📌 Чтобы узнать больше, просмотрите запись нашего веб-семинара 4 августа 2021 года здесь ➡️ https://go.plotly.com/machine-learning-for-electric-grid

Автор: Кайл Баранко
Приложение: https://dash-gallery.plotly.host/dash-peaky-finders
Исходный код: https: // github. com / kbaranko / peaky-finders

Что такое ISO?

Электричество - это основная сила, позволяющая использовать все гаджеты и технологии современной цивилизации, но мы склонны думать о нем только тогда, когда не можем получить его. Даже на этой неделе, когда техасцы приветствуют летнее время после неожиданно холодных и снежных условий, угроза высоких температур в уязвимой сети заставляет обеспокоенных руководителей просить потребителей экономить электроэнергию.

Связь между надежностью электросети и суровой погодой свежа в памяти каждого. Поскольку большая часть экономики и наши средства к существованию зависят от круглосуточного доступа к энергии, а изменение климата увеличивает вероятность экстремальных погодных явлений, обеспечение надежной работы энергосистемы как никогда важно.

Кто контролирует сетку? Ответ зависит от того, где вы живете. Некоторые районы в США управляются вертикально интегрированным коммунальным предприятием, которое контролирует всю сетевую инфраструктуру, от генерирующих активов, таких как угольные электростанции или солнечные фермы, до линий электропередачи, которые доставляют электроэнергию в основные центры нагрузки, и, наконец, до распределительных систем, которые доставляют мощность для потребителей. Однако большая часть страны также находится в ведении независимых системных операторов (ISO). ISO управляют конкурентными рынками электроэнергии с различными заинтересованными сторонами, обеспечивая при этом эффективное и надежное функционирование всей системы.

Оптимизация эффективности и надежности чрезвычайно сложна, и, что удивительно, эти две цели часто противоречат друг другу. Эффективная работа сети часто приводит к снижению затрат, в то время как ее надежная работа означает обеспечение достаточного количества генерации для обработки неожиданных отключений или всплесков спроса - задача, которая часто требует чрезмерного увеличения генерирующих мощностей (и повышения затрат). ISO также должны координировать финансовые расчеты, связанные с покупкой и продажей электроэнергии в различных временных масштабах (на сутки вперед, в реальном времени и даже на годы вперед), а также решать инженерные задачи, необходимые для обеспечения бесперебойной работы этой сложной машины ( обеспечение безопасной подачи энергии, регулировка частоты и т. д.).

Чтобы справиться со всей этой сложностью, для ISO и всех участников сети невероятно важно прогнозировать пиковый спрос на электроэнергию или пиковую «нагрузку» с некоторой степенью надежной точности, чтобы обеспечить достаточную выработку для удовлетворения спроса. Пиковая нагрузка также важна для производителей, которым может потребоваться определить, когда будет экономически оптимально производить электроэнергию в данный день, и потребителей, которые могут захотеть избежать высоких цен или сборов за пиковое потребление (сумма в вашем счете определяется потреблением во время пиковых нагрузок).

Peaky Finders - это приложение Plotly Dash с полезной визуализацией пиковых нагрузок и моделью прогнозирования на день вперед для пяти различных ISO. Он не демонстрирует передовые методы прогнозирования пиковых нагрузок (есть несколько высокотехнологичных компаний и миллионы долларов, потраченных на решение этой проблемы), а скорее иллюстрирует основные концепции и исследует, насколько хорошо модель может справиться только с исторической нагрузкой и температурой. данные.

Домашняя страница

На главной странице Peaky Finders вы найдете основную информацию о приложении, кнопки для перехода к странице панели управления для каждого ISO и карту территорий ISO в США.

На карте показано, как сеть в США на самом деле представляет собой лоскутное одеяло из небольших региональных сетей, каждая из которых имеет уникальную структуру управления; оптовые рынки электроэнергии и управляющие ими ISO бывают самых разных форм и размеров.

