ელექტროენერგიის საათობრივი მოთხოვნის დღით ადრე პროგნოზირება: ესპანეთის მაგალითი (1.21% MAPE)
2018 წლის ტესტში ჩვენმა სისტემამ 1.21% საათობრივი MAPE აჩვენა, ოპერატორის პროგნოზთან გაერთიანებამ კი ოპერატორის ცდომილება 7.2%-ით შეამცირა. სტატიაში აღწერილია შედეგები, გამოყენებული მეთოდები და კვლევის ძირითადი შეზღუდვები.
- Revaz Chikashua
- ქეისი
ელექტროენერგიის მოთხოვნის დღით ადრე პროგნოზი მნიშვნელოვანია როგორც ქსელის მართვისთვის, ისე ენერგიის ყიდვა-გაყიდვისთვის. გადამცემი სისტემის ოპერატორებს (TSO) და გამანაწილებელი სისტემის ოპერატორებს (DSO) ის მომდევნო დღის მუშაობის დასაგეგმად სჭირდებათ. მიმწოდებლებს, ენერგოკომპანიებსა და მსხვილ მომხმარებლებს კი პროგნოზი შესყიდვების, გაყიდვებისა და მოხმარების დაგეგმვაში ეხმარება.
ამ ამოცანის შესასწავლად შევქმენით მოთხოვნის პროგნოზირების სისტემა და ის ENTSO-E-ზე საჯაროდ გამოქვეყნებულ ესპანეთის ელექტროენერგიის მოთხოვნის ისტორიულ მონაცემებზე გამოვცადეთ. სისტემა ისე დავაპროექტეთ, რომ სხვა მონაცემთა ნაკრებსაც მოერგოს და მოდელების ხელახლა გაწვრთნა იყოს შესაძლებელი. პროგნოზის შესადგენად ოპერატორის მიერ გამოქვეყნებული პროგნოზი არ გამოგვიყენებია; ასეთ პროგნოზს სტატიაში დამოუკიდებელს ვუწოდებთ.
ENTSO-E ელექტროენერგიის გადამცემი სისტემის ოპერატორების ევროპული გაერთიანებაა, რომელიც ესპანეთის ელექტროენერგიის მოთხოვნის მონაცემებს ES კოდით აქვეყნებს. 2018 წლისთვის მიღებული პროგნოზები იმავე წლის ფაქტობრივ მოხმარებას შევადარეთ. ჩვენი მოდელების საუკეთესო კომბინაციის, ანუ ანსამბლის, საათობრივი MAPE 1.21% იყო. შეფასება 8 758 საათს მოიცავდა.
MAPE საშუალო აბსოლუტური პროცენტული ცდომილებაა. თითოეული საათისთვის ვადგენთ, რამდენი პროცენტით განსხვავდება პროგნოზი ფაქტობრივი მოთხოვნისგან, შემდეგ კი ამ მაჩვენებლებს ვასაშუალოებთ. რაც ნაკლებია MAPE, მით უფრო ზუსტია პროგნოზი ამ საზომით. 2018 წელს საშუალო აბსოლუტური ცდომილება დაახლოებით 360 მგვტ იყო, ხოლო საშუალო მოთხოვნა დაახლოებით 29 000 მგვტ.
წარსულის მონაცემებზე ჩატარებულ ასეთ შემოწმებას რეტროსპექტული ტესტირება (backtest) ეწოდება. ამისათვის ავარჩიეთ წარსულში არსებული კონკრეტული დღე და შევამოწმეთ, რა პროგნოზს გააკეთებდა ჩვენი სისტემა ამ დღისთვის დღით ადრე. შემდეგ სისტემის მიერ პროგნოზირებული მნიშვნელობები იმავე დღის ფაქტობრივ მოხმარებას შევადარეთ. ეს პროცესი მთელი შერჩეული პერიოდისთვის გავიმეორეთ და ასე შევაფასეთ თითოეული საათის ცდომილება და მოდელის სიზუსტე მთლიან პერიოდზე. ტესტში საპროგნოზო დღის ფაქტობრივი ამინდი გამოვიყენეთ და არა ამინდის პროგნოზი.
