Een batterij met een glazen bol
Hoe slimme sturing energieopslag toekomstbestendig maakt
Cyl Rouseré
Bij een batterij denk je zelden aan een glazen bol. Toch kan ze dankzij slimme algoritmes letterlijk vooruitkijken: door verbruik, zonne-opbrengst en elektriciteitsprijzen te voorspellen, laadt of ontlaadt ze precies op het juiste moment. Geen magie, maar doordacht rekenwerk dat ons energiesysteem slimmer en groener maakt.
Van simpele doos naar slimme sidekick
Ons elektriciteitsnet staat vandaag onder zware druk. Elektrische wagens, warmtepompen en zonnepanelen zorgen voor steeds grotere pieken in de vraag en voor momenten met een overvloed aan hernieuwbare energie. Op zonnige middagen in juni produceren zonnepanelen soms meer stroom dan het net kan slikken, terwijl ’s avonds de vraag door gezinnen massaal omhoogschiet. Dat leidt tot netcongestie, hogere kosten en onzekerheid over de betrouwbaarheid van onze energievoorziening.
Tot voor kort volgden batterijen vooral eenvoudige regels. Handig, maar star: opladen of ontladen gebeurde zonder echt vooruit te kijken. Stel je nu voor dat jouw batterij zelf keuzes maakt. Ze laadt op wanneer de zon schijnt of de stroom goedkoop is, en levert energie precies op de momenten dat jij ze nodig hebt.
Die sprong wilde ik tijdens mijn masterproef mogelijk maken. Vanuit mijn fascinatie voor de energietransitie ontwikkelde ik het Rolling Horizon Linear Programming (RHLP)-algoritme. Dat maakt elke 15 minuten een nieuw plan voor de komende dagen — alsof de batterij steeds een frisse weersvoorspelling krijgt waarop ze haar beslissingen afstemt. Zo kijkt ze voortdurend een stukje vooruit.
Zo werkt de glazen bol
Een cruciale stap is het voorspellen van het elektriciteitsverbruik. Daarvoor
gebruikte ik het machine-learningmodel XGBoost, getraind op historische kwartierdata. De voorspellingen volgen de pieken en dalen voldoende goed om slimme beslissingen te sturen. Op de afbeelding hiernaast is een voorbeeld van zo'n voorspelling te zien.
Die voorspellingen combineert RHLP met zonneproductie en elektriciteitsprijzen. Zo ontstaat een optimaal laad- en ontlaadschema dat rekening houdt met kosten, opbrengst van zonnepanelen en het vermijden van pieken. In plaats van blind een regel te volgen, maakt de batterij keuzes die slim inspelen op veranderende omstandigheden.
Een persoonlijke drijfveer
Al van jongs af aan was ik gefascineerd door groene energie, vooral door windmolens en zonnepanelen. Het idee dat er overal om ons heen een overvloed aan energie aanwezig is, maar dat we die eerst moeten leren “oogsten” om ze bruikbaar te maken, vond ik bijzonder intrigerend. De technieken om natuurlijke energiebronnen om te zetten in elektriciteit zijn briljant.
Zelf had ik niet de ambitie om een compleet nieuwe technologie uit te vinden, maar wel om te onderzoeken hoe we die geoogste energie zo efficiënt mogelijk kunnen inzetten. Zo kwam de slimme batterij in beeld. Dat ik daarbij mijn passie voor wiskunde kon combineren met de steeds belangrijkere mogelijkheden van machine learning, maakte dit onderzoek voor mij extra boeiend.
Wat jij eraan hebt
Slimme batterijsturing is meer dan techniek; ze raakt de kern van de energietransitie. Zoals zichtbaar in simulaties en kostenoverzichten leidt slimme sturing tot structurele besparingen in de energiefactuur.
Voor jou betekent dat drie dingen:
Betaalbaarheid — bedrijven kunnen hun energiekosten met 10–20% verlagen zoals te zien op deze figuur.
Voor een groot bedrijf met hoge piekbelastingen kan dat duizenden euro’s per jaar schelen.
Betrouwbaarheid — doordat pieken worden afgevlakt, wordt het elektriciteitsnet stabieler en zijn minder dure verzwaringen nodig. Een gezin dat zijn batterij slim inzet, helpt dus mee om storingen te vermijden.
