Utafiti unashughulikia tatizo la kutabiri mizigo ya umeme, kupoza na kupasha joto katika mifumo jumuishi ya nishati kwa saa 24, 48, 96 na 192 mbele. Muundo wa PBST unaunganisha moduli ya Physically-Constrained Trend Decomposition (PCTD), ambayo hutenganisha mienendo ya kifizikia kwa kutumia mikunjo ya Bernstein-Bézier; Instance-Adaptive Spectrum Selector (IASS) na Multi-Scale Temporal Refinement (MSTR), ambayo hurejesha maelezo ya eneo ambayo yanaweza kupotea wakati wa uchakataji wa kispektri. Katika majaribio yaliyofanywa kwa mizigo ya nishati nyingi ya kampasi ya Tempe ya Arizona State University kwa kipindi cha 2021–2023 pamoja na data za hali ya hewa kutoka National Centers for Environmental Information, PBST ilitoa makosa madogo kuliko mbinu 12 zilizolinganishwa katika sehemu kubwa ya kazi za utabiri zilizochunguzwa. Hata hivyo, matokeo yana mipaka ya mpangilio wa data na itifaki ya majaribio iliyotumika; utafiti haujaonyesha kwamba utendaji huohuo utapatikana moja kwa moja katika miundombinu tofauti ya nishati.

Upeo mrefu wa utabiri ni jambo linalovutia hasa. Katika utabiri wa saa 192, thamani ya MAE ya mzigo wa umeme kwa PBST iliripotiwa kuwa 1346,56 kW, thamani ya MAE ya mzigo wa kupoza 2294,30 kW na thamani ya MAE ya mzigo wa kupasha joto 141,49 kW. Katika upeo huohuo wa utabiri, utafiti unaotegemea mgawanyo linganishi wa makosa unaonyesha kwamba PBST ilipata faida ya karibu %11,7 kwa MAE ikilinganishwa na mbinu ya pili bora, kwa kutumia wastani wa aina zote tatu za mizigo.

Kwa mtazamo wa Türkiye, utafiti huu una umuhimu wa kimetodolojia kwa kampasi, hospitali, makundi makubwa ya majengo au mifumo ya nishati ya viwandani ambako mahitaji ya umeme pamoja na kupasha/kupoza yanaendeshwa kwa pamoja. Hata hivyo, uhusiano kati ya mizigo na hali ya hewa wa Arizona hauwezi kuhamishwa moja kwa moja kwenda Türkiye. Muundo wa PBST utakaotumiwa Türkiye unahitaji kufunzwa upya na kuthibitishwa kwa kujitegemea kwa kutumia hali ya hewa ya eneo, sifa za majengo na mitambo, muundo wa kifizikia wa mfumo wa nishati, ratiba ya uendeshaji na data za matumizi ya ndani.

Tatizo kuu la utafiti ni nini?

Mifumo Jumuishi ya Nishati (Integrated Energy Systems, IES) huendesha pamoja vibeba-nishati mbalimbali kama umeme, kupasha joto na kupoza. Katika mifumo hii, utabiri sahihi wa mzigo ni ingizo la msingi kwa maamuzi ya upangaji na uendeshaji. Hata hivyo, aina hizi tatu za mizigo hazina mienendo inayofanana. Mzigo wa umeme unaweza kuwa na mabadiliko ya muda mfupi na ya masafa ya juu, ilhali mizigo ya kupasha na kupoza inaweza kuwa na mifumo ya kifizikia inayobadilika polepole kutokana na inertia ya joto ya majengo na miundombinu ya nishati.

Watafiti wanabainisha matatizo makuu matatu katika mbinu zilizopo. Kwanza, mbinu za kawaida za utenganishaji wa mwenendo zinaweza kuathiriwa na mitikisiko ya ghafla na kuvuruga mienendo ya kifizikia ya polepole kama inertia ya joto. Pili, vichujio vya masafa visivyobadilika haviwezi kuzoea kiwango cha ubadilifu kinachotofautiana kwa kila sampuli. Tatu, uchakataji wa kispektri wa kimataifa unaweza kulainisha kupita kiasi vilele vya eneo, mabadiliko ya ghafla na maelezo ya muda mfupi.

Data ziliandaliwa vipi?

