Nederland heeft ’s werelds eerste slimme laadplein op basis van machine learning
Royal HaskoningDHV heeft een wereldprimeur op het gebied van laden van elektrische auto’s: het bedrijfskantoor in Amersfoort is de eerste locatie ter wereld waar elektrische auto's slim worden geladen door middel van machine learning. De laadpalen worden beheerd door laadpaalexploitant Eneco eMobility, met slimme laadtechnologie van het GreenFlux-platform.
Met het groeiende aantal elektrische auto’s neemt ook de urgentie toe om het aantal laadpalen bij kantoorpanden te vergroten. Dit brengt echter kosten met zich mee: elektrische auto’s hebben veel stroom nodig, wat kan leiden tot hoge investeringen in de elektrische installatie. Met smart charging kunnen deze kosten aanzienlijk worden verlaagd, door ervoor te zorgen dat alle elektrische auto’s niet tegelijk worden geladen. Met deze innovatie, ontwikkeld door GreenFlux, ingezet door Eneco eMobility en toegepast bij het Living Lab Charging Plaza van Royal HaskoningDHV in Amersfoort, wordt slim laden nu naar een hoger niveau getild, waardoor er tot wel 3 keer meer laadpalen op een laadlocatie kunnen worden gerealiseerd dan wanneer 'normale' smart charging wordt toegepast.
Het innovatieve in deze oplossing is dat machine learning wordt gebruikt om te bepalen of in te schatten hoe laadlocaties fysiek zijn bedraad, gegevens die normaliter onvolledig en onbetrouwbaar zijn. Bij Royal HaskoningDHV bepaalt het algoritme in de loop van de tijd de topologie van hoe alle 3-fasen-elektriciteitskabels op elk afzonderlijk laadstation zijn aangesloten. Met behulp van deze topologie kan het algoritme optimaliseren tussen 1-fase- en 3-fasen-elektrische auto’s. Hoewel dit misschien een detail lijkt, kunnen er tot 3 keer zoveel laadstations op dezelfde elektrische infrastructuur worden geïnstalleerd. Lennart Verheijen, head of Innovation bij GreenFlux: ‘Nu dit onderdeel is getest en bewezen, kunnen we zoveel meer toevoegen. We kunnen dezelfde technologie gebruiken om te voorspellen hoeveel energie een auto nodig heeft en de vertrektijd van de berijder in te schatten.’
