Beschrijving

In de huidige maatschappij zijn we gewend en afhankelijk van een betrouwbare energie voorziening. Ook zien we een toename in:

• Elektriciteit productie aan de klant zijde, bijvoorbeeld door de installatie van zonnepanelen.
• Aantal elektrische voertuigen (EVs) welke tot meer dan een verdubbeling leiden van het verbruik.
• Aantal duurzame productie eenheden, welke tot een grillige en minder voorspelbare elektriciteit productie leiden vanuit de leverancier.

Het voorkomen van capaciteit problemen in het net is een van de grootste uitdagingen van de Nederlandse netbeheerders. Daarom is er een grote behoefte aan netbelasting voorspellingen om potentiële congestie gebieden te selecteren. In deze gebieden wordt flexibele belasting aangeboden om pieken te managen.

In dit project heb ik gewerkt aan het:

• Ophalen, Transformeren en Laden (ETL) van tijdreeks data van de sensoren.
• Combineren van deze informatie met weersvoorspellingen.
• Engineeren van variabelen op basis van de tijd.
• Voorspellen de elektriciteit belasting o.b.v. een getraind machine learning model.

Ook het monitoren van experimenten en model performance was onderdeel van dit project.

Verantwoordelijkheden

Team lead en stakeholder management.

Tools

Python, Pandas, Snowflake, scikit-learn, MLflow, Docker, Gitlab CI/CD.