Slimme laadplanning voor EV-trucks met AI

Slimme laadplanning voor EV-trucks met AI

Elektrische vrachtwagens rukken snel op in Nederland. Zero-emissie zones, strengere CO₂-doelen en de druk van grote verladers maken dat 2025 voor veel transporteurs een kantelpunt is. Maar wie eenmaal meer dan een handvol e-trucks heeft rondrijden, ontdekt al snel: laadplanning is minstens zo complex als ritplanning.

Hoe plan je het laden van 100 elektrische trucks op een terrein met maar 25 laadpalen, in een land met netcongestie en sterk wisselende stroomprijzen? En hoe zorg je dat je batterijen niet te vol, maar zeker ook niet te leeg zijn – terwijl je levertijden wél haalt? In deze blog, onderdeel van de serie “AI in Nederlandse Transport & Logistiek: Smart Mobility”, duiken we in de wereld van slimme laadplanning, digital twins en data-gedreven fleetmanagement.

We laten zien:

• Waarom traditionele planningssoftware tekortschiet bij EV-trucks
• Hoe AI en digital twins laad- én ritplanning samenbrengen
• Welke data je écht nodig hebt van OEM’s, telematica en laadpleinen
• Welke concrete stappen je in 2025 kunt zetten om klaar te zijn voor een elektrische vloot

Van dieseldenken naar databasedenken

Bij dieseltrucks is de rekensom relatief eenvoudig: volle tank, bekende actieradius, overal tankstations en tanken kost hooguit een kwartier. Planners zijn gewend om ritplanning centraal te zetten en brandstof als randvoorwaarde te zien.

Bij elektrische trucks werkt dat niet meer:

• Actieradius is kleiner én variabel (weer, belading, rijstijl, files)
• Laden kost veel meer tijd dan tanken
• Het stroomnet is beperkt (netcongestie, maximale aansluitwaarde)
• Beschikbaarheid van laadsessies verschilt per locatie en per tijdvak
• Stroomprijzen en beschikbaarheid van zonne- of windenergie wisselen sterk

Uit praktijkproeven, zoals ZEBRH, blijkt dat batterijen van elektrische trucks vaak maar ongeveer voor de helft van hun capaciteit worden benut. Dat betekent óf dat de batterij te groot is ingekocht, óf dat de inzetplanning conservatief en inefficiënt is. Tegelijkertijd zijn er momenten waarop trucks wél stilvallen door een lege batterij: precies wat een planner koste wat kost wil voorkomen.

De conclusie: we moeten anders plannen. Niet meer alleen ritten, maar ritten én laadsessies samen, ondersteund door nieuwe software en AI.

Nieuwe generatie laadplanning: meer dan een extra module

Van ritplanning naar gecombineerde rit- én laadplanning

De eerste stap die veel bedrijven zetten, is het maken van een aparte laadplanning naast de ritplanning. In de praktijk blijkt dat onvoldoende. Rit- en laadplanning beïnvloeden elkaar continu:

• Komt een truck later terug door file, dan schuift een geplande laadsessie op.
• Is een laadpaal op een bepaald moment bezet, dan moet de ritplanning aangepast worden.
• Is de stroomcapaciteit op het depot tussen 17:00 en 20:00 beperkt, dan moeten ritten daar ómheen worden gepland.

Een moderne laadplanningsoplossing – vaak aangedreven door AI – doet daarom drie dingen tegelijk:

1. Optimaliseert ritten (routes, venstertijden, inzet van materieel)
2. Plant laadsessies op depot én onderweg binnen de technische en energielimieten
3. Herrekent continu bij verstoringen (vertragingen, defecte laadpalen, gewijzigde orders)

De rol van AI in laadplanning

AI komt op meerdere punten van pas in laadplanning voor EV-trucks:

• Voorspellen van energieverbruik per rit, op basis van historiek, voertuigtype, gewicht, routeprofiel, weer en rijstijl.
• Slim verdelen van laadcapaciteit over meerdere trucks, laadpalen en tijdsloten.
• Optimaliseren op kosten: laden in uren met lage tarieven, maximaal gebruik van eigen zonne-energie, minimaliseren van piekbelasting.
• Real-time herplanning bij onverwachte vertragingen of wijzigingen in het transportplan.

