Hogeschool van Amsterdam

Intelligente Data-gedreven Optimalisatie Laadinfrastructuur

03. Voorspellen

Binnen dit werkpakket worden voorspelmodellen ontwikkeld. Voorspelmodellen hebben als doel te informeren over de staat van de laadinfrastructuur in de nabije toekomst. Denk hierbij aan het voorspellen van bijvoorbeeld de bezettingsgraad of het kWh-verbruik. Deze informatie stelt professionals in de keten van laadinfrastructuur in staat besluiten te nemen over het al dan niet uitbreiden van de infrastructuur. Voorspelmodellen kunnen ook gericht zijn op de eindgebruiker: met hoeveel procent zekerheid kan ik op een bepaald tijdstip en dag bij een bepaalde laadlocatie terecht om te laden.

Modellen

Voorspelmodellen worden onderverdeeld in tijdreeksmodellen en causale modellen. Tijdreeksmodellen voorspellen op basis van historische data. Causale modellen baseren hun voorspellingen op correlaties die het onderliggende mechanisme benaderen. Een andere tak van sport binnen de voorspelmodellen zijn de zogenaamde machine learning modellen, waarbij op basis van een grote historische dataset (laadsessies) een algoritme wordt gegenereerd op basis waarvan voorspellingen gedaan worden. In de context van elektrische voertuigen zijn voorspelmodellen onder andere toegepast voor het voorspellen van de adoptie van elektrische voertuigen in een land of grote regio. 

Gepubliceerd door  IDO-Laad 19 januari 2016