Die Ladeinfrastruktur hält mit der wachsenden Zahl an E-Fahrzeugen nicht mit. Eine freie Ladesäule zu finden, wenn sie gerade gebraucht wird, wird immer schwieriger. Daher brauchen E-Autos verlässliche Prognosen zur Verfügbarkeit von Ladesäulen.
Charging Anxiety: Machine-Learning-gestützte Prognose zur Verfügbarkeit von Ladesäulen
Here Technologies
Eines der häufigsten Argumente gegen die Anschaffung eines Elektrofahrzeugs war immer die Reichweitenangst, also die Befürchtung, dass die Batterie im Fahrzeug nicht ausreicht, um die nächste verfügbare Ladesäule zu erreichen. Obschon diese Angst nach wie vor verbreitet ist, steigt die Zahl der Neuzulassungen bei Elektrofahrzeugen weiter an. Ein weiterer Trend: Bislang haben viele Käufer das E-Auto als Zweitwagen genutzt und hauptsächlich auf kurzen Strecken eingesetzt. Dies ändert sich langsam. Das batteriebetriebene Fahrzeug wird immer mehr zum primär genutzten motorisierten Fortbewegungsmittel.
Es ist ein schönes Indiz, dass die Reichweitenangst abnimmt und Fahrer Vertrauen in die Elektromobilität gewinnen. Dafür gibt es Gründe, wie immer leistungsstärkere Batterien, besser vernetzte Dienste und exaktere Bestimmungen der Reichweite. Allerdings entsteht mit diesem sich entwickelnden Nutzerverhalten und der steigenden Zahl an Elektrofahrzeugen ein neues Problem: Die Ladeinfrastruktur hält nicht mit, es gibt noch zu wenige Ladesäulen für die wachsende Zahl an Elektrofahrzeugen. Daher passiert es häufig, dass die präferierte Säule bereits belegt ist. So wird die Range Anxiety, die Reichweitenangst, durch eine Charging Anxiety ergänzt und ersetzt. Dies ist die Befürchtung, dass keine Ladesäule frei sein wird, wenn ein Fahrer sie benötigt. Ähnlich wie bei der Reichweitenangst gibt es auch hier digitale Lösungen, welche das Nutzererlebnis verbessern und die Akzeptanz der Elektromobilität steigern.
Das Navigationssystem senkt die Hürden in der Elektromobilität
Ein zentrales Element, welches das Vertrauen in die Elektromobilität erhöht, ist das Navigationssystem. E-Autos haben eigene Anforderungen an die Navigation. Systeme für E-Fahrzeuge berücksichtigen nicht nur den Ladezustand oder die Kapazität der Batterie, sondern auch streckenspezifische Attribute, wie Straßengeometrie, Topographie, Wetter, Verkehrslage und sogar das individuelle Fahrverhalten. Anhand solcher Merkmale lässt sich ein Verbrauchsprofil errechnen. Dieses fließt in die Berechnung einer Route ein. Das Navigationssystem kalkuliert also unter Berücksichtigung dieser individuellen Faktoren und dem Wissen um Ladesäulen entlang des Wegs die optimale Route, damit Fahrer immer rechtzeitig die für sie ideale Ladesäule finden.
Navigation für Elektrofahrzeuge ist also ein Datenthema. Historische und vorausschauende Daten werden genauso wie dynamische, aktuelle Informationen zur Verkehrslage oder zum Wetter benötigt, um eine optimierte Route zu berechnen. Hinzu kommen Daten zur Abdeckung mit öffentlichen Ladesäulen, ihrem Standort, dem Betreiber, den Kosten, den Bezahlmöglichkeiten, Anschlüssen usw.
Wann ist die Ladesäule frei?
Das hilft noch nicht gegen die Charging Anxiety, da aus diesen Daten nicht hervorgeht, ob die Ladesäule entlang der Strecke tatsächlich verfügbar sein wird und auch funktionsfähig ist, wenn das Fahrzeug dort eintrifft. Die Ladesäule kann defekt oder blockiert oder bereits von einem anderen Fahrzeug reserviert sein. An dieser Stelle kommt Machine Learning ins Spiel: Die Wahrscheinlichkeit, ob die Säule zu einem bestimmten Zeitpunkt verfügbar sein wird, lässt sich auf Basis verschiedene Datenquellen vorhersagen. Der offensichtlichste Anhaltspunkt ist die Ladesäule selbst, die anzeigt, ob sie gerade belegt ist.
