כיצד להשתמש בנתונים היסטוריים כדי חיזוי יכולות במתן שירותים

מבוא: מדוע נתונים היסטוריים הם סלע היכולת של תחזיות השימוש

כל מפעיל שירות יודע כי הפער בין יותר מדי יכולת ומעט מדי יכול להיות ההבדל בין רשת גמישה לבין פיגור כרוני.השאלה היא לא אם לחזות - זה איך לחזות נתונים היסטוריים היטב, כאשר נאסף בקפידה וניתח בחוכמה, מציע את החלון המובהק ביותר לתוך הביקוש בעתיד. מאמר זה בוחן את הצינור המלא - ממטר גלם השקעות להחלטות בנויות - מראה כיצד שירותים יכולים להפוך את דפוסי הפעולה המדויקים ביותר, כולל תוכניות למידה קריטיות ביותר, כולל תוכניות למידה.

תפקידם של מידע היסטורי בתכנון יכולות השימוש

יכולת תכנון שירותים - חשמליות, מים, גז או חימום מחוזי - שאלות בסיסיות:0כמה היצע יהיה צורך בכל שעה של היום, עונת השנה, ותחת כל תרחיש מזג אוויר סביר מזג אוויר סביר? ⁇ FLT:1 נתונים היסטוריים מספק את השיא היחיד מבוסס ראיות של התנהגות בעבר.

רשתות שימושיות הן הון-רגישות, עם זמני בנייה ארוכים.התתת כוח או הרחבת טיפול במים עשויה לקחת שלוש עד שבע שנים מתכנון לפעולה.חיזוי המסתמך על מגמות הצריכה ההיסטורית מאפשר שירותים לזמן נכון את ההשקעות הללו.לדוגמה, תועלת הרואה עלייה קבועה של 2% עד שבע שנים בביקוש לשיא לאורך עשור יכולה לקבוע שינוי חדש לפני שהבוגר מגיע לדירוג המקסימלי שלה, כך למנוע יעילות מופרזת של נתונים, וכך גם כן, לעומת זאת, מאשר יעילות גבוהה יותר מ-2%, מאשר תוכניות יעילות גבוהה יותר מאשר יעילות גבוהה יותר מאשר יעילות הקיץ, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, כך, כך, לעומת זאת, יכולה לקבוע שינוי חדש, לעומת זאת, לעומת זאת, כך, כך, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, כך, כך, לעומת זאת, לעומת זאת, כך, לעומת זאת, עלייה של יעילות גבוהה יותר מצריכת חשמל, יכולה לקבוע שינוי חדש, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, עלייה של 100%, לעומת זאת, לעומת עלייה של 100%, לעומת

גישה שיטתית לאיסוף נתונים וביטוח איכות

איכות כל תחזית מוגבלת ביסודה על ידי איכות נתוני קלט.עבור שירותים, נתונים באים ממקורות מגוונים: מטרים חכמים ברמת הלקוח, בקרה פיקוח ורכישת נתונים (SCADA) על הרשת, מסדי נתונים, תחנות מזג אוויר, ורשומות ניהול נכסים. לכל מקור יש תדר דגימה משלו, דיוק, ותבנית.השלב הראשון והביקורתי ביותר הוא לאסוף זרמים אלה, לבודדים היסטוריים.

בניית קו הנתונים

החל על ידי הפעלת החילוץ של שעה (או sub-שעה) לטעון נתונים מתשתית מדמינג (שיטות מתקדמות מתקדמות מתקדמות רבות (AMI) כבר לספק נתונים מרווחי 15 דקות. Pair זה עם נתונים מזג אוויר מקבילים של מינהל האוקיינוסים והאטמוספירה הלאומי (NOAA) או שירותים מטאורולוגיים מקומיים. עבור גז ואמצעי מים, לאסוף טמפרטורה ומשקעים, כמו הביקוש הזה לאינדיקטורים חימום וארוכים, כגון זמני תחזוקה ייעודיים, כגון דחוסים, כגון מחסני זמן, כגון החלפה, או טמפרטורות ארוכות.

ניקוי נתונים ומניעה

נתונים היסטוריים של Raw הם לעתים נדירות מושלמים.ערכים חסרים מכשלי תקשורת מטר, ספייקים חריגים הנגרמים על ידי גלי חיישן, ושינויים מצילי אור היום כל מציג רעש. Utilities חייב לקבוע סף איכות נתונים: לדוגמה, אם יותר מ-5% של קריאה זמנית חסרים בחודש, כי חודש הוא מעוגן עבור פערים קטנים יותר, אינטרפולציה ליניארית או דפוס עונתי יכול למלא את הערכים הסבירים, ללא הצלחה, שמירה על פני טווח נתונים אמין, ללא הצלחה, ללא הצלחה גבוהה, שמירה על פני טווח זה, ללא הצלחה גבוהה.

