Prognozowanie zapotrzebowania mocy KSE
Transkrypt
Prognozowanie zapotrzebowania mocy KSE
Analiza i prognozowanie szeregów czasowych o zªo»onej sezonowo±ci Case study: Prognozowanie zapotrzebowania mocy Krajowego Systemu Energetycznego (KSE) Adam Zagda«ski QuantUp http://www.quantup.pl 12 marca 2014 Spis tre±ci 1 Szeregi czasowe o zªo»onej sezonowo±ci 2 2 Modelowanie zªo»onej sezonowo±ci klasyczne i nowe metody 2 3 Prognozowanie zapotrzebowania mocy KSE porównanie efektywno±ci metod 2 3.1 Dane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 3.2 Cel analizy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3.3 Metody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Wyniki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 STL metoda nie uwzgl¦dniaj¡ca zªo»onych sezonowo±ci 6 3.4 . . . . . . . . . . . TBATS metoda uwzgl¦dniaj¡ca sezonowo±¢ dobow¡ i tygodniow¡ Porównanie metod 3.5 Podsumowanie . . . . . 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4 Bibliograa 11 1 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko 1 Szeregi czasowe o zªo»onej sezonowo±ci Wiele spotykanych w praktyce szeregów czasowych cechuje wyst¦powanie niestandardowych i cz¦sto skomplikowanych wzorców sezonowych (sezonowo±ci). Typowe sytuacje z jakimi mo»emy si¦ spotka¢ to: • Szeregi o uªamkowym (niecaªkowitym) okresie Przykªady: szeregi zawieraj¡ce tygodniowe wielko±ci produkcji lub wielko±ci sprzeda»y wykazuj¡ cz¦sto sezonowo±¢ roczn¡ o okresie 365.25/7 ≈ 52.18. • Szeregi o du»ej cz¦stotliwo±ci i wielookresowej sezonowo±ci Przykªady: dane godzinowe dotycz¡ce zapotrzebowania na energi¦ elektryczn¡, gaz, wod¦, itp. (utility demand ) charakteryzuje zwykle sezonowo±¢ dobowa i tygodniowa. Obserwowane w dªu»szym okresie szeregi te wykazuj¡ cz¦sto tak»e sezonowo±¢ roczn¡. 2 Modelowanie zªo»onej sezonowo±ci klasyczne i nowe metody Wi¦kszo±¢ standardowych metod, stosowanych w analizie i prognozowaniu szeregów czasowych, opracowano z my±l¡ o prostych wzorcach waha« sezonowych wyst¦puj¡cych w danych. Metody te s¡ zwykle skuteczne w przypadku sezonowo±ci o maªym (caªkowitym) okresie, takim jak s = 12 dla danych miesi¦cznych, lub s=4 dla szeregów kwartalnych. Ponadto, standardowe metody nie uwzgl¦dniaj¡ poprawnie takich specycznych wªasno±ci danych, jak wyst¦powanie sezonowo±ci o nakªadaj¡cych si¦ okresach (np. sezonowo±ci dziennej i tygo- dniowej). Istniej¡ równie» specjalistyczne modele i metody dedykowane szeregom o skomplikowanych wzorcach sezonowo±ci. Narz¦dzia te s¡ istotn¡ alternatyw¡ dla klasycznych metod, a prace nad ich udoskonalaniem ci¡gle trwaj¡ (np. kilka najnowszych propozycji mo»na znale¹¢ w artykule De Livera i inni (2011)). Z uwagi na zªo»ono±¢ zagadnienia, istotny jest jednak wybór odpowiedniego wariantu metody i odpowiednie przygotowanie danych przez analityka. 