Laddstationer: AI hjälper till att avgöra var de helst ska installeras
Lästid: 5 min
När behoven ska mätas, användarprofiler skapas och konkurrensen bedömas för att finna de mest adekvata platserna för framtida laddstationer för elektriska fordon, kommer lösningen E-ChargePredict väl till hands.
©Brunet-Monié Photographie
Kommer artificiell intelligens att förvandla framtidens marknad för laddning av elektriska fordon? Idag används AI mestadels inom detta område för förebyggande underhåll av redan installerade laddstationer. Men hur kan algoritmer komma att användas i framtiden för att skapa morgondagens nätverk av laddstationer? Eller morgondagens förresten…. det räcker att titta på dagens möjligheter för att konstatera att man redan nu kan identifiera strategiska platser för installation av laddningsinfrastruktur för elektriska fordon, göra långsiktiga bedömningar av olika laddstationers kapacitet och anpassa prissättningen för att maximera vinster.
EASYCHARGE är ett joint-venture-projekt mellan VINCI Energies och VINCI Concessions som skapades redan 2017 för att bland annat finansiera och sköta laddstationsnätverk. Nyligen lanserade företaget en lösning baserad på AI för att bedöma infrastrukturers framtida användning av laddningskapaciteten grundat på data som samlats in från de tre främsta franska nätverken: Easy Charge Services, AVIA VOLT by EASYCHARGE och nätverket eborn. Totalt sett handlar det om 4 000 laddstationer som är i bruk idag.
”Hur lönsamt det kan bli att installera en laddstation är direkt kopplat till prognoser gällande framtida användares förbrukning. Därför är det avgörande för oss och för våra investeringspartners att kunna förutsäga hur våra marknadsandelar kan komma att se ut i varje enskilt geografiskt område, mellanlångsiktigt och långsiktigt, det vill säga för kontrakt med en löptid på mellan femton och tjugo år. Det var tanken bakom lösningen E-ChargePredict,” förklarar Mohamed Belahrach, utvecklare på EASYCHARGE.
Prognoser för de nästkommande femton till tjugo årens konsumtion
Verktyget har tagits fram grundat på tre vetenskapliga tillvägagångssätt: bedömning av behoven i ett specifikt område, prognoser över efterfrågans utveckling och algoritmers mest strategiska strukturer för att vara kommuner behjälpliga.
”Erbjuda det bästa priset i förhållande till kvaliteten och behålla full kontroll över lösningen.”
Hur fungerar det rent konkret? Automatiska inlärningsmodeller (« machine learning ») tränar sig på att jämföra data inom specifika områden från diverse olika källor (procentandelen elektriska fordon, närvaro av och kopplingar till övriga kommersiella erbjudanden, medelinkomster, vägnätverket) med konsumtionsdata som härstammar från elektriska fordons laddningsinfrastrukturer. Konsumtionsbedömningarna förutses därefter för de nästkommande femton till tjugo åren, i syfte att sedan kunna avgöra var laddstationer bör installeras för att vara som mest effektiva. Resultaten visas i ordning från det bästa alternativet till det sämsta.
Lösningen ger också förvaltaren av laddstationer möjligheten att avgöra om trafiken idag motsvarar de mer optimistiska prognoserna som gjordes för två till tre år sedan gällande utvecklingen av elektriska fordon.
Åtta månaders inkubationstid med Leonard
”När vi först lanserade det här projektet fanns det mycket få lösningar på marknaden. Idag börjar utbudet att fyllas på och det i sig återspeglar efterfrågan. Vi vill utveckla ett allomfattande erbjudande som agerar på två nivåer samtidigt: dels vill vi erbjuda det bästa priset i förhållande till kvaliteten och vi vill behålla full kontroll över lösningen, dess arkitektur och datauppgifter,” berättar Eric Mendels, företagschef på EASYCHARGE.
I syfte att justera modell-lösningarna fick EASYCHARGE möjlighet att under åtta månaders tid använda VINCI:s innovativa och framtidsinriktade inkubationsinfrastruktur Leonard. Idag fungerar E-ChargePredict utomordentligt bra och används aktivt av VINCI inom koncernens nätverk av laddstationer för elektriska fordon.
Precis som övriga lösningar baserade på AI, förbättrar E-ChargePredict sina resultat tack vare en träningsmodell som algoritmen tagit fram och det bidrar till att lösningens arkitektur blir alltmer användarvänlig, snabb och stabil. ”Hittills har det handlat om ett verktyg som används inom och av VINCI-koncernen, men i framtiden vill vi sprida lösningen kommersiellt också. Imorgon kan den komma att anpassas till lastbilsmarknaden. Vår avsikt är att fortsätta att utveckla verktyget och sprida det på europeisk nivå,” berättar Eric Mendels avslutningsvis.
10/09/2026
