We zitten in een energiecrisis: we draaien massaal de verwarming een graadje lager, we zetten zonnepanelen op ons dak en proberen zo kort mogelijk te douchen. Tegelijkertijd zitten we ook midden in een energietransitie: we willen zo snel mogelijk van het gas af en onze benzineslurpende auto’s vervangen voor de elektrische variant. Toch kleeft er een probleem aan het toenemend aantal elektrische auto’s: ons stroomnetwerk raakt overbelast doordat de meeste elektrische autobezitters tijdens de stroompiek opladen. Tristan Wennink, masterstudent Economics and Operations Research, keek in zijn stageonderzoek bij Stedin hoe deze laadpiek verspreid kan worden over andere tijden.

De gebruikelijke stroompiek vindt plaats tussen 16:00 en 20:00, wanneer er in Nederland massaal wordt gekookt, gedoucht, tv gekeken én nu dus ook steeds meer elektrische auto’s worden opgeladen. Nu kunnen we deze piek nog aan, maar het stroomnet zou het niet meer aankunnen als het aantal elektrische auto’s blijft stijgen. De prijs van elektriciteit verhogen tijdens spitsuren, ook wel prijsdifferentiatie genoemd, is de mogelijke oplossing van dit probleem. Vaak hoeft een elektrische auto pas de volgende dag weer een volledige batterij te hebben, dus door mensen aan te moedigen om bijvoorbeeld ’s nachts op te laden voor een lagere prijs, zou de stroompiek kunnen ontlasten.

Mijn stageonderzoek bij Stedin, een regionale Nederlandse netbeheerder, ging over de vraag hoeveel laadpalen er in een bepaalde wijk op een specifieke tijd aan het laden waren. Ik probeerde dit door middel van een data science-techniek te voorspellen, zodat we van tevoren zouden weten wat de totale laadbehoefte zou zijn van de elektrische auto’s in de wijk. Deze techniek voorkomt dat er op korte termijn gigantische investeringen nodig zijn, zoals het stroomnet versterken en nieuwe kabels aanleggen. In plaats daarvan konden we de extra druk op ons huidige stroomnetwerk verlagen door de prijzen van de laadpalen in de nacht te verlagen. Van zieke gewassen tot machine learning Er zijn talloze bekende voorbeelden van toegepaste data science. Eén daarvan is een model dat plantenziektes herkent door middel van foto’s. Dit algoritme is verwerkt in een app, die boeren kunnen gebruiken om verdachte plekjes op gewassen te scannen. Hierdoor kunnen ze vroegtijdig hun oogst beschermen tegen deze ziekte. Een ander voorbeeld van een data science-techniek is het gebruik van machine learning bij slimme apparaten, zoals een Google-assistent, SIRI of slimme beveiligingssystemen.

Daarnaast speelt kunstmatige intelligentie (AI) een steeds belangrijke rol in het automatiseren van systemen. Verschillende bedrijven in de plantenteelt zetten AI-modellen in om de totale productie in de kas te beheren, zoals de watersproei en het reguleren van de temperatuur. Het grote voordeel hiervan is dat de plantkundige meerdere kassen tegelijk kan beheren en niet per se in hetzelfde land hoeft te zijn. Voor die reden zouden we bijvoorbeeld dit soort kassen in Afrika kunnen neerzetten, waarbij een Nederlandse plantkundige samen met de lokale bevolking de kas onderhoudt. Naast dat dit nieuwe banen creëert en de voedselproblemen kan verminderen door de vruchtbare grond, is dit ook nog eens positief voor de kennisoverdracht en ontwikkeling van ontwikkelingslanden.

Bovenstaande vraagstukken zijn ontzettend interessant en belangrijk om over te praten. Wanneer een grens is bereikt, moeten we toch kijken naar een andere manier van omgaan met de voorziening. Data science helpt bij het openen van nieuwe deuren, omdat het op zoveel verschillende manieren gebruikt kan worden. Niet alleen is het relevant op economisch en maatschappelijk vlak, maar door de nieuwe ontwikkelingen kunnen we bijna alles doen. Het enige dat de limiterende factor is, is de beschikbaarheid van data zelf.