Eneco verhoogt nauwkeurigheid van energieprognoses met 10% dankzij machine learning

Het energielandschap is ingrijpend veranderd door de snelle opkomst van zonnepanelen, elektrische auto's en warmtepompen, in combinatie met prijsvolatiliteit door mondiale gebeurtenissen. Waar het energieverbruik decennialang voorspelbaar was, schoten traditionele planningstools tekort. Als energieleverancier moet Eneco het energieverbruik van klanten nauwkeurig voorspellen en energie bestellen bij netbeheerders om de balans op het net te waarborgen. Voorspellingsfouten hebben kostbare consequenties en brengen risico's voor de netstabiliteit met zich mee, waardoor het verbeteren van de langetermijnplanning essentieel werd

Eneco startte een grootschalig project met ondersteuning van BigData Republic om geautomatiseerde systemen en machine learning-gebaseerde voorspelmodellen te ontwikkelen voor gas en elektriciteit. Het traject werd gefaseerd opgebouwd:

• Benchmark opzetten: Het nabootsen van de bestaande voorspelmethoden voor gas en elektriciteit als vergelijkingsbasis.

• Proof of Concept (PoC): Ontwikkeling van een voorspelmodel voor een pilot-groep van 200 industriële aansluitingen met minimaal 3 jaar historische data.

• Proof of Value (PoV): Het schalen van de voorspellingen naar alle industriële verbruikers via een dedicated pipeline met geoptimaliseerde datastromen en parallelle verwerking.

• Automatisering en integratie: Integratie van de voorspellingen in het operationele platform voor dagelijks gebruik door de sourcing- en pricingteams, ondersteund door continue langetermijnmonitoring.

Om vertrouwen en acceptatie bij eindgebruikers op te bouwen, werden de teams nauw bij de ontwikkeling betrokken met interactieve grafieken, voorbeelden en open communicatie over de voortgang.