Vorteile von künstlicher Intelligenz beim Laden von Elektrofahrzeugen

Inhaltsverzeichnis

Wir glauben fest daran, dass KI eine wichtige Rolle dabei spielen kann, Menschen zu unterstützen. Auch Ladelösungen, die künstliche Intelligenz nutzen, könnten zukünftig die meisten EV-Fahrer überzeugen. Mit diesem Insight möchten wir tiefer in das Potenzial von KI eintauchen, indem wir betrachten, wie das Endnutzererlebnis beim öffentlichen Laden verbessert werden könnte. 

Annas Problem mit dem öffentlichen Laden

Um zu verstehen, wie EV-Fahrer Entscheidungen treffen, betrachten wir ein reales Szenario eines typischen EV-Fahrers. Stellen Sie sich Anna vor, 32 Jahre alt, lebt in einer mittelgroßen deutschen Stadt und arbeitet als Software-Entwicklerin bei einer regionalen Bank. Sie hat sich kürzlich entschieden, elektrisch zu fahren (mit 200 km Reichweite) und liebt es definitiv.

An einem sonnigen Donnerstagnachmittag erhält sie einen Anruf von einer Freundin, die in einer etwa 120 km entfernten Stadt lebt. Ihre Freundin wurde ohne Vorwarnung entlassen und würde daher etwas Trost von Anna genießen. Beide entscheiden, dass sie bei ihrer Freundin zu Abend essen werden und Anna bis morgen bleibt. Bevor Anna ihre Fahrt beginnt, denkt sie sofort ans Laden, da sie weiß, dass etwas Planung erforderlich ist. Nach dem Überprüfen ihrer Lieblings-Lade-App findet sie einen öffentlichen 22-kW-Lader in der Nähe des Hauses ihrer Freundin – derzeit besetzt – und einen HPC-Lader direkt vor der Autobahnausfahrt. Sie entscheidet sich, am HPC-Lader zu laden, da sie nicht riskieren möchte, ihr Auto am Abend nicht laden zu können. Sie wird am nächsten Morgen vor der Arbeit keine Zeit haben.

Gesagt, getan – sie steigt in ihr Auto, fährt die Autobahn entlang, lädt am HPC-Lader und kommt bei ihrer Freundin an. Bei ihrer Ankunft sieht sie, dass der AC-Lader jetzt verfügbar ist und sie dort hätte laden können. Sie ist frustriert, da sie bereits viel Geld für das Laden am HPC-Lader bezahlt hat.

Warum hatte sie dieses frustrierende Ladeerlebnis? Ihre Entscheidung, die sich als nicht optimal für sie herausstellte, basiert hauptsächlich auf drei Heuristiken, auf die sich Menschen regelmäßig bei Entscheidungen verlassen: Verfügbarkeit, Repräsentativität und Anpassung. Alle diese Heuristiken haben auch Annas Entscheidungsfindung beeinflusst:

  • Verfügbarkeitsheuristik: Sie hat kürzlich versucht, an einem AC-Lader zu laden, fand ihn jedoch blockiert. Dies ist die präsenteste Erinnerung an AC-Laden in ihrem Kopf. Sie möchte dies nicht noch einmal erleben.
  • Repräsentativitätsheuristik: Der AC-Lader in ihrer Nähe wird viel genutzt und ihre Nachbarschaft ist der ihrer Freundin ziemlich ähnlich. Zumindest denkt sie das. Daher projiziert sie die Eigenschaften des AC-Laders in ihrer Nähe auf den AC-Lader in der Nähe ihrer Freundin, ohne zu wissen, ob das tatsächlich stimmt.
  • Anpassungsheuristik: In ihrem Kopf sind AC-Lader typischerweise blockiert. Selbst wenn sie mehr Zeit investieren würde, um die lokale Situation bei ihrer Freundin besser zu verstehen, würde sie ihre Schätzung über die Verfügbarkeit wahrscheinlich nicht genug anpassen, um zu dem Schluss zu kommen, dass er bei ihrer Ankunft verfügbar sein wird.

Der allgemeine Mangel an Informationen und das Vertrauen auf Heuristiken, kombiniert mit der typischen hohen Risikoaversion von Menschen, führt dazu, dass Anna den HPC-Lader wählt – auch wenn das bedeutet, dass sie mehr für das Laden bezahlen muss. Aber kann eine intelligente Ladelösung etwas dagegen tun und ihr helfen?

Warum das Anzeigen statistischer Informationen nicht ausreicht

Oft wird die Verwendung statistischer Daten diskutiert, um Anna zu helfen. Eine Ladeanwendung könnte ein Histogramm der Nutzungsdaten basierend auf der Tageszeit und dem Wochentag anzeigen. Auf diese Weise könnte Anna eine Schätzung darüber erhalten, wie wahrscheinlich es ist, dass die Station bei ihrer Ankunft verfügbar ist. Wir kennen alle diesen Diagrammtyp von Google Maps.

