Enexis moderniseert risicomodel voor graafschade met hulp van Xomnia
Om zijn risicomodel voor graafmeldingen te moderniseren en te operationaliseren, schakelde netbeheerder Enexis de hulp in van data- en AI-specialist Xomnia. Met een vernieuwd model is Enexis nu in staat om meldingen veel gerichter te beoordelen en risico’s sneller te prioriteren.
Enexis beheert een groot deel van het Nederlandse gas- en elektriciteitsnetwerk, een ondergrondse infrastructuur waarin talloze vitale kabels en leidingen elkaar kruisen. Om schade te voorkomen, beschikt de netbeheerder over een preventieteam van circa twintig experts, dat dagelijks bepaalt welke locaties extra aandacht nodig hebben.
Elke dag ontvangt Enexis zo’n 1.000 meldingen van geplande graafwerkzaamheden. Veel meldingen kunnen uitmonden in risicovolle situaties zoals kabel- en leidingschade, stroomstoringen of gevaren bij kritieke voorzieningen zoals ziekenhuizen en scholen.
Met capaciteit voor 30 bezoeken per dag bleef een groot deel van deze meldingen onbeoordeeld, terwijl het interne classificatiemodel onvoldoende transparant was en met verouderde datastructuren werkte. Strenger toezicht vergrootte bovendien de noodzaak om beter te kunnen verantwoorden hoe risico’s worden beoordeeld en gemitigeerd.
Zo ontstond een urgente behoefte aan een betrouwbaar en uitlegbaar voorspelmodel dat schaalbaar meebeweegt met de dagelijkse praktijk. Om dit mogelijk te maken schakelde Enexis data- en AI-specialist Xomnia in, die het model moderniseerde en operationaliseerde.
Xomnia begon het traject met het ontsluiten van de juiste data. Het oorspronkelijke geografische systeem waarin graafmeldingen (KLIC-meldingen) werden verwerkt, bood te weinig flexibiliteit voor integratie met interne databronnen. Daarom werd een nieuwe datapijplijn ontwikkeld waarmee elke graafmelding automatisch gekoppeld kan worden aan de onderliggende Enexis-assets: welke kabels liggen hier, hoeveel en hoe kritisch zijn ze?
“Xomnia heeft ons Data Science-team versterkt, zodat wij ons machine learning-model voor graafrisico’s optimaal kunnen beheren en monitoren.”
- Marinus Grond, Portfoliomanager Data Science, Enexis
Tegelijkertijd richtte Xomnia een moderne MLOps-architectuur op basis van MLflow en Airflow. Hierdoor konden modellen reproduceerbaar worden getraind, gepland en gemonitord en kunnen toekomstige wijzigingen in data of regelgeving eenvoudig worden doorgevoerd. Het model wordt bovendien wekelijks hertraind, zodat het meebeweegt met trends zoals seizoensdrukte of ontwikkelingen in de aanleg van glasvezel.
Van domeinkennis naar uitlegbare risicomodellen
Een belangrijk speerpunt was gebruikersadoptie. De preventieteams, voor wie het model uiteindelijk bedoeld is, werden daarom vanaf het begin wekelijks betrokken. In deze sessies gaven ze feedback, voegden contextuele factoren toe (zoals nabijheid van spoorlijnen of snelwegen) en hielpen bepalen welke signalen echt risicovol zijn.
Op basis hiervan bouwde Xomnia een probabilistisch model (logistische regressie) met sterke nadruk op uitlegbaarheid (explainable AI). Elke melding krijgt niet alleen een risicoscore, maar ook een duidelijke toelichting van de factoren die daaraan bijdragen – bijvoorbeeld het aantal kabels, het type infrastructuur of de nabijheid van kritieke voorzieningen.
Deze combinatie van datagedreven analyse en transparantie bleek cruciaal om het vertrouwen in het vernieuwde systeem te vergroten.
Beter prioriteren, duidelijkere verantwoording
De preventieteams ontvangen nu dagelijks een geprioriteerde lijst van alle graafmeldingen, verdeeld in categorieën als ‘hoog’, ‘middel’ en ‘laag’ risico. Hierdoor kunnen specialisten veel efficiënter bepalen welke locaties een inspectie of aanvullend advies nodig hebben.
Ook de interne verantwoording en rapportage richting de toezichthouder zijn eenvoudiger geworden: het model toont namelijk precies waarom een locatie risicovol is. Nieuw personeel kan bovendien sneller worden ingewerkt, doordat beslissingen minder afhankelijk zijn van impliciete, moeilijk overdraagbare kennis.
Technisch gezien beschikt Enexis nu over een toekomstbestendig, uitlegbaar en schaalbaar risicomodel én een robuuste dataketen, samen een krachtig instrument om graafschade te voorkomen en zo de veiligheid en continuïteit van de Nederlandse energie-infrastructuur te borgen.
