De dreigende gevolgen van klimaatverandering voor de maatschappij hebben een energietransitie in gang gezet. Het zwaartepunt van energieopwekking verschuift langzaam van fossiele brandstoffen naar duurzame energiebronnen zoals wind- en zonne-energie. Hierdoor ontstaat echter ook een fundamentele verandering in energieaanbod. Duurzame energieopwekking heeft een sterk fluctuerend karakter, zoals bijvoorbeeld energie uit zon of wind. Dit betekent dat vraag en aanbod van energie uit balans kunnen raken. Dit kan leiden tot instabiliteit in het elektriciteitsnetwerk, wat meetbaar is in de netfrequentie die omhoog gaat als er meer aanbod dan vraag is en omlaag gaat in het omgekeerde geval. Dit is uiteraard niet wenselijk. Daarom is het belangrijk om te kunnen signaleren onder welke voorwaarden instabiliteit ontstaat, zodat hierop gehandeld kan worden [1].
Onbalans in elektriciteitsnetten
Er wordt veel academisch onderzoek gedaan naar het voorspellen van het optreden van onbalans in elektriciteitsnetten [2,3]. Dergelijke studies leveren datasets die steeds meer openbaar beschikbaar komen. Hierdoor kan onderzoek worden gedaan naar het ontwikkelen van data-gedreven modellen welke een bijdrage kunnen leveren bij het balanceren van vraag en aanbod van energie door te voorspellen onder welke omstandigheden er instabiliteit ontstaat. Peutz voert constant onderzoeken uit hoe fysische en data-gedreven modellen een bijdrage kunnen leveren aan maatschappelijke vraagstukken. Zo hebben we recent een onderzoek uitgevoerd op basis van een openbare dataset naar de voorspelbaarheid van onbalans in een netwerk met één energieproducent en drie energieconsumenten. Dit betreft een dataset van een academische testcase en bevat informatie over geleverd/afgenomen vermogen, reactietijden en prijsafhankelijkheid. Een correlatieanalyse van de data toont dat er geen eenduidige correlatie is tussen de afzonderlijke parameters en de stabiliteit, zoals weergegeven in de correlatiematrix.
Stabiliteitsvoorspelling
De genoemde parameters hebben een relatie met de stabiliteit van het netwerk die niet triviaal is. Gezien het succes waarmee machine learning (ML), en specifiek artificiële neurale netwerken, in de laatste jaren wordt toegepast voor nontriviale vraagstukken is de toepassing ervan voor dit classificatievraagstuk (stabiel/instabiel) onderzocht. Dit is met twee methoden onderzocht: 1) stabiliteitsvoorspelling met een enkelvoudig ML model (een neuraal netwerk); 2) stabiliteitsvoorspelling met een committee machine (een collectief van neurale netwerken). Bij de eerste methode wordt direct een enkel neuraal netwerk getraind op een deel van de data en onafhankelijk getest op een ander deel van de data. Bij de tweede methode worden meerdere neurale netwerken getraind op een deel van de data. Vervolgens wordt het collectief van modellen gebruikt om een verwachtingswaarde van stabiliteit voor de onafhankelijke testdataset te geven. In de twee tabellen is voor het enkelvoudige model en de committee machine per klasse (stabiel/instabiel) gegeven welk percentage correct en incorrect voorspeld wordt. Wanneer de twee methoden met elkaar vergeleken worden blijkt dat de committee machine aanzienlijk beter presteert dan een enkelvoudig neuraal netwerk. Een enkelvoudig model heeft een redelijke nauwkeurigheid, maar de committee machine verbetert in nauwkeurigheid met 4 á 5 procent ten opzichte van een enkelvoudig model.
Committee machine
Met een dergelijk collectief data-gedreven model kan nauwkeurig worden voorspeld onder welke omstandigheden instabiliteit in een elektriciteitsnet optreedt waardoor betere strategieën voor energieproductie, –consumptie en -opslag kunnen worden bepaald. Uit eerdere onderzoeken uitgevoerd door Peutz blijkt dat voor complexe vraagstukken de toepassing van een committee machine, i.e. een collectief van modellen, vaak betere resultaten levert dan een enkelvoudig model. Dit is analoog aan het concept "wisdom of the crowd", waarbij een menigte een betere uitspraak kan doen met betrekking tot een bepaald vraagstuk dan individuen. Fouten worden weggemiddeld, waardoor de nauwkeurigheid toeneemt. De methode van committee machines is breed toepasbaar en geeft voor classificatie- en regressievraagstukken naast een verwachtingswaarde ook een mate van spreiding waardoor inzicht in betrouwbaarheid van de modellen wordt verkregen. Deze methode is bijvoorbeeld ook toegepast voor het voorspellen van geluiddempingswaarden van coulissedempers in luchtkanalen, het voorspellen van de elektrisch energiegebruik van huishoudens en het voorspellen van windhinder in stedelijke omgevingen.
Wilt u meer informatie over data-gedreven modellen voor energievraagstukken of wat machine learning in het algemeen voor u kan betekenen, neem dan contact op met onze adviseurs.
Literatuur
[1] Op weg naar intelligente netten in Nederland, Einddocument van de Taskforce Intelligente Netten, Ministerie van Economische Zaken, Mei 2011.
[2] B. Schäfer et al., Taming instabilities in power grid networks by decentralized control, The European Physical Journal Special Topics 225.3, 2016, 569-582.
[3] V. Arzamasov et al., Towards Concise Models of Grid Stability, Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm), 2018 IEEE International Conference on. IEEE, 2018 (Section V-A).