Das Berechnen des Durchschnitts der Belegung am Donnerstag um 19:00 Uhr auf historischen Daten würde die a-priori Wahrscheinlichkeit 𝑃 der Verfügbarkeit der Ladestation annähern:

𝑃 (verfügbar)=Anzahl der verfügbaren Ladevorgänge

Gesamtanzahl der Ladevorgänge

Annas Lade-App kennt zusätzlich den aktuellen Status des Laders – er ist besetzt. Die Kombination dieser Informationen könnte als a-posteriori Wahrscheinlichkeit ausgedrückt werden, dass der AC-Lader in einer Stunde verfügbar ist, wenn er jetzt besetzt ist:

𝑃(verfügbar in einer Stunde∣besetzt jetzt)

Zusätzlich könnte die Dauer der Ladesitzung berücksichtigt werden:

𝑃(verfügbar in einer Stunde) = 𝑃(verfügbar) × 𝑃(Dauer der Ladesitzung)

Aber es gibt noch viel mehr verfügbare Informationen und einige haben sich bereits als sehr wichtig erwiesen, um die Schätzung der Verfügbarkeit zu ändern, z. B. Wetter, Veranstaltungen in der Umgebung und Verkehr. Verstehen Sie, wohin das führt? Niemand möchte, dass Anna oder ihre Lade-App all diese Informationen sammelt und die Berechnungen durchführt. Der statistische Ansatz wäre mühsam und am Ende vielleicht nicht so genau, wie es nötig wäre. Wir glauben, dass künstliche Intelligenz diese Aufgabe übernehmen kann, indem sie Informationen integriert und eine wertvolle Empfehlung zur zukünftigen Verfügbarkeit abgibt.

Wie KI den Unterschied machen kann

Die meisten Menschen wissen aus dem Biologieunterricht, dass das menschliche Gehirn aus Neuronen und Axonen besteht, die Aktionspotenziale senden. Obwohl es viel komplexer ist und Wissenschaftler immer noch rätseln, reicht dieses grundlegende Wissen aus, um die Informatik zu inspirieren: In neuronalen Netzwerken (nur ein Teil der KI) wird die Grundstruktur unseres Gehirns nachgebildet. Dies geschieht, um eine der wichtigsten Funktionen für die Entscheidungsfindung künstlich zu schaffen: aus Erfahrung zu lernen.

Menschen können aus nur wenigen Beispielen verallgemeinern oder imitieren. Abhängig von der Aufgabe benötigen künstliche neuronale Netzwerke Tausende bis Millionen von Beispielen, um aus ihnen zu lernen. Da sie sich auf eine einzelne Aufgabe konzentrieren, können sie Korrelationen zwischen verschiedenen Teilen der Daten entdecken, die ein Mensch übersehen würde. Der „Input“ unterscheidet sich hier: Menschen haben ihre persönlichen Erfahrungen, ihr Wissen und ihre situative Wahrnehmung, während neuronale Netzwerke nur Zahlen lesen können. Beide filtern nützliche Informationen, um die gegebene Aufgabe zu lösen. Während Menschen dazu neigen, ihre Filter für eine gegebene Aufgabe nicht zu ändern (einmal entschieden), bleiben neuronale Netzwerke völlig rational und berücksichtigen alle gegebenen Informationen gleichermaßen. Dies kann je nach Aufgabe ein großer Vorteil sein.

Betrachtet man Anna, so hat sie bereits aus Erfahrung gelernt, dass der Lader in ihrer Nähe abends oft besetzt ist. Sie dachte, dass der Lader in der Nähe des Hauses ihrer Freundin ähnlich genutzt wird. Vielleicht sind beide im Stadtzentrum platziert, aber einige umgebende Merkmale sind unterschiedlich, wie die nächste Ladestation, Restaurants usw. Im Gegensatz zum menschlichen Entscheidungsprozess könnte eine KI verschiedene Arten von Daten integrieren, die die Ladeverfügbarkeit beeinflussen, aber für einen EV-Fahrer manuell nicht praktikabel zu berücksichtigen sind. Die historische Nutzung von Ladestationen ist nur ein Teil neben den unbegrenzten Möglichkeiten von Daten aus der Umgebung und ähnlichen Standorten. Ein solches System könnte in der Lage sein, die Verfügbarkeit von Ladestationen in naher Zukunft mit hoher Genauigkeit vorherzusagen und Anna eine rationale Risikobewertung für ihre Ladeentscheidung zu geben. Wenn ihre Lieblings-Lade-App ein solches System nutzen würde, könnte sie die übermäßigen Kosten am HPC-Lader vermeiden.

Wir müssen KI für alle Ladeanwendungen zugänglich machen

Wir glauben, dass es bereits viele großartige Ladeprodukte gibt, aber zum Zeitpunkt des Schreibens sind sie einfach nicht gut genug, um EV-Fahrern bei ihren Ladeentscheidungen zu helfen. Besonders in Zeiten und Gebieten, in denen die Anzahl der öffentlichen Ladepunkte langsamer wächst als die Anzahl der EVs auf den Straßen, müssen wir besser darin werden, Fahrern zu helfen, freie Ladepunkte zu finden.

Der in diesem Blogbeitrag beschriebene Anwendungsfall ist nur einer von vielen, bei denen die Integration fortschrittlicher KI-Technologie in eine Ladeanwendung den Unterschied zwischen einer „frustrierenden“ und einer „best-in-class“ Ladeerfahrung ausmachen könnte. Wir wissen, dass KI herausfordernd sein kann und erhebliche Vorabinvestitionen erfordert. Service4Charger hat sich jedoch zum Ziel gesetzt, kontinuierlich nach innovativen Lösungen zu suchen, um die Ladeerfahrung für alle Nutzer zu verbessern.