Czas czytania: 5 minut
Każdy sprzedawca energii elektrycznej musi z odpowiednim wyprzedzeniem zakupić energię, aby później móc sprzedać ją odbiorcy. Z procesem tym wiąże się szereg zagadnień. Najważniejsze z nich to wolumen oraz moment zakupu.
Zbyt mała lub za duża ilość zakupionej energii powodować może spore straty finansowe dla sprzedawcy – nadwyżkę bądź brak musi bowiem odsprzedać lub zakupić na rynku bilansującym. Dlatego tak istotne jest, aby sprzedawca dysponował jak najdokładniejszymi prognozami konsumpcji energii. Dzięki nim jest w stanie zakupić dokładnie taką ilość energii, jaką jest w stanie w danym okresie sprzedać, unikając strat.
Rodzaje prognoz konsumpcji energii
Prognozy mogą być krótko- bądź długoterminowe.
Prognozowanie krótkoterminowe daje najczęściej doskonałe rezultaty – prognozy o zasięgu kilku dni, dla dużej grupy drobnych odbiorców, można w łatwy sposób przewidzieć.
Prognozowanie długoterminowe wymaga zastosowania zupełnie innych technik i wiąże się z większym ryzykiem.
W przypadku dużej liczby „drobnych” odbiorców, można próbować zastosować prognozowanie sumaryczne uzupełnione o statystyczne mechanizmy określające planowany trend rozwoju lub zaniku liczby odbiorców.
Dla dużych, przemysłowych odbiorców taki mechanizm prognozowania jednak się nie sprawdzi. W takich przypadkach wymagane jest indywidualne podejście do każdego kontraktu z odbiorcą.
Dlaczego? Ponieważ umowy z dużymi odbiorcami zawierane są zazwyczaj na określony czas, który nie pokrywa się z terminami umów zawartych z odbiorcami „drobnymi”. Prognozowanie całości wolumenu dla wszystkich odbiorców jest więc działaniem nieskutecznym.
Dobra prognoza czyli jaka?
Dobra prognoza uwzględniać musi zmienność, wynikającą z różnych terminów rozpoczęcia i zakończenia sprzedaży dla poszczególnych odbiorców. Abyśmy mogli skutecznie określić ilość energii, którą spółka obrotu musi zakupić, musielibyśmy zsumować wszystkie prognozy dla klientów indywidualnych, uwzględniając terminy ich kontraktów.
Prognozy składają się jednak z ogromnej ilości danych, których kontrola jest bardzo złożona:
- prognoza dla pojedynczego kontraktu zawartego na okres jednego roku zawiera 8760 wartości wolumenu,
- umowy z klientami zawierane są na kilka lat, a liczba klientów średniej spółki obrotu to kilkadziesiąt tysięcy.
Aby stworzyć dobrą prognozę długoterminową, opierać się musimy przede wszystkim na historycznych wolumenach konsumpcji, a jeżeli ich rozdzielczość nie jest wystarczająca, to do ich rozbicia stosowane są profile dobowo-godzinowe.
Czym są profile dobowo-godzinowe?
Pomimo znacznego rozwoju techniki pomiarowej i coraz liczniej instalowanych inteligentnych licznikach energii elektrycznej, szczegółowe dane o zużyciu w rozdzielczości godzinowej są niezwykle trudne do pozyskania. O wiele łatwiejszy jest dostęp do pomiarów zagregowanych w okresie rozliczeniowym miesięcznym lub rocznym.
Jeżeli jednak zależy nam na wolumenach godzinowych, aby je pozyskać, wykorzystać musimy profile dobowo-godzinowe, czyli statystyczne wzorce zużycia energii przeznaczone dla określonej grupy odbiorców, które udostępniają sprzedawcom Operatorzy Sieci Dystrybucyjnej.
Pomimo swoich oczywistych wad (do jakich należy m.in. brak zgodności pomiędzy rzeczywistym poborem godzinowym, a poborem wyznaczonym z profilu), profilowanie dobowo-godzinowe jest szeroko stosowane. Sprawdza się jednak przede wszystkim w sytuacji, gdy wszystkie strony zgadzają się stosować takie same metody rozliczeń.
Skuteczność prognoz opartych na danych historycznych
Pamiętajmy też, że prognozy oparte na danych historycznych, niezależnie od tego jak precyzyjne były te dane, nie zawsze gwarantują ich poprawność.
Powodem ich niepoprawności są systematycznie występujące anomalie, czyli różnice pomiędzy prognozą, a rzeczywistym zużyciem energii. Anomalie powstają najczęściej z powodu zmian zachowań klientów.
Wiele anomalii wynika z chwilowych zmian w poborze energii, które nie mają wpływu na dalsze zużycie (np. przerwy urlopowe lub okres przestoju). W takich sytuacjach zmiana prognoz byłaby procesem niepożądanym.
Jednak już sytuacje, kiedy zmiany w poborze mają charakter stały (np. gdy firma nabywa nowe urządzenia), zmiana prognoz jest wskazana.
Na poniższych przykładach, można zaobserwować jak długotrwałe zmiany zachowań odbiorców w poborze energii, które nie zostały przewidziane, wpływają na prognozę w kolejnych okresach.
Niestety, w praktyce firmy obrotu rzadko znają przyczyny zmian poziomu zużycia energii swoich klientów. W jaki sposób zatem mogą skutecznie tworzyć właściwe prognozy?
Wykrywanie anomalii w prognozach
Idealnym rozwiązaniem byłoby poznanie i kontrolowanie mechanizmów, które wskazywałyby odbiorców, u których wymagane jest stworzenie nowej prognozy zużycia energii.