Хотя на карте показан весь США, в Peaky Finders есть модель только для пяти ISO:

  • Калифорнийский независимый системный оператор (CAISO)
  • Независимый системный оператор Мидконтинента (MISO)
  • Пенсильвания, Джерси, Мэриленд Power Pool (PJM)
  • Независимый системный оператор Нью-Йорка (NYISO)
  • Независимый системный оператор Новой Англии (ISONE)

Dash предоставляет множество простых в использовании методов, которые делают навигацию по страницам интуитивно понятной без кодирования в HTML. Для каждого ISO ссылка на страницу была обернута вокруг кнопки:

dcc.Link(
    html.Button(‘CAISO’, id=’caiso-button’, className=”mr-1"),
    href=’/caiso’)

Что касается карты, вы видите фрейм данных GeoPandas, визуализированный с помощью Plotly Express, который предоставляет множество встроенных классов и методов для иллюстрации географических данных. Plotly.express позволил легко отобразить территорию каждого ISO, а также остальную часть страны в виде картографической карты:

dcc.Graph(figure=px.choropleth())

Модели

Спрос на электроэнергию в первую очередь зависит от двух переменных: времени и погоды. Мы потребляем больше энергии днем ​​и вечером при использовании большого количества электронных устройств и в будние дни, когда офисы открыты. Потребление электроэнергии также зависит от погоды из-за отопления и охлаждения. Спрос возрастает летом, когда люди используют кондиционирование воздуха для борьбы с жарой, а в регионах с электрифицированным отоплением - зимой для борьбы с холодом. Это сложная проблема моделирования с множеством других оговорок, но Peaky Finders был создан для измерения того, насколько хорошо модель машинного обучения может работать с использованием только этих функций.

Исторические данные о загрузке были собраны с помощью библиотеки python Pyiso, которая предоставляет чистые интерфейсы API, чтобы упростить парсинг веб-сайтов ISO. API Darksky использовался для данных о погоде, которые предоставляют исторические показания температуры для заданной широты и долготы. Для этой модели я выбрал одну центральную координату на каждой территории ISO, чтобы делать запросы API.

После сбора и очистки почасовых данных за годы с 2018 по 2021 год программа обучения разработала следующие пять функций, а затем применила модель XGBoost. XGBoost - это алгоритм машинного обучения на основе дерева решений, который также использует градиентное усиление. Наконец, чтобы зафиксировать аспект проблемы на день вперед и добавить функцию временных рядов, я использовал нагрузку предыдущего дня (t-24).

  • День недели (семь дней)
  • Праздник (да или нет)
  • Час дня (24 часа)
  • Показания температуры (ежечасно)
  • Загрузка предыдущего дня (Т-24)

Внизу каждой страницы модели ISO содержится несколько полезных визуализаций обучающих данных. Компоненты Dash Bootstrap упрощают определение макета контента; вы можете использовать функции строки и столбца, чтобы поместить три равноотстоящих графика в одну строку:

dbc.Row([dbc.Col(width=4), dbc.Col(width=4), dbc.Col(width=4)])

Одной из наиболее полезных визуализаций в этой строке является диаграмма рассеяния справа, которая показывает корреляцию между суточным пиковым спросом на электроэнергию и температурой. Большинство графиков для каждого ISO имеют некоторую форму бумеранга, где пиковый спрос возрастает либо с высокими, либо с низкими температурами, но остается низким во время межсезонья.

Вы можете создать интерактивную диаграмму рассеяния, используя Основные компоненты Dash, чтобы создать раскрывающийся список с помощью dcc.Dropdown, а затем связать его с графиком, определив функцию обратного вызова.

Результаты

Насколько хорошо работает каждая модель? Зависит от ISO. Средняя абсолютная ошибка (MAE) - это стандартная мера расстояния между парами наблюдений (прогнозируемый спрос по сравнению с фактическим). Как видите, некоторые ISO имеют довольно низкий MAE на февраль 2021 года (чем ниже, тем лучше), учитывая, что общий спрос часто составляет десятки тысяч мегаватт (МВт).

