Een hybride optimale kenmerkenselectie- en Conv-LSTM-model (OFSCL) voor kortetermijnvoorspelling van energievraag in distributietransformatorstations van Ahvaz, Iran

De lichten aanhouden in een hete stad

Wanneer een hittegolf toeslaat, schakelen in een stad massaal airconditioners in en kan de belasting van het elektriciteitsnet binnen enkele minuten sterk stijgen. Als netbeheerders misrekenen hoeveel stroom nodig zal zijn, lopen buurten het risico op stroomuitval of op verspilling door overaanbod. Dit artikel richt zich op een echt transformatorstation in het hete, vochtige Ahvaz in het zuidwesten van Iran en stelt een eenvoudige maar ingrijpende vraag: kunnen we uur voor uur voorspellen hoeveel vermogen dat station moet leveren, door historische vraag- en weersgegevens intelligenter te gebruiken dan voorheen?

Waarom kortetermijn-voorspellingen van stroom belangrijk zijn

Elektriciteit is op grote schaal moeilijk op te slaan, dus aanbod moet nauw aansluiten op de vraag. Bij distributietransformatorstations, die hoogspanningsstroom omzetten voor woningen en bedrijven, is dit evenwicht extra kwetsbaar. De vraag varieert met het tijdstip van de dag, de dag van de week, het seizoen en het weer, met name temperatuur en luchtvochtigheid. Traditionele voorspellingsmethoden—zoals eenvoudige statistische formules—gaan vaak uit van vloeiende trends en eenvoudige patronen. In werkelijkheid is het stroomverbruik in een hete stad als Ahvaz ruisend, niet-lineair en bepaald door plotselinge sprongen in airconditioninggebruik. Slechte voorspellingen kunnen transformatoren overbelasten, de levensduur van apparatuur verkorten en operators dwingen het net conservatief en minder efficiënt te laten draaien.

Van simpele formules naar lerende systemen

In het afgelopen decennium hebben onderzoekers meer geavanceerde methoden geprobeerd, van klassieke machine-learningmodellen zoals beslisbomen en neurale netwerken tot deep-learningsystemen die uitblinken bij tijdreeksgegevens, zoals Long Short-Term Memory (LSTM) netwerken en Convolutional Neural Networks (CNN). Deze nieuwere modellen kunnen langere ritmes en subtiele patronen oppikken die oudere technieken missen. Toch hebben ze twee grote uitdagingen. Ten eerste kunnen ze tientallen invoervariabelen krijgen—uren, dagen, feestdagen, windsnelheid, dauwpunt, druk en meer—waarvan velen eerder ruis dan nuttige informatie toevoegen. Ten tweede hebben ze moeite om gelijktijdig momentopnamen en langzamere seizoensverschuivingen te benutten. Het resultaat is dat de nauwkeurigheid op echte, rommelige data vaak tekortschiet voor wat netbeheerders nodig hebben.

Een hybride model dat leert wat echt telt

De auteurs stellen een nieuwe hybride deep-learningarchitectuur voor, het Optimal Feature Selection Conv-LSTM (OFSCL) model. Het combineert twee sterke punten: convolutionele lagen die door vele invoervariabelen sferen en automatisch focussen op de meest informatieve patronen, en LSTM-lagen die volgen hoe die patronen in de tijd evolueren. In OFSCL vermindert het convolutionele deel geleidelijk de hoeveelheid informatie die het doorgeeft, waarbij redundantie wordt gefilterd en kernsignalen behouden blijven. Het LSTM-deel leert vervolgens hoe die verfijnde signalen van uur tot uur en van dag tot dag veranderen. Ten slotte zetten dichte lagen deze compacte representatie om in één voorspelling: hoeveel energie het transformatorstation bij de volgende tijdstap nodig zal hebben.

Het model testen op een echt transformatorstation

Om te onderzoeken of OFSCL in de praktijk werkt, verzamelde het team een jaar aan uurlijkse gegevens van een distributietransformatorstation in Ahvaz, samen met gedetailleerde lokale weersgegevens die zowel extreme zomerse hitte als koelere seizoenen bestrijken. Ze vergeleken OFSCL met een reeks alternatieven, waaronder beslisbomen, k-nearest neighbors, multilayer perceptrons, pure LSTM- en CNN-modellen, en verschillende geavanceerde hybriden zoals CNN-LSTM en LSTM met attention. Alle modellen gebruikten dezelfde trainings- en testsets en hun prestaties werden beoordeeld op hoe nauw voorspellingen overeenkwamen met het werkelijke energieverbruik. Het OFSCL-model behaalde een R² van ongeveer 90 procent en de laagste fouten, terwijl het minder trainingstijd vergde dan veel andere deep-learningbenaderingen. Herhaalde tests over verschillende folds van de gegevens bevestigden dat deze verbeteringen consistent waren en geen toevalstreffer.

Wat het model leert over weer en vraag

Naast nauwkeurigheid wilden de auteurs begrijpen op welke invoerkenmerken het model het meest vertrouwt. Met een gradientgebaseerde gevoeligheidsanalyse maten ze hoe sterk kleine veranderingen in elk kenmerk de voorspelling beïnvloedden. Luchttemperatuur kwam naar voren als de dominante factor, gevolgd door de maand van het jaar en de relatieve luchtvochtigheid, wat weerspiegelt hoe koelbehoefte stijgt met hitte en seizoensomstandigheden. Ter vergelijking speelde de vraag of een dag een weekdag of feestdag was een veel kleinere rol voor dit specifieke station. De analyse toonde ook aan dat het model minder gevoelig wordt voor kleine schommelingen naarmate het meer data ziet, en zich vastklampt aan stabiele patronen in plaats van overmatig te reageren op ruis.

Slimmere voorspellingen voor het net

In gewone bewoordingen laat de studie zien dat een zorgvuldig ontworpen lerend systeem niet alleen kan voorspellen hoeveel elektriciteit een druk transformatorstation in de komende uren nodig zal hebben, maar ook kan verklaren welke aspecten van het lokale klimaat het meest van belang zijn. Door invoeren automatisch te filteren en zowel snelle schommelingen als langere trends vast te leggen, presteert het OFSCL-model beter dan een reeks bestaande methoden en is het snel genoeg voor realtimegebruik. Indien uitgebreid en getest in meer regio’s en op meer stations, kunnen dergelijke modellen hulp bieden aan netbeheerders om dichter bij de grens te opereren—de stroomvoorziening betrouwbaar te houden, verspilling te verminderen en steden beter voor te bereiden op warmere, energie-intensieve toekomsten.

Bronvermelding: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Trefwoorden: voorspelling van energievraag, deep learning, elektriciteitsnetten, weer en elektriciteitsgebruik, tijdreeksvoorspelling