კვლევაში შევაფასეთ ესპანეთის ჯამური მოთხოვნა და არა ცალკეული გამანაწილებელი არეალის, ქვესადგურის ან მომხმარებლის მოხმარება.
რისთვის სჭირდებათ TSO-სა და DSO-ს დღით ადრე პროგნოზი?
TSO-ს დღით ადრე პროგნოზი მომდევნო დღის მუშაობის დასაგეგმად სჭირდება. ის ეხმარება შეაფასოს მოსალოდნელი დატვირთვა, პიკური მოთხოვნა და მოთხოვნის ცვლილება დღის განმავლობაში. პროგნოზი ასევე გამოიყენება რეზერვების, ქსელში სიმძლავრის განაწილებისა და დაგეგმილი გამორთვების შეფასებისას. (ENTSO-E: ქსელის მოდელის საწყისი მონაცემები, RTE-ის კვლევა რეზერვების განსაზღვრის შესახებ)
DSO-სთვის მნიშვნელოვანია იცოდეს, სად და როდის არის მოსალოდნელი მაღალი დატვირთვა. ამისთვის პროგნოზები სჭირდება გამანაწილებელი არეალების, ქვესადგურებისა და ფიდერებისთვის, ანუ ქვესადგურიდან გამავალი მკვებავი ხაზებისთვის. პროგნოზი ქსელის მოდელთან ერთად ეხმარება ტრანსფორმატორებისა და ხაზების დატვირთვის შეფასებაში, დაგეგმილი გამორთვებისთვის მომზადებასა და ადგილობრივი შეზღუდვების წინასწარ გამოვლენაში. (UK Power Networks: პროგნოზის გამოყენება ქსელის მართვაში)
რა შედეგი მივიღეთ ესპანეთის მოთხოვნაზე?
2018 წლის საუკეთესო შედეგი მოდელების ანსამბლმა აჩვენა, ანუ რამდენიმე მოდელის პროგნოზის გაერთიანებამ. თითოეული მოდელის წონა 2017 წლის შედეგების მიხედვით განვსაზღვრეთ. ცალკეულ მოდელებს შორის საუკეთესო ნეირონული ქსელი იყო, რომლის MAPE 1.25% შეადგენდა.
საათობრივი MAPE თვეების მიხედვით
რიცხვითი მონაცემები
| თვე | ანსამბლი | მოდელი |
|---|---|---|
| იან | 1.46% | 1.49% |
| თებ | 1.09% | 1.33% |
| მარ | 1.76% | 1.77% |
| აპრ | 1.27% | 1.36% |
| მაი | 1.06% | 1.12% |
| ივნ | 0.98% | 1.05% |
| ივლ | 0.93% | 0.92% |
| აგვ | 1.27% | 1.29% |
| სექ | 1.17% | 1.13% |
| ოქტ | 0.96% | 1.07% |
| ნოე | 1.00% | 1.03% |
| დეკ | 1.53% | 1.45% |
საუკეთესო ანსამბლის MAPE 1.21% იყო. 365 დღიდან 188 დღეს დღიური MAPE 1%-ზე დაბალი იყო. ეროვნულ უქმე დღეებში საათობრივი MAPE 2.22% იყო, დანარჩენ დღეებში კი 1.18%. ყველაზე მაღალი თვიური MAPE მარტში (1.76%) და დეკემბერში (1.53%) დაფიქსირდა, ყველაზე დაბალი კი ივლისში (0.93%) და ოქტომბერში (0.96%).
შუაღამიდან 06:00-მდე საათობრივი MAPE 0.85% იყო. დილით, როცა დატვირთვა იზრდებოდა, 06:00-დან 11:00-მდე ის 1.31%-ს შეადგენდა (მადრიდის დროით). ასეთი ანალიზი გვაჩვენებს, რომელ დღეებსა და საათებში სჭირდება პროგნოზს მეტი ყურადღება.
