SI/502361

URL-Adressen

Publikationen / Ergebnisse

Elektroautos werden nicht nur von Privatkunden genutzt. Elektroautos gehören oft zur Fahrzeugflotte einer Firma oder eines Carsharing-Anbieters. Ein Forschungsprojekt der Tessiner Fachhochschule SUPSI mit Partnern in Österreich und Israel hat digitale Werkzeuge entwickelt, die künftig dabei helfen sollen, ökonomischen Nutzen aus dem netzdienlichen Betrieb von E-Auto-Flotten zu erzielen.

Schlussbericht

E-Carsharing-Systeme gewinnen in der heutigen Gesellschaft zunehmend an Bedeutung, sowohl im öffentlichen Sektor, insbesondere in Ballungsräumen, als auch im privaten Sektor mit Firmenflotten für geschäftliche oder gemischte Zwecke. Durch die Integration von Elektrofahrzeugen (EVs) bieten diese Flotten nachhaltige Transportlösungen und können die städtische Umweltverschmutzung erheblich reduzieren, was zur globalen Nachhaltigkeit und zu umweltfreundlichen Mobilitätszielen beiträgt. Dieser Wandel hin zu einem nachhaltigen Verkehr wird auch durch die jüngsten Fortschritte im Bereich der digitalen Technologien unterstützt, die die Überwachungs-, Steuerungs- und Servicefunktionen für Betreiber und Nutzer verbessern. Ähnlich wie bei herkömmlichen Systemen, wie z. B. Free-Floating-Systemen, stehen EV-Flottenmanager vor operativen Herausforderungen wie der Standortverlagerung von Fahrzeugen und der Flottenauslastung. Diese Aufgaben sind unerlässlich, um wirtschaftlich tragfähige Dienstleistungen und eine gute Abdeckung des Versorgungsgebiets zu gewährleisten. Während die Standortverlagerung in der Regel von Mitarbeitern durchgeführt wird, kann dies die Kosten erhöhen und die Gewinnmargen verringern. Darüber hinaus haben Elektroflotten einen direkteren Einfluss auf das Stromnetz. Elektrofahrzeuge benötigen längere Ladezeiten, was die Verfügbarkeit der Fahrzeuge verzögern kann. Eine dynamische Preisgestaltung kann die Ladekosten erhöhen, und unkoordiniertes Laden grosser Flotten erhöht das Risiko von Netzüberlastungen. Diese Herausforderungen müssen sorgfältig angegangen werden, um Elektrofahrzeuge und gemeinsam genutzte Flotten vollständig zu integrieren. Dabei müssen intelligente Strategien zur Optimierung von Ladevorgängen und Standortwechseln eingesetzt werden, während gleichzeitig eine hohe Servicequalität, Flottenverfügbarkeit und Rentabilität für die Systembetreiber gewährleistet wird. Insbesondere der Informationsaustausch zwischen der Flotte und dem Stromnetz sowie die intelligente Integration dieser Systeme können zusätzliche Einnahmen generieren und eine nachhaltige Mobilität fördern. Dies kann durch die Optimierung des Fahrzeugladens und des Energieverbrauchs auf der Grundlage der Netzbedingungen in Echtzeit erreicht werden. Unterstützt durch intelligente Mobilitätsanreize, fortschrittliche Vorhersagemodelle und Tools zur Entscheidungsunterstützung können diese Bemühungen die Flottenauslastung, die Serviceeffizienz und die Umsatzgenerierung in elektrifizierten Carsharing-Systemen erheblich verbessern. Dieses Projekt zielt darauf ab, die Integration von Elektrofahrzeugen (EVs) und geteilter Elektromobilität zu unterstützen, indem Flottenbesitzern Entscheidungshilfen für die Einsatzplanung und die Wartung ihrer elektrifizierten Flotten zur Verfügung gestellt werden. Diese Hilfsmittel konzentrieren sich auf Netzplanung, Umzugsstrategien und die Optimierung des Betriebs, um die Rentabilität zu steigern, die Lade- und Verwaltungskosten zu senken und letztlich ein technisch-wirtschaftliches Optimum zu erreichen. Zunächst wird ein probabilistisches Modellierungskonzept vorgeschlagen, um die räumlich-zeitliche Variabilität zu charakterisieren, die sich auf die Nachfrage nach Mobilitätsdiensten innerhalb eines Kontrollbereichs auswirkt. In der Anfangsphase wird eine formale Analyse der Mobilitätsnachfragekurven für zwei