Das reicht jedoch nicht. Die Machine-Learning-Algorithmen können historische Daten zur Auslastung der Säule nutzen. Sie berücksichtigen, wie viele E-Fahrzeuge sich in der Gegend befinden sowie örtliche Gegebenheiten, Tageszeit, Verkehrsflüsse und das Wetter, um damit eine Prognose zu erstellen. Diese Modelle können zusammen mit Echtzeitinformationen genauer vorhersagen, ob eine bestimmte Ladesäule in zwanzig Minuten verfügbar sein wird, oder sogar angeben, ob es in der Umgebung noch weitere verfügbare Säulen gibt.
Um eine solche Vorhersage treffen zu können, empfiehlt sich eine logische Reihenfolge von Einzelschritten. Dafür beginnen die Modelle mit der Persistenz, also mit der Erstellung eines großen Bestands an historischen Datensätzen, mit denen die Machine-Learning-Algorithmen arbeiten. Dazu zählen Fahrten, Geschwindigkeiten, Volumen, Zwischenfälle, Wetter, und andere Ereignisse. Dann kann eine Korrelierung erfolgen, also die Anwendung von Machine Learning, um korrelierte Datensätze im Vergleich zu historischen Fahrtzeiten zu identifizieren und die Stärke der Beziehung zu quantifizieren. Als Nächstes optimiert ein Modell die Ergebnisse, indem es unüberwachtes Machine Learning auf Routing- und ETA-Engines anwendet. Dann kann das System schließlich eine Vorhersage treffen, indem es Datenpunkte, die mit bestimmten Ereignissen im Verkehr verbunden sind, gruppiert und ordnet. Die Echtzeit-Algorithmen suchen nach Sequenzen, welche die Grundlage für Vorhersagen bilden. Die Genauigkeit solcher Vorhersagen hängt letztlich von der Fähigkeit des Modells ab, diese Datensätze zu korrelieren und darüber hinaus Modifikatoren anzuwenden.
Höhere Kundenzufriedenheit und größere Akzeptanz
Eine verlässliche Prognose, ob die gewünschte Säule verfügbar sein wird, verbessert das gesamte Nutzererlebnis. Ein Beispiel ist wieder die Fahrzeugnavigation. Wenn die Berechnung der Strecke mit den Ladestopps nur Säulen berücksichtigt, die voraussichtlich dann verfügbar sein werden, wenn das Fahrzeug dort eintrifft, lernen Nutzer schneller, sich auf die Navigationslösung zu verlassen und vertrauen ihr. Ein solches nahtloses Nutzererlebnis trägt maßgeblich zur Kundenzufriedenheit bei.
Es gibt weitere Möglichkeiten, Nutzern die Prognosen zugänglich zu machen. Eine davon ist das Einbinden in die App des Fahrzeugherstellers oder in die des bevorzugten Ladesäulenanbieters. Hier helfen offene APIs, die Prognosen in der App bereitzustellen. So profitieren von den Prognosen sowohl Fahrer, weil sie ein verbessertes Nutzererlebnis haben, als auch Hersteller. Für Hersteller liegt der Vorteil in einer ganzheitlichen Lösung, die sowohl in Navigationslösungen wie auch in Apps oder anderweitig verfügbar gemacht werden kann. Diese Transparenz erhöht die Akzeptanz von E-Fahrzeugen, steigert im besten Fall Verkäufe und hilft so, die Anforderungen an immer sauberere Fahrzeugflotten zu erfüllen.
SaaS-Lösung und APIs für ein individuelles Nutzererlebnis
Here Technologies bietet mit seinem EV-Charge-Points-API-Produkt Daten für über eine Millionen Ladestationen weltweit. Zuletzt hat Here eine API hinzugefügt, die in der Lage ist, die wahrscheinliche Verfügbarkeit einer Ladesäule zu einem bestimmten Zeitpunkt zu prognostizieren. Diese Informationen werden, genau wie andere Lösungen für die Elektromobilität, über die Here-Plattform bereitgestellt. Für ein umfassendes Nutzererlebnis können Hersteller auf eine Software-as-a-Service-Lösung (SaaS) zurückgreifen und ihren Kunden stets aktuelle und anpassbare Dienste im E-Fahrzeug anbieten.