Door: Kevin de Bont, Manager OpenToControl
In deze tweedelige serie leggen we uit waarom we binnen SmoothEMS CO2 als een van de optimalisatieparameters meenemen in onze algoritmes.
In deel 1:
In deel 2:
In dit eerste deel bespreken het ontwikkelde modellen voor het bepalen van de CO2 –footprint van energie uit het elektriciteitsnet in het verleden, heden en de toekomst.
Dit werk bouwt voort op het masteronderzoek: Modelling the dynamic greenhouse gas emission intensity of the Dutch electricity mix van Bas Janssen (Universiteit Twente, 2023).
In het Klimaatakkoord is afgesproken dat Nederland in 2035 een CO₂-vrije elektriciteitsvoorziening heeft. In 2023 was 47% van de Nederlandse elektriciteit hernieuwbaar en bedroeg het hernieuwbare aandeel van het totale energieverbruik 17%.
Hoewel dit aandeel de afgelopen vijf jaar aanzienlijk is gegroeid, moet o.a. het aandeel van weerafhankelijke wind- en zonne-energie productie de komende 10 jaar nog fors stijgen om de doelstellingen voor 2035 te halen. Tot die tijd (en mogelijk langer) zal zelfs groene energie met certificaat niet altijd 100% hernieuwbaar zijn.
In dit onderzoek (Bas Janssen, 2023) is een model ontwikkeld om de historische CO₂-intensiteit van elektriciteit via het Nederlandse energienet op uurbasis te bepalen.
Er zijn online verschillende bronnen beschikbaar voor near real-time en historische CO₂-intensiteiten van het elektriciteitsnet, zoals:
Meer informatie over hoe deze bronnen werken, is te vinden in het onderzoek van Bas Janssen. Opvallend is echter dat beide modellen geen voorspellingen bieden en mede hierdoor de huidige / realtime waarden met vertraging weergeven.
Daarnaast is er begin 2024 een Nationaal Energiedashboard (NED.nl) gelanceerd, dat voorspellingen biedt voor wind- en zonneproductie, maar geen CO₂-emissiefactoren voorspelt. Dit platform is gelieerd aan CO₂monitor en Energieopwek.nl en heeft net als eerder genoemde modellen een tijdsvertraging in dit geval tussen de 1u tot 2u.
Uit deze analyse blijkt dat er geen publiek toegankelijke CO₂-voorspellingen beschikbaar zijn. Voor onze anticiperende regelalgoritmes binnen SmoothEMS is dit echter essentieel en daarom hebben we deze voorspellingen zelf ontwikkeld.
In elektriciteitsnet moet er constant een balans zijn tussen vraag en aanbod. De energietransitie vraagt een paradigmaverschuiving van een centraal, vraaggestuurd systeem naar een meer decentraal, aanbodgedreven systeem. Ons onderzoek richt zich op slim en voorspellend aanbod gedreven aansturen van laadpleinen bij grootzakelijke gebouwlocaties en streeft naar:
Omdat de koolstofintensiteit van elektriciteit niet constant is, voegen we binnen SmoothEMS een extra optimalisatiedoel toe: laden met een zo laag mogelijke CO₂-impact.
Om de historische en toekomstige CO2-emissiefactoren te bepalen, hanteren we de LCA-analysemethodiek. Hierin wordt de volledige keten meegenomen om de productie eenheid te maken, te bouwen, etc. Dit in tegenstelling tot andere modellen, waarin voor elektrische energie productie vaak alleen de uitstoot bij de werkelijke energie opwekking (elektra) wordt weergeven. Als voorbeeld heeft wind & zon geen directe emissies waardoor deze door sommige op 0 g/kWh gesteld wordt en dus emissie vrij.
Elke energiebron heeft een specifieke broeikasgasemissie per geproduceerde kWh, uitgedrukt in gCO₂eq/kWh. Elektriciteit uit steenkolen hebben de hoogste voetafdruk, terwijl wind op land de laagste heeft.
De levenscyclus-CO₂-emissie wordt berekend door de totale emissies gedurende de volledige levenscyclus (van grondstofwinning tot einde levensduur) te delen door de totale hoeveelheid opgewekte energie in diezelfde periode.
Ondanks de vergroening van elektriciteitsmix observeren we wel een steeds grotere variabiliteit van de CO2emissies per kWh. De spreiding per dag (verschil laag en hoog) is zelfs verdriedubbeld sinds 2016 wat de significantie op dit moment aantoont.
Zo valt te zien dat de spreiding gemiddeld per jaar
Binnen SmoothEMS voorspellen we de werkelijke energiebehoefte, plannen we de energievraag (zoals slim laden) en voorspellen we de energieopwekking. Het verschil tussen vraag en lokaal aanbod uit zon bepaalt wat er vanuit het elektriciteitsnet geïmporteerd of geëxporteerd wordt. Om tot een lokale CO₂-emissiefactor te komen, is de voorspelling van de CO₂-emissiefactor uit het elektriciteitsnet de ontbrekende schakel.
We krijgen soms de vraag of day-ahead-prijzen niet voldoende zijn als graadmeter. Het korte antwoord is: nee, dat is niet voldoende. Hoewel er een correlatie bestaat, is deze niet sterk genoeg om deze eenzijdig als voorspeller te gebruiken.
Dit wordt in de volgende figuur grafisch weergegeven door de Nederlandse day-ahead-prijzen en de berekende CO₂-emissies tegenover elkaar te zetten.
Binnen ons onderzoek hebben we verschillende voorspelmodellen op basis van kunstmatige intelligentie onderzocht, waaronder neurale netwerken en machine learning.
Het beste model, dat o.a. gevoed wordt met OpenSource ENTSO-E data en weervoorspellingen van alle KNMI-weerstations in Nederland, biedt de volgende resultaten:
De onderstaande grafiek toont de voorspelde CO₂-waarden vergeleken met de historisch berekende waarden op basis van het gevalideerde ODECT-model (de ‘ground truth’).
Wat direct opvalt, is dat de trends nauwkeurig worden voorspeld. Hoewel de absolute waarden niet exact overeenkomen, is dit voor onze optimalisatie-algoritmen minder belangrijk. De regelalgoritmen richten zich namelijk op het minimaliseren van de waarde, waarbij de trend en het verschil tussen hoge en lage CO₂-emissies belangrijker zijn dan de absolute emissie waarden.
In de praktijk zou de voorspelling elke 15 minuten worden bijgewerkt voor optimale prestaties, met een horizon van de komende 48 uur. Voor illustratiedoeleinden is in de onderstaande grafiek de voorspelling echter slechts eens per 48 uur uitgevoerd, om de nauwkeurigheid beter te kunnen beoordelen (stippellijn = initialisatie tijd van voorspelling).
Op 15 november is duidelijk te zien dat de voorspelling verder afwijkt naarmate de tijd sinds de initialisatie van het model vordert. Dit wordt veroorzaakt door onverwacht hogere hernieuwbare energieopwekking dan oorspronkelijk voorspeld rond middernacht.
Desondanks zijn de voorspellingen voor de eerste uren na initialisatie doorgaans accurater dan die voor de langere termijn. Op sommige dagen blijven de voorspellingen echter tot het einde van de voorspelhorizon de trends goed weergeven.