Detectie van energie-intensieve apparaten ten behoeve flexoplossingen

Dit ontwerp beschrijft het beoogde gebruiksscenario voor het dataproduct energie-intensieve apparaten, alsmede haar achterliggende architectuur en de gemaakte keuzes. Het is geschreven vanuit het perspectief van de Regionale Netbeheerder (RNB). Voor de leesbaarheid en voor de begripsvorming wordt soms ook een deel van de context beschreven.

Voor alle data-uitwisseling binnen de scope van de Visie Datadelen is expliciet gekozen voor het denken over data in de vorm van dataproducten. Een dataproduct combineert de semantische-, technische- en gebruiksaspecten van data-uitwisseling. Om dit invulling te geven bestaat een dataproduct uit de volgende componenten:

  • dataset: de daadwerkelijke gegevens die worden uitgewisseld. Zie een dataset als een tabel met gegevens, waarbij de kolommen beschrijven wat er op elke rij van de data aan gegevens wordt geleverd. Een dataset voor aansluitingen zal minstens een kolom "Aansluitingsnummer" bevatten, waarbij elke rij in de dataset een aansluiting beschrijft;

  • dataservice: de (technische) manier van verspreiden van de dataset. Dit gaat over hoe de data ontsloten wordt, de onderliggende architectuur en de gebruiksscenario’s;

  • voorwaarden: er kunnen voorwaarden liggen op beschikbaarheid, kwaliteit, classificatie en doelbinding bij gebruik van het dataproduct.

Het dataproduct combineert de dataset en dataservice, verrijkt met voorwaarden voor gebruik.

Reikwijdte

Om het net beter te benutten voor kleinverbruik klanten is slimme sturing van apparaten en/of gedragsverandering nodig. Met name de zogenaamde energie-intensieve apparaten met flexibiliteitspotentie zijn hierbij van belang. Denk hierbij aan zonnepanelen (PV), thuislaadpunten (EV), warmtepompen (WP), thuisbatterijen (BESS) en apparaten ten behoeve van elektrisch koken.

Om deze apparaten slim te kunnen sturen, op basis van toestemming van de klant, hebben dienstverleners inzicht nodig in waar deze energie-intensieve apparaten zich bevinden. Data Scientist teams bij de RNB’s werken samen om statistische modellen te maken die dit inzicht kunnen geven.

De epic bestaat uit twee fasen, een pilot fase en een landelijke fase.

Pilot fase

In de pilot fase wordt een jaar lang de verbruiksdata van de slimme meters van 1.000 medewerkers van de drie grootste RNB’s gebruikt om een statistisch model te ontwikkelen en te trainen. Dit model is géén dataproduct.

Landelijke fase

In de landelijke fase wordt het statistische model landelijk toegepast op alle aansluitingen waarvoor de use case is goedgekeurd. Wellicht gaat er eerst een kleine, regionale testfase aan vooraf. Deze fase resulteert in een tabel met voor elk energie-intensief apparaat (PV, EV, WP, BESS) het geschatte vermogen (in kW(p)) met een bijbehorende betrouwbaarheid (Confidence). Deze tabel wordt periodiek bijgewerkt. Zij is niet per aansluiting, maar geaggreerd op middenspanningsruimte (MS/LS trafo) niveau:

Table 1. Voorbeeld eindresultaat (geaggregeerd op trafo)
Trafo PV Confidence EV Confidence WP Confidence BESS Confidence

123

0

100

0

90

5kW

80

0

100

345

3kWp

90

22kW

95

5kW

70

4kW

70

Functionele eisen

Het dataproduct moet voldoen aan functionele eisen; deze vertellen wie ("Als rol") welke data ("Wil ik") nodig heeft en waarom ("Want").

Table 2. Functionele eisen
Als rol Wil ik Want

Regionale Netbeheerder (RNB)

Een uniform overzicht van aansluitingen en het gedrag van invoeding en afname in de tijd

Ik wil deze informatie laten verrijken zodat er een analyse op uitgevoerd kan worden die met grote zekerheid kan vaststellen of zich achter deze aansluiting een van de volgende vijf apparaattypes bevindt: zonnepanelen (PV), thuislaadpunten (EV), warmtepompen (WP), thuisbatterijen (BESS) of apparaten tbv elektrisch koken

Regionale Netbeheerder (RNB)

Een uniform overzicht van aansluitingen waarachter zich energie-intensieve apparaten bevinden

Ik wil de aangeslotene in staat stellen om de verbruiksdata van haar slimme meter, met haar toestemming, te delen met aanbiedingen van flexoplossingen

Dataservice

Pilot fase

In de pilot fase is gekozen voor een decentraal scenario waarbij de verbruiksdata van de slimme meters van de 1.000 medewerkers van de drie grootste RNB’s door de data science teams van de deelnemende RNB’s met elkaar gedeeld wordt.

