⚡ electrical engineering

Building Power Grid Models from Open Data: A Complete Pipeline from OpenStreetMap to Optimal Power Flow

Dit artikel presenteert een volledig open-data-pijplijn die realistische, OPF-oplosbare transmissienetwerkmodellen construeert voor alle 48 aaneengesloten Amerikaanse staten en zes multistaatregio's door OpenStreetMap-infrastructuurdata te integreren met EIA- en Census-statistieken, waarbij de aanpak succesvol wordt gevalideerd via convergentie in AC-OPF-simulaties en kostenmetrieken die consistent zijn met echte groothandelsmarkten.

Oorspronkelijke auteurs: Andrea Britto, Thiago Spina, Weiwei Yang, Spencer Fowers, Baosen Zhang, Chris White

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrea Britto, Thiago Spina, Weiwei Yang, Spencer Fowers, Baosen Zhang, Chris White

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 het elektriciteitsnet voor als een enorme, complexe stad met wegen, kruispunten en verkeerslichten. Om te begrijpen hoe deze stad het verkeer (elektriciteit) verwerkt, hebben ingenieurs een gedetailleerde kaart nodig. In de echte wereld zijn echter de meest accurate en up-to-date kaarten van het Amerikaanse elektriciteitsnet opgesloten in een kluis. Ze worden behandeld als "geheime informatie van kritieke infrastructuur" om te voorkomen dat hackers of terroristen zwakke plekken vinden. Dit laat onderzoekers achter die proberen het net te bestuderen zonder kaart, gedwongen om gebruik te maken van tiny, speelgoedachtige modellen die in niets lijken op de werkelijkheid.

Dit artikel presenteert een slimme oplossing: het bouwen van een realistische, grootschalige kaart van het Amerikaanse elektriciteitsnet uitsluitend op basis van publieke, open-source gegevens.

Hieronder wordt uitgelegd hoe de auteurs dit deden, via een eenvoudige bouw-analogie:

Het Probleem: De "Geheime Blauwdruk"

Stel je het echte elektriciteitsnet voor als een beveiligd gebouw. De blauwdrukken (gedetailleerde gegevens over draaddikte, spanning en exacte locaties) zijn geclassificeerd. Onderzoekers kunnen ze niet zien. Ze kunnen ze niet kopen (het kost honderdduizenden dollars), en ze kunnen ze niet delen, zelfs niet als ze ze krijgen. Zonder deze blauwdrukken kun je niet testen hoe het gebouw zou reageren op een enorme menigte of een storm.

De Oplossing: Het "Vijf-Fasen Bouwteam"

De auteurs bouwden een pijplijn (een stap-voor-stap assemblagelijn) die een werkend model van het net construeert met uitsluitend middelen die iedereen kan zien of online kan vinden.

Fase 1: De Satellietverkenner (Gegevensextractie)
In plaats van blauwdrukken te stelen, gebruikt het team OpenStreetMap (OSM). Denk aan OSM als een gigantische, collaboratieve Google Maps waar vrijwilligers wegen, gebouwen en hoogspanningslijnen tekenen. Het team stuurt een digitale "drone" om de VS te scannen en elke hoogspanningslijn, onderstation en energiecentrale die ze kunnen vinden, te downloaden.

De Hapering: De kaart is onvolledig. Sommige lijnen ontbreken, en de kaart geeft niet aan hoe dik de draden zijn of hoeveel vermogen ze kunnen dragen.

Fase 2: De Architect (Topologische Reconstructie)
De ruwe kaart is rommelig. Een enkele hoogspanningslijn kan zijn getekend als 20 kleine, niet-verbonden segmenten. De software van het team fungeert als een slimme architect die deze fragmenten aan elkaar naait.

Invullen van de gaten: Als een lijn geen spanningslabel heeft, kijkt de software naar zijn buren. Als alle buren "345kV-lijnen" zijn, neemt het aan dat deze dat ook is.
Sorteren van het verkeer: Het bepaalt welke lijnen welke onderstations verbinden en identificeert speciale "bruggen" (transformatoren) die spanningsniveaus veranderen.
Resultaat: Een schone, verbonden netwerkaart van het elektriciteitsnet.

Fase 3: De Ingenieur (Schatting van Parameters)
Nu hebben ze de vorm van het net, maar niet de fysica. Ze moeten schatten hoeveel elektriciteit de draden kunnen dragen en hoeveel ze de stroom tegenhouden.

