12.2.2024

Prediction Management System - Aká bude zajtra situácia na energetickom trhu?

Koľko energie vyrobí zajtra fotovoltaická elektráreň? Aká bude spotreba zazmluvnených odberných miest? Odpovede na tieto otázky sú kľúčovým parametrom pre rozhodovanie energetických manažérov.  

Pre minimalizáciu nákladov na elektrickú energiu a efektívne pôsobenie na energetickom trhu je dôležité postupovať strategicky a plánovať dopredu. Problémom však je, že jednotlivé premenné potrebné pre efektívne rozhodovanie sú značne volatilné.

Výroba elektriny z fotovoltaických elektrární je priamo závislá od počasia v daný deň. Energetická kríza v posledných rokoch ukázala, že cena elektriny na burze je veľmi ťažko predvídateľná a kolíše nie len zo dňa na deň, ale obrovské cenové rozdiely je možné vidieť aj v priebehu dňa. Ak má fotovoltaika dobré podmienky, vyrába okolo obeda veľa. Čím sa zvyšuje ponuka na trhu a tá tlačí ceny dole. Niekedy dokonca až do mínusových čísel. Ak má subjekt v portfóliu fotovoltaické panely a zároveň nakupuje dopredu aj energiu na trhu, je klúčové aby dopredu vedel koľko elektriny bude potrebovať, koľko z toho pokryje jeho vlastná výroba a koľko musí nakúpiť.

Obrázok1: Hodinová cena elektriny na trhu 3.9.2023 (Zdroj dát: OKTE.sk)

Predikčný systém na podporu rozhodovania

Na minimalizáciu neistoty spojenej s budúcim vývojom premenných veľkí energetickí hráči často používajú predikčné IT systémy (Prediction Management Systems). Ich snahou je na základe existujúcich dát predpovedať vývoj energetických premenných do budúcnosti. Či už ide o spotrebu elektrickej energie, alebo výrobu a dodávku elektriny alebo tepla. Obchodníci alebo energetickí manažéri tak majú ďalšie podporné informácie a môžu prijímať výrazne kvalifikovanejšie strategické aj operatívne rozhodnutia.

Zákazníci sa môžu rozhodnúť používať systém na informačnej úrovni aj na predikciu cien komodity na burze. Vzhľadom na komplexné podmienky ovplyvňujúce vývoj ceny je však daná premenná nedeterministická.

Každý typ predikcie si vyžaduje špecifickú dátovú množinu vstupných hodnôt (dataset) a vyladený model strojového učenia. Pre predikciu výroby z fotovoltaiky sú napríklad potrebné meteo dáta na najbližšie obdobie. Meteo dáta je možné čerpať z viacerých relevantných zdrojov ako napríklad SHMÚ, ECMWF alebo GFS. Pretože ide ale o veľký objem dát, je dôležité ich efektívne čerpať a hlavne spracovať.

Výhodou predikčných systémov IPESOFT je, že sú integrované s archívom trhových dát s veľkým množstvom konektorov na meteo údaje, namerané energetické údaje a podobne. Pre samotných užívateľov systému je potom veľmi jednoduché využiť tieto údaje pre predikčné úlohy.

Pre efektívne využitie strojového učenia je nutné:

1. Vytvoriť dataset - čím definujeme časové intervaly pre trénovanie a validáciu modelu

2.      Zvoliť vhodný typ modelu pre konkrétnu úlohu

Vďaka širokému spektru modelov v predikčnom systéme PMS od IPESOFTu je možné rýchlo vyhodnotiť kvalitu predikcie jednotlivých typov modelov nad rovnakým datasetom, porovnať ich chybovosť a vyhodnotiť, ktorý z modelov bude najvhodnejší pre predikciu danej premennej.  

Všetko je možné zistiť extrémne rýchlo pretože architektúra systému umožňuje tvoriť rôzne predikcie s využitím GPU akcelerácie. Užívateľ tak môže testovať viacero modelov paralelne nie len na CPU ale aj na 1 alebo viacerých GPU.

