Encon Sustainability Award - Energy
Graag stellen wij jullie voor aan een van onze drie enthousiaste jonge en getalenteerde finalisten van de Encon Sustainability Award! Maximillian is er met zijn scriptie met als onderwerp 'Day-ahead Time Series Forecasting of the Electricity Consumption on the Low Voltage Distribution Grid using External Variables and Custom Objective Funtion' in geslaagd om tot de finale te geraken.
Scroll verder voor het abstract van Maximillian!
Tijdreeksvoorspellingen voor de volgende dag van het elektriciteitsverbruik in het laagspanningsdistributienet
Er is een energierevolutie op komst, gedreven door het besef dat onze huidige manier van energie produceren en verbruiken niet duurzaam is. Nieuwe technologieën zoals elektrische warmtepompen en elektrische voertuigen bieden een oplossing voor dit probleem. Tegelijk brengen deze veranderingen ook uitdagingen met zich mee voor ons elektriciteitsnet. Omdat deze nieuwe technologieën veel elektriciteit verbruiken, neemt het risico op congestie op het niveau van het laagspanningsdistributienet (LVDG) toe.
Door potentiële congestie vooraf te voorspellen, kunnen distributienetbeheerders (DSO’s), zoals Fluvius, preventieve maatregelen nemen om deze te voorkomen. Hiervoor is zowel een goede kennis van de structuur van het elektriciteitsnet als een nauwkeurige dagvooruitprognose van het elektriciteitsverbruik op huishoudniveau nodig. Dit proefschrift heeft als doel de voorspellingen te verbeteren door Machine Learning (ML)-modellen te implementeren. Deze ML-modellen kunnen op basis van historische verbruiksgegevens het elektriciteitsverbruik van verschillende huishoudens leren voorspellen en bepalen welke externe parameters, zoals het weer of het verkeer, dit verbruiksgedrag beïnvloeden.
Er werd gekozen voor het Extreme Gradient Boosting (XGB)-regressiemodel vanwege de hoge nauwkeurigheid en interpreteerbaarheid ervan, zoals blijkt uit de vele voorspellingswedstrijden die met XGB-implementaties zijn gewonnen. Het model wordt als voorspellingsalgoritme toegepast op een openbaar beschikbare dataset van Fluvius. Deze dataset bevat de elektriciteitsverbruiksgegevens per kwartier van 100 Belgische huishoudens voor het jaar 2016. Het XGB-model slaagt er echter niet in om de sterk willekeurige pieken in de verbruiksgegevens te voorspellen. Dit is het gevolg van de zogenaamde ‘double peak penalty’. Wanneer een piek met een kleine tijdsvertraging wordt voorspeld, ontstaat er namelijk zowel een fout voor de verkeerd voorspelde piek als voor de werkelijke piek die niet werd voorspeld. Hierdoor voorspellen traditionele ML-modellen voornamelijk het basisverbruik. Voor distributienetbeheerders is het piekgedrag echter cruciaal om congestie te voorkomen, aangezien dit bepalend is voor het maximale elektriciteitsverbruik op het LVDG. Daarom werd het model aangepast om een kleine tijdsvertraging tussen de voorspelde en werkelijke piek toe te laten. Dit werd geïmplementeerd via een aangepaste doelfunctie waarop het model wordt geoptimaliseerd. Voor sommige huishoudens levert deze aanpak veelbelovende resultaten op. Voor andere huishoudens presteert het benchmarkmodel, gebaseerd op de maximale autocorrelatie van historische verbruiksgegevens, echter beter dan het aangepaste XGB-model.