⚡ electrical engineering

Surrogate Modeling of Interconnector Flows: A Machine Learning Alternative to Full-Scale Power System Simulations with Application to Cross-Border Electricity Exchange

Dit artikel stelt een machine learning-surrogaatframework voor dat fysiek consistente, nauwkeurige interconnector-stroomprofielen genereert vanuit nodale gegevens, waardoor hanteerbare rekenkundig vereenvoudigde elektriciteitsnetoptimalisatiemodellen resultaten kunnen behalen die vergelijkbaar zijn met volledige Europese simulaties met een tot 500 keer snellere runtime.

Oorspronkelijke auteurs: Robert Gaugl, Eloy Insunza, José Portela, Sonja Wogrin

Gepubliceerd 2026-06-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Robert Gaugl, Eloy Insunza, José Portela, Sonja Wogrin

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 de elektriciteitsvoorziening van een enkel land probeert te plannen, zoals Oostenrijk of Duitsland. Om dit nauwkeurig te doen, moet je precies weten hoeveel elektriciteit er elk uur in en uit de grenzen van dat land stroomt.

Het oude probleem: De "Glazen Bol" versus de "Terugblik"
Traditioneel stonden modelleerders voor een groot dilemma. Om de meest accurate afbeelding te krijgen, moesten ze een enorme, supercomplexe simulatie van het volled aan de Europese elektriciteitssector gekoppelde netwerk tegelijkertijd draaien. Dit is alsof je een puzzel van 10.000 stukjes probeert op te lossen terwijl je dikke winterhandschoenen draagt; het is accuraat, maar het duurt eeuwen en is computationeel uitputtend.

Om tijd te besparen, gebruikten veel onderzoekers een kortere weg: ze keken naar de handelsdata van elektriciteit van vorig jaar en schaalden deze omhoog of omlaag, uitgaande van de aanname dat het er dit jaar hetzelfde uit zou zien. Het artikel noemt dit het "hergebruiken van historische tijdreeksen".

De auteurs stellen dat dit is alsof je probeert het weer van volgend jaar te voorspellen door naar de kalender van vorig jaar te kijken. Dat werkt misschien als het klimaat stabiel is, maar naarmate we meer wind- en zonnevermogen toevoegen (wat grillig is en verandert met het weer), veranderen de patronen van de elektriciteitsstroom volledig. Vertrouwen op oude data is als autorijden terwijl je alleen in de achteruitkijkspiegel kijkt; je kunt crashen omdat de weg voor je veranderd is.

De nieuwe oplossing: De "Slimme Assistent" (Surrogaatmodellering)
Dit artikel stelt een nieuwe aanpak voor waarbij Machine Learning (ML) wordt gebruikt als een "slimme assistent" of een surrogaatmodel.

Beschouw de enorme Europese simulatie als een meesterkok die een perfect, complex gerecht kan bereiden, maar daar 10 uur voor nodig heeft. Het ML-model is de sous-chef die de meesterkok duizenden keren heeft zien koken. De sous-chef leert de patronen: "Wanneer de wind hard waait in Duitsland en de vraag laag is in Spanje, stuurt de meesterkok de elektriciteit naar het zuiden."

In plaats van de meesterkok elke keer te vragen om te koken, vragen we de sous-chef. De sous-chef kijkt naar de huidige inputs (hoe hard de wind waait, hoeveel zon er schijnt, hoeveel elektriciteit mensen gebruiken) en voorspelt direct wat de stroom van elektriciteit over de grenzen zal zijn.

Hoe ze het hebben getest
De onderzoekers trainden deze "sous-chef" met data uit een specifelijk jaar (2009) waarvoor ze de exacte antwoorden van de meesterkok (de volledige simulatie) kenden. Vervolgens testten ze het op twee totaal andere jaren (1995 en 2008) die het model nog nooit eerder had gezien.

