De zon levert in één uur meer energie dan we op aarde in een heel jaar nodig hebben, maar het grote probleem blijft hoe we die energie kunnen opslaan. Een thuisbatterij voor zonne-energie is voor velen te duur, maar een thermische batterij is een interessant, goedkoper alternatief.

Energie opslaan in water

SGR-warmtepompboiler

SGR staat voor ‘Smart Grid Ready’, waarbij het deel ‘smart grid’ een slim energienetwerk betekent. Daarbij stemt een intelligent regelsysteem voortdurend het aanbod van verschillende energiebronnen af op de vraag. Zonnepanelen, batterij, elektrische voertuig en warmtepomp staan met elkaar in verbinding, zodat de zelfopgewekte stroom optimaal wordt verdeeld.
Een SGR-warmtepompboiler werkt als een gewone warmtepomp: hij gebruikt de omgevingswarmte uit de lucht gebruikt om sanitairwater te verwarmen. Net als alle warmtepompen verbruikt de warmtepompboiler stroom, maar wel veel minder dan een gewone boiler. Driekwart van de benodigde energie is afkomstig uit de omgevingslucht en slechts een kwart wordt opgewekt door elektriciteit. Een SGR-warmtepompboiler gebruikt rechtstreeks de stroom afkomstig van de zonnepanelen. 

Piekproductie omzetten in extra warm water

Verder doet een SGR-warmtepompboiler er nog een schepje bovenop. Het systeem houdt bij wanneer de zonnepanelen te veel elektriciteit opwekken. Deze overtollige energie gebruikt de boiler om het water alvast gratis op te warmen. Hierdoor wordt de extra elektriciteit niet teruggeleverd aan het stroomnet, noch wordt het overschot opgeslagen in een thuisbatterij. Juist doordat een SGR-warmtepompboiler de elektriciteit op piekproductiemomenten gebruikt om water te verwarmen, kun je dat later weer gebruiken om bijvoorbeeld te douchen.

©Matteo Girelli

Een SGR-warmtepompboiler houdt bij wanneer de zonnepanelen een overschot aan elektriciteit opwekken.

Energieoverschot

Een voorbeeld maakt dit duidelijker. Je hebt de warmtepompboiler ingesteld op 45 °C om een aangename temperatuur voor een warme douche te hebben. Wanneer de zonnepanelen meer energie opwekken dan wat je op dat moment verbruikt, zal de SGR-warmtepompboiler het energieoverschot detecteren en het water naar een veel hogere temperatuur opwarmen, bijvoorbeeld 70 °C. Hierdoor blijft het water langer warm en zal de warmtepompboiler geen elektriciteit verbruiken wanneer je een douche neemt op een moment waarop je zonnepanelen geen elektriciteit opwekken.
Een SGR-systeem gebruikt de boiler dus als thermische batterij. Je slaat geen elektriciteit op, maar zet de overtollige energie op in een extra voorraad warm water. 

Meer eigen verbruik

Energie opslaan in thermische batterij verhoogt het eigen verbruik en helpt om netstroom te besparen. Daarbij is een SGR-warmtepompboiler veel goedkoper dan een thuisbatterij. Een SGR-warmtepompboiler kost gemiddeld 3500 euro, inclusief installatie. Een thuisbatterij van 14 kWh kost rond de 10.000 euro.
Als je ’s avonds kookt, de televisie, computer, verlichting en vaatwasser gebruikt, én daarbij ook zoveel warm water gebruikt dat de warmtepompboiler moet bijschakelen, dan val je automatisch terug op de netstroom. Wanneer de thermische batterij al voldoende is opgewarmd met gratis zonnestroom, hoeft de warmtepompboiler niet meer bij te warmen.

Ook interessant: Geld nodig voor energiebesparende maatregelen? Zo vind je subsidies en leningen

Energie opslaan in zout

Zoutboiler

Om energie op te slaan, kun je in plaats van water een materiaal gebruiken dat bij stolling warmte afgeeft en tijdens het smelten warmte opneemt. Meestal gebruikt men de afkorting PCM (Phase Change Materials) of letterlijk vertaald: faseovergangsmateriaal. PCM kan veel warmte opslaan in een kleine ruimte. Bij Flamco, Wasco en Triple Solar zit er in de thermische batterij anorganisch zout. Daarom noemt men dit type ook een zoutboiler. Dit zout heeft een smeltpunt van 23 °C.

