Mga nadagdag:
- Kakayahang ipaliwanag ang mga pagkakaiba sa maikli, katamtaman at pangmatagalang pagtataya ng pagkarga at ang kanilang mga lugar ng paggamit sa sistema ng enerhiya
- Kakayahang magsagawa ng tampok na engineering, pagpili ng modelo at pagsusuri ng hula gamit ang artificial intelligence
- Kakayahang sukatin ang error sa pagtataya gamit ang mga sukatan gaya ng MAPE at iugnay ito sa pagiging makatwiran ng engineering at ang pangangailangan para sa redundancy
Ang imbakan ng kuryente ay isang mahal at limitadong kalakal; Samakatuwid, dapat malaman ng isang grid nang maaga kung magkano ang gugustuhin ng mga mamimili ng kuryente at kung kailan. Ang pagtataya ng pag-load ay ang gawain ng paghula sa hinaharap na pangangailangan ng kuryente at isa sa mga pinakapangunahing pagsusuri ng sistema ng enerhiya. Ang mga power plant ay na-program ayon sa pagtataya na ito, ang mga desisyon sa pagbili at pagbebenta sa merkado ay ginawa nang naaayon, at ang pamumuhunan sa network ay binalak nang naaayon. Sa yunit na ito, malalaman natin ang mga uri ng pagtataya ng pagkarga, kung paano ito itinatag at sinusuri gamit ang artificial intelligence, at ang mga kahihinatnan ng engineering ng error sa pagtataya. Linawin natin ang termino: ang load ay ang electrical power (kW/MW) na natupok sa isang naibigay na sandali; Ang load curve ay ang takbo ng kapangyarihang ito sa paglipas ng panahon.
Mga Horizon ng Pagtataya: Maikli, Katamtaman, Mahabang Panahon
Ang pagtataya ng pag-load ay nagsisilbi sa iba't ibang layunin at nangangailangan ng iba't ibang mga pamamaraan depende sa kung gaano kalayo ang iyong tinitingnan.
Napakaikli at maikling termino (minuto hanggang ilang araw). Ginagamit ito para sa grid balancing, unit commitment (kung aling planta ang magpapatakbo) at mga bid sa merkado. Dito, ang panahon, uri ng araw (weekday/end) at kamakailang pagkonsumo ang pinakamalakas na determinant. Ang katumpakan ay kritikal dahil ang error ay nagdudulot ng direktang kawalan ng timbang na mga gastos.
Katamtamang termino (linggo hanggang isang taon). Ginagamit ito para sa pagpaplano ng pagpapanatili, supply ng gasolina at mga pana-panahong kontrata. Nauuna ang seasonality at economic trends.
Pangmatagalan (taon). Ginagamit ito para sa pamumuhunan sa network at power plant at pagpaplano ng kapasidad. Ang mga salik sa istruktura tulad ng populasyon, paglago ng ekonomiya, electric vehicle at heat pump prevalence ay mapagpasyahan. Dito natural na malaki ang kawalan ng katiyakan at ginagamit ang scenario approach.
Tip: Huwag pumili ng modelo nang hindi nililinaw ang horizon ng pagtataya. Ang isang modelo na hinuhulaan ang bukas at isang modelo na hinuhulaan ang 2035 ay nangangailangan ng ganap na magkakaibang mga input at iba't ibang pamamahala ng kawalan ng katiyakan.
Mga Salik na Tumutukoy sa Load at Feature Engineering
Ang mga input na ibinibigay namin sa isang machine learning model ay tinatawag na mga feature. Ang magandang hula sa pagkarga ay nagsisimula sa pagpili ng magagandang feature. Ang mga pangunahing kadahilanan na tumutukoy sa pagkarga:
- Kalendaryo: Oras, uri ng araw, katapusan ng linggo, pampublikong holiday, panahon. Ang pagkarga ay sumusunod sa ritmo ng pag-uugali ng tao; Gumagawa ng mga burol sa umaga at gabi.
- Hangin: Ang temperatura ay ang pinakamalakas na salik (paglamig at pag-init ng load), na sinusundan ng halumigmig, radiation at hangin. Ang relasyon sa temperatura-charge ay karaniwang hugis-U: ang pagkarga ay tumataas pareho sa napakainit at napakalamig na mga kondisyon.