რა ვისწავლეთ სისტემის შემუშავებისას?
სისტემის შემუშავებისას დავინახეთ, რომ პროგნოზის შედეგზე მხოლოდ მოდელის არჩევა არ მოქმედებს. მნიშვნელოვანია მონაცემთა ხარისხი, კალენდარული მოვლენები, ამინდის გავლენა, მოდელების გაწვრთნის მეთოდი და რამდენიმე პროგნოზის სწორად გაერთიანება.
2017 წლის შერჩეული შედეგები
1. მოდელების გაწვრთნამდე გადაამოწმეთ მონაცემები
ესპანეთის მონაცემების ასლში, რომელიც თავდაპირველად გამოვიყენეთ, თვის პირველი თორმეტი დღის თარიღები არასწორად იყო მითითებული: დღე და თვე ადგილმონაცვლეობით ეწერა. 2015–2017 წლების 26 304 საათობრივი ჩანაწერიდან 9 504-ს არასწორი ადგილობრივი თარიღი ჰქონდა.
შეცდომის აღმოჩენა მარტივი არ იყო, რადგან საათობრივ მიმდევრობაში გამოტოვება არ ჩანდა. პრობლემა მაშინ შევამჩნიეთ, როცა თვის პირველ თორმეტ დღეში შაბათ-კვირისთვის დამახასიათებელი მოხმარების შემცირება აღარ გამოჩნდა. გასწორებამდე მოდელის MAPE 6.09% იყო, შემდეგ ჩატარებულ ტესტში კი 3.21% მივიღეთ.
2. გაითვალისწინეთ კალენდარული მოვლენები
მოდელებში გავითვალისწინეთ ეროვნული უქმე დღეები, 19 რეგიონის სადღესასწაულო კალენდარი და აღდგომის, შობისა და ახალი წლის მიმდებარე პერიოდები. მხოლოდ რეგიონული უქმე დღეების დამატებამ შედეგი არ გააუმჯობესა, თუმცა დღესასწაულების მიმდებარე პერიოდების გათვალისწინების შემდეგ ორი ნეირონული ქსელის კომბინაციის 2017 წლის MAPE 1.59%-დან 1.51%-მდე შემცირდა.
3. გაითვალისწინეთ წარსული ტემპერატურაც
შენობების გათბობისა და გაგრილების საჭიროებაზე მხოლოდ მიმდინარე ტემპერატურა არ მოქმედებს. მნიშვნელოვანია წინა საათებისა და დღეების ამინდიც. თითოეული ქალაქის ტემპერატურის მიხედვით შევაფასეთ გათბობისა და გაგრილების საჭიროება და უფრო ძველ მონაცემებს თანდათან ნაკლები წონა მივანიჭეთ.
მიმდინარე ტემპერატურის, ქალაქებს შორის განსხვავებისა და გათბობისა და გაგრილების მაჩვენებლების დამატების შემდეგ სამი მოდელის საშუალო პროგნოზის 2017 წლის MAPE 2.26%-დან 1.90%-მდე შემცირდა. წარსული ტემპერატურის გავლენის დამატებით გათვალისწინების შემდეგ კი 1.82% მივიღეთ.
4. ერთი მოდელის რამდენიმე გაწვრთნა შეიძლება სასარგებლო იყოს
ნეირონული ქსელის გაწვრთნისას ზოგი საწყისი მნიშვნელობა შემთხვევითად შეირჩევა, ამიტომ ერთი და იმავე მოდელის ხელახლა გაწვრთნამ შეიძლება ოდნავ განსხვავებული შედეგი მოგვცეს. ზოგი კონფიგურაცია სამი განსხვავებული საწყისი მნიშვნელობით გავწვრთენით და მიღებული პროგნოზები გავასაშუალოეთ.
