.jpg-1200x686.webp)
.jpg-1200x875.webp)
.jpg-1200x800.webp)
.jpg-1200x738.webp)
Mit KI zum intelligenten Lademanagement
Projektziele & Projektergebnis
Umsetzung projekt in den Bereichen „Prozesse“ mit dem Ziel der Erhöhung/Steigerung/ Optimierung der Nachhaltigkeit, der Produkt- / Servicequalität, des Innovationsgrades, des wirtschaftlichen Erfolges (Umsatz, Gewinn und Marktanteile).
Im Projekt wurde ein KI-gestütztes Lademanagement entwickelt, das mithilfe von Clustering und Prognosemodellen typische Ladeverhalten erkennt und datenbasierte Entscheidungen zur Priorisierung und Steuerung von Ladevorgängen ermöglicht.
Gesamtprojekt
Top Erkenntnisse aus dem Projekt
Ausgangslage
Zentrale Fragestellungen im Projekt
- Wie lassen sich Ladeverhalten von Nutzenden datenbasiert in sinnvolle Gruppen (Cluster) einteilen?
- Welche Methoden des maschinellen Lernens eignen sich am besten zur Prognose von Standzeiten und Energiebedarf?
- Wie kann ein KI-gestütztes Lademanagement zur Optimierung der Netzstabilität und Kosteneffizienz beitragen?
Projektdetails
Herausforderung
Fehlentscheidungen bei der Lade-Priorisierung können dazu führen, dass unnötige Spitzenlasten entstehen und Strom hinzugekauft werden muss. Moderne Lademanagementsysteme besitzen bereits einen Regelkreis, der dabei unterstützt, die richtigen Entscheidungen zu Ladezeit und -menge treffen. Diesen Entscheidungen liegen jedoch fest definierte Regeln zugrunde. Solche Systeme können daher nicht nutzerabhängig und flexibel genug planen.
Zielsetzung
Das Ziel des Projekts ist die Entwicklung eines KI-basierten Prototypen, der anhand anonymisierter Daten von ca. 20.000 Ladevorgängen eine effiziente Planung von Ladezeiten und -mengen ermöglicht. Dadurch sollen Entscheidungen zum Start und Ende von Ladevorgängen verbessert, Lastspitzen vermieden und der Eigenverbrauch optimiert werden. Die Analyse zeigt, ob die Datenbasis hierfür ausreichend ist.
Projektbeschreibung
Im Rahmen des Projekts wird untersucht, ob anhand der Analyse der anonymisierten Ladevorgängen eine KI-gestützte Optimierung der Ladezeiten und -mengen realisierbar ist. Ziel ist es, eine datenbasierte Lösung zu entwickeln, die Entscheidungen zum Beginn und Ende von Ladezyklen unterstützt. Als erstes Teilziel werden die vorhandenen Daten gesichtet und geprüft. Dabei wird die Art der Daten, die Parameterwahl und der Umfang analysiert, um eine optimale Ziel-Datenstruktur für maschinelles Lernen zu beschreiben. Darauf aufbauend werden im zweiten Teilziel Prognosemodelle für Energieerzeugung und -verbrauch entwickelt, die das historische Ladeverhalten berücksichtigen. Im dritten Teilziel erfolgt die Validierung dieser Modelle durch Tests mit Teildatensätzen, bei denen bereits menschliche Entscheidungen dokumentiert sind. Anschließend werden im vierten Teilziel die Prognosen bewertet, um ihre Eignung zur Lösung des multikriteriellen Planungsproblems zu prüfen und Verbesserungspotenziale zu identifizieren. Im fünften Teilziel wird schließlich ein Konzept entwickelt, wie die Modelle in ein Lademanagementsystem integriert werden könnten. Dabei kommen Methoden des maschinellen Lernens, Zeitreihenanalysen und KI-Frameworks zum Einsatz.
