Voorspellen uitval slimme meters

Door: Tos Sambo
Dit is het derde artikel in een serie over voorspellende modellen. Meer algemene informatie over voorspellende modellen vind je in het artikel Voorspellende modellen.

Afbeelding gemaakt door Lex Schiebaan (www.fritts.nl)

Elektronische apparaten in huis worden steeds slimmer. Zo vind je tegenwoordig bijvoorbeeld slimme koelkasten die boodschappenlijstjes bijhouden en espressoapparaten die ’s ochtends automatisch het favoriete kopje koffie zetten in een behoorlijk aantal huishoudens. Een ander stukje slimme apparatuur, welke inmiddels te vinden is door heel Nederland in ruim 3 miljoen huishoudens, is de zogenaamde slimme meter; een digitale meter waarvan de elektriciteits- en gas-standen op afstand kunnen worden uitgelezen door de energieleverancier en de netbeheerder. Het aantal huishoudens dat hiervan gebruik maakt zal bovendien in de nabije toekomst waarschijnlijk flink stijgen; het is namelijk de bedoeling van netbeheerders om alle Nederlandse huishoudens zo snel mogelijk te voorzien van zo’n meter. Elk huishouden mag dan ook voor het einde van 2020 een aanbod voor deze slimme apparatuur van een netbeheerder verwachten. Van welke netbeheerder ze een dergelijk aanbod tegemoet mogen zien is locatie afhankelijk, omdat in verschillende regio’s een andere netbeheerder verantwoordelijk kan zijn voor de aanleg van de energienetten, het transport van elektriciteit of gas, en de installatie van slimme meters.

Niet alleen zijn netbeheerders verantwoordelijk voor het aanbieden van de slimme meters, maar ook voor het onderhoud hiervan. Zo dragen zij bijvoorbeeld zorg voor het oplossen van storingen en het tijdig vervangen van verouderde slimme meters om klanten van zo goed mogelijk werkende apparatuur te voorzien. Inzicht in het wanneer en het aantal slimme meters dat dreigt uit te vallen en aan vervanging toe zijn kan de netbeheerders, vanuit een logistiek standpunt, daarbij helpen. Een analytische techniek om dit inzicht te verschaffen is daarbij nodig, zoals bijvoorbeeld survival analyse.

In dit artikel laten we u graag kennis maken met deze analytische techniek. We zullen in gelimiteerde mate ingaan op de details van survival analyse, maar zullen des te meer toelichten wat de praktische toepasbaarheid en waarde ervan is in het voorspellen van de uitvalperiode van slimme meters.

Businesswaarde

De juiste informatie over het toekomstige levensverloop van slimme meters kan netbeheerders ondersteunen in hun besluitvorming en acties gerelateerd aan het onderhoud en de eventuele vervanging van de apparatuur. Deze acties kunnen op hun beurt bijdragen om de bijbehorende kosten van slimme meters voor de aanbiedende netbeheerders te minimaliseren.

Netbeheerders moeten er namelijk rekening mee houden dat zij voldoende nieuwe slimme meters op voorraad hebben om defecte meters zo snel mogelijk te kunnen vervangen, maar willen logischerwijs geen voorraadoverschot hebben. Een dergelijk overschot brengt immers veel en onnodige kosten met zich mee. Hetzelfde geldt voor de benodigde vakkennis en het materiaal dat nodig is voor het vervangen van slimme meters; netbeheerders moeten voldoende capaciteit in de vorm van vakkundige monteurs en het juiste gereedschap hebben, maar een overschot ervan kan leiden tot overbodige en ongewenste kosten. Een accurate voorspelling over het levensverloop van slimme meters, hetgeen netbeheerders kan ondersteunen in hun voorraad- en capaciteitsplanning, is dus van groot belang om onnodige kosten te mijden.

Bovendien kunnen dergelijke voorspellingen gebruikt worden om preventieve acties met betrekking tot het vervangen van slimme meters te formuleren en in gang te zetten. Zoals bijvoorbeeld het anticiperen op bepaalde verwachte piekmomenten in de uitval van slimme meters. Wanneer een piekmoment voorspeld wordt, kunnen netbeheerders er bijvoorbeeld voor kiezen om een bepaald aantal slimme meters vroegtijdig te vervangen en daarmee het grote aantal vereiste vervangingen verspreiden over een ruimere periode, in plaats van alle vervangingen uit te voeren tijdens het piekmoment. In dat geval brengt het vroegtijdig vervangen van slimme meters kosten met zich mee, maar kunnen deze opwegen tegen de baten; namelijk de extra kosten die gemaakt zouden worden voor onder andere het voorraadbeheer en de additionele benodigde capaciteit voor de vervanging van meters tijdens een piekmoment. Bijkomend voordeel daarbij is dat een dergelijke proactieve houding van de netbeheerder kan bijdragen aan de klantbeleving en -tevredenheid.