3 Prognozowanie zapotrzebowania mocy KSE porównanie efektywno±ci metod 3.1 Dane W analizie wykorzystamy szereg czasowy zawieraj¡cy wielko±ci zapotrzebowania mocy Krajowego Systemu Energetycznego (KSE) w okresie: od 2013-01-01 do 2013-04-30. Dane s¡ dost¦pne na stronie PSE (Polskie Sieci Elektroenergetyczne S.A.) pod adresem http: //www.pse-operator.pl/index.php?dzid=77. Szereg ten zawiera warto±ci chwilowe, re- jestrowane w mega watach [MW], w odst¦pach co 15 min. ¡cznie mamy wi¦c warto±ci zapotrzebowania mocy dla kolejnych 120 dni (4 miesi¦cy) bie»¡cego roku. 2 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko Wykres danych surowych przedstawia Rys. 1. Przyj¦ta jednostka czasu (o± X) to 1 dzie«. Oprócz charakterystycznych efektów sezonowych, na wykresie ªatwo zauwa»amy tak»e wyra¹ny spadek zapotrzebowania na pocz¡tku roku (1 stycznia 2013) oraz w okresie wi¡t Wielkanocnych (1 kwietnia 2013). 22000 20000 18000 16000 12000 14000 Wartosci chwilowe 15 min. [MW] 24000 Zapotrzebowanie mocy KSE Od dnia 2013−01−01 Do dnia 2013−04−30 0 20 40 60 80 100 120 Time Rysunek 1: Zapotrzebowanie mocy KSE od dnia 2013-01-01 do dnia 2013-04-30. Dane chwilowe 15 min. (w MW). Przed przyst¡pieniem do dalszej analizy przeprowadzimy agregacj¦ do danych godzinowych. Otrzymujemy w ten sposób szereg zawieraj¡cy n = 2879 warto±ci (120 dni × 24h). Aby porówna¢ skuteczno±¢ ró»nych metod prognozowania, podzielimy dane na dwie cz¦±ci (Rys. 2): • cz¦±¢ konstrukcyjn¡ warto±ci dla pierwszych 100 dni (pocz¡wszy od 1 stycznia 2013), które wykorzystamy do kalibracji modeli; szereg zawieraj¡cy 2400 warto±ci, • cz¦±¢ testow¡ pozostaªe warto±ci dla 20 dni; szereg zawieraj¡cy 479 warto±ci. Aby przyjrze¢ si¦ zale»no±ciom wyst¦puj¡cym w naszych danych, wyznaczmy wykres funkcji autokorelacji (ACF) (Rys. 3). Analizuj¡c wykres wyra¹nie dostrzegamy sezonowo±ci o dwóch okresach: • s1 = 24 okres odpowiadaj¡cy sezonowo±ci dobowej, • s2 = 7 ∗ 24 = 168 okres odpowiadaj¡cy sezonowo±ci tygodniowej. Analizuj¡c szereg zapotrzebowania na energi¦ w dªu»szym okresie (np. kilku lat) prawdopodobnie mieliby±my do czynienia równie» z sezonowo±ci¡ roczn¡. 3 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko 8e+04 7e+04 5e+04 6e+04 Wartosci godzinowe [MW] 9e+04 1e+05 Zapotrzebowanie mocy KSE Od dnia 2013−01−01 Do dnia 2013−04−30 0 20 40 60 80 100 120 Time Rysunek 2: Dane po agregacji godzinowej. Zaznaczony podziaª na cz¦±¢ konstrukcyjn¡ i cz¦±¢ testow¡. −0.4 −0.2 0.0 0.2 ACF 0.4 0.6 0.8 1.0 Series: moc.1h 0 100 200 300 400 500 Lag Rysunek 3: Wykres autokorelacji (ACF) dla danych godzinowych. dobowa (okres: s1 = 24) oraz tygodniowa (okres: 4 s2 = 168). Widoczna sezonowo±¢ Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko 3.2 Cel analizy W analizie danych zwi¡zanych z zapotrzebowaniem na energi¦ elektryczn¡ celem mo»e by¢ konstrukcja prognoz krótko-, ±rednio- lub dªugoterminowych. Cz¦sto wa»na jest tak»e identykacja skªadowych zwi¡zanych z poszczególnymi rodzajami sezonowo±ci (dobowej, tygodniowej czy rocznej) oraz identykacja pozostaªych charakterystycznych wªasno±ci danych (np. obecno±¢ trendów dªugoterminowych, wpªyw ±wi¡t, blackoutów, itp.). W naszej analizie skoncentrujemy si¦ na: • ilustracji dziaªania wybranych metod analitycznych, dost¦pnych w ±rodowisku R, • przykªadach zastosowania metod do dekompozycji oraz prognozowania, • porównaniu skuteczno±ci wykorzystywanych metod. 