Duurzame elektrische auto-adoptie met clustering en voorspellende modellering voor optimale laadinfra in de West Midlands en Noordoost-Engeland

Waarom slimmer laden ertoe doet voor dagelijkse bestuurders

Overschakelen van benzine naar elektrische auto’s belooft schonere lucht en lagere gebruikskosten, maar alleen als bestuurders gemakkelijk en betrouwbaar kunnen opladen. Deze studie kijkt naar hoe echte eigenaars van elektrische voertuigen (EV) in twee Engelse regio’s hun auto’s gebruiken en opladen, en past vervolgens geavanceerde data-instrumenten toe om betere laadnetwerken te ontwerpen. Door te begrijpen wie EV’s rijdt, hoe ze opladen en wat voor hen het belangrijkst is, laat het werk zien hoe steden en regio’s laadpunten kunnen uitrollen op een manier die naadloos aanvoelt voor gewone bestuurders in plaats van frustrerend of riskant.

Twee regio’s, veel verschillende EV-verhalen

De onderzoekers richtten zich op 256 EV-eigenaars uit de Noordoost- en de West Midlands, twee Britse regio’s met contrasterende inkomens, vestigingspatronen en vervoersnetwerken. De meeste respondenten waren werkende volwassenen, vaak met hoger onderwijs en bovengemiddelde inkomens, maar de steekproef uit de West Midlands bevatte veel meer huishoudens met hoge inkomens. Mensen in beide gebieden bezaten voornamelijk volledig elektrische auto’s in plaats van plug-in hybriden, en de meesten reden pas een paar jaar elektrisch, wat de recente sterke toename van EV-verkopen weerspiegelt. Waarom ze overstapten verschilde echter per regio: in het Noorden waren kostenbesparingen de belangrijkste reden om een EV te kopen, terwijl in de West Midlands milieubezorging een grotere rol speelde, ook al bleef geld een factor. Deze verschillen suggereren dat ‘one size fits all’-beleid kan voorbijgaan aan wat verschillende gemeenschappen motiveert.

Hoe mensen daadwerkelijk opladen en reizen

Dagelijks laadgedrag bleek verrassend gestructureerd. De meeste bestuurders in beide regio’s laadden hun auto één of twee keer per week en reden vrij bescheiden afstanden per dag, vaak tussen de 10 en 30 kilometer. Lange dagelijkse ritten boven 100 kilometer waren zeldzaam. Wanneer ze moesten opladen, gaven 85% de voorkeur aan snelladers met gelijkstroom, vooral wanneer hun accu laag was. Mensen waren over het algemeen bereid slechts korte afstanden te reizen voor een laadbeurt: tot 3 kilometer voor de meeste respondenten, en heel weinig waren bereid verder te gaan dan 9 kilometer. Wachttijd was een belangrijk pijnpunt. Velen wilden minder dan 20 minuten wachten voordat een lader vrij was, en slechts een kleine minderheid accepteerde langere wachtrijen. Laden gebeurde doorgaans ’s avonds of ’s nachts, wanneer elektriciteit goedkoper is en de wegen rustiger, en sessies duurden vaak drie tot zes uur, wat wijst op gepland, routinematig laden in plaats van noodladingen.

Gebruikers groeperen en voorspellen wat ze nodig zullen hebben

Om voorbij eenvoudige gemiddelden te gaan, bouwden de auteurs een geïntegreerd platform dat ze ISE-CAP noemen. Eerst gebruikten ze clusteringtechnieken om bestuurders in elke regio in drie brede groepen te verdelen, gebaseerd op hoe vaak ze opladen, hoeveel ze rijden en hun bereidheid om te wachten of om te rijden voor een laadpunt. Sommige clusters vertegenwoordigden zware gebruikers die langere afstanden rijden en meer op openbaar laden vertrouwen; andere waren vooral thuisladers met kortere, voorspelbare ritten. Vervolgens trainde het team computermodellen om laadgedrag te voorspellen, zoals hoe lang een sessie zou duren, gebruikmakend van informatie over rijpatronen, inkomen, opleiding en voorkeuren voor laders. Deze modellen waren zeer nauwkeurig binnen de steekproef, vooral in het compactere Noorden, waar gedrag uniformer was en het laadnetwerk geconcentreerder.

Wat echt keuzes voor laders bepaalt

De onderzoekers vroegen toen: welke factoren beïnvloeden mensen echt bij de keuze van een laadpunt? Met een uitlegbare modelleerbenadering vonden ze drie kenmerken die in beide regio’s opvielen: hoe lang het laden zou duren, of een lader in realtime beschikbaar was, en hoeveel het zou kosten. Afstand tot de lader speelde ook een rol, maar mensen waren vooral gevoelig voor het idee om aan te komen en geen vrije stekkers te vinden. Veel bestuurders vertrouwden op mobiele apps of systemen in de auto om te zien welke laders vrij waren, en woordwolk-analyse van open reacties benadrukte herhaalde oproepen voor “meer stations”, betere onderhoud en verbeterde betrouwbaarheid. Kortom: bestuurders willen snelle, dichtbij gelegen laders die betrouwbaar werken als ze aankomen, tegen prijzen die redelijk aanvoelen.

Van data naar betere laadkaarten

Ten slotte werd het ISE-CAP-platform in computersimulaties gebruikt om te testen waar nieuwe laders geplaatst moesten worden. De modellen wogen voorspelde vraag, hoe ver mensen zouden moeten rijden om een lader te bereiken, en hoe extra laadverkeer het elektriciteitsnet zou belasten. Over vele gesimuleerde runs vond het systeem indelingen die de gemiddelde rijafstand naar laders verminderden en tegelijk de netbelasting onder controle hielden. Hoewel deze optimalisatieresultaten nog niet in de praktijk getest zijn, laten ze zien hoe het combineren van enquête-inzichten, voorspellende modellen en proef-en-fout-simulaties slimmer infra-plannen kan sturen die zijn toegesneden op de patronen van elke regio in plaats van op landelijke gemiddelden.

Wat dit betekent voor de toekomst van EV-rijden

Voor een leek is de kernboodschap dat EV-succes niet alleen gaat om het bouwen van meer aansluitingen, maar om het plaatsen van de juiste soorten laders op de juiste plekken voor de mensen die ze daadwerkelijk gebruiken. Deze studie toont aan dat de meeste huidige EV-rijders snelle, nabijgelegen, betrouwbare laders en duidelijke informatie over beschikbaarheid willen, en dat deze voorkeuren subtiel verschillen tussen regio’s met verschillende inkomens en indelingen. Door gebruikers in gedragstypen te groeperen, vraag te voorspellen en de sleutelvariabelen achter hun keuzes te verklaren, biedt het ISE-CAP-kader een praktische manier voor gemeenten, netbeheerders en planners om laadnetwerken te ontwerpen die handig en eerlijk aanvoelen. Als dit op grotere schaal wordt toegepast en verfijnd met grotere datasets, kan dit soort datagedreven planning het bezit van een EV vloeiender, goedkoper en aantrekkelijker maken voor veel meer bestuurders, en zo de overgang naar schoner vervoer versnellen.

Bronvermelding: Cavus, M., Wang, S., Deb, S. et al. Sustainable EV adoption with clustering and predictive modelling for optimal charging infrastructure in the West Midlands and North East UK. Sci Rep 16, 14457 (2026). https://doi.org/10.1038/s41598-026-43106-6

Trefwoorden: elektrische voertuigen, laadinfrastructuur, slimme steden, gebruikersgedrag, machine learning