Ze vergeleken drie methoden:

De oude manier: Het simpelweg opschalen van oude historische data.
De eenvoudige ML-manier (KNN): Een basisalgoritme dat een gok doet op basis van de "dichtstbijzijnde" voorbeelden uit het verleden.
De slimme ML-manier (SQU): Een geavanceerd neuraal netwerk dat complexe, niet-lineaire patronen leert.

De resultaten: Waarom de "Slimme Assistent" wint

Nauwkeurigheid: De "Slimme Assistent" (SQU) was veel beter in het voorspellen van de elektriciteitsstroom dan de eenvoudige gokker of de oude historische data. Het voorspelde correct wanneer de elektriciteit zou stromen en hoeveel, zelfs in jaren met weerpatronen die het model nog nooit had gezien.
De "Fysica-check": Een van de slimste functies die ze toevoegden, was een "reality check" loss-functie. Stel je voor dat de sous-chef voorspelt dat een land 1.000 ton appels zal exporteren, terwijl dat land slechts 500 ton heeft verbouwd. Dat is onmogelijk. Het nieuwe model werd getraind om dergelijke onmogelijke voorspellingen te bestraffen, zodat de cijfers ook fysiek zinvol blijven.
Snelheid: Dit is de grootste overwinning. Het gebruik van de slimme assistent om stromen te voorspellen en vervolgens een vereenvoudigd model voor slechts één land te draaien, was tot wel 500 keer sneller dan het draaien van de volledige Europese simulatie. Het is alsof je gaat van een 10-urige kookmarathon naar een maaltijd van 1 minuut in de magnetron, terwijl de smaak (de resultaten) bijna identiek is aan die van de meesterkok.

De kernboodschap
Het artikel concludeert dat voor landen die hun energietoekomst willen plannen met veel wind en zon, je niet simpelweg de data van vorig jaar kunt kopiëren en plakken. Je hebt een slimme, getrainde AI nodig die begrijpt hoe het weer en de vraag met elkaar interageren. Deze AI kan fungeren als een snelle, nauwkeurige vervanger voor de enorme, trage simulaties, waardoor planners sneller betere beslissingen kunnen nemen zonder te verdwalen in de complexiteit van het gehele Europese netwerk.

Technische Samenvatting: Surrogaatmodellering van Interconnector-stromen

Probleemstelling
Grensoverschrijdende elektriciteitsuitwisselingen zijn cruciaal voor de exploitatie en planning van systemen met een hoog aandeel hernieuwbare energie. Echter, Power System Optimization Models (PSOMs) staan voor inherente afruilverschillen tussen temporele resolutie, technische detaillering en ruimtelijke reikwijdte. Om de rekenbaarheid te waarborgen, reduceren veel studies de ruimtelijke granulariteit tot één land of regio, waarbij zij grensoverschrijdende uitwisselingen exogeen behandelen door historische import/export tijdreeksen voor te schrijven of deze te schalen om overeen te komen met nieuwe vraagniveaus.

Het artikel betoogt dat deze vereenvoudigingen inconsistent worden naarmate het elektriciteitssysteem overgaat naar hoge aandelen Variabele Hernieuwbare Energiebronnen (VRES). In dergelijke systemen worden stroompatronen steeds meer gedreven door fluctuerende beschikbaarheid van hernieuwbare energie in plaats van voorspelbare vraag. Bijgevolg kan het schalen van historische tijdreeksen leiden tot misleidende aannames over de omvang en timing van stromen, wat resulteert in onnauwkeurige modeluitkomsten en potentiële onhaalbaarheden (bijv. Energy Not Supplied, ENS) wanneer deze stromen als vaste randvoorwaarden in gereduceerde modellen worden opgelegd.

Methodologie
De auteurs stellen een machine learning (ML) surrogaatframework voor dat ontworig is om beschikbare nodale tijdreeksgegevens (uurlijkse vraag- en hernieuwbare opwekprofielen) te mappen naar synthetische, interconnector-niveau stroomtijdreeksen. Deze synthetische stromen dienen als consistente randvoorwaarden voor gereduceerde PSOMs.

