De uitdaging
De energietransitie stelt netbeheerders voor flinke uitdagingen. Wind- en zonne-energie leveren wisselende hoeveelheden stroom, waardoor het lastig is om aanbod en vraag continu in balans te houden. Tegelijkertijd verplicht nieuwe wetgeving netbeheerders om nieuwe aansluitingen toe te staan zolang de belasting onder 120% van de netcapaciteit blijft.
Onze klant – een grote Nederlandse netbeheerder – zocht naar een oplossing om kortetermijn overbelasting van het elektriciteitsnet nauwkeurig te voorspellen. Ze wilden dat doen op basis van diverse databronnen, waaronder weerdata en activalocaties. Zonder betrouwbaar voorspellend model liepen ze risico op inefficiënt netgebruik, energieverlies en mogelijke non-conformiteit met de Wet congestiemanagement.
De aanpak
Eraneos ontwikkelde een applicatie die Congestion Officers helpt om capaciteitsknelpunten tot 48 uur vooruit te signaleren en tijdig in te grijpen op basis van voorspelde netbelasting. De oplossing is gebaseerd op een dynamische congestiekaart waarin alle relevante assets, zoals transformatoren en hoogspanningslijnen, zijn opgenomen.
Voor nauwkeurige voorspellingen werden verschillende datasets gecombineerd, waaronder historische energieverbruiksdata en actuele weersinformatie. Omdat standaard weerdata vaak te onnauwkeurig zijn op netwerkniveau, is specifiek gekeken naar data op de juiste hoogte en locatie – bijvoorbeeld voor windturbines die op tientallen meters hoogte draaien. Transparantie was daarbij essentieel: het model moest uitlegbaar zijn en fouten herleidbaar.
“Het selecteren van de juiste gegevensbronnen was van cruciaal belang. Een windturbine die honderden meters in de lucht staat, ervaart heel andere windomstandigheden dan de wind die op grondniveau wordt gemeten.” Samen met het datascience-team van de klant trainde Eraneos het AI-model, gebruikmakend van verklaarbare AI en MLOps-tooling (zoals MLflow) om de kwaliteit continu te monitoren en verbeteren.
“Het selecteren van de juiste gegevensbronnen was van cruciaal belang. Een windturbine die honderden meters in de lucht staat, ervaart heel andere windomstandigheden dan de wind die op grondniveau wordt gemeten.”
Samen met het datascience-team van de klant trainde Eraneos het AI-model, gebruikmakend van verklaarbare AI en MLOps-tooling (zoals MLflow) om de kwaliteit continu te monitoren en verbeteren.
Het resultaat
De AI-oplossing draait inmiddels op het AWS-cloudplatform van de klant en integreert realtime SCADA-data met het voorspellend model, gebouwd op Snowflake-technologie. Het systeem voorspelt betrouwbaar of en waar overbelasting dreigt, tot 48 uur vooruit. Hierdoor kan de klant proactief maatregelen treffen: energie herverdelen, capaciteit verhandelen of lokaal inzetten, bijvoorbeeld voor laadpalen. Ook bij onverwachte weersomstandigheden kunnen snel beschermende noodmaatregelen worden genomen.
De voorspellingscomponent is bovendien losgekoppeld als Forecast-as-a-Service (FaaS), zodat het ook inzetbaar is voor andere toepassingen binnen de organisatie. Inmiddels is het systeem structureel in gebruik en stelt het de klant in staat om het net toekomstbestendig, efficiënt én in lijn met regelgeving te beheren.
Samen werken aan een duurzame verandering?
Neem contact op met onze experts