Zon & wind
Decentrale opwek zorgt voor terugleverpieken midden op de dag en wisselt sterk met het weer.
Open Short Term Energy Forecasting: weten wat er morgen door het stroomnet gaat
Decentrale opwek zorgt voor terugleverpieken midden op de dag en wisselt sterk met het weer.
Laadpalen, warmtepompen en industrie die van gas overstapt maken de vraagpieken hoger.
Het net wordt langzamer verzwaard dan de vraag groeit. Wachtrijen voor nieuwe aansluitingen lopen op.
Een netbeheerder moet een dag of twee van tevoren weten welke kabels en stations overbelast raken.
Zonder betrouwbare kortetermijnvoorspellingen kan een netbeheerder niet op tijd ingrijpen met flexibiliteit, omschakelingen of congestiemanagement.
OpenSTEF is een Python-library die met machine learning de belasting op netcomponenten voorspelt. Het gaat om onderstations, transformatoren en grote klanten, en de voorspelling loopt tot zo'n 48 uur vooruit.
Alliander heeft het ontwikkeld en daarna open source gemaakt. Het project valt nu onder LF Energy, de energietak van de Linux Foundation, zodat meerdere netbeheerders en bedrijven samen aan dezelfde code werken.
pip install openstefOpenSTEF voorspelt per kwartier en geeft er quantiles bij. Met die quantiles kan de netbeheerder het risico inschatten: hoe groot is de kans dat de grens overschreden wordt? (Illustratie met synthetische data.)
Instraling, windsnelheid, temperatuur en bewolking uit weersverwachtingen. Bij zon en wind de belangrijkste input.
Vertraagde metingen (lags) van dezelfde locatie: de belasting van gisteren en vorige week.
Tijd van de dag, weekdag, seizoen, feestdagen en schoolvakanties.
Day-ahead-energieprijzen, die het gedrag van batterijen, flexibele klanten en opwek sturen.
Voordat er getraind wordt, valideert OpenSTEF de data. Uitschieters en bevroren meetwaarden worden eruit gefilterd, en ontbrekende stukken worden aangevuld of overgeslagen.
De pipelines zijn kant-en-klaar: train_model, create_forecast, optimize_hyperparameters, create_basecase_forecast en een backtest-pipeline. Een nieuw model komt alleen in productie als het beter scoort dan het huidige.
openstef-dbcDe hele stack draait lokaal met Docker Compose. Zo kun je OpenSTEF uitproberen zonder eerst je eigen infrastructuur te bouwen.
Gedeelde datatypes en basismodellen.
ML-modellen en feature engineering.
Backtesting, evaluatie en metrics om modellen eerlijk te vergelijken.
Ensembles die per quantile kiezen welk model het meeste gewicht krijgt (gewogen gemiddelde of stacking).
pip install "openstef[all]" of alleen de onderdelen die je nodig hebt.Overbelasting zien aankomen en op tijd flexibiliteit inkopen.
Beter voorspellen betekent minder veiligheidsmarge en dus meer ruimte voor klanten.
Onderhoud en omschakelingen plannen op momenten dat het rustig is op het net.
Netbeheerders delen de kosten en kennis in plaats van ieder een eigen oplossing te bouwen.