AI energieprijsvoorspelling voor handelaren en energiebedrijven

AI energiehandel prijsvoorspelling is uitgegroeid tot een echte concurrentiefactor voor elektriciteitshandelaren, energieleveranciers en nutsbedrijven die op Europese stroommarkten opereren. De combinatie van snel groeiende hernieuwbare opwekking, toenemende marktvolatiliteit, de opkomst van kortdurende batterijopslag en de aanscherping van onbalanssettlement-regels heeft handmatige of puur statistische prijsvoorspelling voor veel marktpartijen onvoldoende gemaakt. Machine learning-modellen maken nu deel uit van de analytische gereedschapskist op handelskantoren door heel Nederland en Europa — maar het verschil tussen een goed ontworpen prognosemodel en een slecht gebouwd systeem is groot, en de gevolgen van zelfoverschatting zijn commercieel significant. Deze gids biedt een gefundeerd, leveranciersonafhankelijk overzicht van hoe AI-prijsvoorspelling werkt, waar die werkelijk waarde toevoegt en waar de grenzen liggen. Hij is bedoeld voor energiehandelaren, portfoliomanagers, balanceringsexperts en strategieleiders bij nutsbedrijven en handelshuizen die een eerlijke beoordeling willen voordat ze een bouwbeslissing nemen.

Niets in dit artikel vormt financieel of handelsadvies. Elektriciteitsprijsvoorspelling kent onherleidbare onzekerheid; alle modellen informeren beslissingen, ze garanderen geen uitkomsten.

Waarom AI energieprijsvoorspelling nu aan terrein wint

De Europese elektriciteitsmarkten zijn de afgelopen tien jaar structureel veranderd, en het tempo van verandering versnelt. De verspreiding van nulmarginalekostopwekking — wind en zon — heeft een nieuwe dynamiek in de spotmarkten geïntroduceerd: prijzen worden steeds vaker bepaald door de residuele vraag die overblijft nadat hernieuwbare bronnen zijn gedispatcht, in plaats van door de brandstofkosten van marginale thermische centrales. Die residuele vraag is van nature volatieler en moeilijker te voorspellen met traditionele regressiemethoden die zijn gekalibreerd op historisch thermisch-gedomineerd prijsgedrag.

Op EPEX SPOT, de primaire beurs voor dag-ahead en intraday elektriciteit in Nederland en buurlanden, zijn de frequentie en de omvang van prijspieken en negatieve-pijs-episodes toegenomen. Negatieve prijzen — perioden waarin opwekkers betalen om stroom te dispatchen in plaats van te curtailen — komen nu regelmatig voor in Noord-Europese markten, inclusief de Nederlandse hub. Voor een handelaar met een ongedekt opwekportfolio of een open balanceringspositie is de mogelijkheid om deze episodes zelfs gedeeltelijk te anticiperen commercieel relevant.

Tegelijkertijd heeft de groei van intradayhandel — deels gedreven door wind- en zolprognoseherzieningen na de gatesluitingstijd van de dag-ahead-veiling — extra marktmicrostructuurcomplexiteit gecreëerd. Prijzen op de continue intradaymarkt van EPEX SPOT kunnen scherp bewegen in de uren en minuten vóór levering, als gevolg van bijgewerkte opwekkingsprognoses, onverwachte vraagverschuivingen, of wijzigingen in grensoverschrijdende congestie. Machine learning elektriciteitsspot-prijsvoorspelling-modellen die zijn getraind op intradayorderboekdata en signalen over herziening van weersvoorspellingen kunnen handelaren helpen bij het beter timen en dimensioneren van intradayposities dan discretionaire methoden.

Hoe nauwkeurig is AI bij het voorspellen van dag-ahead elektriciteitsprijzen op EPEX SPOT?

Dit is de belangrijkste vraag om eerlijk te beantwoorden, en het antwoord is genuanceerd. AI-modellen — met name ensemble-methoden en deep learning-architecturen — kunnen basislijnen (zoals het gebruiken van het prijsprofiel van de vorige dag of een eenvoudig seizoensgemiddelde) en klassieke statistische modellen zoals ARIMA of basisregressie op standaard nauwkeurigheidsmaatstaven zinvol overtreffen. Toch gelden een aantal belangrijke kanttekeningen.

