Wanneer je een lamp aandoet, een warmtepomp start of een elektrische auto aansluit, moet de elektriciteit op vrijwel hetzelfde moment worden opgewekt.

Het net moet continu in balans blijven: de hoeveelheid vermogen die het net ingaat, moet nauw overeenkomen met de hoeveelheid die wordt verbruikt. Als opwekking en verbruik uiteenlopen, verandert de netfrequentie en moeten netbeheerders reageren door centrales, opslag, import, export of flexibele vraag bij te sturen.

Als we elektriciteitsopwekking en -verbruik perfect zouden kunnen voorspellen, zou het bedienen van het energiesysteem veel eenvoudiger zijn. Energieleveranciers zouden precies de juiste hoeveelheid elektriciteit kunnen inkopen, netbeheerders zouden zeer weinig regelenergie nodig hebben, en batterijen en flexibele apparaten zouden altijd op het optimale moment kunnen worden ingepland.

Perfecte voorspellingen zijn onmogelijk. Het weer verandert, mensen gedragen zich onvoorspelbaar en miljoenen apparaten wijzigen voortdurend hun werking. Maar elke verbetering in voorspelnauwkeurigheid vermindert onzekerheid, kosten en onnodige interventies.

Daarom vertrouwt vrijwel elk onderdeel van het elektriciteitssysteem op voorspellingen.

Hernieuwbare energie en elektrificatie vergroten de onzekerheid

Voorspellen is altijd belangrijk geweest, maar de energietransitie maakt het zowel moeilijker als waardevoller.

Zonne- en windproductie zijn sterk afhankelijk van het weer. Een wolkenfront dat eerder dan verwacht arriveert, kan de zonne-energieopbrengst in een hele regio verminderen. Windopwekking kan eveneens snel stijgen of dalen wanneer de omstandigheden veranderen.

Ook de vraag wordt steeds dynamischer.

Een traditioneel huishouden gebruikte elektriciteit voornamelijk voor verlichting, koken en huishoudelijke apparaten. Een geëlektrificeerd huis kan daarnaast een EV, warmtepomp, batterij, airconditioning en een elektrisch warmwatersysteem bevatten. Elk van deze kan meerdere kilowatt trekken en de vraag van het huishouden aanzienlijk veranderen.

Het weer beïnvloedt daardoor beide zijden van het systeem. Het bepaalt de opwekking van hernieuwbare energie, maar ook de verwarmings- en koelingsvraag. Andere belangrijke factoren zijn het tijdstip van de dag, werkdagen, feestdagen, prijzen en individueel huishoudelijk gedrag.

Het Internationaal Energieagentschap benadrukt variabele zonne- en windopwekking, evenals de steeds meer geconcentreerde vraag van EV’s, warmtepompen en andere grote elektrische belastingen als belangrijke drijfveren van toekomstige flexibiliteitsvereisten.

Voorbij het gemiddelde huishouden

Historisch gezien is de residentiële elektriciteitsvraag vaak geschat met standaard belastingprofielen.

Een standaard belastingprofiel beschrijft het verwachte verbruikspatroon van een typische klantengroep. Het Duitse BDEW-huishoudprofiel vertegenwoordigt bijvoorbeeld een typische dagelijkse en seizoensgebonden verbruikscurve in intervallen van 15 minuten. De BDEW geeft hier een toelichting en de huidige profielen.

Deze profielen kunnen redelijk goed werken over duizenden conventionele huishoudens, omdat individuele verschillen elkaar gedeeltelijk opheffen.

Maar ze zijn veel minder bruikbaar voor het voorspellen van een specifiek huis.

Het ene huishouden laadt elke avond een EV op. Een ander bedient een warmtepomp gedurende een koude ochtend. Een derde heeft zonnepanelen en een batterij. Hun jaarlijks verbruik kan vergelijkbaar zijn, terwijl hun vraag op elk specifiek moment totaal anders is.

Traditionele standaard belastingprofielen worden daardoor minder representatief, vooral voor individuele geëlektrificeerde woningen. Ze blijven nuttig als basislijn voor grote portfolio’s waar betere data niet beschikbaar is, maar EV’s en warmtepompen introduceren grote belastingen die sterk gerelateerd zijn aan tijd, temperatuur en gebruikersgedrag.

Interessant genoeg heeft BDEW zelf zijn standaard belastingprofielen in 2025 bijgewerkt, met de opmerking dat sociale en energiesysteemveranderingen in de afgelopen 25 jaar de verbruikspatronen hadden gewijzigd.

Slimme meters lossen niet alles op

Zelfs wanneer slimme meters geïnstalleerd zijn, ontvangen energiebedrijven niet noodzakelijk gedetailleerde data in realtime.

