กำไร:
- ความสามารถในการอธิบายความแตกต่างในการพยากรณ์โหลดระยะสั้น กลาง และยาว และขอบเขตการใช้งานในระบบพลังงาน
- ความสามารถในการดำเนินการวิศวกรรมคุณลักษณะ การเลือกแบบจำลอง และการประเมินการคาดการณ์ด้วยปัญญาประดิษฐ์
- ความสามารถในการวัดข้อผิดพลาดการคาดการณ์ด้วยตัวชี้วัด เช่น MAPE และเชื่อมโยงกับความสมเหตุสมผลทางวิศวกรรมและความจำเป็นในการสำรองข้อมูล
การเก็บกักไฟฟ้าเป็นสินค้าราคาแพงและมีจำกัด ดังนั้นกริดจึงต้องทราบล่วงหน้าว่าผู้ใช้ไฟฟ้าต้องการไฟฟ้าเท่าใดและเมื่อใด การพยากรณ์ปริมาณไฟฟ้าเป็นหน้าที่ในการทำนายความต้องการไฟฟ้าในอนาคต และเป็นหนึ่งในการวิเคราะห์ขั้นพื้นฐานที่สุดของระบบพลังงาน โรงไฟฟ้าได้รับการตั้งโปรแกรมตามการคาดการณ์นี้ การตัดสินใจซื้อและการขายในตลาดเป็นไปตามนั้น และมีการวางแผนการลงทุนด้านเครือข่ายตามนั้น ในหน่วยนี้ เราจะเรียนรู้ประเภทของการคาดการณ์โหลด วิธีสร้างและประเมินด้วยปัญญาประดิษฐ์ และผลที่ตามมาทางวิศวกรรมของข้อผิดพลาดในการคาดการณ์ มาทำความเข้าใจคำศัพท์กันดีกว่า: โหลดคือกำลังไฟฟ้า (kW/MW) ที่ใช้ ณ ขณะหนึ่ง กราฟโหลดเป็นเส้นทางของกำลังนี้เมื่อเวลาผ่านไป
ขอบเขตการคาดการณ์: สั้น กลาง ยาว
การคาดการณ์ปริมาณงานมีจุดประสงค์ที่แตกต่างกันและต้องใช้วิธีการที่แตกต่างกัน ขึ้นอยู่กับว่าคุณมองไปข้างหน้าไกลแค่ไหน
ระยะสั้นและระยะสั้นมาก (นาทีถึงสองสามวัน) ใช้สำหรับการปรับสมดุลของกริด ความมุ่งมั่นต่อหน่วย (ซึ่งโรงงานจะดำเนินการ) และการเสนอราคาในตลาด ที่นี่ สภาพอากาศ ประเภทวัน (วันทำงาน/สิ้นสุด) และการบริโภคล่าสุดเป็นปัจจัยกำหนดที่แข็งแกร่งที่สุด ความแม่นยำถือเป็นสิ่งสำคัญ เนื่องจากข้อผิดพลาดทำให้เกิดต้นทุนความไม่สมดุลโดยตรง
ระยะกลาง (สัปดาห์ถึงหนึ่งปี) ใช้สำหรับการวางแผนการบำรุงรักษา การจัดหาเชื้อเพลิง และสัญญาตามฤดูกาล ฤดูกาลและแนวโน้มทางเศรษฐกิจมาก่อน
ระยะยาว (ปี) ใช้สำหรับการลงทุนเครือข่ายและโรงไฟฟ้าและการวางแผนกำลังการผลิต ปัจจัยเชิงโครงสร้าง เช่น จำนวนประชากร การเติบโตทางเศรษฐกิจ ยานพาหนะไฟฟ้า และความแพร่หลายของปั๊มความร้อน ถือเป็นปัจจัยชี้ขาด ในกรณีนี้ความไม่แน่นอนจะมีขนาดใหญ่ตามธรรมชาติและมีการใช้แนวทางสถานการณ์
เคล็ดลับ: อย่าเลือกแบบจำลองโดยไม่ทำให้ขอบเขตการคาดการณ์ชัดเจน แบบจำลองการทำนายวันพรุ่งนี้และแบบจำลองการทำนายปี 2035 ต้องใช้ข้อมูลนำเข้าที่แตกต่างกันโดยสิ้นเชิงและการจัดการความไม่แน่นอนที่แตกต่างกัน
ปัจจัยที่กำหนดภาระและคุณลักษณะทางวิศวกรรม
