กำไร:
- ความสามารถในการรับรู้โครงสร้าง หน่วย และปัญหาคุณภาพโดยทั่วไปของ SCADA มิเตอร์อัจฉริยะ และข้อมูลตลาด
- ความสามารถในการตรวจจับข้อมูลที่ขาดหายไป ปัญหาค่าผิดปกติและการประทับเวลาด้วยปัญญาประดิษฐ์ และสร้างขั้นตอนการทำความสะอาด
- ความสามารถในการตรวจสอบกับดัก เช่น ความละเอียด โซนเวลา และเวลาออมแสงในอนุกรมเวลาพลังงานในเอาต์พุต AI
การวิเคราะห์พลังงานเกือบทั้งหมดเริ่มต้นด้วยอนุกรมเวลา: การวัดที่จัดเรียงตามแกนเวลา การใช้มิเตอร์ 15 นาที ความเร็วในการหมุนรอบที่สองของกังหัน กระแสรายชั่วโมงของเครื่องป้อน (สายจ่าย) ทั้งหมดนี้ล้วนเป็นอนุกรมเวลา ในหน่วยนี้ เราจะเรียนรู้ว่าข้อมูลพลังงานมาจากไหน มีข้อผิดพลาดอะไร และวิธีการใช้ปัญญาประดิษฐ์เพื่อทำให้ข้อมูลนี้เชื่อถือได้ มาสร้างหลักการนี้ตั้งแต่ต้น: แม้แต่การวิเคราะห์ที่ชาญฉลาดที่สุดด้วยข้อมูลที่สกปรกก็ยังให้ผลลัพธ์ที่สกปรก ในด้านวิศวกรรมพลังงาน เวลาส่วนใหญ่ไม่ได้ถูกใช้ไปกับแบบจำลอง แต่ในการทำให้ข้อมูลมีความน่าเชื่อถือ และปัญญาประดิษฐ์มีส่วนสนับสนุนที่ปลอดภัยที่สุดในส่วนนี้
แหล่งที่มาและโครงสร้างของข้อมูลพลังงาน
ข้อมูลพลังงานมาจากหลายแหล่งเป็นหลัก SCADA (ระบบการควบคุมดูแลและการเก็บข้อมูล) รวบรวมการวัดทันทีจากสวิตช์บอร์ดและอุปกรณ์กริด โดยปกติจะมีหน่วยเป็นวินาทีหรือนาที และรวมถึงปริมาณต่างๆ เช่น แรงดันไฟฟ้า กระแสไฟฟ้า กำลัง และอุณหภูมิ โดยทั่วไปข้อมูลมิเตอร์อัจฉริยะจะวัดปริมาณการใช้ในช่วงเวลา 15 นาที และเป็นพื้นฐานสำหรับการวิเคราะห์การเรียกเก็บเงินและความต้องการ ข้อมูลอุตุนิยมวิทยา (อุณหภูมิ การแผ่รังสี ความเร็วลม) เป็นข้อมูลนำเข้าของการพยากรณ์การผลิตและอุปสงค์ ข้อมูลตลาด (ราคารายชั่วโมง) เป็นข้อมูลสำคัญของการวิเคราะห์ทางเศรษฐกิจ
คุณลักษณะทั่วไปของข้อมูลเหล่านี้คือการประทับเวลา (แท็กวันที่-เวลาที่แต่ละการวัดอยู่) และค่าการวัดหนึ่งค่าขึ้นไป นี่คือจุดที่สำคัญที่สุด: หากไม่เข้าใจการประทับเวลาอย่างถูกต้อง ทุกอย่างจะพังทลาย
ความละเอียด โซนเวลา และกับดักเวลาออมแสง
ข้อผิดพลาดส่วนใหญ่ในข้อมูลพลังงานที่น่าประหลาดใจส่วนใหญ่มาจากแกนเวลา เรามาเน้นกับดักสามอย่างโดยเฉพาะ
