Data Scientist

In het kort: Je gaat korte-termijnvoorspellingen van netbelasting verbeteren met OpenSTEF, experimenteren met forecastingmodellen, Python-pipelines bouwen, monitoring versterken en kennis delen binnen het team en de open-sourcecommunity.

Algemeen

Binnen het Data Science Forecasting team werk je aan betrouwbare korte-termijnvoorspellingen van de netbelasting. De opdracht is specifiek gericht op het implementeren van het OpenSTEF model voor alle LS transformatoren. OpenSTEF is het netbeheer breed open source forecasting package voor korte termijn (<7 dagen) voorspellingen van de netbelasting. Stedin gebruikt deze voorspellingen voor de dagelijkse operatie, met name voor capaciteitsmanagement en netveiligheidsanalyses. Voor eind Q2 2027 moet de kwaliteit inhoudelijk verbeterd zijn van alle MS transformator voorspellingen (23.000 assets) (ACM deadline).

Doel en inhoud van de opdracht

Volledig draaiende openSTEF implementatie voor de 23.000 LS tranformatorpunten met geïmplementeerde features voor kwaliteitsverbetering. Samen met data scientists, machine-learning engineers, de Product Owner en stakeholders bepaal je welke verbeteringen de meeste forecastwinst opleveren. Je onderzoekt, implementeert en valideert deze verbeteringen, met expliciete aandacht voor productiegeschiktheid, uitlegbaarheid en herbruikbaarheid.

• Analyse van de huidige forecastkwaliteit en selectie van locaties, horizons en situaties met het grootste verbeterpotentieel.
• Backtesting en benchmarken van OpenSTEF-methoden tegenover de bestaande referentie, met passende kwaliteitsmetrics en segmentatie.
• Verbeteringen voor lastige patronen, zoals flatlines, pieken, ontbrekende waarden, onvoorspelbare assets en beperkte historische data.
• Experimenten met modelselectie, ensembles, kalibratie en betrouwbaarheidsintervallen.
• Verkenning en validatie van foundation-model-capabilities zodra deze toepasbaar en verantwoord inzetbaar zijn.
• Vertaling van succesvolle experimenten naar onderhoudbare Pytho.