Planmatig laadpalen plannen (met data)

Het is alweer ruim zeven jaar geleden dat ik mijn eerste stappen zette in de wereld van elektrisch vervoer. Met die zeven jaar behoor ik in het totaalpakket voor elektrisch rijden toch al een tijdje tot de ‘oude garde’. Ik heb die wereld sterk zien veranderen, zeker als het gaat om hoe we laadnetwerken bouwen. Zeven jaar geleden kreeg ik de vraag hoeveel laadpalen er moesten komen tot en met 2020? Een jaartal dat op dat moment nog ‘ver in de toekomst lag’ en er toch sterk werd getwijfeld of bij 200.000 elektrische auto’s in 2020 er niet een nulletje teveel stond. Zo hard zou het wel niet gaan lopen. Toch ging ik vol goede moet aan de slag en kwamen er op straat steeds meer laadpalen bij. De modellen die ik namens Over Morgen maakte, berekenden de benodigde aantallen per wijk, buurt en in het geval van Den Haag zelfs op bouwblokniveau. Zo werden de beste locaties gekozen met behulp van data en modellen. Want net als bij makelaars geldt voor laadpalen: locatie, locatie en locatie.

Datagedreven locaties

Toen datagedreven locaties eenmaal waren geïmplementeerd, werd het tijd om datagedreven te gaan plaatsen. Het adagium paal-volgt-auto was immers gangbaar. Je koopt een elektrische auto en na een mailtje naar de gemeente wordt een locatie in opdracht gegeven. Dat werkte in het begin van de transitie goed, maar met steeds grotere aantallen en een steeds grotere dynamiek tussen laadpalen, is dat op termijn niet vol te houden. Den Haag voerde daarom de ‘laadpaalmonitor’ in, een tool waarmee je overbelasting van je laadnetwerk al ruim van tevoren kan voorspellen om erop te acteren. Zelfs wiskundewetenschappers wilden zich aan de laadpaalpuzzel wagen. Voor de gemeente Den Haag bogen de Universiteit van Amsterdam en de Hogeschool van Amsterdam zich over het vraagstuk. Zij kwamen tot verschillende wiskundige methoden waarmee de ‘laadpaalmonitor’ werd gevuld.

Het is nu 2020 en datagedreven locaties zijn meer regel dan uitzondering. Het leeuwendeel van gemeenten maakt gebruik van modellen om laadlocaties te definiëren en vast te stellen. Het reactieve heeft plaatsgemaakt voor het planmatige en daar kan ik alleen maar tevreden over zijn.

Screenshot van de webapp van de gemeente Utrecht
Datagedreven plaatsing

Bovendien ben ik blij dat datagedreven plaatsing ook steeds gangbaarder wordt. Nadat Den Haag dit had ingevoerd en andere gemeenten volgden , is nu ook mijn eigen woonplaats Utrecht zover . Uit hun webapp kon ik zelfs opmaken dat ik een laadpaal in de buurt zou krijgen. Om het feest compleet te maken, zag ik van de week een heuse laadpaal staan. Mijn geluk kon niet op.

Het blije gevoel sloeg snel om in teleurstelling, toen ik erachter kwam dat er wel een paal stond met een verkeersbord erbij, maar er met geen mogelijkheid een laadsessie was te starten. De paal was nog niet aangesloten op het elektriciteitsnet. Je kan nog zo goed modelleren, maar systemen moeten wel met elkaar praten, transparant zijn en opvolging krijgen vanuit de organisaties erachter.

Compatibiliteit van systemen

De komende tijd zal dat dan ook de ontwikkeling zijn waarin ik mij meer en meer ga bevinden. Systemen die steeds meer geautomatiseerd taken uitvoeren en daarbij steeds beter met elkaar communiceren. Je hoeft niet allemaal dezelfde palen met dezelfde bestuurssystemen en dezelfde planningssoftware te gebruiken. Er is immers geen one size fits all. Een compatible systeem waarbij systemen met elkaar kunnen ‘praten’ is echter essentieel.

Want een gemeente, laadpaalexploitant of adviesbureau kan nog zoveel mooie dingen maken, uiteindelijk gaat het erom wat er op de grond gebeurt. Benieuwd hoe ik jouw organisatie kan helpen? Neem vooral even contact op voor een (digitaal) kopje koffie!

Laat een reactie achter

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *