hjälpmedel vid framställning av funktioner, modellbygge och utvärdering; men den enkla baslinjen är alltid referensen, utvärderingen görs under den osynliga perioden och felet tolkas på basis av topp/regim, inte på genomsnittet. Uppskattningen är inte ett enda tal utan ett bestämt intervall.
Applikationsuppgift
Ta en last eller förbrukningsserie. Ställ först in en enkel baslinje manuellt (t.ex. "samma tid förra veckan"). Be sedan AI om en förutsägelsesplan med mallarna "Attribut- och läckagekontroll" och "Utvärderingsprotokoll". Fråga dig själv om läckagerisken för varje föreslagit attribut. Kontrollera slutligen om felet i prognosen under högtrafik skiljer sig från det genomsnittliga felet och skriv ner ditt fynd.
checklista
- [ ] Jag förtydligade prognoshorisont, upplösning och mål
- [ ] Jag byggde en enkel grund och refererade till den
- [ ] Är varje attribut "förutspådd direkt?" Jag kollade efter läckor.
- [ ] Jag gjorde utvärderingen i en blind period
- [ ] Jag undersökte MAPE separat på basis av allmän och högtrafik
- [ ] Jag kontrollerade den systematiska riktningen för felet (låg/hög)
- [ ] Jag presenterade uppskattningen med en rad osäkerheter och omdöme