Giriş: Tarihsel veriler Kapasite Tahmininin Yataklı Bulunduğu

Her faydalı operatör çok fazla kapasite arasındaki boşlukın ve çok azın, dayanıklı bir ızgara ve kronik bir kesinti arasındaki farkı ifade edebileceğini bilir - riskin nasıl iyi olduğunu tahmin etmek için değil. Tarihsel veriler, toplanan verilerin toplanmasında, en kritik veriler, doğrulayıcıları incelemek için tam bir şekilde analiz edilir - her ikiyüzlülükten yatırım kararlarına kadar- son derece güvenli bir şekilde inşa edilebilir bir şekilde planlara nasıl dönüşebileceğini göstermek.

Tarihsel verilerin Kapasite Planlamasında Rolü

Yararlı hizmetler için kapasite planlama - elektrik, su, gaz veya bölge ısıtma - temel bir soruyu cevaplıyor: 03. Gün boyunca ne kadar tedarike ihtiyaç duyulacak, yılın sezonunda ve her makul hava senaryosu altında?).

Ürünlerin geniş kapsamlı olduğu, uzun inşaatın yol açtığı zamanlarda. Bir güç alt istasyonu veya su arıtma genişlemesi, operasyon planlamadan üç ila yedi yıl sürebilir. Tarihi tüketim trendlerine dayanan tahminler, bu yatırımları doğru bir şekilde gösterir. Örneğin, yaz taleplerinde sürekli% 2 artış gösteren bir fayda, eskisinden önce bir risk kesintisi planlayabilir. Conversely, tahmin etmek de atıkları önler - eğer veriler enerji verimliliği programları nedeniyle büyüme süresini gösterirse, bu tür bir artış ve milyonlarcaları tasarruf edebilir.

Data Collection ve Quality Güvenceye Sistematik Yaklaşım

Herhangi bir tahminin kalitesi temel olarak giriş verilerinin kalitesi ile sınırlıdır.Kullanımlar için, veriler çeşitli kaynaklardan gelir: müşteri seviyesinde akıllı metreler, denetçi kontrol ve veri satın alma sistemleri (SCADA) şebeke, faturalama veritabanı, hava istasyonları ve varlık yönetimi kayıtları.Her kaynak kendi örnek frekansı, doğruluk ve format vardır.

Data pipeline inşa edin

Saatlik (veya alt saat) geri çekilme verilerini metreküpsiyon altyapısından otomatik olarak otomatikleştirin. Birçok modern gelişmiş ölçüm altyapısı (AMI) sistemleri zaten 15 dakikalık veri içerir. Pair bu, ulusal Oceanic ve Atmospheric Management (NOAA) veya yerel meteorolojik hizmetler gibi ilgili hava verileri ile ilişkilendirir. Gaz ve su hizmetleri için, ayrıca ısıtma ve sulama için bu sürücü talebiyle birlikte ısıtılır.

Data Temizlik ve Imputation

Raw tarihi verileri nadiren mükemmel. metre iletişim başarısızlıklarından eksik olan değerleri, sensör aksakları tarafından kaynaklanan aşırı artışlar ve günlük ışık tasarrufu tüm gürültüyü ortaya çıkarır. Utilities, bir veri kalitesi eşiği oluşturmak gerekir: örneğin, saat boyunca okumaların% 5'inden fazlası manuel inceleme için bayraklanır.Daha küçük boşluklar için, lineer interpolasyon veya mevsimsel fikreasyon makul değerlerle dolu bir hesaplanabilir.

Veri yönetimine daha fazla bilgi yönetimi için, [[Üyetim:0)NIST Cybersecurity Framework[[Dönetici: 1) ayrıca veri bütünlüğü uygulamalarını destekleyen kılavuzlar sunar.

Kapasite Tahmini için Temel Veri Noktaları

Tüm tarihsel veriler eşit derecede tahmin edici değildir. Aşağıdaki kategoriler kapasite modellerine en güçlü etkiye sahip veri puanlarını temsil eder.