Katika utafiti, data za kila saa za mizigo ya nishati nyingi ya kampasi ya Tempe ya Arizona State University kwa kipindi cha 2021–2023 ziliunganishwa na data za hali ya hewa. Malengo ya utabiri ni mzigo wa umeme, mzigo wa kupoza na mzigo wa kupasha joto. Katika seti asilia ya data, umeme uliwakilishwa kwa kW, kupoza kwa CHTON na kupasha joto kwa HTmmBTU; ili kuhakikisha ulinganifu wa vipimo kati ya vibeba-nishati tofauti, watafiti walibadilisha mizigo ya kupoza na kupasha joto kuwa nguvu sawa ya umeme kwa kW.

Katika kusafisha thamani zilizopotoka, sheria ya ndani ya mikengeuko mitatu ya kawaida na masafa baina ya robo (Interquartile Range, IQR) yalitumika. Uchunguzi wa ndani wa sigma-tatu unaelezwa kwa sharti lifuatalo:

\[ |x_t-\mu_w| > 3\sigma_w \]

Hapa \(\mu_w\) ni wastani wa dirisha la eneo husika, na \(\sigma_w\) ni mkengeuko wa kawaida. Thamani zinazokosekana zilikamilishwa kwa uingiliaji wa mstari na urekebishaji wa Z-score ulitumika kwa vipengele vyote.

Katika uteuzi wa ingizo za muundo, mgawo wa uhusiano wa Pearson na Grey Relational Analysis (GRA) zilitumika pamoja na hatimaye vipengele 11 muhimu viliteuliwa. Mgawo wa uhusiano uliotumiwa kwa GRA ni:

\[ \xi_i(k)= \frac{ \min_i\min_k|x_0(k)-x_i(k)|+ \rho\max_i\max_k|x_0(k)-x_i(k)| }{ |x_0(k)-x_i(k)|+ \rho\max_i\max_k|x_0(k)-x_i(k)| } \]

na mgawo wa utenganishaji \(\rho=0,5\) uliwekwa.

Mizigo ya nishati nyingi ina tabia gani?

Katika grafu za pande tatu za mizigo, inaonekana kwamba umeme, kupoza na kupasha joto zinaonyesha tabia tofauti ndani ya mizani ileile ya mwaka na siku. Wakati wa kiangazi, thamani za juu za matumizi ya umeme huonekana pamoja na ongezeko la mahitaji ya kupoza, ilhali wakati wa baridi mahitaji ya kupasha joto huunda mpangilio tofauti wa kila siku. Watafiti wanatafsiri muundo huu kama kiashiria cha uhusiano kati ya vibeba-nishati vingi.

Uchanganuzi wa uhusiano wa Pearson na uhusiano wa umbali unaonyesha si tu uhusiano wa mstari, bali pia utegemeano usio wa mstari kati ya vigezo vya hali ya hewa na mizigo ya nishati. Taswira za kernel density estimation (KDE) katika utafiti pia zinaonyesha, hasa, muundo uliopangika wa mgawanyo wa pamoja kati ya joto na mizigo ya umeme na kupoza.

Usanifu wa PBST unafanya kazi vipi?

Wazo kuu la PBST ni, badala ya kuchakata ishara ya mzigo kama mfululizo mmoja wa muda wa kisanduku cheusi, kwanza kutenganisha mwenendo wa jumla wa kifizikia unaobadilika polepole na sehemu ya msimu/mitikisiko inayobadilika kwa haraka zaidi, kisha kuunda miundo tofauti kwa vipengele hivyo viwili. Muundo una sehemu tatu zinazofuatana: PCTD, IASS na MSTR.

