Kui lülitad tule sisse, käivitad soojuspumba või ühendad elektriautole laadija, tuleb elekter toota peaaegu samal hetkel.

Võrk peab pidevalt olema tasakaalus: sinna siseneva energia hulk peab täpselt vastama tarbitavale hulgale. Kui tootmine ja tarbimine lahknevad, muutub võrgusagedus ning operaatorid peavad reageerima, reguleerides elektrijaamu, salvestussüsteeme, importi, eksporti või paindlikku nõudlust.

Kui me suudaksime elektritootmist ja -tarbimist täiuslikult prognoosida, oleks energiasüsteemi opereerimine palju lihtsam. Energiatarnijad saaksid osta täpselt õiges koguses elektrit, võrguoperaatorid vajaksid väga vähe tasakaalustamisenergiat ning akud ja paindlikud seadmed saaksid alati olla ajastatud optimaalsel ajal.

Täiuslik prognoosimine on võimatu. Ilm muutub, inimesed käituvad etteaimamatult ning miljonid seadmed muudavad pidevalt oma tööd. Kuid iga prognooside täpsuse paranemine vähendab ebakindlust, kulusid ja tarbetuid sekkumisi.

Seetõttu tugineb peaaegu kogu elektrisüsteem prognoosidele.

Taastuvenergia ja elektrifitseerimine suurendavad ebakindlust

Prognoosimine on alati olnud oluline, kuid energiaüleminek muudab selle nii keerulisemaks kui ka väärtuslikumaks.

Päikese- ja tuuleenergia tootmine sõltub suuresti ilmastikust. Oodatust varem saabuv pilvefront võib vähendada päikeseenergia tootmist terves piirkonnas. Tuuleenergia tootmine võib samuti tingimuste muutudes kiiresti tõusta või langeda.

Ka nõudlus muutub üha dünaamilisemaks.

Traditsiooniline kodumajapidamine kasutas elektrit peamiselt valgustuse, toiduvalmistamise ja kodumasinate jaoks. Elektrifitseeritud kodus võib lisaks olla elektriautot, soojuspump, aku, kliimaseade ja elektriboiler. Igaüks neist võib tarbida mitmeid kilovatte ja oluliselt muuta kodumajapidamise nõudlust.

Ilm mõjutab seega süsteemi mõlemat poolt. See määrab taastuvenergia tootmise, aga ka kütte- ja jahutusvajaduse. Muud olulised tegurid on kellaaeg, tööpäevad, pühad, hinnad ja individuaalne kodumajapidamise käitumine.

Rahvusvaheline Energiaagentuur tõstab esile muutuva päikese- ja tuuleenergia tootmise ning elektriautode, soojuspumpade ja muude suurte elektrikoormuste üha kontsentreerituma nõudluse kui tulevaste paindlikkusnõuete peamised tegurid.

Keskmisest kodumajapidamisest kaugemale

Ajalooliselt on elamute elektrinõudlust sageli hinnatud standardkoormusprofiilidega.

Standardkoormisprofiil kirjeldab tüüpilise kliendirühma oodatavat tarbimismustrit. Näiteks BDEW kodumajapidamise profiil esindab tüüpilist päevast ja sesoonset tarbimiskõverat 15-minutilise täpsusega. BDEW pakub selgitust ja kehtivaid profiile siin.

Need profiilid võivad piisavalt hästi toimida tuhandete tavapäraste kodumajapidamiste puhul, kuna individuaalsed erinevused osaliselt tasandavad üksteist.

Kuid need on palju vähem kasulikud konkreetse kodu prognoosimiseks.

Üks kodumajapidamine laeb igal õhtul elektriautot. Teine kasutab soojuspumpa kogu külma hommiku vältel. Kolmandal on päikesepaneelid ja aku. Nende aastatarbimine võib olla sarnane, samas kui nende nõudlus igal konkreetsel hetkel on täiesti erinev.

Traditsioonilised standardkoormisprofiilid muutuvad seega üha vähem representatiivseks, eriti üksikute elektrifitseeritud kodude puhul. Need jäävad kasulikuks baastasemena suurte portfellide puhul, kus paremad andmed puuduvad, kuid elektriautod ja soojuspumbad toovad kaasa suured koormused, mis on tugevalt seotud aja, temperatuuri ja kasutajakäitumisega.

Huvitaval kombel uuendas BDEW ise oma standardkoormisprofiile 2025. aastal, märkides, et sotsiaalsed ja energiasüsteemi muutused eelneva 25 aasta jooksul olid tarbimismustreid muutnud.

Nutikad arvestid ei lahenda kõike

Isegi seal, kus nutikad arvestid on paigaldatud, ei pruugi energiaettevõtted saada üksikasjalikke andmeid reaalajas.