Veľkou výhodou pri týchto výpočtovo náročných úlohách, ktoré realizujú naši zákazníci je, že PMS riešenie pri hodnotení modelov dokáže vyhodnotiť aj relevantnosť vstupných údajov, resp. jednotlivých prediktorov datasetu, pre daný typ predikcie. Užívatelia tak vedia rýchlo meniť zloženie datasetu s cieľom zlepšenia presnosti riešenia predikčnej úlohy.

Zároveň systém automaticky ladí aj nastavenie jednotlivých hyperparametrov ako je napríklad počet neurónov.

Široké spektrum využiteľných modelov strojového učenia v systéme PMS bolo predpripravených na základe 30 ročnej skúseností odborníkov na IT a energetiku zo spoločnosti IPESOFT.

Kde je rozumný časový horizont pre tvorbu presných predikcií?

Vo všeobecnosti modely strojového učenia vedia vytvoriť predikciu na veľmi dlhé obdobia. Čím dlhší je však interval, tým menej presné výsledné predikcie sú. Užívatelia musia preto k dlhodobým predikciám pristupovať s určitou dávkou opatrnosti. Ak model vychádza z predpovede počasia, tam sú samotné vstupné dáta relatívne presné iba na veľmi krátke obdobie.

Energetický trh je nesmierne dynamický a množstvo jeho operácií prebieha na krátkodobých trhoch. Presné predikcie už len na deň dopredu dokážu obchodníkom pomôcť ušetriť, alebo zarobiť nemalé finančné prostriedky, prípadne im dokážu odkryť výhodnejšie využitie vlastnej elektriny s ohľadom na situáciu na trhu. Vzhľadom na štruktúru trhu s elektrinou je jej nakupovanie a predaj pre mnoho subjektov každodenný a kontinuálny proces.

S našim predikčným systémom tak výrobcovia, obchodníci a energetickí manažéri získajú silnú podporu pri rozhodovaní v procese nákupu a predaja elektriny, tepla a iných komodít a utilít. Napríklad pri riešení úloh:

• koľko elektriny budú mať k dispozícií z vlastných zdrojov (napr. fotovoltaických elektrární);

• koľko energie (elektriny, tepla) v daný deň budú musieť zabezpečiť pre spotrebu vlastných zákazníkov;

Príklad využitia PMS na praktických dátach

Presnosť modelov je možné ukázať bez zverejnenia dát zákazníkov na predikcii spotreby elektrickej energie v Kalifornii. V tomto prípade je dostupný veľký súbor historických dát spolu s predikciami, na základe ktorých energetici pracovali voľne dostupné.

Pre test bolo použité 8 ročné obdobie kde prvých 5 rokov bolo použitých na trénovanie modelu. Ďalšie 2 roky boli určené na validáciu a posledný rok na porovnanie reálnych dát s 24h predikciami IPESOFT PMS. Model tak pracoval ako keby bol v reálnej produkcií u zákazníka od leta 2022 a rok predikoval v reálnych podmienkach aká bude spotreba všetkých odberných miest v nasledujúcich 24 hodinách.

To isté robili v reálnom čase aj predikčné systémy v Kalifornii. Na základe ich predikcie následne lokálny energetici vykonávali operácie na energetickom trhu. Keď porovnáme predikcie z Kalifornie s predikciami od IPESOFT PMS, vidíme jasné rozdiely.

Reálna spotreba je na grafe modrou farbou, predikcia kalifornských systémov zelenou a predikcia IPESOFT PMS systému žltou. Pri porovnaní s reálnymi dátami o spotrebe vidíme rozdiel medzi predikciami.

MAPE (mean absolute percentage error) vyjadruje absolútnu percentuálnu chybu predikcie jednotlivých systémov. Kľúčová je pre energetikov pohybujúcich sa na trhu celková chyba (Total error), ktorá predstavuje súčet absolútnych rozdielov medzi predikciou a skutočnosťou. WAPE (Weighted Absolute Percentage Error) je percentuálny podiel medzi celkovou chybou a súčtom absolútnych skutočných hodnôt.

V prípade IPESOFT PMS by kumulovane za predikovaný rok vedeli vždy deň dopredu spotrebu zákazníkov presnejšie približne o 4,67 TWh. Nemuseli by tak vynakladať značnú časť úsilia a finančných zdrojov potrebných pre elimináciu rozdielu v deň spotreby. 

Iné blogy