อินพุตที่เราให้กับโมเดลการเรียนรู้ของเครื่องเรียกว่าฟีเจอร์ การคาดการณ์การโหลดที่ดีเริ่มต้นด้วยการเลือกคุณสมบัติที่ดี ปัจจัยหลักที่กำหนดภาระ:
- ปฏิทิน: เวลา ประเภทวัน วันหยุดสุดสัปดาห์ วันหยุดนักขัตฤกษ์ ฤดูกาล ภาระเป็นไปตามจังหวะของพฤติกรรมของมนุษย์ ทำให้เกิดเนินเขาในเวลาเช้าและเย็น
- อากาศ: อุณหภูมิเป็นปัจจัยที่สำคัญที่สุด (ภาระในการทำความเย็นและความร้อน) ตามมาด้วยความชื้น การแผ่รังสี และลม โดยทั่วไปความสัมพันธ์ระหว่างประจุกับอุณหภูมิจะเป็นรูปตัวยู โดยภาระจะเพิ่มขึ้นทั้งในสภาวะที่ร้อนจัดและเย็นจัด
- โหลดที่ผ่านมา: การบริโภคหนึ่งชั่วโมง หนึ่งวัน และหนึ่งสัปดาห์ที่ผ่านมา (คุณสมบัติล่าช้า) ถือเป็นลางสังหรณ์ที่แข็งแกร่งที่สุดในอนาคตอันใกล้นี้
- กิจกรรมพิเศษ : การแข่งขันกีฬาสำคัญ, วันหยุดยาว, ภาวะเศรษฐกิจตกต่ำ
ปัญญาประดิษฐ์มีประโยชน์อย่างมากในการสร้างคุณลักษณะเหล่านี้และค้นหาว่าคุณลักษณะใดมีประสิทธิภาพ แต่ระวังกับดัก: การระบุแหล่งที่มาของข้อมูลที่ไม่สามารถใช้ได้ในขณะที่คาดการณ์ (เช่น อุณหภูมิที่แท้จริงของเวลาที่คาดการณ์ ในขณะที่เราจะมีเพียงพยากรณ์อากาศเท่านั้น) ทำให้เกิดการรั่วไหลของข้อมูล และทำให้แบบจำลองไม่มีประโยชน์อย่างยิ่ง
ทีละขั้นตอน: การประมาณโหลดด้วยปัญญาประดิษฐ์
ขั้นตอนที่ 1 — กำหนดปัญหา มีการชี้แจงขอบเขต (พรุ่งนี้หรือปีหน้า) ความละเอียด (รายชั่วโมง) และเป้าหมาย (โหลดระบบทั้งหมดหรือตัวป้อนเดี่ยว)
ขั้นตอนที่ 2 — เตรียมข้อมูล อนุกรมเวลาสะอาดถูกสร้างขึ้นโดยมีระเบียบวินัยในหน่วยก่อนหน้า เพิ่มข้อมูลสภาพอากาศและปฏิทิน
ขั้นตอนที่ 3 — สร้างคุณลักษณะ กำหนดการ โหลดล่าช้า และแอตทริบิวต์สภาพอากาศจะถูกสร้างขึ้น มีการตรวจสอบการรั่วไหล: ทุกฟีเจอร์พร้อมใช้งานในขณะที่คาดการณ์หรือไม่
ขั้นตอนที่ 4 — เลือกและฝึกโมเดล เส้นฐานง่ายๆ (เช่น "เวลาเดียวกันของสัปดาห์ที่แล้ว") ถือเป็นก้าวแรกเสมอ โมเดลขั้นสูงจะมีคุณค่าเฉพาะในส่วนที่เหนือกว่ารากฐานนี้เท่านั้น AI มีประโยชน์ในการสร้างโค้ดโมเดลและไปป์ไลน์ฟีเจอร์
ขั้นตอนที่ 5 — ประเมิน โมเดลได้รับการทดสอบในช่วงเวลาที่มองไม่เห็น (ช่วงอนาคต) ไม่เคยมีการประเมินในข้อมูลการฝึกอบรม ตัวชี้วัดจะแจกแจงตามชั่วโมงและระบอบการปกครอง
ขั้นตอนที่ 6 — รายงานความไม่แน่นอน มีการกำหนดช่วง (แถบการทำนาย) ไม่ใช่ตัวเลขเดียว ความซ้ำซ้อนของเครือข่ายได้รับการวางแผนตามแบนด์นี้
การวัดข้อผิดพลาดในการคาดการณ์: MAPE และอื่นๆ