Andmed võivad saabuda viivitusega, olla teise turuosalise valduses või sõltuda kohalikust regulatsioonist, tehnilistest protsessidest ja kliendi nõusolekust. Nutikas arvesti näitab tavaliselt ainult kodu netovõrguvahetust.

See võib näidata, et kodumajapidamine importis viis kilovatt-tundi, kuid mitte seda, kas see tulenes elektriautost, soojuspumbast või tavalisest kodutarbimisest. See ei näita tingimata aku laetuse taset, millal auto peab valmis olema või kui paindlik koormus tegelikult on.

Arvesti näitude olemasolu ei tähenda seega veel kontekstiandmete olemasolu, mis on vajalikud täpseks prognoosimiseks ja optimeerimiseks.

Üha detailsemate arveldussüsteemide jätkuv juurutamine illustreerib seda piirangut. Ofgem selgitab, et juurdepääs pooltunnilistele nutiarvesti andmetele on sõltunud arveldusreeglitest ja tarbija nõusolekust, samas kui traditsioonilised profiiliklassid hindavad tarbimist keskmise kliendikäitumise põhjal.

Väikestest vigadest võivad saada suured süsteemivead

Ühe kodumajapidamise prognoosiviga on elektrisüsteemile tähtsusetu. Sama viga korratuna sadade tuhandete kodude lõikes võib olla märkimisväärne.

Päikeseenergia prognoosivead liiguvad eriti tõenäoliselt samas suunas paljude paigaldiste lõikes. Swissgridi tasakaalustamise teekaardi kohaselt võivad päikesepaneelide tootmisprognoosi vead tekitada suurt nõudlust tasakaalustamisenergia järele ning osaliselt ebatäpsed PV-prognoosid aitasid kaasa kõrgematele Šveitsi tasakaalustamiskuludele 2024. aastal.

Lumi, pilved ja kohalikud ilmastikumõjud muudavad päikeseenergia prognoosimise eriti keeruliseks. Satelliidipõhised hinnangud võivad teatud tingimustes ajada segamini lumekatte ja pilved. Prognoosisüsteem peab seega mõistma mitte ainult üldist ilmaprognoosi, vaid ka seda, kuidas kohalikud tingimused muutuvad konkreetsete paigaldiste tegelikuks toodanguks.

Parem prognoosimine on oluline kogu energiasüsteemis.

Energiatarnijad ja bilansivastutavad osapooled kasutavad prognoose õige koguse elektri ostmiseks ja tasakaalustamiskulude vähendamiseks.

Jaotusvõrguoperaatorid peavad ette nägema kohalikke tippe, nagu paljude elektriautode laadimine samal tänaval või suur päikeseenergia eksport läbi sama trafo.

Ülekandevõrguoperaatorid peavad hoidma süsteemi üldist tasakaalu ja mõistma, kui palju tootmist, nõudlust ja paindlikkust on saadaval.

IEA märgib, et hajutatud ressursid nagu katusepäikesepaneelid, koduakud, elektriautod ja nutikad seadmed võivad aidata hallata võrgu ülekoormust, eeldusel et vajalik side-, juhtimis- ja turustruktuurid on olemas.

Prognoosimine on HEMS-i tuum

Prognoosimine on ka kaasaegse koduse energiahaldussüsteemi (HEMS) üks põhivõimekusi.

Et otsustada, millal aku peaks laadima, peab süsteem hindama tulevast kodumajapidamise tarbimist, päikeseenergia tootmist ja elektrihindu.

Et ajastada elektriautot, peab see teadma eeldatavat kodumajapidamise koormust, tõenäolist päikeseenergia kättesaadavust, sõiduki nõutavat laetuse taset ja väljumisaega.

Et juhtida soojuspumpa, peab see ette nägema välistemperatuuri, küttevajadust, hindu ja hoone soojuskäitumist.

Ilma prognoosideta saab HEMS reageerida ainult sellele, mis praegu toimub.

Heade prognoosidega saab see ette valmistuda. See saab laadida akut enne kallist perioodi, lükata paindlikku koormust edasi tipu ajal, hoida energiat hilisemaks või kasutada päikeseenergia toodangut, mis muidu ekspordiks läheks.

Prognoosimine muudab energiahalduse reaktiivsete reeglite kogumist ettevaatavaks optimeerimiseks.

Samad prognoosid võivad aidata ka laiemat energiasüsteemi. Vastavate integratsioonide ja kliendi lubade olemasolul saab Zerofy pakkuda koostööd tegevatele energiaettevõtetele kodumajapidamise tarbimise, päikeseenergia tootmise ja kavandatud võrguvahetuse prognoose.

