Ihr Browser (Internet Explorer 10/11) ist veraltet. Aktualisieren Sie Ihren Browser für mehr Sicherheit, Geschwindigkeit und den besten Komfort auf dieser Seite.
Auswertung relevanter Faktoren zum Thema Ladesäulenpositionierung

Moving Targets – Infrastrukturausbau und Standortbestimmung

Die Hälfte der Erdbevölkerung lebt heute in Städten und 90% des Bevölkerungswachstums findet in Städten statt. Der Großteil der Wirtschaftsentwicklung wird im urbanen Raum stattfinden. Städte werden zukünftig 80% der globalen CO2 Produktion und 75% des Energieverbrauchs ausmachen. Rund 30% der Bevölkerung wird 2050 in informellen Siedlungen leben. (Kent Larson: Beyond Smart Cities, MIT Media Lab, 2019, Emerging Design and Technology).

Für viele Fragen und Herausforderungen unserer Zeit werden wir lokale Lösungen in Städten und deren Infrastruktur finden müssen. Beim Ausbau von Infrastrukturen gibt uns gezieltes Sammeln, kuratierte Aufbereitung und algorithmische Auswertung von Daten mehr Sicherheit in der Entscheidungsfindung. Der wirtschaftliche Vorteil kann dabei enorm sein.

So können wir beispielsweise Aufschluss darüber gewinnen in welchen Gebieten der Energiebedarf künftig steigen wird, welche Art der Erzeugung und Speicherung für die standortspezifischen Gegebenheiten am sinnvollsten sind und wie wir diese optimal untereinander vernetzen, flächendeckend verteilen und an die bestehende Infrastruktur anbinden können. Da gleichzeitig in der bestehende Erzeugungslandschaft ein Update hin zu CO2-neutralen Technologien erfolgt, sind komplexe Modelle und Entscheidungen erforderlich.

Lösungen für die Herausforderungen im Bereich der Mobilität werden unter anderem in multimodalen Mobilitätskonzepten und der Elektromobilität gesucht. Aus Daten und den Motivstrukturen unterschiedlicher Nutzergruppen lernen wir, wo es sinnvoll ist, Mobilitätskonzepte für die letzte Meile auszurollen, wo wir bündeln müssen und an welchen Standorten der Bedarf an Energieladestationen künftig steigen wird.

Wir können bessere Entscheidungen für die Infrastruktur und neue Unternehmensstandorte treffen, das Verkehrsaufkommen steuern und Städte lebenswerter gestalten.

Moving Targets in der Datenanalyse

Die Volatilität und zunehmende Komplexität resultierend aus der Vernetzung führen dazu, dass sich Rahmenbedingungen grundlegend und zum Teil sprunghaft ändern. In der Mathematik wird diese Zustandsänderung innerhalb eines Systems als Bifurkation bezeichnet. Einst beschlossene Zielsetzungen werden durch sich ändernde Parameter plötzlich zu „Moving Targets“. Wie können wir die Richtung von Moving Targets besser gestalten oder sogar vorhersehen?

Quelle: Hochaufgelöster Ausschnitt des Bifurkationsdiagramms der Logistischen Gleichung (wikipedia, 2012)

Datenmodelle bilden die Beziehungen der Daten zueinander ab und beschreiben einen „objektiven“ Ausschnitt der Wirklichkeit – aggregiert, abstrakt und vereinfacht. Aus heterogenen Faktoren können wir in erster Linie Korrelationen ablesen. Sie lassen möglicherweise kausale Abhängigkeiten vermuten, die jedoch schwer zu validieren sind. Trotz der Unsicherheiten gibt es natürlich bessere und schlechtere Gestaltungsentscheidungen. Prototypen helfen uns dabei Daten und Zusammenhänge frühzeitig sichtbar zu machen.

Moving Targets – Nutzerbedürfnisse als Navigationshilfe

Wenn wir statistische Auswertungen quantitativer Daten übereinanderlegen, erhalten wir einen Mittelwert der einen in der Vergangenheit liegenden Durchschnitt abbildet. Die Bandbreite, Ausreißer und Untergruppen gehen dabei verloren. Anhand des aggregierten Ansatzes erhalten wir keinen Aufschluss darüber, was die Motivation einzelner Menschen ist, die zu Entscheidungen führen, welche Einflussfaktoren dabei eine Rolle spielen und wie wir diese zukünftig verändern können.

Hier helfen Gestaltungsmethoden die Motivstrukturen und Bedürfnisse einzelner Menschen und Nutzergruppen zu analysieren und offenzulegen. Wir bezeichnen das als disaggregierten Ansatz. Er hilft uns bessere Hypothesen darüber zu bilden, wie sich Entscheidungen unter verschiedenen Umständen ändern können. Er gibt uns Aufschluss in welche Richtung sich Moving Targets bewegen und wie wir den Kurs mitgestalten können.

Synthese und Entscheidungsgrundlage

Beide Ansätze ergänzen sich und helfen uns bessere Annahmen zu treffen, diese zu simulieren und Szenarien abzuleiten. Sie bringen Nutzerbedürfnisse, den Mehrwert neuer Technologien mit dem Fachwissen und den Zielen der Städte und Unternehmen zusammen. Sie geben uns Aufschluss darüber, wie Menschen und Systeme auf sich veränderte Eingangsbedingungen oder spontan auftretende Einflussfaktoren reagieren können. Wir verlassen den statistischen und betreten den gestalterischen Raum um den Markt zu verstehen, zu beeinflussen und bessere Investitionsentscheidungen zu treffen.

Deutschlandweite Datenerhebung und Auswertung
Deutschlandweite Datenerhebung und Auswertung
Datenanalyse basierend auf Verkehrsinformationen
Datenanalyse basierend auf Verkehrsinformationen
Tool zur Standortbestimmung neuer Ladestationen
Tool zur Standortbestimmung neuer Ladestationen

So konnten wir beispielsweise gemeinsam mit der EnBW ein Modell zur Auslastungsprognose zukünftiger Schnellladesäulen erstellen. Das prototypische Planungstool Auslastung+ unterstützt die EnBW bei der strategischen Standortauswahl für die EV-Ladeinfrastruktur. Die Empfehlungen berechnen sich aus realen Verkehrsflussdaten, Nutzerbedürfnissen und reichhaltigen Standortfaktoren, die in ein Domänen-Modell gefasst wurden.