Δείξε οποιοδήποτε σημείο στον χάρτη και το Pulse θα σου πει πόση ζήτηση ταχείας φόρτισης θα είχε. Όχι ένα αόριστο “καλό” ή “κακό” — έναν πραγματικό αριθμό: εκτιμώμενα kWh ανά θέση ανά ημέρα, αναλυμένα ανά μήνα και επεξηγήσιμα μέχρι τα επιμέρους χαρακτηριστικά εισόδου που οδήγησαν στο αποτέλεσμα.

Το μοντέλο λειτουργεί σε τρία στάδια που πολλαπλασιάζονται μεταξύ τους.

Στάδιο 1 — Βάση ζήτησης

Ένα παραμετρικό μοντέλο εκτιμά πόση ζήτηση ταχείας φόρτισης υπάρχει γενικά για μια δεδομένη χώρα και μήνα. Λαμβάνει υπόψη τρία στοιχεία:

Θερμοκρασία — ο κρύος καιρός αυξάνει την κατανάλωση ενέργειας ανά km και εντείνει το άγχος αυτονομίας. Ένας νορβηγικός Ιανουάριος δημιουργεί περίπου 70% περισσότερη ζήτηση ταχείας φόρτισης ανά BEV από έναν νορβηγικό Ιούλιο.
Μερίδιο στόλου BEV — περισσότερα ηλεκτρικά αυτοκίνητα στον δρόμο σημαίνουν περισσότερες συνεδρίες φόρτισης. Το μοντέλο χρησιμοποιεί λογαριθμικά κλιμακωμένη διείσδυση BEV ανά χώρα και έτος.
Βασικό επίπεδο χώρας — η οδηγική κουλτούρα, η πυκνότητα αυτοκινητοδρόμων και οι συνήθειες φόρτισης διαφέρουν δομικά μεταξύ χωρών. Ένας Νορβηγός ιδιοκτήτης BEV χρησιμοποιεί τη δημόσια ταχεία φόρτιση διαφορετικά από έναν Φινλανδό, ακόμη και με ίδια θερμοκρασία και μερίδιο στόλου.

Η βάση ζήτησης εκπαιδεύεται σε παρατηρούμενα δεδομένα χρήσης σε επίπεδο σταθμού. Απαντά στην ερώτηση: πώς μοιάζει το “κανονικό” σε αυτή τη χώρα, αυτόν τον μήνα; Η έξοδος είναι ένας αριθμός σε kWh ανά θέση ανά ημέρα — συνήθως μεταξύ 40 και 120, ανάλογα με την αγορά και την εποχή.

Στάδιο 2 — Score τοποθεσίας

Η βάση ζήτησης σου λέει για την αγορά. Το score τοποθεσίας σου λέει για αυτό το συγκεκριμένο σημείο. Είναι μοντέλο machine learning (gradient-boosted trees) που αξιολογεί 20 χωρικά χαρακτηριστικά σε διάφορες κατηγορίες:

Κυκλοφορία — σύνθετο score κυκλοφορίας από κρατικά δεδομένα AADT (ετήσια μέση ημερήσια κυκλοφορία), σταθμισμένο βάσει εγγύτητας και τύπου δρόμου. Περιλαμβάνει επίσης ποσοστό κυκλοφορίας σε αυτοκινητόδρομο και μέγιστο AADT δρόμου. Αυτός είναι ο ισχυρότερος μεμονωμένος προγνωστικός παράγοντας.
Ανταγωνισμός — υφιστάμενοι φορτιστές ταχείας φόρτισης DC εντός 5 km, 10 km και 25 km, καθώς και απόσταση από τον πλησιέστερο ανταγωνιστή. Περισσότερος ανταγωνισμός σημαίνει ότι κάθε σταθμός απορροφά μικρότερο μερίδιο της διερχόμενης ζήτησης.
Σημεία ενδιαφέροντος — πρατήρια καυσίμων, εστίαση, πάρκινγκ και άλλες παροχές εντός 1 km και 5 km. Περιλαμβάνει υποκατηγορίες retail POI: εμπορικά κέντρα, αλυσίδες fast food, αλυσίδες καταστημάτων και πυκνότητα λιανικής. Αυτά λειτουργούν ως δείκτες για διελεύσεις πεζών, χρόνο παραμονής και το είδος τοποθεσίας που προσελκύει οδηγούς.
Προσβασιμότητα — απόσταση από το πλησιέστερο πρατήριο καυσίμων, σημείο εστίασης και οποιοδήποτε POI. Τοποθεσίες κοντά σε υφιστάμενη υποδομή οδηγών κληρονομούν αυτή την κίνηση.

Το μοντέλο έχει εκπαιδευτεί σε πάνω από 33,934 station-months παρατηρούμενης χρήσης φόρτισης σε 4,083 σταθμούς. Μαθαίνει ποιος συνδυασμός χωρικών χαρακτηριστικών προβλέπει υψηλή ή χαμηλή χρήση — και στη συνέχεια το εφαρμόζει σε κάθε νέο σημείο.