Datageneratie: Trainingsdata wordt gegenereerd met behulp van de open-source LEGO PSOM, een lineair DC Optimal Power Flow (DC-OPF) model. Het model vertegenwoordigt een pan-Europees netwerk met één knoop per land, gebruikmakend van de ENTSO-E TYNDP 2024 National Trends aannames voor het jaar 2030.
Surrogaatmodellen: Er worden twee modelfamilies ontwikkeld en vergeleken:
- K-Nearest Neighbors (KNN): Een niet-parametrische baseline. Varianten omvatten het gebruik van volledige feature-sets, geselecteerde features (via permutatie-importantie) en hyperparameteroptimalisatie.
- Sequential Neural Network (SQU): Een feedforward neuraal netwerk met dichte verborgen lagen en ReLU-activatie. Varianten omvatten volledige/geselecteerde feature-sets, hyperparameteroptimalisatie en een innovatieve feasibility-aware custom loss function.
Custom Loss Function: Voor de SQU-modellen is een aangepaste loss-term geïntroduceerd die fysiek onmogelijke stroompatronen bestraft. Specifiek ontmoedigt het voorspelde netto-exporten die de maximale beschikbare generatiecapaciteit van de knoop plus binnenkomende stromen minus de vraag overschrijden. Dit heeft als doel te voorkomen dat de gereduceerde single-node PSOM te maken krijgt met kunstmatige onhaalbaarheden (ENS) wanneer de surrogaatstromen worden opgelegd.
Evaluatiestrategie:
- Training: Climate Year (CY) 2009.
- Testen: In-sample (CY 2009) en out-of-sample (CY 1995 en 2008) om robuustheid te testen over verschillende weerrealisaties.
- Casestudies: Oostenrijk (sterk verbonden), Duitsland (groot, divers systeem) en Spanje (zwak verbonden).
- Downstream Impact: Voorspelde stromen worden opgelegd als vaste randvoorwaarden in gereduceerde single-country LEGO-modellen. Resultaten (systeemskosten, dispatch, ENS, handelsbalansen) worden vergeleken met de overeenkomstige landcomponenten van de volledige Europese benchmark.

Belangrijkste Bijdragen

Framework Voorstel: Een nieuw ML-gebaseerd surrogaatframework dat uurlijkse interconnector-stroomtijdreeksen genereert vanuit vraag- en hernieuwbare opwekgeneratie-inputs, wat gereduceerde PSOM-studies mogelijk maakt zonder herhaaldelijk een volledige Europese model te hoeven oplossen.
Modelvergelijking: Een uitgebreide vergelijking van KNN en feedforward neurale netwerk (SQU) surrogaten voor multi-output stroomvoorspelling, waarbij zowel volledige als gereduceerde feature-sets worden geëvalueerd.
Feasibility-Aware Training: De introductie van een custom loss function voor neurale netwerken die fysiek onrealistische netto-exportprofielen bestraft, met als doel surrogaat-geïnduceerde onhaalbaarheden in downstream optimalisatie te verminderen.
Empirische Validatie: Rigoureuze testen tegenover gangbare praktijken (hergebruik/schalen van historische profielen) en volledige systeembenchmarks over meerdere klimaatjaren en landen met uiteenlopende structurele kenmerken.

