Predikce v energetice 4: Úskalí modelování

V minulém díle byly představeny základní charakteristiky predikčního modelu obchodní spotřeby elektřiny a plynu. Dnešní díl bude zaměřen na některá úskalí související s predikováním spotřeby elektřiny a plynu.  Na co je dobré dávat při predikcích pozor? Jak při predikcích přistupovat k minulosti a budoucnosti? Jak může počet vstupů a výstupů ovlivnit přesnost predikce a jak přistoupit k variabilitě portfolia, jehož spotřeba se predikuje? To vše bude naznačeno v následujících odstavcích.

Doby dávno minulé

Predikce spotřeby v energetice mohou vycházet z velmi dlouhé časové řady vzhledem k dobré dostupnosti historických dat. Jedno ze základních pravidel při vytváření predikčního modelu však právě před predikcí z velmi starých dat varuje. Odvětví energetiky platilo v minulém století za velmi stabilní a to i v horizontu desetiletí, protože v něm nedocházelo k náhlým, prudkým a neočekávaným změnám. Na přelomu tisíciletí však došlo k výraznému posunu celého sektoru, který se stal mnohem dynamičtějším a to především v souvislosti s nástupem nových technologií, obnovitelných zdrojů a rozvoje výpočetní techniky. A tak to, co platilo před deseti lety, již dnes může být zcela jinak.

Příkladem, který dobře ilustruje proměnu odvětví, je vývoj sezónní spotřeby elektřiny. Před deseti lety nebyl v letním období patrný nárůst spotřeby elektřiny související s provozem klimatizačních jednotek v letních měsících. Dnes ovšem provoz klimatizací spotřebu v létě ovlivňuje tak, že s růstem teploty o 1 °C roste spotřeba o 2 % právě kvůli spotřebě chladicích jednotek. Vzhledem k závislosti spotřeby elektřiny i plynu na počasí je evidentní, že počasí patří mezi významné a z historického pohledu také poměrně variabilním vstupy, které ovlivňují přesnost predikce spotřeby. Je tedy žádoucí, aby predikční model byl adaptivní a reflektoval aktuální vývoj v energetickém sektoru i změny související s měnícím se klimatem.

Budoucnost a chování spotřebitelů

Stejně jako zahrnutí příliš dávných historických dat do modelu může být problematická i predikce přespříliš vzdálené budoucnosti. Predikce na mnoho let dopředu je značně obtížná, jelikož se začne více spoléhat na očekávání. Negativní vliv očekávání na predikce ilustruje predikce vývoje cen elektřiny v minulých deseti letech. V této době se predikovalo výrazně rychlejší obnovení růstového trendu ceny silové elektřiny po minulé hospodářské krizi. Jenže v regionu střední Evropy cena silové elektřiny narazila na své dosavadní dno teprve až počátkem roku 2016.

Nezanedbatelným faktorem, který ovlivňuje výsledky predikce spotřeby, ať už se jedná o podniky nebo domácnosti, je individuální chování jednotlivých odběratelů. Při tvorbě predikce je tak nutné uvažovat vliv státních svátků, zvýšenou pozornost je nutné věnovat především těm, které nemají pevné místo v kalendáři. Vliv na spotřebu mají i školní prázdniny nebo celozávodní dovolené, jejichž výskyt může být v rámci roku také variabilní.

Cenové signály

Dalším faktorem, který by s nástupem smart grids měl ovlivňovat spotřebu stále více, je cena elektřiny. Již nyní mohou spotřebitelé plánovat svou spotřebu dle harmonogramu spínání nízkých tarifů, které řídí systém hromadného dálkového ovládání (HDO). Jakmile se rozšíří chytré měření spotřeby, tzv. smart metering a internet věcí (IoT), budou spotřebitelé mít daleko širší možnosti, jak řídit spotřebu v závislosti na aktuální ceně elektřiny.

Spotřeba elektřiny tedy bude se zavedením těchto technologií v průběhu dne oproti současnosti výrazně variabilnější. Národní akční plán pro smart grid (NAP SG) ovšem předpokládá postupné zavedení chytrých sítí a s nimi souvisejících opatření v několika etapách v horizontu až do roku 2040. Ve střednědobém výhledu lze tedy stále počítat s tím, že vliv ceny elektřiny na její spotřebu bude určovat především HDO.

