TECHNOLOGIE DER APPLIKATION

ERMITTLUNG DER PROGNOSE

Unser Machine-Learning-Modell analysiert die Ausbauzahlen der letzten 3 Jahre und projiziert die Entwicklung auf die nächsten 12 Monate. Auf diese Weise können wir die Entwicklung der zukünftigen Monate mit einer Genauigkeit von etwa 95% vorhersagen. Einzelheiten zu unserer Genauigkeit finden Sie im Kapitel 6 im Bereich "INSIGHTS".
Für die Prognose verwenden wir eine Zeitreihenanalyse mit gleitendem Mittelwert und exponentieller Glättung. Hierbei handelt es sich um einen Sonderfall der Regression, einem einfachen aber robusten Machine-Learning-Algorithmus. Unser Modell berechnet dabei Prognosen auf Ebene der Stadt-/Landkreise und addiert diese zur Prognose auf Länder- und Bundesebene auf.
Faktoren wie zum Beispiel Ausbauplanungen der Betreiber, Fördermaßnahmen der Regierung oder neue Gesetzgebungen werden für die Prognose nicht berücksichtigt. Diese Faktoren mit einzubeziehen könnte die Prognose zwar genauer machen, aber andererseits auch zu falschen Prognosen führen, wenn zum Beispiel Pläne nicht realisiert werden oder die Auswirkung äußerer Faktoren doch nicht dem vorhergesagten Ausmaß entsprechen.
Ladesäulen werden oft nachträglich gemeldet, teilweise sogar erst über ein Jahr nach dem eigentlichen Installationsdatum. Das Prognosemodell berücksichtigt solche Nachmeldungen und passt Vorhersagemodell und Vorhersagen automatisch an die neuen Daten an.

WEITERE ANWENDUNGSGEBIETE

I-WUNDER entwickelt ein universelles Geo-Informationssystem (GIS), das für verschiedenste Anwendungen zur Darstellung und Analyse regionaler Zusammenhänge eingesetzt werden kann. Dieses Framework bildet die Grundlage unsere E-Mobility-Applikation, kann aber auch für weitere Anwendungsfälle genutzt werden, zum Beispiel für:

Verkehrsinformationen
Visualisierung von Verkehrskennzahlen

Bürgerinformationssysteme
Im Rahmen von Smart-City-Projekten

Vertrieb und Service
Steuerung von Geschäftsaktivitäten von Unternehmen

Im vorliegenden Szenario werden die Daten aller öffentlich registrierten Ladesäulen der Bundesnetzagentur genutzt. Damit werden aussagekräftige Kennzahlen auf den regionalen Ebenen Bundesländer und Landkreise ermittelt und eine Vorhersage für den Prognosehorizont von einem Jahr berechnet. Die Anwendung visualisiert die aktuellen Ist-Werte und zeigt gleichzeitig eine Prognose für die zukünftige Entwicklung in den Regionen.

TECHNISCHE LÖSUNG

Das Tool nutzt moderne Open-Source-Technologien und frei verfügbare Kartendaten und ist damit schnell und kostengünstig in Unternehmen oder kommunalen Einrichtungen einsetzbar. Die Vorteile liegen in der interaktiven Darstellung von Geodaten und geo-basierten Kennzahlen im Web sowie dem Drill-Down in unterschiedliche Regionalstrukturen. Über ein Webhosting Framework werden die Daten für die Kartendarstellung aufbereitet und im Internet bereitgestellt.

Card with on hover effect

DATENBANK

PostgreSQL

FRAMEWORK

Flask
Jinja2
Mapbox
Bootstrap
jQuery

ENTWICKLUNG

Python
JavaScript
HTML
CSS
Restful API
Git
Docker

AUSBLICK

Der Ausbau der Ladeinfrastruktur hat sich als wichtiger Bestandteil für den Wandel hin zur E-Mobilität fest etabliert. Diese Entwicklung wird unterstützt durch Vorgaben zum Auslauf der Produktion von Verbrennerfahrzeugen wie auch durch die Verkündung von Initiativen zur Klimaneutralität von Firmen und Gemeinden.

Es wird sich zeigen, wie sich das Verhältnis von privaten Ladestationen in Form von Wallboxen, die von der günstigen Stromerzeugung zum Eigenverbrauch profitieren, zum Angebot von öffentlichen Ladestationen entwicklen wird. Aktuelle Akzente werden durch die Förderung von Ladestationen in Betrieben und Gewerben gesetzt.

Weitere Entwicklungen in den nächsten Jahren werden sein:

Optimierung des Ladenetzes, z.B. durch bidirektionale Nutzung der vorhandenen Batteriespeicher zur Abfederung von Bedarfs- oder Angebotsspitzen in der Stromproduktion
Einsatz von Wasserstoff als weitere Energiequelle, unter Voraussetzung der Verfügbarkeit klimaneutraler Solar-Wasserstoff-Systeme

E‑Mobilität ist für uns eines der spannendsten Zukunftsthemen und wir werden es mit unseren Entwicklungen und Analysen weiter unterstützen und begleiten. Diskutieren Sie gerne ihre Erfahrungen und Ideen mit uns unter e-mobility[at]i-wunder.com.

Datenquellen

Ladesäulenkarte, Bundesnetzagentur, CC BY 4.0
KFZ Bestand nach Landkreisen, Kraftfahrt-Bundesamt, 01.01.2022
Verwendete Regionalschlüssel: Amtlicher Gemeindeschlüssel (AGS), 5-stellig
Studie "Wie viele Ladepunkte braucht Deutschland 2030?", Nationale Leitstelle Ladeinfrastruktur, 19.11.2020

_{Die Pkw des Landkreises Trier-Saarburg werden zusammen mit den Pkw der Stadt Trier registriert. Die Kennzahlen zu „Attraktivität“ und „Bedarf 2030“ für diese beiden Kreise basieren deshalb auf statistischen Schätzwerten. Das Schätzverfahren nutzt den gewichteten Mittelwert von Pkw pro Bevölkerung der drei umliegenden Landkreise. Daraus wird die Zahl der Pkw für Trier-Saarburg näherungsweise bestimmt und bei der Stadt Trier bereinigt.}