Hoe werkt het voorspel model?

Datastromen

Het model consumeert meerdere lagen input die in de tijd worden gesynchroniseerd: historische EPEX-prijzen, ENTSO-E feeds (load, wind, solar en generation-mix), weervariabelen (temperatuur, wind, zoninstraling), en day-ahead prijzen zodra deze gepubliceerd zijn. Alle reeksen worden genormaliseerd naar uurlijkse granulariteit, met tijdzonebewaking (Europe/Amsterdam) en een consistent venster voor geldigheid (“validfrom”).

Daarnaast maakt het systeem gebruik van de ENTSO-E load-forecast voor de komende week, zodat verwachte vraagfactoren direct worden meegenomen in de voorspelling.

Feature-engineering voegt lags toe (1h, 24h, 168h), kalenderfeatures (hour, day-of-week, month, sin/cos-transformaties) en relatieve ratio’s (zoals renewables-share en load versus productie). Zo ontstaat een hoog-dimensionale featurematrix die de RandomForest voedt.

Modelpad

De huidige stack gebruikt een RandomForest-regressor als baseline, getraind op het volledige samengevoegde dataset_full (prijshistorie + weersinformatie + ENTSO-E/NED-signalen). De hyperparameters zijn afgestemd op robuuste generalisatie (o.a. n_estimators en min_samples_leaf) en een strict time-based split voorkomt dat toekomstinformatie onbedoeld in het model lekt.

Naast de hoofdvoorspelling voert het systeem elke dag een evaluatiestap uit: het vergelijkt de voorspelling van de afgelopen week met de gerealiseerde prijzen. Daaruit wordt een bias-profiel berekend.

Dit bias-profiel bestaat uit een fijnmazige correctielaag:

• per uur van de dag
• gescheiden voor werkdagen en weekend
• gebaseerd op de gemeten afwijking tussen forecast en werkelijkheid

Bij de eerstvolgende forecast-run wordt deze bias automatisch toegepast. Daardoor wordt het model direct bijgestuurd wanneer bepaalde uren structureel te laag of te hoog worden ingeschat. Dit mechanisme corrigeert vooral patronen die niet volledig door weersdata of load-verwachtingen worden verklaard, zoals hardnekkige ochtend- en avondpieken of seizoensgebonden verschuivingen in vraag.

Het resultaat is een hybride aanpak: een ML-model dat het gros van de variatie voorspelt, met daar bovenop een lichte, zelflerende correctielaag die alle voorspelbare fouten reduceert.

Wat het model niet kan voorspellen

Hoewel het model veel factoren meeneemt (weersinvloeden, ENTSO-E-data, load-verwachting, historische patronen en day-ahead prijzen), blijven sommige prijsschommelingen inherent onvoorspelbaar. Voorbeelden:

• plotselinge storingen of uitval van centrales
• extreme afwijkingen in wind- of zonneproductie
• onverwachte pieken in vraag of industriële afschakelingen
• internationale handelsstromen of import/export-schommelingen
• acute netcongestie of noodmaatregelen van TenneT
• grote bewegingen in gas- of CO₂-prijzen
• intraday-onbalans of niet-geplande redispatch

Dit zijn gebeurtenissen die zelfs officiële marktmodellen meestal niet volledig kunnen voorspellen. Daarom blijft elke prijsverwachting een inschatting — een best mogelijke projectie op basis van beschikbare informatie, maar nooit een garantie.