UC
Unknown company
New
Data Scientist
Posted 9
views
Summary
Data Scientist on Stedin's (Dutch energy grid operator) Data Science Forecasting team, implementing and improving the OpenSTEF open-source model for short-term (<7 day) network-load forecasts across ~23,000 low-voltage transformers. Day to day: backtesting, benchmarking, model selection, ensembles and calibration to hit an ACM quality deadline in Q2 2027.
Data Scientist
Stedin Netbeheer B.V.
Blaak 8, 3011 TA Rotterdam, Nederland
Sluit over 2 dagen
40
Begindatum: 1 dec 2026
Einddatum: 1 jun 2027
Uren per week: 40
Maximum tarief: Dit is het maximale uurtarief. Onze dienstverleningfee is 10% van het afgesproken uurtarief.
Publicatiedatum: 8 okt 2026
Omschrijving
Stedin is op zoek naar een Projectcoördinator (Gas Netgedreven).
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
De opdracht omvat een volledig draaiende OpenSTEF implementatie voor de 23.000 LS transformatorpunten 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 betrouwb...
Stedin Netbeheer B.V.
Blaak 8, 3011 TA Rotterdam, Nederland
Sluit over 2 dagen
40
Begindatum: 1 dec 2026
Einddatum: 1 jun 2027
Uren per week: 40
Maximum tarief: Dit is het maximale uurtarief. Onze dienstverleningfee is 10% van het afgesproken uurtarief.
Publicatiedatum: 8 okt 2026
Omschrijving
Stedin is op zoek naar een Projectcoördinator (Gas Netgedreven).
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
De opdracht omvat een volledig draaiende OpenSTEF implementatie voor de 23.000 LS transformatorpunten 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 betrouwb...