traditionelle Carsharing-Modelle durchgeführt: ein Free-Floating-System in Tel Aviv (AutoTel) und ein stationsbasiertes System in der Schweiz (Mobility). Diese Analyse hebt die Ähnlichkeiten und Unterschiede zwischen den beiden Systemen hervor und bietet Einblicke in das Potenzial für die Entwicklung allgemeiner Entscheidungsunterstützungsinstrumente, die auf beide Systeme anwendbar sind. Anschliessend wird eine probabilistische Bedarfsprognose trainiert, um Diskrepanzen zwischen beobachteten Lastdaten und prognostiziertem Bedarf zu minimieren. Dieses Modell prognostiziert die Nachfrage nach Mobilitätsdiensten in den kommenden Stunden und liefert Flottenbetreibern wertvolle Erkenntnisse zur Optimierung des Flottenbetriebs, wie z. B. die Verlagerung ungenutzter Fahrzeuge und die Planung des Aufladens von Elektrofahrzeugen. Anschliessend wird ein neues Entscheidungsunterstützungsmodell auf der Grundlage des Reinforcement Learning (RL) eingeführt, um den Betrieb in Free-Floating-Elektrofahrzeug-Carsharing-Systemen (FFEVCS) zu optimieren. Dieses Modell untersucht, wie die Beteiligung der Nutzer an Verlagerungs- und Ausgleichsaktivitäten durch spezielle Mobilitätsanreize gefördert werden kann. Es integriert ein wirtschaftliches Dispositionsmodell, um Netzinformationen zu berücksichtigen, und ermöglicht so auf das Netz abgestimmte Ladeentscheidungen, die die Ladekosten und die Mobilitätseinnahmen optimieren. Innerhalb des RL-Rahmens weist ein zentraler Kontrollagent dynamische, nachbarschaftsspezifische Rabatte auf Minutentarife und Mobilitätsguthaben zu, um die Nutzer zur Teilnahme an Umzugsaktivitäten zu motivieren. Dadurch wird die Abhängigkeit von kostspieligeren Umzügen durch Personal verringert. Die Anreize werden an verschiedene Betriebsbedingungen und Flottenzustände angepasst, unterstützt durch Vorhersagen des wahrscheinlichkeitstheoretischen Vorhersagemodells. In die Simulationsumgebung ist auch ein Modell zur Auswahl des Transportmittels integriert, um den Reservierungsprozess realistisch zu emulieren und verschiedene Betriebsrichtlinien und Umzugsstrategien zu testen. Das System wird anhand des Free-Floating-Carsharing-Modells in Tel Aviv demonstriert, wobei reale Daten von AutoTel verwendet werden. Vier RL-Agenten werden mithilfe fortschrittlicher Algorithmen (PPO, TD3, DDPG und SAC) trainiert, die für kontinuierliche Aktionsräume entwickelt wurden, und mit Basisstrategien wie Crew-basierten und gemischten Umzügen verglichen. Die Ergebnisse zeigen, dass diese Agenten höhere Einnahmen und niedrigere Lade- und Umzugskosten erzielen. Zur Bewertung der Skalierbarkeit werden zwei Beobachtungsräume mit zunehmender Dimensionalität getestet, die sowohl lokale als auch globale Beobachtungen umfassen. Schliesslich wird das Potenzial der integrierten Plattform durch zwei digitale, sektorübergreifende Plattformen demonstriert, die Mobilitäts- und Energiedaten in einem gemeinsamen Rahmen miteinander verbinden. Die eine Plattform ermöglicht es Firmenflotten mit Elektrofahrzeugen, Netzdienstleistungen zu erbringen, indem sie Fahrzeugdaten in Echtzeit bereitstellt und sich in Marktmechanismen integriert, während die andere Flottenbetreibern Entscheidungsunterstützungswerkzeuge für eine netzwerkorientierte Umzugsoptimierung bietet, wodurch die Effizienz und Nachhaltigkeit im Flottenmanagement verbessert wird. Dieses Projekt unterstützt letztendlich die Integration von Elektrofahrzeugen und gemeinsamer Elektromobilität, indem es Flottenbesitzern Entscheidungshilfen an die Hand gibt, die den Betrieb optimieren, Kosten senken und die Rentabilität steigern. Netzinformierte Planungs- und Umzugsstrategien ermöglichen ein effizienteres Management und helfen Flottenbetreibern, ein technisch-wirtschaftliches Optimum zu erreichen, während sie gleichzeitig nachhaltige Mobilitätslösungen fördern.