25. April 2024
Der Einsatz von E-Fahrzeugen in Deutschland nimmt deutlich Fahrt auf. Eine wachsenden Anzahl von Ladestationen machen das Aufladen von Elektroautos immer zugänglicher und bequemer. Anna F. aus München zum Beispiel ist Fahrerin eines Elektroautos und auf der Autobahn unterwegs. In etwa 45 Minuten benötigt ihr Fahrzeug eine frische Akkuladung. Kein Problem, Anna profitiert von der neuesten App-Technologie, die es ihr ermöglicht, ohne Sorge um die Reichweite zu fahren. Ein paar Klicks genügen und sie findet eine verfügbare Ladestation, inklusive der Kosten für den Ladevorgang, und reserviert sie – alles online und in Echtzeit.
Rund 108.000 öffentlich zugängliche Ladepunkte versorgen E-Fahrzeuge in Deutschland mit elektrischer Energie – Tendenz steigend. Die Ladestationen sind nicht nur untereinander vernetzt, sondern auch Teil des Internet of Things (IoT), das detaillierte Daten über das Ladeverhalten der Nutzer sammelt. Durch den Einsatz smarter KI- und Datenanalysewerkzeuge können diese Daten von Anbietern genutzt werden, um das Kundenerlebnis zu verbessern und intelligentere Preisstrategien zu entwickeln.
Die Datenbank für E-Informationen wird von Hubject verwaltet, dem Betreiber der weltweit größten eRoaming-Plattform für Elektromobilität. Visualisiert man die Daten, dann ist leicht zu erkennen, wie Ladestationen über ganz Deutschland verteilt sind – von den belebten Straßen Berlins bis zu den ruhigen Ecken der bayerischen Alpen.
Der Fokus von valantic liegt auf den Ladestationen im südlichen Deutschland. Diese nutzen wir, um mithilfe von maschinellem Lernen (ML) und weiteren fortschrittlichen Analysemethoden zunächst grundlegende Erkenntnisse aus den Datensätzen zu gewinnen und ein umfassendes Verständnis der aktuellen Lage zu erlangen.
Um die Verfügbarkeit von Ladestationen vorherzusagen, gruppieren unsere Datenanalysten die erfassten Daten nach ähnlichen Nutzungsmustern. Dadurch wird es möglich, das Prognose-Modell auf einzelne Gruppen herunterzubrechen und zu erkennen, bei welchen Typen von Ladestationen besonders präzise Vorhersagen machbar sind. Für die Implementierung der Algorithmen nutzen die Software-Entwickler von valantic Python und etablierte Bibliotheken wie Pandas und Scikit-Learn. Der Agglomerative Clustering-Algorithmus hilft dabei, Ladestationen zu gruppieren, und mit Matplotlib visualisieren wir anschließend die Ergebnisse.
Analyzing the time of day and average utilization provides valuable insights for EV drivers and charging station operators. During the day, the charging stations are used more frequently than at night, confirming the preference for charging at home during nighttime hours.
Um die Leistungsfähigkeit des Vorhersagemodells zu bewerten, setzt valantic ein einfaches Vergleichsmodell ein, das als Basislinienmodell (Baseline) bezeichnet wird. Dieses Modell nutzt den aktuellen Zustand der Ladestation als Prognosegrundlage für zukünftige Zeiträume. Es gibt auch die Option, alternative Basislinienmodelle zu verwenden, die sich beispielsweise nur auf die Tageszeit stützen. Innerhalb des valantic MLOps-Workflows nutzen wir ‚mlflow‘, eine Plattform zum Tracking von Modellen, die es uns ermöglicht, verschiedene Modelliterationen effizient miteinander zu vergleichen und die Prognose abzusichern.
Ein tieferer Blick in die Details: Die F1-Metrik spielt eine entscheidende Rolle bei der Bewertung der Modellleistung, insbesondere bei der Klassifikation von unausgewogenen Daten. Sie berücksichtigt sowohl die Präzision, also die Prognosegenauigkeit auf dem Zeitstrahl, als auch die Sensitivität, das heißt die Fähigkeit des Modells, falsche Vorhersagen zu minimieren. So ist die F1-Metrik das harmonische Mittel aus Präzision und Sensitivität und bewegt sich in einem Wertebereich von 0 bis 1, wobei 1 die bestmögliche Leistung anzeigt.