Σε περιοχές με πυκνά ανταγωνιστικά δεδομένα, εκτελείται το πλήρες μοντέλο 20 χαρακτηριστικών. Σε περιοχές με περιορισμένα δεδομένα ανταγωνισμού (νέες αγορές, αγροτικές ζώνες), αναλαμβάνει ένα ξεχωριστό βασικό μοντέλο που χρησιμοποιεί μόνο χαρακτηριστικά κυκλοφορίας και POI. Τα δύο συνδυάζονται με συνάρτηση sigmoid που βασίζεται στην τοπική ανταγωνιστική πυκνότητα — έτσι το μοντέλο υποβαθμίζεται ομαλά αντί να επινοεί αποτελέσματα σε περιοχές με λίγα δεδομένα.

Η έξοδος είναι ένας αριθμός: το score τοποθεσίας. Λειτουργεί ως πολλαπλασιαστής της βάσης ζήτησης. Score 3.0 σημαίνει ότι αυτή η τοποθεσία θα προσέλκυε τριπλάσια ζήτηση από τη βάση χώρας/μήνα. Score 0.5 σημαίνει τη μισή.

Στάδιο 3 — Προσαρμογή παρόχου

Το score τοποθεσίας είναι σκόπιμα ανεξάρτητο από τον πάροχο — μετρά το οικόπεδο, όχι ποιος δραστηριοποιείται εκεί. Όταν όμως παράγεται πρόβλεψη ζήτησης για ένα συγκεκριμένο έργο, εισέρχεται τρίτος παράγοντας: ο παράγοντας εκτέλεσης CPO. Προσαρμόζει το αποτέλεσμα με βάση το πόσο καλά ένας πάροχος μετατρέπει το δυναμικό τοποθεσίας σε πραγματικές συνεδρίες (δες “Τι είναι το score εκτέλεσης CPO;” παρακάτω). Η προεπιλογή είναι 1.0, δηλαδή εκτέλεση βάσει πλάνου.

Η αλυσίδα πολλαπλασιασμού

Η τελική εκτίμηση ζήτησης είναι απλά:

                                kWh / EVSE / ημέρα  =  βάση ζήτησης  ×  score τοποθεσίας  ×  παράγοντας CPO
                            

Ένα παράδειγμα: ένα σημείο στη Νορβηγία, τον Ιανουάριο, με score τοποθεσίας 1.5 και εκτέλεση βάσει πλάνου:

Βάση ζήτησης (Νορβηγία, Ιαν., −5°C, 25% BEV)	81 kWh/θέση/ημέρα
Score τοποθεσίας	× 1.50
Παράγοντας εκτέλεσης CPO	× 1.00
Προβλεπόμενη ζήτηση	122 kWh/θέση/ημέρα

Η ίδια τοποθεσία τον Ιούλιο (15°C) θα είχε χαμηλότερη βάση ζήτησης (~52 kWh), παράγοντας 78 kWh/θέση/ημέρα — εποχική πτώση 38%, που αντιστοιχεί σε ό,τι παρατηρούμε στα πραγματικά δεδομένα.

Γιατί τα score διαφέρουν μεταξύ αγορών

Το score τοποθεσίας χρησιμοποιεί μία ενιαία παγκόσμια κλίμακα. Score 2.5 σημαίνει το ίδιο παντού: 2.5× τη βάση τοπικής ζήτησης. Όμως, επειδή τα χωρικά χαρακτηριστικά που διαμορφώνουν το score (πυκνότητα κυκλοφορίας, ανταγωνισμός, κάλυψη POI) διαφέρουν δραματικά μεταξύ χωρών, η κατανομή των score διαφέρει ανά αγορά.

Τα διάμεσα score σταθμών της Νορβηγίας είναι γύρω στο 1.0. Της Γερμανίας γύρω στο 2.5. Η Ολλανδία βρίσκεται κοντά στο 3.0. Αυτό δεν είναι ελάττωμα — είναι το σήμα. Πυκνές αγορές με υψηλή κυκλοφορία και πολλές παροχές παράγουν υψηλότερα score, επειδή αυτά τα χαρακτηριστικά προβλέπουν πραγματικά μεγαλύτερη ζήτηση. Ένα 1.5 στη Νορβηγία είναι πάνω από τον μέσο όρο για τη Νορβηγία· το ίδιο score στην Ολλανδία θα ήταν κάτω από τον μέσο όρο. Και τα δύο είναι σωστά.

Επεξηγησιμότητα

Κάθε score συνοδεύεται από πλήρη ανάλυση SHAP (SHapley Additive exPlanations), που δείχνει ακριβώς ποια χαρακτηριστικά ανέβασαν ή κατέβασαν το score και κατά πόσο. Μπορείς να δεις ότι μια συγκεκριμένη τοποθεσία έχει υψηλό score επειδή ο κοντινότερος δρόμος έχει 18,000 AADT και υπάρχει πρατήριο καυσίμων σε απόσταση 200 μέτρων — όχι απλώς ότι έχει υψηλό score. Αυτό έχει σημασία όταν παίρνεις επενδυτικές αποφάσεις: θέλεις να ξέρεις γιατί, όχι μόνο τι.

Κάθε μέρος του μηχανισμού έχει τη δική του αναλυτική παρουσίαση: το μοντέλο ζήτησης, το score τοποθεσίας και το score εκτέλεσης CPO.

Μοντέλα EV