De Regels: Omdat ze de draden niet kunnen meten, gebruiken ze standaard technische handboeken. Als een lijn 345kV is, kijken ze op naar de "gemiddelde" draad die in de VS voor die spanning wordt gebruikt en wijzen die eigenschappen toe aan het model.
De "Parallelle" Truc: Echte hoogspanningscorridors hebben vaak 2, 3 of zelfs 4 draden die naast elkaar lopen, maar de kaart toont er maar één. Het team gebruikt een "schaalfactor" (een wiskundige schatting) om te doen alsof er meer draden zijn, zodat het model het juiste verkeersvolume aankan.

Fase 4: De Demograaf (Toewijzing van Vraag)
Een net is nutteloos zonder te weten waar mensen elektriciteit gebruiken. Het team neemt nationale gegevens over hoeveel elektriciteit een hele staat verbruikt en spreidt dit uit als suikerglazuur op een taart.

De Proxy: Ze gaan ervan uit dat waar er meer mensen zijn (gebaseerd op volkstellinggegevens), er meer elektriciteitsverbruik is. Ze wijzen de energievraag toe aan specifieke "kruispunten" (bussen) op de kaart, gebaseerd op de lokale bevolkingsdichtheid.

Fase 5: De Verkeersagent (Optimale Stroomstroom)
Tot slot voeren ze een simulatie uit. Ze vragen de computer: "Als we alle energiecentrales aanzetten en alle lichten op laten op 16.00 uur op een hete zomerdag, wat gebeurt er dan?"

Het Doel: De computer probeert de goedkoopste manier te vinden om de hele staat van stroom te voorzien zonder dat lijnen overbelast raken of stroomuitval optreedt.
Het Veiligheidsnet: Omdat de kaart een schatting is, kan de simulatie vastlopen. Het team bouwde een "progressieve ontspannings"-strategie. Als de strikte regels een crash veroorzaken, maakt de computer de regels voorzichtig losser (zoals het toestaan van een iets hogere snelheidslimiet) totdat het een werkende oplossing vindt. Dit vertelt hen precies hoe "ruw" de gegevens in verschillende gebieden zijn.

De Resultaten: Een Werkende Stad

Het team testte dit op alle 48 aaneengesloten staten van de VS en enorme regionale stukken (zoals het volledige oostelijke of westelijke elektriciteitsnet).

Succespercentage: 88% van de staten werd perfect opgelost zonder regels te versoepelen. De rest werd opgelost met kleine aanpassingen.
Realisme: De kosten voor elektriciteitsopwekking in hun model (gemiddeld $22/MWh) en de hoeveelheid vermogen die als warmte verloren gaat (1%), kwamen bijna exact overeen met marktgegevens uit de echte wereld.
Het Grote Plaatje: Ze modelleerden met succes de Oostelijke Interconnectie (21.697 kruispunten) en de Westelijke Interconnectie (5.076 kruispunten).

Waarom Dit Belangrijk Is

De auteurs bouwden niet zomaar een model; ze bouwden een publieke bibliotheek van netmodellen.

Geen Geheimen Nodig: Iedereen kan nu bestuderen hoe het net reageert op AI-datacenters, extreme weersomstandigheden of hernieuwbare energie, zonder geclassificeerde gegevens te hoeven hebben.
Reproduceerbaar: Omdat de code en gegevens open zijn, kunnen andere wetenschappers hun werk controleren of verbeteren.
De "Wat-als"-Machine: Onderzoekers kunnen nu rampen simuleren (zoals een orkaan die een lijn platlegt) of toekomstscenario's (zoals het verdubbelen van het aantal elektrische auto's) om te zien hoe het net het volhoudt.

Kortom, de auteurs namen een afgesloten kluis met geheimen en vervingen deze door een publieke, open-source bouwset die nauwkeurig genoeg is om bruikbaar te zijn voor serieus onderzoek, maar volledig is opgebouwd uit dingen die je vanuit je autoruit kunt zien of op een gratis website kunt vinden.

Technische Samenvatting: Het Bouwen van Netmodellen voor Elektrische Energie uit Open Data

Probleemstelling

Toegang tot realistische, hoogwaardige modellen van transmissienetten is een kritieke bottleneck voor onderzoek naar elektriciteitsystemen. In de Verenigde Staten worden gedetailleerde netgegevens – inclusief topologie, lijnimpendantie en bedrijfsparameters – geclassificeerd als Critical Energy Infrastructure Information (CEII) door de Federal Energy Regulatory Commission (FERC) en de North American Electric Reliability Corporation (NERC). Bijgevolg kunnen onderzoekers geen toegang krijgen tot modellen uit de echte wereld voor planning, betrouwbaarheidsbeoordeling of training van machine learning-modellen zonder restrictieve juridische processen te doorlopen of prohibitieve licentiekosten te betalen ( $50.000–$ 500.000).

