Datagestuurde modellen voor energiesystemen en markten: een causale ML-benadering

Datawetenschapstools en datagestuurde besluitvorming worden steeds vaker gebruikt bij de werking van kritieke infrastructuur zoals het elektriciteits- en transportnet. Dit wordt gedreven door de toenemende flexibiliteitsbehoeften en kansen die voortvloeien uit de proliferatie van gedistribueerde energiebronnen zoals zonne-energie, elektrische voertuigen en batterijen. Veel tools voor datawetenschap (bijvoorbeeld machine learning-modellen) gaan echter per definitie uit van een stationaire omgeving. Wanneer de omgeving verandert, zoals het geval is in de huidige dynamische energiesector, houden dergelijke datagestuurde modellen na verloop van tijd misschien niet langer stand. Dit werd duidelijk in de nasleep van de Covid-19-pandemie, maar is ook breder zichtbaar door de veranderende energiemix en het consumentengedrag. Deze datagestuurde modellen minimaliseren ook vaak alleen het verlies aan voorspellingen en leren niet noodzakelijkerwijs de onderliggende dynamiek van het systeem. Dit kan leiden tot modellen die slecht generaliseren in voorheen ongeziene omstandigheden, die op hun beurt gevaarlijke interacties kunnen veroorzaken wanneer ze worden gebruikt om de werking van gedistribueerde energiebronnen te regelen. Dit kan het opladen en ontladen van elektrische batterijen en voertuigen in lokale energiegemeenschappen omvatten, evenals de werking van HVAC-systemen (verwarming, ventilatie en airconditioning). Als gevolg hiervan zal de student zich in dit project concentreren op het onderzoeken van causale gevolgtrekkingen om de datawetenschap en datagestuurde besluitvormingstoolkit robuuster te maken. De resulterende methodologie zal worden toegepast op energiegemeenschappen in de echte wereld om de werking van gedistribueerde flexibele bronnen te optimaliseren om hun ondersteuning voor kritieke infrastructuur zoals het energienet te garanderen.