Slalom und Scheidt & Bachmann – Herausforderungen der Ladeinfrastruktur für Elektrofahrzeuge mit Daten und KI lösen
Scheidt & Bachmann Energy Retail Solutions hat gemeinsam mit Slalom eine proprietäre KI-Lösung auf Basis prädiktiver Analysen entwickelt. Ziel war es, mehr Transparenz und Zuverlässigkeit in die Ladeinfrastruktur für Elektrofahrzeuge zu bringen, indem Auslastung, Verfügbarkeit und betriebliche Effizienz der Ladepunkte verbessert werden.
Das Ergebnis ist ein datengetriebenes System, das Unsicherheiten für Fahrer reduziert und Betreibern neue Möglichkeiten bietet, ihre Ladeparks effektiver zu steuern und zu optimieren.
Ergebnis
SIQMA FlowMax.AI adressiert zentrale Herausforderungen der heutigen Ladeinfrastruktur:
- genauere Prognosen zur Verfügbarkeit
- bessere Auslastung der Ladepunkte
- höhere Transparenz für Fahrer
- gesteigerte Betriebssicherheit für Betreiber
Damit leistet die Lösung einen aktiven Beitrag zur Förderung der Elektromobilität.
Marktkontext: starkes Wachstum, begrenzte Transparenz
Die Elektromobilität wächst weiterhin dynamisch. Gleichzeitig wird diese Entwicklung häufig durch strukturelle Herausforderungen gebremst – etwa den begrenzten Ausbau der Ladeinfrastruktur, intransparente Preismodelle sowie unzureichende Informationen zur Verfügbarkeit und zum Standort von Ladepunkten.
Mit seiner umfassenden Erfahrung aus den Bereichen Tankstelle, Ladepark und Energy Retail setzt Scheidt & Bachmann Energy Retail Solutions genau hier an – dort, wo diese Herausforderungen die Nutzererfahrung am stärksten beeinflussen: direkt am Nutzungspunkt.
„Die Elektromobilität wird weiter an Bedeutung gewinnen und in den kommenden Jahren den Markt dominieren. Mit SIQMA FlowMax.AI unterstreichen wir unseren Anspruch, unser Geschäftsmodell frühzeitig zu transformieren und einzigartige Lösungen anzubieten, die es zuvor nicht gab.“
„Die Elektromobilität wächst schnell – doch nur mit Transparenz, Zuverlässigkeit und einer benutzerfreundlichen Infrastruktur wird sie für alle zugänglich. Genau hier übernehmen wir Verantwortung und gestalten die Zukunft des Ladens aktiv mit.“
„Projekte wie dieses zeigen, wie KI-Innovationen konkrete Herausforderungen in der Infrastruktur lösen und ganze Branchen transformieren können. Wir haben Scheidt & Bachmann dabei unterstützt, Daten und künstliche Intelligenz zu nutzen, um ein zukunftsorientiertes Geschäftsmodell zu etablieren, das echten Mehrwert für Endkunden schafft.“
Der menschliche Faktor: das Unvorhersehbare vorhersagen
Eine der anspruchsvollsten Funktionen der Lösung ist die Fähigkeit, vorherzusagen, wann ein belegter Ladepunkt wieder verfügbar sein wird. Anders als beim klassischen Tanken werden Ladevorgänge von zahlreichen Faktoren beeinflusst – etwa dem angestrebten Ladezustand, der Verweildauer oder dem Angebot im Umfeld.
Um diesen Anforderungen gerecht zu werden, entwickelten Scheidt & Bachmann Energy Retail Solutions und Slalom in kurzer Zeit einen Proof of Concept. Das Modell kombiniert offene Datenquellen, zugekaufte Datensätze und fundierte Annahmen, um bereits früh im Ladevorgang verlässliche Prognosen zu liefern.
Bereits innerhalb der ersten fünf Minuten eines Ladevorgangs kann zuverlässig vorhergesagt werden, wann der Ladepunkt wieder verfügbar sein wird. Die Daten- und AWS-Expertise von Slalom ermöglichte es, den Piloten in sehr kurzer Zeit zu entwickeln, zu skalieren und umzusetzen sowie das notwendige Know-how aufzubauen. KI-basierte Prognosen können nicht jeden Ausreißer verhindern, doch die meisten Vorhersagen sind bis auf wenige Minuten genau. Langfristig ist es das Ziel, die durchschnittliche Prognosegenauigkeit weiter zu erhöhen und KI-gestützte E-Mobilitäts-Erlebnisse für Betreiber und Fahrer gleichermaßen zu ermöglichen.
Vom Pilotprojekt zur operativen Lösung
Nach einem erfolgreichen Proof of Concept wurde die Lösung in den Live-Betrieb überführt. In dieser Phase führten Unterschiede zwischen Trainingsdaten und Echtzeitdaten zunächst zu einer geringeren Prognosegenauigkeit. Durch zusätzliches Modelltraining und die Integration weiterer Parameter – wie Standort, Wochentag, Tageszeit, Wetter und Umfeld – konnte die Prognoseleistung deutlich verbessert werden.
Zur Sicherstellung einer stabilen Qualität wurde eine zentrale Kennzahl definiert: der Mean Average Percentage Error (MAPE). Abweichungen lösen automatische Warnmeldungen aus und ermöglichen so eine kontinuierliche Optimierung des Modells.
„Mit SIQMA FlowMax.AI setzen wir einen neuen Standard beim Laden: präzise Prognosen, klare Informationen und ein verlässliches Ladeerlebnis. Unser Ziel ist es, Komplexität zu reduzieren und echten Mehrwert für Betreiber und Fahrer zu schaffen.“
Jörg M. Heilingbrunner, CEO, Scheidt & Bachmann Energy Retail Solutions
End-to-End-Lösung mit Zukunftspotenzial
Betreiber können SIQMA FlowMax.AI als eigenständige Lösung nutzen oder mit Digital-Signage-Anwendungen wie SIQMA Sign kombinieren, um Preise, Verfügbarkeit und Standortinformationen direkt vor Ort sichtbar zu machen. Das ermöglicht:
- bessere Auslastung von Ladeparks
- nahtlose Ladeerlebnisse für Fahrer
- stärkere Kundenbindung durch Transparenz
Die Lösung ist bereits im operativen Einsatz und lernt kontinuierlich aus realen Daten, wodurch die Prognosegenauigkeit stetig verbessert wird. Alternativ kann SIQMA FlowMax.AI über Schnittstellen in bestehende Plattformen und Anwendungen integriert werden.
Sie möchten mehr über SIQMA FlowMax.AI erfahren?
Get in touch with us!