©Flamco / Aalberts

De thermische batterij houdt de energie vast in anorganisch zout.

Tot 70 °C

Het zout wordt door middel van een elektrische spiraal tot 70 °C opgewarmd. Op die temperatuur is het zout volledig vloeibaar. Wanneer je dan warm kraanwater vraagt, zal de thermische batterij de energie aan het leidingwater overdragen via een warmtewisselaar.
De drie eerdergenoemde merken hebben ieder drie uitvoeringen naar gelang de opslagcapaciteit. Bij Flamco kan de middelste versie, het 6E-model, 12,5 liter warm water per minuut leveren of in totaal 170 liter warm water. Het kleinste model past in een keukenkast en kan genoeg warm water leveren voor een compleet gezin. Flamco werkt bovendien aan een functie waarmee zijn zoutboilers slim gebruikmaken van fluctuerende energietarieven. 

©Flamco / Aalberts

Een kleine thermische batterij past in een keukenkast en kan 170 liter warm water leveren.

Compact en eindeloos herladen

Een groot voordeel bij alle drie merken is het ontwerp. Het gaat om rechthoekige, compacte modellen die je makkelijk kwijt kunt in een klein hoekje. Je hoeft hem dus niet per se naast de cv te plaatsen, maar je kunt hem bijvoorbeeld in een kast monteren. Overigens is een zoutboiler wel zwaar.
Een tweede voordeel is dat, in tegenstelling tot de opslag in water, de temperatuur niet daalt wanneer je warmte opneemt. Zolang er energie in het faseovergangsmateriaal is opgeslagen, geeft de thermische batterij warmte af op een constante temperatuur.
Het toestel is schoon en milieuvriendelijk, omdat het geen gassen verbrandt, geen giftige stoffen bevat en 100% recyclebaar is. Daarbij is de batterij eenvoudig te installeren. Je hebt alleen een water- en 230V-aansluiting nodig. In de thermische batterij zitten geen bewegende delen die kunnen slijten, en de gebruiker kan hem eindeloos op- en ontladen zonder verlies van rendement.
In theorie gaat dit toestel minimaal 30 tot 40 jaar mee. Enkele componenten, bijvoorbeeld de elektronica, zijn op den duur mogelijk aan vervanging toe. Een nadeel in vergelijking met een gewone thuisbatterij is dat de thermische batterij uitsluitend ingezet kan worden voor de productie van warm tapwater.

©Triple Solar

De temperatuur van de thermische batterij blijft constant.

45 minuten douchen

Met de Flamco 200-batterij zou je ongeveer 45 minuten kunnen douchen. Als het warm water dat een thermische batterij produceert opraakt na meerdere lange douchebeurten, dan slaat de warmtepomp automatisch aan om de thermische batterij te verwarmen. Het duurt ongeveer twee uur om de thermische batterij opnieuw op te laden. De richtprijs varieert tussen de 3000 en 6000 euro.

©Flamco / Aalberts

Een thermische batterij kun je eenvoudig aan een bestaande installatie toevoegen.

Compact, maar zwaar 

Bij Triple Solar wordt de thermische batterij gecombineerd met een PVT-warmtepomp. Deze thermische batterij vervangt dan de warmwaterboiler. Deze batterij is wel vier keer kleiner dan een gewone boiler, waardoor hij eenvoudig te installeren is. Triple Solar heeft thermische batterijen in drie formaten afhankelijk van de warmwaterbehoefte. Het kleinste model, de 150 XXS, heeft 7 kWh capaciteit, meet 64 cm hoog x 36, 5 cm breed x 57, 5 cm diep en weegt 136 kg. Het 200 XS-model heeft 10,5 kWh, meet 87 cm x 36,5 cm x 57, 5 cm en weegt 187 kg. Het grootste model, 300 S, heeft 14 kWh, meet 105 cm x 36,5 cm x 57,5 cm diep en weegt maar liefst 233 kg. 

Milieuvriendelijk en nauwelijks warmteverlies

De thermische batterij op zout werkt snel en efficiënt door de hoge warmteopname en snelle warmteafgifte. Het is een milieuvriendelijk toestel met zeer weinig warmteverlies door het vacuüm isolatiepaneel. Wekken je zonnepanelen meer stroom op dan je verbruikt, dan is dit zeker een interessante manier om het teveel aan zonne-energie op te slaan. Vooral als je in het achterhoofd houdt dat de salderingsregeling voor zonnepanelen straks wordt afgebouwd.

Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaard afbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.

Bij ID.nl zijn we gek op producten waar je niet de hoofdprijs voor betaalt. Een paar keer per week speuren we daarom binnen een bepaald thema naar zulke deals. Ben je op zoek naar een goede bluetooth-speaker voor mee op vakantie? Wij zochten vijf modellen voor je uit voor minder dan 90 euro.

Een draagbare bluetooth-speaker is superhandig als je graag muziek luistert, waar je ook bent. Je koppelt ze in een paar seconden aan je telefoon of tablet, en je kunt meteen je favoriete playlist afspelen – zonder gedoe met kabels of ingewikkelde installatie. Gewoon aanzetten, verbinden en gaan met die beat. Wij zochten vijf modellen voor buiten voor je op, voor minder dan 90 euro.

JBL FLIP 6

Deze Flip 6 van JBL neem je makkelijk overal mee naartoe, maar produceert ondanks zijn compacte formaat toch flink wat geluid. Hij is klein genoeg om in je tas te gooien, maar als je hem aanzet, komt er verrassend veel bas en helderheid uit. Perfect voor op het strand, in het park of gewoon thuis op de keukentafel. Hij kan tegen een stootje – letterlijk – en is helemaal waterdicht. Dus regen of zwembad? Geen probleem. De batterij gaat zo'n 12 uur mee, dus je komt wel een dagje door. En heb je een vriend die ook een JBL-speaker heeft? Dan kun je ze koppelen voor dubbel zoveel geluid.

💪 Gewicht: 941 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 watt
🔋 Speelduur: 12 uur

Marshall Willen

De Marshall Willen valt op: niet alleen qua geluid, maar ook door z'n iconische rock-'n-roll-uiterlijk. Hij past makkelijk in je jaszak en maakt indruk met z'n kraakheldere geluid. Ondanks z'n formaat krijg je verrassend veel punch. De accu gaat gerust een hele dag mee en je kunt 'm gewoon meenemen onder de douche of in de regen – hij is namelijk waterdicht. Wat ook fijn is: hij heeft een handige clip waarmee je 'm ergens aan kunt hangen. Ideaal voor onderweg of op de fiets.

💪 Gewicht: 476 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 Watt
🔋 Speelduur: 15 uur

Sony ULT Field 1

De Sony ULT Field 1 is compact, makkelijk te dragen en zit verrassend goed in elkaar. Wat echt opvalt is de bas: lekker diep en vol. En als je dat niet genoeg vindt, zet je gewoon de ULT-knop aan voor nog wat extra power. Hij is water- én stofdicht, dus je hoeft 'm niet te sparen. De batterij houdt het een uur of 12 vol, wat prima is voor een dagje buiten. Gewoon een fijne, robuuste speaker die doet wat je nodig hebt.

💪 Gewicht: 650 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: 30 Watt
🔋 Speelduur: 12 uur

Ultimate Ears WONDERBOOM 4

De WONDERBOOM 4 is klein, rond en vrolijk, maar klinkt alsof-ie twee keer zo groot is. Zet hem in het midden van de kamer of je picknickkleed en iedereen hoort even goed wat er speelt, dankzij 360° geluid – en dat werkt verrassend goed. Hij is waterdicht én kan drijven, dus hij mag mee in bad of op een bootje, zolang je 'm maar niet lang onder water houdt. De batterij gaat ongeveer 14 uur mee, en als je er twee hebt, kun je stereo afspelen. Kortom: klein ding, groot geluid, nul zorgen.

💪 Gewicht: 420 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: niet opgegeven
🔋 Speelduur: 14 uur

Denver BTG-615

Denver is misschien nog niet zo bekend als de grote merken, maar deze 15 Watt BTG-615 verrast zeker. Voor een speaker onder de 50 euro krijg je een stevig geluid en een leuke lichtshow dankzij de ingebouwde leds. Perfect voor feestjes in je woonkamer of buiten op het balkon. Hij is spatwaterdicht, dus een beetje regen overleeft-ie wel. De batterij gaat zo'n 5 uur mee - dat is wel een stuk minder dan de andere hier besproken modellen, maar in principe voldoende voor een middagje muziek. En met een handvat bovenop neem je hem zo mee. Geen poespas, gewoon een leuke speaker die doet wat je verwacht.

💪 Gewicht: 2 kg
🌊 Waterdicht: IPX5
🔊 RMS-Vermogen: 15 Watt
🔋 Speelduur: 5 uur