Waar een planner met Excel of een traditionele TMS-module vastloopt bij 10 tot 15 voertuigen, kan een AI-gestuurde tool honderden trucks en tientallen laadpunten in één model meenemen.

Digital twins: een digitaal evenbeeld van elke truck

Een belangrijk idee dat nu doorbreekt in de Nederlandse logistiek is de digital twin van een voertuig. Dat is een digitaal model van een specifieke truck dat continu wordt bijgewerkt met real-time data.

Wat doet een digital twin voor EV-trucks?

Een digital twin leert van het werkelijke gedrag van de truck:

• Werkelijke verbruik bij verschillende snelheden en beladingen
• Invloed van regen, wind en temperatuur op actieradius
• Rijstijl van verschillende chauffeurs
• Geleidelijke degradatie van de batterijcapaciteit in de loop van de jaren

Op basis hiervan kan de software veel nauwkeuriger zeggen:

• Of een geplande rit met de huidige SoC (State of Charge) haalbaar is
• Hoeveel procent de batterij minimaal moet hebben bij vertrek
• Hoe lang en waar er geladen moet worden
• Wat de verwachte aankomsttijd is, rekening houdend met laad- én rijtijd

Met een digital twin plan je niet meer op een theoretische actieradius, maar op de echte prestaties van jouw voertuig in Nederlandse omstandigheden.

Praktisch voorbeeld

Stel: een 27-tons e-truck rijdt dagdistributie voor een supermarktketen vanuit een DC in Noord-Brabant naar filialen in de Randstad.

• De planner ziet in de tool dat de truck gemiddeld 1,2 kWh/km verbruikt in de winter, met 80% belading.
• De software weet dat de batterij nu nog 55% lading heeft en dat de effectieve bruikbare capaciteit door degradatie nog 88% is van de oorspronkelijke waarde.
• De AI-module adviseert om 20 minuten bij te laden bij vertrek (snellader op depot) om de ritserie zonder extra laadstop te kunnen voltooien.

Zonder deze inzichten zou de planner óf te conservatief plannen (veel langer laden dan nodig), óf een extra onnodige laadstop onderweg inbouwen – beide kosten geld.

Data: de nieuwe brandstof voor laadplanning

AI en digital twins zijn zo goed als de data die ze krijgen. En daar wringt in 2025 nog regelmatig de schoen.

Zonder batterijdata geen betrouwbare planning

Voor een betrouwbare rit- en laadplanning heb je minimaal nodig:

• Real-time SoC (State of Charge) per truck
• Batterijtemperatuur en -gezondheid (State of Health)
• Verbruikscijfers per rit, per route en per chauffeur
• Informatie over laadsnelheid en beschikbaar vermogen per laadpaal
• Status van laadpalen (vrij, bezet, storing)

Veel truckfabrikanten schermen batterij- en sensordata echter nog af. Dat staat haaks op wat veel vervoerders en telematica-aanbieders vinden: data van de truck horen bij de vervoerder. Zonder die data is het onmogelijk om een echt slimme laadplanning te bouwen.

OEM’s, telematica en laadpleinen koppelen

De volgende datastromen moeten in één ecosysteem samenkomen:

• Truckdata: via OEM-platformen of onafhankelijke telematica (SoC, verbruik, locatie, storingen)
• Laadpaaldata: laadvermogen per paal, actuele belasting, beschikbaarheid, tarieven
• TMS- en ritplanningsdata: ritten, venstertijden, prioriteiten, vrachtinformatie

Pas als deze systemen praten, kun je bijvoorbeeld:

• Vooraf een laadpaal reserveren op een publiek of semi-publiek laadplein;
• Automatisch bepalen welke truck aan welke laadpaal moet staan, op basis van benodigde laadtijd en beschikbaar vermogen;
• De laadstrategie aanpassen op basis van dynamische prijzen en netcongestie.

In Nederland zien we al dat control tower-aanbieders samenwerken met laadpleinexploitanten. De volgende stap is dat ook OEM’s hun data structureel ontsluiten en aansluiten bij dit ecosysteem.

Van theorie naar praktijk: hoe begin je als Nederlandse vervoerder?