5. რამდენიმე პროგნოზის გაერთიანება ხშირად უკეთეს შედეგს იძლევა
თავდაპირველად 35 კონფიგურაციის პროგნოზი თანაბარი წონებით გავასაშუალოეთ და 1.46% MAPE მივიღეთ. შემდეგ მეტი წონა იმ მოდელებს მივანიჭეთ, რომლებსაც წონების შესარჩევ პერიოდში ნაკლები ცდომილება ჰქონდათ, რის შედეგადაც MAPE 1.31%-მდე შემცირდა. ოპტიმიზებული წონებით მიღებულმა ანსამბლმა 1.25% აჩვენა.
საბოლოო 1.21%-იანი შედეგი სხვა კომბინაციამ აჩვენა. მასში თანაბარი წონებით გავაერთიანეთ 1.31%-იანი შეწონილი საშუალო და გრადიენტული ბუსტინგის მეტამოდელის პროგნოზი; მეტამოდელი სწავლობს, როგორ გააერთიანოს სხვა მოდელების პროგნოზები. ეს შედეგი გვაჩვენებს, რომ რამდენიმე განსხვავებული მოდელის კომბინაცია შეიძლება უფრო ზუსტი იყოს, ვიდრე ერთი, თუნდაც საუკეთესო, მოდელი.
როგორ ერგება სისტემა სხვა მონაცემებს?
სისტემაში პროგნოზირების საერთო პროცესი და თითოეული მონაცემთა ნაკრებისთვის საჭირო პარამეტრები ერთმანეთისგან გამოყოფილია. ახალ წყაროს შეიძლება ცალკე დასჭირდეს მონაცემების ჩატვირთვა, გასუფთავება და მომზადება, მაგრამ მოდელების გაწვრთნისა და შეფასების ძირითადი პროცესი იგივე რჩება.
კონფიგურაციიდან შეფასებამდე
თითოეული მონაცემთა ნაკრებისთვის ვადგენთ ოთხ ძირითად ჯგუფს: დროით ინტერვალებსა და დროის სარტყელს, მონაცემების ხელმისაწვდომობის წესებს, კალენდრებს და ამინდის პარამეტრებს. მაგალითად, ერთსა და იმავე სისტემაში შეიძლება აღვწეროთ როგორც ესპანეთში 00:00 საათზე დაწყებული დღე, ისე გაზის საანგარიშო დღე, რომელიც თბილისის დროით 11:00 საათზე იწყება.
ესპანეთის ტესტში გამოვიყენეთ წინა დღის 09:55 საათამდე ხელმისაწვდომად მიჩნეული მონაცემები, ხოლო პროგნოზი მზად უნდა ყოფილიყო 10:00 საათზე, მადრიდის დროით. ეს კვლევისთვის მიღებული დაშვებებია და დამოუკიდებლად არ დაგვიდასტურებია, რომ ისტორიულად ყველა მონაცემი სწორედ ამ ვადებში ქვეყნდებოდა.
კვლევა MetaCast-ის განვითარებას ემსახურება. მისი მიზანია სხვადასხვა მონაცემზე მორგებული პროგნოზები ყოველდღიური გადაწყვეტილებების მისაღებად გამოსადეგი გახადოს.
როგორია შედეგი სისტემის ოპერატორის პროგნოზთან შედარებით?
ესპანეთის გადამცემი სისტემის ოპერატორი დღით ადრე პროგნოზს თავადაც აქვეყნებს. იმ საათებზე, რომლებზეც ორივე პროგნოზი და ფაქტობრივი მოთხოვნა გვაქვს, ოპერატორის MAPE 2018 წელს 0.926%, ხოლო 2017 წელს 1.08% იყო. ორივე წელს ჩვენი საუკეთესო დამოუკიდებელი შედეგი მას დაახლოებით 0.3 პროცენტული პუნქტით ჩამორჩებოდა, 2018 წელს კი ოპერატორის პროგნოზი თორმეტივე თვეში უფრო ზუსტი იყო.
