E-Fahrzeuge sind dann besonders ressourceneffizient und kostensparend, wenn sie mit Strom aus erneuerbaren Quellen geladen werden – beispielsweise über eine Solaranlage auf dem Parkhaus-Dach. Um den so erzeugen Strom bestmöglich zu nutzen, ist allerdings ein intelligentes Lademanagement erforderlich. Aktuelle Lademanagementsysteme für E-Autos basieren auf festen Regeln und erfordern oft manuelle Entscheidungen zur Priorisierung zwischen Eigen- und Ladebedarf, was zu ineffizienten Ladevorgängen und Spitzenlasten führen kann.
In einem Digitalisierungsprojekt des Mittelstand-Digital Zentrums Hannover entwickelt das IPH – Institut für Integrierte Produktion Hannover gGmbH gemeinsam mit der Firma Cubos Technologies GmbH ein geeignetes Prognosemodell zur intelligenten Ladezeit- und Energiemengen-Vorhersage.
Herausforderungen heutiger Lademanagementsysteme
Kosten sparen durch intelligente Steuerung von Ladezeit und -menge
Produzierende Unternehmen können Kosten sparen, indem sie ihre selbst erzeugte erneuerbare Energie noch effizienter nutzen – beispielsweise, um ihren Fuhrpark aus E-Fahrzeugen zu laden. Mit einem intelligenten Lademanagement lassen sich einerseits teure Lastspitzen vermeiden, bei denen sonst Strom zu teuren Konditionen von externen Anbietern zugekauft werden müsste. Andererseits kann die selbst erzeugte Energie vollständig genutzt werden, ohne ins Netz eingespeist zu werden, wodurch Transportverluste vermieden und weitere Kosten gesenkt werden. Durch den neuartigen Ansatz wird es möglich, Strom dann zu verbrauchen, wenn er vorhanden ist. Perspektivisch lassen sich durch feinabgestimmte Ladesysteme mit bidirektionalem Laden auch Lastspitzen glätten, indem bereits geladene Energie aus den Fahrzeugbatterien entnommen wird. Das stabilisiert die Übertragungsnetze zusätzlich.
Historische Ladedaten als Grundlage für die intelligente Steuerung
Das Projekt untersucht, ob die anonymisierten Daten aus rund 50.000 Ladevorgängen dazu genutzt werden können, eine intelligente Steuerung der Ladezeiten und -mengen zu entwickeln. Ziel ist es, diese historischen Ladedaten zu analysieren, um künstliche neuronale Netze zu erstellen, die Entscheidungen zum Start und Ende der Ladevorgänge effizient unterstützen. So könnten Lastspitzen besser ausgeglichen, erneuerbare Energien optimal genutzt und die Betriebskosten reduziert werden. Diese datenbasierte Steuerung soll nicht nur die Energieeffizienz verbessern, sondern auch die Grundlage für zukunftsfähige, vollständig automatisierte Lademanagementlösungen schaffen.
Prognosemodelle mit KI: Wir unterstützen Sie gern!
Sie möchten mehr über Prognosemodelle zur intelligenten Ladezeit und -energiemengen vorhersage erfahren? Dann kontaktieren Sie uns gern! Unsere Expertin für KI-gestützte Prognosen, Paulina Merkel, steht Ihnen unter merkel@mitunsdigital.de oder 0511 279 76 331 zur Verfügung.
In unserem Lern-Nugget zu Zeitreihendaten können Sie sich die Grundlagen zum Umgang mit zeitlich abhängigen Datensätzen anschauen.
