Home Energy Management under Tiered Peak Power Charges

Each language version is independently generated for its own context, not a direct translation.

Huisbatterijen slim sturen: Hoe je je energierekening verlaagt zonder in de val te lopen

Stel je voor dat je elektriciteitsrekening niet alleen bestaat uit het aantal lampen die je hebt aangezet (energiegebruik), maar ook uit een extra boete als je op één dag te veel stroom trekt uit het net. En niet zomaar een boete: in Noorwegen (waar dit onderzoek vandaan komt) is het een beetje als een 'top 3'-straf. Als je in een maand drie dagen hebt met extreem hoog verbruik, betaal je daar een hoge prijs voor, zelfs als de rest van de maand rustig was.

De auteurs van dit paper, David, Sigurd en Stephen, hebben een slimme manier bedacht om een thuisbatterij te besturen zodat je die boetes vermijdt én je stroom op het juiste moment koopt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Dikke Vinger" en de "Drie Slechtste Dagen"

Stel je je energierekening voor als een rekening voor een taxi.

De kilometerprijs: Je betaalt per kilometer (kWh) die je rijdt. Dit is de gewone energiekost.
De "piekboete": De taxi-bedrijf zegt: "Als je in één maand drie dagen hebt waarbij je extreem hard rijdt (piekverbruik), dan betaal je een extra hoge toeslag voor die drie dagen."

Zonder batterij moet je gewoon betalen wat je verbruikt. Maar als je een batterij hebt, kun je als een slimme chauffeur doen: "Ik laad mijn auto op als de benzine goedkoop is, en ik gebruik mijn eigen brandstof als de benzineprijzen hoog zijn of als ik een steile heuvel op moet."

2. De "God-Mode" (De Ideale Wereld)

De auteurs begonnen met een droomscenario: Perfect Voorkennis.
Stel je voor dat je een magische bril hebt die je laat zien wat het weer wordt, hoeveel stroom je volgende maand gaat verbruiken en wat de stroomprijs morgen is. Met deze bril kun je een perfect plan maken voor de hele maand. Je laadt de batterij precies op het moment dat het goedkoopst is en gebruikt hem precies op het moment dat je de boete zou krijgen.

Dit "God-Modus" plan is de ondergrens: het is het allerbeste wat je theoretisch kunt bereiken. In de echte wereld hebben we die magische bril niet, maar het helpt wel om te weten hoe goed we het kunnen doen.

3. De Realiteit: De "MPC" (De Slimme Navigatie)

Omdat we geen magische bril hebben, gebruiken de auteurs een methode die ze Model Predictive Control (MPC) noemen.
Dit is als een slimme GPS in je auto.

Hoe het werkt: De GPS kijkt niet naar de hele wereld, maar alleen naar de route die je nu kunt zien (bijvoorbeeld de komende 30 dagen).
Het plan: Hij berekent de beste route voor die 30 dagen op basis van wat hij nu weet (de huidige prijs, het huidige verbruik en een inschatting van de toekomst).
De actie: Hij geeft je één instructie: "Laad nu op" of "Gebruik nu de batterij".
Herhalen: De volgende dag kijkt de GPS weer opnieuw, update zijn voorspellingen en geeft een nieuwe instructie.

Het mooie is: zelfs als de voorspelling niet 100% perfect is, werkt deze methode verrassend goed. In hun tests met een echt huis in Trondheim (Noorwegen) bleek dat deze slimme GPS slechts 1,7% duurder was dan de "God-Mode" met de magische bril. Dat is een enorm succes!

4. Waarom is dit zo moeilijk? (De "Truc" van de Tarieven)

Het lastige aan de Noorse tarieven is dat ze niet lineair zijn.

Als je je piek verbruik van 10 kW naar 9 kW brengt, betaal je niet iets minder, maar misschien wel een heel ander bedrag, omdat je van een "duur" prijsniveau naar een "goedkoper" niveau springt.
Het is alsof je een trap hebt met drie treden: als je op de eerste trede staat, betaal je €10. Als je op de tweede trede staat, betaal je €50. Het maakt niet uit of je net boven de eerste trede staat of net onder de tweede; de prijs springt enorm.

Om dit te berekenen, moeten de computers een soort "puzzel" oplossen waarbij ze kiezen op welke trede ze willen zitten. Dit noemen ze een MILP (een wiskundig raadsel met ja/nee-keuzes). De auteurs hebben bewezen dat je dit snel en goed kunt oplossen, zelfs voor een heel jaar.

