Lợi nhuận:
- Khả năng giải thích sự khác biệt trong dự báo phụ tải ngắn hạn, trung hạn và dài hạn cũng như các lĩnh vực sử dụng chúng trong hệ thống năng lượng
- Khả năng thực hiện kỹ thuật tính năng, lựa chọn mô hình và đánh giá dự đoán bằng trí tuệ nhân tạo
- Khả năng đo lường sai số dự báo bằng các số liệu như MAPE và liên hệ nó với tính hợp lý về mặt kỹ thuật cũng như nhu cầu dự phòng
Lưu trữ điện là một mặt hàng đắt tiền và có hạn; Do đó, lưới điện phải biết trước người tiêu dùng sẽ cần bao nhiêu điện và khi nào. Dự báo phụ tải là nhiệm vụ dự đoán nhu cầu điện trong tương lai và là một trong những phân tích cơ bản nhất của hệ thống năng lượng. Các nhà máy điện được lập trình theo dự báo này, các quyết định mua bán trên thị trường được đưa ra tương ứng và việc đầu tư mạng lưới cũng được quy hoạch phù hợp. Trong phần này, chúng ta sẽ tìm hiểu các loại dự báo tải, cách thiết lập và đánh giá dự báo bằng trí tuệ nhân tạo cũng như các hậu quả kỹ thuật của lỗi dự báo. Hãy làm rõ thuật ngữ: tải là lượng điện năng tiêu thụ (kW/MW) tại một thời điểm nhất định; Đường cong tải là quá trình của công suất này theo thời gian.
Tầm nhìn dự báo: Ngắn hạn, Trung hạn, Dài hạn
Dự báo tải phục vụ các mục đích khác nhau và yêu cầu các phương pháp khác nhau tùy thuộc vào tầm nhìn của bạn.
Rất ngắn và ngắn hạn (vài phút đến vài ngày). Nó được sử dụng để cân bằng lưới điện, cam kết đơn vị (nhà máy nào sẽ vận hành) và giá thầu thị trường. Ở đây, thời tiết, loại ngày (ngày trong tuần/cuối tuần) và mức tiêu dùng gần đây là những yếu tố quyết định mạnh mẽ nhất. Độ chính xác là rất quan trọng vì lỗi phát sinh chi phí mất cân bằng trực tiếp.
Trung hạn (tuần đến một năm). Nó được sử dụng để lập kế hoạch bảo trì, cung cấp nhiên liệu và hợp đồng theo mùa. Tính thời vụ và xu hướng kinh tế xuất hiện.
Dài hạn (năm). Nó được sử dụng để lập kế hoạch công suất và đầu tư mạng lưới, nhà máy điện. Các yếu tố cơ cấu như dân số, tăng trưởng kinh tế, sự phổ biến của xe điện và bơm nhiệt là những yếu tố quyết định. Ở đây độ không chắc chắn là lớn và cách tiếp cận theo kịch bản được sử dụng.
Mẹo: Không chọn mô hình mà không làm rõ phạm vi dự báo. Mô hình dự đoán ngày mai và mô hình dự đoán năm 2035 yêu cầu đầu vào hoàn toàn khác nhau và cách quản lý sự không chắc chắn khác nhau.
Các yếu tố xác định tải trọng và tính năng kỹ thuật
Đầu vào mà chúng tôi cung cấp cho mô hình học máy được gọi là các tính năng. Dự đoán tải tốt bắt đầu bằng việc chọn các tính năng tốt. Các yếu tố chính quyết định tải:
- Lịch: Thời gian, loại ngày, ngày cuối tuần, ngày lễ, mùa. Tải trọng tuân theo nhịp điệu hành vi của con người; Tạo nên những ngọn đồi vào buổi sáng và buổi tối.
- Không khí: Nhiệt độ là yếu tố mạnh nhất (tải làm mát và sưởi ấm), tiếp theo là độ ẩm, bức xạ và gió. Mối quan hệ nhiệt độ-điện tích nói chung có hình chữ U: tải tăng cả trong điều kiện rất nóng và rất lạnh.
- Tải quá khứ: Tiêu thụ một giờ, một ngày và một tuần trước (tính năng trễ) là điềm báo mạnh nhất về tương lai gần.