עבור יותר על ניהול נתונים במערכות שירות, ה-FLT:0NIST Cybersecurity FrameworkFLT:1 מספק הנחיות אשר גם תמיכה פרקטיקות של יושרה נתונים.

נקודות נתונים חיוניות עבור קיבולת שימוש

לא כל הנתונים ההיסטוריים הם חיזוי שווה.הקטגוריות הבאות מייצגות את נקודות הנתונים שיש להן את ההשפעה החזקה ביותר על מודלים של קיבולת.

שעה ומדי יום - תבניות

צורת העקומה של העומס חשובה יותר מאנרגיה כוללת.תועלת שמשרתת תערובת של לקוחות למגורים ומסחריים תראה שיא של בוקר, רמה של יום-יום, ושיא ערב במהלך ימי השבוע, בעוד בסופי שבוע מראים דפוס שטוח יותר. Capturing אותם צורות שעה במשך כמה שנים מאפשר מודלים ללמוד לא רק את הרמה אלא את התזמון של הביקוש לשיא.

תקופת הביקוש

מעבר לעומסים הממוצעים, ה-1% הגבוהים ביותר של שעות הביקוש (העומס הפשפשפש) קובע כמה דורות וקיבולת השידור נדרשת.יש לנתח נתונים היסטוריים כדי לזהות לא רק את השיא היחיד, אלא את 50 או 100 השעות השיאים המובילים בשנה.אירועים אלה לעתים קרובות מתקבצים סביב גלי חום, צמות קרות קרות או אירועים מיוחדים (למשל, תצוגת תאורה חגיגית גדולה).

שינויים עונתיים ומזג אוויר-Driven

הטמפרטורה היא משתנה מזג האוויר הדומיננטי עבור כלי חשמל, בעוד הגשמים מניעים את הביקוש למים.הנתונים ההיסטוריים צריכים לכלול ימי חימום וימי תואר קירור, שכן אלה מתאמים מאוד עם השימוש HVAC. Humidity, מהירות רוח, כיסוי ענן להשפיע גם על העומס, במיוחד עבור רשתות תלויות השמש. Utilities צריך לאסוף לא רק מזג אוויר בפועל, אלא גם תחזיות מזג אוויר מאותה תקופה כדי לבדוק איך מודלים היטב שבוצעו באמצעות חיזוי נתונים קריטי.

אירועים היסטוריים ותחזוקתיים

כאשר יכולת אינה זמינה בשל תחזוקה מתוכננת או לא מתוכננת, העומס הוא או נקטע או מבוצע על ידי נכסים שכנים. רשומות היסטוריות של אירועים אלה מאפשרות מודלים להפריד ביקוש אמיתי ממוגבלים.לדוגמה, אם תת-התקפה לא היה בשירות למשך שבוע בשנת 2019, העומס המתועד באזור זה הוא מדכא ולא צריך להיות מטופל כרגיל.

מדדים כלכליים ודמוגרפיים

מגמות ארוכות טווח - גידול פופולריות, פיתוח תעשייתי, אימוץ של כלי רכב חשמליים, או יעילות אנרגיה המנדטים - לעצב את בסיס הביקוש.בעוד שינוי שנתי הוא איטי, על פני אופק של 5 עד עשר שנים זה הופך דומיננטי. Utilities צריך לשלב היתרי בנייה מקומיים, נתוני תעסוקה, ונתוני רישום EV כמו משתנים אקסוגניים במודלים החיזוי שלהם.

טכניקות אנליטיות: מתיאוריות לחיזוי

ברגע שהמידע ההיסטורי נקי והמשתנה הרלוונטי מזוהה, הצעד הבא הוא ליישם שיטות אנליטיות החושפות דפוסים וזיהוי מערכות יחסים.בחירה של טכניקה תלויה באופק החיזוי (טווח קצר מול הון ארוך טווח) ואת המורכבות של נהגים הביקוש.

זמן-סדרה Decomposition

הטכניקה האינטואיטיבית ביותר היא לנסח את העומס ההיסטורי לתוך מגמה, עונתית, ורכיבים שאריות.פרק העונה (באמצעות שיטות כמו STL - עונתי-טרנד דהקום באמצעות LOESS) מגלה את הדפוסים השבועיים והשנים חוזרים.להסתכל על השווולד, אנליסט יכול לזהות שנים כאשר הביקוש היה גבוה או נמוך עקב מזג אוויר קיצוני או זעזועים כלכליים.