- Nakaraang pag-load: Ang pagkonsumo ng isang oras, isang araw at isang linggo na ang nakalipas (mga tampok na lag) ay ang pinakamalakas na harbinger ng malapit na hinaharap.
- Mga espesyal na kaganapan: Mga pangunahing kaganapang pampalakasan, mahabang bakasyon, mga pagkabigla sa ekonomiya.
Ang artificial intelligence ay lubhang kapaki-pakinabang sa pagbuo ng mga katangiang ito at pagtuklas kung alin ang epektibo. Ngunit mag-ingat sa isang bitag: ang pag-uugnay ng impormasyon na hindi magagamit sa oras ng hula (halimbawa, ang aktwal na temperatura ng oras na mahulaan, samantalang magkakaroon lamang tayo ng taya ng panahon) ay lumilikha ng pagtagas ng data at ginagawang walang silbi ang modelo.
Hakbang sa Hakbang: I-load ang Pagtatantya gamit ang Artificial Intelligence
Hakbang 1 — Tukuyin ang problema. Nilinaw ang abot-tanaw (bukas o susunod na taon), resolution (oras-oras) at target (kabuuang load ng system o single feeder).
Hakbang 2 — Ihanda ang data. Ang isang malinis na serye ng oras ay itinatag na may disiplina sa nakaraang yunit; Ang data ng panahon at kalendaryo ay idinagdag.
Hakbang 3 — Bumuo ng mga katangian. Ang iskedyul, naantalang pag-load at mga katangian ng panahon ay nilikha. Sinusuri ang pagtagas: available ba ang bawat feature sa oras ng hula?
Hakbang 4 — Piliin at sanayin ang modelo. Ang isang simpleng baseline (hal. "parehong oras noong nakaraang linggo") ay palaging ang unang hakbang; Ang mga advanced na modelo ay mahalaga lamang sa lawak na nilalampasan nila ang pundasyong ito. Nakakatulong ang AI sa pagbuo ng model code at feature pipeline.
Hakbang 5 - Suriin. Ang modelo ay nasubok sa loob ng isang yugto ng panahon na hindi nito nakikita (isang hinaharap na panahon); Ito ay hindi kailanman sinusuri sa data ng pagsasanay. Ang mga sukatan ay pinaghiwa-hiwalay ayon sa oras at rehimen.
Hakbang 6 — Mag-ulat ng kawalan ng katiyakan. Isang range (prediction band) ang ibinibigay, hindi isang solong numero; Ang network redundancy ay binalak ayon sa banda na ito.
Error sa Pagsukat ng Pagtataya: MAPE at Higit pa
Maraming sukatan ang ginagamit upang sukatin ang kalidad ng hula. Ang MAPE (Mean Absolute Percentage Error) ay ang average na pagkakaiba ng porsyento sa pagitan ng hula at katotohanan; Madali itong bigyang kahulugan. Karaniwang 1 hanggang 3 porsiyento ang MAPE ay itinuturing na mabuti para sa antas ng system na panandaliang pagtataya ng pagkarga; Sa single building/feeder level natural na mas mataas ang value na ito dahil mas variable ang single consumer.
Ngunit ang MAPE lamang ay maaaring mapanlinlang. Kahit na ang average ay tila mababa, maaaring mayroong sistematikong paglihis sa mga oras ng peak, at ang network ay kritikal sa mismong peak. Samakatuwid, kinakailangang suriin ang error nang hiwalay sa isang oras-oras na batayan, batayan ng uri ng araw at lalo na sa mga peak moments. Bukod pa rito, mahalaga ang direksyon ng error: ang patuloy na underestimation (underestimation of demand) ay humahantong sa hindi sapat na iskedyul ng produksyon at lumilikha ng kawalan ng timbang.
Pag-iingat: Hindi sapat na sabihin ang "MAPE ay 2 porsiyento, mahusay." Kung ang peak hour MAPE ay 6 na porsyento at palagi mong minamaliit ang peak sa gabi, ang pagbabalanse ng grid sa modelong iyon ay nakompromiso. Huwag kailanman isaalang-alang ang karaniwang sukatan na ligtas nang hindi sinisira ito ayon sa rehimen.