ამ სხვაობას მნიშვნელოვანი მიზეზი აქვს. ოპერატორი ჯამურ პროგნოზს ერთბაშად კი არ ადგენს, არამედ ცალკეული არეალების პროგნოზებს აჯამებს. სხვადასხვა არეალის ცდომილებები სხვადასხვა მიმართულებით ცდება და ჯამში ნაწილობრივ აბათილებს ერთმანეთს, ამიტომ არეალების მიხედვით აგებული ჯამური პროგნოზი უფრო ზუსტი გამოდის. ჩვენი მოდელები კი მხოლოდ ესპანეთის ჯამურ მოთხოვნაზე მუშაობდა, რადგან რეგიონებად და ქსელის ცალკეულ დონეებად ჩაშლილ მონაცემებზე წვდომა არ გვქონდა. ასეთი მონაცემებით მოდელს დამატებითი ინფორმაცია ექნებოდა და ოპერატორის უპირატესობა, სავარაუდოდ, შემცირდებოდა.
რა შეიცვალა პროგნოზების გაერთიანებისას?
ჩვენი ანსამბლი და ოპერატორის პროგნოზი ნაწილობრივ განსხვავებულად ცდებოდა. 2018 წელს მათი საათობრივი ცდომილებების კორელაცია 0.39 იყო, რაც ნიშნავს, რომ შეცდომები ერთმანეთს მჭიდროდ არ მიჰყვებოდა.
ცალკე ექსპერიმენტში ორი პროგნოზი გავაერთიანეთ: 75% წონა ოპერატორის პროგნოზს მივანიჭეთ, 25% კი ჩვენს ანსამბლს. თანაფარდობა 2017 წლის მონაცემებით შევარჩიეთ და 2018 წლისთვის აღარ შეგვიცვლია.
2018 წელს გაერთიანებული პროგნოზის MAPE 0.859% იყო, ხოლო მხოლოდ ოპერატორის პროგნოზის 0.926%. ეს ოპერატორის მაჩვენებელთან შედარებით MAPE-ის 7.2%-იან ფარდობით შემცირებას ნიშნავს. გაერთიანებული პროგნოზის MAPE წლის თორმეტივე თვეში ოპერატორის მაჩვენებელზე დაბალი იყო.
დამოუკიდებელი პროგნოზი და დამატებითი კომბინაცია
რიცხვითი მონაცემები
| თვე | TSO | ჩვენი | 75/25 |
|---|---|---|---|
| იან | 1.16% | 1.46% | 1.00% |
| თებ | 0.84% | 1.09% | 0.79% |
| მარ | 1.15% | 1.76% | 1.10% |
| აპრ | 1.05% | 1.27% | 0.95% |
| მაი | 0.81% | 1.06% | 0.73% |
| ივნ | 0.80% | 0.98% | 0.77% |
| ივლ | 0.80% | 0.93% | 0.74% |
| აგვ | 1.09% | 1.27% | 0.98% |
| სექ | 0.79% | 1.17% | 0.77% |
| ოქტ | 0.76% | 0.96% | 0.73% |
| ნოე | 0.79% | 1.00% | 0.74% |
| დეკ | 1.07% | 1.53% | 0.99% |
2018 წლის თვიური საათობრივი MAPE. TSO: ოპერატორი; ჩვენი: დამოუკიდებელი ანსამბლი; 75/25: 75% ოპერატორის პროგნოზი და 25% ჩვენი.