Příliš mnoho vstupů

Z pohledu výrobce je pro predikci výroby nutné brát v úvahu ceny energetických komodit, emisních povolenek a další ekonomické faktory, které mají často přesah i do politiky. Při tvorbě predikčního modelu pro obchodníka tak vzniká komplexní systém obsahující mnoho proměnných, z nichž každá má různou míru významnosti. Některé vstupy do modelu jako např. počasí musí být samy predikovány a nejistotu způsobenou jejich predikcí je nutné v modelu také uvažovat. Výsledný model však stále musí co nejlépe odpovídat skutečnému stavu světa a při tom zůstat přehledný a pochopitelný pro uživatele, kteří s ním pracují.

Velké množství vstupů v predikčním modelu ovšem automaticky neznamená přesnější výstupy, naopak přemíra vstupů často vede k zanášení chyb do výsledku. Rostoucí chyba v souvislosti s rostoucím počtem vstupů je způsobena nepřesností měření, případně odhadem jednotlivých vstupních parametrů. Navíc s rostoucím počtem vstupů bude pravděpodobně docházet k potlačení významu těch veličin, na jejichž vývoji je přesnost predikce nejvíce závislá.

V energetice je také možné setkat se s obdobou efektu motýlích křídel, kdy i malá změna počátečních podmínek může mít významný dopad na celý systém. Některé regionální události tak například dokáží ovlivnit cenu a spotřebu elektřiny v kontinentálním i celosvětovém měřítku. Například když vítr roztočí rotory německých větrných elektráren, poklesnou ceny elektřiny nejen v Německu. Americká hypoteční krize zase vedla ke kolapsu cen energie a poklesu její spotřeby nejen v USA. Při tvorbě predikcí je tedy nutné sledovat vývoj okrajových podmínek a zasazovat je i do kontextu globálního vývoje.

Verifikace dat

Ani nalezení optimálního počtu vstupů však nestačí k tomu, abychom získali výstupy s potřebnou přesností. Vstupní data je totiž nutné před jejich použitím v modelu verifikovat, aby do modelu nezanášela chybu. Může se totiž stát, že dojde ke stažení špatného nebo poškozeného datového souboru, případně k chybě měřícího zařízení.

Tato nesprávná data musí být odstraněna nebo opravena před tím než se použijí jako vstupy do predikčního modelu. K ověření dat menšího rozsahu je možné využít manuální verifikaci, kdy vstupní data projde uživatel a potvrdí jejich správnost. Pro rozsáhlejší datové soubory je již nutné využít automatickou verifikaci, kdy je validita dat ověřována algoritmy, jež mají za účel potvrdit konsistenci a smysluplnost vstupních dat.

Variabilní portfolio

Dalším úskalím predikce pro obchodníky s elektřinou je to, že se musejí potýkat s proměnlivostí jejich portfolia  jehož součástí jsou jak spotřebitelé, tak výrobci elektřiny. Výrobu elektřiny lze při tvorbě modelu chápat jako zápornou spotřebu, což omezí úlohu pouze na predikci spotřeby. Pro vlastní predikování je pak možné využít buď predikci zdola (bottom-up), nebo predikci shora (top-down).

Při predikci top-down se rovnou predikuje celkový součet spotřeb jednotlivých odběrných míst z portfolia. Výhodou tohoto přístupu je, že dochází k synergickému efektu, když se chyby související s predikcí spotřeby jednotlivých odběrných míst navzájem kompenzují. Pokud se predikují jednotlivé spotřeby odběrných míst, jak je tomu v případě predikce bottom-up, dochází k sčítání chyb těchto predikcí. Zatímco u přístupu top-down se řeší predikce spotřeby celého portfolia.  Při predikci top-down tedy není nutné řešit individuálně závislost spotřeby každého odběrného místa na počasí a lze lépe postihnout případnou vzájemnou provázanost spotřeby některý odběrných míst.

Na základě praktických historických zkušeností se metoda top-down považuje za nejvhodnější pro predikci spotřeby portfolia. Pro predikci spotřeby variabilního portfolia je však vhodné částečně doplnit metodu top-down metodou bottom-up. Podrobnější popis aplikace takovéhoto kombinovaného přístupu k predikci spotřeby portfolia je možné nalézt zde.

Vzhledem k výše popsaným úskalím a nutnosti zpracovávat obrovské množství dat se běžně pro potřeby predikce používají komplexní predikční nástroje. Jedná se o speciálně vyvinutý software pro účely predikce spotřeby. Jak přesně by takovýto predikční nástroj měl vypadat a co by měl umět bude popsáno v příštím, závěrečném dílu tohoto seriálu.