Search results

E-mobility

Smart charging in the Netherlands

As the Dutch electric vehicle (EV) fleet continues to expand, so will the amount of charging sessions increase. This expanding demand for energy will add on to the already existing strain on the grid, primarily during peak hours on workdays in the early morning and evening. This growing energy demand requires new methods to handle the charging of EVs, to distribute the available energy in the most effective way. Therefore, a large number of ‘smart charging’ initiatives have recently been developed, whereby the charging session of the EV is based on the conditions of the energy grid. However, the term smart charging is used for a variety of smart charging initiatives, often involving different optimization strategies and charging processes. For most practitioners, as well as academics, it is hard to distinguish the large range of smart charging initiatives initiated in recent years, how they differentiate from each other and how they contribute to a smarter charging infrastructure. This paper has the objective to provide an overview of smart charging initiatives in the Netherlands and develop a categorization of smart charging initiatives regarding objectives, proposed measures and intended contributions. We will do so by looking at initiatives that focus on smart charging at a household level, investigating the smart charging possibilities for EV owners who either make use of a private or (semi-)public charging point. The different smart charging initiatives will be analyzed and explicated in combination with a literature study, focusing on the different optimization strategies and requirements to smart charge an electric vehicle.

Smart Materials

Smart Materials, book of ideas is het resultaat van en unieke samenwerking. Deskundigen en leveranciers van smart materials, designers van drie Twentse ontwerpbureaus en studenten Industrieel Product Ontwerpen van Saxion twee intensieve dagen met veel plezier samengewerkt aan dit “Book of Ideas”. Het project “Smart Materials, Book of Ideas” is een van de deelprojecten van het RAAK project “Materialen in Ontwerp” dat van januari 2007 tot medio 2008 gelopen heeft bij het Saxion Kenniscentrum Design en Technologie. Het doel van dit project is het expliciet onder de aandacht brengen van de mogelijkheden van een nieuwe klasse materialen voor het MKB: de “Smart Materials”. Alles is “smart” tegenwoordig en iedereen heeft het over nieuwe mogelijkheden, maar over wat voor materialen en eigenschappen hebben we het eigenlijk? Het is de bedoeling niet alleen een droge opsomming te geven van de eigenschappen en mogelijkheden van smart materials. De mogelijkheden die deze nieuwe materialen kunnen bieden worden tastbaar gemaakt door allerlei creatieve toepassingen te laten zien in (verbeterde) bestaande producten en geheel nieuwe concepten. Op deze wijze wordt geïllustreerd hoe deze nieuwe materialen kunnen bijdragen aan de functionaliteit van een product. De creatieve toepassingen zijn het resultaat van de brainstorm-tweedaagse met materiaaldeskundigen, designers en studenten ‘Industrieel Product Ontwerpen’ (IPO). Met dit boekwerkje wil het Saxion Kenniscentrum Design en Technologie bereiken dat productontwerpers en met name het MKB geïnteresseerd raakt in de mogelijkheden die smart materials direct of in toekomst kunnen bieden. Er ligt voor de bedrijven een grote kans om met deze nieuwe materialen succesvolle innovatieve producten te ontwikkelen.

Big Data in een Smart City

Elk jaar organiseert het Leerhuis van het Projectmanagementbureau samen met de Hogeschool van Amsterdam een thematische seminarreeks.De koppeling van de wetenschappelijke theorie met de dagelijkse praktijk biedt een waardevolle verdieping van de kennis van de medewerkers van het Projectmanagementbureau. Centraal staat de toepasbaarheid in ons werk aan complexe en multidisciplinaire opgaven in Amsterdam.In 2018/2019 hebben we gekozen voor het smart city-concept, waarbij big data en tools roepen om toepassingsmogelijkheden in de aanpak van stedelijke problematiek.Wie in de media de discussie over de opkomst van smart cities volgt, krijgt vaak het beeld voorgeschoteld van een grote controlekamer, vol met monitors en schermen. Daarop worden allerhande processen in de stad op de minuut gevolgd: de doorstroming van het verkeer op de hoofdwegen, de weersverwachting en waterstanden, meldingen aan politie en brandweer of samenscholingen van menigtes in de openbare ruimte. Naast deze ‘control room’-visie staan twee minder bekende benaderingen: ‘Smart Citizens’ zet technologie in om burgers meer zeggenschap te geven, terwijl de ‘Creative City’ de stad beziet als ‘living lab’. Alle drie de verschijningsvormen van de smart city bieden kansen om de kwaliteit van leven in de stad te verbeteren, én roepen tegelijkertijd vragen op over hun doelmatigheid en legitimiteit.De verschillende bijdragen aan de seminarreeks over smart cities gingen dieper in op de mogelijkheden en valkuilen van de drie smart city perspectieven. Deze zijn gebundeld in dit magazine en aangevuld met een aantal lessen en handvatten voor de medewerkers van het PMB.

Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data

Machine learning models have proven to be reliable methods in classification tasks. However, little research has been conducted on the classification of dwelling characteristics based on smart meter and weather data before. Gaining insights into dwelling characteristics, which comprise of the type of heating system used, the number of inhabitants, and the number of solar panels installed, can be helpful in creating or improving the policies to create new dwellings at nearly zero-energy standard. This paper compares different supervised machine learning algorithms, namely Logistic Regression, Support Vector Machine, K-Nearest Neighbor, and Long-short term memory, and methods used to correctly implement these algorithms. These methods include data pre-processing, model validation, and evaluation. Smart meter data, which was used to train several machine learning algorithms, was provided by Groene Mient. The models that were generated by the algorithms were compared on their performance. The results showed that the Long-short term memory performed the best with 96% accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrics were used to produce classification reports, which indicates that the Long-short term memory outperforms the compared models on the evaluation metrics for this specific problem.

Classification of dwelling characteristics with machine learning algorithms based on smart meter & weather data

Machine learning models have proven to be reliable methods in classification tasks. However, little research has been done on classifying dwelling characteristics based on smart meter & weather data before. Gaining insights into dwelling characteristics can be helpful to create/improve the policies for creating new dwellings at NZEB standard. This paper compares the different machine learning algorithms and the methods used to correctly implement the models. These methods include the data pre-processing, model validation and evaluation. Smart meter data was provided by Groene Mient, which was used to train several machine learning algorithms. The models that were generated by the algorithms were compared on their performance. The results showed that Recurrent Neural Network (RNN) 2performed the best with 96% of accuracy. Cross Validation was used to validate the models, where 80% of the data was used for training purposes and 20% was used for testing purposes. Evaluation metrices were used to produce classification reports, which can indicate which of the models work the best for this specific problem. The models were programmed in Python.