Het variabele productiepatroon van hernieuwbare energiebronnen brengt uitdagingen met zich mee voor zogenaamde slimme elektriciteitsnetten, aangezien hun productie niet zomaar aangestuurd kan worden, noch qua tijd, noch qua volume. Echter, door de integratie van ICT technologie zijn eindgebruikers in een slim net niet langer passief. Ze kunnen bijdragen aan het evenwicht tussen productie en consumptie door flexibiliteit aan te bieden qua verbruik. Vraagsturingsalgoritmes benutten deze flexibiliteit op een gecoördineerde manier om de betrouwbaarheid van het net te verhogen. Praktisch toepasbare vraagsturingsalgoritmes realiseren in een slim net is evenwel niet triviaal. Een dergelijk algoritme is idealiter (i) ontworpen en gevalideerd met accurate modellen van het echte coördinatieprobleem en (ii) toepasbaar op een breed gamma van gelijkaardige coördinatieproblemen. Deze doctoraatsthesis focust op de realisatie van praktische vraagsturingsalgoritmes met contributies op twee vlakken. Ten eerste, een diepgaande analyse van twee realistische datasets om (a) de flexibiliteit kwantitatief te karakteriseren, om de doeltreffendheid en het ontwerp van vraagsturingsalgoritmes te verbeteren, en (b) probabilistische modellen te ontwikkelen van de echte data, om synthetische maar realistische data te kunnen genereren. Ten tweede, een modelvrij vraagsturingsalgoritme op basis van een “reinforcement learning” aanpak, dat leert van echte data en generaliseerbaar is naar een bredere waaier van problemen.