Verbesserte Verfügbarkeit

Als Nutzer von E-Autos sind wir darauf angewiesen, dass wir überall komfortabel nachladen können. Gerade zu Spitzenzeiten wie tagsüber in Innenstädten kann es aber passieren, dass viele Ladestationen bereits belegt sind. Zum Teil haben ankommende Fahrzeuge aber bereits einen hohen Ladezustand und müssten nicht laden. Dadurch kann eine Ladesäule blockiert werden, die von jemand anderem dringender benötigt wird.

Dieses Problem möchten wir beheben, indem wir durch smarte, preisbasierte Anreizsysteme Nutzer dazu motivieren, Ladeinfrastruktur abhängig von aktueller Auslastung zu nutzen. Eine Ladestation in einem Hotspot wird daher teurer, um nicht-dringende Ladungen abzuhalten. Zu Zeiten und an Orten mit geringer Auslastung wiederum werden die Preise günstiger, um nicht-dringende Ladungen zu inzentivieren.

Netzentlastung

Die größte Herausforderungen bei der Integration von Ladeinfrastruktur ins elektrische Verteilungsnetz ist nicht die zusätzliche Energiemenge, die übertragen werden muss. Die zu erwartenden Leistungsspitzen durch Ladevorgänge können bei gleichzeitigem Auftreten mit Leistungsspitzen durch Haushalts- und Industrielasten zu einer kurzfristigen Überlastung und sogar Defekt von Leitungen und Transformatoren führen. Durch die Berücksichtigung der Netzauslastung bei der Bewertung von Ladevorgängen soll das Ladeverhalten so angepasst werden, dass diese Überlastungen vermieden werden können. Der Vorteil dieser Vorgehensweise ist, dass dadurch weitgehend auf kostenintensive Netzausbau und –verstärkungsmaßnahmen verzichtet werden kann.

Vorhersage mit künstlicher Intelligenz

Da die Ladung von E-Fahrzeugen zum Teil lange dauern kann, muss ein Hotspot vorhergesagt werden bevor er entsteht. Für die Vorhersage der Ladeinfrastrukturauslastung nutzen wir Big-Data Methoden und maschinelles Lernen. Dazu wird die vergangene Ladesäulenauslastung sowie weitere Daten ausgewertet. Die darin erkannten Muster werden anschließend genutzt, um vorherzusagen, wo Hotspots entstehen könnten. Pro Ladestation wird dann in stündlicher Auflösung berechnet, mit welcher Wahrscheinlichkeit diese im Prognosezeitraum belegt wird.

Bereitstellung über bestehende Systeme

Die Information darüber, welche Ladestation wann in einem Hotspot ist, wird über die Backendsysteme von Hubject und Smartlab an Sie als Ladeinfrastruktur weitergegeben. Es können dabei individuelle Preisstrategien festgelegt werden, je nachdem wie stark die Preisunterschiede zwischen Niedriglastperioden und Hotspots sein soll. Bei der Findung passender Strategien unterstützen Sie die Wissenschaftler der RWTH.