Planowanie przyszłych tras w oparciu o dane
Pierwszym krokiem jest zatem zrozumienie różnic w eksploatacji pojazdów elektrycznych. Oprócz elementów takich jak: okna dostaw, długość zmian i okresy odpoczynku kierowcy, należy wziąć pod uwagę inne aspekty, takie jak zasięg ciężarówek elektrycznych, ograniczenia ładowności wynikające z cięższych akumulatorów, lokalizacje i czas ładowania lub ograniczenia sieciowe.
Harmonizacja tego wszystkiego jest możliwa tylko dzięki systemowi cyfrowemu i wykorzystaniu sztucznej inteligencji (AI) oraz uczenia maszynowego (ML). Wymaga to kompleksowego gromadzenia i analizy danych – zarówno operacyjnych, jak i pochodzących z pojazdów, zachowań kierowców i stacji ładowania.
Jedne z największych wyzwań stanowią zasięg i czas potrzebny na ładowanie ciężarówek elektrycznych. Wpływają one na planowanie całej logistyki i wymagają precyzyjnej i dynamicznej optymalizacji tras. Zasięg zależy w dużej mierze od różnych czynników, takich jak załadunek, zachowanie kierowcy i warunki pogodowe. W przeciwieństwie do ciężarówek z silnikiem Diesla, które można szybko zatankować na dowolnej stacji benzynowej, ciężarówki elektryczne wymagają dłuższych i częstszych ładowań, co sprawia, że planowanie (ich postojów – przyp. red.) jest bardziej złożone.
Systemy oparte na sztucznej inteligencji mogą monitorować te zmienne w czasie rzeczywistym i odpowiednio je dostosowywać. Mogą na przykład przewidzieć, kiedy i gdzie pojazd musi zostać naładowany w oparciu o aktualny stopień rozładowania akumulatora i warunki jazdy. Pomaga to uniknąć nieoczekiwanych awarii i zmaksymalizować czas pracy. Takie modele, które są szkolone na podstawie danych pochodzących z operacji wykonywanych z wykorzystaniem aut elektrycznych, mogą być również wykorzystywane do przewidywania, gdzie te ciężarówki będą musiały być ładowane w przyszłości. Oznacza to, że infrastrukturę ładowania można zaplanować zgodnie z zapotrzebowaniem.
Kolejnym aspektem (który należy wziąć pod uwagę – przyp. red.) jest synchronizacja czasu ładowania z ustawowymi okresami odpoczynku kierowców. W tym miejscu do gry wkracza sztuczna inteligencja, aby to optymalnie zaplanować. Dzięki temu nie tylko można skrócić czas, w którym pojazd nie jest wykorzystywany, ale również zapewnić, że kierowcy efektywnie wykorzystują swoje przerwy.
Oznacza to również, że podczas planowania infrastruktury do ładowania należy pamiętać, by zapewnić kierowcom przestrzeń do odpoczynku i odbierania wymaganej przerwy.
Wymogi dotyczące lokalizacji: stacje to coś więcej niż tylko przyłącza elektryczne
Narzędzia cyfrowe, takie jak sztuczna inteligencja i uczenie maszynowe, mogą być zatem wykorzystywane do określania, gdzie stacje ładowania będą rzeczywiście potrzebne w przyszłości.
Oczywiście istotnym czynnikiem (który należy wziąć pod uwagę – przyp. red.) jest również lokalna sieć elektroenergetyczna. Należy upewnić się, że jest ona w stanie poradzić sobie ze zwiększonym obciążeniem, na przykład instalując systemy magazynowania energii, aby poradzić sobie ze szczytami zapotrzebowania. Innym sposobem na zmniejszenie obciążenia może być wykorzystanie odnawialnych źródeł energii, na przykład instalowanie na miejscu paneli słonecznych.
Co więcej, najlepiej byłoby, gdyby stacje ładowania były budowane oddzielnie od obszarów przeznaczonych dla samochodów osobowych, takich jak miejsca postojowe na autostradach (mowa o niemieckich Raststätte, czyli parkingach z pełną infrastrukturą, tj. stacja, sklepy, restauracje – przyp. red.).
Ponieważ obecnie nie ma specjalnej infrastruktury do ładowania samochodów ciężarowych, ciągnik siodłowy i naczepa często muszą być rozdzielone, a następnie kierowca podjeżdża ciągnikiem siodłowym do dostępnej stacji ładowania. Stanowi to ogromne zagrożenie dla bezpieczeństwa w zatłoczonych miejscach obsługi podróżnych znajdujących się przy autostradach.
Po uwzględnieniu wszystkich tych aspektów i znalezieniu idealnych lokalizacji, pozostaje jeszcze kwestia kosztów. Obecnie ładowanie na trasie jest znacznie droższe niż ładowanie na terenie firmy. Aby obniżyć cenę, politycy powinni podjąć stosowne działania w tej sprawie, pracując wspólnie z firmami, które mogą im dostarczyć odpowiednie dane.
Podczas gdy decydenci polityczni powinni zapewnić, że dopłaty mają wpływ na cenę na stacji ładowania lub zmniejszyć koszty dla dystrybutorów w inny sposób, np. poprzez bezpłatne udostępnianie przestrzeni, firmy mogą wykorzystywać cenne dane i analizy oparte na sztucznej inteligencji, aby pomóc w znalezieniu najlepszych lokalizacji dla stacji ładowania pojazdów elektrycznych. W ten sposób można uzyskać (w przyszłości – przyp. red.) największe korzyści z inwestycji w infrastrukturę ładowania.