Ten eerste varieert de nauwkeurigheid systematisch met marktomstandigheden. In perioden van matige hernieuwbare opwekking en stabiele vraag is dag-ahead prijsvoorspelling een handelbaar probleem en presteren zelfs bescheiden modellen redelijk. In perioden van hoge penetratie van hernieuwbare energie, snelle vraagverschuivingen, of onverwachte grensoverschrijdende beperkingen piekt de prijsvolatiliteit en vertonen alle modellen — inclusief state-of-the-art deep learning-modellen — merkbaar bredere prognosefouten. De episoden die het moeilijkst te voorspellen zijn, zijn ook vaak de meest commercieel consequente: de extreme prijsgebeurtenissen waarbij de inzet van fouten het grootst is.

Ten tweede zijn backtestresultaten inherent optimistisch. Een model dat op historische data is geëvalueerd, is per definitie getraind en getest onder omstandigheden die het al heeft gezien. Werkelijke inzet stelt het model bloot aan regimeveranderingen — een nieuwe interconnector die online gaat, een beleidswijziging die de dispatch van hernieuwbare subsidies beïnvloedt, of een geopolitieke gebeurtenis die gasprijzen en daarmee de marginale kosten van thermische opwekking raakt — die niet in de trainingsdata vertegenwoordigd zijn. Eerlijke backtesting maakt gebruik van walk-forward-validatie en test over meerdere marktregimes, niet alleen over rustige perioden.

Ten derde is de relevante prestatiebenchmark niet absolute nauwkeurigheid maar verbetering ten opzichte van je huidige methode. Een ML dag-ahead elektriciteitsprijsvoorspelling Nederland-model dat de prognose-fout van je portfolio zinvol vermindert ten opzichte van je bestaande aanpak levert commerciële waarde — zelfs als het in absolute termen nog steeds onvolmaakt is. De juiste framing is: verbetert dit model mijn handelsbeslissingen marginaal, na aftrek van de kosten en complexiteit van bouwen en onderhouden?

Met die kanttekeningen gezegd: ja, goed gebouwde AI-modellen, correct gevalideerd en eerlijk ingezet, kunnen een zinvol voordeel bieden bij dag-ahead prijsvoorspelling voor EPEX SPOT — met name bij het vastleggen van niet-lineaire relaties tussen hernieuwbare opwekking, grensoverschrijdende stromen en prijsuitkomsten die eenvoudigere modellen missen.

De voornaamste drijfveren van elektriciteitsspotprijzen en waarom ze belangrijk zijn voor modelontwerp

Begrijpen wat elektriciteitsprijzen drijft op de Nederlandse en bredere Europese markt is een voorwaarde voor het bouwen van een goed prognosemodel. De belangrijkste factoren zijn:

