⚡ electrical engineering

Power Reserve Procurement Considering Dependent Random Variables with PCE

Dit artikel presenteert een methode voor het modelleren van afhankelijke stochastische variabelen met behulp van gegeneraliseerde polynoomchaos en Gaussische copula's om kansbeperkte optimalisatieproblemen op te lossen, wat wordt toegepast op de probabilistische inkoop van elektriciteitsreserves.

Oorspronkelijke auteurs: Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

Gepubliceerd 2026-02-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groot feest organiseert en je moet zorgen dat er genoeg eten en drinken is, maar je weet niet precies hoeveel gasten er komen of hoe hongerig ze zullen zijn. In de wereld van elektriciteit is dit precies het probleem: netbeheerders moeten zorgen dat er altijd genoeg "reserve-energie" beschikbaar is om het licht aan te houden, zelfs als de zon niet schijnt of als de wind stilvalt.

Dit artikel, geschreven door Nicola Ramseyer en zijn collega's van de EPFL in Zwitserland, gaat over een slimme manier om die onzekerheid te managen, vooral als verschillende factoren met elkaar verbonden zijn.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: Alles is met elkaar verbonden

Stel je voor dat je een voorspelling doet voor het weer op een festival. Als het regent, zijn de mensen waarschijnlijk minder hongerig (ze eten minder buiten), maar ze drinken misschien meer warme soep. De hoeveelheid regen en het eetgedrag zijn afhankelijk van elkaar; ze zijn niet onafhankelijke gebeurtenissen.

In de elektriciteitswereld gebeurt iets dergelijks:

Als het heel zonnig is, produceren zonnepanelen veel stroom.
Maar als het zonnig is, is het vaak ook warm, waardoor mensen hun airco harder laten draaien (meer verbruik).
Als het regent, werken zonnepanelen minder, maar misschien gebruiken mensen minder airco.

De meeste oude rekenmethodes behandelden deze dingen alsof ze los van elkaar stonden (alsof regen en airco-gebruik niets met elkaar te maken hebben). Dat is gevaarlijk, want het kan leiden tot een verkeerde inschatting van het risico. Als je denkt dat alles onafhankelijk is, kun je te optimistisch zijn en te weinig reserve kopen.

2. De Oplossing: Een "Koppeling" (Copula)

De auteurs gebruiken een wiskundig gereedschap dat een Copula heet. Je kunt dit zien als een koppelstuk of een lijm in een bouwset.

De losse stukken (de marginaalverdelingen) zijn de individuele voorspellingen: "Hoeveel stroom levert deze zonnepaneel?" en "Hoeveel stroom verbruikt deze warmtepomp?".
De Copula is de lijm die deze losse stukken aan elkaar plakt op basis van hoe ze zich in het echt gedragen (bijvoorbeeld: "Als A hoog is, is B ook vaak hoog").

Door deze lijm te gebruiken, krijgen ze een compleet plaatje van hoe alles samenwerkt, in plaats van losse, losse stukjes.

3. De Rekenmethode: Polynoom Chaos (De "Receptkaart")

Nu hebben ze een compleet plaatje, maar hoe rekenen ze dat uit? Het is te ingewikkeld om elke mogelijke situatie één voor één te simuleren (dat zou eeuwen duren).

Ze gebruiken een methode genaamd Polynoom Chaos.

De Analogie: Stel je voor dat je een complex gerecht probeert te beschrijven. In plaats van elke hap te analyseren, schrijf je een recept op basis van de belangrijkste ingrediënten (zout, peper, ui). Je zegt: "Het gerecht is 50% zout, 30% peper en 20% ui."
In de wiskunde noemen ze deze ingrediënten polynomen. Ze bouwen een soort "receptkaart" (een uitbreiding) die de onzekerheid van de elektriciteit beschrijft.
Het mooie is: als je dit recept hebt, kun je heel snel berekenen wat er gebeurt als je de hoeveelheid peper (de zon) verandert, zonder het hele gerecht opnieuw te moeten koken.

4. De Slimme Truc: Het "Kleuren" van de Punten

Een groot probleem bij dit rekenen is dat het heel veel rekenkracht kost als je veel variabelen hebt (bijvoorbeeld 8 verschillende locaties met weer).

De auteurs gebruiken een slimme truc met Gauss-Hermite kwadratuur.
De Vergelijking: Stel je voor dat je een grote zaal moet meten. In plaats van elke hoek van de zaal af te lopen (wat lang duurt), kies je een paar strategische punten. Maar omdat de muren krom zijn (door de afhankelijkheden), moet je je meetlaten "vervormen" of "kleuren" zodat ze precies in de hoek passen.
Ze gebruiken een wiskundige transformatie (de Cholesky-factorisatie) om hun meetpunten precies zo te "verkleuren" dat ze de kromme muren van de afhankelijkheid perfect volgen. Hierdoor kunnen ze met veel minder metingen een heel nauwkeurig resultaat krijgen.