- Sự kiện đặc biệt: Sự kiện thể thao lớn, kỳ nghỉ dài, cú sốc kinh tế.
Trí tuệ nhân tạo rất hữu ích trong việc tạo ra các thuộc tính này và khám phá những thuộc tính nào hiệu quả. Nhưng hãy cẩn thận với một cái bẫy: việc quy kết thông tin sẽ không có sẵn tại thời điểm dự đoán (ví dụ: nhiệt độ thực tế của thời điểm được dự đoán, trong khi chúng ta sẽ chỉ có dự báo thời tiết) sẽ tạo ra rò rỉ dữ liệu và khiến mô hình về cơ bản trở nên vô dụng.
Từng bước: Ước tính tải bằng trí tuệ nhân tạo
Bước 1 - Xác định vấn đề. Đường chân trời (ngày mai hoặc năm sau), độ phân giải (hàng giờ) và mục tiêu (tổng tải hệ thống hoặc bộ cấp nguồn duy nhất) được làm rõ.
Bước 2 - Chuẩn bị dữ liệu. Một chuỗi thời gian sạch sẽ được thiết lập với kỷ luật ở đơn vị trước; Dữ liệu thời tiết và lịch được thêm vào.
Bước 3 - Tạo thuộc tính. Các thuộc tính lịch trình, tải chậm và thời tiết được tạo. Rò rỉ được kiểm tra: mọi tính năng có sẵn tại thời điểm dự đoán không?
Bước 4 - Chọn và huấn luyện mô hình. Đường cơ sở đơn giản (ví dụ: "cùng thời điểm tuần trước") luôn là bước đầu tiên; Những mô hình tiên tiến chỉ có giá trị khi vượt qua được nền tảng này. AI rất hữu ích trong việc tạo mã mô hình và đường dẫn tính năng.
Bước 5 - Đánh giá. Mô hình được thử nghiệm trong một khoảng thời gian mà nó không thấy được (một khoảng thời gian trong tương lai); Nó không bao giờ được đánh giá trong dữ liệu đào tạo. Số liệu được chia nhỏ theo giờ và chế độ.
Bước 6 - Báo cáo sự không chắc chắn. Một phạm vi (dải dự đoán) được đưa ra, không phải một con số; Dự phòng mạng được lên kế hoạch theo băng tần này.
Đo lường lỗi dự báo: MAPE và hơn thế nữa
Một số số liệu được sử dụng để đo lường chất lượng dự báo. MAPE (Lỗi phần trăm tuyệt đối trung bình) là chênh lệch phần trăm trung bình giữa dự đoán và thực tế; Thật dễ dàng để giải thích. Thông thường, 1 đến 3 phần trăm MAPE được coi là phù hợp để dự báo phụ tải ngắn hạn ở cấp hệ thống; Ở cấp độ tòa nhà/trung tâm duy nhất, giá trị này đương nhiên cao hơn vì người tiêu dùng đơn lẻ có nhiều thay đổi hơn.
Nhưng chỉ riêng MAPE có thể gây hiểu nhầm. Ngay cả khi mức trung bình có vẻ thấp, vẫn có thể có sai lệch hệ thống trong giờ cao điểm và mạng rất quan trọng ngay lúc cao điểm. Vì vậy, cần phải kiểm tra lỗi riêng biệt theo giờ, theo ngày và đặc biệt là vào thời điểm cao điểm. Ngoài ra, hướng của sai sót cũng rất quan trọng: việc đánh giá thấp liên tục (đánh giá thấp nhu cầu) dẫn đến kế hoạch sản xuất không đầy đủ và tạo ra sự mất cân bằng.
Thận trọng: Chỉ nói "MAPE là 2 phần trăm là chưa đủ." Nếu MAPE giờ cao điểm là 6 phần trăm và bạn luôn đánh giá thấp mức cao điểm buổi tối thì việc cân bằng lưới điện với mô hình đó sẽ bị tổn hại. Đừng bao giờ coi số liệu trung bình là an toàn nếu không chia nhỏ nó theo chế độ.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Không vượt qua được đường cơ sở. Một nhóm đã xây dựng một mô hình phức tạp và nhận được MAPE 2,8% và rất vui mừng. Sau đó, cơ sở đơn giản "cùng thời điểm tuần trước + điều chỉnh nhiệt độ" mang lại 2,6%. Mô hình phức tạp không thể vượt qua được nền móng; không có giá trị gì về độ phức tạp bổ sung. Bài học: luôn xây dựng nền tảng đơn giản trước tiên.
