Big Data: Optimierte Datennutzung von Ladevorgängen

Big Data ist überall: Zahlreiche Start-ups und Konzerne beschäftigen sich mit dem Sammeln von Daten in allen Lebenslagen. Auch im Umfeld der Elektromobilität werden Daten generiert, angefangen bei der Bewegung des Fahrzeugs über das Ladeverhalten und das tägliche Leben des Fahrers. Dieser gibt nämlich mehr über sein Tagesgeschehen preis als man erwarten möchte. Es liegt nun an der Industrie, diese Daten für oder gegen ihn einzusetzen.

Dieser Beitrag ist zuerst im eMobilJournal Ausgabe 03/2019 erschienen.

Datenquelle Elektrofahrzeug

Durch den Wechsel von Verbrennungsmotoren zur Elektromobilität hat sich auch ein Wechsel in Hinsicht auf die eingesetzten Technologien vollzogen. Bereits heute sind benzinbetriebene Fahrzeuge mit mehr Software-Code ausgestattet als mancher Privat-PC. Durch den Einsatz von elektrisch betriebenen Fahrzeugen kommen noch zahlreiche Datenquellen hinzu, angefangen bei der Batterie und deren Lebenssignalen bis hin zu den durchgeführten Ladevorgängen. Im Verhältnis zu einem benzinbetriebenen Fahrzeug werden hier deutlich mehr Erkenntnisse und Daten gewonnen als bei einem regulären „Tankvorgang“ an der Zapfsäule. Sind bei der Abgabe von Flüssigkeit nur die Dauer und die Menge des Tankvorgangs messbar, ergeben sich bei der Lieferung von Elektrizität viele Parameter: Die Ladegeschwindigkeit, die Rückschlüsse auf die Qualität der Batterie liefert, die Energiemenge, der Füllstand der Batterie, das Ladeverhalten, Daten zur Zuordenbarkeit des Nutzers und die automatisiert digital erfasste Position des Vorgangs für weitreichende Bewegungsprofile. Zusätzlich generiert das Fahrzeug selbst während der Bewegung Daten zur Verlaufsstrecke, zu den Beschleunigungen und zur Rekuperation und der genauen Position des Fahrzeugs, nachdem die Navigationssysteme inzwischen alle mit SIM-Karten über Echtzeitsynchronisationen verfügen.

Der Einsatz von intelligenten Systemen generiert in Verbindung mit dem Einsatz von neuronalen Netzen Einblicke in das Leben des Fahrers und des Fahrzeuges, die sowohl für sinnvolle als auch missbräuchliche Zwecke interpretiert und genutzt werden können. Mit diesem Artikel befassen wir uns vorrangig mit den Chancen und Möglichkeiten, die die Nutzung von Daten aus elektrisch betriebenen Fahrzeugen bietet und zeigen die möglichen Geschäftschancen auf. Jedoch sei angemerkt, dass sich viele Szenarien mit Vorsatz auch gegen die Interessen des Nutzers einsetzen lassen. Die Datenschutzgrundverordnung bietet hier jedoch Einhalt und schränkt die Möglichkeiten zum Missbrauch zumindest rechtlich stark ein.

Datenquelle Ladevorgang

Um Rückschlüsse auf die Datenverwertung ziehen zu können, betrachten wir den Verlauf eines Vorgangs und die damit generierten Informationen und Daten. Neue Navigationssysteme ermöglichen bereits während der Anfahrt eine Reservierung einer Ladestation für eine nachfolgende Nutzung, diese erfolgt meistens rund zehn Minuten vor Eintreffen an der Ladeeinrichtung. Damit ist für den Betreiber der Ladestation schon vor Eintreffen an der Ladestation bekannt, welcher Kunde bzw. welches Fahrzeug in einem genau vorhergesagten Zeitfenster an der Ladestation eintreffen wird.

Mit dem Eintreffen an der Ladestation storniert das Fahrzeug in der Regel die Reservierung, und der Kunde kann eine beliebige Identifikationskarte – welche mit unterschiedlichen Verträgen ausgestattet sein kann – zum Starten des Ladevorgangs verwenden. Er schließt das Fahrzeug an, die Ladestation gibt die maximal zur Verfügung stehende Arbeitsleistung dem Fahrzeug bekannt, und dieses bedient sich nach Bedarf aus dem zur Verfügung gestellten Energiepool für die Durchführung des Ladevorgangs.

Während des Ladevorgangs generieren die Ladeeinrichtung und das Fahrzeug eine Vielzahl von Daten: Die Ladeleistung wird in kurzen Zeitabschnitten gemessen und ergibt eine Leistungskurve, welche ein Verhältnis Zeitpunkt zu kW-Leistung ermöglicht. Durch den Verlauf dieser Leistungskurve kann der Betreiber der Ladeeinrichtung Rückschlüsse auf wichtige Informationsparameter der Batterie zurückschließen: die Kapazität der Batterie, den aktuellen Ladestand, den Fahrzeugtyp (falls nicht ohnehin über den Nutzer bereits bekannt) sowie eventuelle Beeinträchtigungen und Schäden an der Batterie, die sich in abgewandelten Ladekurven zeigen. Mit dem Ende des Ladevorgangs werden nochmals Zeitstempel und Leistungswerte generiert, Kosten berechnet und an dritte Parteien zur Abrechnung übermittelt.

Der Ladevorgang als Prognose­werkzeug

Auf Basis der gewonnenen Informationen ist es nun möglich, verschiedene Vorhersagen zu treffen, wenn dem erfassenden System zuvor Vergleichsdaten aus bereits erfolgten Ladevorgängen zur Verfügung stehen. Damit lassen sich für gewisse Einsatzbereiche konkrete Vorhersagen treffen.

Aus einer Reservierung eines bekannten Nutzers lässt sich die erwartete Energieaufnahme zu einem klar definierten Zeitpunkt bereits vorhersagen. Aus der Reservierung ist der Zeitpunkt des Eintreffens meistens klar erkennbar, aus historischen Ladevorgängen des gleichen Nutzers lässt sich ein durchschnittliches Leistungsvolumen ableiten. Somit ist bereits vor dem Eintreffen an der Ladestation eine Aussage ableitbar, welche Energiemenge und vor allem welche Ladeleistung durch einen zukünftig stattfindenden Ladevorgang abgerufen wird.

Mit dem Anschluss des Fahrzeugs an die Ladestation ist nun der genaue Zeitpunkt der Energieaufnahme bekannt. Das System kann die konkreten Bedarfe nun unmittelbar allokieren. Aus der Ladekurve der ersten fünf Minuten lassen sich zudem in Folge weitere Schlussfolgerungen ableiten: Durch den Verlauf der Leistungskurve ist ein konkreter Rückschluss auf den aktuellen Ladestand der Energie möglich. Damit lässt sich zumindest die erwartete Zieldauer des Ladevorgangs „erraten“, was wichtige Informationen für Lastmanagementsysteme liefert.

Die Kombination aus Forecast, Reservierungen, dem effektiven Start und den damit vermittelten Echtdaten ermöglicht die gezielte Ansteuerung an Lastmanagementsysteme. Werden hier heute meistens noch reaktive Systeme eingesetzt, die auf die Echtzeitbedingungen reagieren, ermöglicht der gezielte Einsatz von neuronalen Netzen zur Vorhersage von Energiebedarfen die konkrete vorbeugende Steuerung. Diese ist jedoch nur dann möglich, wenn das System bereits Vorinformationen zum Nutzer und dem Fahrzeug sammeln konnte. Damit ermöglicht die Kombination aus Energiedaten in Verbindung mit Identifikationsdaten eines Nutzers eine bessere und effizientere Ladeleistungsplanung für einen Netzanschluss. Anbieter können somit den Nutzern skalierbare und flexible Tarife bilden, beispielsweise durch dynamische Allokationen von Leistungsreserven oder die dynamische Gleichrichtung von Leistungsspitzen durch „Verschiebung“ von Ladevorgängen auf der Zeitleiste.

Leistungskurven als Missbrauchs­detektion

 Neben den möglichen kommerziellen Use Cases schaffen Daten aus Leistungskurven jedoch auch Schutz gegen eine missbräuchliche Nutzung von Ladeinfrastruktur. Damit können Verbraucher und Betreiber gleichfalls geschützt werden. Die Durchführung von Ladevorgängen eines Nutzers ergeben in der Regel homogene bis ähnliche Ladekurven in der täglichen Nutzung von Ladeeinrichtungen. Intelligente Messsysteme erkennen damit nun Abweichungen bei Ladevorgängen und können so beispielsweise proaktiv reagieren, wenn beispielsweise ein Identifikationsmedium (RFID-Karte) oder ein Benutzerzugang in falsche Hände gekommen ist. Auch wenn die heutige Datenbasis eine automatisierte Beendigung von missbräuchlichen Ladevorgängen nicht gänzlich gewährleisten kann, kann sie diese zumindest mit hohen Genauigkeiten aufzeigen und den Nutzer aktiv informieren. Damit werden mögliche Schäden frühzeitig erkannt.

Verschiebung von Energiespitzen als Lastmanagement

Aus den generierten Daten lassen sich für einzelne Use Cases bereits heute Verwertungspotenziale ableiten, die die Erfassung und Datenerhebung rechtfertigen. In erster Linie lassen sich aus den erzielten Daten erhebliche Optimierungen im Energiemanagement für Ladeinfrastrukturen erziehen. Dies gilt jedoch nur dann, wenn der Betreiber der Ladeeinrichtung intelligente Energiemanagementsysteme im Einsatz hat, die sich mit Vorhersagedaten und berechneten Ladeund Leistungskurven so füttern lassen, dass sie steuernd in die Energieinfrastruktur des Betreibers eingreifen können. Relevante Use Cases in dieser Hinsicht sind in erster Linie die geplante Verschiebung von Energiespitzen zur „Glättung“ des Energiebedarfs.