• Hernieuwbare opwekopbrengst: Zon en wind bepalen het residuele vraagniveau dat thermische opwekkers moeten dekken. Hoge hernieuwbare opwekking onderdrukt doorgaans de prijzen; lage opwekking tijdens perioden van hoge vraag drijft de prijzen omhoog. De relatie is niet-lineair — naarmate hernieuwbare energie de totale vraag nadert, kunnen prijzen snel instorten naar nul of negatief gaan.
• Brandstofprijzen: Aardgasprijzen, via de TTF-hub, blijven de primaire marginale kostendrijver voor Nederlandse gasgestookte opwekking. Kolen- en koolstofprijzen (EU ETS) beïnvloeden de concurrentiepositie van steenkolenenergie ten opzichte van gas. Een prognosemodel dat deze signalen niet verwerkt, mist een van de belangrijkste drijvers van het prijsniveau.
• Grensoverschrijdende stromen en interconnectorbeperkingen: Nederland is goed verbonden met België, Duitsland, het VK, Denemarken en Noorwegen. Wanneer prijzen over grenzen heen divergeren, arbistreren stromen het verschil weg totdat interconnectoren congestie bereiken. Congestiemanagementuitkomsten van ENTSO-E beïnvloeden de beschikbare grensoverschrijdende capaciteit en daarmee het effectieve aanbod dat voor de Nederlandse hub toegankelijk is.
• Vraagniveaus en temperatuureffecten: Residentiële en commerciële verwarmingsvraag is weergevoeliger geworden naarmate de adoptie van warmtepompen groeit, en EV-laden introduceert nieuwe vraagpatronen. Een goed prijsprognosemodel verwerkt vraagzijdesignalen, niet alleen aanbodzijde.
• Marktmicrostructuur en balancering: De onbalanssettlementprijs — vastgesteld door TenneT als balanceringsverantwoordelijke partij — weerspiegelt de realtime inkoopacties van TenneT en werkt terug in intradaymarktgedrag. Deelnemers met open onbalansposities worden gestimuleerd die te sluiten op de intradaymarkt of hun output bij te stellen.
• Waterreservoirniveaus: Noors en Zweeds waterkrachtaanbod is een significante schommelfactor voor Noord-Europese prijzen. Perioden van lage reservoirniveaus verminderen de goedkope waterkracht die beschikbaar is voor export, waardoor het aanbod in Nederland en Duitsland krapper wordt en de prijzen stijgen.

Modelarchitecturen voor elektriciteitsprijsvoorspelling

In de praktijk worden meerdere machine learning-architecturen gebruikt voor elektriciteitsprijsvoorspelling. De juiste keuze hangt af van je prognosehorizon, de rijkheid van je featureset en de mate van interpreteerbaarheid die je handels- of risicobeheerteam vereist.

Gradient-boosted ensemble-modellen

Gradient-boosted boommodel — XGBoost, LightGBM, CatBoost — blijven tot de sterkste performers voor gestructureerde tijdreeksprognosetaken waar de featureset goed gedefinieerd is. Ze verwerken gemengde feature-typen goed (continue weervariabelen, categorische kalenderkenmerken, vertraagde prijswaarden), zijn relatief resistent tegen overfitting met passende regularisatie en produceren feature-importantiescores die handelsteams helpen begrijpen wat de voorspellingen van het model aandrijft. Voor AI algoritmische energiehandel Europa is interpreteerbaarheid geen luxe: risicomanagers en complianceteams moeten modelgedrag begrijpen voordat ze het gebruik ervan in handelsbeslissingen goedkeuren.

Deep learning voor intradayprijsmodellering

Recurrente neurale netwerken — met name LSTM- en GRU-architecturen — en transformer-gebaseerde sequentiemodellen zijn beter geschikt voor het vastleggen van complexe temporele afhankelijkheden in intradayprijsdata, waar de markt een continue reeks van gebeurtenissen is in plaats van een eenmalige dagelijkse veiling. Een deep learning intraday stroomprijs-model kan in principe de wisselwerking leren tussen orderboekdynamiek, herzieningen van weersvoorspellingen en realtime balanceringssignalen die continu door de handelsdag evolueren. De afweging is trainingscomplexiteit, grotere datavereisten en verminderde interpreteerbaarheid ten opzichte van ensemble-methoden.

Hybride en ensemble-benaderingen

In de praktijk combineren de meest robuuste commerciële prognose-systemen meerdere modeltypen: een op fysica-gebaseerd of fundamenteel model dat de structurele drijvers van de prijs vastlegt (brandstofkosten, hernieuwbare dispatch, grensoverschrijdende stromen) wordt gecombineerd met een machine learning-laag die de residuele patronen vastlegt die het fundamentele model mist. De ensemble-output wordt vervolgens gekalibreerd op recente marktdata. Deze aanpak profiteert van de interpreteerbaarheid en structurele fundering van fundamentele modellering, terwijl het de patroonherkenningscapaciteit van machine learning benut.

