Het stroomnet moet altijd in balans zijn. De stroomopwekking mag niet afwijken van het stroomverbruik. Schommelingen worden opgevangen door de Transmission System Operator (TSO), in België is dat Elia, die hiervoor balanceringsreserves activeert.
Balansverantwoordelijken (BRP’s), zoals producenten en leveranciers, spelen een cruciale rol in dit systeem. Zij zijn verantwoordelijk voor het in evenwicht houden van hun eigen portfolio. Wanneer een BRP een afwijking veroorzaakt die de algemene systeemimbalans verslechtert, betaalt deze een boete. Echter, in het Belgische marktmodel worden BRP’s ook beloond wanneer hun afwijking de systeemimbalans tegenwerkt en zo het net helpt stabiliseren.
Doordat de energietransitie versnelt en variabele energieopwekking schommelingen versterkt, is het vermogen om afwijkingen te voorspellen cruciaal geworden voor netbeheerders om kosten te beheersen en over- of onderbelasting te voorkomen. In België betaalt netbeheerder Elia jaarlijks gemiddeld 188 miljoen euro aan balanceringsvermogen om het stroomnet in balans te houden. Nauwkeurige voorspellingen zijn dus goud waard. En hier valt nog veel winst te behalen.
De uitdaging van “live” data
ML6 heeft een AI-systeem ontwikkeld dat de systeemimbalans tot 16 procent accurater voorspelt dan de referentieprognose van de netbeheerder. De grootste uitdaging hierbij is niet alleen het algoritme, maar de data-integriteit, legt Robbe Sneyders van ML6 hieronder uit:
In een traditionele ML-workflow werken datawetenschappers vaak met “gecorrigeerde” data achteraf. In de realiteit komen signalen (zoals windpark-opbrengsten of grensoverschrijdende nominaties) echter vaak met vertraging of ruis binnen. Een model dat getraind is op perfecte data, faalt zodra het in de echte wereld met deze vertragingen wordt geconfronteerd.
Geautomatiseerde pijpleiding voor 24/7 operaties
Om dit op te lossen, is ML6 overgestapt op een cloud-native MLOps-workflow die code naar de data brengt in plaats van andersom. Dit proces bestaat uit drie robuuste lagen
1. Een “Tijdmachine” voor data
De basis is een datapijpleiding die via de Open Data API’s van Elia gegevens verzamelt en verwerkt in een cloud-datawarehouse volgens de Medallion-architectuur (Bronze, Silver, Gold). Cruciaal is dat het systeem rekening houdt met de exacte beschikbaarheid van data op het moment van voorspellen. Door gebruik te maken van tools zoals een data built tool (dbt), wordt de datakwaliteit continu gecontroleerd voordat het model de informatie gebruikt.
2. De Trainingsfabriek
In plaats van handmatige experimenten in notebooks, worden modellen geproduceerd in een geautomatiseerde pijpleiding. Voordat een nieuw model live gaat, ondergaat het een ‘tijdreis’-backtest: het wordt getest op historische situaties met de ruwe, vertraagde data zoals die op dat specifieke moment beschikbaar was. Alleen modellen die aantoonbaar beter presteren dan de huidige “kampioen”, worden automatisch geregistreerd en uitgerold.
3. Lichtgewicht API voor lage latentie
Voor het leveren van voorspellingen is er een hoge beschikbaarheid en een lage latentie nodig. Hiervoor wordt een lichtgewicht API gehost op serverloze containers. Deze API fungeert als orchestrator voor live verzoeken: wanneer een verzoek de API bereikt, haalt deze de realtime gegevens uit het datawarehouse op, voert on-the-fly feature engineering uit om de trainingslogica te evenaren en geeft het inferentie-eindpunt aan waar het beste model is geïmplementeerd.
Tot slot is monitoring essentieel. Alle modelvoorspellingen en daadwerkelijke resultaten worden opgeslagen in het datawarehouse. Een realtime BI-dashboard biedt een live overzicht van de modelprestaties en vergelijkt deze met de netbeheerder-benchmark. Door de gebruikte MLOps setup is elke voorspelling te herleiden naar de gebruikte datasetversie, code, hyperparameters en trainingsrun.
De oplossing heeft er niet alleen voor gezorgd dat prognoses 16 procent accurater worden voorspeld dan de referentieprognose, maar het brengt ook in kaart waar de grootste verschillen zitten. Hierdoor kunnen netbeheerders meer anticiperende beslissingen nemen in plaats van reactieve correcties. En voor BRP’s betekent dit dat ze minuten vóór de markt zeer betrouwbare inzichten krijgen in de marktontwikkelingen, waardoor ze vermogen optimaal kunnen beheren en boetes kunnen voorkomen.
De energietransitie maakt systeemimbalans lastiger te voorspellen, maar mits goed ingezet, kan AI een toekomstbestendige oplossing bieden om het gat tussen voorspelling en realiteit te dichten zodat er met vertrouwen waardevolle beslissingen kunnen worden genomen.
Dit is een ingezonden bijdrage van ML6. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.