Optimierung des EV-Ladens mit KI – Effizientere Letzte-Meile-Lieferungen

Der Kunde betreibt ein Logistikunternehmen für die letzte Meile in einem großen städtischen Gebiet. Im Rahmen seiner Strategie zur Dekarbonisierung des städtischen Verkehrs setzte das Unternehmen auf die Elektrifizierung seiner Fahrzeugflotte. Dabei stieß es jedoch auf Einschränkungen durch eine begrenzte Anzahl an Ladepunkten sowie operative Instabilitäten (Fahrzeugausfälle, unerwartete Verzögerungen, Netzüberlastungen).

Die Flotte umfasste mehrere Dutzend Elektrofahrzeuge, die täglich Hunderte von Aufträgen abwickelten. Um einen reibungslosen Betrieb sicherzustellen, war ein System erforderlich, das das Laden der Fahrzeuge dynamisch und effizient plant – unabhängig vom Ausmaß der täglichen Störungen.

Mit zunehmender Skalierung der EV-Lieferprozesse stand der Kunde vor der Herausforderung, den Ladevorgang zu optimieren. Herkömmliche Ansätze – basierend auf festen Zeitplänen oder manueller Steuerung – erwiesen sich als unzureichend angesichts begrenzter Infrastruktur, hoher betrieblicher Volatilität und steigender Anforderungen an Kosten- und Umwelteffizienz. Die wichtigsten Herausforderungen waren:

• Begrenzte Ladeinfrastruktur: Nur wenige Ladestationen für Dutzende Fahrzeuge
• Hohe operative Variabilität: Ausfälle, Verspätungen, Staus und unvorhersehbare Änderungen in der Fahrzeugverfügbarkeit
• Technische Komplexität: Verschiedene Steckertypen, Batterieprofile und Ladecharakteristika
• Vielfältige Optimierungsziele: Flexibles Umschalten zwischen Kostenreduktion und Minimierung des CO₂-Fußabdrucks je nach Unternehmensprioritäten

Wir starteten mit einem gemeinsamen Analyse-Workshop, um den Betrieb der Flotte zu verstehen und die wichtigsten Einschränkungen und Einflussfaktoren auf den Ladeprozess zu identifizieren. Anschließend entwickelten wir ein abstraktes Modell des Ladesystems, das Folgendes berücksichtigte:

• Die Topologie der Infrastruktur und die elektrischen Parameter der Ladestationen
• Zeitpläne der Fahrzeuge und deren Energiebedarf
• Zufällige Faktoren wie Ausfälle, Verkehrsstaus oder Änderungen in den Aufträgen

Dieses Modell bildete die Grundlage für eine Lösung mit zwei Hauptkomponenten:

• Domänenspezifische Sprache (DSL) – Ein Werkzeug zur Beschreibung der Infrastruktur, der Fahrzeuge und der betrieblichen Einschränkungen in einer Form, die sowohl technische als auch logistische Teams verstehen können. Es ermöglicht eine schnelle Konfiguration und das Testen verschiedener Ladeszenarien – ganz ohne Programmierung.
• Optimierungs-Engine – Entwickelt für die Lösung komplexer Entscheidungsprobleme in Echtzeit. Das System wählt automatisch den optimalen Ladeplan basierend auf aktuellen Daten und dem gewählten Ziel (Kosten- oder CO₂-Reduktion) und reagiert innerhalb von Sekunden auf unvorhergesehene Ereignisse.

Die Lösung wurde modular und flexibel konzipiert – und kann daher auch in anderen Szenarien eingesetzt werden, etwa zur Optimierung des Ladens von Stadtbussen oder der Nutzung von EV-Batterien als Energiespeicher.

Die Implementierung des Systems führte zu einer deutlichen Verbesserung der Betriebsprozesse und einer effizienteren Nutzung der Ladeinfrastruktur. Zu den wichtigsten Vorteilen zählten:

• Reduzierte Fahrzeugausfallzeiten durch optimierte Ladeplanung, was zu einer besseren Flottenverfügbarkeit und einer höheren Anzahl abgeschlossener Aufträge führte
• Senkung der Energiekosten durch Laden in Nebenzeiten und Reduzierung von Notfall-Ladevorgängen
• Reduzierung der CO₂-Emissionen im Umweltmodus durch Auswahl von Ladestationen mit erneuerbaren Energien und Vermeidung von Ladevorgängen während Netzspitzenzeiten

Diese Vorteile ermöglichten es dem Kunden, nicht nur die Betriebseffizienz zu steigern, sondern auch Nachhaltigkeitsziele zu erreichen.