Met AI kunnen we beter voorspellen hoe het op korte termijn zal gaan met vraag en aanbod op het elektriciteitsnet. Bij Stekker gaan we AI en machine learning gebruiken om betere laadplanningen af te kunnen leveren.
Met het slim laden van voertuigen, probeer je zoveel mogelijk te laden als de zon schijnt of de wind waait. Het voordeel is dan niet alleen dat de stroom schoon is opgewekt, het betekent meestal ook dat de stroom dan een stuk goedkoper is. De laatste tijd is het namelijk zo druk op het stroomnet, dat naar slimme oplossingen wordt gezocht om die duurzame energie op te slaan, zoals in de batterijen van elektrische auto's.
Dat is niet makkelijk. De wind kan minder sterk dan voorspeld, een wolk kan makkelijk voor zon komen: exact weten wanneer welk voertuig moet laden, is een hele specifieke puzzel die we bij Stekker proberen op te lossen.
Machine learning
Met AI kunnen we grote hoeveelheden data doorlopen en daar een kansberekening met grote zekerheid uithalen. We kunnen zo steeds beter voorspellen wat het weer morgen doet, hoeveel stroom er beschikbaar zal zijn, en hoe het op korte termijn zal gaan met vraag en aanbod op het elektriciteitsnet.
In deze blog willen we je even meenemen in deze ontwikkelingen - en uitleggen op welke manieren we bij Stekker AI willen inzetten om beter laadplanningen af te kunnen leveren.
De stroom van morgen goed voorspellen aan de hand van het weer
Hoe beter Stekker kan voorspellen hoe de stroom situatie morgen is, hoe beter we slim kunnen laden. Daarom zijn we bezig om ons algoritme beter gebruik te kunnen laten maken van weersvoorspellingen. Want hoe eerder we weten of morgen de zon schijnt of de wind waait, hoe beter de laadplanning uiteindelijk is.
Laadniveau bepalen
Eén van de problemen waar we bij Stekker mee te maken hebben, is dat het soms onduidelijk is hoe vol de batterij van een voertuig is. Auto’s vertellen dit vaak niet als we verbinding met ze maken, meestal is dit begrenst vanuit de fabrikant van de auto.
Dat is een probleem. Want stel, een auto heeft nog maar 10% en wil naar de 90% laden, dan moeten we het verschil goed kunnen inplannen. Voor die 80% verschil die dan geladen moet worden, kan de Stekker app een uitgebreide laadplanning maken, die misschien wel een halve dag kost om slim geladen te worden.
Maar als wij bij Stekker niet weten hoe vol de auto is, dan wordt het ingewikkeld. Stel dat hij al 60% vol is en naar 90% moet, dan volgt daar een totaal andere planning uit dan wanneer de auto vrijwel leeg aan de lader wordt gezet. En dat is een flinke uitdaging.
Dankzij AI kunnen we proberen te kijken hoe vol auto’s over het algemeen zijn op het tijdstip van de dag en de locatie van het laden. Dat is geen ideale situatie, maar het zou kunnen helpen bij het oplossen van deze uitdaging.
Onbalans
Het elektriciteitsnet moet altijd vrijwel perfect in balans zijn: productie van stroom moet gelijk zijn aan de afname van stroom, anders wordt het net instabiel, loopt het voltage op, en dienen tal van problemen zich aan. Daarom wordt elke vijftien minuten een update gegeven van hoe het met deze balans tussen vraag en aanbod.
Op dit moment komt die data live van Tennet af. Maar stel dat we betere modellen beschikbaar hadden, die de toekomst beter zouden kunnen voorspellen, dan zouden we een nog scherpere laadplanning kunnen instellen tijdens het laden.
Bovenop de actuele weerdata en de stroomprijs, willen we ook gaan proberen te forecasten op deze ‘onbalans’: kijken of we kunnen voorspellen wanneer het stroomnet instabiel wordt - en kijken of we het laden kunnen gebruiken om hierbij te helpen. We zijn nog actief aan het kijken of een dergelijke stap kan helpen om het laden nog schoner en nog goedkoper te maken.