Data kan vertraagd aankomen, in handen zijn van een andere marktpartij of afhankelijk zijn van lokale regelgeving, technische processen en toestemming van de klant. Een slimme meter toont normaal gesproken ook alleen de netto-uitwisseling van het huis met het net.

De meter kan laten zien dat een huishouden vijf kilowattuur heeft afgenomen, maar niet of dit afkomstig was van een EV, een warmtepomp of normaal huishoudelijk verbruik. Hij onthult niet noodzakelijk de laadstatus van een batterij, wanneer de auto klaar moet zijn of hoe flexibel de belasting is.

Metermetingen hebben is daarom niet hetzelfde als beschikken over de contextuele data die nodig is voor nauwkeurige voorspellingen en optimalisatie.

De voortdurende invoering van meer granulaire verrekeningssystemen illustreert deze beperking. Ofgem legt uit dat de toegang tot halfuurlijkse slimme-meterdata afhankelijk is geweest van verrekeningsregels en toestemming van de consument, terwijl traditionele profielklassen het verbruik schatten op basis van gemiddeld klantgedrag.

Kleine fouten kunnen grote systeemfouten worden

Een voorspelfout bij één huishouden is irrelevant voor het elektriciteitssysteem. Dezelfde fout herhaald bij honderdduizenden woningen kan significant zijn.

Voorspelfouten bij zonne-energie bewegen bijzonder vaak in dezelfde richting bij veel installaties. Volgens de Balancing Roadmap van Swissgrid kunnen fouten in fotovoltaïsche productievoorspellingen een grote vraag naar regelenergie creëren, en gedeeltelijk onnauwkeurige PV-voorspellingen droegen bij aan hogere Zwitserse balanceringskosten in 2024.

Sneeuw, wolken en lokale weerseffecten maken het voorspellen van zonne-energie bijzonder moeilijk. Satellietgebaseerde schattingen kunnen onder bepaalde omstandigheden sneeuwbedekking verwarren met wolken. Een voorspelsysteem moet daarom niet alleen de algemene weersvoorspelling begrijpen, maar ook hoe lokale omstandigheden zich vertalen naar daadwerkelijke productie van echte installaties.

Betere voorspellingen zijn van belang voor het gehele energiesysteem.

Energieleveranciers en balansverantwoordelijke partijen gebruiken voorspellingen om de juiste hoeveelheid elektriciteit in te kopen en onbalanskosten te verminderen.

Distributienetbeheerders moeten lokale pieken anticiperen, zoals veel EV’s die tegelijk in dezelfde straat laden of hoge teruglevering van zonne-energie via dezelfde transformator.

Transmissienetbeheerders moeten de algehele systeembalans handhaven en begrijpen hoeveel opwekking, vraag en flexibiliteit beschikbaar zal zijn.

Het IEA merkt op dat gedistribueerde bronnen zoals dak-zonnepanelen, thuisbatterijen, EV’s en slimme apparaten kunnen helpen bij het beheersen van netcongestie, mits de noodzakelijke communicatie, besturing en marktstructuren beschikbaar zijn.

Voorspellen vormt het hart van een HEMS

Voorspellen is ook een van de kernmogelijkheden van een modern Home Energy Management System.

Om te bepalen wanneer een batterij moet laden, moet het systeem het toekomstige huishoudelijke verbruik, de zonne-energieproductie en de elektriciteitsprijzen inschatten.

Om een EV in te plannen, moet het de verwachte huishoudelijke belasting kennen, de waarschijnlijke beschikbaarheid van zonne-energie, de vereiste laadstatus van het voertuig en het vertrektijdstip.

Om een warmtepomp aan te sturen, moet het de buitentemperatuur, warmtevraag, prijzen en het thermische gedrag van het gebouw anticiperen.

Zonder voorspellingen kan een HEMS alleen reageren op wat er nu gebeurt.

Met goede voorspellingen kan het zich voorbereiden. Het kan een batterij laden vóór een dure periode, een flexibele belasting uitstellen tijdens een piek, energie bewaren voor later of zonne-energieproductie benutten die anders zou worden teruggeleverd.

Voorspellen transformeert energiebeheer van een verzameling reactieve regels naar vooruitkijkende optimalisatie.

Dezelfde voorspellingen kunnen ook het bredere energiesysteem helpen. Met de juiste integraties en toestemming van de klant kan Zerofy samenwerkende energiebedrijven voorzien van voorspellingen over huishoudelijk verbruik, zonne-energieopwekking en geplande netuitwisseling.

