Omschrijving
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
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 Python-code, tests, configuratie en reproduceerbare pipelines.
- Verbetering van monitoring op forecastkwaliteit, datakwaliteit en modelgedrag.
- Bijdragen aan OpenSTEF, bijvoorbeeld via issues, documentatie, reviews of pull requests, wanneer een verbetering ook voor de community waardevol is.
- Kennisoverdracht aan het team en heldere documentatie van keuzes, resultaten en vervolgstappen.
Eisen
- Afgeronde WO-opleiding in data science, econometrie, wiskunde, statistiek, elektrotechniek, computer science of een vergelijkbare richting
- Aantoonbare ervaring met time-series forecasting en machine learning in een professionele omgeving
- Zeer goede beheersing van Python, inclusief testing, code reviews en versiebeheer
- Ervaring met backtesting, experimentopzet, modelvergelijking en forecastmetrics
- Ervaring met productieomgevingen, MLflow/MLOps en bij voorkeur Databricks en Azure
Wensen
- Bekendheid met probabilistische forecasting, kalibratie, ensembles of foundation models
- Ervaring met open-sourceontwikkeling of bijdragen aan een technische community
- Competenties
- Analytisch vermogen: het snel toetsen van hypotheses
- Technische betrouwbaarheid: weten wat nodig is om een model betrouwbaar in een kritische productieketen te laten landen
- Communicatieve vaardigheid: helder communiceren met zowel technische collega's als businessstakeholders en het transparant vastleggen van keuzes
- Zelfstandigheid en samenwerking: zelfstandig werken, actief samenwerking zoeken en aantoonbaar kennis overdragen
Over de organisatie
Meer weten over deze organisatie? Lees wie ze zijn en welke opdrachten ze momenteel aanbieden.