1. PCTD: Kiunzi cha mwenendo wa kifizikia kwa mikunjo ya Bézier

Physically-Constrained Trend Decomposition (PCTD), inalenga hasa kutenganisha mabadiliko ya polepole na laini yanayohusiana na inertia ya joto kutoka kwa mitikisiko ya ghafla ya masafa ya juu. Watafiti wanafafanua mwenendo kwa mkunjo wa Bernstein-Bézier wa daraja la \(n\):

\[ \mathcal{T}(t)=\sum_{i=0}^{n}\mathbf{P}_i B_{i,n}(t), \qquad t\in[0,1] \]

Vipengele msingi vya Bernstein ni:

\[ B_{i,n}(t)= \binom{n}{i}t^i(1-t)^{n-i} \]

ambapo \(\mathbf{P}_i\) zinawakilisha nukta za udhibiti za Bézier. Utafiti unaeleza kwamba daraja \(n\) kwa kawaida huchaguliwa kuwa 2 au 3. Muundo wa daraja la chini hufanya kazi kama kizuizi cha kimuundo kinachozuia muundo kufuatilia mitikisiko ya nasibu ya masafa ya juu kama mwenendo.

Nukta za udhibiti hazitabiriwi moja kwa moja

Badala ya kuzalisha nukta za udhibiti za Bézier moja kwa moja, watafiti wanatabiri thamani za “anchor” katika nafasi maalumu za muda kutoka kwenye mfululizo wa mizigo ya awali:

\[ \widehat{\mathbf{V}}_{\mathrm{anc}} = MLP_{\mathrm{anchor}}(\mathbf{X}) \]

Kwa kutumia uhusiano wa kijiometri usiobadilika kati ya thamani za anchor na matriksi ya Bernstein, nukta za udhibiti huhesabiwa kwa kutumia pseudo-inverse:

\[ \mathbf{P} = \widehat{\mathbf{V}}_{\mathrm{anc}} \left(\mathbf{M}_{\mathrm{anc}}^{\dagger}\right)^T \]

Jambo muhimu la kimetodolojia ni kwamba wakati wa uinferensi, anchor huzalishwa kutokana na taarifa za zamani pekee. Thamani halisi za malengo ya baadaye haziingizwi katika hesabu hii, hivyo kuzuia lebo za baadaye kuvuja kwenye ingizo.

Mwenendo wa zamani na mwenendo wa Bézier ulioongezwa kuelekea baadaye:

\[ \mathcal{T}_{hist}=\mathbf{P}\mathbf{B}_{hist}^{T}, \qquad \mathcal{T}^{pred}_{bezier}=\mathbf{P}\mathbf{B}_{pred}^{T} \]

huhesabiwa. Katika utabiri wa mwisho wa mwenendo, neno dogo la marekebisho ya mwenendo huongezwa kwenye kiunzi cha Bézier:

\[ \widehat{\mathcal{T}} = \mathcal{T}^{pred}_{bezier} + \mathcal{R}_{trend}(\mathbf{X}_{trend}), \qquad \mathbf{S}_{hist} = \mathbf{X}_{raw}-\mathcal{T}_{hist} \]

2. IASS: Uchaguzi wa masafa unaobadilika kwa kila sampuli

Instance-Adaptive Spectrum Selector (IASS), badala ya kutumia kichujio kilekile cha masafa kwa mfululizo wote wa muda, huzingatia ubadilifu wa sampuli ya sasa. Vekta ya muktadha iliyoundwa kutokana na mkengeuko wa kawaida wa mfululizo wa ingizo hupelekwa kwenye MLP ili kuunda lango la masafa linalobadilika:

\[ \mathbf{M}_{dyn} = \sigma\left( MLP_{context}(Std(\mathbf{X})) \right) \]

Lango linalobadilika linaunganishwa kipengele kwa kipengele na kinyago msingi cha masafa kinachoweza kujifunzwa:

\[ \mathbf{M}_{final} = \mathbf{M}_{dyn} \odot \sigma(\mathbf{M}_{base}) \]

Kwenye spektra yenye thamani changamani inayopatikana kwa real Fast Fourier Transform (rFFT):

\[ \widehat{\mathbf{X}}_{freq} = \mathbf{X}_{freq} \odot \mathbf{M}_{final} \]

operesheni hutumika. Kwa hivyo, kwa mujibu wa muundo wa watafiti, modeli inaweza kurekebisha uzito wa vipengele husika vya spektra katika sampuli tofauti za mzigo bila kubaki imefungwa na kanuni ileile isiyobadilika ya masafa ya “top-k”.