มีการใช้เมตริกหลายรายการเพื่อวัดคุณภาพการคาดการณ์ MAPE (Mean Absolute Percentage Error) คือเปอร์เซ็นต์ความแตกต่างโดยเฉลี่ยระหว่างการคาดการณ์และความเป็นจริง มันง่ายที่จะตีความ โดยทั่วไป MAPE 1 ถึง 3 เปอร์เซ็นต์ถือว่าดีสำหรับการพยากรณ์โหลดระยะสั้นระดับระบบ ที่ระดับอาคารเดียว/เครื่องป้อน ค่านี้จะสูงขึ้นตามธรรมชาติเนื่องจากผู้บริโภครายเดียวมีความแปรผันมากกว่า
แต่ MAPE เพียงอย่างเดียวอาจทำให้เข้าใจผิดได้ แม้ว่าค่าเฉลี่ยจะดูต่ำ แต่อาจมีการเบี่ยงเบนอย่างเป็นระบบในช่วงชั่วโมงเร่งด่วน และเครือข่ายมีความสำคัญอย่างยิ่งที่จุดสูงสุด ดังนั้นจึงจำเป็นต้องตรวจสอบข้อผิดพลาดแยกกันเป็นรายชั่วโมง ประเภทวัน และโดยเฉพาะอย่างยิ่งในช่วงเวลาเร่งด่วน นอกจากนี้ ทิศทางของข้อผิดพลาดมีความสำคัญ: การประเมินค่าต่ำไปอย่างต่อเนื่อง (การประเมินความต้องการต่ำไป) ส่งผลให้กำหนดการผลิตไม่เพียงพอและทำให้เกิดความไม่สมดุล
ข้อควรระวัง: การพูดว่า "MAPE เท่ากับ 2 เปอร์เซ็นต์นั้นไม่เพียงพอ" ถ้า MAPE ในชั่วโมงเร่งด่วนคือ 6 เปอร์เซ็นต์ และคุณประเมินจุดสูงสุดในตอนเย็นต่ำเกินไปอย่างสม่ำเสมอ การปรับสมดุลตารางด้วยโมเดลนั้นจะถูกโจมตี อย่าถือว่าตัวชี้วัดโดยเฉลี่ยปลอดภัยโดยไม่แจกแจงตามระบอบการปกครอง
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 — การไม่ผ่านเส้นพื้นฐาน ทีมหนึ่งสร้างแบบจำลองที่ซับซ้อนและได้รับ MAPE 2.8 เปอร์เซ็นต์ และรู้สึกยินดีเป็นอย่างยิ่ง จากนั้น “เวลาเดียวกันของสัปดาห์ที่แล้ว + การแก้ไขอุณหภูมิ” แบบธรรมดาให้อยู่ที่ 2.6 เปอร์เซ็นต์ โมเดลที่ซับซ้อนไม่สามารถผ่านฐานรากได้ ไม่มีคุณค่าในความซับซ้อนเพิ่มเติม บทเรียน: สร้างรากฐานที่เรียบง่ายก่อนเสมอ
กรณีที่ 2 — จุดบอดเหนือศีรษะ โมเดลของบริษัทจัดจำหน่ายแห่งหนึ่งทำได้ดีที่ 2.1 เปอร์เซ็นต์ใน MAPE โดยรวม แต่คาดการณ์ไว้ต่ำกว่า 7 เปอร์เซ็นต์อย่างต่อเนื่องในช่วงที่มีเครื่องปรับอากาศช่วงเย็นในฤดูร้อนถึงจุดสูงสุด สิ่งนี้ทำให้เกิดโหลดและแรงดันไฟฟ้าลดลงอย่างไม่คาดคิดในวันที่อากาศร้อนจัด เมื่อเพิ่ม "จำนวนวันที่อากาศร้อนติดต่อกัน" (การสะสมความร้อนในอาคาร) เข้ากับแอตทริบิวต์อุณหภูมิ ข้อผิดพลาดสูงสุดจะลดลงเหลือ 3 เปอร์เซ็นต์
กรณีที่ 3 — การกักเก็บการรั่วไหล โมเดลของเด็กฝึกงานคนหนึ่งทำได้ดีอย่างไม่น่าเชื่อ (0.4 เปอร์เซ็นต์ MAPE) ในการทดสอบย้อนหลัง การตรวจสอบพบว่าแบบจำลองใช้อุณหภูมิจริงของเวลาที่คาดการณ์เป็นคุณลักษณะ แต่ในความเป็นจริงมันเป็นเพียงการพยากรณ์อากาศเท่านั้น เมื่อแก้ไขรอยรั่วแล้ว MAPE จะเพิ่มขึ้นเป็น 2.5 เปอร์เซ็นต์ตามความเป็นจริง ผลลัพธ์ที่ "ดีมาก" มักเป็นสัญญาณของข้อผิดพลาด
