Infrastruktur-probleme für E-Autos lösen mit Daten und KI

Letztes Jahr sind die Neuzulassungen für E-Autos in Deutschland um 41 Prozent gestiegen. Etwa jedes fünfte 2025 erworbene Kraftfahrzeug im Land ist inzwischen batteriebetrieben. Die Nachfrage nach Elektroautos wächst ständig, die Transformation ist in vollem Gang. Doch der Wandel trifft oft auf harte Realität: stagnierender Ausbau von E-Ladesäulen, intransparente Ladetarife, mangelnde Ladekapazitäten und die fehlende Übersicht über den genauen Standort von Ladepunkten hemmen die Motivation, auf E-Mobilität umzusteigen.

Das 1872 gegründete Unternehmen Scheidt & Bachmann ist seit mehr als 150 Jahren als Pionier im Mobilitätssektor und entwickelt innovative Lösungen in den Bereichen Parking Solutions, Signalling Systems, Fare Collection Systems und Energy Retail Solutions. Scheidt & Bachmann Energy Retail Solutions ist bekannt für seine Services und Produkte für Tankstellen und will nun den Zukunftsmarkt E-Mobilität revolutionieren.

Das Ziel: Bekannte infrastrukturelle Probleme lösen, vor allem den Tarifdschungel sowie die Auffindbarkeit und Verfügbarkeit von Ladesäulen, um E-Mobilität so angenehm wie möglich zu gestalten. Denn an der Tankstelle wissen Kunden in etwa, wie lange sie warten müssen und auch, was es sie kostet – an Ladesäulen und in Ladeparks aufgrund mangelnder Preistransparenz hingegen nicht.

„Die E-Mobilität wächst rasant – aber nur mit Transparenz, Zuverlässigkeit und einer nutzerfreundlichen Infrastruktur wird sie für alle zugänglich. Genau hier übernehmen wir Verantwortung und gestalten aktiv die Zukunft des Ladens”, erklärt Jörg M. Heilingbrunner, Geschäftsführer von Scheidt & Bachmann Energy Retail Solutions.

Scheidt & Bachmann hat sich zum Ziel gesetzt, eine proprietäre, prädiktive KI-Lösung zu entwickeln, die Daten und Machine Learning nutzt, um Transparenz und Sicherheit zu schaffen, wo derzeit Unklarheit herrscht. SIQMA FlowMax.AI soll Infrastrukturprobleme lösen, indem es die Auslastung, Preistransparenz, Auffindbarkeit und Verfügbarkeit von Ladestationen wesentlich verbessert.

„Die E-Mobilität hält weiter Einzug und wird den gesamten Markt in ein paar Jahren dominieren. Wir wollen unsere Pionierstellung unterstreichen, indem wir unser Geschäftsmodell frühzeitig transformieren und unseren Kunden weiterhin einzigartige Lösungen bieten, die es bislang nicht gibt. SIQMA FlowMax.AI ist ein solches Produkt“, erklärt Florian Kampes, Head of AI & Ecosystem bei Scheidt & Bachmann Energy Retail Solutions.

Um den hohen Qualitätsansprüchen von Scheidt & Bachmann zu genügen, wollte das Unternehmen in einer technischen Machbarkeitsstudie zunächst herausfinden, ob es möglich ist, die Ladesäulen und Ladeparks in einer cloudbasierten App auf AWS-Basis zu erfassen und gewisse Vorhersagen zu treffen. Die Anwendung sollte genau anzeigen, wo sich Ladepunkte vor Ort befinden und was es Kunden kostet, ihre Fahrzeuge zu laden. Das anspruchsvollste Feature: Die KI sollte vorhersagen, in welcher Zeit eine aktuell besetzte Ladesäule wieder verfügbar wäre.

Für diese Funktion musste kaum vorhersagbares menschliches Verhalten berechenbar und prognostizierbar gemacht werden. Ladevorgänge brauchen mehr Zeit als herkömmliches Tanken. Hinzu kommen Faktoren wie der vom Kunden gewünschte Zielladestand, die Verfügbarkeit von Cafés, Restaurants und Shopping-Angeboten in der Nähe, oder etwa Kinder, die Aufmerksamkeit und Zuwendung brauchen.

Gemeinsam mit Scheidt & Bachmann hat unser Slalom-Team in nur vier Wochen eine Proof-of-Concept-Lösung entwickelt, die solches Verhalten vorhersagen kann. Um den Algorithmus zu entwickeln, haben wir Daten aus offenen Schnittstellen mit gekauften Daten und fundierten Annahmen kombiniert. „Wir konnten innerhalb der ersten fünf Minuten einer Ladesession zuverlässig vorhersagen, wann der Ladepunkt wieder frei sein würde. Die Daten- und AWS-Expertise von Slalom hat uns geholfen, den Piloten innerhalb kürzester Zeit zu entwickeln, zu skalieren sowie umzusetzen und uns das Knowhow anzueignen. Diese Art von schnellen KI-Piloten erweist sich heute als Erfolgskriterium für unsere KI-Projekte”, sagt Kampes.

Nach erfolgreich abgeschlossenem Proof-of-Concept haben wir die Lösung in den Live-Betrieb übertragen. Doch die Live-Umsetzung hatte eine Überraschung parat: Zwischen den Trainingsdaten und den Daten im Betrieb gab es eine große Diskrepanz. Im Ergebnis war die Genauigkeit der Vorhersage niedrig.

Durch zusätzliches Hyperparameter-Training und das Experimentieren mit weiteren Daten wie etwa Standort, Wochentag, Uhrzeit, Wetter und umliegende Angebote, ist es uns gelungen, die Vorhersagekraft des Modells erheblich zu steigern und die Fehlerquote zu reduzieren. Unser Slalom-Team hat direkte Datenpipelines angeschlossen, die sicherstellen, dass immer wieder neue Daten in das Modell fließen, es regelmäßig trainieren und die Vorhersagegenauigkeit stetig verbessern. „Wir verfügen über eine Vorhersagegenauigkeit von wenigen Minuten. Damit ist SIQMA FlowMax. AI eine äußerst komplexe Lösung, die bereits heute Kunden und Elektroautofahrer begeistert, indem sie fast Unmögliches möglich macht", erklärt Kampes.

Um die Qualität und Präzision der Lösung zu optimieren, wurde ein KPI festgelegt: der Mean Average Percentage Error, kurz MAPE. Dieser Wert sagt aus, wie groß die durchschnittliche prozentuale Abweichung der tatsächlichen Ladezeit von der vorhergesagten Ladezeit ist. Steigt der Wert signifikant, wird das Team alarmiert, um entgegenzusteuern.