Enexis, één van de grootste energienetbeheerders van Nederland, heeft de ambitie met behulp van AI en data onder meer de energiebehoefte en -verliezen op haar net nauwkeuriger in te schatten en de mogelijkheden van voorspellend onderhoud en beslissingsondersteunende dashboards te onderzoeken. Een datateam zal de nodige data science- en engineeringvaardigheden inzetten om verschillende uitdagingen te overwinnen via datagedreven oplossingen.
Uitdagingen
Enexis Netbeheer distribueert gas en elektriciteit naar ongeveer 2,8 miljoen huishoudens, bedrijven en officiële instanties in Nederland. Nu er steeds meer wordt overgegaan op het gebruik van meer duurzame energiebronnen verandert het energielandschap drastisch, met als gevolg veel nieuwe uitdagingen voor op netbeheerders. Een voorbeeld is de noodzaak om de vele nieuwe energiebronnen die in Nederland worden gebouwd aan te sluiten op een sterk net voor zonne- en windparken in afgelegen gebieden. Daarnaast moet er worden ingespeeld op de toenemende behoefte aan elektriciteit in het hele land. Zeker nu een aantal gemeenten overstapt van gas op elektriciteit en er meer oplaadpunten voor elektrische auto’s in de steden komen.
Bovendien moet de vraag naar elektriciteit binnen het net nauwkeurig worden voorspeld, wat een steeds grotere uitdaging wordt naarmate meer zonnepanelen en elektrische voertuigen plaatselijk elektriciteit opwekken in huishoudens, en soms zelfs energie terugleveren aan het net. Om dit steeds complexer wordende landschap beter te begrijpen en weloverwogen beslissingen te nemen op basis van gegevens, is Enexis een samenwerking aangegaan met Xomnia en andere partners om de kracht van data science en AI in te zetten, en de overgang naar duurzame energie aan te pakken.
Voorspellingen op het gebied van gebruik en verlies op basis van data
Enexis verzamelt gegevens over het elektriciteitsnet en de status ervan, zoals de spanning en de kwaliteit van het signaal. Dit gebeurt met behulp van internet of things (IoT)-apparaten, die elke dag miljoenen datapunten over het elektriciteitsnet leveren. Enexis besloot om intern datawetenschapscapaciteit op te bouwen om deze gegevens te analyseren en ze te gebruiken om data-gedreven oplossingen te creëren om zakelijke uitdagingen te overwinnen. Om dit te bereiken, zijn op maat gemaakte trainingsprogramma’s ontwikkeld om het bedrijf te ondersteunen bij het creëren van een intern gebouwde, effectieve data science divisie. Ook werd het datateam versterkt met een machine learning engineer en een data engineer vanuit het Xomnia team. De engineers voerden verschillende projecten uit, en deelden best practices om use cases te benaderen.
Inzet van Artificiële Intelligentie
Zo heeft lead machine learning engineer Stijn de Gooijer gewerkt aan het ‘grid loss prediction model’, dat gebruik maakt van machine learning om te voorspellen hoeveel energie er door het net zal gaan, en op basis daarvan te voorspellen hoeveel van deze energie verloren zal gaan. Met behulp van het voorspellingsmodel is nauwkeuriger te bepalen hoeveel energie er moet worden ingekocht om te voldoen aan de vraag van de op het net aangesloten huishoudens en faciliteiten. Aangezien het voorspellen van energieverlies steeds moeilijker wordt naarmate meer hernieuwbare energiebronnen op het net worden aangesloten, is dit model zeer nuttig. Het werken aan aan oplossingen voor voorspellend onderhoud, scenario-tooling, en een belastingvoorspellingsmodel om congestie in het net te voorspellen, maakt deel uit van de toekomstige routekaart voor de data-afdeling bij Enexis.
Impact
Het data science team is nu al een officiële afdeling binnen Enexis. Het maakt al gebruik van Enexis’ standaarden en processen, en heeft zichzelf bewezen door modellen en tools te produceren voor verschillende use cases die succesvol worden gebruikt binnen andere afdelingen in het bedrijf. Het team streeft ernaar snel zelfvoorzienend te worden, zodat het in de nabije toekomst geen taken meer hoeft uit te besteden.
Jaap Kohlmann, de manager van het data science team bij Enexis, zegt dat het team steeds dichter bij hun doel komt om verschillende belangrijke algoritmen te ontwikkelen, om Enexis te helpen bij het aanpakken van de uitdagingen die samenhangen met de energietransitie. “Voor Enexis is dit een goede stap in het worden van een data-gedreven organisatie en er zullen de komende jaren nog veel meer stappen volgen,” voegt hij toe. Deze samenwerking moet ervoor zorgen dat duurzame energieprojecten gebouwd en aangesloten kunnen worden, en dat dit proces soepel verloopt.
Meer informatie
Geïnteresseerd in meer informatie over deze use case? Neem contact op met Xomnia. Lees ook het position paper van de werkgroep Energie en Duurzaamheid als u meer wilt weten over de mogelijkheden van AI in de energietransitie.