| თვე | TSO | ჩვენი | 75/25 |
|---|---|---|---|
| იან | 1.16% | 1.46% | 1.00% |
| თებ | 0.84% | 1.09% | 0.79% |
| მარ | 1.15% | 1.76% | 1.10% |
| აპრ | 1.05% | 1.27% | 0.95% |
| მაი | 0.81% | 1.06% | 0.73% |
| ივნ | 0.80% | 0.98% | 0.77% |
| ივლ | 0.80% | 0.93% | 0.74% |
| აგვ | 1.09% | 1.27% | 0.98% |
| სექ | 0.79% | 1.17% | 0.77% |
| ოქტ | 0.76% | 0.96% | 0.73% |
| ნოე | 0.79% | 1.00% | 0.74% |
| დეკ | 1.07% | 1.53% | 0.99% |
ეს შედეგი მიანიშნებს, რომ დამოუკიდებელი პროგნოზი შეიძლება სასარგებლო იყოს მაშინაც, როცა ცალკე აღებული ოპერატორის პროგნოზზე ნაკლებად ზუსტია: ორი პროგნოზი სხვადასხვა ინფორმაციას ატარებს და ერთმანეთს ავსებს. თუმცა 0.859%-იანი შედეგი ორი პროგნოზის გაერთიანებით მივიღეთ და არა მხოლოდ ჩვენი სისტემით.
რა შეზღუდვები აქვს შედეგებს?
ამინდი. ტესტში საპროგნოზო დღის ფაქტობრივი ამინდი გამოვიყენეთ, რეალურ მუშაობაში კი ამინდის პროგნოზი იქნება ხელმისაწვდომი. შემდეგ ტესტში ამინდის პროგნოზების არქივიდან იმ ვერსიებს გამოვიყენებთ, რომლებიც პროგნოზის შედგენის მომენტში უკვე არსებობდა.
ოპერატორის პროგნოზი. ვერ დავადგინეთ, ოპერატორის პროგნოზის რომელი თავდაპირველი ვერსიებია შენახულ ფაილებში და ემთხვევა თუ არა მათი გამოქვეყნების დრო ჩვენს დაშვებას.
როგორი იქნება საპილოტე პროექტი საქართველოში?
საპილოტე პროექტის მიზანს იმ გადაწყვეტილებების მიხედვით განვსაზღვრავთ, რომელთა მისაღებადაც პროგნოზია საჭირო: ქსელის მუშაობის დაგეგმვა, ენერგიის შესყიდვა თუ მოხმარების გრაფიკის მომზადება. ასევე ვათანხმებთ, ვინ რაზეა პასუხისმგებელი, რომელი ქსელის უბნებისთვის სჭირდება ცალკე პროგნოზი და რა ვადებში.
ტესტირებას წარსულის მონაცემებზე ვიწყებთ: ახალ პროგნოზს არსებულ მიდგომას ერთი და იმავე დროითი ინტერვალებისთვის ვადარებთ და ორივესთვის მხოლოდ იმ ინფორმაციას ვიყენებთ, რომელიც შესაბამის მომენტში ერთნაირად იყო ხელმისაწვდომი. დასაწყებად სასურველია მოთხოვნის დაახლოებით სამწლიანი ისტორია ზუსტი თარიღებითა და საათებით, ამინდის მონაცემები მოხმარების ძირითადი ცენტრებისთვის, უქმე დღეების კალენდარი და პროგნოზის მომზადების მკაფიო ვადა.
სისტემის ოპერატორთან შეფასებისას MAPE-სა და MAE-სთან ერთად შევამოწმებთ, რამდენად ზუსტად ვპროგნოზირებთ პიკის სიდიდესა და დროს და ხომ არ არის პროგნოზი სისტემატურად ფაქტობრივ მოთხოვნაზე მაღალი ან დაბალი. კომერციული პროექტისას სარგებელს ანგარიშსწორების მონაცემებით გავზომავთ და არა მხოლოდ MAPE-ით, რადგან ცდომილების შემცირება ხარჯის იმავე პროცენტით შემცირებას არ ნიშნავს.