Trường hợp 2 - Điểm mù trên cao. Mô hình của một công ty phân phối đạt kết quả tốt ở mức 2,1% trong MAPE tổng thể nhưng luôn dự đoán thấp hơn 7% trong thời kỳ đỉnh cao của điều hòa không khí vào buổi tối mùa hè. Điều này tạo ra tình trạng sụt giảm tải và điện áp bất ngờ trong một vài ngày nắng nóng. Khi thêm "số ngày nóng liên tiếp" (tích tụ nhiệt của tòa nhà) vào thuộc tính nhiệt độ, sai số cực đại giảm xuống còn 3%.
Trường hợp 3 - Ngăn chặn rò rỉ. Mô hình của một thực tập sinh đã thực hiện rất tốt (0,4% MAPE) trong quá trình kiểm tra ngược. Cuộc điều tra cho thấy mô hình đã sử dụng nhiệt độ thực tế của thời gian dự đoán làm thuộc tính; trong khi thực tế nó chỉ là dự báo thời tiết. Sau khi rò rỉ được khắc phục, MAPE tăng lên mức thực tế là 2,5%. Kết quả "rất tốt" thường là dấu hiệu của sai sót.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Xây dựng mô hình dự đoán với dữ liệu tải này.[data]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Chuyên gia dự báo nhu cầu năng lượng. Mục đích: dự báo tải hệ thống hàng giờ trong ngày tới (24 giờ tới).- Trước tiên, đề xuất một đường cơ sở đơn giản (ví dụ: cùng thời điểm tuần trước) và tham chiếu nó.- Trích xuất danh sách các thuộc tính; Đối với MỌI thuộc tính, “dự đoán có sẵn ngay lập tức không?” đánh dấu. Tách riêng những đối tượng có nguy cơ rò rỉ.- Tiến hành đánh giá RIÊNG với giai đoạn đào tạo, vào giai đoạn sau.- Báo cáo MAPE nói chung VÀ riêng trong giờ cao điểm; Chỉ định hướng lỗi (thấp/cao). - Đặt kết quả là khoảng dự đoán, không phải là một số duy nhất. Lược đồ dữ liệu: [cột]
Lời nhắc mạnh mẽ củng cố nền tảng, ngăn chặn rò rỉ, thiết lập đánh giá một cách chính xác và làm cho sự không chắc chắn trở nên rõ ràng — loại bỏ bốn sai lầm kinh điển về dự báo tải kém.
Bốn mẫu có thể sao chép
1) Kiểm tra thuộc tính và rò rỉ:
Đề xuất danh sách các đặc điểm cho bài toán dự đoán sau: [problem]. Đối với mỗi thuộc tính, hãy cung cấp ba thông tin: (a) tại sao nó ảnh hưởng đến tải, (b) dự đoán có sẵn ngay lập tức không, (c) có nguy cơ rò rỉ hay không. Loại bỏ những cái bị rò rỉ khỏi danh sách của bạn.
2) Xây dựng mô hình cơ bản:
Đề xuất ít nhất hai đường cơ sở đơn giản cho chuỗi tải này (ví dụ: cùng thời điểm ngày hôm qua, cùng thời điểm tuần trước, mức trung bình đã điều chỉnh theo nhiệt độ). Viết lý do cho mỗi. Một mô hình tiên tiến sẽ chỉ được đề xuất nếu nó vượt qua được những điều cơ bản này một cách có ý nghĩa.
3) Quy trình đánh giá:
Lập kế hoạch đánh giá cho mô hình này: tách các giai đoạn đào tạo/kiểm tra theo thứ tự thời gian (không rò rỉ từ tương lai về quá khứ). Tính toán các số liệu riêng biệt theo cơ sở chung, loại ngày và giờ cao điểm. Báo cáo khía cạnh hệ thống của lỗi.
