Výzva

Účastníci energetického trhu dnes obvykle provozují několik predikčních modelů současně, přičemž každý z nich nahlíží na budoucí vývoj z odlišného úhlu pohledu. Některé modely lépe zachycují historické vzorce spotřeby, jiné citlivěji reagují na krátkodobé výkyvy nebo na externí faktory, jako je počasí. Tato různorodost přístupů je sama o sobě výhodou – více perspektiv znamená více informací.

V praxi však vytváří jiný problém: více modelů, více odpovědí, ale žádný jediný zdroj pravdy. Jednotlivé modely si často navzájem odporují a přesnost každého z nich se v čase mění v závislosti na aktuálních podmínkách. Naše analýza stávajících modelů klienta ukázala, že žádný z nich nebyl konzistentně nejpřesnější ve všech situacích. Každý měl svá silná i slabá období a jeho spolehlivost se měnila v závislosti na sezónnosti, počasí a dalších externích faktorech.

Skutečnou výzvou tedy nebylo vybrat lepší model. Skutečnou otázkou bylo, jak dát smysl několika signálům, jejichž hodnota se dynamicky mění podle kontextu, a převést je do jediné predikce, podle které může firma skutečně plánovat.

Proč bylo nákladné tento problém neřešit

I malé rozdíly mezi plánovanou a skutečnou spotřebou elektrické energie mohou vést k finančním sankcím, nutnosti nakupovat regulační energii a celkově vyšším provozním nákladům. Právě zde se otevřel prostor pro nový přístup. Ne takový, který by se snažil nahradit stávající predikční modely jediným novým „nejlepším“ modelem, ale takový, který inteligentně kombinuje modely, které již existují.

Co je MAPE a jak se měří přesnost predikcí

Přesnost predikcí je v tomto projektu měřena pomocí metriky MAPE (Mean Absolute Percentage Error – průměrná absolutní procentní chyba). Jedná se o standardní metriku vyjadřující, o kolik se predikce procentuálně odchyluje od skutečné hodnoty. Čím nižší hodnota MAPE, tím přesnější je predikce.

MAPE je počítána napříč několika časovými horizonty – pro jednotlivé patnáctiminutové intervaly, celé dny, týdny i měsíce. Sledování přesnosti ve všech těchto horizontech, nikoli pouze v jednom z nich, je důležité, protože model může dosahovat výrazně odlišných výsledků při krátkodobých detailních predikcích než při denních nebo týdenních agregacích. Účastníci energetického trhu přitom potřebují plánovat i obchodovat napříč všemi těmito časovými úrovněmi.

Další kroky pro váš business

Kontaktujte nás a společně probereme váš konkrétní případ využití. Nebo si prohlédněte naše služby v oblasti AI & Data a zjistěte, jak přistupujeme k predikcím, optimalizaci a podpoře rozhodování v energetice, utilitách i dalších odvětvích pracujících s velkým objemem dat. Můžete si také projít naše další případové studie a inspirovat se tím, jak pomáháme našim klientům využívat umělou inteligenci v praxi.