Tatlong Mini Cases: By the Numbers
Kaso 1 — Pagkabigong makapasa sa baseline. Isang koponan ang bumuo ng isang kumplikadong modelo at nakakuha ng 2.8 porsiyentong MAPE at natuwa sila. Pagkatapos ang simpleng "parehong oras noong nakaraang linggo + pagwawasto ng temperatura" ay nagbigay ng 2.6 porsyento. Ang kumplikadong modelo ay hindi makapasa sa pundasyon; walang halaga sa karagdagang pagiging kumplikado. Aral: laging buuin muna ang simpleng pundasyon.
Case 2 — Overhead blind spot. Ang modelo ng isang kumpanya ng pamamahagi ay mahusay sa 2.1 porsiyento sa pangkalahatang MAPE ngunit patuloy itong nahuhulaan ng 7 porsiyento sa panahon ng tag-araw na peak ng air conditioning. Lumikha ito ng hindi inaasahang pagkarga at pagbaba ng boltahe sa ilang mainit na araw. Kapag ang "bilang ng mga magkakasunod na mainit na araw" (building heat accumulation) ay idinagdag sa katangian ng temperatura, ang peak error ay bumaba sa 3 porsyento.
Case 3 — Containment ng leak. Ang modelo ng isang intern ay hindi kapani-paniwalang mahusay (0.4 porsyentong MAPE) sa backtesting. Ipinakita ng pagsisiyasat na ginamit ng modelo ang aktwal na temperatura ng hinulaang oras bilang katangian; samantalang sa totoo lang ito ay magiging forecast lamang ng panahon. Kapag naayos na ang pagtagas, tumaas ang MAPE sa isang makatotohanang 2.5 porsyento. Ang isang "napakahusay" na resulta ay kadalasang tanda ng pagkakamali.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Bumuo ng modelo ng hula gamit ang data ng pag-load na ito.[data]
Napakahusay na prompt:
Ang iyong tungkulin: Eksperto sa pagtataya ng pangangailangan ng enerhiya. Layunin: maagang araw (24 na oras na mas maaga) oras-oras na pagtataya sa pag-load ng system.- Magmungkahi muna ng simpleng baseline (hal. parehong oras noong nakaraang linggo) at i-refer ito.- Kumuha ng listahan ng mga katangian; Para sa BAWAT katangian, "agad bang available ang hula?" marka. Paghiwalayin ang mga nasa panganib ng pagtagas.- Magsagawa ng pagtatasa nang hiwalay sa panahon ng pagsasanay, sa susunod na panahon.- Iulat ang MAPE sa pangkalahatan AT hiwalay sa mga oras ng kasiyahan; Tukuyin ang direksyon ng error (mababa/mataas). - Hayaang ang resulta ay isang agwat ng hula, hindi isang solong numero. Schema ng data: [mga hanay]
Ang malakas na prompt ay nagpapatupad ng pundasyon, pinipigilan ang pagtagas, itinatatag ang pagsusuri nang tumpak, at ginagawang nakikita ang kawalan ng katiyakan — pinuputol ang apat na klasikong pagkakamali ng mahinang pagtataya ng pagkarga.
Apat na Nakokopyang Template
1) Pagsusuri ng katangian at pagtagas:
Magmungkahi ng isang listahan ng mga tampok para sa sumusunod na problema sa paghula: [problema]. Para sa bawat katangian, magbigay ng tatlong piraso ng impormasyon: (a) bakit ito nakakaapekto sa pagkarga, (b) ang hula ay magagamit kaagad, (c) may panganib ng pagtagas. Alisin ang mga tumutulo sa iyong listahan.
2) Pagtatatag ng isang pangunahing modelo:
Magmungkahi ng hindi bababa sa dalawang simpleng baseline para sa serye ng pag-load na ito (hal. parehong oras kahapon, parehong oras noong nakaraang linggo, average na itinama ang temperatura). Isulat ang katwiran para sa bawat isa. Ipapanukala lamang ang isang advanced na modelo kung maipapasa nito ang mga pangunahing kaalamang ito nang makabuluhan.