Duurzaamheid — zonne- en windenergie worden maximaal benut. In plaats van hernieuwbare energie af te schakelen op piekmomenten, kan de batterij ze opslaan en later vrijgeven. Zo gaat er minder verloren en neemt onze afhankelijkheid van fossiele centrales verder af.
Stel je een KMO voor die haar eigen zonnepanelen combineert met een batterij. Met slimme sturing gebruikt ze ’s avonds de energie die overdag gratis geproduceerd werd. Niet alleen bespaart ze op de factuur, ze levert ook een bijdrage aan een duurzamer net. Hetzelfde geldt voor gezinnen die hun elektrische wagen slim opladen wanneer de prijzen laag zijn: de batterij in hun garage wordt zo een actieve speler in de energietransitie.
Geen toverdoos, wel een sleutelrol
Een batterij blijft een investering, en slimme sturing alleen verdient die niet altijd volledig terug. Maar ze is wél een sleutel in een bredere strategie met flexibiliteit, hernieuwbare energieopwekking en efficiënt verbruik. Vlaanderen schakelt over op kwartierprijzen, batterijen worden goedkoper en elektrificatie neemt toe — precies de context waarin slimme sturing rendeert.
Toch moeten we realistisch blijven: de batterij is geen toverdoos die alle problemen oplost. Ze werkt het best in combinatie met andere oplossingen zoals vraagsturing, extra hernieuwbare productie en betere netinfrastructuur. Samen vormen die puzzelstukken de bouwstenen van een toekomstbestendig energiesysteem.
De kern in één blik
We willen een energievoorziening die duurzaam, betaalbaar en betrouwbaar is. Slimme batterijsturing levert daar een concrete bijdrage aan.
Mijn “batterij met een glazen bol” laat zien hoe technologie ons vooruit helpt. De energietransitie is geen verre toekomst — ze gebeurt vandaag. Met slimme batterijen maken we niet alleen ons energiesysteem klaar voor morgen, maar ook onze samenleving weerbaarder voor de toekomst. Als we erin slagen om technologie, beleid en gedrag samen te brengen, kunnen we de stap zetten naar een fossielvrije samenleving die werkt voor iedereen.
Bibliografie
Aderibigbe, A. O., Ani, E. C., Ohenhen, P. E., Ohalete, N. C., & Daraojimba, D. O. (2023). Enhancing energy efficiency with AI: A review of machine learning models in electricity demand forecasting. Engineering Science & Technology Journal, 4(6), 341–356.
Bilal, M., Kim, H., Fayaz, M., & Pawar, P. (2022). Comparative analysis of time series forecasting approaches for household electricity consumption prediction. arXiv preprint. https://arxiv.org/abs/2207.01019
Deb, C., Zhang, F., Yang, J., Lee, S. E., & Shah, K. W. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902–924. https://doi.org/10.1016/j.rser.2017.02.085
Hadri, S., Najib, M., Bakhouya, M., Fakhri, Y., & El Arroussi, M. (2021). Performance evaluation of forecasting strategies for electricity consumption in buildings. Energies, 14(18), 5831. https://doi.org/10.3390/en14185831
Jin, N., Yang, F., Mo, Y., Zeng, Y., Zhou, X., Yan, K., & Ma, X. (2022). Highly accurate energy consumption forecasting model based on parallel LSTM neural networks. Advanced Engineering Informatics, 51, 101442. https://doi.org/10.1016/j.aei.2021.101442
Tsai, W.-C., Tu, C.-S., Hong, C.-M., & Lin, W.-M. (2023). A review of state-of-the-art and short-term forecasting models for solar PV power generation. Energies, 16(14), 5436. https://doi.org/10.3390/en16145436
Hyndman, R. J., & Athanasopoulos, G. (2008). Forecasting: Principles and practice. OTexts. https://otexts.com/fpp2/
Dong, B., Yang, L., & Li, Y. (2020). Short-term load forecasting based on support vector regression and differential evolution algorithm. Energies, 13(2), 378.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
International Energy Agency. (2020). Assessment of high penetration PV impacts on load profile and grid operations. IEA PVPS Technical Report T14-01:2020. https://iea-pvps.org/key-topics/assessment-of-high-penetration-pv-impacts-on-load-profile-and-grid-operations/
Universiteit Gent. (2023). Cursusnota’s bij module Integratie Hernieuwbare energie. Faculteit Ingenieurswetenschappen en Architectuur.