Saat ve Günlük Tüketim Desenleri

Yük eğrisinin şekli toplam enerjiden daha önemlidir. Birkaç yıl boyunca konut ve ticari müşterilerin karışımına hizmet eden bir fayda, sabah zirvesi, hafta içi bir platoyu ve hafta sonu boyunca bir akşam zirvesini görecek; ancak hafta sonu altyapı büyüklüğüne göre bir düzelme gösteriyor.[DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD)

Peak Request Periods

Ortalama yüklerin ötesinde, en yüksek talep saatlerinin% 1'i (örneğin, "peak yükü") çok fazla nesil ve iletim kapasitesinin gerekli olduğunu belirler. Tarihi veriler, gelecekteki en yüksek 50 veya 100 saat boyunca aynı zamanda en yüksek noktaları tespit etmek için analiz edilmelidir. Bu olaylar genellikle ısı dalgaları, soğuk uçları veya özel olaylar etrafında kümesler (örneğin, büyük bir tatil aydınlatma ekranı).

Mevsim ve Hava-Driven Variations

Sıcaklık, elektrik hizmetleri için baskın hava değişkeni, yağmurlar su talebi alırken, tarihî veriler ısıtmalı derece günlük ve soğutma derecesi günlükleri dahil etmeli, çünkü bu işlem, operasyonel planlama için güçlü bir şekilde gerçekleştirilecektir.

Tarihsel Outages ve Bakım Etkinlikler

Planlanan bakım veya planlanmamış kesintiler nedeniyle kapasite kullanılamıyorsa, yük ya da komşu varlıklar tarafından gerçekleştirilir. Bu olayların tarihsel kayıtları, modellerin kısıtlı taleplerden uzak tutulmasına izin verir. Örneğin, bir alt istasyon 2019 yılında hizmetten çıktıysa, bu alanda kaydedilen yük baskılanır ve normal olarak tedavi edilmemelidir.Eğitim veri setinde bu dönemleri takip etmek, örneğin, yüksek taleplerin öğrenmesini sağlar.

Ekonomik ve Demografik Göstergeler

Uzun vadeli eğilimler – nüfus artışı, endüstriyel gelişme, elektrik araçların benimsenmesi veya enerji verimliliği görevleri – talep tabanını genişletiyor. yıllık değişim yavaş olsa da, on yıllık ufukta, yapısal değişimler için tarihsel verileri ayarlamak için kullanılan 5 yıllık bir anketler.

Analitik Teknikler: Descriptive'den Tahmin Edici

Tarihi veriler temiz ve ilgili değişkenler tespit edildiğinde, bir sonraki adım, modelleri ortaya çıkaran ve ilişkileri ölçen analitik yöntemler uygulamaktır. Teknik seçimi tahmin ufuk (kıtlı operasyonel vs. uzun vadeli sermaye) ve talep sürücülerin karmaşıklığına bağlıdır.

Zaman-Serisi Decomposition

En sezgisel teknik, tarihsel yükün trende, mevsimsel ve oturmalı bileşenlere indirgenmesidir. Mevsimlik dekompozisyon (STL gibi yöntemler – sezon öncesi eğitimler, tekrarlanan büyüme ve yıllık desenleri kullanarak ortaya koyar).Süresel olarak, bir analist, hava aşırı veya ekonomik şoklar nedeniyle alışılmadık derecede yüksek veya düşük olduğu yıllar tespit edebilir.Bu dekompozisyon, geçmiş kapasitenin ihtiyaç duyduğu açık bir anlatı sunar ve gelecekteki büyüme oranları için temel bir temel belirlemeye yardımcı olur.

Regresyon Modelleri

Birden çok lineer regresyon, 85°F'nin üzerindeki ilişkiyi ölçmek için hizmet verir ve ortalama değişkenleri günde, gün tipi (hafta/hafta sonu/gün) ve ekonomik büyüme. Örneğin, bir model, ortalama 85°F'nin üzerinde, konut yükün 2,3'ün üzerinde artmasını sağlayabilir.Bu katlar, hava senaryoları altında gelecekteki talebi doğrudan tanımlamak için kullanılabilir.Regresyon modelleri şeffaf ve kapasite planlamaları için bir temel haline gelir.

Kompleks Desenler için Makine Öğrenme

İlişkiler doğrusal değildir veya birçok etkileşim değişkenlerini içerirken, makine öğrenme algoritmaları genellikle standart ve zaman özellikleri arasında manuel olarak etkileşim kurarlar.Neural ağları, özellikle Long Short-Term Memory (LSTM) ağları, modellemek için özellikle uygun olur, çünkü önceki günlerin hava ve zaman özellikleri arasında eksik verileri iyi bir şekilde ele alır ve genellikle birkaç yıl boyunca tekrar birleştirirler.