Probabilistische voorspelling

Het produceren van een enkele puntprognose — een prijsschatting per leveringsperiode — is minder bruikbaar voor handels- en risicobeheer dan het produceren van een probabilistische prognose: een verdeling van mogelijke prijsuitkomsten, of op zijn minst een voorspellingsinterval. Kwantielregressie, conforme voorspelling en Bayesiaanse neurale netwerken maken probabilistische outputs mogelijk. Voor de optimalisatie van batterijopslag, bijvoorbeeld, is het kennen van de kans op een negatieve-prijsepisode in de komende twee uur beter bruikbaar dan het kennen van de verwachte prijs alleen, omdat de waarde van een opslagdispatchbeslissing afhangt van de volledige kansverdeling van uitkomsten, niet alleen van de centrale schatting.

AI onbalanssettlement-prijsvoorspelling

AI onbalanssettlement-prijsvoorspelling is een afzonderlijk en commercieel belangrijk deelprobleem. De onbalanssettlementprijs — in Nederland vastgesteld door TenneT als de balanceringsverantwoordelijke partij — weerspiegelt de kosten van de realtime balanceringsacties van TenneT en wordt toegepast op deelnemers wiens gemeten output of verbruik afwijkt van hun programma. Een deelnemer die kan anticiperen of de onbalansprijs hoog of laag zal zijn — en in welke richting — kan beter geïnformeerde beslissingen nemen over het sluiten van een open positie op de intradaymarkt of het accepteren van de settlementprijs.

Het voorspellen van de onbalanssettlementprijs is moeilijker dan het voorspellen van dag-ahead-prijzen, omdat die afhangt van realtime systeemgebeurtenissen die inherent minder voorspelbaar zijn. Machine learning-modellen getraind op historische balanceringsactiveringsdata, realtime opwekkingsprognosefoutdata en systeembalanssignalen kunnen echter nuttige probabilistische begeleiding bieden. De sleutelinputs zijn de huidige systeembalans (lang of kort), de richting en omvang van recente balanceringsactivaties en de residuele hernieuwbare prognose voor de komende uren. Deze signalen zijn gedeeltelijk in realtime observeerbaar via ENTSO-E transparantieplatformdata en de eigen publicaties van TenneT.

Het is belangrijk realistisch te zijn over wat een dergelijk model kan bereiken. De onbalansprijs wordt vastgesteld door acties genomen onder omstandigheden van echte onzekerheid door een systeembeheerder wiens exacte beslissingscriteria niet volledig openbaar zijn. Een probabilistische prognose die de richting van een positieaanpassing stuurt is nuttig; een model dat wordt gepresenteerd als hoge-betrouwbaarheid puntvoorspellingen van de settlementprijs, overschat zijn capaciteit en moet met scepsis worden behandeld.

AI voorspelling van hernieuwbare curtailment

AI voorspelling van hernieuwbare curtailment is steeds relevanter geworden naarmate netcongestie in Nederland — met name op de distributie- en subtransmissienetwerken in gebieden met hoge zonnedichtheid zoals Zeeland, Noord-Holland en delen van de provincie Utrecht — TenneT en regionale DSO's er toe heeft gebracht opwekking vaker te curtailen. Voor een zonne- of windopwekker met een handelspositie beïnvloeden curtailment-episoden de omzet direct. Voor een handelaar met een positie in een zone die door congestie wordt getroffen, verandert curtailment het effectieve aanbod en daarmee de prijs.

Machine learning-modellen kunnen leren de omstandigheden te identificeren waaronder curtailment waarschijnlijk wordt: combinaties van hoge hernieuwbare opwekkingsprognose, lage vraag, beperkte interconnectorruimte en lokale netstroombeperkingen die thermische limieten overschrijden. Dit zijn niet-lineaire wisselwerkingen die regelgebaseerde systemen slecht aankunnen. Een goed getraind curtailment-voorspellingsmodel biedt een probabilistisch signaal dat hedgingbeslissingen, opwekkingsplanning en batterijlaadstrategieën kan informeren in gebieden waar curtailmentrisico materieel is.

