🔬 physics

Modeling medium and low voltage grids using population density

Dit paper introduceert een schaalbaar model dat, gebruikmakend van bevolkingsdichtheid en de Kruskal-algoritme, realistische medium- en laagspanningsnetwerken genereert en aantoont dat de totale netwerklengte wereldwijd nauwkeurig kan worden voorspeld door multivariate machtswetten op basis van bevolking en oppervlakte.

Oorspronkelijke auteurs: Emile Emery, Joseph Le Bihan, José Halloy

Gepubliceerd 2026-02-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Emile Emery, Joseph Le Bihan, José Halloy

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

🌍 Het Stroomnet als een Reuzenweb: Hoe Bevolking de Kaart Tekent

Stel je voor dat je een gigantisch spinnenweb moet bouwen, maar dan niet in een hoek van je kamer, maar over het hele land. Dit web is ons elektriciteitsnetwerk: duizenden kilometers kabels en duizenden transformatorstations die zorgen dat je lampje brandt en je koelkast draait.

De vraag die de onderzoekers (Emile, Joseph en José) zich stelden, was simpel: Hoe bouw je zo'n web als je niet precies weet waar de draden lopen?

In veel landen zijn de kaarten van het stroomnet geheim of gewoon niet beschikbaar. Maar gelukkig hebben we wel één ding dat overal bekend is: waar mensen wonen.

1. De Grote Idee: "Waar de mensen zijn, daar is de stroom"

De onderzoekers dachten: "Als we weten hoe dicht de mensen op elkaar wonen, kunnen we raden waar de stroompalen en transformatorstations moeten staan."

Het is alsof je een pizzabezorger bent. Als je weet waar de drukke straten en volgepakte wijken zitten, weet je ook waar je je bezorgpunten moet hebben. Je hoeft niet elke afzonderlijke deur te kennen; je kijkt naar de drukte.

2. De Twee Regels van het Web

De onderzoekers keken naar Frankrijk, waar ze geluk hadden met goede data. Ze ontdekten twee interessante regels:

In dorre gebieden (weinig mensen): Hier is de relatie rechtlijnig. Als er 10 mensen bij komen, bouw je er ongeveer één nieuw transformatorstation bij. Het is als een landelijke postbode die een brief brengt aan elke boerderij.
In drukke steden (veel mensen): Hier wordt het slim. Als je in een stad 100 mensen toevoegt, hoef je niet 100 nieuwe stations te bouwen. Je bouwt er maar een paar grote, krachtige stations. Dit noemen ze schaalvoordeel. Het is alsof je in een drukke stad niet 100 kleine postkantoren bouwt, maar één groot distributiecentrum dat alles regelt.

3. De Computer als een Slimme Bouwmeester

De onderzoekers maakten een computerprogramma dat als volgt werkt:

De Kaart: Ze nemen een kaart van de wereld met daarop precies waar mensen wonen (zelfs in kleine dorpjes).
De Stations: Het programma "gooit" willekeurig transformatorstations op de kaart, maar wel vaker in drukke gebieden en minder vaak in lege gebieden, precies volgens de regels die ze in Frankrijk ontdekten.
De Draden: Vervolgens laat het programma de computer de kortste weg vinden om al die stations met elkaar te verbinden. Het gebruikt een slimme methode (de "Kruskal-algoritme") die zorgt dat het netwerk eruitziet als een boom met takken: efficiënt en zonder onnodige lussen.

Het resultaat? Het computermodel tekent een netwerk dat er bijna exact hetzelfde uitziet als het echte stroomnet in Frankrijk, zelfs al had de computer nooit een foto van de echte kabels gezien!

4. Wereldwijd Toepassen: Van Frankrijk naar de Rest van de Wereld

Vervolgens probeerden ze dit model op andere landen toe te passen, zoals de VS, India en Brazilië.

Het verrassende nieuws: Voor de totale lengte van de kabels werkt het model perfect, zelfs in landen met een heel andere manier van bouwen. Of je nu in Europa of Amerika woont: als je weet hoeveel mensen er zijn en hoe groot het land is, kun je heel nauwkeurig voorspellen hoeveel kilometer kabel er ligt.
Het kleine probleem: Het aantal stations zelf was in sommige landen (zoals de VS) anders dan verwacht. In de VS staan er veel meer kleine transformatorstations dicht bij de huizen, terwijl in Europa grotere stations verder weg staan. Maar de totale hoeveelheid koper en aluminium die nodig is voor de kabels, blijft voorspelbaar door simpelweg naar de bevolking te kijken.

