Selbstadaptives Lademanagement – KI für Elektro-Ladeinfrastruktur

Wir optimieren seit Jahren den Stromfluss für das Laden von Elektrofahrzeugen aus der Cloud mit unserem Produkt „Gridware“.

Um die diesbezüglichen Möglichkeiten von künstlicher Intelligenz anwendungsnah zu erforschen, haben wir uns mit der Universität Kassel und dem House of Energy im Projekt SALM (Selbstadaptives Lademanagement) zusammen gefunden. Die Ergebnisse sind hier zu finden: Ergebnisbroschüre SALM 2023

Das Wichtigste für uns:

  • Je komplexer die Topologien und Szenarien werden, desto wichtiger die Simulation
  • Eine Simulation muss mit Kennzahlen bewertet werden, um unterschiedliche Szenarien, Topologien und KI-Algorithmen miteinander vergleichen zu können
  • Damit der Betreiber versteht, was tatsächlich passiert, ist eine Visualisierung auf dem jeweils richtigen Abstraktionsgrad unerlässlich
  • Der Hochlauf der Elektromobilität funktioniert nur in dem Maße, wie sich der Ausbau der Infrastruktur und die Bedürfnisse der Nutzer die Waage halten.

Und so geht’s weiter: Wir werden die Erkenntnisse nutzen, um Gridware noch besser auf die Bedürfnisse der CPOs (Charge Point Operator) abzustimmen:

  • Kennzahlen wie Auslastung, Ladequalität, Energie pro Zeitintervall werden auf alle Hierarchiestufen verfügbar gemacht, also für Ladecluster, Smart Grids, Campus, Areale, Gebiete
  • Algorithmen werden ständig messbar verbessert
  • Wir wollen unsere Kunden künftig neben dem Betrieb von Ladeinfrastruktur auch bei der Konzeption und elektrischen Planung der Ladeinfrastruktur unterstützen. Durch Simulation unbegrenzt großer, teils mehrstufig verdrahteter AC- und DC-Ladecluster an einem Standort, auf denen dann unterschiedliche Nutzungs-Szenarien abgebildet werden, werden künftig Auf- und Ausbaupläne gestaltet. Die Szenarien beinhalten dabei 1- und 3-phasige Fahrzeuge mit unterschiedlichen Batteriegrößen, Ladezuständen und Einspeiseakzeptanzen. Diese treten zu unterschiedlichen Tageszeiten, Wochentagen oder anderen Zeitintervallen mit gewisser Häufung auf und werden dann untereinander vergleichbar.
  • Und ja: uns fehlt noch eine KI, die erarbeitet und visualisiert, in welcher Form der Ausbau einer Topologie schrittweise erfolgen sollte, mit Hinblick auf die zu erwartenden Szenarien…
    Momentan müssen wir da noch kräftig mitdenken 😉

Vielen Dank an die Universität Kassel und das House of Energy für die gelungene Zusammenarbeit!


Teilen Sie diesen Beitrag

Das könnte dich auch interessieren …