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

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.

För mer information, kontakta