Accurate voorspellingen – wanneer en hoeveel slimme meters uitvallen – kunnen netbeheerders zodoende ondersteunen in het nemen van kostenbesparende acties ten aanzien van het vervangen van slimme meters.

Data

Dergelijke voorspellingen worden echter niet zomaar gedaan. Om dit te kunnen doen is er historische data nodig over de plaatsing- en uitvalperiode van slimme meters. Naast de historische data is er ook de data nodig over de slimme meters die momenteel nog actief zijn (waarvan de uitvalperiode moet worden voorspeld). Deze data geeft namelijk belangrijke informatie over de periode dat een slimme meter niet is uitgevallen en mocht dit niet worden meegenomen, dan wordt de uitval van slimme meters overschat. In deze zin is dit type data uniek, omdat het zowel data met betrekking tot uitgevallen als niet uitgevallen slimme meters bevat. Dit type data wordt ook wel survival data genoemd.

Om naast de verwachte uitvalperiode van slimme meters te kunnen voorspellen waar of waarom ze dan uitvallen, zal de data moeten worden aangevuld met extra informatie. Namelijk, aanvullende informatie over de locatie van slimme meters en mogelijkerwijs andere factoren die betrekking hebben op de technische specificaties van een slimme meter, of de omstandigheden waarin een slimme meter zich bevindt (temperatuur, luchtvochtigheid, etc.).

Model

Nadat gecontroleerd is of de data consistent en compleet is, kan het voorspellingsmodel opgesteld worden. Echter, door de unieke kenmerken van survival data zijn er voor het analyseren ervan ‘speciale’ technieken vereist; analytische technieken die bekend staan onder de naam ‘survival analyse’. Kort samengevat omvat survival analyse een groot scala van statistische technieken om de tijd tussen een begin- en eind gebeurtenis te analyseren. Zoals aangegeven gaan wij in dit artikel niet uitgebreid in op dit scala aan technieken, maar is het wel relevant om te benoemen dat het ‘begin’ in de in dit artikel geschetste context refereert naar het moment dat een slimme meter wordt geplaatst, en het ‘einde’ naar wanneer deze uitvalt. Met behulp van de technieken die survival analyse omvat kan antwoord gegeven worden op vragen als ‘wat is de kans dat een slimme meter uitvalt na 1 jaar, na 5 jaar, na 10 jaar, enzovoort?’, ‘zijn er verschillen in de kans op uitval per periode tussen verschillende type slimme meters?’ en ‘wat is het effect van bepaalde factoren op de uitvalperiode van slimme meters?’, die allen relevant zijn om een valide voorspelling te maken over de tijd tot een slimme meter uitvalt.

Valkuilen

Niet iedere slimme meter is in dezelfde periode geplaatst, en daar moet rekening mee gehouden worden in het opstellen van het survival model. Het is namelijk waarschijnlijk dat de huidige leeftijd van slimme meters de overlevingskans van de apparatuur beïnvloedt1. Dit is zeker zo wanneer rekening gehouden wordt met het feit dat de levensduur van (elektronische) apparaten doorgaans een zogenaamd badkuip model volgt, zoals geïllustreerd in Figuur 1. Het badkuip model verdeeld de levensduur van een apparaat in drie verschillende fases, namelijk

  • Infant: risico op ´kinderziektes´ waardoor de kans dat iets kapot gaat of uitvalt in het begin hoger is (maar mettertijd wel afneemt).

  • Constant: als de kinderziektes zijn overleefd, volgt een fase waarin de kans dat iets kapot gaat of uitvalt op ongeveer hetzelfde niveau blijft schommelen (lager dan in de infant fase).

  • Wear-out: richting het ‘natuurlijk’ levenseinde van een apparaat neemt de kans dat iets kapot gaat of uitvalt sterk toe door ouderdomseffecten.

Figuur 1: Voorbeeld van een badkuip model

Slimme meters hebben doorgaans een fabrieksgarantie die aangeeft dat 95% van de populatie minimaal 20 jaar overleeft. Echter zijn slimme meters relatief nieuwe technologie en bevinden zich nog geen jaren in het veld, waardoor het levensverloop van nog geen enkele slimme meter voorbij de fabrieksgarantie is geobserveerd. Als gevolg bevat de beschikbare data momenteel niet voldoende informatie om het gehele levensverloop van slimme meters in kaart te brengen. Dit geldt met name ten aanzien van de wear-out fase. Om toch rekening te houden met ouderdomseffecten kunnen we bepaalde aannames verwerken. Denk dan bijvoorbeeld aan:  N maanden voordat een slimme meter zijn maximum leeftijd T jaar bereikt, neemt de kans dat de slimme meter uitvalt toe (bv. kwadratisch of exponentieel).

