Hoppa till huvudinnehåll

E-Charge 2: AI-lösningar optimerar laddinfrastrukturen för tunga transporter

AI-optimerad design av laddning av eldrivna tunga transporter. AI Sweden förbättrar prognoser och användandet av elnätet för utsläppsfria lastbilstransporter.

Highway extending through a lake with surrounding forests and mountains.

E-Charge 2 är den andra fasen av E-Charge, som är ett stort systemdemonstrationsinitiativ med ambitionen att accelerera elektrifieringen av tunga långväga transporter. 

Initiativet leds av Lindholmen Science Park och AI Swedens roll är att använda avancerad AI och maskininlärning (ML) för att optimera designen och styrningen av laddningen av eldrivna tunga transporter. 

Centrala leveranser inkluderar kartläggning av nödvändig data för att möjliggöra träning av AI/ML-modeller för att förbättra effektprognoser, vilket är avgörande för att optimera användningen av elnätet och påskynda övergången till utsläppsfri logistik.

Tillsammans med elnätsföretag, energileverantörer och logistikoperatörer kartlägger vi data, åtgärdar eventuella brister i data och undersöker juridiska och tekniska utmaningar. 

Genom att använda federerad maskininlärning, som är en teknik för att hantera sekretess kring data, ska AI Sweden träna ML-modeller för att förbättra effektprognoser, optimerad laddinfrastrukturdesign för effektiv nätanvändning och datadrivna verktyg för att accelerera utbyggnaden av laddinfrastruktur för att kunna elektrifiera de tunga långväga lastbilstransporterna.

Utmaningar

Elektrifiering av tunga transporter är avgörande för att samhället ska nå klimatmålen men medför stora utmaningar. Att korrekt förutsäga elbehovet vid laddstationer – när, hur ofta och för hur många lastbilar – är avgörande för nätoptimering och tillförlitlighet.

Det största hindret är dataåtkomst. Utan tillräcklig data blir det svårt att prognostisera nätbelastning för att balansera utbud/efterfrågan, integrera förnybar energi och optimera laddstationsanvändningen.

AI Swedens angreppssätt kring denna utmaning är samarbete och integritetsbevarande teknik. Data stannar hos våra partners (nätföretag, energileverantörer, logistikoperatörer). Vi utvecklar skräddarsydda prognosmodeller för var och en, och delar sedan säkert insikter från dessa separata modeller (t.ex. produktions-, förbruknings- och laddningsbehovsprognoser) för att få en helhetsförståelse. Federerad maskininlärning kan användas för att förbättra förbrukningsmodellen och förutsäga elnätbelastningen genom att inkludera data från flera elnätsföretag.

Projektets syfte

AI Swedens ansvar i E-Charge 2-projektet är att optimera systemdesignen av laddningsinfrastruktur för tunga lastbilstransporter.

Vårt kärnuppdrag är att:

  • Leverera en kartläggning och analys av data som är avgörande för effektiv AI/ML-träning
  • Utveckla en maskininlärningsmodell (ML) som är specifikt utformad för att avsevärt förbättra effektprognoser

Genom att tillämpa avancerad AI och ML vill vi visa hur dessa tekniker kan förbättra prognos- och scenarioverktyg för tillgänglig nätkapacitet vid laddningsplatser. Detta arbete är grundläggande för att maximera användningen av laddstationer, effektivt hantera nätbegränsningar och skapa en adaptiv, stabil laddningsprocess för framtidens utsläppsfria logistik.

Förväntat resultat

Data- och AI-driven förståelse av designen och utformningen på laddningssystem för tunga elektrifierade lastbilstransporter. En dataplan för att vägleda framtida AI-utveckling och samarbete inom detta område. 

Utveckling och validering av banbrytande maskininlärningsmodeller som ger intressenter bättre verktyg för näthantering och infrastrukturplanering, vilket banar väg för övergången till utsläppsfri tung transport. 

Praktisk utvärdering av integritetsbevarande tekniker som federerad maskininlärning, som visar hur känslig data kan användas gemensamt för att lösa branschövergripande utmaningar.

Fakta

Finansiering: Vinnova (~205 MSEK varav AI Swedens del upgår till ~2 MSEK)

Projektperiod: projktets slutdatum är satt till den 2027-12-31

De 42 projektpartner är:

The project's 42 partners are:

AI Sweden
Alfredssons Transport AB
Alltransport i Östergötland AB
Berndt Mattssons Åkeri AB
Börje Jönsson Åkeri AB
Chalmers Tekniska Högskola AB
Circle K Sverige AB
Dagab Inköp & Logistik AB
DFDS Logistics Services AB
Ecolink (Jula)
Erikssons Åkeri i Tomelilla AB
Falkenklev Logistik AB
GA Erikssons Åkeri
GDL AB
ICA Sverige AB
Jardlers Åkeri AB
Kilafors Industri AB
Kungliga Tekniska Högskolan
Laddbolaget i Värmland AB
Lars-Eric Bergman Transport AB
LBC - Frakt i Värmland AB
Lindholmen Science Park AB (som koordinator och partner)

Linköpings universitet
Lunds universitet (LTH)
LTU Business AB
Martin & Servera AB
Milence Sweden AB
Närkefrakt Ekonomisk förening
OK-Q8 AB
Rifil AB
Scania CV AB
Scania Transportlaboratorium AB
Smurfit Kappa Kraftliner Piteå AB (SMURFIT - Westrock)
Sveriges lantbruksuniversitet (SLU)
Tyréns AB
Uppsala universitet
Varberg Energi AB
Vattenfall AB
Viscando AB
Volvo Technology AB
Wibax Group AB

För mer information, kontakta
A picture of Filip Kjellgren
Filip Kjellgren
Strategic Initiative Developer - Energy
+46 (0)70-161 38 20

Andra projekt inom energisektorn

Map of Sweden with blue data points.

Simulering och visualisering av Sveriges framtida elsystem

Detta projekt fokuserar på att utveckla ett digitalt verktyg för användare att undersöka olika scenarier relaterade till Sveriges framtida elbehov. Syftet är att underlätta diskussioner mellan...
The image showcases a diverse Swedish neighborhood with various housing types, set against a backdrop of pine trees and rocky terrain, bathed in warm, golden light.

Framtidens elnät skapat med federerad maskininlärning

Detta projekt utforskar potentialen i förbättrade analysverktyg för energibolag att förstå sina kunders beteende. Genom att utveckla en federerad maskininlärningsmodell för analys av elnätsdata, ämnar...
Power lines, poles, twilight

Federerad maskininlärning för att skapa typlastprofiler

Projektet undersöker hur federerad maskininlärning kan skapa dynamiska typlastprofiler för ett digitalt prognosverktyg för framtida nätkapacitet.
Preview of the website for the VGR and AI Sweden project 'Generation Toolkit'

Generation Toolkit

Digitalt scenarioverktyg för framtidens elproduktion Västra Götalandsregionen importerar för närvarande 70% av den el som behövs till regionen. Projektet kommer att utveckla ett digitalt...