מודלים של Regression

תוקפנות ליניארית מרובות מאפשרת שירותים לכמת את היחסים בין עומס לבין משתנים מתוכננים כגון טמפרטורה, שעה של יום, סוג יום (שבוע / שבוע / שבוע / יום), וצמיחה כלכלית.לדוגמה, מודל עשוי להראות כי עבור כל רמה גלימות מעל 85 מעלות צלזיוס, עומס מגורים עלייה על ידי 2.3%.

Machine Learning for Complex Patterns

כאשר מערכות היחסים אינן לינאריות או כרוכות במשתנים אינטראקציה רבים, אלגוריתמי למידת מכונה לעתים קרובות מזהמים מודלים סטטיסטיים מסורתיים.FLT:0Random Forest ו- Gradient Boosting (XGBoost, LightGBM) מהירויות 1 הן מתאימות במיוחד לחיזוי עומס כלי רכב, כי הם מטפלים בנתונים חסרים היטב ולוכדים בין תכונות מזג אוויר ושעה ללא תכונות ידניות, במיוחד לטווח קצר של שיטות למידה (S) במשך שלוש שנים) במשך זמן קצר, כלומר, כלומר, לעתים קרובות, כלומר, כלומר, כלומר, שיטות ניסיון מוקדם יותר זמן קצר, יכולות להיות תלויות, לפחות, כלומר, כלומר, כלומר, לפחות, שיטות למידה, כלומר, כלומר, כלומר, לפחות, כלומר, שיטות זמן קצר של שיטות זמן קצר של זמן קצר של זמן קצר של זמן קצר, כלומר, על גבי זמן קצר, כלומר, על גבי זמן קצר, על גבי שעות של שיטות למידה, שיטות זמן קצר, כלומר, לעתים קרובות, על גבי שעות ביממה, על גבי זמן קצר, על גבי שעות ביממה, על גבי זמן קצר, על גבי שעות ניסיון, על גבי שעות של שיטות למידה, על גבי שעות ביממה, על גבי שעות של שיטות למידה, על גבי שעות ביממה, על גבי זמן קצר, לעתים קרובות, כלומר,

עבור סקירה טכנית עמוקה יותר, נייר ההרחבה:0 (IEEE) על עומס קצר טווח הצפוי ,IEE 2019) מספק ציון של שיטות החלות על נתונים של תועלת הציבור.

בניית מודלים ואימות

בחירת ארכיטקטורת מודל היא רק ההתחלה.הערך המעשי של תחזית תלוי איך הוא מאומנים, מאומת ומעודכן.

בחירת ההוריקן הנכון והגרנריות

תכנון יכולות דורש הן לטווח בינוני (אחד עד חמש שנים) ותחזיות ארוכות טווח (חמש עד עשרים שנה).עבור לטווח בינוני, פתרון שעה הוא אידיאלי ללכוד תזמון שיא; לטווח ארוך, חודשי או שנתי מספיק, עם עומס שיא מוערך באמצעות שיעורי צמיחה ורגישות מזג אוויר.מודלים חייבים להיות מותאמים לכל אופק: העברת ממוצעים ופעולה אקספוננציאלית עבור מגמות ארוכות טווח, בעוד שמודלים למידה לטווח קצר חיזוי לטווח קצר.

אימות נגד נתונים חיצוניים

טעות נפוצה היא להכשיר מודל על כל הנתונים ההיסטוריים ולדווח על הדיוק שלו על אותו נתונים.זה מוביל לאופטימיות לא מציאותית במקום, לחלק את הנתונים כרונולוגיים: לרכב על, למשל, 2015-20, ולאחר מכן לבדוק תחזיות נגד 2021-2022 בפועל, מדדי מפתח כוללים שגיאות מדרגה ראשונה (MAPE) LTI) ו- 1D2D) חיזוי סופי של דיוק כולל של 3.

עדכון עיבוד והתאמה

נתונים היסטוריים הופכים לצלחים כמו שינויים בהתנהגות הלקוחות, טכנולוגיות חדשות מאומצות, ודפוסי האקלים משתנים.פרקטיקה טובה ביותר היא להכשיר מודלים רבעון, שילוב השנה האחרונה של נתונים ומאפשרים למודל להסתגל למגמות האחרונות.עבור מודלים באמצעות קלטי מזג אוויר, כלי רכב יכולים ליישם חלון מתגלגל - לדוגמה, באמצעות חמש השנים האחרונות של נתונים.