ความสับสนในการแก้ปัญหา มิเตอร์รายงานพลังงาน 15 นาที (kWh) หรือพลังงานทันที (kW) หรือไม่ การเพิ่มเข้าไปจะให้ผลลัพธ์ที่แตกต่างกัน: ค่าเฉลี่ยของค่ากิโลวัตต์สี่ค่าเป็นเวลา 15 นาทีคือกำลัง ในขณะที่ผลรวมของค่าทั้งสี่ไม่สอดคล้องกับพลังงานรายชั่วโมง (ต้องใช้ผลรวมของพลังงานรายไตรมาส) ไม่สามารถสรุปผลได้หากไม่เข้าใจหน่วยและความละเอียดร่วมกัน
เขตเวลา ข้อมูลถูกเก็บไว้ตามเวลาท้องถิ่น (TRT/UTC+3 สำหรับตุรกี) หรือเวลาสากล (UTC) หรือไม่ สองซีรีส์ที่มาจากระบบที่แตกต่างกันอาจอยู่ในโซนเวลาที่แตกต่างกัน กะสามชั่วโมงเมื่อรวมเข้าด้วยกันจะรบกวนการวิเคราะห์ชั่วโมงเร่งด่วนทั้งหมด
เวลาออมแสง (DST) ในประเทศที่เปลี่ยนมาใช้เวลาออมแสง ชั่วโมง "หายไป" ปีละครั้ง และ "ซ้ำ" ปีละครั้ง ซึ่งจะสร้างวัน 23 หรือ 25 ชั่วโมงในวันเหล่านั้นและทำลายโปรไฟล์รายชั่วโมง เนื่องจากTürkiye ได้ใช้การปรับเวลาออมแสงแบบถาวร (UTC+3) ตั้งแต่ปี 2016 ปัญหานี้จึงไม่ปรากฏในข้อมูลท้องถิ่น แต่คุณยังคงพบปัญหานี้เมื่อทำงานกับข้อมูลต่างประเทศหรือข้อมูลเก่า
หมายเหตุ: ป้ายกำกับของการประทับเวลาเป็น "จุดเริ่มต้นของช่วง" หรือ "สิ้นสุดช่วง" บันทึกที่มีป้ายกำกับ 14:00 น. หมายถึง 14:00-14:15 น. หรือ 13:45-14:00 น. หรือไม่ การตัดสินใจเพียงครั้งเดียวนี้สามารถเปลี่ยนนาฬิกาสูงสุดได้หนึ่งส่วน ทำให้กฎนี้ชัดเจนตั้งแต่ต้นสำหรับชุดข้อมูลแต่ละชุด
ทีละขั้นตอน: ขั้นตอนการเตรียมข้อมูลด้วยปัญญาประดิษฐ์
ขั้นตอนที่ 1 – การค้นพบ รู้ข้อมูล: กี่แถว, ช่วงไหน, ความละเอียดเท่าไหร่, หน่วยไหน? การให้ AI สองสามร้อยแถวแรกและการสรุปโครงสร้างอย่างรวดเร็วเผยให้เห็นความหมายของคอลัมน์และหน่วยที่เป็นไปได้ แต่การประมาณหน่วยของ AI เป็นเพียงสมมติฐาน ได้รับการยืนยันจากเอกสารต้นฉบับ
ขั้นตอนที่ 2 — สร้างไทม์ไลน์ให้เป็นมาตรฐาน สแนปไปยังโซนเวลาเดียว แก้ไขการแก้ไข ระบุกฎแท็ก (เริ่มต้น/สิ้นสุด) AI สามารถสร้างโค้ดที่ตรวจจับช่วงเวลาที่ไม่ปกติและการประทับเวลาที่หายไป
ขั้นตอนที่ 3 — บันทึกที่ไม่สมบูรณ์และซ้ำกัน การสื่อสารขัดข้องสร้างความว่างเปล่าและบันทึกซ้ำอีกครั้ง AI สร้างชุดกฎที่ทำเครื่องหมายช่องว่างและความซ้ำซ้อน สามารถเติมช่องว่างระยะสั้น (เช่น 15 นาทีเดียว) ได้ด้วยวิธีการที่เหมาะสม โดยช่องว่างยาวจะไม่รวมอยู่ในการวิเคราะห์และรายงาน
