Voorspellen van elektriciteitsvraag met intervalmodellen gebaseerd op granulariteit en gerechtvaardigde principes

Waarom dit belangrijk is voor dagelijks elektriciteitsgebruik

Het licht aanhouden is een precair evenwicht. Energiebedrijven moeten altijd voldoende elektriciteit klaar hebben om aan de vraag te voldoen, maar niet zo veel dat ze brandstof en geld verspillen. Deze studie verkent een nieuwe manier om te voorspellen hoeveel elektriciteit een regio in de toekomst nodig zal hebben, vooral over maanden en jaren, terwijl ze eerlijk laat zien hoe onzeker die voorspellingen zijn. Dat is van belang voor iedereen die afhankelijk is van een betrouwbare, betaalbare en steeds meer koolstofarme energievoorziening.

Van enkele schattingen naar veilige marges

De meeste traditionele voorspellingsinstrumenten geven één enkel getal voor toekomstige elektriciteitsvraag, zoals “het net heeft morgen om 18:00 uur 5.000 megawatt nodig.” Deze puntvoorspellingen kunnen zeer nauwkeurig zijn op korte termijn, maar worden onbetrouwbaar bij langere horizon, omdat de vraag wordt beïnvloed door veranderend weer, economische groei en veranderende gewoonten zoals het opladen van elektrische voertuigen. Nieuwere methoden met machine learning en deep learning hebben de nauwkeurigheid verbeterd, maar geven vaak nog een enkele “beste schatting” en verbergen onzekerheid achter complexe kansveronderstellingen die moeilijk te interpreteren zijn voor netbeheerders en toezichthouders.

Denk in blokken in plaats van punten

De auteurs stellen een andere denkwijze voor: in plaats van te wedden op één getal, voorspellen ze intervallen—veilige marges waarbinnen de werkelijke vraag waarschijnlijk zal liggen. Om deze marges te bouwen, gebruiken ze een idee dat bekendstaat als “granulaire berekening”, waarin data als betekenisvolle stukken of granules worden behandeld in plaats van als geïsoleerde punten. Voor elektriciteitsvraag is elke granule een interval rond een centrale waarde (zoals de dagelijkse of wekelijkse mediaanbelasting) dat vastlegt hoeveel de belasting kan variëren. Werken met zulke granules helpt willekeurige ruis glad te strijken, maakt patronen duidelijker over dagen, weken en maanden, en biedt een realistischer beeld van hoe onzeker de toekomst werkelijk is.

Een balans tussen breed genoeg en scherp genoeg

Een belangrijke uitdaging is bepalen hoe breed elk interval moet zijn. Als het te breed is, zal het bijna altijd de werkelijke vraag bevatten maar is het nutteloos voor planning omdat het te vaag is. Als het te smal is, kan het echte waarden missen en een vals gevoel van zekerheid geven. De onderzoekers pakken dit aan door twee eenvoudige maten te definiëren: “coverage” (dekking), het aandeel van werkelijke waarden dat binnen een gegeven interval valt, en “specificity” (specificiteit), een maat voor hoe smal en informatief dat interval is. Ze combineren deze tot één score genaamd rechtvaardigingsindex. De methode zoekt vervolgens naar intervallen die deze score maximaliseren, waarbij automatisch extremen worden verworpen—intervallen die zo breed zijn dat ze alles en niets verklaren, of zo krap dat ze te veel echte datapunten missen.

De idee testen op een echt net

Om te zien hoe goed deze benadering in de praktijk werkt, gebruikte het team vier jaar aan gegevens van het hoofdnet van Oman, gemeten elke 30 minuten van 2020 tot 2023. Ze bouwden en verfijnden hun intervallen met data uit 2020–2022 en controleerden vervolgens hoe goed die intervallen de ongeziene belastingen in 2023 vastpakten. Ze construeerden dagelijkse, wekelijkse en maandelijkse intervallen en vergeleken die met meer gebruikelijke voorspellingsinstrumenten zoals regressiemodellen, beslissingsbomen, deep learning-netwerken en probabilistische methoden zoals kwantielregressie en conforme voorspelling. Met een maat voor “overlap” evalueerden ze hoe nauw de voorspelde intervallen overeenkwamen met intervallen rechtstreeks opgebouwd uit 2023-data. De resultaten lieten zien dat naarmate ze van dagelijkse naar wekelijkse en maandelijkse granules gingen, de intervallen stabieler werden, beter aansloten bij de realiteit en gemakkelijker te interpreteren waren.

Wat de nieuwe intervallen over het net onthullen

De analyse bracht verschillende praktische inzichten aan het licht. Ten eerste verbetert het aggregeren van gegevens over langere perioden, zoals weken en maanden, de betrouwbaarheid van voorspellingen aanzienlijk, omdat dagelijkse schommelingen elkaar opheffen. Ten tweede leverden de geoptimaliseerde intervallen een duidelijke en consistente overeenkomst met de werkelijke vraag over meerdere jaren, wat suggereert dat de methode goed generaliseert in plaats van te overfitten op één specifiek jaar. Ten derde bleken de vraagpatronen op weekdagen en in het weekend in het bestudeerde systeem verrassend vergelijkbaar te zijn, wat impliceert dat aparte modellen voor elk niet noodzakelijk waren. In vergelijking met andere intervalgebaseerde voorspellingsmethoden bood de gerechtvaardigde-granule-benadering concurrerende dekking terwijl de intervallen redelijk strak bleven, allemaal zonder aan te nemen dat de data een specifieke statistische verdeling volgen.

Hoe dit helpt het net betrouwbaar te houden

Voor niet‑specialisten is de hoofdconclusie helder: in plaats van onzekerheid te verbergen, maakt deze methode die zichtbaar en bruikbaar. Netbeheerders kunnen op basis van een realistisch bereik van waarschijnlijke toekomstige vraag generation, reserves en onderhoud plannen, in plaats van te vertrouwen op één fragiel getal. De ondergrens vertelt hoeveel capaciteit ze veilig kunnen verminderen, terwijl de bovengrens aangeeft hoeveel back‑up ze paraat moeten houden voor hete dagen, economische oplevingen of andere verrassingen. Door onzekerheid op een transparante, data‑gedreven manier uit te drukken, ondersteunen deze intervalvoorspellingen veerkrachtigere, kosteneffectievere en uiteindelijk duurzamere energiesystemen.

Bronvermelding: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Trefwoorden: voorspelling van elektrisch verbruik, onzekerheidsintervallen, granulaire berekening, planning van het elektriciteitsnet, tijdreeksen van energie