Landelijke fase

Er is gekozen voor een centraal scenario waarbij de geregistreerde verbruiksdata van de slimme meters centraal beschikbaar wordt gesteld aan de data science teams van de deelnemende RNB’s.

Gebruiksscenario

Gebruiksscenario
Figure 1. Gebruiksscenario

  1. Een Data Scientists Team vragen de kwartierwaarden op bij C-ARM

  2. C-ARM levert de kwartierwaarden aan de het Data Scientist Team

  3. Het Data Scientist Team verrijkt de kwartierwaarden. Bijvoorbeeld met locatie- en meteogegevens

  4. Het Data Scientist Team maakt en traint het model

  5. Het Data Scientist Team stuurt het model naar de Regionale Netbeheerder

Architectuur

Vanuit architectuurperspectief zijn de volgende keuzes gemaakt:

Architectuur
Figure 2. Architectuur

  1. De structuur van de dataset is gebaseerd op het Begrippenmodel NBNL en het Common Information Model

Dataset

Volume, variety, veracity, velocity

Data kent vier kenmerken:

  • volume: data kent een volume, een hoeveelheid;

  • variety (variëteit): data is te verdelen in gestructureerde en ongestructureerde data. Ongestructureerde data kent geen metamodel;

  • veracity (betrouwbaarheid): de mate waarin de data vertrouwd kan worden voor de toepassing;

  • velocity (snelheid): de frequentie waarmee data verandert.

Dataset

Type Beschrijving

Volume

Laag, < 100MB (ongecomprimeerd)

Variety

Gestructureerd

Veracity

Hoog

Velocity

Laag (15 minuten)

Voorwaarden

Dit dataproduct wordt als gesloten data aangeboden, onder de grondslag Grondslag Toestemming. De grondslag is vereist indien een derde de aanvraag doet, voor een medewerker is toestemming niet vereist indien het om meetdata van de eigen aansluiting(en) gaat.

Beslissingen en aannames

Type Beschrijving

Aanname

Het is mogelijk om de data uit het dataproduct te verrijken met gegevens die relevant zin voor de analyse zoals weergegevens

Aanname

Het is mogelijk op basis van analyse te bepalen of één van de vier apparaattypes (zonnepaneel, thuislaadpunt, warmtepomp of thuisbatterij) zich achter het aansluitpunt bevindt.

Aanname

Het is mogelijk om middels een enquête 1.000 medewerkers bij de drie grootste RNB’s te vinden die willen meedoen

Beslissing

Zowel in de pilot fase als in de landelijke fase is er behoefte aan 15 minuten waarden (kwartierstanden)

Aanname

In de pilot foas wordt de data verkregen door het periodiek en rechtstreeks uitlezen van de slimme meter, niet door het opvragen van reeds uitgelezen en opgeslagen slimme metersstanden

Aanname

De Data Scientist verrijkt zelf de slimme meter data

Aanname

De Data Scientist berekent niet het gebruiksprofiel van een energie-intensief apparaat

Beslissing

In de landelijke fase komen de kwartierwaarden uit een database

Beslissing

Enexis, Stedin en Alliander hebben elk hun eigen team met Data Scientists

Aanname

Enexis, Steden en Alliander zijn de enige deelnemende RNB’s

Beslissing

Elk Data Scientist team krijgt dezelfde data

Aanname

In de pilot fase ontvangt elke Data Scientist team van elke deelnemende RNB de verbruiksdata van de slimme meter van deze RNB en deelt deze met de Data Scientist teams van de andere deelenmende RNB’s

Beslissing

Voor elk apparaattype is er een Data Scientist team dat een model maak om haar aanwezigheid te voorspellen inclusief hun geschatte vermogen

Beslissing

Elk Data Scientist team maakt een eigen model om de aanwezigheid één of meerdere apparaattypes te voorspellen inclusief hun geschatte vermogen

Beslissing

De Data Scientist teams verrijken de kwartierwaarden met locatiegegevens (PC6 danwel MS/LS-trafo)

Aanname

Aggregatie in de landelijke fase gebeurt op connectiviteit (je wilt netburen aggregeren)