d-E-mand: Vorhersage von Ladebedarf bei Elektromobilität als Business Enabler

Abstract

Die Elektromobilität ist für die Einhaltung der globalen Klimaschutzziele alternativlos. Im Zuge der Elektrifizierung und digitalisierung des Verkehrs wird zudem die Lebensqualität in urbanen Räumen steigen. Dies geschieht durch die Reduzierung von Abgasen, Lärm- und Feinstaubbelastung sowie Entlastung der Verkehrsinfrastruktur mit dem Zuwachs von E-Sharing- Angeboten wie Mobility / Transportation as a Service (MaaS / TaaS). Das Ziel des Projekts war die Schaffung einer Geschäftsgrundlage für KMUs und Start-Ups für neuartige Dienstleistungen bezogen auf die Bedienung von erhöhtem räumlich-zeitlichen Ladebedarf von Elektrofahrzeugen und Eröffnung neuer Geschäftsfelder in diesem Bereich. Darüber hinaus sollten für Großunternehmen, wie Netzbetreiber und Ladestationshersteller, entsprechende Analytics-Schnittstellen zur Bedarfsermittlung und Optimierung der Energieversorgung geschaffen werden. In d-E-mand wurden die dazu notwendigen Datenbasierten Algorithmen und Services in Form von Machine Learning Algorithmen und verschiedenen Apps geschaffen. Dabei wurden sowohl B2B und B2C Szenarien beachtet. Die entwickelten Algorithmen können zur Ladebedarfsprognose und zur Platzierung von Ladeinfrastruktur genutzt werden. Die entwickelten Komponenten stellen eine vielversprechende Grundlage für die Operationalisierung für Dienstleistung zur bedarfsgerechten Platzierung von Ladeinfrastruktur für Elektrofahrzeuge dar. Datei-Upload durch TIB The adoption of electric vehicle is a key success factor for reaching the global climate protection goals. Electrifying cars will also lead to a general better life quality of life in urban areas through the reduction of emissions and noise pollutions. Further, shared mobility services such as mobility as a service and transportation as a service are particularly likely to be adopted for electric vehicles. This project aimed to create a business foundation for small and medium-sized enterprises (SMEs) and startups offering innovative services related to charging electric vehicles, opening up new markets, and creating demand-based analytics interfaces for energy supply optimization. To achieve this goal, data-driven algorithms and services were developed, i.e., machine learning techniques and various apps. Both B2B and B2C scenarios were considered. The developed algorithms can predict charging needs and optimize the placement of charging infrastructure. The developed components provide a promising basis for operationalizing services related to the demand-based placing charging infrastructure for electric vehicles.