Sztuczna Inteligencja wsparciem dla elektromobilności w Polsce
Rozwój elektromobilności w Polsce postępuje stopniowo, choć w porównaniu z niektórymi innymi krajami Europy Zachodniej może wydawać się nieco wolniejszy. Jest to wynik wielu czynników. Warto jednak podkreślić, że wiele firm i organizacji wierzy w potencjał elektromobilności i inwestuje w badania związane z samochodami elektrycznymi oraz stacjami ładowania, wykorzystując przy tym możliwości sztucznej inteligencji.
Sztuczna inteligencja jest kluczowym narzędziem, które może przyspieszyć rozwój sektora samochodów elektrycznych (BEV) w Polsce. Istnieje wiele obszarów, w których można ją wykorzystać, takich jak zarządzanie akumulatorem, zarządzanie infrastrukturą ładowania, prognozowanie awarii czy personalizacja użytkowania pojazdów elektrycznych. Dzięki sztucznej inteligencji można poprawić efektywność, bezpieczeństwo i wygodę użytkowania, co przyczynia się do przyspieszenia adaptacji rynku na zmieniające się potrzeby użytkowników i środowiska.
Kilka lat temu firma Kotrak S.A. podjęła prace nad projektem badawczo-rozwojowym o nazwie „We do IT with Energy.” Celem tego projektu było opracowanie dynamicznego i optymalnego systemu geolokalizacji punktów ładowania baterii pojazdów elektrycznych, z uwzględnieniem stylu prowadzenia pojazdu przez indywidualnych użytkowników. Wynikiem tych prac jest prototyp aplikacji (JUICEupp), który po uwzględnieniu wielu czynników, w tym warunków pogodowych i technicznych możliwości samochodu elektrycznego, wybiera optymalne punkty ładowania i sugeruje czas ładowania. Ponadto aplikacja zbiera dane dotyczące indywidualnego stylu jazdy użytkownika, co jest istotne dla kierowców samochodów elektrycznych, którzy często mierzą się z „range anxiety” (lękiem przed zasięgiem). Niestety, w Polsce lęk ten jest nadal dość wysoki, głównie z powodu niskiej wiedzy na temat samochodów elektrycznych oraz nierównomiernego rozwoju infrastruktury ładowania. To jest widoczne na mapie ogólnodostępnych stacji ładowania dostępnej na EIPA (European Alternative Fuels Observatory).
Podstawowym celem prototypu aplikacji JUICEupp jest zbieranie danych z różnych parametrów, takich jak prędkość, położenie, trasa, warunki atmosferyczne itp., aby określić indywidualny styl jazdy użytkownika. Dzięki temu użytkownik może monitorować swoją średnią prędkość, przyspieszenie i tym samym wpływać na zużycie baterii. Aplikacja ma więc potencjał, aby stać się narzędziem wspierającym kierowców samochodów elektrycznych w optymalizacji swoich tras. W przyszłości rozważa się wprowadzenie hybrydowej metody optymalizacji trasy, która wykorzysta zebrane dane.
Kotrak S.A. rozpoczął również projekt badawczo-rozwojowy mający na celu opracowanie inteligentnego systemu do zarządzania flotą pojazdów elektrycznych i stacji ładowania w celu optymalizacji kosztów utrzymania i wprowadzenia transportu niskoemisyjnego przez przedsiębiorstwa. W tym projekcie (FLOTIupp) sieci neuronowe są wykorzystywane do wyboru najbardziej opłacalnych samochodów elektrycznych w miejsce tradycyjnych pojazdów spalinowych. Projekt ten ma pomóc przedsiębiorstwom podejmować skuteczne decyzje w temacie zarządzania flotą pojazdów elektrycznych, ułatwić ich harmonogramowanie oraz umiejętnie balansować mocą przyłączeniową.
Sztuczna inteligencja ma również potencjał do optymalizacji harmonogramowania ładowania autobusów elektrycznych w transporcie publicznym. Sieci rekurencyjne (RNN) i sieci pamięci długoterminowej (LSTM) mogą być wykorzystane do przewidywania zapotrzebowania energetycznego autobusów w zależności od ruchu i innych czynników. To pozwala na inteligentne planowanie ładowania w czasie rzeczywistym, co pomaga unikać przeciążenia stacji ładowania i zapewnia optymalne ładowanie dla taboru autobusowego. Jednak aby to osiągnąć, konieczna jest dostępność dokładnych danych i odpowiednie dostosowanie modeli do specyfiki transportu publicznego w Polsce. Współpraca między różnymi podmiotami branżowymi jest kluczowa dla sukcesu tych rozwiązań.
Słowa kluczowe:
Reinforcement Learning – uczenie ze wzmocnieniem, jest jednym z obszarów w AI, który skupia się na rozwijaniu umiejętności i zdolności w dynamicznym środowisku.
RNN – rekurencyjna sieć neuronowa to rodzaj zaawansowanej sztucznej sieci neuronowej (ANN), która ma zdolność do obsługi danych sekwencyjnych lub szeregów czasowych. W przeciwieństwie do tradycyjnych sieci neuronowych typu feed forward, RNN posiada połączenia rekurencyjne, które umożliwiają przekazywanie informacji z poprzednich kroków do obecnego, co pozwala na zachowanie pamięci o wcześniejszych stanach.
LSTM – sieć pamięci długoterminowej, która jest rekurencyjną siecią neuronową. Jej celem jest rozwiązanie problemu zanikającego gradientu występującego w tradycyjnych sieciach RNN.
Autorzy:
Anna Domańska
Product Owner, Kotrak S.A.
Od początku drogi w sektorze IT zajmuje się procesami i projektami badawczo-rozwojowym. Jestem entuzjastką napędów alternatywnych w motoryzacji. Wierzę, że rozwijający się świat sztucznej inteligencji będzie doskonałym narzędziem wspomagającym nas wszystkich programistów, przedsiębiorców, jak i indywidualnych kierowców, w wyzwaniach, przed którymi już dzisiaj stoimy, jak i tymi które dopiero się pojawiają. Dane i umiejętność ich wykorzystania przy pomocy sztucznej inteligencji to klucz do lepszej i bardziej zrównoważonej przyszłości.
Sebastian Sztyper
Head of Frontend Development Technology, Kotrak S.A.
Od początku kariery zauroczony światem programowania, technologii i designu. Dzięki AI mogę tworzyć innowacyjne rozwiązania dla przyszłości. Podejście oparte na design thinking pozwala mi wnikliwie zrozumieć potrzeby użytkowników i tworzyć produkty, które nie tylko zachwycają funkcjonalnością, ale również wzbudzają emocje. Na co dzień programuje i wdrażam nowoczesne rozwiązania współpracując z grupą wyjątkowych ludzi, aby połączyć świat biznesu z najnowszymi osiągnięciami technologicznymi.
