Onze modellen

SparkCity

Met SparkCity kan rij en laadgedrag van elektrisch vervoer geanalyseerd worden. Strategisch plaatsen van laadpalen, slim laden en netbelasting door elektrische auto’s kunnen in dit model getest worden voor specifieke wijken…

ZEnMo ZERO

ZEnMo ZERO is bedoelt om complete energie systemen te modelleren die duurzame opwek en opslag capaciteit integreren. We kunnen inzicht krijgen in de impact van wind en zon op prijzen en de benodigde opslag capaciteit…

ZEnMo eTrucks

ZEnMo eTrucks is een model om routes van elektrische vrachtwagens te analyseren. Welke routes zijn gunstig voor elektrisch vervoer, wat zijn strategische punten voor laadstations en wat is de CO2 reductie die we kunnen halen…?

Wat is agent-based modeling?

In een agent-based model worden de individuele actieve componenten van een systeem gemodelleerd. Dit in contrast met de meer abstracte System Dynamics en Discrete Event modellen.
De individuele actieve componenten van een systeem worden agents genoemd. Voorbeelden van agents kunnen bijvoorbeeld mensen, apparaten of organisaties zijn. De agents worden door de modelleur zelf geïdentificeerd en het gedrag van de agent wordt gedefinieerd. De individuele agents gaan interacties met elkaar aan in een virtuele wereld waardoor dynamieken ontstaan in het model. Eigenlijk lijkt een agent-based model meer op de wereld zoals wij hem kennen. Mensen, apparaten en andere wezens gaan interacties aan waardoor we op stedelijk, nationaal en internationaal niveau bepaalde trends kunnen waarnemen.

Wat maakt onze modellen bijzonder?

1. Intuïtieve en transparante modellen

Door gebruik te maken van agent-based modeling kunnen wij onze modellen laten lijken op een virtuele wereld. Mensen, vervoer en andere entiteiten worden gemodelleerd als agents en gevisualiseerd in een realistische omgeving door gebruik te maken van GIS mappen. Het resultaat is dat onze modellen makkelijk te begrijpen zijn voor zowel de klant als voor ons zelf. Zo kunnen we inzicht creëren, discussies aanwakkeren en kritisch blijven op ons werk.

2. Integratie van realistische "Big-data"

Tegenwoordig worden grote datasets verzameld door het CBS, netbeheerders en onderzoekers. Agent-based modeling is in het bijzonder geschikt om deze data direct aan het werk te zetten door bijvoorbeeld rijgedrag van automobilisten te baseren op meetdata. Ook kunnen we GIS data van steden integreren met data van het laagspanningsnetwerk. Het koppelen van al deze data in een virtuele wereld introduceert een nieuwe generatie realistische modellen.

3. Ongelimiteerd complexe dynamiek simuleren

Door de verschillende methodieken samen te brengen zijn er vrijwel geen beperkingen meer in de dynamiek die aangebracht kan worden in een model. In agent-based modeling kunnen alle agents eigen gedrag vertonen en oneindig veel relaties aangaan met elkaar. De modellen zijn niet meer gebonden aan van te voren vastgestelde dynamiek zoals in veel energie modellen het geval is.

4. Het simuleren van emergent gedrag

Emergent gedrag is dynamiek die volgt uit de som van interacties tussen individuele componenten van een systeem. Een voorbeeld hiervan is de ochtend spits die wordt veroorzaakt door duizenden individuen die besluiten op hetzelfde moment met de auto naar werk te gaan. Dergelijke effecten zijn alleen te simuleren als de individuele componenten van een systeem gedefinieerd worden. Dit zorgt ervoor dat onverwachte effecten duidelijk kunnen worden in de simulaties.