Predicción y optimización de autonomía de los vehículos eléctricos para una planificación dinámica y recomendación a la persona conductora en tiempo real
Vicomtech
Sector: Movilidad
Business Case
Los consumos de referencia ofrecidos por los fabricantes de vehículos eléctricos son teóricos, pero existen multitud de factores tanto externos como inherentes al propio vehículo o al estilo de conducción que afectan a la autonomía de la batería, limitándola. Se analiza el Impacto, para poder hacer un análisis predictivo de la batería ofreciendo una planificación más cercana a la realidad que le sirva como referencia a la hora de planificar y realizar sus viajes. Además, se contrasta el consumo real con dicha planificación, de modo que se puedan ir dando ciertas recomendaciones que preserven la autonomía hasta el destino, o que en caso de necesidad, redirijan hacia puntos de recarga intermedios, sin perder de vista el objetivo de optimización del trayecto así como la experiencia del conductor.
Objetivos
Generación de un dataset de referencia completo para el entrenamiento y validación de los modelos.
Reducción de la incertidumbre en la planificación de los trayectos con vehículos eléctricos.
Generación de un planificador adaptativo capaz de ofrecer recomendaciones de conducción en tiempo real en función del consumo de la batería.
Use case
La solución planteada se basa en un planificador dinámico capaz de ir cotejando el estado de carga real de la batería y comparándolo con lo planificado contemplando los diversos parámetros que influyen en el consumo teórico (elevación del terreno, intensidad del tráfico, condiciones meteorológicas, estilo de conducción, etc). En base a esa comparativa, se ofrecen recomendaciones a la persona conductora en tiempo real, consiguiendo que la experiencia de conducción tenga la mínima incertidumbre asociada y sea lo más controlada posible.
Infraestructura
On Premise, Cloud, Híbrido.
Tecnologías utilizadas
Machine Learning y Deep Learning.
Datos utilizados
Generación de un dataset propio (datos sintéticos y reales) de consumo de batería en base a los parámetros influyentes.
Recursos utilizados
Equipo multidisciplinar: personas expertas en Ciencia de Datos, ingenieros informáticos especialistas en IA, matemáticos.
Dificultades y aprendizaje
Falta de datos de calidad recogidos de consumo en base a los parámetros considerados.
Carencias de la cartografía abierta, falta de datos de elevación del terreno.
KPIs (impacto en el negocio y métricas del modelo)
Precisión del planificador de rutas para vehículos eléctricos.
Precisión del simulador para la validación de los desarrollos.
Percepción de la persona usuaria – mejora de la experiencia de conducción y recarga del vehículo eléctrico.
Financiación
Misiones (Ministerio) y fondos propios.
Colaboradores
Iberdrola.
