Vorhersage von E-Auto-Ladegewohnheiten in Prag

Elektrofahrzeuge (EVs) werden immer beliebter, weil die Leute nach Möglichkeiten suchen, den CO2-Ausstoss zu reduzieren und den Klimawandel zu bekämpfen. Damit dieser Wandel reibungslos funktioniert, brauchen die Städte die richtige Ladeinfrastruktur. In dieser Studie schauen wir uns an, wie wir die Ladegewohnheiten von Elektrofahrzeugen in Städten wie Prag mit smarter Technologie vorhersagen können. Das Ziel ist es, besser für die zukünftigen Ladebedürfnisse von Elektroautos zu planen.

#Der Bedarf an Elektrofahrzeugen

Mit dem Wachstum der Städte und der zunehmenden Bevölkerung wird der Verkehr zu einem grossen Verursacher von CO2-Emissionen. Um das anzugehen, wenden sich viele Elektrofahrzeugen als sauberere Alternative zu. Aber um diesen Wandel zu unterstützen, müssen wir massiv in Ladestationen investieren, nicht nur in den Wohnungen der Leute, sondern auch an öffentlichen Orten. Das bedeutet, dass Stadtplaner und Energielieferanten zusammenarbeiten müssen, um sicherzustellen, dass die Ladeinfrastruktur der Nachfrage gerecht wird, ohne die bestehenden Stromnetze zu überlasten.

#Herausforderungen bei der Planung von Ladestationen

Das Energienetz auszubauen, um mehr Ladestationen für Elektrofahrzeuge zu unterstützen, ist nicht einfach. Das kostet viel Zeit und Geld. Ein grosses Problem besteht darin, dass wir vorhersagen müssen, wo und wie viele Ladestationen benötigt werden. Verschiedene Bereiche haben unterschiedliche Anforderungen, abhängig davon, wie viele Menschen dort wohnen, wie sie reisen und welche Gebäudetypen in der Nähe sind. Es gibt jedoch nicht viel Forschung, die diese Entscheidungen leiten kann, vor allem, weil Daten zu Ladegewohnheiten oft vertraulich von Unternehmen behandelt werden.

#Unser Ansatz zur Lösung des Problems

In dieser Studie haben wir uns mit dem örtlichen Stromversorger in Prag zusammengetan, der die meisten öffentlichen Ladestationen betreibt. Unser Plan war es, eine Methode zu entwickeln, um zukünftige Lademuster zu schätzen, selbst an Standorten, an denen es derzeit keine Charger gibt. Indem wir Daten über bestehende Lader und lokale Merkmale genutzt haben, wollten wir ein klareres Bild davon bekommen, wie das Ladeverhalten aussieht.

#Wie wir Daten sammeln

Zuerst haben wir uns die Standorte der aktuellen öffentlichen Lader in Prag genau angeschaut. Wir hatten Zugang zu detaillierten Informationen, einschliesslich wann jede Ladesession begann und endete, wie viel Energie verbraucht wurde und wo jeder Charger stand. Wir hatten keine Details zu spezifischen Fahrzeugen, aber wir haben diese Daten mit Informationen über die Nachbarschaften, in denen die Lader stehen, kombiniert. Das hat uns geholfen, die Gegend und ihre Ladebedürfnisse besser zu verstehen.

#Faktoren, die die Lade-Nachfrage beeinflussen

Um zukünftige Ladebedürfnisse genau vorherzusagen, haben wir viele Faktoren berücksichtigt, die die Nutzung von Energie an verschiedenen Ladern beeinflussen könnten. Zum Beispiel haben wir uns den Typ der Nachbarschaft angeschaut, in der ein Lader steht – ob es Wohn-, Industrie- oder etwas anderes ist. Ausserdem haben wir die Anzahl der Menschen in der Nähe betrachtet und ob sie hauptsächlich lokal oder weiter weg pendeln.

#Aufbau des Vorhersagemodells

Wir haben ein Modell erstellt, das maschinelles Lernen nutzt, um Muster im Ladeverhalten zu analysieren. Wir haben uns auf zwei Hauptaspekte des Ladens konzentriert: die Spitzenlast und die tägliche Lastkurve (wie die Lade-Nachfrage im Laufe des Tages schwankt). Unser Modell geht davon aus, dass es verschiedene häufige Ladeverhalten gibt, die von unterschiedlichen Faktoren beeinflusst werden, wie dem Standort des Chargers und der Anzahl der Nutzer.

Das Modell hilft uns zu ermitteln, wie diese Lademuster in verschiedenen Gebieten aussehen könnten. Zum Beispiel könnten einige Bereiche über den Tag hinweg eine stetige Nachfrage zeigen, während andere nur morgens oder abends hohe Nachfragen sehen.