3. MSTR: Kurejesha maelezo baada ya ulainishaji wa kispektri

Ingawa uchujaji wa kispektri ni mzuri katika kuwakilisha muundo wa kimataifa wa vipindi, unaweza kulainisha mabadiliko ya ghafla ya eneo. Multi-Scale Temporal Refinement (MSTR) inalenga kutatua tatizo hili kwa kuunganisha utabiri wa kispektri wa awali na marekebisho ya eneo katika kikoa cha muda.

Kwanza, spektra iliyochujwa huhamishwa hadi urefu lengwa wa utabiri kwa safu ya mstari yenye thamani changamani:

\[ \mathbf{X}_{up} = Linear_{\mathbb{C}} \left( \widehat{\mathbf{X}}_{freq}^{T} \right)^{T} \]

Kisha ishara ya muda ya awali huundwa kwa inverse real Fourier transform:

\[ \mathbf{S}_{coarse} = \mathcal{F}^{-1} (\mathbf{X}_{up},n=L+T) \]

Ili kurejesha maelezo ya eneo, operesheni sambamba za depthwise convolution zenye ukubwa wa kernel \(k=3\) na \(k=5\) hutumika:

\[ \mathbf{X}_{mid} = GELU \left( Conv1d_{1\times1}(\mathbf{S}_{coarse}) \right) \]

\[ \Delta\mathbf{S} = DWConv_{k=3}(\mathbf{X}_{mid}) + DWConv_{k=5}(\mathbf{X}_{mid}) \]

Sehemu ya mwisho ya msimu/mitikisiko ni:

\[ \widehat{\mathbf{S}} = LayerNorm \left( \mathbf{S}_{coarse} + Project(\Delta\mathbf{S}) \right) \]

Hivyo utabiri wa jumla ni jumla ya mwenendo wa kifizikia na sehemu ya mitikisiko iliyoboreshwa:

\[ \widehat{\mathcal{Y}} = \widehat{\mathcal{T}} + \widehat{\mathbf{S}} \]

Utabiri wa saa 192 unaonyesha nini?

Grafu za utabiri linganishi za saa 192 zinaonyesha kwamba PBST, huku ikifuatilia mwenendo wa jumla wa mifululizo ya umeme, kupoza na kupasha joto, pia huhifadhi sehemu muhimu ya mabadiliko ya muda mfupi. Watafiti wanaripoti kwamba mkengeuko wa awamu au makosa ya amplitudo yanayoonekana katika baadhi ya mbinu za kulinganisha hubaki yakiwa madogo zaidi katika PBST.

Faida ya PBST ikilinganishwa na mshindani mwenye MAE ya pili kwa udogo zaidi imefafanuliwa katika utafiti kama ifuatavyo:

\[ Lead= \frac{ MAE^{competitor}_{mean} - MAE^{PBST}_{mean} }{ MAE^{competitor}_{mean} } \times100\% \]

Kwa kipimo hiki, faida huongezeka kadiri upeo wa utabiri unavyorefuka: %4,8 katika saa 24, %5,2 katika saa 48, %8,1 katika saa 96 na na %11,7 katika saa 192.

Hitimisho zinazoungwa mkono na utafiti

• PBST ilitoa matokeo mazuri ya makosa dhidi ya mbinu zilizolinganishwa katika utabiri wa hatua nyingi wa mizigo ya umeme, kupoza na kupasha joto katika mpangilio wa data wa ASU–NCEI uliotumika.
• Kuondolewa kwa PCTD kuliongeza thamani za jumla za makosa, na mchango unaopimika wa sehemu ya mwenendo inayotegemea Bézier ulionyeshwa kupitia ablation.
• Kuondolewa kwa IASS kulihusishwa na makosa makubwa zaidi, hasa katika upeo mrefu wa utabiri.
• Kuondolewa kwa MSTR kulisababisha upotevu mkubwa wa utendaji dhidi ya modeli kamili katika vipimo vya jumla vya makosa vya saa 192.
• Katika matokeo ya uthabiti yaliyopatikana kutoka hali tano tofauti za kuanzia/kurudia, coefficients of variation zilizoripotiwa zilibaki chini ya %1 katika upeo wote wa utabiri.