ขั้นตอนที่ 4 — ค่าผิดปกติ ปริมาณการใช้ติดลบ (ไม่มีการผลิต), กำลังเกินขีดจำกัดบนทางกายภาพ, การกระโดดกะทันหัน AI เสนอการตรวจจับค่าผิดปกติทางสถิติและตามกฎ แต่ค่าผิดปกติก็ไม่ใช่ข้อผิดพลาดเสมอไป แต่ก็อาจเป็นเหตุการณ์จริงได้เช่นกัน (เช่น โรงงานที่ออนไลน์) วิศวกรสร้างความแตกต่างนี้
ขั้นตอนที่ 5 — การยืนยัน ข้อมูลที่ทำความสะอาดแล้วได้รับการทดสอบด้วยพุกทางกายภาพ: พระอาทิตย์ขึ้น/ตกจะต้องรีเซ็ตการสร้างพลังงานแสงอาทิตย์ โหลดตอนกลางคืนจะต้องต่ำกว่ากลางวัน พลังงานทั้งหมดจะต้องสอดคล้องกับใบเรียกเก็บเงิน
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 — สลิปหนึ่งชั่วโมง ข้อมูลการผลิตพลังงานแสงอาทิตย์ของนักวิเคราะห์รายหนึ่งแสดงให้เห็นว่าช่วงบ่ายจะมีจุดสูงสุดในเวลา 14.00 น. แทนที่จะเป็น 13.00 น. ปัญหาไม่ได้อยู่ที่แผงควบคุม ข้อมูลเป็นแบบ UTC แต่คิดว่าเป็นเวลาท้องถิ่น เมื่อสังเกตเห็นกะการทำงานสามชั่วโมง (ลักษณะของการผลิตก่อนพระอาทิตย์ขึ้นทำให้สมอเรือหายไป) การวิเคราะห์ทั้งหมดก็ดีขึ้น การตัดสินใจลงทุนถูกป้องกันโดยการตีความที่ผิด
กรณีที่ 2 — การบันทึกซ้ำ ในข้อมูลรายชั่วโมง 30 วันของตัวป้อนการกระจายตัวหนึ่ง ปริมาณการใช้ทั้งหมดสูงกว่าที่คาดไว้ประมาณ 4 เปอร์เซ็นต์ การตรวจจับการเล่นซ้ำโดยใช้ความช่วยเหลือจาก AI แสดงให้เห็นว่าบางชั่วโมงถูกบันทึกสองครั้งในการเชื่อมต่อการสื่อสารใหม่ หลังจากเคลียร์บันทึกซ้ำ 68 รายการแล้ว ยอดรวมก็ตรงกับบิล
กรณีที่ 3 — ศูนย์เท็จ หนึ่งเมตรรายงานปริมาณการใช้เป็น "0" ในระหว่างที่การสื่อสารขาดหาย อย่างไรก็ตามการบริโภคยังคงดำเนินต่อไป ค่าศูนย์เท็จเหล่านี้ทำให้ค่าเฉลี่ยลดลงและทำให้การคาดการณ์อุปสงค์ผิดพลาด AI แนะนำกฎ "ตรวจสอบ 0 ค่าพร้อมกับแฟล็กการแสดงตน"; ศูนย์เท็จถูกทำเครื่องหมายว่าเป็นข้อมูลที่ขาดหายไป และแยกออกจากศูนย์จริง (เช่น สถานที่ทำงานปิด)
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ล้างข้อมูลตัวนับนี้ [ข้อมูล]
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์ข้อมูลพลังงาน ข้อมูลมิเตอร์ต่อไปนี้ใช้สำหรับช่วงเวลา 15 นาที เวลาท้องถิ่น (UTC+3) การประทับเวลาระบุการเริ่มต้นของช่วงเวลา หน่วย kWh งาน:1) แสดงรายการการประทับเวลาที่ขาดหายไปและบันทึกที่ซ้ำกัน (ตัวเลขและเวลา)2) ทำเครื่องหมายค่าลบและค่าที่เกินขีดจำกัดสูงสุดทางกายภาพแยกกัน (กำลังสัญญา 25 kW) อย่าลบแค่ทำเครื่องหมาย 3) เสนอเช็คเพื่อแยกแยะศูนย์ปลอมจากศูนย์จริงที่สงสัยว่าสื่อสารผิด อย่ากรอกค่าใด ๆ ด้วยตนเอง ระบุก่อนแล้วผมจะยืนยันการเติม