5. Het Resultaat: Veiligheid en Geld

Ze hebben deze methode getest op een situatie waar twee landen (of regio's) samen reserve-energie kopen.

Oude manier: Ze dachten dat alles los van elkaar stond. Ze kochten misschien te weinig reserve omdat ze dachten: "Als de zon uitvalt in land A, valt hij in land B misschien wel mee."
Nieuwe manier: Ze zagen dat als de zon uitvalt in land A, het vaak ook in land B uitvalt (omdat het weer samenhangt).
Conclusie: Met de nieuwe methode weten ze precies hoeveel reserve ze nodig hebben om veilig te blijven, zonder onnodig veel geld uit te geven aan reserve die ze nooit nodig hebben. Ze kunnen de kans op een stroomstoring (bijvoorbeeld 1 op de 100 keer) precies in de hand houden.

Samenvatting voor de leek

Deze paper zegt eigenlijk: "Hé, we kunnen elektriciteit niet meer behandelen alsof alles los van elkaar staat. We hebben een nieuwe, slimme rekenmethode ontwikkeld die de verborgen verbanden tussen verschillende bronnen (zon, wind, verbruik) in kaart brengt. Hierdoor kunnen we de lichten aan houden, het risico op stroomuitval minimaliseren, en tegelijkertijd geld besparen door niet te veel reserve te kopen die we nooit nodig hebben."

Het is als het overstappen van een simpele weersvoorspelling ("Het regent of het schijnt") naar een slimme, gekoppelde voorspelling die weet dat als het regent, de mensen binnen blijven en de verwarming harder moeten staan.

Titel: Polynoom-Chaos met Afhankelijke Stochastische Variabelen voor de Aanschaf van Ancillary Services

Auteurs: Nicola Ramseyer, Matthieu Jacobs en Mario Paolone (EPFL, DESL, Zwitserland).

1. Probleemstelling

De opkomst van gedistribueerde energiebronnen (DER's), zoals warmtepompen, elektrische voertuigen en zonnepanelen, leidt tot een toename van onzekerheid in de beschikbaarheid van vermogen voor ancillary services (AS) markten. Transmission System Operators (TSO's) staan steeds vaker biedingen toe waarbij de volledige vermogensbeschikbaarheid slechts met een bepaalde waarschijnlijkheid gegarandeerd is.

Bestaande methoden voor probabilistische reserve-aanschaf hebben twee belangrijke beperkingen:

Ze behandelen stochastische invoervariabelen vaak als onafhankelijk, terwijl in werkelijkheid sterke afhankelijkheden bestaan (bijv. zonnestraling en temperatuur op verschillende locaties). Het negeren van deze afhankelijkheden kan leiden tot een onderschatting van het risico op het schenden van drempelwaarden.
Bestaande benaderingen met Generalised Polynomial Chaos (gPC) voor afhankelijke variabelen leiden vaak tot numerieke instabiliteit (bijv. door de Gram-Schmidt-procedure) of zijn computatief te duur.

Het doel van dit paper is een rekenefficiënt en wiskundig hanteerbaar raamwerk te ontwikkelen om chance-constraints (kansbeperkingen) op te lossen voor de aanschaf van reserves, waarbij expliciet rekening wordt gehouden met afhankelijke stochastische invoer.

2. Methodologie

De voorgestelde methode combineert Generalised Polynomial Chaos (gPC) met Copula-theorie om afhankelijkheden te modelleren en deze te vertalen naar een convex optimalisatieprobleem.

A. Modelleren van Afhankelijkheid met Copula's

In plaats van complexe orthonormale polynomen direct te construeren voor een gezamenlijke verdeling, wordt gebruik gemaakt van Sklar's Theorem. Dit stelt dat een gezamenlijke verdelingsfunctie $F(\xi)$ kan worden opgesplitst in marginale verdelingen $F_i(\xi_i)$ en een Copula-functie $C$ die de afhankelijkheidsstructuur beschrijft:
$F(\xi) = C(F_1(\xi_1), \dots, F_d(\xi_d))$
Voor deze toepassing wordt een Gaussische Copula gekozen. Deze maakt gebruik van een correlatiematrix $\Sigma$ om de afhankelijkheid tussen variabelen te modelleren, wat schaalbaar is naar hogere dimensies.

B. Generalised Polynomial Chaos (gPC) met Afhankelijke Variabelen

Een stochastische functie $q(\xi)$ wordt benaderd door een polynoomexpansie:
$q(\xi) \approx \sum_{l=0}^L a_l \psi_l(\xi)$
De uitdaging ligt in het construeren van de orthonormale basis $\{\psi_l\}$ voor een willekeurige gezamenlijke verdeling.

