Voorspellen aan de hand van data. Voor Inergy Analytical Solutions is dat allang geen toekomstmuziek meer. Met Warmtevraag-In-Kaart, of kortweg WIK, brengt Inergy een oplossing op de markt die de warmtevraag van huishoudens voorspelt. Daarmee kunnen energiemaatschappijen vraag en aanbod van duurzame energie beter op elkaar afstemmen. Maar wat zorgt voor een succesvolle voorspelling? In dit blog leg ik het graag uit.
Dankzij predictive analytics en data science hebben we geen glazen bol nodig. Relevante data en goede tooling en technologie stellen onze data scientists in staat algoritmes te ontwikkelen waarmee we nauwkeurige voorspellingen doen. Van een omzetpotentieel voor supermarkten tot de warmtevraag van huishoudens. Drie factoren spelen een belangrijke rol in het realiseren van zo’n voorspelling.
- Voldoende relevante data en correcte data
Alles valt of staat met data. Ten eerste moet er voldoende relevante data beschikbaar zijn. Voor het voorspelmodel van de warmtevraag van huishoudens maken we onder meer gebruik van de historische warmtevraag, het type dag (bijvoorbeeld een doordeweekse dag of feestdag), het uur van de dag, sociale gebeurtenissen (zoals vakanties), historische en actuele weersgegevens, de straling van de zon en data uit controlestations van de energiemaatschappij. Hoe meer relevante data, hoe nauwkeuriger de voorspelling. Wat tevens geldt: de beschikbare data moet volledig en correct zijn en de betekenis ervan moet ook duidelijk zijn. Bij bovenstaand voorbeeld zat WIK er op een dag 40% naast. Wat bleek? Op die dag vond in het verleden altijd onderhoud plaats, waardoor er op die dagen geen data werd verzameld. Om dat te herleiden, is domeinkennis van de opdrachtgever onmisbaar.
- Domeinkennis is cruciaal
Bij Inergy weten we alles van data en hoe we data kunnen laten ‘spreken’. En dus zelfs ook voorspellen. Maar de uiteindelijke interpretatie van die voorspellingen en de doorvertaling ervan naar besluiten of acties, is aan de opdrachtgever. Onze klant weet immers het meeste van de markt en de business waarin hij opereert. Deze domeinkennis is ook bij aanvang van het analyticstraject belangrijk. Gezamenlijk bepalen we zo welke data nodig is om het voorspelmodel zijn werk te laten doen. In het voorbeeld van de warmtevraagvoorspelling ontstond zo het idee om de zonnestraling als variabele in het algoritme op te nemen. Daarmee werd het model compleet.
- De inzet van het juiste algoritme: een neuraal netwerk
Dan is er nog de keuze voor een type model of algoritme. Er bestaan er ongelofelijk veel en de toepasbaarheid van elk type verschilt per vraagstuk. Voor Warmtevraag-In-Kaart koos Inergy voor een neuraal netwerk. Zo’n netwerkt bootst eigenlijk het menselijk brein na. Het verwerkt informatie op een heel andere manier dan alternatieve modellen die vaak worden gebruikt om datavoorspellingen te doen. Het legt verbanden tussen input en output, maar kan ook complexe patronen herkennen. Hoe meer relevante verbanden een netwerk in data kan vinden, hoe dichter een voorspelling van zo’n netwerk bij de realiteit komt. Voor WIK gebruikt Inergy zelfs een Recurrent Neural Network. Dit netwerk is geschikt om tijdreeksen te voorspellen. Want dat is wat Wik doet: de warmtevraag van huishoudens voorspellen voor 24 uur vooruit en in tijdseenheden van een uur.
Lees meer: wat is het verschil tussen een algoritme en een voorspelmodel?
Haalbaar voor iedere organisatie
Een goede voorspelling komt niet zomaar tot stand. Daar is een goede set aan data voor nodig. De opdrachtgever levert een belangrijke bijdrage in de vorm van markt- en businesskennis. Die hebben we nodig voor interpretatie van data en uitkomsten. Tot slot kan een neuraal netwerk complexe verbanden tussen data herkennen. Met deze factoren in het achterhoofd wordt het doen van voorspellingen een haalbare techniek voor iedere organisatie.
Meer weten over Warmtevraag-In-Kaart en wat het kan betekenen voor uw duurzame energieproductie? Neem dan contact met ons op!