Daha derin bir teknik bakış için, [[Üyetim:0)IEEE kısa vadeli yük tahminleri üzerine kağıt ) (IEEE 2019) kamu yararı verilere uygulanan yöntemlerin bir kriterini sunar.

Yapı ve Geçerlilik Modellerini Gerçekleştirmek

Bir model mimarisi seçmek sadece başlangıçtır. Bir tahminin pratik değeri nasıl eğitilir, doğrulanır ve güncellenir.

Doğru Ufuk ve Granularity'yi seçmek

Kapasite planlama hem orta vadeli (beş yıl) hem de uzun vadeli (beş ila yirmi yıl) tahminleri gerektirir.Orta vadeli, saatli çözüm, yüksek zaman zaman zaman zaman zaman zamanlaması için idealdir; uzun vadeli, aylık veya yıllık toplamlar yeterli, büyüme oranları ve hava duyarlılığı kullanarak tahmin edilen üst düzey yük ile yapılır.

Out-of-Sample Data ile Geçerlilik

Yaygın bir hata, tüm tarihsel veri setinde bir model yetiştirmek ve aynı verilere doğruyu rapor etmektir.Bu, genel doğruluk ve doğrulama için aşırılıkçılığa yol açıyor.The Train on the data chronologically: tren on 2021-2022 gerçeklerine karşı tahminler. Key metrics include the most relevant metric for the same model.[tr|xPE)[DDönergeceli ve gerçekleştirilmiş bir hata ile ilgili tahminler% 3'ün üzerinde planlayıcılar için ortalama hataların % 3'ü daha iyi bir şekilde düzeltebilir.

Yenidenleme ve Adaptasyon Güncellemeleri

Tarihsel veriler müşteri davranışları değişiklikleri olarak durmaktadır, yeni teknolojiler kabul edilir ve iklim desenleri değişir.En iyi bir uygulama, en son veri yılı dahil olmak üzere, modelin son iki ayda bir eşleme yapmasına izin verir.For models using hava girişleri, services can implement a rolling window - Örneğin, en son beş yıllık verileri kullanarak. ek olarak,INGmodel tespiti)

ABD Enerji Bakanlığı'nın 03. Bölüm:0)Load Tahmin Kaynağı[Dönemli) Bu geçerlilik uygulamaları nasıl uyguladığı konusunda vaka çalışmaları sunuyor.

Translating Tahminleri Kapasite Planlama Kararlarına Dönüştürmek

Tahmin etmenin nihai hedefi, bir dizi sayı değildir - nerede, ne zaman ve ne zaman yatırım yapmak için bilgilendirilmiş bir karardır.

Kapasite Gaplerini Tanımlama

Her bir varlık için tahmin edilen zirve talebi ile karşılaştırıldığında (transformer, alt istasyon, boru hattı bölümü) firma kapasitesi puanına karşı.Bir planlama marjı uygulayın - yılda yüzde 10–15 MVA'ya ulaşmak için tahmin edilen zirvenin üzerinde tahmin edilen zirveye sahip olmak, tahmin artı marjın bir sonraki iki yılda bir planlama eylemi tetikleyeceğinden.

Altyapı Yatırımları

Tahminler, yatırımların verimli bir şekilde sıralanmasına izin verir. Çok yıllık bir talep tahmini, mevcut bir siteyi genişletmenin, yeni bir tane inşa etme veya talep yönetimi yoluyla ertelenmesinin sağlanması için kullanılabilir.Örneğin, tahminler, zirve büyümesinin belirli bir bölgede yoğunlaşacağını gösterirse, fayda, daha az kritik projeler için bu alanı yükseltebilir.

Bakım ve Outage Planları

Kapasite tahminleri de operasyonel planlamaya kılavuzdur. transformatörler için zamanlama, geçiş sırasında ve nesil birimlerin tahmin edilen yükün en düşük olduğu aylar içinde yer almalıdır.Son zamanlardaki bakım pencereleri önceden tahsis edilen mobil dönüştürücüler veya talep edilen programlarla ilgili talepler ile etkinleştirilebilir.

Scenario Analizi ile Dinamik Kapasite Planlama

Çünkü gelecek belirsizdir, tek bir noktaya dayanan tahmin tehlikelidir. Utilities birden fazla senaryo geliştirmelidir: bir temel (tarihsel trend devam eder), yüksek hacimli bir senaryo (parçalı EV kabul, sıcak yazlar), ve düşük ücretli bir senaryo (sağlık enerji verimliliği, hafif iklim). Her senaryo daha sonra plan kararı, aşırı hava durumuyla ilgili olarak, aşırı taleplere dayanan bu senaryolara göre nasıl cevap verebilir.