De eerlijke kanttekening is dat curtailment-beslissingen operationele oordeelsvragen van netbeheerders inhouden en niet puur worden bepaald door observeerbare inputs. Een model getraind op historische curtailment-episoden legt mogelijk geen nieuwe congestiesituaties of nieuwe regulatoire instrumenten vast die worden toegepast op netwerkbeheer. Curtailment-voorspelling behandelen als een signaal om op te nemen in een breder besluitvormingskader — niet als een binair curtailment/geen-curtailment-orakel — is het passende gebruik.

AI batterijopslag handelsoptimalisatie

AI batterijopslag handelsoptimalisatie is een van de hoogste-waarde-toepassingen van machine learning in de energiesector vandaag. Batterijopslagsystemen — of het nu utility-scale is of co-located met opwekking — kunnen inkomsten verdienen over meerdere gestapelde markten: dag-ahead arbitrage, intraday arbitrage, frequentiecontaineringsreserve (FCR), automatische frequentierestauratiereserve (aFRR) en onbalanssettlement. De uitdaging is dat de waarde in elke markt onzeker is en de laadtoestand van de batterij op elk moment de beschikbare capaciteit voor toekomstige acties beperkt.

Reinforcement learning- en model-predictief-controle (MPC)-benaderingen, geïnformeerd door prijsprognosemodellen voor elk van de gestapelde markten, kunnen dispatchbeslissingen sequentieel optimaliseren: op elk tijdstip bepalen of te laden, te ontladen of te wachten, gegeven de huidige laadtoestand, de huidige prijsprognose en de onzekerheid rondom die prognose. De optimalisatie is niet-triviaal omdat acties die nu worden genomen toekomstige optionaliteit beperken — een batterij die volledig geladen is tijdens een negatieve-prijsepisode kan niet verder opladen om latere prijsstijgingen te benutten.

Crux Digits bouwt machine learning-modellen die batterijdispatch-optimalisatie informeren, waarbij prijsprognose-signalen over dag-ahead en intradaymarkten worden gecombineerd met probabilistische curtailment- en onbalansprijsinputs. De architectuur is altijd transparant over wat een modeloutput is (onzeker) versus wat een fysieke beperking is (zeker), en dispatchregels zijn ontworpen met risicolimieten die voorkomen dat de optimalisatie posities inneemt waarvan de downside de risicotolerantie van de beheerder overschrijdt.

Datavereisten voor AI energieprijsvoorspelling

De kwaliteit van elk AI-prijsprognose-systeem wordt fundamenteel beperkt door de kwaliteit en volledigheid van de invoerdata. Dit zijn de kernvereisten voor een goed gebouwd Nederlands elektriciteitsprijsprognose-systeem:

• Historische EPEX SPOT dag-ahead veilingprijzen: Uurlijkse clearingprijzen voor de Nederlandse (NL) hub, bij voorkeur minimaal vier tot vijf jaar om meerdere marktregimecycli te bestrijken, inclusief de gasprijspiek 2021-22 en de daaropvolgende normalisatie.
• Intradaytransactiedata: Als een intradaymodel wordt gebouwd, continue intradaytransactiedata van EPEX SPOT op 15-minutenresolutie, inclusief verhandeld volume per leveringsperiode.
• Hernieuwbare opwekkingsprognoses en actuals: Wind- en zolopwekkingsprognoses — zoals uitgegeven vóór de gatesluitingstijd van de dag-ahead-veiling — en werkelijk gemeten output. Het verschil hiertussen (prognosefout) is een sleuteldrijver van intradayprijsbewegingen.
• Brandstofprijsdata: TTF aardgasfutures-prijzen (frontmaand en prompt), ARA-kolen en EU ETS koolstofrechten (EUA frontmaand).
• Weerdata: Temperatuur, windsnelheid en -richting, zonnestraling en bewolking, zowel prognose als actueel, op ruimtelijke resolutie passend bij de opwekkingsassets die het meest van belang zijn voor Nederlandse prijzen — inclusief offshore windzones en grote zonregio's.
• Grensoverschrijdende stroom- en interconnectorcapaciteitsdata: Net Transfer Capacities (NTC's) of Flow-Based Market Coupling-parameters voor de Nederlandse grenzen, beschikbaar via ENTSO-E transparantieplatform.
• ENTSO-E transparantiedata: Totale belasting actueel en prognose, opwekking per bron (actueel en prognose), grensoverschrijdende fysieke stromen. Allemaal openbaar beschikbaar via het ENTSO-E Transparantieplatform — een fundamentele databron voor elk Europees elektriciteitsprijsmodel.
• TenneT balanceringsdata: Onbalanssettlementprijzen, geactiveerde balanceringsenergievolumes en systeembalanssignalen, gepubliceerd door TenneT voor het Nederlandse regelgebied.