3.3 Metody W analizie wykorzystamy nast¦puj¡ce metody: • metoda STL Seasonal Decomposition of Time Series by Loess (Cleveland i inni (1990)). Zaawansowana metoda dekompozycji i prognozowania szeregów, stosowana w przypadku danych o standardowej sezonowo±ci (np. miesi¦cznej lub kwartalnej). • metoda TBATS Trigonometric BATS (BoxCox transform, ARMA errors, Trend, Seasonal components) (De Livera i inni (2011)). Zaawansowana metoda dekompozycji i prognozowania szeregów, opracowana dla szeregów o zªo»onej (wielookresowej) sezonowo±ci. Algorytm pozwala na uwzgl¦dnienie dodatkowych wªasno±ci danych, takich jak obecno±¢ trendów dªugoterminowych czy niejednorodna wariancja w czasie. Do porównania dokªadno±ci prognoz wykorzystamy nast¦puj¡ce kryteria: • MAPE Mean Absolute Percentage Error (±redni bezwzgl¦dny bª¡d procentowy, wy- ra»ony w %): n X − Ft 1X t · 100%, M AP E = n t=1 Xt gdzie: Xt • RMSE - rzeczywista warto±¢ zapotrzebowania, Ft - prognoza. Root Mean Squared Error (pierwiastek bª¦du ±redniokwadratowego): sP RM SE = n t=1 (Xt n − Ft )2 . (1) W analizie wykorzystano metody i narz¦dzia dost¦pne dla ±rodowiska R (www.r-project. org). 5 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko 3.4 Wyniki data 0 −10000 75000 85000 5000 55000 65000 −10000 0 remainder trend seasonal 5000 5e+04 7e+04 9e+04 STL metoda nie uwzgl¦dniaj¡ca zªo»onych sezonowo±ci 0 20 40 60 80 100 120 time Rysunek 4: Dekompozycja na bazie metody STL. Porównanie prognoz i rzeczywistego zapotrzebowania metoda STL 80000 70000 60000 50000 Zapotrzebowanie mocy [MW] 90000 rzeczywiste zapotrzebowanie prognozy − metoda STL 0 100 200 300 horyzont prognozy (godziny) Rysunek 5: Prognozy na bazie metody STL. 6 400 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko STL Wnioski • Analizuj¡c wyniki dekompozycji STL (Rys. 4) widzimy, »e uwzgl¦dnienie tylko pojedynczej sezonowo±ci (sezonowo±ci dobowej) powoduje, »e w skªadowej trendu (tendencji dªugoterminowej) wida¢ niepo»¡dane zachowania sezonowe, zwi¡zane z sezonowo±ci¡ tygodniow¡. • Uzyskane na bazie STL prognozy (Rys. 5) s¡ równie» bardzo zªej jako±ci, nawet dla krótkiego horyzontu. W wi¦kszo±ci okresów prognozowane warto±ci s¡ du»o ni»sze od rzeczywistego zapotrzebowania. • STL metoda, która nie uwzgl¦dnia sezonowo±ci o dwóch nakªadaj¡cych si¦ okresach nie daje zadowalaj¡cych wyników. TBATS metoda uwzgl¦dniaj¡ca sezonowo±¢ dobow¡ i tygodniow¡ 9e+04 7e+04 75000 5000 −5000 0 −10000 season2 5000 −15000 season1 65000 level 5e+04 observed Decomposition by TBATS model 0 20 40 60 80 Time Rysunek 6: Dekompozycja na bazie metody TBATS. 7 100 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko Porównanie prognoz i rzeczywistego zapotrzebowania metoda TBATS 80000 70000 60000 50000 Zapotrzebowanie mocy [MW] 90000 rzeczywiste zapotrzebowanie prognozy − metoda TBATS 0 100 200 300 400 horyzont prognozy (godziny) Rysunek 7: Prognozy na bazie metody TBATS. TBATS wnioski • Dekompozycja uzyskana za pomoc¡ metody TBATS (Rys. 6) pozwala ªatwo zidentykowa¢ regularno±ci wyst¦puj¡ce w analizowanych danych. • Oprócz sezonowo±ci dobowej (season 1) i tygodniowej (season 2) na wykresie skªadowej level ªatwo wida¢ wyra¹ny spadek zapotrzebowania