5. Waarom is dit belangrijk? (De "Metafoor van de Schatkist")

Waarom doen ze dit? Stel je voor dat je wilt weten hoeveel koper er in de grond zit dat we nodig hebben voor de toekomst.

Vroeger: Je moest wachten tot landen hun geheime kaarten deelden (wat ze vaak niet deden).
Nu: Je kunt met dit model op basis van bevolkingscijfers zeggen: "In dit land is ongeveer X ton koper nodig voor het stroomnet."

Dit helpt landen plannen voor de toekomst. Als een land elektrisch gaat maken (bijvoorbeeld voor elektrische auto's), weten ze precies hoeveel materiaal ze nodig hebben en waar ze dat moeten leggen.

Samenvattend in één zin:

De onderzoekers hebben ontdekt dat je het hele stroomnet van een land kunt "reconstrueren" door simpelweg te kijken naar waar de mensen wonen; het is alsof de bevolking zelf de blauwdruk tekent voor de elektriciteitsdraden.

Probleemstelling

De uitbreiding van wereldwijde elektriciteitsdistributiesystemen vereist de aanleg van massale infrastructuur, wat leidt tot een enorme toename in het gebruik van materialen zoals koper en aluminium. Het is echter moeilijk om de ruimtelijke configuratie en de totale lengte van deze netwerken nauwkeurig te schatten, vooral op het niveau van de distributie (midden- en laagspanning).

Data-tekort: In tegenstelling tot het transmissienetwerk (hoogspanning), dat goed gedocumenteerd is door een beperkt aantal operators, is het distributienetwerk versnipperd over vele lokale operators. Data over kabellocaties en transformatorstations zijn vaak niet openbaar, gevoelig of inconsistent.
Beperkingen van bestaande methoden: Bestaande modellen die gebruikmaken van satellietbeelden (bijv. nachtelijk licht) hebben moeite met het nauwkeurig vastleggen van netwerken in landelijke gebieden en vereisen zware verwerking.
Doel: Er is behoefte aan een model dat, puur gebaseerd op demografische data, een realistische ruimtelijke weergave van het elektriciteitsnet kan genereren om materialenbehoefte en bestaande voorraden te schatten.

Methodologie

De auteurs ontwikkelen een model dat de ruimtelijke verdeling van transformatorstations (substations) en de daaruit voortvloeiende netwerktopologie simuleert, uitsluitend op basis van bevolkingsdichtheid.

Data-invoer:
- Gebruik van de WorldPop-database (30 boogseconden resolutie, ca. 1 km²) voor bevolkingsdichtheid per land.
- Calibratie op basis van gedetailleerde data van ENEDIS (de Franse netbeheerder), inclusief locaties van Midden- en Laagspannings (MV/LV) stations.
Kernalgoritme:
- Stochastische plaatsing van stations: Er wordt een niet-lineaire relatie gevonden tussen bevolkingsdichtheid ( $\rho$ $ρ$ ) en stationdichtheid ( $n_{stat}$ $n_{s t a t}$ ).
  - Voor lage dichtheid ( $\rho < 8$ inw/km²): Lineair evenredig ( $n_{stat} \propto \rho$ ).
  - Voor hoge dichtheid ( $\rho \ge 8$ inw/km²): Sublineair ( $n_{stat} \propto \rho^{0.5}$ ), wat schaalvoordelen in stedelijke gebieden weerspiegelt.
  - De daadwerkelijke plaatsing binnen een gridcel wordt gemodelleerd met een Poisson-verdeling om de stochastische variatie en lege cellen te reproduceren.
- Netwerkvorming: De gegenereerde stations worden verbonden met een Kruskal-algoritme om een Minimum Spanning Tree (MST) te creëren. Dit simuleert een boomstructuur, wat een goede eerste benadering is voor distributienetwerken.
- Correctiefactoren: Omdat MST-lijnen rechte lijnen zijn ("as the crow flies"), worden correctiefactoren toegepast om rekening te houden met:
  - De afwijking van rechte lijnen naar wegen (Manhattan-afstand vs. Euclidische afstand).
  - Het verschil tussen route-lengte en daadwerkelijke kabel-lengte (door overlappende tunnels).
  - De aanwezigheid van "bruggen" (loops) in het echte netwerk die de totale lengte iets verhogen.
Validatie:
- Lokaal (Frankrijk): Visuele vergelijking van de gegenereerde netwerktopologie met de werkelijke ENEDIS-data.
- Globaal: Toepassing van het op Frankrijk gekalibreerde model op 35 andere landen met volledige elektrificatie, en vergelijking met beschikbare literatuurwaarden (witte/grijze literatuur) voor totale stationsaantallen en netwerklengtes.
- Macro-schaal: Analyse van multivariate machtswetten (power laws) die totale netwerklengte relateren aan bevolking, landoppervlak en energieverbruik.