Onze data-engineering-praktijk ontwerpt en onderhoudt de pipelines die deze databronnen verzamelen, schoonmaken en uitlijnen in een consistente trainings- en inferentieomgeving. Betrouwbaarheid van de datapipeline is geen bijzaak — een prijsprognosemodel dat verouderde of ontbrekende features ontvangt, verslechtert stil op manieren die voor het handelsteam mogelijk niet direct zichtbaar zijn.

Praktische checklist voor het inzetten van een AI-prijsprognosemodel

• Definieer de beslissing die het dient: Informeert dit model dag-ahead biedhoeveelheden, intradaypositieaanpassingen, batterijdispatch, onbalansmanagement, of alles hierboven? Elke use case heeft verschillende horizon-, nauwkeurigheids- en latentisvereisten.
• Stel een prestatiebasislijn vast: Wat bereikt je huidige prognosemethode in termen van gemiddelde absolute fout (MAE), wortelgemiddelde kwadratische fout (RMSE) of economische waarde (positie P&L-verbetering)? Het AI-model moet deze basislijn overtuigend overtreffen om de bouw te rechtvaardigen.
• Gebruik walk-forward validatie: Evalueer een prijsprognosemodel nooit op in-sample data of eenvoudige trein-/testsplitsingen. Gebruik walk-forward (uitbreidend venster of rollend venster) validatie over meerdere marktregimes, inclusief volatiele perioden.
• Bouw probabilistische outputs: Puntprognoses zijn minder bruikbaar dan voorspellingsintervallen of volledige voorspellingsverdelingen voor handels- en risicobeheer-toepassingen. Ontwerp voor probabilistische output vanaf het begin.
• Verwerk risicolimieten: Het model moet een prognose en een betrouwbaarheidssignaal produceren; je handelssysteem moet risicolimieten toepassen (maximale positiegrote, stop-loss-drempels, maximale modelleeftijd vóór menselijke beoordeling) die het nadeel beperken als het model het mis heeft.
• Plan voor hertraining en monitoring: Markten veranderen. De gasprijspiek van 2021-22 maakte modellen ongeldig die waren getraind op het voorgaande decennium van relatief laag-volatiele Europese gasprijzen. Bouw monitoring- en hertrainingsfrequentie in het operationele ontwerp in vanaf dag één.
• Beoordeel de toepasselijkheid van de EU AI Act: AI-systemen die worden gebruikt in energiemarkhandeloperaties kunnen regulatoire aandacht trekken, afhankelijk van de schaal van de deelnemer en hoe de modeloutput wordt gebruikt. Documenteer het doel van het model, het validatierecord en de menselijke toezichtmechanismen.

Eerlijke grenzen: wat AI-prijsvoorspelling niet kan doen

Prijsvoorspelling is een van de moeilijkste problemen in toegepaste machine learning, precies omdat elektriciteitsmarkten competitief zijn: als een prognose-voordeel perfect betrouwbaar zou zijn, zou het worden weggearbitreerd door marktdeelnemers die er op handelen. Meerdere structurele grenzen gelden voor elk AI-prognosesysteem in dit domein.

