Door kunstmatige intelligentie aangestuurde optimale oplaadstrategie voor EV met geïntegreerde verbetering van de stroomkwaliteit in elektriciteitsnetten

Waarom slimmer opladen ertoe doet

Nu elektrische voertuigen van nieuwigheid naar de norm verschuiven, worden onze stekkers net zo belangrijk als onze uitlaatpijpen. Miljoenen auto's die tegelijk opladen kunnen ongemerkt dezelfde kabels en transformatoren belasten die woningen, ziekenhuizen en fabrieken van stroom voorzien. Dit artikel onderzoekt hoe kunstmatige intelligentie het opladen van EV's kan veranderen van een blinde energievraag naar een gecoördineerde, bijna onzichtbare dans met het net—zodat lampen stabiel blijven, apparatuur beschermd is en kosten onder controle blijven, terwijl bestuurders toch de benodigde actieradius krijgen.

De verborgen belasting op de leidingen

Vandaag laden de meeste elektrische auto's zodra ze zijn aangesloten, met alleen eenvoudige prijsverschillen op basis van tijd van de dag om gedrag te sturen. Wanneer veel bestuurders tegelijk opladen, kan de gecombineerde vraag wijkleidingen en transformatoren voorbij hun ontwerpgrenzen duwen. Snelladers, die gebruikmaken van vermogenselektronica, brengen een extra complicatie: zij kunnen de vloeiende sinusvorm van de netspanning vervormen, wat leidt tot flikkering, extra verwarming en voortijdige slijtage van gevoelige apparaten. De studie toont aan dat in een realistische voederlijn met 20 gemengde laders ongecontroleerd opladen spanningsschommelingen voorbij aanbevolen grenzen duwde en harmonische vervorming ver boven de industriestandaarden verhoogde.

Het netwerk leren vooruit te kijken

Om deze uitdaging aan te pakken, geven de auteurs het net eerst een vorm van vooruitziendheid. Ze gebruiken een modern machine-learningmodel, de Temporal Fusion Transformer, om eerdere oplaadpatronen, netmetingen en ladertypen te bestuderen. Daarmee voorspelt het systeem, in fijne tijdstappen, niet alleen hoeveel vermogen nodig zal zijn maar ook hoe die vraag naar verwachting spanning en golfvormen zal verstoren. In plaats van alleen de totale belasting te voorspellen, anticipeert het op stressindicatoren—zoals hoe ver de spanning kan afwijken en hoe vervormd de stroom kan worden—zodat correctieve maatregelen kunnen worden voorbereid voordat problemen optreden.

Een AI-coach de laders laten coördineren

Voorspellingen alleen beschermen het net niet; beslissingen doen dat. Het tweede onderdeel van het raamwerk is een leergebaseerde controller die elk regelinterval als een nieuwe zet in een lang spel behandelt. Deze controller, getraind met een methode bekend als deep reinforcement learning, experimenteert in simulatie met verschillende manieren om het opladen van voertuigen te vertragen, te versnellen of te verschuiven. Hij krijgt beloningen wanneer hij spanningen dicht bij hun ideale waarde houdt, golfvormvervorming reduceert, elektriciteitskosten laag houdt en tegelijk batterijen op tijd laadt. Over duizenden episodes ontdekt hij oplaadpatronen die de behoeften van bestuurders in balans brengen met de gezondheid van het net, pieken vermijden en de vraag gelijkmatiger over dag en nacht spreiden.

De stroom schoner maken terwijl die vloeit

Zelfs met zorgvuldige planning zijn er momenten die het net dicht bij zijn limieten brengen. Voor die tijden voegt het raamwerk een laatste laag toe: een stroomkwaliteitsoptimizer die is gekoppeld aan apparaten die blindvermogen kunnen injecteren of absorberen en elektrische ruis kunnen filteren. Deze optimizer verfijnt het laadplan van de controller zodat spanningen binnen smalle veiligheidsbanden blijven en harmonische vervorming aan strikte normen voldoet. Hij beslist wanneer een distributiecompensator en harmonische filters moeten worden geactiveerd en kiest instellingen die de stroom schoon houden terwijl extra energieverliezen en bedrijfskosten worden geminimaliseerd.

Wat de simulaties laten zien

Met een gedetailleerd computermodel van een 11 kV distributielijn die 20 verschillende EV-laders voedt, vergelijken de auteurs ongecontroleerd laden met hun AI-gestuurde aanpak. Met het slimme systeem actief daalt de gemiddelde harmonische vervorming met bijna een derde en nemen de ergste pieken met meer dan twee derde af, waardoor het netwerk weer binnen de aanbevolen grenzen komt. Spanningsschommelingen krimpen en de tijd die het systeem buiten de veilige band doorbrengt wordt ongeveer voor driekwart verminderd. De gemiddelde cosinus phi—een maat voor hoe efficiënt het net bruikbare energie levert—stijgt van een randwaarde naar ruim boven de typische eis. Tegelijk vermindert het raamwerk de totale bedrijfskosten, grotendeels door verspilde pieken en onnodige verliezen te vermijden.

Bestuurders en het net in balans

Voor niet-specialisten is de belangrijkste conclusie dat het probleem niet de elektrische auto's zelf zijn, maar hoe en wanneer ze energie afnemen. Deze studie toont aan dat met de juiste mix van voorspelling, adaptieve sturing en gerichte hardware voor schoonmaak, grote aantallen EV's in bestaande netten kunnen worden geïntegreerd zonder lampen te dimmen of apparatuur te beschadigen. Het voorgestelde AI-gebaseerde systeem fungeert effectief als verkeersleider voor elektronen, die oplaadsessies stuurt zodat batterijen op tijd vol raken, het net binnen zijn comfortzone blijft en de totale exploitatiekosten dalen. Schaalvergroting van dit soort slimme coördinatie zou grootschalige adoptie van EV's veel gemakkelijker en goedkoper kunnen maken dan simpelweg het net overdimensioneren.

Bronvermelding: K, S., C, M. Artificial intelligence-driven optimal charging strategy for EV with integrated power quality enhancement in electric power grids. Sci Rep 16, 10884 (2026). https://doi.org/10.1038/s41598-026-36546-7

Trefwoorden: opladen van elektrische voertuigen, slim net, kunstmatige intelligentie, stroomkwaliteit, duurzaam vervoer