Belangrijkste Resultaten

Lokale Validatie (Frankrijk):
- Het model genereert een netwerktopologie die visueel en statistisch sterk overeenkomt met de werkelijkheid.
- De geschatte totale lengte van het MV-netwerk wijkt slechts 6% af van de werkelijke waarde.
- Het aantal geschatte stations wijkt 12% af.
- Het model slaagt erin om de "typische" ruimtelijke structuur te reproduceren, hoewel individuele kabelroutes niet exact overeenkomen (wat te verwachten is bij een generatief model).
Globale Toepasbaarheid:
- Aantal stations: Het model neigt het aantal stations in sommige landen (zoals de VS) te overschatten. Dit komt door fundamentele verschillen in netwerkontwerp (Europees model met grotere, minder stations vs. Amerikaans model met vele kleine stations dicht bij de consument).
- Totale netwerklengte: Ondanks verschillen in stationaantallen en lokale topologie, levert het model zeer accurate schattingen voor de totale lengte van het MV-netwerk (hoge correlatie met literatuurwaarden). Dit suggereert dat de totale lengte voornamelijk wordt bepaald door de ruimtelijke spreiding van de bevolking en niet door het specifieke type transformator.
Macro-schaal Machtswetten:
- De totale lengte van het MV-netwerk ( $L_{MV}$ ) volgt een sterke machtswet: $L_{MV} \propto \text{Bevolking}^{0.59} \times \text{Oppervlak}^{0.36}$ .
- Opvallend: Energieverbruik heeft een verwaarloosbare invloed op de totale lengte van het MV-netwerk op nationaal niveau. De ruimtelijke spreiding van de bevolking is de dominante drijvende kracht.
- Voor het laagspanningsnet (LV) is de afhankelijkheid van het landoppervlak minder sterk, maar blijft de relatie met bevolkingsdichtheid gelden.
- Er is een sterke correlatie tussen LV- en MV-lengtes ( $L_{LV} \approx 1.63 \times L_{MV}$ ).

Bijdragen en Significantie

Nieuwe Multi-schaal Tool: Het artikel introduceert een robuust model dat in staat is om gedetailleerde, ruimtelijk expliciete elektriciteitsnetwerken te genereren zonder toegang te hebben tot gevoelige infrastructuurdata. Dit is cruciaal voor landen waar deze data ontbreekt.
Materialenbeheer: Het model maakt het mogelijk om de "in-use" voorraden van koper en aluminium in distributienetten wereldwijd te inventariseren. Dit is essentieel voor circulaire economie-strategieën en recyclingplanning.
Toekomstplanning: Voor opkomende economieën en plannen voor elektrificatie biedt het model een methode om de benodigde infrastructuur en materialen te voorspellen op basis van bevolkingsprojecties.
Wetenschappelijke Inzicht: De studie bevestigt dat de ruimtelijke spreiding van de bevolking de primaire determinant is voor de omvang van distributienetwerken, en dat deze relatie schaalbaar is van lokaal (per gridcel) tot nationaal niveau via machtswetten.
Toekomstperspectief: De methode kan worden uitgebreid naar andere infrastructuurnetwerken (water, gas, telecom) en kan worden gebruikt om de impact van decentrale hernieuwbare energiebronnen op het net te modelleren.

Kortom, het paper demonstreert dat complexe fysieke infrastructuurstructuren effectief kunnen worden gemodelleerd met eenvoudige demografische variabelen, wat een krachtig instrument biedt voor beleid, planning en materialenbeheer.