Paljude kodude lõikes koondatuna võivad need prognoosid parandada energia hankimist, aidata jaotusvõrguoperaatoritel tuvastada tõenäolisi kohalikke piiranguid ning võimaldada agregaatoritel või ülekandevõrguoperaatoritel mõista, kui palju paindlikku võimsust võib olla saadaval akudest, elektriautodest ja soojuspumpadest.

Paremad süsteemiprognoosid parandavad optimeerimist kodu sees. Paremad kodutaseme prognoosid parandavad energiasüsteemi ülevaadet tulevasest nõudlusest, tootmisest ja paindlikkusest.

Statistilistest mudelitest alusmudeliteni

Energia prognoosimisel on traditsiooniliselt kasutatud statistilisi meetodeid nagu eksponentsiaalne silumine ja ARIMA, samuti füüsikalisi ja masinõppemudeleid.

Need lähenemised tuvastavad korduvaid mustreid, nagu sarnane nõudlus samal ajal eelnevatel tööpäevadel või hooajalised muutused aasta jooksul. Need jäävad kasulikuks, eriti stabiilsete aegridate ja väiksemate andmekogumite puhul.

Uuemad närvivõrgud suudavad õppida keerulisemaid ja mittelineaarseid seoseid suurtest andmekogudest. Viimane areng on aegridate alusmudelite esilekerkimine.

Idee sarnaneb suurte keelemudelitega.

Keelemudel õpib taaskasutatavaid mustreid suurtest tekstikogustest. Aegridate alusmudel õpib taaskasutatavaid mustreid suurtest numbriliste jadade kogumikest, hõlmates trende, tsükleid, korduvaid sündmusi ja seoseid erinevate ajaskaalade lõikes.

Google’i TimesFM näiteks treeniti eelnevalt 100 miljardil reaalmaailma ajapunktil ja kavandati varem nägemata aegridate prognoosimiseks. Amazoni Chronos kohandab sarnaselt keelemudeli arhitektuure numbrilistele jadadele.

Paljud varajased alusmudelid keskendusid ühemuutujalisele prognoosimisele: ühe muutuja ennustamisele peamiselt selle enda ajaloo põhjal.

Näiteks:

Selle kodumajapidamise varasema elektritarbimise põhjal — kui palju see homme tarbib?

Energiasüsteemide jaoks muutub prognoosimine võimsamaks, kui mudel saab kasutada ka kovariaate: lisamuutujaid, mis mõjutavad tulemust.

Need võivad hõlmata ilmaprognoose, kellaaega, pühi, elektrihindu, seadmetüüpe ja mustreid, mida on täheldatud sarnastes kodudes või lähedastes piirkondades.

Ilmastikunäitaja on ise prognoos. Mudel peab õppima, kuidas prognoositud temperatuur, päikesepaiste või pilvisus muutub konkreetse hoone tarbimiseks või päikeseenergia toodanguks.

Uuemad alusmudelid on üha enam kavandatud ühendama ühemuutujalist, mitmemutujalist ja kovariaatidega prognoosimist.

See võimaldab ka teadmiste ülekandmist kodude vahel. Uuel kodumajapidamisel võib olla piiratud ajaloolisi andmeid, kuid mudel saab siiski õppida sarnastest hoonetest, tehnoloogiatest ja ilmastikutingimustest mujal.

Meie lähenemine Zerofys

Zerofys oleme treeninud aegridate alusmudeli elamute energia prognoosimiseks. Treenime seda nullist, kasutades elamute energiaandmete struktuuri ja omadusi ning asjakohaseid kovariaate.

See suudab prognoosida kodumajapidamise energiabilansi mõlemat poolt:

• kodumajapidamise elektritarbimine; ja
• päikeseenergia tootmine.

Need prognoosid toidavad otse Zerofy Autopiloti ja aitavad määrata, kuidas akud, elektriautod, laadijad, soojuspumbad ja muud paindlikud seadmed peaksid järgnevate tundide jooksul töötama.

Meie hindamistes ületas meie lähenemine võrdluseks kasutatud kolmanda osapoole prognoosisüsteemi rohkem kui 90% hinnatud kodumajapidamiste puhul.

Ükski mudel ei suuda iga pilve, inimlikku otsust ega seadme käitumist täiuslikult ennustada. Eesmärk ei ole kindlus.

Eesmärk on pidevalt vähendada ebakindlust, uuendada prognoose uue teabe saabumisel ja teha selle tulemusel paremaid otsuseid.

Päikesepaneelid, akud, elektriautod ja soojuspumbad on energiaülemineku nähtavad tehnoloogiad. Prognoosimine on intelligentsuskiht, mis võimaldab neil koos toimida.

Täiuslikud prognoosid muudaksid energiasüsteemi lihtsaks. Paremad prognoosid muudavad selle tõhusamaks, taskukohasemaks ja vastupidavamaks.