Datengesteuerte Prognose der E-Mobilität

Verbreitungssimulation der E-Mobilität und die Auswirkungen auf das Stromnetz.

Elektroautos haben den Marktdurchbruch geschafft, folgt nun ein E-Auto-Boom? Wie ist das Stromnetz auf ein solches Szenario vorbereitet? Geeignete Simulationen, basierend auf Machine Learning Algorithmen, helfen dabei bereits heute, mögliche Engpässe der Zukunft im Stromnetz zu identifizieren.

Im Hinblick auf die aktuelle Klimakrise ist es ein Ziel der Bundesregierung, bis 2030 sieben bis zehn Millionen Elektrofahrzeuge in Deutschland zugelassen zu haben. Somit ist zu erwarten, dass es in den kommenden Jahren einen Trend bei privaten Pkw hin zur E-Mobilität geben wird. Dieser zu erwartende Anstieg wird die jeweiligen Netzanbieter in den kommenden Jahren zum Ausbau ihres Netzes zwingen. Ziel für Netzbetreiber ist es, auf bevorstehende Änderungen im Netz bestmöglich vorbereitet zu sein. Um Netze zukunftsorientiert planen und betreiben zu können, benötigen die Netzbetreiber möglichst vollständige Informationen über die zu erwartenden Lasten in ihren Netzen. Die Situation wird je nach Spannungsniveau, geografischer Position und Verteilung der Elektromobilität unterschiedlich ausfallen.

Fichtner IT Consultingkann Sie dabei unterstützen, Ihr Netz und Ihre Daten auf den bevorstehenden E-Auto-Boom zu analysieren.

Mit dem Ziel, eine flächendeckende Simulation am realen Stromnetz durchzuführen, werden Modelle benötigt, die eine mögliche Verbreitung von E-Mobilität prognostizieren. Wir bei Fichtner IT Consulting nutzen hierfür moderne Machine Learning Algorithmen, die aus soziodemografischen Daten, Wahldaten und weiteren geografischen Einflussfaktoren, eine Verbreitung von E-Mobilität modellieren.

Mit Hilfe der potenziellen Verbreitung lassen sich die Auswirkungen auf das heutige Stromnetz analysieren. Mit Netzberechnungen können zukünftige potenziell kritische Stellen identifiziert werden (z. B. bevorstehende Netzengpässe) und die Rechenergebnisse bereits heute in reale Planungen u. a. für den Netzausbau berücksichtigt werden. Voraussetzungen für Netzberechnungen sind eine gute Datenqualität und eine vollständige Netztopologie – Wir bei der FIT kennen uns damit aus.

 

Leistungen

Unsere Leistungen für Sie:

  • Datenanalyse
  • System- und Infrastrukturauswahl
  • Datenaufbereitung
  • Schnittstellenharmonisierung
  • Implementierung der Komponenten
  • Entwicklung Prognose- und Verbreitungsmodelle
  • Auswertung auf Basis verschiedener Machine Learning Algorithmen
  • Analyse und Aufbereitung der Netzdaten (Topologie und Rechenfähigkeit)
  • Datenvisualisierungen (Dashboards, Statistiken & Geografisch)
  • Beratung

Ihr Ansprechpartner

Referenzen

Weitere Informationen

Digitaler Zwilling schafft Transparenz bei Netzplanung, Netzbetrieb und Netzwartung

Für mehr Einblick in das Verteilnetz sorgt dieser interessante Artikel von Ralf Dunker, Geschäftsführer der Press`n´Relations II GmbH aus München, in der netzpraxis – Das Magazin für Energieversorgung zum Thema „Digitaler Zwilling" ab Seite 23. 

Hier erfahren Sie mehr!

A machine learning approach to model the future distribution of e-mobility and its impact on the power grid

Erfahren Sie in der Veröffentlichung aus dem Tagungsband der 11. DACH+ Konferenz für Energieinformatik, wie mit Hilfe innovativer Machine Learning Algorithmen die Verbreitung von Elektromobilität vorhergesagt werden kann

Hier erfahren Sie mehr!