Hitimisho ambazo utafiti hauungi mkono au haujapima

• Haijaonyeshwa kwamba PBST itatoa viwango vilevile vya makosa katika mifumo yote jumuishi ya nishati.
• Utendaji katika data za Arizona si dhamana ya moja kwa moja ya utendaji kwa mifumo ya nishati ya Türkiye.
• Utafiti hauonyeshi kwamba PBST hupunguza gharama za uendeshaji wa eneo kwa kiwango maalumu katika mfumo wa kibiashara wa usimamizi wa nishati wa wakati halisi.
• Bei ya nishati, ushuru au faida ya uboreshaji haikutabiriwa moja kwa moja.
• Matokeo hayajathibitishwa katika usanidi mpana zaidi wa nishati nyingi unaozidi vibeba-nishati vitatu vilivyochunguzwa katika utafiti.
• Thamani ya ACCR iliyoripotiwa si usahihi wa uainishaji; ni kiashiria cha usahihi wa utabiri kilichofafanuliwa katika utafiti kama \(1-MAPE/100\).

Mbinu na Matokeo ya Utafiti

Itifaki ya majaribio

Kugawa data kwa mpangilio wa muda na kutotumia taarifa za baada ya kipindi cha utabiri kama ingizo za mafunzo ni mojawapo ya hatua kuu za kuzuia kuvuja kwa data katika itifaki ya utabiri wa mbele ya utafiti.

Ililinganishwa na mbinu zipi?

PBST ililinganishwa na jumla ya modeli 12 wakilishi za utabiri wa mfululizo wa muda: DLinear, FiLM, FITS, FreTS, Informer, iTransformer, Koopa, MICN, Nonstationary Transformer, PatchTST, TimeMixer na TimesNet. Ulinganisho unajumuisha modeli za Transformer, mbinu za masafa/decomposition na mbinu za mstari/convolution.

Matokeo ya PBST kwa aina za nishati

MAE huongezeka katika aina zote za nishati kadiri upeo wa utabiri unavyoongezeka; hata hivyo, PBST inaendelea kudumisha nafasi nzuri ya kulinganisha hata katika upeo mrefu ndani ya utafiti huu.

Matokeo ya kina ya PBST kwa saa 192

Katika utafiti, ACCR haitumiki kwa maana ya usahihi wa uainishaji. Watafiti wanafafanua kipimo hiki kama \(ACCR=1-MAPE/100\). Kwa hiyo, kwa mfano, thamani ya 0,924 haipaswi kutafsiriwa kuwa “%92,4 ya sampuli ziliainishwa kwa usahihi.”

Uchambuzi wa ablation unaonyesha nini?

Watafiti waliondoa kila moja ya vipengele vitatu vya msingi vya PBST ili kupima mchango wa PCTD, IASS na MSTR. Kwa kuwa vipimo katika jedwali la ablation vilihesabiwa baada ya kulainisha malengo yote matatu pamoja, thamani hizi si hesabu ileile moja kwa moja na thamani za MAE kwa kila aina ya nishati zilizo hapo juu.

Katika upeo wa saa 192, MAE ya modeli kamili ilikuwa 1260,78; PCTD ilipoondolewa ilikuwa 1345,51, IASS ilipoondolewa 1327,59 na MSTR ilipoondolewa 1394,69. Jaribio hili linaonyesha kwamba vipengele vyote vitatu vinachangia utendaji wa mwisho na kwamba marekebisho ya muda ya eneo ni muhimu hasa katika upeo mrefu wa utabiri.

Jaribio la uthabiti

Kukaa chini ya %1 kwa coefficients of variation zilizoripotiwa katika upeo wote minne wa utabiri kunaonyesha ubadilifu mdogo dhidi ya vigezo vya awali chini ya hali za kurudia zilizotumiwa na watafiti. Matokeo haya hayamaanishi kwamba uthabiti wa uwanjani umethibitishwa katika vituo vingine vya data au mazingira ya uzalishaji ya wakati halisi.

Nguvu na mipaka ya kisayansi

Nguvu ya utafiti ni kwamba utendaji wa modeli haukuwasilishwa kwa jedwali moja tu la makosa. PBST ilitathminiwa kwa upeo mbalimbali wa utabiri, aina tatu za mizigo ya nishati, modeli 12 za kulinganisha, ablation kwa kila sehemu na uchambuzi wa uthabiti wa kurudia. Aidha, kila mojawapo ya moduli za PCTD, IASS na MSTR iliunganishwa moja kwa moja na tatizo maalumu la utabiri.

