Прибуток:
- Здатність пояснити відмінності в короткостроковому, середньостроковому та довгостроковому прогнозуванні навантаження та області їх використання в енергетичній системі
- Здатність виконувати розробку функцій, вибір моделі та прогнозну оцінку за допомогою штучного інтелекту
- Можливість вимірювати помилку прогнозу за допомогою таких показників, як MAPE, і пов’язувати її з інженерною доцільністю та необхідністю резервування
Зберігання електроенергії є дорогим і обмеженим товаром; Тому мережа повинна заздалегідь знати, скільки електроенергії захочуть споживачі та коли. Прогнозування навантаження є завданням прогнозування майбутнього попиту на електроенергію та є одним із основних аналізів енергетичної системи. Електростанції програмуються відповідно до цього прогнозу, відповідно приймаються рішення про купівлю та продаж на ринку, відповідно плануються інвестиції в мережу. У цьому розділі ми дізнаємося про типи прогнозування навантаження, як воно встановлюється та оцінюється за допомогою штучного інтелекту, а також про інженерні наслідки помилки прогнозу. Уточнимо термін: навантаження - це електрична потужність (кВт/МВт), споживана в даний момент; Крива навантаження - це хід цієї потужності в часі.
Горизонти прогнозу: короткостроковий, середньостроковий, довгостроковий
Прогнозування навантаження служить різним цілям і вимагає різних методів залежно від того, наскільки далеко ви дивитеся вперед.
Дуже короткий і короткий термін (від хвилин до кількох днів). Він використовується для балансування мережі, зобов'язань одиниць (яка установка буде працювати) і ринкових заявок. Тут найсильнішими визначальними факторами є погода, тип дня (будній день/кінець) і нещодавнє споживання. Точність має вирішальне значення, оскільки помилка спричиняє прямі витрати на дисбаланс.
Середньостроковий (від тижнів до одного року). Використовується для планування ТО, постачання палива та сезонних контрактів. На перший план виходять сезонність і економічні тенденції.
Довгостроковий (років). Він використовується для інвестицій у мережі та електростанції та планування потужності. Вирішальними є такі структурні фактори, як населення, економічне зростання, поширеність електромобілів і теплових насосів. Тут невизначеність природно велика і використовується сценарний підхід.
Порада: не вибирайте модель без уточнення горизонту прогнозу. Модель, що прогнозує завтра, і модель, яка прогнозує 2035 рік, вимагають абсолютно різних вхідних даних і різного управління невизначеністю.
Фактори, що визначають навантаження та розробка характеристик
Вхідні дані, які ми надаємо моделі машинного навчання, називаються функціями. Правильний прогноз навантаження починається з вибору хороших характеристик. Основні фактори, що визначають навантаження:
- Календар: Час, тип дня, вихідні, державні свята, сезон. Навантаження слідує ритму поведінки людини; Робить пагорби вранці і ввечері.
- Повітря: температура є найсильнішим фактором (навантаження на охолодження та нагрівання), за нею йдуть вологість, радіація та вітер. Співвідношення температура-заряд, як правило, U-подібне: навантаження зростає як у дуже жарких, так і в дуже холодних умовах.
- Попереднє навантаження: споживання одну годину, один день і один тиждень тому (функції затримки) є найсильнішим передвісником найближчого майбутнього.
- Особливі події: великі спортивні події, тривалі свята, економічні потрясіння.
Штучний інтелект дуже корисний у створенні цих атрибутів і виявленні ефективних з них. Але остерігайтеся пастки: приписування інформації, яка не буде доступною на момент передбачення (наприклад, фактична температура часу, який потрібно передбачити, тоді як у нас буде лише прогноз погоди), створює витік даних і робить модель по суті марною.
Крок за кроком: оцінка навантаження за допомогою штучного інтелекту
Крок 1 — Визначте проблему. Уточнюється горизонт (завтра чи наступного року), роздільна здатність (щогодини) і ціль (загальне навантаження на систему або один фідер).
Крок 2 — Підготуйте дані. Чистий часовий ряд встановлюється з дисципліною в попередньому підрозділі; Додано дані про погоду та календар.
