LF Energy · Open source · Python

OpenSTEF

Open Short Term Energy Forecasting: weten wat er morgen door het stroomnet gaat

← → navigeren  ·  P autoplay pauzeren  ·  F volledig scherm
01 · Het probleem

Het net raakt vol

Zon & wind

Decentrale opwek zorgt voor terugleverpieken midden op de dag en wisselt sterk met het weer.

Elektrificatie

Laadpalen, warmtepompen en industrie die van gas overstapt maken de vraagpieken hoger.

Netcongestie

Het net wordt langzamer verzwaard dan de vraag groeit. Wachtrijen voor nieuwe aansluitingen lopen op.

Vooruitkijken

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.

02 · Wat is het

Een open forecasting-motor

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.

MPL-2.0open-source licentie
15 mintijdresolutie
~48 uurvoorspelhorizon
pippip install openstef
In productieAlliander, Sigholm e.a.
LF Energyneutraal beheer
03 · De output

Een voorspelling met onzekerheidsband

Gemeten belasting Voorspelling (P50) Band P10–P90 Capaciteitsgrens

OpenSTEF 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.)

04 · Input

Wat het model weet

Weer

Instraling, windsnelheid, temperatuur en bewolking uit weersverwachtingen. Bij zon en wind de belangrijkste input.

Historie

Vertraagde metingen (lags) van dezelfde locatie: de belasting van gisteren en vorige week.

Kalender

Tijd van de dag, weekdag, seizoen, feestdagen en schoolvakanties.

Markt

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.

05 · Modellen

Bewezen ML, geen black box

Gradient boostingXGBoost en LightGBM. Het werkpaard: snel, nauwkeurig en goed te begrijpen via feature importance.
Quantile-regressiePer quantile een eigen model, zodat er naast één getal ook een onzekerheidsband uitkomt.
Lineaire modellenLicht en robuust, en handig voor locaties met weinig historie.
Componenten splitsenVerdeelt de totale belasting in zon, wind en overige vraag (energy splitting).
FallbackValt een databron weg, dan maakt OpenSTEF toch een voorspelling op basis van historische profielen.
Per locatieElk asset heeft een eigen prediction job met eigen model, hyperparameters en features.
06 · Pipelines

Van meetdata tot voorspelling

  1. 1Validerendata opschonen
  2. 2Featuresweer, lags, kalender
  3. 3Optimaliserenhyperparameters · Optuna
  4. 4Trainenmodel + quantiles
  5. 5Registrerenmodel registry · MLflow
  6. 6Voorspellenelke 15 min, 48 u vooruit
  7. 7Splitsenzon · wind · rest

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.

07 · In de praktijk

Een referentie-implementatie

Bronnenslimme meters · SCADA · weerdiensten · marktprijzen
Opslagtijdreeksdatabase (InfluxDB) + configuratie (MySQL), via openstef-dbc
OpenSTEFtrain-, forecast- en optimalisatietaken, ingepland per prediction job
MLOpsMLflow voor modelversies, metrics en artefacten
GebruikGrafana-dashboards · API's · netbedrijfsvoering

De hele stack draait lokaal met Docker Compose. Zo kun je OpenSTEF uitproberen zonder eerst je eigen infrastructuur te bouwen.

08 · Nieuw in 2026

OpenSTEF 4.0: modulair opnieuw opgebouwd

core

openstef-core

Gedeelde datatypes en basismodellen.

models

openstef-models

ML-modellen en feature engineering.

beam

openstef-beam

Backtesting, evaluatie en metrics om modellen eerlijk te vergelijken.

meta

openstef-meta

Ensembles die per quantile kiezen welk model het meeste gewicht krijgt (gewogen gemiddelde of stacking).

Foundation modelEen voorgetraind model (op basis van Chronos-2) kan meters voorspellen die het nog nooit gezien heeft. Het is een aanvulling op de klassieke ML-modellen, geen vervanging.
MonorepoPython 3.12+. Installeer alles met pip install "openstef[all]" of alleen de onderdelen die je nodig hebt.
09 · Waarom het ertoe doet

Meer uit het bestaande net

Congestiemanagement

Overbelasting zien aankomen en op tijd flexibiliteit inkopen.

Meer aansluitingen

Beter voorspellen betekent minder veiligheidsmarge en dus meer ruimte voor klanten.

Bedrijfsvoering

Onderhoud en omschakelingen plannen op momenten dat het rustig is op het net.

Samen bouwen

Netbeheerders delen de kosten en kennis in plaats van ieder een eigen oplossing te bouwen.

Samenvatting

OpenSTEF in vijf punten

  • WatEen open-source Python-library voor energievoorspellingen op korte termijn (tot ~48 uur, per kwartier).
  • HoeWeer, historie, kalender en prijzen gaan in gradient boosting- en quantile-modellen.
  • OutputProbabilistische voorspellingen (P10–P90), op te splitsen naar zon, wind en overige vraag.
  • ProductieKant-en-klare pipelines met MLflow, backtesting en een Docker-referentiestack.
  • ToekomstVersie 4.0 is modulair, met ensembles en een foundation model voor nieuwe meters.