Bestaande alternatieven zijn ontoereikend voor de behoeften van modern onderzoek:

Standaard Testcases (bijv. IEEE 14/30/118-bus): Dit zijn pedagogische of algoritmische benchmarks die geografische realisme missen, geen weerspiegeling bieden van grootschalige integratie van hernieuwbare energie en continentale structurele kenmerken over het hoofd zien.
Synthetische Netten (bijv. TAMU): Hoewel statistisch realistisch, worden deze gegenereerd om echte netten te benaderen in plaats van daarvan afgeleid te zijn, waardoor ze specifieke geografische correspondentie missen en niet in staat zijn om mee te evolueren met daadwerkelijke infrastructuurveranderingen.

Deze ontoegankelijkheid van gegevens belemmert het onderzoek naar kritieke uitdagingen zoals door AI aangedreven vraaggroei, integratie van hernieuwbare energie en weerbaarheid tegen extreme weersomstandigheden.

Methodologie

De auteurs presenteren een pijplijn in vijf fasen die volledige, voor Optimal Power Flow (OPF) oplosbare transmissienetmodellen uitsluitend construeert uit publiek beschikbare gegevens. De pijplijn transformeert ruwe OpenStreetMap (OSM)-gegevens naar oplosbereide modellen met behulp van de volgende fasen:

1. Data-extractie

De pijplijn queryt een lokale Overpass API-instantie om energievoorzieningsinfrastructuur (onderstations, lijnen, generators, converters) voor specifieke Amerikaanse staten te extraheren. Data wordt genormaliseerd naar GeoJSON. Het systeem is afhankelijk van het power=*-taggingschema van OSM, dat hoogspanningslijnen, kabels, onderstations en centrales omvat.

2. Topologiereconstructie

Ruwe OSM-data wordt omgezet in een structureel bus-branch-model via een reeks inferentie- en schoonmaakstappen:

Spanningsinferentie: Aangezien ongeveer 15–30% van de OSM-lijnen spanningslabels mist, infereert een iteratief buurconsensus-algoritme ontbrekende spanningen op basis van verbonden segmenten en onderstationslabels.
Lijnsamenvoeging: Gefragmenteerde OSM-wegen die een enkele fysische corridor vertegenwoordigen, worden aan elkaar genaaid met behulp van een union-find-gegevensstructuur.
Circuitclassificatie: Het systeem onderscheidt tussen takken tussen faciliteiten (behouden), lussen, aftakkingen en geïsoleerde segmenten.
Detectie van Transformatoren en HVDC: Transformatoren worden afgeleid waar bussen met verschillende spanningsniveaus coëxisteren op een onderstation. HVDC-verbindingen worden geïdentificeerd via specifieke tagpatronen (bijv. frequency=dc, bipolaire spanningslabels) of nabijheid van converterknopen.
Buscreatie: Ruimtelijke clustering wijst lijneindpunten toe aan onderstations of creëert ad-hoc-bussen voor geïsoleerde eindpunten.

3. Parameterschatting

Aangezien OSM elektrische parameters mist, wijst de pijplijn deze toe met behulp van zoektabellen (LUT's) die zijn gekalibreerd met gegevens van de US Energy Information Administration (EIA):

Impedantie & Nominale Waarden: Lijnweerstand ( $R$ ), reactantie ( $X$ ) en thermische nominale waarden worden afgeleid uit spanningsklasse-LUT's op basis van standaard geleidertypen (bijv. gebundelde geleiders voor EHV).
Schaalfactoren: Om de neiging van OSM te compenseren om multi-circuitcorridors als enkele wegen in kaart te brengen, past de pijplijn Topologiefactoren ( $N_T$ ) en Capaciteitsfactoren ( $N_C$ ) toe. Deze factoren schalen impedantie en thermische limieten om overeen te komen met door de EIA gerapporteerde circuitmijlen.
Generatorkosten: Kwikadratische kostenkrommen worden gegenereerd met behulp van EIA-923 warmtetarieven en brandstofprijzen (Henry Hub voor gas). Als specifieke centralegegevens ontbreken, worden standaard brandstoftype-LUT's gebruikt.

4. Vraagtoewijzing

Uurlijkse vraaggegevens uit EIA-930 (op niveau van Balancing Authority) worden verdeeld over individuele bussen. De pijplijn gebruikt de bevolking van de volkstellingstraten van de VS als ruimtelijke proxy om de last toe te wijzen, zodat de vraagverdeling correleert met de dichtheid van residentiële en commerciële activiteiten.