Крок 3 — Створення атрибутів. Створюються атрибути розкладу, відкладеного завантаження та погоди. Витік перевіряється: чи кожна функція доступна на момент прогнозування?
Крок 4 — Виберіть і навчіть модель. Проста базова лінія (наприклад, «той самий час минулого тижня») завжди є першим кроком; Просунуті моделі цінні лише в тій мірі, в якій вони перевершують цю основу. AI допомагає генерувати код моделі та конвеєр функцій.
Крок 5 — Оцініть. Модель тестується протягом періоду часу, який вона не бачить (майбутній період); Він ніколи не оцінюється в даних навчання. Показники розбиті за годинами та режимами.
Крок 6 — Повідомте про невизначеність. Надається діапазон (діапазон передбачення), а не одне число; Резервування мережі планується відповідно до цього діапазону.
Помилка вимірювання прогнозу: MAPE і далі
Для вимірювання якості прогнозу використовується кілька показників. MAPE (середня абсолютна відсоткова помилка) — середня відсоткова різниця між прогнозом і реальністю; Це легко інтерпретувати. Зазвичай MAPE від 1 до 3 відсотків вважається хорошим для короткострокового прогнозування навантаження на рівні системи; На рівні однієї будівлі/пристрою це значення, природно, вище, оскільки один споживач є більш мінливим.
Але лише MAPE може ввести в оману. Навіть якщо середнє значення здається низьким, можуть бути систематичні відхилення в години пік, і мережа є критичною саме на піку. Таким чином, необхідно досліджувати помилку окремо на погодинній основі, на денній основі та особливо в пікові моменти. Крім того, важливий напрямок помилки: постійна недооцінка (недооцінка попиту) призводить до неадекватного графіка виробництва та створює дисбаланс.
Застереження: недостатньо сказати "MAPE становить 2 відсотки, чудово". Якщо MAPE в годину пік становить 6 відсотків і ви постійно недооцінюєте вечірній пік, балансування мережі за допомогою цієї моделі буде порушено. Ніколи не вважайте середній показник безпечним, не розбиваючи його за режимами.
Три міні-кейси: у цифрах
Випадок 1 — непрохідність базової лінії. Одна команда створила складну модель і отримала 2,8 відсотка MAPE і була в захваті. Тоді проста основа «той самий час минулого тижня + корекція температури» дала 2,6 відсотка. Складна модель не змогла пройти фундамент; не було значення в додатковій складності. Урок: завжди спочатку будуйте просту основу.
Випадок 2 — сліпа зона над головою. Модель однієї з дистриб’юторських компаній показала 2,1 відсотка в загальному MAPE, але постійно занижувала його на 7 відсотків під час піку кондиціонування повітря влітку ввечері. Це призвело до неочікуваних перепадів навантаження та напруги в кілька спекотних днів. Коли до атрибута температури було додано «кількість послідовних жарких днів» (акумулювання тепла в будівлі), пікова похибка зменшилася до 3 відсотків.
Випадок 3 — локалізація витоку. Модель одного стажера показала неймовірні успіхи (0,4 відсотка MAPE) у ретестуванні. Дослідження показало, що модель використовувала фактичну температуру прогнозованого часу як атрибут; тоді як насправді це був би лише прогноз погоди. Після усунення витоку MAPE збільшився до реалістичних 2,5 відсотка. «Дуже хороший» результат часто є ознакою помилки.
Слабка підказка / Сильна підказка
Слабка підказка:
Побудуйте модель прогнозування з цими даними завантаження.[data]
Потужна підказка:
Ваша роль: експерт з прогнозування попиту на енергію. Мета: погодинний прогноз навантаження системи на добу (на 24 години вперед).- Спочатку запропонуйте просту базову лінію (наприклад, той же час минулого тижня) і посилайтеся на неї.- Витягніть список атрибутів; Для КОЖНОГО атрибута «чи прогноз доступний миттєво?» знак. Відокремте тих, хто піддається ризику витоку.- Проведіть оцінювання ОКРЕМО від періоду навчання, пізніше.- Звітуйте про MAPE в цілому ТА окремо в години пік; Вкажіть напрямок похибки (низький/високий). - Нехай результат буде інтервалом передбачення, а не одним числом. Схема даних: [стовпці]
Потужна підказка зміцнює основу, запобігає витоку, точно встановлює оцінку та робить видимою невизначеність, усуваючи чотири класичні помилки поганого прогнозування навантаження.
