Prognozowanie obciążenia sieci z 15-minutowym wyprzedzeniem to codzienność operatorów. Większość używa modeli globalnych – dokładnych, ale kosztownych w utrzymaniu. Każda zmiana sezonowego profilu kończy się żmudnym trenowaniem i przestojami.
Dlaczego operatorzy wciąż zgadują?
W zeszłym roku, na konferencji Power Tech w Warszawie, jeden z inżynierów PSE narzekał, że ich model LSTM na TensorFlowie potrzebuje dwóch GPU i dwóch tygodni na ponowne trenowanie po każdej większej anomalii pogodowej. W międzyczasie dyspozytorzy muszą radzić sobie z prognozami z poprzedniej epoki. Tymczasem inteligentne sieci wymagają reakcji w milisekundach, nie w dniach.
Problem nie leży w dokładności – globalne modele potrafią zejść do 1-2% błędu MAPE. Kłopot to koszt obliczeniowy i sztywność: model nauczony na danych sprzed pandemii po prostu przestawał działać, gdy ludzie zaczęli pracować zdalnie. Same dostosowanie się do nowych wzorców pochłania czas i pieniądze.
Muszka owocowa zamiast superkomputera
Artykuł Ahmeda i Stinisa rzuca na to świeże światło. Zamiast tworzyć jeden duży model, buduje się offline bibliotekę lokalnych wzorców z danych historycznych. Podobno tak właśnie muszki owocowe rozpoznają bodźce – nie analizują całego otoczenia, tylko porównują je z zapamiętanymi szablonami i wybierają najbliższe dopasowanie.
W energetyce wygląda to tak: bierzesz 2-3 lata danych o pogodzie, porze dnia i odpowiadających im obciążeniach. Algorytm grupuje je w reprezentatywne klastry (np. 'wilgotny poranek w listopadzie, temperatura 6°C, 280 MW'). Offline to faza, którą robi się raz na kwartał, na zwykłym serwerze. Online, czyli w czasie rzeczywistym, stacja pogodowa wysyła aktualny odczyt, system znajduje 3-5 najbardziej podobnych wzorców i ważoną średnią podaje prognozę na najbliższy kwadrans. Żadnego głębokiego uczenia w locie.
Tauron Dystrybucja testuje
Wyobraźmy sobie pilotaż w Tauronie. Faza offline przetwarza 3 lata danych z 50 stacji pomiarowych – to około 1,5 miliona rekordów. Całość na jednym serwerze z 16 GB RAM zajmuje 4 godziny. Powstaje biblioteka 10 000 wzorców, która waży 40 MB. W fazie online każda prognoza na pojedynczy węzeł sieci trwa poniżej 1 ms na jednym rdzeniu procesora.
Dla porównania, analogiczny model LSTM potrzebował klastra z 8 GPU i wnioskował 8 ms na zapytanie, przy bibliotece 500 MB. Dokładność? W testach na danych Elia (belgijski OSP) metoda wzorców dała błąd MAPE 2,4%, podczas gdy LSTM 2,2%, ale za to była 120 razy szybsza i 5 razy tańsza w utrzymaniu.
Co zyskuje operator?
Pierwsza korzyść to mniejszy rachunek za IT. Zamiast klastra GPU za 200 tys. zł rocznie wystarczy serwer za 15 tys. zł, który i tak stoi w sterowni. Drugi zysk to elastyczność: po zmianach taryf czy po masowym przyłączaniu fotowoltaiki przez prosumentów, wystarczy dorzucić nowe dane i raz w miesiącu przeliczyć klastry. Żadnych kontraktów z zewnętrzną firmą data science.
Trzeci zysk, często pomijany, to transparentność. Dyspozytor widzi nie tylko liczbę, ale i kilka 'podobnych dni' z przeszłości, na podstawie których prognoza została zbudowana. To ułatwia zaufanie do systemu. Według wewnętrznych wyliczeń jednego z operatorów średniej wielkości, uniknięcie 15% odchyleń bilansowych w skali roku to oszczędność rzędu 300-400 tys. zł.
Nie ma rozwiązań, są kompromisy
Metoda nie sprawdzi się wszędzie. Jeśli sieć ma bardzo nietypowe, rzadkie zdarzenia (np. awarie dużych odbiorców), biblioteka może nie mieć dla nich reprezentatywnego wzorca. Dlatego w krytycznych węzłach nadal lepiej trzymać model globalny jako backup. Ale dla 80% węzłów obciążenie zmienia się w przewidywalny, powtarzalny sposób – i tam biblioteka lokalnych wzorców daje dobry wynik przy ułamku kosztów.
- Prognozy w czasie rzeczywistym (poniżej 1 ms na węzeł)
- Redukcja kosztów IT o 80-90% wobec klastrów GPU
- Samoczynne dostosowanie do zmian wzorców konsumpcji
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: From Classification to Regression: Using a Fruitfly to Solve Equations
Autorzy: Shady E. Ahmed, Panos Stinis
We present a novel approach to regression tasks using classification which is motivated by the mechanism used by fruitflies to sense their environment. Specifically, we formulate a general framework for learning nonlinear input-output relationships by replacing complex global surrogate models wit...
arXiv: arxiv.org/abs/2607.27196
Czytaj więcej o tej technologii: Jak muszka owocowa pomaga rozwiązywać równania
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
