Predviđanje energetske potražnje uz AI

U energetici, anticipacija vredi novca. Precizno znati koliko će se energije potrošiti i koliko će se proizvesti u narednim satima ili danima omogućava bolju kupovinu, uravnoteženje mreže, upravljanje baterijama i izbegavanje kako deficita tako i skupih viškova. Predviđanje potražnje i proizvodnje uz veštačku inteligenciju pretvara planine istorijskih podataka i spoljnih promenljivih u prognoze nad kojima se može delovati. Dobro izgrađeno, ono je jedna od najmoćnijih poluga isplativosti u sektoru.

U ovom članku objašnjavamo kako funkcioniše energetsko predviđanje uz AI, koji su podaci potrebni, koje primene ima i šta je potrebno da bi se izgradio model koji donosi stvarnu vrednost.

Zašto je predviđanje tako vredno

Elektroenergetski sistem mora da bude usklađen u svakom trenutku: energija koja ulazi mora da bude jednaka onoj koja izlazi. Svako neslaganje se skupo plaća, bilo kupovinom energije u poslednjem trenutku po visokim cenama, bilo rasipanjem proizvodnje. Dobro predviđanje smanjuje tu neizvesnost: omogućava kupovinu unapred po boljoj ceni, planiranje održavanja u pravim trenucima i maksimalno iskorišćenje obnovljivih izvora. Na nestabilnom tržištu, svaki procenat poboljšanja u predviđanju pretvara se u direktnu uštedu.

Koji podaci su modelu potrebni

Kvalitet predviđanja zavisi od podataka koji ga hrane. Robustan model kombinuje više izvora da bi obuhvatio sve što utiče na potrošnju i proizvodnju:

• Istorijat potrošnje: obrasci po satu, danu, godišnjem dobu i tipu klijenta.
• Proizvodnja iz obnovljivih izvora: istorijska proizvodnja solarne i vetro energije.
• Meteorologija: predviđena temperatura, sunčevo zračenje i vetar.
• Kalendar: radni dani, praznici i događaji koji menjaju potrošnju.
• Tržišne cene: ekonomski signali koji utiču na potražnju.

Predviđanje potražnje i proizvodnje

Postoje dva ključna predviđanja koja se dopunjuju. Predviđanje potražnje procenjuje koliko će energije klijenti potrošiti, što omogućava dimenzionisanje kupovine i anticipaciju vršnih opterećenja. Predviđanje proizvodnje iz obnovljivih izvora procenjuje koliko će energije proizvesti solarna i vetro postrojenja u zavisnosti od vremena, što je suštinski za integraciju tih isprekidanih izvora u mrežu. Ukrštanje oba predviđanja je ono što omogućava efikasan rad sistema.

Kako se gradi pouzdan model

Izgradnja energetskog predviđanja je proces inženjeringa podataka i machine learning-a. Najpre se izvori čiste i integrišu; zatim se projektuju promenljive koje najbolje objašnjavaju potrošnju i proizvodnju, i obučavaju se modeli (od klasičnih vremenskih serija do gradient boosting algoritama ili neuronskih mreža) koji se procenjuju nad neviđenim podacima. Cilj je minimizovati grešku predviđanja uz održavanje stabilnosti modela, i uvek saopštavati stepen neizvesnosti svake prognoze.

Integracija predviđanja u poslovanje

Predviđanje donosi vrednost samo ako se integriše u donošenje odluka: u kupovinu energije, u upravljanje baterijama, u uravnoteženje mreže i u planiranje održavanja. Izloženo kao servis preko API-ja, isto predviđanje može istovremeno da hrani više sistema i da se neprekidno poboljšava kako pristižu novi podaci, postajući centralna sposobnost poslovanja.

U AxiomTech-u gradimo modele za predviđanje potražnje i proizvodnje po meri, od inženjeringa podataka do integracije preko API-ja, sa fokusom na pouzdanost i operativnu vrednost. Ako želiš da anticipiraš potražnju i bolje kupuješ, hajde da popričamo.

Konkretan primer: prognoza potražnje u maloprodavcu električne energije srednje veličine

Maloprodavac električne energije koji opslužuje 12.000 industrijskih i komercijalnih tačaka snabdevanja kupovao je energiju na tržištu za sledeći dan na osnovu internih procena koje je analitičar ažurirao svake popodne koristeći podatke prethodnog dana. Prosečna greška prognoze bila je oko 9 posto, što ih je redovno primoravalo da pokrivaju pozicije na intradnevnom tržištu. U godini nestabilnih cena, ta greška se direktno pretvara u troškove vredne milione.

Model koji smo izgradili kombinuje tri izvora: satnu istoriju potrošnje po tački snabdevanja (grupirana po segmentu klijenta), 48-satnu vremensku prognozu (temperatura, solarna radijacija, vetar) i kalendar javnih praznika za svaku geografsku zonu. Model se nedeljno retrainuje na najnovijim podacima i proizvodi satnu krivu potražnje za sledeći dan sa opsezima nesigurnosti. Prognoza se isporučuje putem API-ja i tim za trading je konzumira direktno sa platforme za kupovinu. Nakon šest meseci, prosečna greška pala je na 4,2 posto, a intervencije na intradnevnom tržištu smanjile se za 60 posto.

Lista provere: znaci da vam treba model prognoze

• Greška vaše prognoze dosljedno prelazi 5-7 posto.
• Kupujete energiju u poslednjem trenutku na intradnevnom tržištu češće nego što biste želeli.
• Imate sopstvenu obnovljivu proizvodnju (solarnu ili vetrenjačku) i ne integrišete njenu prognozu u operacije.
• Vaš model cena ili tarifiranja zavisi od podataka o budućoj potrošnji.
• Upravljate baterijama ili skladištem i morate odlučiti kada puniti i kada prazniti.
• Opslužujete velike industrijske klijente sa složenim, varijabilnim obrascima potrošnje.

Česta pitanja

Koliko istorijskih podataka modelu treba? Da bi se uhvatila puna sezonalnost — varijacije leto/zima, državni praznici — preporučuje se minimum dve godine satne istorije. Možete početi sa manje, ali model će imati više nesigurnosti za periode koje nikad nije video.

Kakav nivo tačnosti možete očekivati? Zavisi od profila potražnje. Portfolio industrijskih klijenata sa stabilnim obrascima može dostići prosečne greške od 3-5 posto. Visoko varijabilna potražnja, ili potražnja sa jakom zavisnošću od nepredvidivih događaja poput planiranih zaustavljanja pogona ili ekstremnog vremena, obično nosi veću grešku. Cilj nije nulta greška — to je smanjenje greške dovoljno da uštede nadmaše troškove izgradnje i rada modela.