Чотири шаблони, які можна копіювати
1) Перевірка атрибутів і витоків:
Запропонуйте перелік функцій для такої проблеми прогнозування: [проблема]. Для кожного атрибута надайте три частини інформації: (a) чому це впливає на навантаження, (b) чи прогноз доступний миттєво, (c) чи існує ризик витоку. Видаліть ті, що витікають, зі свого списку.
2) Створення базової моделі:
Запропонуйте принаймні дві прості базові лінії для цієї серії навантажень (наприклад, той самий час учора, той же час минулого тижня, середнє значення з поправкою на температуру). Напишіть обґрунтування кожного. Розширена модель буде запропонована лише в тому випадку, якщо вона суттєво відповідає цим основам.
3) Протокол оцінки:
Налаштуйте план оцінювання для цієї моделі: розділіть періоди навчання/тестування в часовому порядку (без витоку з майбутнього в минуле). Обчислюйте показники окремо за загальним принципом, типом дня та годиною пік. Повідомте про системний аспект помилки.
4) Невизначеність і прийняття рішень:
Подайте прогноз із діапазоном (верхня/нижня смуга). Поясніть, як цей інтервал буде пов’язаний із резервуванням мережі та рішенням щодо ринкових ставок. Також дайте відповідь на запитання, яким буде «найгірший сценарій».
Таблиця горизонту прогнозу
горизонт
Тривалість
Основне використання
домінуючий фактор
занадто короткий
Хвилина-година
балансування, контроль
останнє завантаження
короткий
1-7 днів
Пайове зобов'язання, ринок
Погода, тип дня
середній
Тиждень-рік
Технічне обслуговування, паливо, договір
сезонність, економ
довго
років
Інвестиції, потужність
Населення, EV, тепловий насос
Поширені помилки
- Пропуск простої основи. Складну модель не можна вважати цінною, не довівши, що вона перевершує просту основу.
- Витік даних. Приписування інформації, яка не буде доступною на момент передбачення, створює помилкову досконалість.
- Сліпо довіряти середньому показнику. Якщо години пік і сезонні переходи не розглядаються окремо, мережа знаходиться під загрозою.
- Надання непарного числа. Прогнозування без смуги невизначеності є неповним для планування резервування.
- Оцінювання даних навчання. Модель завжди слід тестувати в період, коли її не видно.
Підсумовуючи
Прогнозування навантаження є пульсом енергетичної системи; Його метод і невизначеність змінюються в залежності від горизонту. Гарне передбачення починається з хороших атрибутів і вимагає ретельності проти витоку. Штучний інтелект є потужним допоміжним засобом у створенні функцій, побудові та оцінці моделей; але проста базова лінія завжди є еталонною, оцінка проводиться в невидимий період, а помилка інтерпретується на основі піку/режиму, а не середнього. Оцінка — це не одне число, а визначений діапазон.
Аплікаційне завдання
Візьміть ряд навантаження або споживання. Спочатку вручну встановіть просту базову лінію (наприклад, «той самий час минулого тижня»). Потім попросіть штучного інтелекту надати план прогнозування з шаблонами «Перевірка атрибутів і витоків» і «Протокол оцінки». Запитайте себе про ризик витоку кожного запропонованого атрибута. Нарешті перевірте, чи відрізняється похибка прогнозу в години пік від середньої похибки, і запишіть свій висновок.
контрольний список
- [ ] Я уточнив горизонт прогнозу, дозвіл і ціль
- [ ] Я створив просту основу та посилався на неї
- [ ] Чи кожен атрибут «передбачається миттєво»? Перевірив на герметичність.
- [ ] Я зробив оцінку в сліпому періоді
- [ ] Я перевірив MAPE окремо на загальній основі та годину пік
- [ ] Я перевірив систематичний напрямок помилки (низький/високий)
- [ ] Я представив оцінку з певною невизначеністю та судженням