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
สร้างแบบจำลองการคาดการณ์ด้วยข้อมูลโหลดนี้[ข้อมูล]
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้เชี่ยวชาญด้านการคาดการณ์ความต้องการพลังงาน วัตถุประสงค์: การคาดการณ์โหลดระบบรายชั่วโมงล่วงหน้าแบบวันข้างหน้า (24 ชั่วโมงล่วงหน้า) - ขั้นแรกเสนอพื้นฐานง่ายๆ (เช่น เวลาเดียวกันของสัปดาห์ที่แล้ว) และอ้างอิง - แยกรายการคุณลักษณะ สำหรับทุกแอตทริบิวต์ “คำทำนายพร้อมใช้งานทันทีหรือไม่” เครื่องหมาย. แยกส่วนที่เสี่ยงต่อการรั่วไหล- ดำเนินการประเมินแยกจากช่วงการฝึกอบรมในภายหลัง- รายงาน MAPE โดยทั่วไป และแยกกันในช่วงเวลาเร่งด่วน ระบุทิศทางของข้อผิดพลาด (ต่ำ/สูง) - ให้ผลลัพธ์เป็นช่วงทำนาย ไม่ใช่ตัวเลขตัวเดียว สคีมาข้อมูล: [คอลัมน์]
ข้อความแจ้งเตือนที่มีประสิทธิภาพจะบังคับใช้รากฐาน ป้องกันการรั่วไหล สร้างการประเมินอย่างถูกต้อง และทำให้มองเห็นความไม่แน่นอนได้ โดยตัดข้อผิดพลาดคลาสสิกสี่ประการของการคาดการณ์โหลดที่ไม่ดีออกไป
เทมเพลตที่คัดลอกได้สี่แบบ
1) การตรวจสอบคุณสมบัติและการรั่วไหล:
เสนอรายการคุณลักษณะสำหรับปัญหาการทำนายต่อไปนี้: [ปัญหา] สำหรับแต่ละแอตทริบิวต์ ให้ระบุข้อมูลสามส่วน: (ก) เหตุใดจึงส่งผลต่อโหลด (ข) การคาดการณ์พร้อมใช้งานทันที (ค) มีความเสี่ยงที่จะเกิดการรั่วไหล ลบสิ่งที่รั่วออกจากรายการของคุณ
2) การสร้างแบบจำลองพื้นฐาน:
แนะนำเส้นฐานง่ายๆ อย่างน้อยสองเส้นสำหรับชุดโหลดนี้ (เช่น เวลาเดียวกันเมื่อวาน เวลาเดียวกันของสัปดาห์ที่แล้ว ค่าเฉลี่ยที่แก้ไขอุณหภูมิ) เขียนเหตุผลสำหรับแต่ละรายการ แบบจำลองขั้นสูงจะถูกเสนอก็ต่อเมื่อผ่านพื้นฐานเหล่านี้อย่างมีความหมายเท่านั้น
3) ระเบียบวิธีการประเมินผล:
จัดทำแผนการประเมินผลสำหรับโมเดลนี้: แยกช่วงการฝึกอบรม/การทดสอบตามลำดับเวลา (ไม่มีการรั่วไหลจากอนาคตไปสู่อดีต) คำนวณหน่วยเมตริกแยกกันตามประเภททั่วไป ประเภทวัน และชั่วโมงเร่งด่วน รายงานประเด็นข้อผิดพลาดอย่างเป็นระบบ
4) ความไม่แน่นอนและการตัดสินใจ:
นำเสนอการคาดการณ์เป็นช่วง (แถบบน/ล่าง) อธิบายว่าช่วงเวลานี้จะเชื่อมโยงกับความซ้ำซ้อนของกริดและการตัดสินใจประมูลตลาดอย่างไร ตอบคำถามว่า "สถานการณ์ที่เลวร้ายที่สุด" จะเป็นอย่างไร
ตารางพยากรณ์ฮอไรซัน
ขอบฟ้า
ระยะเวลา
การใช้งานขั้นพื้นฐาน
ปัจจัยที่โดดเด่น
สั้นเกินไป