Transformatie: Om de integratie voor het berekenen van de coëfficiënten $a_l$ hanteerbaar te maken, wordt een transformatie uitgevoerd naar een ruimte met onafhankelijke variabelen. Eerst wordt getransformeerd naar uniforme variabelen via de marginale CDF's, en vervolgens naar een Gaussische latente ruimte via de inverse normale CDF.
Integratie: De verwachtingswaarden (benodigd voor de basisconstructie en coëfficiënten) worden berekend via Gauss-Hermite kwadratuur in de Gaussische latente ruimte.
Dimensiereductie: Om de "curse of dimensionality" te omzeilen (exponentiële groei van rekentijd), wordt een strategie voor dimensiereductie toegepast. In plaats van volledige $d$ -dimensionale integraties, worden verwachtingswaarden van monomen vooraf berekend en geparaalleliseerd. De maximale integratiedimensie wordt beperkt tot $2\nu$ (waar $\nu$ de graad van de polynomen is), ongeacht het totale aantal stochastische variabelen.

C. Convexe Reformulering van Chance-Constraints

De kansbeperkingen in het optimalisatieprobleem (bijv. $P(\text{beschikbaar vermogen} \geq \text{vraag}) \geq 0.99$ ) worden herschreven.

Omdat een gewogen som van gPC-expansies opnieuw een gPC-expansie is, kunnen het gemiddelde ( $\mu$ ) en de variantie ( $\sigma^2$ ) van de totale beschikbare macht exact worden uitgedrukt in termen van de gPC-coëfficiënten en de beslissingsvariabelen.
De kansbeperking wordt benaderd met een kwantiel-approxiatie: $\mu + \lambda \sigma \geq \text{drempel}$ .
Voor normaal verdeelde variabelen is $\lambda$ exact bekend (bijv. 2.326 voor 99%). Voor andere verdelingen wordt dit als conservatieve schatting gebruikt.
Dit resulteert in een convex optimalisatieprobleem dat efficiënt opgelost kan worden.

3. Belangrijkste Bijdragen

Modellering van willekeurige afhankelijkheden: Een methode om complexe afhankelijkheden tussen stochastische variabelen te modelleren via Gaussische Copula's binnen een gPC-raamwerk.
Hanteerbare berekeningsschema: Een efficiënt algoritme voor de constructie van de gPC-basis en coëfficiënten door gebruik te maken van kwadratuur-integratie in combinatie met dimensiereductie en vooraf berekende verwachtingswaarden.
Convexe reformulering: Het vertalen van probabilistische chance-constraints voor afhankelijke variabelen naar een convex optimalisatieprobleem, geschikt voor de aanschaf van ancillary services.

4. Resultaten en Validatie

De methode is getest op een casestudy voor grensoverschrijdende gezamenlijke reserve-aanschaf tussen twee zones (X en Y) met acht stochastische variabelen (bijv. temperatuur en straling op vier locaties).

Caso 1: Normale marginaalverdelingen en lineaire biedingen:
- De gPC-expansie benaderde de werkelijke verdeling met een uiterst hoge nauwkeurigheid (foutorde $10^{-7}\%$ ).
- De optimalisatie met chance-constraints leverde resultaten op die de vereiste betrouwbaarheid (99%) precies haalden voor het afhankelijke geval, terwijl een onafhankelijkheidsaanneming zou leiden tot een onderschatting van het risico.
Caso 2: Willekeurige marginaalverdelingen (Beta) en niet-lineaire biedingen:
- De methode bleef robuust bij het modelleren van Beta-verdelingen (geschikt voor zonnestraling) en polynoom-biedingen.
- De constructie van een 21-dimensionale orthonormale basis en de berekening van alle coëfficiënten duurde slechts ongeveer 2 minuten op een niet-geparallelliseerde implementatie.
- De kansbeperkingen werden nauwkeurig gerespecteerd, hoewel de gebruikte Gaussische kwantiel-factoren ( $\lambda$ ) voor niet-normale verdelingen iets minder strak waren dan voor het normale geval.

5. Betekenis en Conclusie

Dit paper biedt een praktische oplossing voor netbeheerders (TSO's en DSO's) om onzekerheid en onderlinge afhankelijkheid van gedistribueerde energiebronnen mee te nemen in de optimalisatie van reserve-aanschaf.

Operationele relevantie: Het stelt netbeheerders in staat om goedkopere en veiligere biedingen te doen door de correlaties tussen bronnen (bijv. zonneschijn op nabijgelegen locaties) correct te modelleren, in plaats van conservatief uit te gaan van onafhankelijkheid.
Rekenkundige haalbaarheid: De voorgestelde dimensiereductie en vooraf berekende integraties maken het mogelijk om complexe stochastische optimalisatieproblemen op te lossen binnen acceptabele rekentijden, wat essentieel is voor operationele planning.
Toekomstperspectief: De auteurs wijzen op beperkingen, zoals de afhankelijkheid van de dimensiereductie van de complexiteit van de functies en de noodzaak van nauwkeurige kwantiel-factoren voor niet-normale verdelingen. Toekomstig werk richt zich op tijd-gekoppelde problemen en gezamenlijke kansbeperkingen.