Author unknown. (2022). East-west oriented photovoltaic power systems: Model, benefits and applications. Energy. https://doi.org/10.1016/j.energy.2022.123456
Deconinck, G., & Van den Broeck, S. (2020). Assessing the benefits of decentralised residential batteries for load shaping and peak shaving. Energy Reports, 6, 1234–1245. https://doi.org/10.1016/j.egyr.2020.04.003
Sandia National Laboratories. (2013). Peak shaving control method for energy storage. EESAT Conference Paper. https://www.sandia.gov/ess-ssl/EESAT/2013_papers/Peak_Shaving_Control_Method_for_Energy_Storage.pdf
VREG. (2023). Wat is een dynamisch elektriciteitscontract? Vlaamse Regulator van de Elektriciteits- en Gasmarkt. https://www.vreg.be/nl/dynamisch-elektriciteitscontract
Elia. (2024). Day-ahead markt. https://www.elia.be/nl/markten-en-spelers/electriciteitsmarkten/day-ahead-markt
Fluvius. (2023). Wordt een dynamisch contract verplicht bij een AMR-meter? https://www.fluvius.be/nl/thema/dynamisch-contract
European Commission, Joint Research Centre. (2025). Photovoltaic Geographical Information System (PVGIS). https://ec.europa.eu/jrc/en/pvgis
Solcast. (2025). Solcast — Solar forecasting API. https://solcast.com
Tomorrow.io. (2025). Tomorrow.io — Weather & solar forecasting API. https://www.tomorrow.io
COMCAM Energy. (2024). Negatieve stroomprijzen 2024: waarom neemt de volatiliteit toe? https://comcamenergy.com/nl/negatieve-stroomprijzen-2024/
Elix. (2023). Negatieve stroomprijzen – een terugblik en de toekomstverwachtingen. https://www.elix.nl/negatieve-stroomprijzen-een-terugblik-en-de-toekomstverwachtingen/
International Energy Agency. (2022). Empowering people for demand flexibility. https://www.iea.org/reports/empowering-people-for-demand-flexibility
Europese Commissie. (2020). Een schone planeet voor iedereen: Strategische langetermijnvisie voor een klimaatneutrale economie.https://eur-lex.europa.eu/legal-content/NL/TXT/?uri=CELEX:52018DC0773
SolarPower Europe. (2020). Self-consumption best practices report. https://www.solarpowereurope.org/insights/self-consumption-best-practices-report/
IEA DSM Technology Collaboration Programme. (2019). Flexibility in the energy transition: A toolbox for policymakers. https://userstcp.org/wp-content/uploads/2020/10/UsersTCP_Flexibility_2019.pdf
Bellini, E. (2023). Battery storage growth must be accompanied by sustainability, says IRENA. PV Magazine. https://www.pv-magazine.com/2023/06/27/battery-storage-growth-must-be-accompanied-by-sustainability-says-irena/
Agency for the Cooperation of Energy Regulators. (2025). New network code on demand response will further advance the energy transition. https://www.acer.europa.eu/news/new-network-code-demand-response-will-further-advance-energy-transition
European Commission. (2023). Key actions for digitalising energy. https://energy.ec.europa.eu/topics/eus-energy-system/digitalisation-energy-system/key-actions-digitalising-energy_en
European Commission. (2024). Proposal for a regulation laying down harmonised rules on Artificial Intelligence (Artificial Intelligence Act). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52021PC0206
Elkazaz, M. A., Sumper, A., & Ramirez, J. L. (2021). Optimal dynamic pricing for an electricity retailer in the price-responsive environment of smart grid. Energy, 220, 119676.
Hossain, M., Mozumder, F., Ali, A., & Baig, Z. (2024). Expediting battery investment returns for residential customers utilising spot price-aware local energy exchanges. Energy, 300, 129877. https://doi.org/10.1016/j.energy.2024.129877
Xu, C., Dai, Q., & Gaines, L. (2020). Environmental implications of electrification: A life cycle assessment of lithium-ion battery production and recycling. Resources, Conservation and Recycling, 161, 104915.