Extreme gebeurtenissen — de negatieve prijspieken die optreden tijdens perioden van zeer hoge hernieuwbare opwekking en lage vraag, en de prijspieken die optreden tijdens koude golven of aanbodsschokken — zijn inherent moeilijk met hoge betrouwbaarheid te voorspellen, omdat ze worden gedreven door combinaties van factoren die zelden voorkomen in trainingsdata. Een model gekalibreerd op normale marktomstandigheden zal de kans en omvang van staartgebeurtenissen onderschatten. Aparte stresstestframeworks, gebaseerd op scenarioanalyse in plaats van puur statistische extrapolatie, zijn nodig om staartrisico te beheren.

Geopolitieke en beleidsmatige discontinuïteiten kunnen niet worden gemodelleerd. De aanbodstoringen van 2022 en de effecten op Europese gasprijzen waren niet voorspelbaar uit historische elektriciteitsprijsdata. Een model dat pretendeert prijzen te voorspellen over geopolitieke regimewisselingen heen, overschat zijn capaciteit. Fundamentele scenarioanalyse — wat gebeurt er met Nederlandse dag-ahead-prijzen als het gasaanbod vanuit een grote bron materieel vermindert — vereist menselijk oordeel en scenarioconstructie, geen machine learning.

Modelveroudering is reëel en gaat in markten sneller dan in veel andere domeinen. Naarmate meer deelnemers vergelijkbare ML-benaderingen gebruiken, kan de informatiewaarde van de signalen die die benaderingen benutten verminderen. Modelprestaties bewaken in productie — niet alleen bij inzet — en een proces hebben voor het diagnosticeren en aanpakken van degradatie is een kernoperationele vereiste, geen bijzaak.

Hoe Crux Digits energieprijsvoorspellingsopdrachten aanpakt

Crux Digits is een leveranciersonafhankelijk AI-adviesbureau gevestigd in Utrecht, en werkt met energiehandelaren, nutsbedrijven en balanceringsverantwoordelijke partijen door heel Nederland en de bredere EU. Wij bouwen elektriciteitsprijsvoorspellingsmodellen voor Nederlandse handelaren en nutsbedrijven voor dag-ahead en intradaymarkten, gefundeerd in robuuste data-engineering, eerlijke modelevaluatie en productiegereedde inzetpraktijken.

Ons engagementmodel is ontworpen om op elk stadium transparant te zijn over onzekerheid. We beginnen met een datareadiness-beoordeling — begrijpen welke data je hebt, wat ontbreekt en welk data-acquisitiewerk nodig is voordat het modelbouwen kan beginnen. We bouwen vervolgens een gevalideerd basislijnmodel en benchmarken dat rigoureus ten opzichte van je bestaande prognosemethode met walk-forward-evaluatie over meerdere marktregimes. Pas wanneer de basislijn een echte verbetering ten opzichte van je huidige aanpak laat zien, gaan we over tot een volledige productie-build.

We bestrijken de volledige stack: de machine learning-modelleerlaag, de data-engineering-infrastructuur die realtime en historische data in het model voedt, en de AI-implementatie die prognose-outputs integreert in je handelssystemen, risicobeheerplatform of batterijdispatchcontroller. We leggen geen cloudplatform of modelleverancier op — de architectuur wordt gekozen om te passen bij je operationele omgeving en de capaciteit van je team om die na overdracht te bezitten en te onderhouden.

Onze case studies illustreren de soorten energie- en nutsproblemen waaraan we hebben gewerkt, en onze prijzenpagina legt uit hoe opdrachten doorgaans zijn opgebouwd. Als je een specifiek prognose-uitdaging hebt — dag-ahead prijsonzekerheid, intraday-positionering, onbalansmanagement of batterijoptimalisatie — neem dan contact op voor een gratis eerste gesprek. We geven je een eerlijke beoordeling van wat haalbaar is met jouw data en in jouw marktcontext, zonder te veel te beloven.

Voor publieke referentiedata is het ENTSO-E Transparantieplatform de primaire openbare bron voor Europese elektriciteitsopwekking, belasting en grensoverschrijdende stroomdata, en is een essentiële input voor elk geloofwaardig prijsprognosemodel voor de Nederlandse en bredere Europese markt.

Veelgestelde vragen