ML-gebaseerde verbruiksforecast: hoe AI uw energiekosten verlaagt

Voorspellen hoeveel elektriciteit een bedrijf op een gegeven kwartier zal verbruiken of produceren, is een van de moeilijkste taken in energiebeheer — en tegelijk een van de meest waardevolle. Een nauwkeurige verbruiksforecast maakt betere peakshaving mogelijk, verlaagt onbalanskosten en verhoogt de handelsmarge van een batterij. Traditionele methoden, zoals vaste profielen of simpele historische gemiddelden, schieten tekort omdat elk bedrijf een uniek verbruikspatroon heeft.

Waarom vaste profielen niet werken

Veel bedrijven gebruiken nog vaste verbruiksprofielen: een standaardpatroon dat is gebaseerd op historische gemiddelden of branchebenchmarks. Het probleem is dat deze profielen geen rekening houden met de specifieke omstandigheden van een bedrijf. Een productielocatie met ploegendiensten heeft een ander verbruikspatroon dan een kantoor. Een logistiek centrum met koelhuizen reageert anders op temperatuurwisselingen dan een machinehal.

Een vast profiel leidt tot systematische afwijkingen: de batterij wordt ingepland op basis van een verwachte piek die niet komt, of de piek komt juist wel en de batterij staat stil. Elke kwartierafwijking tussen forecast en realiteit betekent ofwel gemiste besparing, ofwel onbalanskosten. Hoe dit precies werkt, leest u in ons artikel over BRP-koppeling en onbalansmarkt.

Hoe ML-modellen werken

ML-modellen voor verbruiksforecasting worden getraind op historische kwartierdata: het werkelijke verbruik of de werkelijke productie van de afgelopen maanden tot jaren. Het model leert patronen herkennen in deze data: dagelijkse ritmes, wekelijkse cycli, seizoenseffecten en de invloed van externe factoren. De belangrijkste inputs zijn:

Historisch kwartierverbruik: de basisinput. Het model leert welke patronen terugkeren en onder welke omstandigheden het verbruik afwijkt.
Weerdata: temperatuur, bewolking, wind en zonneschijn beïnvloeden zowel het verbruik als de productie van zonnepanelen. Het KNMI levert de weergegevens die hiervoor worden gebruikt.
Bedrijfsschema's: productieplanning, openingstijden, ploegenschema's en geplande stilstand beïnvloeden het verbruik voorspelbaar.
Kalendereffecten: feestdagen, schoolvakanties en brugdagen zorgen voor systematische afwijkingen die het model leert herkennen.

Het resultaat is een forecast die niet uitgaat van een standaardprofiel, maar van de specifieke omstandigheden van de locatie op dat moment. Hoe deze forecast wordt gebruikt in de optimalisatie, leest u op de pagina over achter-de-meter optimalisatie.

TFT-modellen: waarom ze geschikt zijn voor energieforecasting

Voor de voorspelling van kwartierverbruik gebruiken we Temporal Fusion Transformer (TFT)-modellen. TFT is een moderne architectuur die specifiek is ontworpen voor tijdreeksvoorspelling met meerdere inputs en een mix van korte- en langetermijnpatronen. Drie eigenschappen maken TFT bijzonder geschikt voor energieforecasting:

Multi-horizon forecasting: TFT kan in één voorspelling meerdere tijdshorizonnen genereren — van het volgende kwartier tot 24 uur vooruit — met consistente nauwkeurigheid.
Attention-mechanisme: het model leert automatisch welke historische perioden en welke inputs het meest relevant zijn voor de voorspelling.
Interpreteerbaarheid: in tegenstelling tot veel deep learning-modellen geeft TFT inzicht in welke factoren de voorspelling het meest beïnvloeden. Dit is belangrijk voor vertrouwen en debugging.

Hoe betere forecasts peakshaving en handel verbeteren

Een nauwkeurige verbruiksforecast heeft directe financiële impact op meerdere fronten:

Peakshaving: als de forecast de piek nauwkeurig voorspelt, kan de batterij precies op het juiste moment worden ingezet om de piek af te vlakken. Een te late of te vroege ingreep leidt tot een hogere piek en dus hogere transportkosten.
Day Ahead- en Intraday-handel: de optimizer gebruikt de forecast om te bepalen wanneer de batterij kan laden en ontladen tegen de beste marges. Hoe beter de forecast, hoe nauwkeuriger de bids. Zie ook ons artikel over de Day Ahead vs. Intraday optimizer.
Onbalanskosten: een betere forecast betekent minder afwijking tussen voorspeld en werkelijk verbruik, wat direct leidt tot lagere onbalanskosten.

Wilt u weten hoeveel een betere forecast voor uw situatie kan opleveren? Op de simulatie-pagina kunt u een inschatting krijgen op basis van uw verbruiksprofiel.

De rol van weerdata in zonneproductieforecasting

Voor locaties met zonnepanelen is de forecast van de zonne-energieproductie net zo belangrijk als de verbruiksforecast. Zonneproductie wordt bepaald door instraling, bewolking en temperatuur. Het KNMI levert de weersdata. Daarnaast wordt de Europese transparantieplatform van ENTSO-E gebruikt voor bredere inzichten in de verwachte hernieuwbare productie op netniveau.

Continu verbeteren

ML-modellen zijn niet statisch. Naarmate er meer historische data beschikbaar komen en de marktomstandigheden veranderen, worden de modellen hertraind. Dit is een continu proces, vastgelegd in de service levels: het model wordt periodiek geëvalueerd op nauwkeurigheid en bijgewerkt waar nodig.

FAQ

Hoeveel historische data is nodig om een ML-forecast te trainen?

Voor een betrouwbare forecast is doorgaans minimaal één jaar historische kwartierdata nodig, om seizoenseffecten vast te leggen. Twee jaar of meer leidt tot een nauwkeuriger model. Bij onvoldoende historische data kan worden gestart met een algemeen model dat gedurende de eerste maanden wordt verfijnd.

Hoe nauwkeurig is een ML-forecast vergeleken met een vast profiel?

De nauwkeurigheid is sterk afhankelijk van de locatie en de beschikbare data, maar over het algemeen halen ML-gebaseerde forecasts een aanzienlijk lagere foutmarge (MAPE) dan vaste profielen. De exacte verbetering verschilt per situatie en kan worden geschat via een simulatie.

Moet ik mijn productieplanning delen met het model?

Niet noodzakelijk, maar het verbetert de nauwkeurigheid aanzienlijk. Als het model beschikt over bedrijfsschema's, productieplanning of geplande stilstand, kan het deze meenemen in de forecast.