#Ergebnisse der Studie

Nachdem wir unser Modell laufen lassen haben, haben wir mehrere verschiedene Lademuster entdeckt. Ein Muster zeigte eine stetige Nachfrage tagsüber, typisch für öffentliche Lader. Ein anderes Muster hatte einen starken Anstieg morgens, während ein weiteres abends einen Peak zeigte – mehr typisch für Heimlader. Diese Ergebnisse deuten darauf hin, dass verschiedene Standorte einzigartige Ladeverhalten aufweisen, basierend auf ihren spezifischen Eigenschaften.

Wir haben festgestellt, dass die Klassifizierung der lokalen Gegend die vorhergesagte Ladebelastung beeinflusst. Das bedeutet, dass es hilfreich sein kann, den Typ der Nachbarschaft zu kennen, um zu schätzen, wie viel Laden dort in der Zukunft stattfinden wird.

#Fazit und weitere Forschung

Diese Studie bietet eine neue Möglichkeit, die Ladebedürfnisse von EVs in städtischen Gebieten unter Verwendung von maschinellem Lernen abzuschätzen. Indem wir bestehende Daten und lokale Merkmale analysieren, können wir informierte Vorhersagen treffen, die Energieversorgungsunternehmen und Stadtplanern helfen, ihre Ressourcen besser zu verwalten.

Während wir diese Forschung fortsetzen, hoffen wir, unser Modell zu verbessern, indem wir mehr Daten einbeziehen und berücksichtigen, wie Ereignisse wie die COVID-Pandemie das Ladeverhalten beeinflusst haben. Wir wollen auch andere Forscher ermutigen, ähnliche Methoden in anderen Städten anzuwenden, um unsere Ergebnisse weiter zu validieren.

#Die öffentliche Ladeinfrastruktur in Prag

Die öffentliche Ladeinfrastruktur in Prag wird durch seine Nachbarschaften geprägt. Jedes Gebiet wird in Verwaltungsbezirke unterteilt, was uns hilft zu analysieren, wie viele Lader wo stehen und wie sie genutzt werden. Es gibt viele Wohngebiete mit einer hohen Konzentration an Ladern, insbesondere dort, wo viele Menschen leben.

#Visualisierung der Charger-Standorte

Die Stadt Prag hat eine breite Verteilung öffentlicher Lader. In einigen Gebieten, besonders dort mit vielen Bewohnern, gibt es viele Ladestationen, während in anderen Gebieten, wie Industriegebieten, Mangel herrscht.

#Trends im Laufe der Zeit

Wir haben auch untersucht, wie sich das Ladeverhalten im Laufe der Zeit ändert. Zum Beispiel haben wir festgestellt, dass es an Wochenenden weniger Ladesessions gibt, und insgesamt sehen die Sommermonate eine niedrigere Nachfrage. Unsere Analyse berücksichtigte auch, wie Feiertage das Laden beeinflussen könnten, obwohl keine wesentlichen Veränderungen über Ostern beobachtet wurden.

#Der Einfluss von COVID-19 auf das Ladeverhalten

Die COVID-19-Pandemie hat einen erheblichen Einfluss auf die Gesamtlast öffentlicher Lader gehabt. Mit Lockdowns und Veränderungen im täglichen Leben hat sich das Ladeverhalten verschoben, und das ist etwas, das wir weiter untersuchen wollen.

#Technische Details des Modells

In unserer Studie haben wir die Parameter für unser Vorhersagemodell sorgfältig ausgewählt. Dazu gehörte, wie detailliert unsere Vorhersagen sein sollten und wie lange das Modell laufen sollte, bevor es Ergebnisse meldet. Damit wollten wir sicherstellen, dass unser Modell gut auf die Daten abgestimmt ist, mit denen wir gearbeitet haben.

#Abschliessende Gedanken

Während Städte auf eine Zukunft mit mehr Elektrofahrzeugen zusteuern, ist es entscheidend, die Lade-Nachfrage zu verstehen. Unser Ansatz, maschinelles Lernen mit lokalen Daten zu kombinieren, gibt uns wertvolle Einblicke, die helfen können, städtische Lade-Strategien zu gestalten. Wir sind entschlossen, unser Modell zu verfeinern und unsere Erkenntnisse zum Nutzen von Stadtplanern und Versorgungsunternehmen überall zu teilen. Und denk dran, je mehr Leute auf Elektrofahrzeuge umsteigen, desto aufgeladener kann man in die Zukunft schauen!