Omgaan met bliksem en marktonzekerheden bij zelf-planning: een fuzzy-markov-benadering voor slimme netten

Waarom het steeds lastiger wordt om het licht aan te houden

Elektriciteit stroomt niet langer één richting uit van grote centrales naar huizen. Moderne “slimme netten” jongleren met zonnepanelen op daken, windparken, batterijen en veranderende klantbehoeften, terwijl markten en het weer per uur wisselen. Dit artikel onderzoekt een nieuwe manier om netbeheerders te helpen vooruit plannen wanneer zowel energieprijzen als hevige stormen—vooral blikseminslag—de toekomst vaag maken, met een gecombineerde vage en probabilistische kijk op wat er kan gebeuren.

Netten in een wereld van stormen en grillige prijzen

Slimme netten beloven schonere energie en grotere efficiëntie, maar ze moeten continu beslissingen nemen over wanneer te kopen, verkopen of zelf op te wekken. Marktomstandigheden—zoals prijzen, vraag en inkomsten—kunnen snel schommelen door economisch nieuws, regelgeving of consumentengedrag. Tegelijkertijd kunnen blikseminslagen en zwaar weer lijnen beschadigen, uitval veroorzaken of klanten doen terugschakelen. Traditionele planningsinstrumenten behandelen meestal óf de kwantitatieve kant (zoals prijzen) óf de vage, gebeurtenisgedreven kant (zoals bliksemrisico), maar zelden beide samen. De auteurs betogen dat dit gesplitste beeld operators kwetsbaar achterlaat wanneer fysieke schokken en financiële schommelingen samenkomen.

Mensenachtige oordelen mengen met wiskunde

Om deze kloof te dichten introduceert de studie een hybride raamwerk dat fuzzy logic combineert met Markov-ketens. Fuzzy logic bootst na hoe mensen spreken over onzekere grootheden—met termen als “lage prijs”, “matige verkoop” of “hoge omzet” in plaats van scherpe drempels. De methode neemt drie belangrijke financiële grootheden—prijs, omzet en verkoopvolume—en zet elke uurwaarde om in zulke kwalitatieve categorieën. Een tijdstip wordt dan beschreven door een eenvoudige drie-eenheid zoals (hoge prijs, lage omzet, lage verkoop), die de algemene marktsfeer vastlegt in begrijpelijke labels die computers toch kunnen verwerken.

De stemmingswisselingen van het net over tijd volgen

Als elk uur op deze manier is gelabeld, beschouwt de benadering het slimme net als bewegend door een eindige set vage “toestanden”. Hier komen Markov-ketens in beeld: zij schatten hoe waarschijnlijk het is dat het systeem in het volgende uur van de ene toestand naar de andere springt. Door te tellen hoe vaak bijvoorbeeld een kalme toestand overgaat in een gestreste, hoge-prijs-lage-verkoop-toestand—vooral op dagen met gesimuleerde bliksem—bouwt het model een transitiematrix, een soort kaart van typische markttrajecten. De onderzoekers berekenen ook doorlopende statistieken, zoals schuivende gemiddelden en volatiliteit van prijs en omzet, om periodes te benadrukken die ongewoon rustig of juist turbulent zijn.

Het idee testen in een veilige zandbak

Aangezien gedetailleerde gegevens uit de echte wereld die marktrecords en blikseminslagen combineren lastig te verkrijgen zijn, creëren de auteurs een synthetische dataset van een jaar. Ze simuleren uurlijkse prijzen, omzetten en verkopen met realistische trends en ruis, en voegen kunstmatige bliksemgebeurtenissen toe die prijzen doen pieken en verkopen drukken om stormschade en voorzorgsafsluitingen na te bootsen. De eerste negen maanden van de data trainen de fuzzy-categorieën en transitieprobabiliteiten; de laatste drie maanden testen hoe goed het model de volgende vage toestand uit de huidige kan voorspellen. Het raamwerk voorspelt de volgende toestand correct in ongeveer 56% van de gevallen—ruim beter dan willekeurig raden voor zes mogelijke toestanden—terwijl het ook onthult welke patronen de neiging hebben te blijven en welke snel veranderen.

Van voorspellingen naar praktische stappen

De auteurs tonen hoe dit voorspellingsinstrument concrete beslissingen kan sturen voor een hypothetisch stedelijk microgrid van 100 MW. Als het model suggereert dat een normale toestand waarschijnlijk verandert in een hoge-prijs-lage-verkoop-situatie tijdens een stormachtige middag, kunnen operators vroegtijdig reservevermogen inkopen, gevoelige lasten preventief naar back-ups verplaatsen, of biedstrategieën op de elektriciteitsmarkt aanpassen. Doorlopende risicokenmerken helpen hen inschatten hoeveel vertrouwen aan een voorspelling gehecht moet worden en hoe agressief te reageren, waardoor abstracte waarschijnlijkheden vertaald worden naar gerichte financiële en technische acties.

Wat dit betekent voor toekomstige energiesystemen

In eenvoudige bewoordingen is de boodschap van het artikel dat het beeld van de toekomst van het net als deels vaag en deels regelgestuurd nuttigere aanwijzingen oplevert dan het vertrouwen op slechts één benadering. Door mensachtige categorieën te mengen met wiskunde die bijhoudt hoe toestanden evolueren, geeft het Fuzzy-Markov-raamwerk netbeheerders een helderder, zij het niet perfect, beeld van hoe morgen’s mengsel van prijzen, vraag en stormeffecten eruit kan zien. Zelfs met matige nauwkeurigheid helpt dit perspectief hen zich voor te bereiden op ongunstige combinaties—zoals hoge prijzen en lage verkopen—voordat ze toeslaan. Naarmate slimme netten complexer worden en weersextremen toenemen, kunnen dergelijke hybride hulpmiddelen essentieel worden om elektriciteit betrouwbaar, betaalbaar en veerkrachtig te houden.

Bronvermelding: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Trefwoorden: slimme netten, energymarkten, risicobeheer, hernieuwbare energie, betrouwbaarheid van het elektriciteitsnet