5. Optimal Power Flow (OPF)

De uiteindelijke modellen worden opgelost met PowerModels.jl en de Ipopt-oplosser.

Progressieve Relaxatiestrategie: Gezien het feit dat uit OSM afgeleide modellen mogelijk parameteronprecisies hebben die onhaalbaarheid veroorzaken onder strikte constraints, hanteert de pijplijn een automatische relaxatiestrategie. Het probeert het probleem op een strikt niveau (L0) op te lossen en verzwakt de constraints (hoeklimieten, thermische marge, spanningsgrenzen, lastafschakeling) progressief via niveaus L1–L5 totdat convergentie wordt bereikt.
Reactieve Vermogencompensatie: Om ontbrekende shunt-gegevens in OSM aan te pakken, injecteert de pijplijn compenserende shunt-condensatoren/reactoren op bussen met reactieve vermogenstekorten die zijn geïdentificeerd tijdens een DC-OPF warm-start.

Belangrijkste Bijdragen

End-to-End Open Data-pijplijn: De eerste complete pijplijn om AC-OPF-oplosbare modellen te genereren voor het volledige Amerikaanse continentale net met uitsluitend publieke gegevens (OSM, EIA, Census).
Validatie op Schaal: De pijplijn is gevalideerd voor alle 48 aaneengesloten Amerikaanse staten en zes multistaatregio's, inclusief de volledige Western (5.076 bussen) en Eastern (21.697 bussen) Interconnections.
Publieke Release van 54 Modellen: De auteurs release alle 54 opgeloste modellen (48 single-state, 6 multi-state) als PowerModels-compatibele JSON-bestanden, waarmee de onderzoeksgemeenschap wordt voorzien van direct bruikbare benchmarks die zijn afgeleid van echte infrastructuur.
Progressief Relaxatiekader: Een nieuwe oplosserstrategie die automatisch omgaat met modelonhaalbaarheid als gevolg van gegevensgaten, en een transparante metriek (relaxatieniveau) biedt voor modelkwaliteit.

Resultaten

De pijplijn heeft succesvol modellen gegenereerd voor alle 48 aaneengesloten staten en zes regionale interconnecties.

Convergentie:
- DC-OPF: 45 van de 48 single-state modellen convergeerden op het strengste niveau (L0).
- AC-OPF: 42 van de 48 single-state modellen (88%) convergeerden op L0; 44 (92%) convergeerden op L0 of met minimale relaxatie (AC1) tijdens daluren.
- Regionale Modellen: De volledige Eastern Interconnection (21.697 bussen) convergeerde op relaxatieniveau L3 in 47 minuten.
Economische Metrieken:
- De mediaan van de dispatchkosten bedroeg $22,1/MWh, consistent met echte uitkomsten van de groothandelsmarkt.
- Systeemverliezen hadden een mediaan van 1,0%, in lijn met fysieke verwachtingen voor hoogspanningstransmissie.
- De AC-OPF-kostenpremie boven DC-OPF bedroeg een mediaan van 1,8%, wat weerstandverliezen en reactieve constraints weerspiegelt, consistent met literatuur voor goed gekarakteriseerde netwerken.
Geografische Fideliteit: De modellen behouden een echte geografische correspondentie en vangen daadwerkelijke transmissiecorridors en generatieplekken op, in tegenstelling tot synthetische testcases.

Betekenis en Aanspraken

Het artikel stelt dat netgegevens fundamentele infrastructuur zijn voor de energietransitie, maar dat ze voor de meeste onderzoekers ontoegankelijk blijven. Dit werk adresseert die kloof door aan te tonen dat bruikbare, structureel en elektrisch plausibele transmissiemodellen volledig uit open data kunnen worden geconstrueerd.

De auteurs benadrukken dat het doel niet is om het exacte operationele net te herstellen (wat zonder propriëtaire gegevens onmogelijk is), maar om modellen te genereren die:

Convergeren onder AC-OPF.
Een echte geografische correspondentie behouden.
Statistieken op systeemniveau (kosten, verliezen) reproduceren binnen realistische bereiken.

Door deze modellen vrij te geven, beogen de auteurs de instapdrempel voor onderzoek naar elektriciteitsystemen te verlagen, waardoor studenten, beleidsmakers en onderzoekers netgedrag kunnen bestuderen, machine learning-modellen kunnen trainen en cascade-storingen kunnen simuleren zonder afhankelijk te zijn van beperkte propriëtaire gegevens of dure commerciële licenties. De methodologie wordt gepresenteerd als generaliseerbaar naar andere regio's met adequate OSM-dekking en publieke statistieken.