Kizuizi muhimu zaidi ni kwamba wigo wa majaribio unategemea mpangilio mmoja mkuu wa data za nishati nyingi. Utendaji wa modeli kwa vibeba-nishati zaidi, maeneo tofauti ya hali ya hewa, aina tofauti za majengo na mitambo au vifaa vidogo vya wakati halisi haujathibitishwa na majaribio ya sasa. Watafiti pia wanapendekeza, kama kazi ya baadaye, kuchunguza uhusiano wa aina zaidi za nishati na kupima modeli kwenye vifaa vidogo vinavyofaa kwa upangaji wa nishati wa wakati halisi.

Maelezo ya Chanzo na Mbinu

Jina kamili asilia la utafiti: PBST: Physics-Bézier Spectral-Temporal Network for Multi-Energy Load Forecasting in Integrated Energy Systems

Waandishi: Ruiting Shen, Ziyi Wang, Yaping Li, Kedong Zhu na Shi Liang.

Mpangilio wa waandishi: Mpangilio wa utafiti chanzo umehifadhiwa kama ulivyo.

Mwandishi mwenza wa kwanza: Hakuna tamko la uandishi mwenza wa kwanza katika chanzo.

Mwandishi wa mawasiliano: Shi Liang; anuani ya mawasiliano katika chanzo imeonyeshwa kama liangshi@nuist.edu.cn.

Taasisi: Ruiting Shen, Ziyi Wang na Shi Liang — Nanjing University of Information Science and Technology, Nanjing, China. Yaping Li na Kedong Zhu — China Electric Power Research Institute, Company Limited, Beijing, China.

DOI: 10.2139/ssrn.6932552

Jukwaa: SSRN.

Rekodi rasmi:SSRN abstract 6932552

Hatua ya uchapishaji: Chanzo kina kauli “Preprint submitted to Elsevier”; jarida mahsusi la mwisho la Elsevier au toleo lililochapishwa la jarida halijaainishwa katika chanzo.

Hali ya uhakiki rika: Huu ni preprint ambao haujapitia uhakiki rika; matokeo yanapaswa kutathminiwa kwa kuzingatia hatua hii ya uchapishaji.

Tarehe kamili ya uchapishaji: Kwa kuwa haijaainishwa kwa kuaminika katika toleo la chanzo, tarehe kamili haijatolewa.

Leseni: Chanzo hakijaainisha leseni wazi ya matumizi tena.

Ufadhili: Utafiti unaripoti kuwa uliungwa mkono chini ya “Research on Traceability and Correction Technology of Source-Load Forecasting Error in Provincial Power Grid” kwa Grant No. 52100126003Q-065-ZN.

Chanzo cha data: Data za mizigo ya nishati nyingi ya kampasi ya Tempe ya Arizona State University pamoja na data za hali ya hewa za National Centers for Environmental Information zilitumika. Utafiti unaripoti kipindi cha 2021–2023 na sampuli za kila saa.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililotambuliwa katika maandishi ya chanzo.

CRediT/michango ya waandishi: Hakuna CRediT authorship contribution statement tofauti katika chanzo.

Tamko kuhusu AI generative: Waandishi wanaeleza kuwa Gemini ilitumiwa tu kuboresha lugha ya makala na kusahihisha sarufi; vielelezo vilitengenezwa kwa mkono au kwa misimbo ya waandishi wenyewe, na mbinu ya utafiti, mfumo wa uchanganuzi, tafsiri ya kisayansi na michango asilia ziliendelezwa na waandishi.

Mpaka wa maudhui ya kisayansi: Maelezo haya ya Verianla yanategemea data, mbinu, milinganyo, majedwali, vielelezo, majaribio na matokeo ya utafiti uliopakiwa. Hakuna matokeo mapya ya kisayansi yaliyoongezwa kutoka vyanzo vya nje isipokuwa uthibitishaji wa utambulisho wa kibibliografia. Utendaji ulioripotiwa unahusu majaribio katika mpangilio wa data wa ASU–NCEI na hauwezi kuchukua nafasi ya uthibitishaji huru wa uwanjani katika mifumo mingine jumuishi ya nishati.