Overcoming Common Challenges in Utility Tahmining

En iyi veriler ve modeller ile bile tahmin edilemez kalır. En yaygın pitfalls'ları tanımak, hisse senedi güvenini korumak ve pahalı hataları önlemek için önemlidir.

Data Quality and Consistency

Katı temizlemeye rağmen, veri sorunları devam ediyor. Akıllı metre, örnekleme için tarihi verileri ayarlamaya izin verebilir, yapay eğilimleri öğrenmeden vazgeçirmelidir. Utilities, ölçüm metodolojisinde her değişikliğin bir kopyasını tutmalı, tarife yapısı veya polen yapılandırması için bir model oluşturabilir.Bu log, modelleyicilerin yapay eğilimleri öğrenmesini sağlar.

Değişen tüketim Davranışları

Uzun vadeli tahmin için en büyük meydan okuma yapısal bir değişimdir. Çatı yüzeyinin benimsenmesi düzleştirilmiş net yük eğrileri içeriyor; elektrikli araçlar yeni gece zaman zirveleri ekliyor; ve iş-ev desenleri yeniden şekillendirilmiş haftalar talep ediyor. 5 yıl önce, bu şekilde eğitilmiş bir model, hizmetlerin kurulma veya güneş penetrasyon istatistikleri gibi - modellerine kadar yerel bağlamlara uygun hale getirilmesi gerektiği gibi.

Extreme Events and Climate Change

Tarihsel veriler, gelecekteki aşırı olayların tam yelpazesini yakalamayabilir, çünkü iklim değişikliği ısı dalgaları, fırtınalar ve kuraklıklar daha şiddetlidir. Sadece tarihsel hava koşulları altında bulunan ve ortaya çıkan kapasite gereksinimlerine göre iklim değişikliğinin en yüksek seviyedeki tahminleri kapsamalıdır.Bu, bu tür aşırılıkların kesin olasılığı belirsiz olsa bile, bu durum tahmin edilebilir.

[FONT:0]Environmental ve Enerji Çalışması Enstitüsü), iklim senaryolarını altyapı planlamaya nasıl entegre ettiklerinin kaynakları sağlar.

Kapasite Tahmini Geleceği: AI ve Real-Time Data

Teknoloji ilerledikçe, tahmin için mevcut araçları yapın. Tarihi veriler temel olarak kalırken, yeni yetenekler daha büyük doğruluk ve duyarlılığa söz veren ortaya çıkıyor.

[FONT:0] Gerçek zamanlı veri entegrasyonu[[Döneticiler, IoT sensörleri ve hava beslemeleri, her birkaç dakikayı güncelleyebilmeniz için kısa vadeli operasyonel tahminler mümkün değildir. Bu operasyonel tahminler, dağıtımlı enerji kaynaklarını yönetmek için şebeke kontrol odalarına beslenirler, ancak örneğin, daha önce bir mahallede EV şarj yükte bir artış, yüksek frekanslı gerçek zamanlı verileri birleştirerek, uzun vadeli tarihsel eğilimleri ile birlikte, hizmetler, kapasite boşluklarını yalnızca ortaya çıkarabilirler.

[FONT:0)Artificial intelligence[[Dönetici:0) İnşaat planlama için temel hesaplamayı güçlendirmek için basit yük tahmininin ötesine geçiyor. Bu sistemler, stokastik modeller ve tarihi veriler kullanarak binlerce olası gelecek taklit eder, o zaman yatırım stratejilerinin sadece belirsizlik altında en aza indirilmesini önerir.

Sonuç: Dünün verilerini yarının Kapasitesine Dönüştürmek

Tarihsel veriler geçmişte rekordan çok daha fazlasıdır; müşterilerinin güvenilir ve verimli bir şekilde hizmet etme yeteneğidir. Temiz veri borularından ve senaryosal özelliğin doğrulanması için seçimden uzaktır: Tahmin sürecindeki her adım, doğru analitik araçları azaltır ve fayda sağlama yeteneği artırır ve güvenilir ve verimli bir şekilde kullanır.Bugün güçlü tarihsel veri uygulamaları inşa etmeye yatırım yapan hizmetler yarın kapasite krizlerinden kaçınır.