Via het platform van Deftpower kunnen EV-rijders beloningen verdienen door slim te laden. Dit is een fijn zakcentje, maar doorgaans niet de moeite waard voor bestuurders om handmatig hun vertrektijd in te voeren, terwijl die vertrektijd essentieel is voor het optimaliseren van slim laden. Daarom wilde Deftpower het bepalen van vertrektijden automatiseren met behulp van AI.

Deftpower en Datacation vormden een blended team van data scientists. Ons doel: het ontwikkelen van een state-of-the-art model dat vertrektijden van EV's voorspelt op basis van patronen in de laadgeschiedenis van gebruikers. Dit bleek uitdagend, omdat het rijgedrag van bestuurders sterk fluctueert en zelfs de bestuurders zelf niet hun exacte vertrektijd weten. Om met deze onzekerheid om te gaan, verwerkte we een zekerheidsniveau in het model dat aangeeft met welke waarschijnlijkheid een voorspelling juist is. Hiermee kan Deftpower alleen voorspellingen tonen met hoge zekerheid en voorspellingen achterwege laten waarbij geen helder gedragspatroon aanwezig is. 

De AI-gegenereerde vertrektijden zijn inmiddels geïntegreerd in de laadapps van de klanten van Deftpower. Voorspellingen worden alleen getoond wanneer het model voldoende vertrouwen heeft, terwijl gebruikers altijd de mogelijkheid behouden om hun eigen vertrektijd in te voeren of de voorspelling te overschrijven. Dit heeft geleid tot een toename in succesvolle slim-laadsessies, wat resulteert in hogere beloningen voor bestuurders en netbewust laadgedrag.

Onze samenwerking met Deftpower wordt voortgezet met de ontwikkeling van forecastingmodellen voor de energiemarkt. Deze modellen helpen bij het verhandelen van energieflexibiliteit door geaggregeerde laadsessies te behandelen als een virtuele energiecentrale. Door op grote schaal de laadmomenten van EV-rijders te verschuiven draagt Deftpower bij aan een stabieler en veerkrachtiger energienet.