Die hohe Vorhersagegenauigkeit des Modells, selbst über einen Zeitraum von drei Stunden, verspricht eine zuverlässige Planung für die E-Fahrzeugführer*innen und Betreiber. Das kann wesentlich dazu beitragen, die Unsicherheit bei der Suche nach verfügbaren Ladepunkten zu reduzieren und gleichzeitig die Effizienz des Ladevorgangs zu steigern. In Folge verbessert sich die Kundenzufriedenheit. Darüber hinaus könnten dynamische Preismodelle, die auf der Vorhersagegenauigkeit des Modells basieren, den Fahrer*innen günstigere Preise bieten. Wenn sie etwa bereit sind, ihre Ladezeiten flexibler zu gestalten, also gegebenenfalls längere Wartezeiten einzuplanen.
Die Integration des trainierten Vorhersagemodells in die Apps von Ladepunktbetreibern schafft zusätzlich die Möglichkeit, Preise auf Grundlage der erwarteten Auslastung intelligenter zu setzen. Durch die Analyse der Vorhersagedaten können Betreiber ihre Preise dynamisch anpassen, die Nachfrage steuern und eine gleichmäßigere Auslastung der Ladestationen erreichen. In Zeiten geringerer Nachfrage sinken die Preise und schaffen für E-Fahrer*innen Anreize, die Akkus ihre Fahrzeuge während dieser Zeiträume aufzuladen. In Zeiten hoher Nachfrage steigen die Preise und beugen einer Überlastung vor. Durch eine intelligentere Preissetzung würde nicht nur die Effizienz der gesamten Ladeinfrastruktur verbessern, die Betreibern würden auch ihre Einnahmen maximieren.
Mit dem Eintritt der Elektromobilität in den Massenmarkt haben sich die Anforderungen der Nutzer grundlegend gewandelt. Waren es früher vor allem Technikbegeisterte, die Elektromobilität als technische Herausforderung begriffen und Spaß daran hatten, erwartet heute die Mehrheit der Verbraucher*innen und Elektroautofahrer*innen ein Höchstmaß an Komfort und Benutzerfreundlichkeit. Sie verlangen intuitive Lösungen, die ihnen nicht nur das Auffinden der nächsten Ladestation erleichtern, sondern auch eine nahtlose Integration in ihren Alltag ermöglichen. Die Verfügbarkeit von Ladestationen wird somit zu einem kritischen Faktor für die Akzeptanz und den Erfolg von Elektrofahrzeugen im Alltag.
Die Anbieter von Ladeinfrastrukturen stehen vor der Herausforderung, diesen veränderten Anforderungen gerecht zu werden. Sie müssen nicht nur die physische Verfügbarkeit von Ladestationen sicherstellen, sondern auch die digitale Infrastruktur in Form von Benutzer-Apps und Diensten stetig verbessern. Die Nutzung von großen Datenbanken und maschinellem Lernen bietet hierbei die Möglichkeit, die Nutzererfahrung zu personalisieren und auf die individuellen Bedürfnisse der Fahrer*innen zuzuschneiden. So können beispielsweise Vorhersagemodelle nicht nur die Verfügbarkeit von Ladestationen in Echtzeit anzeigen, sondern auch Empfehlungen für die optimale Ladezeit und -dauer geben, basierend auf dem individuellen Nutzungsprofil des Fahrers.
Die intelligente Nutzung von Datenanalyse und maschinellem Lernen ermöglicht es, den Einsatz von E-Fahrzeugen in Deutschland zu unterstützen und zu optimieren. Fahrer*innen können mit Hilfe intelligenter Apps zuversichtlich unterwegs sein und Ladestationen finden, wenn sie diese dringend benötigen. Für Ladeinfrastrukturbetreiber bieten die Technologien einen entscheidenden Mehrwert, um neue Kunden zu gewinnen und zu halten. Sie ermöglichen es, Preismodelle intelligenter aufzusetzen und das Ökosystem der Elektromobilität nachhaltiger und effizienter zu gestalten.
Automotive Software Solutions
Der Einsatz leistungsstarker Automotive Software ist entscheidend, um die Herausforderungen der Automobilindustrie zu meistern.
Nichts verpassen.
Blogartikel abonnieren.