Машинное обучение в энергетике, или не только лишь все могут смотреть в завтрашний день

[qyix7z]

Был довольно интересный пример проблемы при построении прогнозов в энергетике, когда один из всплесков изменений в объеме вырабатываемой электроэнергии был вызван тем, что корабль сел на мель на озере, и капитан договорился с владельцами гидроэлектростанций, чтобы они уменьшили сброс воды.

Есть где почитать про этот «всплеск»? Уж больно байкой выглядит, чтобы ГЭС наплевали на заданный график от Системного оператора ради капитана.

[314Roman]

Как правило, ГЭС работают в базовой загрузке (они не участвуют в регулировании производства электроэнергии под график потребления). Регулирование производства на Саяно-Шушенской ГЭС (когда турбина дважды в день проходила через собственную частоту резонанса на валу) закончилось известно чем. Поэтому график от системного оператора тут не играет значительной роли.
А здесь персонал мог сослаться на профилактические/ремонтные работы на одной из турбин и прикрыть сброс. Тем более, что благодарность капитана рядом, а выручка от продажи электроэнергии далеко и «у дяди»))). И уж если судно село мель, то могли сослаться и на отсутствие воды в водохранилище — это тоже важно для работы ГЭС и такие «блэк-ауты» не редкость, например, в Бразилии, где преобладает гидроэнергетика.

[qyix7z]

Как правило, ГЭС работают в базовой загрузке (они не участвуют в регулировании производства электроэнергии под график потребления)

Ознакомьтесь, пожалуйста. Особенно с пунктом 7.1.12.
ГЭС — основной регулятор.
Про СШГЭС даже комментировать не хочу. Просто нет цензурных выражений.

[314Roman]

Не могу согласиться. Если мощности ГЭС не «заперты» в локальной системе, то они системным оператором (как и АЭС) загружаются в первую очередь (т.е. покрывают базовую нагрузку). Все маневры по графику совершают как правило ТЭЦ (ТЭС). И многие, держа турбины в горячем резерве (например, кода «зеленые» проводят «час земли») жгут топливо зазря или работают в режиме «котельной». Есть такие мощности на ТЭС, которые вообще работают несколько часов в году, в периоды зимних максимумов.

[qyix7z]

Да как хотите. Кто я такой, чтобы влазить в Ваш спор с СО?
Я привел стандарт СО. Вы считаете, что СО работает не по своему стандарту? ОК. Я тут ни_при_чем.

[gleb_l]

А если разделить модель на составляющие потребления? Например, построить типичные модели потребления населения, у которых в квартире есть свет, обогрев/кондиционирование, телевизор, чайник, электроплита итд. Тогда можно составить прогнозы по каждой составляющей смеси — например {наружная температура, отопительный сезон} => обогрев, {футбол, ДОМ2, программаВести} => телевизор, {утреннийподъем, приходсработы} => чайник итд, а потом уже суммировать эти составляющие, чтобы построить статпрофиль квартиры. То же самое сделать с предприятиями, ЖКХ итд — ведь у поставщика энергии должна быть информация о потреблении отдельно по этим каналам (так как отпускается энергия разным структурам по разным тарифам) => можно будет обучить модели поканально, и затем взвесить их простым нейроном, обучив его по минимуму ошибки на суммарных исторических данных.

Чисто теоретически, используя больше исходной информации, вы можете улучшить качество прогноза, так как независимые модели не будут учитывать псевдокорреляции между, например, рабочими днями на предприятиях, долготой дня и временем включения уличного освещения и графиком жизни населения, или разбавлять статистические пики в одной группе за счет усреднения общей совокупности (например, телевизоры в моменты популярных утренних передач тонут на фоне увеличения потребления производствами в те же часы)

[Ermit]

Это просто разный тип программирования. В обычном необходимо задавать логику обработки данных, в моделях машинного обучения только примеры. И получается так, что ML лучше справляется с генерацией логики и учетом внутренних взаимосвязей данных. Поэтому ИИ и применяют сейчас везде. )))

[314Roman]

Все энергетики знают про наличие суточных, недельных и сезонных колебаний потребления и могут нарисовать эти графики с закрытыми глазами. И в крупных городах есть почти линейная зависимость потребляемой мощности от температуры наружного воздуха. Если потребление не отвечает этим сложившимся графикам, значит вмешался какой-то фактор, который трудно (читай невозможно) предсказать. Попытка обобщить эти непредсказуемые факторы может выдать результаты типа: «по средам января средняя температура по больнице как правило выше, чем по четвергам июля».
В общем, сама задача видится странной, но энергетикам, давшим ТЗ, наверное, виднее.

[dairok]

Вы правы, но есть нюансы ) Обычно в цели таких решений (основанных на машинном обучении) не входит победа по скорости и точности в соревновании с экспертизой опытных специалистов. ML хорошо ложится на случаи, где для принятия быстрого решения нужно анализировать большие объемы данных со сложными внутренними взаимосвязями.

Очевидно, что если возникает новое событие нового типа, то его скорее всего не предскажет ни модель, ни человек. Но если не брать в расчет такие разовые, необоснованные и непредсказуемые события, то при достаточной глубине исторических данных в обучении и при допустимой точности иногда «экономически выгодно» заменить живого специалиста на ML модель.

[basp]

Подскажите, а какой получился MAPE для указанных методов прогнозирования? Удалось попасть в требуемые 3%? Что в итоге выбрали для прода?

[dairok]

В итоге в рамках пилотного проекта удалось добиться MAPE почасовой ошибки в 1.2%, модели передали заказчику, он занимался внедрением уже без нашего участия.

[Amonara]

На нашем предприятии мы создаём прогноз power flow на различных трансформаторах. В ходе экспериментов, мы отказались от моделей построенных на машинном обучении в пользу numerical models. Проблема заключалась в том, что модели на базе машинного обучения являются, по сути, чёрным ящиком и не дают возможности контролировать данные.

[dairok]

Интерпретируемость моделей часто становится очень важным фактором, особенно в медицине или финтехе. Причем, если какую-нибудь модель на Decision trees довольно легко визуализировать, то более сложные модели (тем более стек моделей), часто даже не пытаются.

[basp]

Ох уж этот ИИ, бессмысленный и беспощадный