พร้อมท์ที่มีประสิทธิภาพให้ความละเอียด โซนเวลา กฎแท็ก และขีดจำกัดบนตั้งแต่เริ่มต้น มันกำหนดวินัย "การตรวจจับก่อนถามทีหลัง" ใน AI วิธีนี้ข้อมูลจะไม่เสียหายอย่างเงียบๆ
เทมเพลตที่คัดลอกได้สี่แบบ
1) การทำโปรไฟล์ข้อมูล:
สร้างโปรไฟล์ของข้อมูลต่อไปนี้: จำนวนแถว ช่วงวันที่ ความละเอียด หน่วยโดยประมาณและความหมายของแต่ละคอลัมน์ อัตราที่ขาดหายไป ค่าต่ำสุด/สูงสุด/เฉลี่ย ทำเครื่องหมายการประมาณหน่วยด้วยแท็ก "จำเป็นต้องตรวจสอบ"
2) การควบคุมแกนเวลา:
ในอนุกรมเวลานี้ ให้ตรวจจับ: (ก) ช่องว่างที่อยู่นอกช่วงที่คาดไว้ (ข) การประทับเวลาซ้ำ (ค) การเปลี่ยนแปลงที่เป็นไปได้เนื่องจากเวลา/เขตเวลาออมแสง แสดงรายการการค้นพบแต่ละครั้งพร้อมช่วงเวลา เขียนข้อเสนอแนะการแก้ไขของคุณแยกกัน แอปพลิเคชัน.
3) กฎค่าผิดปกติ:
ทำเครื่องหมายค่าผิดปกติโดยใช้ขีดจำกัดทางกายภาพเหล่านี้: กำลัง 0-[X] kW อุณหภูมิ [A]-[B] °C นอกจากนี้ ให้จัดทำรายการค่าผิดปกติทางสถิติแยกต่างหาก (เช่น การเบี่ยงเบนไปจากค่ามัธยฐานมากเกินไป) สำหรับแต่ละค่าผิดปกติ ให้ตั้งคำถามว่า "ข้อผิดพลาดที่เป็นไปได้หรือเหตุการณ์จริง" ให้ฉันตัดสินใจ
4) การตรวจสอบหลังการทำความสะอาด:
ทดสอบข้อมูลที่ทำความสะอาดแล้วด้วยจุดยึดทางกายภาพต่อไปนี้ และรายงานความไม่สอดคล้องกัน: การผลิตพลังงานแสงอาทิตย์ควรเป็นศูนย์ในเวลากลางคืน พลังงานทั้งหมดจะต้องอยู่ในระดับบิลที่คาดหวัง ภาระในตอนกลางคืนจะต้องต่ำกว่าจุดสูงสุดในเวลากลางวัน เขียนผ่าน/ไม่ผ่านสำหรับแต่ละจุดยึด
ตารางปัญหาคุณภาพข้อมูล
ปัญหา
อาการ
สมอตรวจสอบ
การเปลี่ยนแปลงเขตเวลา
นาฬิกาบนสุดอยู่ในตำแหน่งที่ไร้เหตุผล
สอดคล้องกับพระอาทิตย์ขึ้น/ตก
เวลาฤดูร้อน (DST)
วันแบบ 23/25 ชั่วโมง
นับความยาววัน
ศูนย์ปลอม
0 ในกรณีที่การสื่อสารขาดหาย
ตรงกับธงสื่อสาร
ลงทะเบียนใหม่
สูงกว่าบิลทั้งหมด
ตรวจสอบความเป็นเอกลักษณ์ของการประทับเวลา
ความสับสนของหน่วย
อันดับ 60/1000 ครั้งในทางที่ผิด
ตรวจสอบการแปลง kW↔kWh
ค่าลบ
การบริโภคติดลบเมื่อไม่มีการผลิต
กฎสัญญาณทางกายภาพ
ข้อผิดพลาดทั่วไป
