Kansrijke sporen

Rijksdienst voor Ondernemend Nederland (RVO), Centraal Bureau voor de Statistiek (CBS), ElaadNL en regionale netbeheerders zochten naar kansrijke sporen om private laadpunten beter te kunnen monitoren. Zij werken samen in het programma VIVET (Verbetering van de Informatievoorziening voor de Energietransitie). In de eerste fase zijn kansrijke sporen om private laadpunten in kaart te brengen onderzocht. In de tweede fase zijn deze kansrijke sporen verder verkend. Deze twee onderzoeken zijn in één publicatie in korte bondige notities samengevat.

Gebruik slimme meter data

Het gebruik van slimme data helpt hierbij. Op basis van een technische pilot zijn de eerste resultaten positief, het machine learning algoritme is in staat om patronen te herkennen en is in staat om met een nauwkeurigheidsscore van 95% laadpunten te detecteren. Er is vervolgonderzoek nodig om dit op grote schaal in te kunnen zetten.

Onderbouwde schatting

Op basis van het thuisadres van het elektrische voertuig en meerdere huis- en buurteigenschappen is een modelschatting gemaakt van het aantal private punten op gemeenteniveau. Dit geeft op hoofdlijnen inzicht in het aantal en de spreiding van thuislaadpunten.

Het onderzoek is interessant voor NAL-regio’s, netbeheerders en marktpartijen zoals fabrikanten en exploitanten van laadpalen.

Meer weten? Lees de rapportage Inzicht brengen in private laadpunten