5. Wat leerden ze? (De Resultaten)

Ze hebben dit getest met data van een echt huis in Noorwegen:

Zonder batterij: De kosten waren ongeveer 25.000 Noorse Kronen.
Met een "domme" batterij: Als je de batterij alleen gebruikt om stroom te kopen als het goedkoop is (zonder rekening te houden met de piekboete), kan je rekening zelfs hoger worden! Je bespaart op stroom, maar je triggert per ongeluk de dure piekboete.
Met de slimme MPC-batterij: De kosten daalden met 14%. De batterij hielp om zowel de dagelijkse stroomkosten te verlagen als de dure "top 3-dagen" te vermijden.

6. De Voorspelling (De "Basislijn")

Hoe goed is de GPS? Ze gebruiken een slimme voorspelling die bestaat uit twee delen:

De Basislijn: "Het is dinsdagmiddag in januari, dus normaal gesproken is het koud en gebruiken mensen veel stroom." (Seizoenspatroon).
De Correctie: "Maar vandaag is het plotseling veel warmer dan normaal, dus we verwachten iets minder verbruik." (Korte-termijn aanpassing).

Zelfs als ze alleen de basislijn gebruikten (zonder de slimme correctie), werkte het nog steeds heel goed. Maar met de correctie was het nog net iets beter.

Conclusie

Dit paper laat zien dat je met een thuisbatterij en een slim algoritme je energiekosten flink kunt verlagen, zelfs onder complexe tarieven met boetes voor piekverbruik. Je hoeft geen goochelaar te zijn om de toekomst te voorspellen; een slimme "GPS" die elke dag een nieuw plan maakt, is al bijna net zo goed als een magische bril.

Kortom: Een batterij is niet alleen een opslagplek voor stroom; het is een slimme manager die voorkomt dat je in de val van dure boetes terechtkomt.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Home Energy Management under Tiered Peak Power Charges" in het Nederlands.

Titel: Huisenergiemanagement onder gestaffelde piekvermogenstarieven

Auteurs: David Pérez-Piñeiro, Sigurd Skogestad, Stephen Boyd
Datum: 10 maart 2026

1. Probleemstelling

Het paper adresseert het optimalisatieprobleem van het beheer van een batterij in een huis dat is aangesloten op het elektriciteitsnet. Het doel is om de totale elektriciteitskosten te minimaliseren. Deze kosten bestaan uit twee componenten:

Energieverbruikstarief: Gebaseerd op het totale verbruikte vermogen (kWh), met variabele prijzen (time-of-use en dag-voor-dag wholesale prijzen).
Gestaffeld piekvermogenstarief: Een specifiek tarief dat in Noorwegen is geïntroduceerd voor huishoudens. In tegenstelling tot traditionele tarieven die gebaseerd zijn op het maximale piekvermogen in een maand, wordt dit tarief berekend op basis van het gemiddelde van de $N$ grootste dagelijkse piekvermogens (typisch $N=3$ ) over de maand.

De kosten voor dit piekvermogen zijn niet lineair, maar gestaffeld (tiered). Afhankelijk van de waarde van het gemiddelde piekvermogen ( $z_k$ ) valt het huishouden in een bepaald kostenkader (tier) met een vaste maandelijkse prijs. Dit creëert een niet-convexe optimalisatieprobleem.

Het centrale vraagstuk is: hoe moet de batterij worden opgeladen en ontladen om zowel de energiekosten als de kosten voor het piekvermogen gezamenlijk te minimaliseren, rekening houdend met onzekerheid in toekomstige belastingen en prijzen?

2. Methodologie

De auteurs hanteren een tweeledige aanpak: eerst een theoretische ondergrens bepalen en vervolgens een implementeerbaar real-time beleid ontwikkelen.

A. Het "Prescient" Probleem (Volledige Vooruitkijkende Ondergrens)

Om de theoretisch haalbare ondergrens van de kosten te bepalen, wordt aangenomen dat alle toekomstige belastingen ( $l_t$ ) en dag-voor-dag prijzen ( $\lambda^{da}_t$ ) bekend zijn.

Formulering: Het probleem wordt gemodelleerd als een Mixed-Integer Linear Program (MILP).
Integer Variabelen: De niet-convexe, gestaffelde kostenfunctie wordt gemodelleerd met binaire variabelen die bepalen in welk kostenkader (tier) het gemiddelde piekvermogen van een maand valt.
Doel: Dit MILP levert de "prescient bound" op: de absolute minimale kosten die met een perfecte voorspelling bereikt kunnen worden. Dit dient als benchmark.

B. Model Predictive Control (MPC) Beleid

Voor real-time toepassing, waar toekomstige waarden onbekend zijn, wordt een MPC-strategie voorgesteld.