Elektrificatie en slimme laadplanning klinken groots en complex, maar je hoeft niet alles in één keer te doen. Dit is een realistisch stappenplan voor 2025–2026.

Stap 1 – Maak jouw EV-case inzichtelijk

Start met een simulatie van een volledig elektrische vloot op basis van je huidige operatie:

• Hoeveel energie heb je per dag nodig?
• Heb je op je huidige netaansluiting voldoende laadcapaciteit?
• Waar liggen piekmomenten in rijden én laden?
• Welke ritten zijn laaghangend fruit voor elektrificatie (korte afstanden, vaste routes, stedelijke distributie)?

Gebruik hiervoor waar mogelijk tools die scenario’s kunnen doorrekenen. Veel advies- en technologiepartners bieden dit inmiddels aan, vaak met AI-modellen op de achtergrond.

Stap 2 – Breng je data op orde

Zonder goede data blijft elke laadplanning nattevingerwerk. Focus op:

• Eén consistente bron voor voertuiginformatie (diesel én elektrisch)
• Heldere afspraken met OEM’s over datatoegang
• Integratie tussen TMS, telematica/fleetmanagement en eventuele laadpleinsoftware

Begin desnoods kleinschalig met een pilotgroep voertuigen, maar zorg dat je de data-architectuur toekomstvast inricht.

Stap 3 – Start met basis-laadplanning en groei naar AI

Begin met een eerste versie van laadplanning:

• Regels voor minimale SoC bij vertrek
• Bloktijden voor laden per routecluster of ploeg
• Handmatige verdeling van laadpunten op basis van ritplanning

Breid dat vervolgens stap voor stap uit met AI-functionaliteit:

• Verbruiksvoorspellingen per rit en voertuig
• Automatische toewijzing van laadsessies op basis van prioriteit
• Optimalisatie op kosten, netbelasting en inzetgraad van voertuigen

Stap 4 – Bouw aan een digital twin-aanpak

Zodra je voldoende data verzamelt, kun je starten met digital twins:

• Begin met één of twee representatieve voertuigen (bijvoorbeeld stadsdistributie, regionaal vervoer)
• Laat het model leren van minimaal enkele maanden praktijkdata
• Vergelijk planning op basis van digital twin met je bestaande conservatieve aannames

Ervaring leert dat bedrijven hiermee extra ritten per voertuig per dag kunnen inplannen, zonder extra risico op stilstand.

De strategische kans: van kostenpost naar concurrentievoordeel

Laadplanning voor EV-trucks voelt voor veel transporteurs nu nog als een probleem dat opgelost moet worden. Maar wie het goed aanpakt, kan er een concurrentievoordeel van maken.

• Hogere inzetgraad van voertuigen en batterijen
• Lagere energiekosten door slim laden
• Minder stilstand en betrouwbaardere levertijden
• Betere rapportage over CO₂-reductie richting verlader en overheid

Binnen de bredere beweging van AI in Nederlandse transport & logistiek wordt laadplanning daarmee een cruciale bouwsteen van smart mobility. Niet alleen voor stadsdistributie, maar ook voor regionaal vervoer, bouwlogistiek en uiteindelijk zelfs internationaal wegtransport.

De bedrijven die nu investeren in data, AI en digital twins, zijn straks in staat om grote elektrische vloten efficiënt aan te sturen – ondanks netcongestie en complexe klantwensen.

Conclusie: tijd om laadplanning net zo serieus te nemen als ritplanning

Elektrificatie van wegtransport gaat in Nederland de komende jaren alleen maar sneller. Wie laadplanning blijft behandelen als een bijlage van ritplanning, loopt vast op volle laadpleinen, lege batterijen en oplopende kosten.

Door AI-gestuurde laadplanning, gebruik van digital twins en een serieuze datastrategie wordt jouw elektrische vloot wél schaalbaar en voorspelbaar. De volgende stap is aan jou: begin met het in kaart brengen van je data, je laadinfrastructuur en je toekomstige EV-strategie.

De vraag is niet óf, maar hoe snel je overschakelt naar slimme laadplanning. Welke eerste stap ga jij vóór het einde van 2025 zetten?