De Voorspeller: Machine Learning gebruiken om energieverbruik en -opwekking te voorspellen.

"Het is moeilijk om voorspellingen te doen - vooral over de toekomst. " - Robert Storm Petersen

De toekomst voorspellen is misschien moeilijk, maar het is vaak nodig om de zaken te runnen. Energievoorspellingen zijn van primordiaal belang voor de dagelijkse werking van de markt. Bij kortetermijnvoorspellingen gaat het doorgaans om voorspellingshorizonten van enkele minuten tot enkele dagen vooruit. Energieleveranciers en distributienetbeheerders hebben baat bij nauwkeurige voorspellingen van de vraag naar en opwekking van elektriciteit, omdat zij hun flexibele activa optimaal kunnen orkestreren om hun bedrijfsdoelstellingen te bereiken.

De Forecaster-module van het Hive Platform berekent stochastische kortetermijnvoorspellingen van het geaggregeerde energieverbruik en de geaggregeerde PV-opwekking, waarbij gebruik wordt gemaakt van de meest geavanceerde machine-learningmethoden die beschikbaar zijn. Stochastisch betekent dat we niet alleen de "vorm" van de belastingscurve in de tijd voorspellen, maar ook betrouwbaarheidsintervallen rond deze curve berekenen. Voorspellingsintervallen zijn essentieel wanneer het gaat om toepassingen voor risicobeheer, zoals het voorspellen van de dagelijkse of maandelijkse piek van het verbruik en het efficiënt activeren van mechanismen voor piekbesparing.

Hoe werkt het?

Er is geen kristallen bol (helaas). In plaats daarvan voorspelt de Forecaster van het Hive Platform toekomstige consumptie en opwekking door te leren wat er in het verleden is gebeurd en gebruik te maken van beschikbare informatie uit de toekomst. De Forecaster bestaat uit een ensemble van machine learning modellen die getraind zijn op en voortdurend opnieuw geïnformeerd worden door een rijke dataset.

De gegevens die in deze modellen worden ingevoerd omvatten het elektriciteitssignaal zelf, numerieke weersvoorspellingen (temperatuur, zonnestraling, windsnelheid en -richting, vochtigheid en een heleboel andere parameters), seizoensgebonden informatie (tijdstip van de dag, dag van de week, maand van het jaar, enz.), officiële feestdagen, schoolvakanties en speciale evenementen (sluitingen, witte nachten, grote evenementen, religieuze evenementen, enz.)

Het weer is koning

Het weer is veruit de belangrijkste externe factor die het energieverbruik en de energieproductie beïnvloedt. Om deze reden besloot Hive Power een intern onderzoek uit te voeren om de meest performante leverancier van numerieke weersvoorspellingen te evalueren en te selecteren. Een belangrijk criterium daarbij was de beschikbaarheid van historische weersvoorspellingen. Veel weerproviders archiveren en bewaren hun voorspellingen niet. Nochtans zijn historische weersvoorspellingen van cruciaal belang om een energievoorspellingsmodel te trainen. Om robuust en betrouwbaar te zijn, moet een model worden getraind op hetzelfde soort gegevens dat zal worden gebruikt op het moment van inferentie. Om dit punt te begrijpen, moet u aan het volgende denken. Als we het model zouden trainen op actuele weerobservaties, zou het model leren om de weersignalen tot op zekere hoogte te vertrouwen. Wanneer wij dit model gebruiken om de toekomst te voorspellen, zouden wij de weerobservaties moeten vervangen door weersvoorspellingen, die per definitie van voorspelling niet 100% nauwkeurig zullen zijn. Het model zal dus te veel gewicht toekennen aan de weersvoorspellingen en zichzelf in de fout sturen. Omgekeerd, als we het model trainen op weersvoorspellingen, zal het model leren minder te vertrouwen op de weerparameters en minder fouten maken op het moment van inferentie. Nog steeds sceptisch? Probeer het zelf maar uit. Enkele van onze meest op hun hoede zijnde wetenschappers hebben dat gedaan en vonden precies wat werd verwacht.

Weersvoorspelling benchmark

We hebben een twaalftal verschillende aanbieders bekeken, de aanbieders die niet aan onze criteria voldeden eruit gefilterd en uiteindelijk vijf finalisten geselecteerd. We vroegen hen vervolgens om een steekproef van hun gegevens om een benchmark op te stellen. We vroegen om een jaar aan uurlijkse voorspellingen van de temperatuur aan de grond en de zonnestraling, gegenereerd voor één locatie rond middernacht en voor een periode van 24 tot 48 uur vooruit, wat de typische voorspellingshorizon is van onze energievoorspellingsmodellen. We vergeleken deze voorspellingen met actuele lokale waarnemingen en waren stomverbaasd toen we ontdekten dat Meteomatics superieure prestaties leverde. In de onderstaande figuren tonen we enkele resultaten. In Figuur 1 hebben we de verdeling van de afwijking tussen waargenomen en voorspelde temperatuur uitgezet. In figuur 2 leggen we de vijf verdelingen over elkaar voor een betere vergelijking. Een soortgelijke situatie werd gevonden voor de parameters van de zonnestraling. Het was ons toen duidelijk dat de numerieke weersvoorspellingen van Meteomatics het nauwkeurigst waren en goed gekalibreerd.

Figuur 1 - Verdeling van de discrepantie tussen de waargenomen en de voorspelde grondtemperatuur voor vijf verschillende weerproviders. De verticale stippellijnen geven het gemiddelde van elke verdeling aan (alleen de gemiddelde fout van Meteomatics is gecentreerd op nul). De Mean Absolute Error (MAE) wordt op elke grafiek vermeld (hoe lager, hoe beter).

Figuur 2 - Dezelfde foutenverdelingen van figuur 1 over elkaar gelegd (na schatting van de kernel-dichtheid). De curve van Meteomatics is de smalste en de enige met een nul-centrum.

Het begin van een strategisch partnerschap

"We waren op zoek naar een one-stop-shop die ons kon voorzien van actuele en gedetailleerde weergegevens voor Europa, die gemakkelijk beschikbaar moesten zijn via een RESTful API. We hebben geruime tijd nodig gehad om verschillende aanbieders van numerieke weersvoorspellingen te evalueren. Het was geen gemakkelijke keuze vanwege onze veeleisende lijst van criteria, maar Meteomatics voldeed aan alle voorwaarden en overtrof onze verwachtingen. We waren op zoek naar een provider die de hele wereld dekt, met een focus op Europa en in het bijzonder de Alpen, wat een uitdagende regio is als het gaat om hoge-resolutie weersverwachtingen. Uit onze eigen benchmarkoefening bleek duidelijk dat Meteomatics de meest nauwkeurige weersvoorspeller was, vooral op de korte termijn. We waren blij om de rijke overvloed aan standaard en geavanceerde weerparameters te ontdekken die de API van Meteomatics biedt. We zijn blij dat we zijn overgestapt op Meteomatics als onze favoriete leverancier van weergegevens, en we voorzien een lange en vruchtbare samenwerking met hen", aldus Gianluca Corbellini, Managing Director bij Hive Power.

U kan hier meer over lezen in het laatste persbericht van Meteomatics: https://www.meteomatics.com/en/meteomatics-and-hive-power-agree-strategic-partnership/. Blijf op de hoogte van de komende webinar (26 oktober 2021) waar Hive Power en Meteomatics u een grondige kijk zullen geven op hoe numerieke weersvoorspellingen de energievoorspellingsmodellen informeren.