นาที-ชั่วโมง
ความสมดุลการควบคุม
โหลดล่าสุด
สั้น
1-7 วัน
ความมุ่งมั่นต่อหน่วยตลาด
สภาพอากาศประเภทของวัน
ปานกลาง
สัปดาห์-ปี
ค่าบำรุงรักษา ค่าน้ำมัน สัญญา
ฤดูกาลเศรษฐกิจ
ยาว
ปี
การลงทุน กำลังการผลิต
ประชากร, EV, ปั๊มความร้อน
ข้อผิดพลาดทั่วไป
- ข้ามรากฐานที่เรียบง่าย โมเดลที่ซับซ้อนไม่สามารถถือว่ามีคุณค่าได้หากไม่ได้พิสูจน์ว่ามันเหนือกว่ารากฐานที่เรียบง่าย
- ข้อมูลรั่วไหล การระบุแหล่งที่มาของข้อมูลซึ่งจะไม่สามารถใช้ได้ในขณะที่คาดการณ์จะทำให้เกิดความสมบูรณ์แบบที่ผิดพลาด
- เชื่อถือตัวชี้วัดเฉลี่ยสุ่มสี่สุ่มห้า หากไม่ได้ตรวจสอบชั่วโมงเร่งด่วนและการเปลี่ยนแปลงตามฤดูกาลแยกกัน เครือข่ายก็ตกอยู่ในความเสี่ยง
- ให้เลขคี่. การพยากรณ์โดยไม่มีแถบความถี่ที่ไม่แน่นอนนั้นไม่สมบูรณ์สำหรับการวางแผนซ้ำซ้อน
- การประเมินข้อมูลการฝึกอบรม แบบจำลองควรได้รับการทดสอบในช่วงเวลาที่มองไม่เห็นเสมอ
โดยสรุป
การพยากรณ์โหลดถือเป็นชีพจรของระบบพลังงาน วิธีการและความไม่แน่นอนของมันแตกต่างกันไปขึ้นอยู่กับขอบฟ้า การทำนายที่ดีเริ่มต้นจากคุณสมบัติที่ดีและต้องอาศัยความพิถีพิถันในการป้องกันการรั่วซึม ปัญญาประดิษฐ์เป็นตัวช่วยที่ทรงพลังในการสร้างฟีเจอร์ การสร้างโมเดล และการประเมินผล แต่เส้นฐานอย่างง่ายจะเป็นข้อมูลอ้างอิงเสมอ การประเมินจะทำในช่วงเวลาที่มองไม่เห็น และข้อผิดพลาดจะถูกตีความตามเกณฑ์สูงสุด/ระบบ ไม่ใช่ตามค่าเฉลี่ย การประมาณไม่ใช่ตัวเลขตัวเดียว แต่เป็นช่วงที่ตัดสินใจ
งานสมัคร
รับภาระหรือชุดการบริโภค ขั้นแรกให้ตั้งค่าพื้นฐานง่ายๆ ด้วยตนเอง (เช่น "เวลาเดียวกันของสัปดาห์ที่แล้ว") จากนั้นขอให้ AI วางแผนการคาดการณ์ด้วยเทมเพลต “การตรวจสอบคุณสมบัติและการรั่วไหล” และ “โปรโตคอลการประเมินผล” ถามตัวเองเกี่ยวกับความเสี่ยงการรั่วไหลของคุณลักษณะที่แนะนำแต่ละรายการ สุดท้าย ตรวจสอบว่าข้อผิดพลาดของการคาดการณ์ในชั่วโมงเร่งด่วนแตกต่างจากข้อผิดพลาดโดยเฉลี่ยหรือไม่ และจดบันทึกสิ่งที่คุณค้นพบ
รายการตรวจสอบ
- [ ] ฉันชี้แจงขอบเขตการคาดการณ์ ความละเอียด และเป้าหมาย
- [ ] ฉันสร้างรากฐานที่เรียบง่ายและอ้างอิงมัน
- [ ] แต่ละแอตทริบิวต์ "ทำนายทันที" หรือไม่ ฉันตรวจสอบแล้วว่ามีรอยรั่วหรือไม่
- [ ] ฉันทำการประเมินในช่วงเวลาตาบอด
- [ ] ฉันตรวจสอบ MAPE แยกกันในชั่วโมงทั่วไปและชั่วโมงเร่งด่วน
- [ ] ฉันตรวจสอบทิศทางของข้อผิดพลาดอย่างเป็นระบบ (ต่ำ/สูง)
- [ ] ฉันนำเสนอการประมาณการด้วยช่วงของความไม่แน่นอนและการตัดสิน