Werking: Op elk tijdstap $t$ worden voorspellingen gemaakt voor de belasting en prijzen over een planningshorizon $H$ . Een klein MILP wordt opgelost om de optimale oplaad/ontlaadstrategie te vinden. Alleen de eerste actie wordt uitgevoerd, waarna het proces wordt herhaald met nieuwe metingen en voorspellingen.
Voorspelling: Er wordt gebruikgemaakt van een baseline-residual voorspellingsmethode:
- Baseline: Een seizoensgebonden component (dagelijkse, wekelijkse en jaarlijkse patronen) gefit met sinusgolven en quantile loss.
- Residu: Een autoregressief (AR) model dat korte-termijn afwijkingen van de baseline voorspelt.
Optimalisatie: De MPC lost een MILP op met een horizon van 30 dagen (720 uur), wat overeenkomt met één factureringsmaand. Alternatief kan er gebruik worden gemaakt van LP-enumeratie (het oplossen van meerdere lineaire programma's voor elke mogelijke toewijzing van tiers), wat efficiënt is omdat het aantal tiers klein is.

3. Belangrijkste Bijdragen

Nieuw Tariefmodel: Het paper is een van de eerste werken dat zich specifiek richt op het Noorse tariefsysteem, waarbij het gemiddelde van de $N$ grootste pieken wordt gebruikt in plaats van de absolute maximumpiek, en waarbij de kosten gestaffeld zijn.
MILP Formulering: Het toont aan hoe dit complexe, niet-convexe probleem met gestaffelde kosten en gemiddelde pieken exact kan worden gemodelleerd als een MILP.
MPC Strategie: Het ontwikkelt een implementeerbaar MPC-beleid dat rekening houdt met zowel energiekosten als de complexe piekvermogenstructuur, zonder perfecte voorspellingen te vereisen.
Voorspellingsintegratie: Het koppelt een eenvoudige maar effectieve baseline-residual voorspellingsmethode direct aan de optimalisatie.

4. Resultaten

De methoden zijn getest op real data van een huis in Trondheim, Noorwegen, over de periode 2020-2022 (met een batterijcapaciteit van 40 kWh).

Kostenvergelijking:
- Geen batterij: Totale kosten 25.052 NOK.
- Prescient (Perfecte kennis): Totale kosten 21.204 NOK (besparing van 15,4%).
- MPC (Real-time): Totale kosten 21.568 NOK.
- Resultaat: Het MPC-beleid bereikt kosten die slechts 1,7% hoger liggen dan de theoretische ondergrens (prescient bound).
Vergelijking met Simpele Regels:
- Piekafvlakking (Peak Shaving): Bespaart 5,2% door alleen pieken te snijden, maar mist energiekostenbesparingen.
- Energie-arbitrage: Verlaagt energiekosten maar leidt tot hoge piekvermogenkosten (Tier 5), wat resulteert in een hogere totale kosten dan zonder batterij (-3,3% besparing).
- Conclusie: Naive controle kan de kosten verhogen; gezamenlijke optimalisatie is essentieel.
Sensitiviteit:
- Een planningshorizon van 30 dagen (één maand) is optimaal. Korter (1 dag) leidt tot slechte prestaties omdat piekvermogenkosten over de hele maand worden berekend.
- De parameter $N$ (aantal pieken in het gemiddelde) heeft een verwaarloosbaar effect op de totale kosten (verschil van 5 NOK tussen $N=1$ en $N=3$ ).
- Het toevoegen van het AR-residu aan de voorspelling verbetert de prestaties marginaal (0,4%), voornamelijk door een betere piekafvlakking.

5. Betekenis en Conclusie

Dit paper demonstreert dat huishoudens met een batterij aanzienlijke kostenbesparingen kunnen realiseren onder moderne, complexe elektriciteitstarieven zoals die in Noorwegen. De belangrijkste inzichten zijn:

Gezamenlijke optimalisatie is cruciaal: Het alleen optimaliseren voor energiekosten of alleen voor piekvermogen is suboptimaal. Een geïntegreerde aanpak is nodig om de trade-off tussen goedkoop stroom kopen en pieken vermijden correct te balanceren.
MILP is haalbaar: Ondanks de complexiteit van gestaffelde tarieven en gemiddelde pieken, kunnen deze problemen efficiënt worden opgelost met moderne MILP-oplossers (zoals Gurobi) binnen een MPC-structuur.
Robuustheid: Het MPC-beleid is zeer robuust en presteert bijna even goed als een systeem met perfecte toekomstkennis, zelfs met relatief simpele voorspellingsmodellen.

De studie biedt een blauwdruk voor de implementatie van slimme thuisbatterij-systemen in een markt met dynamische en gestaffelde tarieven, wat essentieel is voor de verdere elektrificatie van huishoudens en de stabiliteit van het net.