Resultaten

Voorspellende Nauwkeurigheid: De SQU-modellen presteren consequent beter dan de KNN-baselines, met name in out-of-sample klimaatjaren. SQU-modellen bereiken een hogere $R^2$ en een lagere Normalized Mean Absolute Error (NMAE) vergeleken met KNN, wat een superieure generalisatie naar onbekende weerpatronen aantoont.
Vergelijking met Historische Schaling: Het hergebruiken van historische stroomprofielen (zelfs wanneer deze geschaald zijn naar jaarlijkse vraag of handels totals) resulteert in een slechte voorspellende nauwkeurigheid (vaak negatieve $R^2$ ) en slaagt er niet in de correcte uurlijkse stroomstructuur te vangen. Dit leidt tot significante afwijkingen in dispatch en systeemkosten.
Downstream Beslissingsrelevantie:
- Systeemskosten: Door ML-gegenereerde stromen (met name SQU-varianten) opgelegde stromen produceren systeemskosten in gereduceerde single-country modellen die nauw aansluiten bij de volledige Europese benchmark. In tegenstelling hiertoe introduceren historische schalingsmethoden substantiële kostenverstoringen (bijv. een afwijking van +81,6% in Duitsland voor 2008).
- Dispatch en Haalbaarheid: De SQU-modellen bewaren de timing en het teken van uitwisselingen beter, wat leidt tot nauwkeurigere dispatch-patronen voor flexibele bronnen (gas, opslag).
- Impact van Custom Loss: In Oostenrijk, waar de volledige benchmark geen ENS heeft, elimineert de custom loss succesvol de surrogaat-geïnduceerde ENS in het gereduceerde model. Echter, in Duitsland, waar de benchmark al kleine ENS bevat, vermindert de custom loss de ENS verder maar verschuift het de handels-/dispatch-balans weg van de benchmark, wat wijst op een afruil tussen statistische getrouwheid en operationele haalbaarheid afhankelijk van de systeemcontext.
Computationele Efficiëntie: De aanpak biedt aanzienlijke reducties in runtime (tot $\sim$ 500 $\times$ ) vergeleken met het draaien van het volledige Europese model. Hoewel KNN met uitgebreide feature selectie en tuning een hoge preprocessing overhead kan veroorzaken (soms groter dan de volledige model runtime voor complexe gevallen zoals Duitsland), bieden SQU-modellen een robuuste afweging tussen resultaatkwaliteit en computationele snelheid.

Betekenis en Claims
Het artikel beweert dat ML-gebaseerde stroomsurrogaten een levensvatbaar en noodzakelijk alternatief bieden voor exogene, op historie gebaseerde stroomaannames voor studies naar elektriciteitssystemen met veel hernieuwbare energie. De auteurs stellen dat:

Temporele Structuur Is Belangrijk: Nauwkeurige modellering van grensoverschrijdende uitwisselingen vereist het vastleggen van de intra-jaarlijkse timing van stromen relatief aan de beschikbaarheid van hernieuwbare energie en de vraag, niet alleen de jaarlijkse totalen.
Generalisatie: Neurale netwerk-surrogaten (SQU) generaliseren robuuster over verschillende klimaatjaren dan KNN of geschaalde historische data, waardoor ze geschikt zijn voor prospectieve scenario-studies.
Beslissingsrelevantie: Het gebruik van ML-gegenereerde stromen als randvoorwaarden in gereduceerde PSOMs levert uitkomsten op (kosten, dispatch, handelsbalansen) die aanzienlijk consistenter zijn met full-system simulaties dan traditionele methoden.
Feasibility Awareness: Custom loss functies kunnen effectief zijn in het voorkomen van kunstmatige onhaalbaarheden, hoewel de toepassing ervan zorgvuldige overweging vereist van de onderliggende systeemhaalbaarheidskenmerken.

De studie concludeert dat dit framework in staat is tot tractabele, beslissingsrelevante gereduceerde studies voor systemen met veel hernieuwbare energie, waarbij aanzienlijke computationele besparingen worden gerealiseerd terwijl de integriteit van grensoverschrijdende interacties behouden blijft. Toekomstig werk dat door de auteurs wordt gesuggereerd, omvat het vergroten van de ruimtelijke granulariteit, het toepassen van de methode op expansieplanning van generatie, en het ontwikkelen van probabilistische surrogaten.

Technische Samenvatting: Surrogaatmodellering van Interconnector-stromen

Meer zoals dit