משרד האנרגיה האמריקאי (באנגלית: United States Department of Energy's FLT:0Loading Resourceing ResourceFLT: 0) מציע מחקרים על האופן שבו כלי השירות יישמו את שיטות האימות הללו.

תרגום להחלטות תכנון יכולות

המטרה הסופית של החיזוי היא לא קבוצה של מספרים – זו החלטה מושכלת לגבי איפה, מתי וכמה להשקיע.תרגום מחיזוי לתכנן דורש תהליך החלטה מובנה.

זיהוי יכולות

השווה את הביקוש לפסגה הצפוי לכל נכס (transformer, תת-קרקעי, סעיף צינור) כנגד דירוג יכולתה המשרדית.ליישם שולי תכנון - באופן חד-משמעי 10-15% מעל השיא הצפוי כדי להסביר אי ודאות והתאמה.אם התחזית פלוס שוליות עולה על יכולת בכל שנה, כי הנכס הוא מעוות לחיזוק או תחליף.

השקעות של תשתיות

תחזיות מאפשרות שירותים לרצף השקעות ביעילות. תחזית הביקוש רב שנתית יכולה לשמש כדי לקבוע אם להרחיב אתר קיים, לבנות אתר חדש, או להידרדר באמצעות ניהול צד הביקוש.לדוגמה, אם התחזית מראה כי הצמיחה שיא יהיה מרוכז במחוז מסוים, השירות יכול לאשר מראש את האזור הזה עבור שדרוגים תוך כדי פיזור פרויקטים פחות קריטיים.

תוכניות תחזוקה ויציאה

תחזיות יכולות גם להנחות תכנון תפעולי.זמזמן תחזוקה עבור המשתנים, מתג'אר ויחידות הדור צריכים להיות ממוקמים בחודשים שבהם העומס הצפוי הוא הנמוך ביותר.הנתונים ההיסטוריים על פני מחוץ לגדר וחלונות תחזוקה יכולים להיות מוגזמים עם תחזית עומס עתידי למזער את הסיכון של הפסקת אש במהלך שיא צפוי.בנוסף, אם התחזית מעידה על סבירות גבוהה של אירוע קיצוני (למשל, חום, דרישות), מנועיות הפעלה מראש יכול להפעיל מראש או מראש.

יכולת דינמית בתכנון ניתוח Scenario

מאחר שהעתיד אינו ברור, הסתמך על תחזית נקודה אחת מסוכנת.השימושיות צריכות לפתח תרחישים מרובים: בסיס (מגמה היסטורית ממשיכה), תרחיש גבוה (אימוץ EV, קיץ חם יותר), ותסריט נמוך-צמיחה נמוך (יעילות אנרגיה עמוקה, אקלים מתון) מייצר דרישה שונה של השקעה.

להתגבר על אתגרים משותפים בתחזיות

גם עם הנתונים והמודלים הטובים ביותר, החיזוי נשאר בלתי מושלם, הכרה וצמצום המלכודות הנפוצות ביותר הוא חיוני לשמירה על אמון בעלי המניות ולהימנע מטעויות יקרות.

איכות נתונים ושקיפות

למרות ניקוי קפדני, בעיות נתונים נמשכות.מונים חכמים עשויים להיות מומסים, מטרים חדשים מותקנים, או מחזורי חיוב השתנו, יצירת הפסקות בתיעוד. Utilities צריך לשמור על יומן metadata המ מתעד כל שינוי במתודולוגיה, מבנה מכס, או תצורה של פול הופך.ג זה מאפשר מודלים להתאים נתונים היסטוריים עבור הפסקות ידועות, למנוע את המודל ממגמות מלאכותיות.

שינוי התנהגות

האתגר הגדול ביותר לחיזוי ארוך טווח הוא שינוי מבני.אימוץ השמש על גג מעוקלות נטו שטוח; כלי רכב חשמליים מוסיפים שיאים חדשים של הלילה; ועבודות מן הדפוסים הביתיים יש ביקוש מחדש של יום השבועי.הנתונים ההיסטוריים מלפני חמש שנים עשויים לא לשקף התנהגות מספקת הנוכחית.