დასკვნა
ესპანეთის ჯამურ მოთხოვნაზე ჩვენმა დამოუკიდებელმა ანსამბლმა 1.21% საათობრივი MAPE აჩვენა, ოპერატორის პროგნოზთან გაერთიანებამ კი ოპერატორის MAPE 0.926%-დან 0.859%-მდე შეამცირა. ორი პროგნოზი სხვადასხვა ინფორმაციას ატარებს: ოპერატორისა არეალების მიხედვით დგება, ჩვენი კი სხვა მოდელებს ეყრდნობა, ამიტომ ისინი ერთმანეთს ავსებს. თუ თქვენს ორგანიზაციას მოთხოვნის პროგნოზი ქსელის მართვისთვის ან ენერგიის შესყიდვისთვის სჭირდება, დაგვიკავშირდით – საპილოტე პროექტს თქვენს მონაცემებზე დავიწყებთ.
ხშირად დასმული კითხვები
რა არის ელექტროენერგიის მოთხოვნის დღით ადრე პროგნოზირება?
ელექტროენერგიის მოთხოვნის დღით ადრე პროგნოზირება ნიშნავს მომდევნო დღის მოხმარების წინასწარ შეფასებას, მაგალითად თითოეული საათისთვის. პროგნოზს იყენებენ ქსელის მუშაობის, ელექტროენერგიის წარმოების, შესყიდვებისა და მოხმარების დასაგეგმად.
რა MAPE ითვლება კარგ შედეგად ელექტროენერგიის მოთხოვნის პროგნოზირებისას?
ერთიანი ზღვარი არ არსებობს. შედეგი დამოკიდებულია მონაცემებზე, საპროგნოზო პერიოდზე და იმაზე, რა გადაწყვეტილებისთვის გამოიყენება პროგნოზი. ჩვენს კვლევაში საუკეთესო დამოუკიდებელი ანსამბლის საათობრივი MAPE 1.21% იყო, თუმცა ეს სხვა ბაზარზე იმავე სიზუსტის გარანტიას არ ნიშნავს.
რა მონაცემებია საჭირო ელექტროენერგიის მოთხოვნის პროგნოზირებისთვის?
ძირითადად საჭიროა მოთხოვნის ისტორიული მონაცემები ზუსტი თარიღებითა და საათებით, ამინდის მონაცემები, უქმე დღეების კალენდარი და პროგნოზის მომზადების მკაფიო ვადა. ახალი პროექტის დასაწყებად სასურველია დაახლოებით სამწლიანი ისტორია.
როგორ მოქმედებს ამინდი და უქმე დღეები პროგნოზზე?
ტემპერატურა გავლენას ახდენს გათბობისა და გაგრილების საჭიროებაზე, ხოლო მოხმარების პროფილი შეიძლება შეიცვალოს უქმე დღეებსა და დღესასწაულების მიმდებარე პერიოდებში. ამიტომ ორივე ფაქტორის გათვალისწინება მნიშვნელოვანია.
შეიძლება თუ არა დამოუკიდებელი პროგნოზის ოპერატორის პროგნოზთან გაერთიანება?
დიახ. ჩვენს ექსპერიმენტში ოპერატორის პროგნოზს 75%, ხოლო ჩვენს ანსამბლს 25% წონა მივანიჭეთ. გაერთიანებული პროგნოზის MAPE 0.859% იყო, ოპერატორის პროგნოზის კი 0.926%.
შეუძლია თუ არა იმავე სისტემას ბუნებრივი აირის მოთხოვნის პროგნოზირება?
სისტემა დღიურ მონაცემებთან მუშაობასაც ითვალისწინებს და შესაძლებელია გაზის საანგარიშო დღის დაწყების დროისა და ტემპერატურის გავლენის გათვალისწინება.
ავტორის შესახებ
კრიტიკული ინფრასტრუქტურის ტექნოლოგიური მიმართულების ხელმძღვანელი, ენერგეტიკული სისტემების მუშაობის გაუმჯობესების 18 წელზე მეტი გამოცდილებით. პრაქტიკულ ცოდნას აერთიანებს მონიტორინგისა და მართვის სისტემებთან (SCADA), გაზომვის მონაცემების დისტანციურ მიღებასთან (ტელემეტრია), ანალიტიკასთან, პროგნოზირებასა და გამოყენებით მათემატიკასთან.