Geaggregeerd over veel woningen kunnen deze voorspellingen de energie-inkoop verbeteren, distributienetbeheerders helpen waarschijnlijke lokale beperkingen te identificeren en aggregatoren of transmissienetbeheerders inzicht geven in hoeveel flexibele capaciteit beschikbaar kan zijn vanuit batterijen, EV’s en warmtepompen.

Betere systeemvoorspellingen verbeteren de optimalisatie in huis. Betere voorspellingen op huishoudniveau verbeteren het beeld van het energiesysteem over toekomstige vraag, opwekking en flexibiliteit.

Van statistische modellen naar foundation models

Energievoorspellingen hebben traditioneel gebruikgemaakt van statistische methoden zoals exponentiële afvlakking en ARIMA, evenals fysische en machine-learning modellen.

Deze benaderingen identificeren terugkerende patronen, zoals vergelijkbare vraag op hetzelfde tijdstip op vorige werkdagen of seizoensveranderingen gedurende het jaar. Ze blijven nuttig, met name voor stabiele tijdreeksen en kleinere datasets.

Recentere neurale netwerken kunnen complexere en niet-lineaire relaties leren over grote datasets. De nieuwste ontwikkeling is de opkomst van time-series foundation models.

Het idee is vergelijkbaar met grote taalmodellen.

Een taalmodel leert herbruikbare patronen uit grote hoeveelheden tekst. Een time-series foundation model leert herbruikbare patronen uit grote verzamelingen numerieke reeksen, waaronder trends, cycli, herhaalde gebeurtenissen en relaties over verschillende tijdschalen.

Google’s TimesFM is bijvoorbeeld voorgetraind op 100 miljard echte datapunten en ontworpen om nog niet eerder geziene tijdreeksen te voorspellen. Amazon’s Chronos past op vergelijkbare wijze taalmodelarchitecturen toe op numerieke reeksen.

Veel vroege foundation models richtten zich op univariate voorspellingen: het voorspellen van één variabele voornamelijk op basis van de eigen historie.

Bijvoorbeeld:

Op basis van het historische elektriciteitsverbruik van dit huishouden, wat zal het morgen verbruiken?

Voor energiesystemen wordt voorspellen krachtiger wanneer het model ook covariaten kan gebruiken: aanvullende variabelen die het resultaat beïnvloeden.

Dit kunnen weersvoorspellingen zijn, het tijdstip van de dag, feestdagen, elektriciteitsprijzen, apparaattypen en patronen die zijn waargenomen in vergelijkbare woningen of nabijgelegen regio’s.

De weersinput is zelf een voorspelling. Het model moet leren hoe voorspelde temperatuur, zonneschijn of bewolking zich vertaalt naar verbruik of zonne-energieproductie voor een specifiek gebouw.

Nieuwere foundation models zijn in toenemende mate ontworpen om univariate, multivariate en covariaat-geïnformeerde voorspellingen te combineren.

Dit maakt het ook mogelijk om kennis over te dragen tussen woningen. Een nieuw huishouden heeft mogelijk beperkte historische data, maar het model kan alsnog leren van vergelijkbare gebouwen, technologieën en weersomstandigheden elders.

Onze aanpak bij Zerofy

Bij Zerofy hebben we een time-series foundation model getraind voor residentiële energievoorspellingen. We trainen het vanaf nul met de structuur en kenmerken van residentiële energiedata en relevante covariaten.

Het kan beide zijden van de energiebalans van een huishouden voorspellen:

• huishoudelijk elektriciteitsverbruik; en
• opwekking van zonne-energie.

Deze voorspellingen voeden direct Zerofy Autopilot en helpen bepalen hoe batterijen, EV’s, laadpalen, warmtepompen en andere flexibele apparaten in de komende uren moeten werken.

In onze evaluaties presteerde onze aanpak beter dan het externe voorspelsysteem dat als vergelijking werd gebruikt voor meer dan 90% van de geëvalueerde huishoudens.

Geen enkel model kan elke wolk, menselijke beslissing of apparaatgedrag perfect voorspellen. Het doel is geen zekerheid.

Het doel is om voortdurend de onzekerheid te verminderen, voorspellingen bij te werken wanneer nieuwe informatie beschikbaar komt en als resultaat betere beslissingen te nemen.

Zonnepanelen, batterijen, EV’s en warmtepompen zijn de zichtbare technologieën van de energietransitie. Voorspellen is de intelligentielaag die ze in staat stelt samen te werken.

Perfecte voorspellingen zouden het energiesysteem eenvoudig maken. Betere voorspellingen maken het efficiënter, betaalbaarder en veerkrachtiger.