4) Sự không chắc chắn và ra quyết định:
Trình bày dự báo với một phạm vi (dải trên/dải dưới). Giải thích khoảng thời gian này sẽ được gắn với quyết định dự phòng lưới điện và đấu thầu thị trường như thế nào. Đồng thời trả lời câu hỏi "trường hợp xấu nhất" sẽ là gì.
Bảng chân trời dự báo
chân trời
Thời lượng
Sử dụng cơ bản
yếu tố chi phối
quá ngắn
Phút giờ
cân bằng, kiểm soát
tải gần đây
ngắn
1-7 ngày
Đơn vị cam kết, thị trường
Thời tiết, loại ngày
trung bình
Tuần-năm
Bảo trì, nhiên liệu, hợp đồng
tính thời vụ, kinh tế
dài
năm
Đầu tư, năng lực
Dân số, EV, bơm nhiệt
Những lỗi thường gặp
- Bỏ qua nền tảng đơn giản. Một mô hình phức tạp không thể được coi là có giá trị nếu không chứng tỏ được rằng nó vượt qua được nền tảng đơn giản.
- Rò rỉ dữ liệu. Việc quy kết thông tin sẽ không có sẵn tại thời điểm dự đoán sẽ tạo ra sự hoàn hảo sai lầm.
- Tin tưởng một cách mù quáng vào số liệu trung bình. Nếu giờ cao điểm và chuyển tiếp theo mùa không được kiểm tra riêng biệt thì mạng sẽ gặp rủi ro.
- Cho một số lẻ. Dự báo mà không có dải không chắc chắn là không đầy đủ cho việc lập kế hoạch dự phòng.
- Đánh giá trên dữ liệu đào tạo Mô hình phải luôn được thử nghiệm trong khoảng thời gian mà nó không được nhìn thấy.
Tóm lại
Dự báo phụ tải là nhịp đập của hệ thống năng lượng; Phương pháp và độ không chắc chắn của nó thay đổi tùy theo đường chân trời. Dự đoán tốt bắt đầu từ thuộc tính tốt và đòi hỏi sự tỉ mỉ để tránh rò rỉ. Trí tuệ nhân tạo là công cụ hỗ trợ mạnh mẽ trong việc tạo tính năng, xây dựng và đánh giá mô hình; nhưng đường cơ sở đơn giản luôn mang tính chất tham khảo, việc đánh giá được thực hiện trong khoảng thời gian không xác định được và sai số được diễn giải trên cơ sở cao điểm/chế độ chứ không phải trên cơ sở trung bình. Ước tính không phải là một con số mà là một phạm vi được quyết định.
Nhiệm vụ ứng dụng
Lấy một loạt tải hoặc tiêu thụ. Trước tiên, hãy thiết lập đường cơ sở đơn giản theo cách thủ công (ví dụ: "cùng thời điểm tuần trước"). Sau đó, yêu cầu AI đưa ra kế hoạch dự đoán với các mẫu “Kiểm tra thuộc tính và rò rỉ” và “Giao thức đánh giá”. Hãy tự hỏi bản thân về nguy cơ rò rỉ của từng thuộc tính được đề xuất. Cuối cùng, kiểm tra xem sai số dự báo vào giờ cao điểm có khác với sai số trung bình hay không và ghi lại phát hiện của bạn.
danh sách kiểm tra
- [ ] Tôi đã làm rõ phạm vi dự báo, độ phân giải và mục tiêu
- [ ] Tôi đã xây dựng một nền tảng đơn giản và tham khảo nó
- [ ] Mỗi thuộc tính có được "dự đoán ngay lập tức không?" Tôi đã kiểm tra xem có rò rỉ không.
- [ ] Tôi đã thực hiện đánh giá trong giai đoạn mù quáng
- [ ] Tôi đã kiểm tra MAPE riêng biệt trên cơ sở chung và giờ cao điểm
- [ ] Tôi đã kiểm tra hướng hệ thống của lỗi (thấp/cao)
- [ ] Tôi đã trình bày ước tính với nhiều mức độ không chắc chắn và phán đoán