  • CAISO: 455,91
  • MISO: 2382,66
  • PJM: 2 886,66
  • NYISO: 347,62
  • ISONE: 522,43

Визуальный осмотр результатов за февраль также показывает, как модель фиксирует дневную и недельную сезонность, а также изменения температуры:

Однако февраль, как правило, довольно спокойный месяц для пикового спроса (за исключением недавних событий в Техасе), потому что большинство сетей достигают пика летом из-за нагрузки переменного тока. Настоящая проверка этой модели состоится, когда мы обновим прогнозы по сравнению с фактическим графиком, чтобы увидеть, как она будет работать в июле и августе 2021 года, когда она, вероятно, будет чрезмерно консервативной в прогнозировании пиков.

Прогнозирование спроса в реальном мире

Peaky Finders - это мягкое введение в ISO и прогнозирование спроса; для обеспечения надежной работы этой модели при более высоких ставках необходимо усложнить допущения модели.

Одна из основных областей улучшения - погодные особенности Peaky Finders. Поскольку регионы ISO очень большие, использование одной центральной точки для представления погоды для всей территории обычно неадекватно. Это может не быть проблемой, когда спрос сконцентрирован в центральном районе, таком как Нью-Йорк. Однако, когда территория ISO охватывает несколько штатов, простирающихся от Восточного побережья до Среднего Запада, как, например, PJM, показания температуры из Филадельфии не помогут. По этой причине модели Peaky Finders, обученные на более крупных ISO (PJM и MISO), не работают так же хорошо.

Кроме того, распространение распределенных источников энергии (DER) усложняет прогнозирование нагрузки, делая спрос гибким и быстро реагирующим на изменения в предложении. Некоторые DER, например солнечные батареи на крыше, могут даже вырабатывать собственное электричество на месте и скрывать полный объем потребления электроэнергии. Например, в солнечный день в районе с высокой степенью проникновения солнечной энергии на крышах многие потребители могут производить и потреблять собственное электричество вместо того, чтобы получать энергию из сети. В результате ISO могут показать падение спроса в дневное время, когда солнечная энергия на крышах высока, и всплеск вечером, когда солнце садится.

Другие энергоресурсы, такие как электрифицированное отопление, могут изменить основные допущения традиционного прогнозирования спроса. Поскольку большая часть электроэнергии поступает от ветра и солнца, использование электричества для отопления домов и зданий вместо природного газа становится все более благоприятным для окружающей среды. Однако это делает сеть уязвимой для скачков спроса зимой. Если резкое похолодание одновременно увеличивает спрос и ставит под угрозу предложение, как, например, в феврале в Техасе, ISO должны принять несколько непростых решений. В результате специалистам по прогнозированию спроса важно учитывать модели внедрения новых технологий потребления электроэнергии и то, как они могут повлиять на энергосистему.

Поскольку изменение климата усиливает экстремальные погодные условия и вынуждает сообщества внедрять новые энергетические технологии, характер спроса на электроэнергию резко меняется, что затрудняет прогнозирование спроса, чем когда-либо. Препятствие при использовании машинного обучения для критически важных услуг, таких как прогнозирование спроса, или более привлекательных вариантов использования, таких как автономное вождение автомобиля, заключается в том, что оно очень хорошо справляется с 99% ситуаций, но при обобщении на крайние случаи с трудом справляется. Странная встреча на дороге проблематична для беспилотного автомобиля, так же как необычно холодная зима проблематична для системы прогнозирования по сетке. Обеспечение того, чтобы модель была полезной в сценариях, которых она раньше не видела, будет приобретать все большее значение, и сеть будет развиваться, чтобы максимально использовать потенциал возобновляемых источников энергии.

Узнайте больше о сетке и о том, как создавались это приложение и его модели, на предстоящем веб-семинаре! Кайл Баранко демонстрирует свое приложение в прямом эфире с вопросами и ответами.

Зарегистрируйтесь сейчас 🔗➡ https://go.plotly.com/machine-learning-for-electric-grid