print logo

Machine Learning optimiert Ausbau der Elektromobilität

Die optimale Position für normale als auch für Schnellladesäulen mit künstlicher Intelligenz ermitten.
mayato GmbH | 19.06.2020
© mayato GmbH
 

Elektromobilität erfordert eine funktionierende, flächendeckende Ladeinfrastruktur. Dessen ist sich auch die Bundesregierung bewusst und stellt im Rahmen des Zukunftspakets 2,5 Milliarden Euro u.a. für den Ausbau dieser Ladeinfrastruktur zur Verfügung. Doch wie kann dieser Ausbau nachhaltig erfolgen? Unternehmen, die in neue Ladesäulen investieren, stehen vor der Entscheidung, wo diese positioniert sein müssen und welche Art der Säule installiert werden soll. Die Data Science-Experten der mayato GmbH entwickelten mit eCharging-Location eine Machine-Learning-Lösung, die basierend auf mehreren Hundert unterschiedlichen Parametern die optimale Position sowohl für normale als auch für Schnellladesäulen ermittelt. Im Gegensatz zu anderen Ansätzen basiert mayato eCharging-Location im Wesentlichen auf aktuellen Geodaten und einer Verkehrsflussmodellierung. Die errechneten Positionen für die Ladesäulen richten sich u.a. nach dem jeweiligen Anschlusstyp, der Ladeart und der vorhandenen Infrastruktur. In Großbritannien wird die Lösung bereits von einem führenden Unternehmen im industriellen Maßstab eingesetzt. Jetzt ist mayato eCharging-Location auch für den deutschen Markt verfügbar.

Was zunächst einfach klingt, gestaltet sich in der Realität als echte Herausforderung: Der Ausbau des Ladenetzes für Elektroautos. Wer auf nachhaltige Lösungen setzt, muss die passenden Ladesäulen an den strategisch richtigen Stellen platzieren. Einfache Analysen nutzen dafür klassische Parameter aus Volkswirtschaftslehre und Netzplanung. Aufgrund sozioökonomischer Entwicklungen prognostizieren sie, wo die größte Zahl von Elektroautos zugelassen werden wird und versuchen daraus den Bedarf an Ladesäulen zu errechnen. In der Praxis stellt sich dieses Verfahren jedoch in den meisten Fällen als ungenau dar. Viel entscheidender sind die aktuellen Verkehrsflüsse, Umgebungsparameter und vorhandene Infrastrukturen, wie Sebastian Gütgemann, Data Scientist Location Analytics bei mayato, ermittelte.

Sven Hensen, Managing Partner bei mayato erklärt: „Die mayato eCharging Location-Lösung stellte schon mehrfach unter Beweis, wie treffend die ermittelten Standorte sind. Der große Vorteil liegt darin, dass auch die Art des Ladeverfahrens bei der Suche nach einem geeigneten Standort berücksichtigt wird.“

Ultra-schnelles, schnelles und herkömmliches Laden werden nicht nur an unterschiedlichen Lokationen nachgefragt, sie stellen auch jeweils andere Anforderungen an die vorhandene Infrastruktur wie beispielsweise die Kapazität der Stromanschlüsse bei Schnellladevorgängen oder die volatile Nachfrage. Auch das Problem von Schnellladesäulen, die durch fertig geladene Fahrzeuge blockiert werden, wird in die Planungen einbezogen. Insgesamt berücksichtigt die eCharging-Location-Lösung mehr als 400 unterschiedliche Parameter. Die individuellen Anforderungen regionaler Versorgungsunternehmen lassen sich ebenso abbilden, wie die Gegebenheiten deutschlandweit aktiver Dienstleister, die eine eigenes Netzwerk an Ladesäulen aufbauen möchten.