Een andere valkuil zijn nieuwe types slimme meter die op de markt komen. Dit is het geval omdat deze zich lastig in een survival model vatten, aangezien er dan nog geen historische data beschikbaar is. Om toch nieuwe type slimme meters te modelleren kunnen we data gebruiken van een ander type, die het meest overeenkomt met het nieuwe type.

Een laatste factor waar in het survival model rekening mee gehouden moet worden is het feit dat slimme meters die uitvallen over het algemeen vervangen moeten worden door een nieuwe meter. Waarom dit zo is, is het beste te illustreren aan de hand van een voorbeeld: stel dat een survival model perfecte voorspellingen maakt en het momenteel jaar 0 is. In jaar 0 worden twee slimme meters geplaatst, namelijk slimme meter 1 en 2. Het model voorspelt dat slimme meter 1 uitvalt in jaar 20 en slimme meter 2 in jaar 5. In jaar 5 zal de netbeheerder slimme meter 2 dus moeten vervangen. Deze vervanging kan worden gemodelleerd door een fictieve slimme meter te plaatsen in jaar 5. Vervolgens voorspelt het model dat deze fictieve meter weer uitvalt in jaar 20. Rekening houdend met vervanging van uitgevallen slimme meters, zou het model dus verwachten dat er, in totaal, twee slimme meters uitvallen in jaar 20. Mocht het model hier echter geen rekening mee houden, dan zou het verwachten dat er slechts één slimme meter uitvalt in jaar 20. Dit proces is weergeven in Figuur 2. In het survival model is het onnodig om dit proces oneindig door te trekken2, maar tot een zekere hoogte is het absoluut verstandig om hier rekening mee te houden.

Figuur 2: Voorbeeld van levensverloop voorspelling van twee slimme meters.

Bovengenoemde factoren kunnen valkuilen vormen voor het accuraat voorspellen van het levensverloop van slimme meters. Desalniettemin is het mogelijk om waardevolle voorspellingen te genereren, mits dit soort valkuilen omzeilt worden.

Implementatie

Zoals benoemd in het eerder gepubliceerd artikel ‘Voorspellende Modellen’, is blind de voorspellingen van een model volgen nooit een goed idee. Dit geldt uiteraard ook voor survival analyse voorspellingen. De voorspellingen van een model moeten ten eerste, worden beoordeeld of deze logisch zijn, en ten tweede, worden geëvalueerd. In het geval dat de voorspellingen niet logisch of accuraat zijn dan zullen eventueel andere methodes moeten worden gehanteerd. Het aanvullen van een survival model met bijvoorbeeld simulatie kunnen hierbij wellicht ondersteuning bieden.

Gebaseerd op historische data over de plaatsing- en uitvalperiode van slimme meters, evenals data over slimme meters die momenteel nog actief zijn, informatie over de locatie en technische specificaties van slimme meters, geeft het survival model een tijds- en locatie afhankelijke schatting van het aantal slimme meters dat uitvalt. In deze schatting worden niet alleen de slimme meters meegenomen die momenteel actief zijn, maar ook degene die de uitgevallen slimme meters zullen vervangen. Daarbuiten geeft het survival model inzicht in bepaalde factoren die de uitvalperiode van slimme meters beïnvloeden, en tenslotte, de mogelijkheid om de tijd tot uitval tussen verschillende types slimme meters met elkaar te vergelijken.

Zoals uiteengezet in dit artikel, kunnen dit soort inzichten met betrekking tot de toekomstige levensloop van slimme meters netbeheerders ondersteunen in hun besluitvorming en acties gerelateerd aan het onderhoud en de eventuele vervanging van de apparatuur. Deze geïnformeerde acties kunnen op hun beurt bijdragen aan het minimaliseren van de bijbehorende kosten van slimme meters voor netbeheerders. Dit in acht nemend, kunnen we concluderen dat survival analyse derhalve zeer waardevol kan zijn om slimme meters – ook in de toekomst – goed te managen.

1. De kans dat een slimme meter, bijvoorbeeld, 20 jaar blijft hangen, is anders voor een slimme meter die op dit moment al 10 jaar hangt dan voor een slimme meter die op dit moment pas 1 jaar hangt.

2. Wanneer een slimme meter uitvalt zal deze over het algemeen vervangen worden door een nieuwe slimme meter. Deze nieuwe slimme meter zal in de toekomst ook weer uitvallen. Wederom komt daar dan een nieuwe slimme meter voor in de plaats, die op zijn beurt ook weer zal uitvallen, enzovoort.