Nad taką metodą, związaną z wykrywaniem anomalii w prognozach zużycia energii elektrycznej dla spółek obrotu, pracujemy w Ebicom, wspólnie z Wydziałem Organizacji i Zarządzania. Projekt finansowany jest przez Narodowe Centrum Badań i Rozwoju.
Dzięki tej inicjatywie będziemy już wkrótce w stanie udoskonalać metody kontroli prognoz długoterminowych, w oparciu o wykryte odstępstwa pomiędzy prognozą, a zużyciem, dla poszczególnych odbiorców.
Jak wyglądają prace nad projektem?
Na początek, na potrzeby projektu opracowaliśmy typologię najczęściej wykrywanych anomalii. Wskazaliśmy, że są to m.in.:
- różnice wolumenowe roczne, miesięczne i tygodniowe,
- niedopasowane profile godzinowe,
- trendy wzrostowe lub spadkowe.
Do każdego typu anomalii przypisaliśmy atrybuty, które je opisują.
Następnie opracowaliśmy procedury klasyfikacyjne, które mają za zadanie porównywać szeregi czasowe prognozy i zużycia, dla danego punktu poboru. Dzięki temu możemy wykryć poszczególne anomalie i wyznaczyć ich atrybuty.
Taki efekt wykrycia anomalii jesteśmy w stanie uzyskać również za pomocą okresowych kontroli zużycia dla konkretnych punktów poboru.
Do zmiany prognozy zużycia nie wystarczy jednak lista wykrytych anomalii. To niosłoby nadal ryzyko zakupu lub sprzedaży na giełdzie części zakontraktowanej energii.
Zmieniając prognozy, musimy mieć absolutną pewność, że w danym przypadku wykryte anomalie jednoznacznie wskazują na potrzebę takiej zmiany. Sytuację komplikuje fakt, że na danym punkcie poboru wykrywana jest z reguły nie jedna, ale kilka anomalii o różnych typach i parametrach.
W jakich sytuacjach należy zatem przygotować nową prognozę? Aby odpowiedzieć na to pytanie, przeprowadziliśmy badanie, w którym wykorzystaliśmy łącznie kilka tysięcy szeregów.
Metoda prognozowania długoterminowego
Szeregi, potrzebne do badania, podzieliliśmy na dwa okresy – „historia” i „przyszłość”. Do jednego przypisaliśmy wszystkie historie zużycia, do drugiego prognozy.
Na początek tylko do danych w „historii”, uruchomiliśmy proces wykrywania anomalii.
Następnie, bazując na tych samych danych z okresu „historii”, utworzyliśmy nową, alternatywną prognozę dla „przyszłości”.
Dzięki temu uzyskaliśmy dwie alternatywne prognozy i zużycie rzeczywiste w tym samym okresie. Zastosowaliśmy na nich metody statystyczne, aby określić, która z nich jest lepsza.
W ten sposób dla każdego odbiorcy mogliśmy przypisać zmienną celu wskazującą czy poprawna jest pierwotna prognoza czy też wskazana jest jej regeneracja.
W kolejnym kroku powiązaliśmy wykryte na poszczególnych punktach poboru anomalie ze zmienną celu.
Wypróbowaliśmy kilkanaście metod, opartych na uczeniu maszynowym, w tym sieciach neuronowych, drzewach decyzyjnych oraz lasach drzew losowych.
Najskuteczniejsza okazała się metoda ostatnia, oparta na lasach drzew losowych – wykazała skuteczność ponad 82% prawidłowo wykrytych przypadków.
W następnej kolejności stworzyliśmy listę punktów poboru, które zostały wybrane przez moduł decyzyjny i oceniliśmy poprawę jakości sumarycznego zapotrzebowania na energię elektryczną, w porównaniu ze zmodyfikowaną prognozą dla zakresu „przyszłości”.
Dla tego zakresu dysponowaliśmy więc zarówno prognozami pierwotnymi jak i zregenerowanymi.
Do sumarycznej prognozy wzięliśmy pod uwagę prognozy zmodyfikowane dla punktów poboru, dla których moduł decyzyjny wskazał konieczność ich zmodyfikowania oraz pierwotne dla pozostałych punktów poboru.
Wynik okazał się być znacząco lepszy od zakładanego, ponieważ błąd prognozy został ograniczony z 18% do 8%.
Co dalej?
Sukces tych badań zachęcił nas do dalszego doskonalenia metod prognozowania długoterminowego, zwłaszcza w oparciu o dane historyczne, które wykorzystane w umiejętny sposób, są w stanie wykluczyć anomalie incydentalne.
Kolejnym krokiem będzie systematyczne doskonalenie modułu decyzyjnego, który mamy w planach włączyć w proces ciągłego uczenia. Zamierzamy również uwzględnić czynniki makroekonomiczne, które w dalszej perspektywie przyczynić się mogą do jeszcze efektywniejszego udoskonalenia prognozowania.
Prognozowanie konsumpcji energii jest procesem ciągłym i obarczonym sporym ryzykiem. Mamy nadzieję, że opracowana przez nas metoda wykrywania anomalii w prognozach zużycia energii okaże się skutecznym rozwiązaniem dla spółek obrotu.
Jednocześnie widzimy ogromny potencjał w sztucznej inteligencji, która pomaga precyzyjniej kontrolować zapotrzebowanie na energię elektryczną. A to już przekłada się na realne oszczędności liczone nawet w milionach euro.