- กรอกข้อมูลที่ขาดหายไปอย่างเงียบ ๆ ด้วยศูนย์ ศูนย์หมายถึง "ไม่มีการบริโภค" ไม่ใช่ "ไม่มีข้อมูล"; การผสมทั้งสองอย่างจะบิดเบือนค่าเฉลี่ยและการพยากรณ์
- ลบค่าผิดปกติโดยอัตโนมัติ ค่าผิดปกติอาจเป็นเหตุการณ์จริง ต้องมีการตรวจสอบโดยวิศวกรก่อนที่จะลบ
- สมมติว่าเขตเวลา การพูดว่า "อาจเป็นของท้องถิ่น" เป็นหนึ่งในข้อผิดพลาดที่แพงที่สุด ตรวจสอบจากแหล่งที่มาเสมอ
- การรวบรวมความสามารถในการละลายโดยการผสม การเพิ่มค่ากำลัง (kW) เป็นพลังงาน (kWh) ให้ผลรวมไม่ถูกต้อง
- ไม่ตรวจสอบความสะอาด. ข้อมูลที่ล้างแล้วอาจเสียหายเช่นกัน อย่าลืมทดสอบด้วยจุดยึดทางกายภาพ
เคล็ดลับ: จดบันทึกแต่ละขั้นตอนของการล้างข้อมูลลงใน “บันทึกข้อมูล”: จำนวนบันทึกที่ถูกทำเครื่องหมาย จำนวนที่มีการเติม กฎที่ใช้ บันทึกนี้รับประกันทั้งความสามารถในการทำซ้ำและการตรวจสอบ ปีต่อมา “ตัวเลขนี้มาจากไหน?” ตอบคำถาม
โดยสรุป
พื้นฐานของการวิเคราะห์พลังงานคืออนุกรมเวลาที่สะอาด ข้อมูลมาจาก SCADA มิเตอร์ อุตุนิยมวิทยา และตลาด แต่ละอันมีความละเอียด หน่วย โซนเวลา และกับดักเวลาออมแสง AI มีประสิทธิภาพมากในการเร่งการตรวจจับที่หายไป/ซ้ำ/ค่าผิดปกติ แต่การตัดสินใจในการลบและการเติมควรอยู่กับวิศวกร และผลลัพธ์ควรได้รับการตรวจสอบด้วยจุดยึดทางกายภาพ ไม่มีการวิเคราะห์ใดที่เชื่อถือได้หากไม่มีความเข้าใจที่ถูกต้องเกี่ยวกับการประทับเวลา
งานสมัคร
ถืออนุกรมเวลาของพลังงาน (หน่วยวัด การผลิต หรืออุณหภูมิ) ไว้ในมือ ขอรายงานคุณภาพจาก AI โดยใช้เทมเพลต “การตรวจสอบไทม์ไลน์” และ “การสร้างโปรไฟล์ข้อมูล” จากนั้นตรวจสอบสามสิ่งด้วยตนเอง: หน่วยและความละเอียดถูกต้องหรือไม่ นาฬิกาสูงสุดเหมาะสมทางกายภาพหรือไม่ พลังงานทั้งหมดสอดคล้องกับใบเรียกเก็บเงินหรือไม่ อธิบายปัญหาด้านคุณภาพข้อมูลที่คุณพบโดยย่อและวิธีแก้ไข
รายการตรวจสอบ
- [ ] ฉันได้ยืนยันแหล่งที่มา ความละเอียด และหน่วยของข้อมูลแล้ว
- [ ] ฉันชี้แจงกฎป้ายกำกับเขตเวลาและการประทับเวลา (เริ่มต้น/สิ้นสุด)
- [ ] ฉันตรวจสอบความเสี่ยงของวัน 23/25 ชั่วโมงเนื่องจากเวลาฤดูร้อน
- [ ] ฉันตรวจพบบันทึกที่หายไปและซ้ำซ้อนและรายงานให้ทราบ
- [ ] ฉันตรวจสอบค่าผิดปกติด้วยความแตกต่างของ "ข้อผิดพลาดหรือเหตุการณ์"
- [ ] ฉันแยกความแตกต่างระหว่างศูนย์เท็จจากศูนย์จริง
- [ ] ฉันตรวจสอบข้อมูลที่ล้างแล้วด้วยจุดยึดทางกายภาพและเก็บบันทึกข้อมูลไว้