Cliënt: Covolt
Industrie: Zonne-energie
Proces: Vermogensbeheer
Covolt B.V. is een bedrijf in de duurzame energiesector, waar ze hun intelligente energiemanagementsysteem inzetten. Dit systeem optimaliseert de productie van zonneparken en biedt de energie automatisch aan de markt aan. Dit resulteert in een aanzienlijke verbetering van zowel de efficiëntie als de betrouwbaarheid van deze parken.
Als onderdeel van hun energiebeheeroplossing wil Covolt de toekomstige energieproductie voorspellen voor een day-ahead- en intradayperiode. Dit voorspellend vermogen zou hen in staat stellen om hun leveringsbiedingen op de markt te verfijnen, aangezien de effectiviteit van de energiehandel sterk afhankelijk is van nauwkeurige voorspellingen van de productie. Binnen dit framework liggen de belangrijkste uitdagingen in het trainen van voorspellingsmodellen met beperkte historische data (± 2 jaar) en het genereren van voorspellingen voor geheel nieuwe locaties waarvoor geen historische data beschikbaar zijn.
Bright Cape heeft meerdere machine learning-modellen getraind om de energieproductie te voorspellen, gebruikmakend van zowel interne als externe databronnen. Aangezien weerdata werd aangewezen als de primaire voorspellingsdriver, werd een vergelijkend onderzoek van verschillende externe weerbronnen uitgevoerd om de meest nauwkeurige weer-API's te selecteren. Vervolgens hielp Bright Cape bij het creëren van de fundamentele data infrastructuur om deze verschillende databronnen op te halen en te integreren.
Vervolgens werd deze infrastructuur uitgebreid door het opzetten van speciale trainings-, validatie- en voorspellingspipelines om continue operationele capaciteit op het Microsoft Azure cloudplatform te garanderen. Deze pipelines werden ontworpen met het oog op modulariteit, waardoor de gelijktijdige ontwikkeling, evaluatie en inzet van zowel één day-ahead- als intradayvoorspellingsmodel mogelijk werd. Bovendien werd een roll-out strategie geïmplementeerd om de schaalbaarheid van de modellen op locaties in heel Nederland mogelijk te maken, inclusief geheel nieuwe locaties zonder voldoende beschikbare gegevens.
Feature importance-technieken werden gebruikt om de significantie van elke variabele te beoordelen en om de meest significante voorspellers te bepalen, waaronder factoren als bestraling en de tijd van het jaar. Deze technieken bieden waardevolle inzichten voor data scientist en zakelijke gebruikers in wat het model heeft geleerd van de data en verbetert de transparantie van het model.
Bright Cape assisteerde bij het ontwerpen, ontwikkelen en implementeren van de voorspellings pipelines en de onderliggende data-infrastructuur. De getrainde modellen presteerden aanzienlijk beter dan beide baseline marktvoorspellingsstrategieën voor de pilotlocaties. De voorspellingsfouten werden gehalveerd: de uurlijkse day-ahead voorspellingsfouten daalden van 3,3% naar 1,5% en de 15-minuten intraday voorspellingsfouten verbeterden van 4,7% naar 2,3%. Dit leidde tot een effectievere energiehandel op de markt en hogere winstmarges. Bovendien leverde het project in minder dan een jaar tijd rendement op, omdat het de acquisitie van nieuwe klanten mogelijk maakte.
doordat het project acquisitie van nieuwe klanten mogelijk maakte
verminderde uurlijkse day-ahead baseline voorspellingsfout
verminderde 15-min intra-day baseline voorspellingsfout
Wij zijn er om je te helpen.
