“Help” was the desperate cry of a MetrixLT user after the close of the workday.
“I need to multiply two hourly interval data series in MetrixLT!” While the user understood the action can be accomplished in MetrixND or Excel, he didn’t want to leave the MetrixLT environment. After all, who wants to export data to a separate environment, perform a simple calculation, then re-import data back to MetrixLT?
MetrixLT was designed to perform complex functions such as scaling interval data to monthly data. For instance, an hourly profile (interval data) can easily be scaled to a monthly energy forecast (monthly data) in the Batch Transformation object. But, MetrixLT was not designed to address this user’s urgent need.
With flashbacks to the Apollo 13 movie scene of NASA engineers fitting a square air filter into a round hole, we went to work searching for a way to make MetrixLT perform a task that was not originally intended.
Step 1: Import Interval Data
Use the Import Interval Data feature to create two hourly Data Tables in MetrixLT. In the example below, data for Zone1 and Zone2 are imported into MetrixLT. I’ve highlighted the January 11, 2015 values to check our work.
Step 2: Configure A Batch Transformation
Create a Batch Transformation and configure the Shape and Loss Multiplier boxes with the Zone1 and Zone2 interval data. In the example, Zone1 interval data is placed in the Shape box and Zone2 interval data is placed in the Loss Multiplier box.
By leaving the Energy field empty, the Batch Transformation will not perform scaling resulting in Shape field values multiplying with the Loss Multiplier field values.
Step 3: Calculate the Result
Select the “!” to calculate the Batch Transformation result and you are finished.
I’ve highlighted the validation for January 11, 2015.
Zone 1 = 2.60
Zone 2 = 36.595
Product = (Zone 1) x (Zone 2) = 95.147
Zone 1 values are now multiplied by Zone 2 values and stored in a Batch Transformation variable.
And that is how we fit a square air filter into a round hole.
Mark Quan est consultant principal en prévisions au sein de la division des prévisions d'Itron. Depuis qu'il a rejoint Itron en 1997, M. Quan s'est spécialisé dans les solutions de prévision énergétique à court et à long terme, ainsi que dans les projets de recherche sur la charge. Quan a développé et mis en œuvre plusieurs systèmes de prévision automatisés pour prédire la demande système du lendemain, les profils de charge et la consommation au détail pour des entreprises aux États-Unis et au Canada. Les solutions de prévision à court terme comprennent des systèmes pour le « Midwest Independent System Operator » (MISO) et le « California Independent System Operator » (CAISO). Les solutions de prévision à long terme comprennent le développement et le soutien des prévisions à long terme (ventes et clients) pour des clients tels que « Dairyland Power » et « Omaha Public Power District ». Ces prévisions comprennent des informations sur l'utilisation finale et les impacts de la gestion de la demande dans un cadre économétrique. Enfin, Quan a participé à la mise en œuvre de systèmes de recherche de charge, notamment chez Snohomish PUD. Avant de rejoindre Itron, Quan a travaillé dans les secteurs du gaz, de l'électricité et de l'entreprise chez Pacific Gas and Electric Company (PG&E), où il a participé à la restructuration du secteur, à la planification de l'électricité et à la planification du gaz naturel. M. Quan est titulaire d'un master en recherche opérationnelle de l'université de Stanford et d'une licence en mathématiques appliquées de l'université de Californie à Los Angeles.
A paragraph is a self-contained unit of a discourse in
writing dealing with a particular point or idea. Paragraphs are
usually an expected part of formal writing, used to organize longer
prose.
Region SelectorSelect a region and country for the best experience.
