Посочи която и да е точка на картата и Pulse ще ти каже какво търсене за бързо зареждане би имала. Не неясно „добро“ или „лошо“ — а реално число: прогнозни kWh на място на ден, разбити по месеци и обясними до отделните входни характеристики, довели до резултата.

Моделът работи в три етапа, които се умножават един по друг.

Етап 1 — Базово търсене

Параметричен модел оценява какво търсене за бързо зареждане съществува като цяло за дадена държава и месец. Той отчита три неща:

Температура — студеното време увеличава потреблението на енергия на km и засилва тревожността за пробега. Норвежки януари генерира приблизително 70% повече търсене на бързо зареждане на BEV от норвежки юли.
Дял на автопарка от BEV — повече електромобили на пътя означава повече зарядни сесии. Моделът използва логаритмично мащабирано проникване на BEV по държава и година.
Базово ниво за държавата — културата на шофиране, гъстотата на магистралите и навиците за зареждане се различават структурно между държавите. Собственик на BEV в Норвегия използва публичното бързо зареждане различно от такъв във Финландия, дори при еднаква температура и дял на автопарка.

Базовото търсене се обучава с наблюдавани данни за използването на ниво станция. То отговаря на въпроса: как изглежда „нормалното“ в тази държава през този месец? Резултатът е число в kWh на място на ден — обикновено между 40 и 120, според пазара и сезона.

Етап 2 — Оценка на локацията

Базовото търсене ти казва нещо за пазара. Оценката на локацията ти казва нещо за конкретната точка. Това е модел за машинно обучение (gradient-boosted trees), който оценява 20 пространствени характеристики в няколко категории:

Трафик — комбинирана оценка за трафика, извлечена от държавни данни за AADT (средногодишен дневен трафик), претеглена според близостта и типа на пътя. Включва също дела на магистралния трафик и максималния AADT на пътя. Това е най-силният отделен предиктор.
Конкуренция — съществуващи DC fast зарядни устройства в радиус от 5 km, 10 km и 25 km, както и разстоянието до най-близкия конкурент. Повече конкуренция означава, че всяка станция привлича по-малък дял от преминаващото търсене.
Обекти на интерес — бензиностанции, храна, паркинги и други удобства в радиус от 1 km и 5 km. Включва подкатегории на търговските POI: молове, вериги за бързо хранене, вериги магазини и гъстота на търговските обекти. Това са индикатори за пешеходен поток, време на престой и типа локация, който привлича шофьори.
Достъпност — разстояние до най-близката бензиностанция, място за хранене и произволен POI. Локациите близо до съществуваща инфраструктура за шофьори наследяват този трафик.

Моделът е обучен с над 33,934 станция-месеца наблюдавано използване на зареждането в 4,083 станции. Той научава коя комбинация от пространствени характеристики предсказва висока или ниска използваемост — и след това прилага това към всяка нова точка.

В райони с плътни конкурентни данни работи пълният модел с 20 характеристики. В райони с оскъдни данни за конкуренцията (нови пазари, селски райони) го заменя отделен базов модел, използващ само характеристики за трафик и POI. Двата модела се смесват чрез сигмоидна функция, обвързана с местната конкурентна гъстота — така моделът деградира плавно, вместо да халюцинира в региони с малко данни.

Резултатът е едно число: оценката на локацията. Тя действа като множител на базовото търсене. Оценка 3.0 означава, че тази локация би привлякла три пъти базовото ниво за държавата/месеца. Оценка 0.5 означава половината.

Етап 3 — Корекция за оператора

Оценката на локацията умишлено не зависи от оператора — тя измерва терена, а не кой работи на него. Но при прогноза на търсенето за конкретен проект се включва трети фактор: коефициентът за изпълнение на CPO. Той коригира според това колко добре даден оператор превръща потенциала на локацията в реални сесии (виж „Какво представлява оценката за изпълнение на CPO?“ по-долу). Стойността по подразбиране е 1.0, което означава изпълнение по планов сценарий.

Веригата на умножението

Крайната оценка на търсенето е просто:

                                kWh / EVSE / ден  =  базово търсене  ×  оценка на локацията  ×  CPO коефициент
                            

Пример: обект в Норвегия през януари, с оценка на локацията 1.5 и изпълнение по планов сценарий:

Базово търсене (Норвегия, януари, −5°C, 25% BEV)	81 kWh/място/ден
Оценка на локацията	× 1.50
Коефициент за изпълнение на CPO	× 1.00
Прогнозно търсене	122 kWh/място/ден

Същата локация през юли (15°C) би имала по-ниско базово търсене (~52 kWh), което дава 78 kWh/място/ден — сезонен спад от 38%, съответстващ на наблюдаваното в реалните данни.

Защо оценките се различават между пазарите

Оценката на локацията използва една глобална скала. Оценка 2.5 означава едно и също навсякъде: 2.5× местното базово търсене. Но тъй като пространствените характеристики, които определят оценката (гъстота на трафика, конкуренция, POI покритие), варират силно между държавите, разпределението на оценките се различава по пазари.

Медианната оценка на станциите в Норвегия е около 1.0. В Германия е около 2.5. Нидерландия е близо до 3.0. Това не е недостатък — това е сигналът. Гъсти пазари с висок трафик и много удобства дават по-високи оценки, защото тези характеристики действително предсказват повече търсене. Оценка 1.5 в Норвегия е над средната за Норвегия; същата оценка в Нидерландия би била под средната. И двете са правилни.

Обяснимост

Всяка оценка включва пълна разбивка по SHAP (SHapley Additive exPlanations), която показва точно кои характеристики са повишили или понижили оценката и с колко. Можеш да видиш, че конкретна локация има висока оценка защото най-близкият път има AADT 18,000 и на 200 метра има бензиностанция — не само че оценката е висока. Това е важно при инвестиционни решения: трябва да знаеш защо, не само какво.

Всеки компонент на модела има собствен подробен анализ: моделът за търсене, оценката на локацията и оценката за изпълнение на CPO.

EV модели