w okresie ±wi¡t (1 stycznia oraz 1 kwietnia). Sugeruje to konieczno±¢ uzupeªnienia modelu o dodatkowe informacje, np. w postaci zmiennych 0-1 koduj¡cych wyst¦powanie nietypowych zdarze«, które mog¡ wpªywa¢ na wielko±¢ zapotrzebowania na energi¦. • Uzyskane na bazie metody TBATS prognozy (Rys. 7) s¡ zadowalaj¡ce, szczególnie w krótkim horyzoncie (prognozy dla okoªo 100 kolejnych godzin). • Mo»emy spodziewa¢ si¦, »e dokªadno±¢ prognoz mo»na by jeszcze poprawi¢ uwzgl¦dniaj¡c w analizie dodatkowe wªasno±ci danych, takie jak wyst¦powanie ±wi¡t. Porównanie metod Porównajmy jeszcze obie metody na jednym wykresie (Rys. 8). Wyra¹nie widzimy przewag¦ metody TBATS w stosunku do metody STL. Rysunki 9 i 10 przedstawiaj¡ porównanie bª¦dów prognoz (MAPE i RMSE) dla obu metod i ró»nych horyzontów prognoz. Ponownie widzimy wyra¹n¡ przewag¦ metody TBATS. 8 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko Porównanie prognoz i rzeczywistego zapotrzebowania 80000 70000 60000 50000 Zapotrzebowanie mocy [MW] 90000 rzeczywiste zapotrzebowanie metoda TBATS metoda STL 0 100 200 300 400 godziny Rysunek 8: Porównanie prognoz i rzeczywistego zapotrzebowania (wszystkie metody). Porównanie dokladnosci prognoz kryterium: MAPE 0 5 10 MAPE 15 20 metoda TBATS metoda STL 0 100 200 300 400 horyzont prognozy (godziny) Rysunek 9: Porównanie dokªadno±ci prognoz kryterium MAPE 9 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko Porównanie dokladnosci prognoz kryterium: RMSE 10000 5000 0 RMSE 15000 metoda TBATS metoda STL 0 100 200 300 400 horyzont prognozy (godziny) Rysunek 10: Porównanie dokªadno±ci prognoz kryterium RMSE 10 Materiaªy rmy QuantUp quantup.pl, quantup.eu c 2014, Artur Suchwaªko 3.5 • Podsumowanie Metoda STL zaawansowana metody dekompozycji, uwzgl¦dniaj¡ca tylko sezonowo±¢ dobow¡ prowadzi do zªych prognoz. Prognozowane warto±ci s¡ dla wi¦kszo±ci okresów zdecydowanie zani»one, w porównaniu do rzeczywistego zapotrzebowania. • Metoda TBATS, która bezpo±rednio uwzgl¦dnia nakªadaj¡ce si¦ sezonowo±ci (dobow¡ i tygodniow¡) daje zadowalaj¡ce prognozy. • Oba kryteria (MAPE i RMSE) wskazuj¡ na dobr¡ jako±¢ prognoz dla metody TBATS w krótkim horyzoncie (prognozy zapotrzebowania na okoªo 100 kolejnych godzin). Dokªadno±¢ prognoz maleje wraz ze wzrostem horyzontu prognozy. • Metoda TBATS pozwala na ªatw¡ identykacj¦ regularnych tendencji wyst¦puj¡cych w analizowanych danych, w tym wyodr¦bnienie obu skªadowych sezonowych (dobowej i tygodniowej). • Dokªadno±¢ prognoz mo»na by poprawi¢ uwzgl¦dniaj¡c dodatkowe wªasno±ci danych, takie jak wyst¦powanie spadku zapotrzebowania w okresie ±wi¡t (np.: w okresie Nowego Rok i wi¡t Wielkanocnych). 4 Bibliograa [1] Strona domowa pakietu R, org. The R Project for Statistical Computing, [2] De Livera, A.M., Hyndman, R.J., & Snyder, R. D. (2011), www.r-project. Forecasting time series with complex seasonal patterns using exponential smoothing, Journal of the American Statistical Association, 106(496), 1513-1527. [3] R. B. Cleveland, W. S. Cleveland, J.E. McRae, and I. Terpenning (1990), STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Ocial Statistics, 6, 37. 11