UdZ 2-2013

45 Unternehmen der Zukunft 2/2013 UdZ beleuchtung kann durch diese Sensorik optimiert und die benötigte Energiemenge reduziert werden. Die zusätzlich ermittelten Informationen sollen für weitere Auswertungen bereitgestellt werden. In dieser Regionwerden die Ergebnisse der anderen Partner nun virtuell ergänzt. So werden zusätzliche virtuelle Gebäude in der Stadt „angesiedelt“ und deren Energiebedarfe simuliert. Die Daten basieren auf den Ergebnissen des NTUA -Campus. Ebenso werden die Einflüsse auf das Verkehrsaufkommen, beispielsweise die Pendlerströme zu einen virtuellen Bürogebäude, durch das CSI-Traffic-Information- System berechnet und simuliert. Die Simulation des Energieverbrauchs von Elektrofahrzeugen und Ladesäulen basiert auf dem Beitrag des FIR . So werden virtuelle Ladensäulen integriert und der Energiebedarf durch den „Smart-Charging- Algorithmus“ des FIR berechnet bzw. prognos- tiziert. Diese virtuelle Kombination der verschie- denen realenMessdaten erfordert die Entwicklung eines allgemeingültigen Prognosemodells, welches die erhobenen Messdaten unter Betrachtung lokaler Begebenheiten übertragbar gestaltet. Beitrag des FIR Das FIR entwickelt zusammen mit den Forschungspartnern den Smart-Charging- Algorithmus. Dieser integriert Daten und Ergebnisse aus verschiedenen Forschungsprojekten, „O(SC)²ar“ [4], „Smart Wheels“ [5] und „LiMobility“ [6]. So werden die gesammelten Fahrzeugdaten aus dem Projekt Smart Wheels zur Erstellung ty- pischer Nutzungsprofile genutzt [7]. Das Projekt Oscar, das eine Vernetzung des Smart Cars mit einer offenen Service-Cloud verbindet, ist die Ausgangsplattform für die Integration von Wetter- und Verkehrsdaten und für die Datenerhebung aus demFahrzeug.Wartungsdaten und Erkenntnisse zur Batteriealterung aus demProjekt „LiMobility“ fließen in die Berechnungsmethoden des Smart-Charging- Algorithmus ein. So sollen Echtzeit-Fahrtverbrauche, das aktuelle Fahrverhalten und noch nicht erfasste Verkehrsstörungen, welche die Fahrt beeinflus- sen, erhoben werden. Durch die Schaffung von Datenprofilen sollen so für vielgenutzte Strecken typische Energieprofile erstellt werden. In Kombination mit dem wahrscheinlichen Fahrt- ziel (Navigationsziel oder typisches Ziel, basierend auf Fahrzeug-, Fahrer- und regionalen Daten) soll über das Fahrzeug-, Fahrer-, Ladestations- und Routenprofil die benötigte Energiemenge bzw. verfügbare Energiemenge und der Ort der Energieentnahme prognostiziert werden (siehe Bild 2, S. 46). Während die Verbrauchsdaten des Fahrzeugs sehr genau messbar sind und damit der Bedarf bzw. die Energiemenge, die in das Stromnetz zurückgespeist werden könnte, genau prognostiziert werden kann, ist der Zielort des Fahrzeugs und damit der Anschlussort an das Energienetz schwer vorhersehbar. Die Eingabe in ein Navigationssystem stellt dabei keine zuver- lässige Information dar, der Nutzer kann andere Zielorte ansteuern oder nur eine grobe Landmarke eingegeben haben und mit Ortskenntnissen die Zielfahrt durchführen. Gerade in der Reichweite eines E-Fahrzeugs, meist unter 100 km, überwiegt die Ortskenntnis. Zusätzlich bleibt die Unsicherheit, ob ein teilentladenes Fahrzeug angeschlossen wird oder erst nach weiteren Fahrten wieder zum Laden mit dem Stromnetz verbunden wird. Hier profitiert die Prognose aber vom typischen Bild 1: Informationspipeline – Darstellung der Daten- verarbeitungsschritte des NRG4Cast-Algorithmus von der Informationserfassung bis hin zu Prognosen und Handlungsempfehlungen FIR-Forschungsprojekte