Dies ist vor allem bei Unternehmen relevant, die Energie nicht nach Kilowattstunden sondern nach Kapazität bezahlen und Überschreitungen der Spitzenlasten häufig sehr teuer sind. Ein Anwendungsfall sind hier insbesondere Unternehmensparkflächen mit einem großen Pool an Flottenund Mitarbeiterfahrzeugen auf elektrischer Basis. Vor allem durch die in der Regel langen Standzeiten lassen sich hier gezielt Optimierungen vornehmen.

Vorhersage von Erlösen ermöglicht Standortplanung

Jedoch auch bei der Planung von Infrastrukturen leisten historische Daten bereits gute Dienste. Durch den heute in der Regel noch nicht übermäßig ausgebreiteten Rollout von Infrastrukturen im öffentlichen Bereich sind viele sinnvolle Standorte an öffentlichen oder halböffentlichen Plätzen nach wie vor nicht mit Infrastruktur ausgestattet. Aus dem Verhalten von Ladevorgängen an analogen Standorten lassen sich über Ortsund Stadtgrenzen hinweg automatisiert Modelle rechnen, welche Standorte wirtschaftlich die höchste Rentabilität bieten. Hier erfassen wir mit unserer be.ENERGISED-Applikation bereits seit vielen Jahren Zusatzdaten zu Infrastrukturen und Ladevorgängen, wie beispielsweise PoI (Point of Interest)-Daten (Restaurants, Hotels, Parkflächen, Haltestellen, etc.) und auch Wetterdaten.

Zu Bestandsinfrastrukturen können diese Daten bereits in Relation gesetzt werden. Mit intelligenten Berechnungsmodellen, die durch has·to·be und gemeinsame Partnerunternehmen erarbeitet und betrieben werden, können bereits heute für alle Städte in Deutschland konkrete Positionsberechnungen durchgeführen werden. Die Systeme ermitteln dazu aus der Gesamtfläche einer Stadt zielgerichtet die Standorte, an welcher Ladeinfrastruktur vermutlich die höchsten Erlöse erziehen wird. Damit können im Wesentlichen Fehlinvestitionen verhindert werden und im ersten Schritt die Standorte besetzt werden, die eine Refinanzierung der Investitionssumme gewährleisten.

Heute liefert Big Data Erlöse durch Umweg-­Rentabilität

Wie diese Anwendungsfälle zeigen, können heute Daten aus Ladevorgängen vorrangig in Verbindung mit weiteren Anwendungsfällen und Planungsaufgaben gewinnbringend eingesetzt werden. Insbesondere die Anforderungen der Standortplanung als auch die Gleichrichtung des Stromnetzes sind relevant für einen wirtschaftlichen Betrieb von Infrastrukturen.

Bis die bestehende Datenbasis für genaue und belastbare Vorhersagen zu Leistungsaufnahmen und einem vorhersehenden Lastmanagement genutzt werden können, vergehen noch rund zwei Jahre, bis eine ausreichende Datenbasis generiert wurde. Jedoch werden sich in den kommenden Jahren auch diese Mechanismen entsprechend weiterentwickeln, sodass sich auch in Zukunft interessante und gewinnbringende Business Cases darstellen lassen werden.

  • Martin Klässner

    Autor

    Martin Klässner

    CEO & Co-Founder, has·to·be gmbh

    Leiter des Arbeitskreises DKE AK 353.0.8 (Autorisierung an Ladeinfrastrukturen)

     

0
0
0
s2smodern

Partner im Firmenverzeichnis

  • Logo Porsche Slider
  • MOQO_Logo
  • Logo Bike Energy WEB
  • Webasto Logo
  • LEW Logo
  • Digital Energy Solutions Logo FV
  • Logo Movelo
  • Logo Asap Holding 1C Web
  • Mennekes Logo
  • Bosch FV
  • Brose FV
  • Kreisel FV
  • ITK Logo RGB
  • Audi FV
  • BMW FV
  • Citroen FV
  • Daimler FV
  • E Wald Logo FV
  • Ford FV
  • Hyundai FV
  • Mitsubishi Motors FV
  • NOW FV
  • NRGKick Logo FV
  • Opel FV
  • Renault FV
  • VW FV
  • EGO Logo FV
  • Ebg FV
  • Ubitricity FV
  • Isabellenhütte Logo Slider
eMobilExklusiv auf einen Blick:
  • Tiefgehendes Fachwissen - kuratiert von der eMobilServer Print- und Online-Redaktion
  • Alle Beiträge als PDF zum Download
  • Abonnenten von eMobilJournal lesen umsonst
  • Alle anderen können den 14-Tage-Testzugang nutzen - kostenlos und unverbindlich

Log-in

Als Abonnent des eMobilJournal loggen Sie sich bitte mit den Zugangsdaten ein, die Sie postalisch bzw. bereits per Mail von uns erhalten haben.

Als Nutzer des 14-Tage-Digital-Testzugangs loggen Sie sich bitte mit Ihren Daten ein, die Sie bei Ihrer Registrierung angegeben haben.

Ihr Passwort können Sie jederzeit nach Ihrer Anmeldung über "Profil anzeigen" --> "Profil bearbeiten" ändern.

Angemeldet bleiben