3) Protocol ng pagsusuri:
Mag-set up ng plano sa pagsusuri para sa modelong ito: hiwalay na mga panahon ng pagsasanay/pagsusulit sa pagkakasunud-sunod ng oras (walang leakage mula sa hinaharap hanggang sa nakaraan). Kalkulahin ang mga sukatan nang hiwalay ayon sa pangkalahatan, uri ng araw at batayan ng peak hour. Iulat ang sistematikong aspeto ng error.
4) Kawalang-katiyakan at paggawa ng desisyon:
Ilahad ang pagtataya na may saklaw (itaas/ibabang banda). Ipaliwanag kung paano maiuugnay ang agwat na ito sa redundancy ng grid at desisyon sa pag-bid sa merkado. Sagutin din ang tanong kung ano ang magiging "worst-case scenario".
Talahanayan ng Horizon ng Pagtataya
abot-tanaw
Tagal
Pangunahing gamit
nangingibabaw na salik
masyadong maikli
Minutong-oras
pagbabalanse, kontrol
kamakailang pagkarga
maikli
1-7 araw
Unit commitment, market
Panahon, uri ng araw
daluyan
Linggo-taon
Pagpapanatili, gasolina, kontrata
seasonality, ekonomiya
mahaba
taon
Puhunan, kapasidad
Populasyon, EV, heat pump
Mga karaniwang pagkakamali
- Nilaktawan ang simpleng pundasyon. Ang isang kumplikadong modelo ay hindi maituturing na mahalaga nang hindi nagpapatunay na ito ay lumalampas sa simpleng pundasyon.
- Data leak. Ang pag-uugnay ng impormasyon na hindi magagamit sa oras ng hula ay nagdudulot ng maling pagiging perpekto.
- Walang bulag na pagtitiwala sa average na sukatan. Kung ang mga peak hours at seasonal transition ay hindi susuriin nang hiwalay, ang network ay nasa panganib.
- Pagbibigay ng kakaibang numero. Hindi kumpleto ang pagtataya nang walang katiyakan para sa pagpaplano ng redundancy.
- Pagsusuri sa data ng pagsasanay. Dapat palaging masuri ang modelo sa isang panahon kung saan hindi ito nakikita.
Sa buod
Ang pagtataya ng pag-load ay ang pulso ng sistema ng enerhiya; Ang pamamaraan at kawalan ng katiyakan nito ay nag-iiba depende sa abot-tanaw. Ang mabuting hula ay nagsisimula sa magagandang katangian at nangangailangan ng pagiging maingat laban sa pagtagas. Ang artificial intelligence ay isang malakas na tulong sa pagbuo ng tampok, pagbuo ng modelo at pagsusuri; ngunit ang simpleng baseline ay palaging ang sanggunian, ang pagsusuri ay ginagawa sa hindi nakikitang panahon at ang error ay binibigyang kahulugan sa isang peak/regime na batayan, hindi sa karaniwan. Ang pagtatantya ay hindi isang solong numero ngunit isang pinagpasyang hanay.
Gawain ng aplikasyon
Kumuha ng load o serye ng pagkonsumo. Mag-set up muna ng simpleng baseline nang manu-mano (hal. "parehong oras noong nakaraang linggo"). Pagkatapos ay humingi sa AI ng isang plano sa paghula na may mga template na "Pagsusuri ng katangian at pagtagas" at "Protokal ng Pagsusuri". Tanungin ang iyong sarili tungkol sa panganib ng pagtagas ng bawat iminungkahing katangian. Panghuli, suriin kung ang error ng forecast sa mga peak hours ay naiiba sa average na error at isulat ang iyong nahanap.
checklist
- [ ] Nilinaw ko ang forecast horizon, resolution at target
- [ ] Nagtayo ako ng isang simpleng pundasyon at sinangguni ito
- [ ] Ang bawat katangian ba ay "agad na hinulaan?" Sinuri ko ito para sa mga tagas.
- [ ] Ginawa ko ang pagsusuri sa isang blind period
- [ ] Sinuri ko ang MAPE nang hiwalay sa pangkalahatan at peak hour na batayan
- [ ] Sinuri ko ang sistematikong direksyon ng error (mababa/mataas)
- [ ] Iniharap ko ang pagtatantya na may hanay ng kawalan ng katiyakan at paghatol