אירועים קיצוניים ושינויי אקלים

נתונים היסטוריים עשויים לא ללכוד את מגוון רחב של אירועים קיצוניים עתידיים כי שינויי האקלים עושים גלי חום, סערות, ובצורת חמורה יותר.לחזור רק על דפוסי מזג אוויר היסטוריים יהיה תחת הביקוש לפסגה עתידית של מדינות. Utilities צריך לשלב תחזיות אקלים ממקורות כמו הערכה אקלים לאומי או מחקר באוניברסיטה המקומית. גישה מעשית אחת היא "להמריץ" את המודל על ידי שנים שנוצרו על ידי הסתברות גבוהה 10% הם חמים או 20% יותר מאשר דרישות הסתברות היסטורית, אם עדיין, אם זה עדיין לא בטוח, אם זה, אם זה, כמו גם כן, כי הוא לפתח את ההסתברות גבוהה יותר, אם זה, כי הוא לפתח את ההסתברות גבוהה יותר מאשר קיבולת גבוהה יותר מאשר קיבולת של קיבולת גבוהה יותר מאשר קיבולת גבוהה יותר של קיבולת היסטורית של קיבולת גבוהה יותר מאשר קיבולת קיבולת הסתברות גבוהה יותר של קיבולת מדידה מדויקת של קיבולת קיבולת קיבולת קיבולת מדידה גבוהה יותר של קיבולת קיבולת הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר של הסתברות גבוהה יותר הסתברות גבוהה יותר הסתברות גבוהה יותר הסתברות גבוהה יותר

המחקר המדעי של המחקר (FLT:0) Environmental and Energy Research InstitutesveFLT:1 מספק משאבים על האופן שבו הכלים משלבים תרחישים אקלים בתכנון תשתיות.

עתיד החיזוי: בינה מלאכותית ו-Time Data

ככל שהטכנולוגיה מתקדמת, כך גם הכלים הזמינים לחיזוי.בעוד הנתונים ההיסטוריים נותרים מבוססים, יכולות חדשות מתעוררות המבטיחות דיוק רב יותר ותגובה רבה יותר.

(FLT:0) אינטגרציה נתונים בזמן אמת אינטגרציה של נתונים מ-FLT:1 ממכשירים חכמים, חיישני IoT, ואכילת מזג אוויר מאפשרת תחזיות מבצעיות קצרות טווח להיות מעודכנים כל כמה דקות.תחזיות מבצעיות אלה ניזונות לחדרי בקרה ברשת כדי לנהל משאבי אנרגיה מבוזרים, אבל הם גם מודיעים על מתכנתים בעלי יכולת גבוהה על בעיות מתעוררות - לדוגמה, עלייה פתאומית בטעינה בשכונה שלא הייתה דאגה קודמת על ידי מחקרים ארוכי טווח, מאשר קיבולת היסטורית, מאשר קיבולת גבוהה, יכול לזהות פערים לפני זמן קצר לפני זמן קצר לפני זמן, מאשר קיבולת, מאשר מחקרים לטווח ארוך טווח, מאשר קיבולת, מאשר קיבולת גבוהה של זמן רב יותר מאשר קיבולת, מאשר קיבולת היסטורית, יכול לזהות פערים, מאשר קיבולת גבוהה של זמן רב יותר מאשר קיבולת גבוהה של זמן רב של זמן רב יותר מאשר קיבולת גבוהה עם קיבולת, לדוגמה, מאשר מחקרים לטווח ארוך טווח, מאשר מחקרים לטווח ארוך טווח, מאשר מחקרים לטווח ארוך טווח, יכול לזהות קיבולת, מאשר קיבולת, מאשר קיבולת, לדוגמה, מאשר מחקרים לטווח ארוך טווח, למשל, למשל, מאשר מחקרים לטווח ארוך טווח, מאשר קיבולת גבוהה של זמן רב של זמן רב יותר מאשר קיבולת גבוהה של זמן רב לפני

(FLT:0) אינטליגנציה מלאכותית של ההרחבה 1 (FLT) נעה מעבר לחיזוי עומס פשוט ללמידה חיזוק עבור תזמון קיבולת.מערכות אלה מדמיינות אלפי עתידים אפשריים באמצעות מודלים סטוצ'סטיים ונתונים היסטוריים, ולאחר מכן מומלץ אסטרטגיות השקעה המפחיתות את העלות תחת אי הוודאות.בעוד שעדיין ניסיוניים במגוון רב של כלי רכב, מוקדם מאמצים מוקדמים מדווחים על צמצום ההוצאות על הון ב-5-10% באמצעות תזמון של פרויקטים של תשתיות.

מסקנה: להפוך את הנתונים של אתמול ליכולות המחר

נתונים היסטוריים הם הרבה יותר מאשר תיעוד של העבר; זהו המדריך אמין ביותר לצרכים עתידיים כאשר מטופלים עם משמעת ותובנה. מצנרת נתונים נקייה ובחירה תכונה מתחשבת לאמת מודלים ותכנון תרחיש, כל צעד בתהליך החיזוי מקטין את אי הוודאות ומגביר את היכולת של השירות לשרת את לקוחותיה באופן אמין ויעיל.