Sähköajoneuvojen latausasemien nopeiden laturien mitoitukseen vaikuttavat tekijät : Ennustavan koneoppimismallin soveltaminen

Abstract

Tieliikenteen päästöt kattavat liki neljänneksen Suomen kokonaispäästöistä, kun maankäyttösektoria ei oteta huomioon. Liikenteen päästöjä on pyritty vähentämään monin eri tavoin, ja sähköautoilun yleistymistä pidetään yhtenä ratkaisuna ongelmaan. Suomi ja Euroopan Unioni ovat sitoutuneet tukemaan latausinfrastruktuurin rakentamista kaikille Euroopan tärkeimmille väylille tulevien vuosien aikana.

Latausasemien optimaalisesta sijoittelusta on tehty laajasti tutkimusta, mutta tutkimuksista uupuu näkökulma siitä, mitkä tekijät puoltavat latausasemien sijoittelua ja käyttöä eniten. Tässä työssä on tarkoitus selvittää, mitkä tekijät selittävät eroja latausasemien nopeiden laturien määrässä ja millaiset alueet olisivat otollisimpia nopeiden latureiden sijoittelua ajatellen.

Työ toteutettiin keräämällä dataa asemista ja niiden lähialueista. Jokaiselle asemalle liitettiin tieto niiden nopeiden ja hitaiden laturien määrästä, aseman alueen kohdepisteistä, demografiasta, liikennemäärästä ja kävijöistä aseman alueella. Datan avulla luotiin ennustava koneoppimismalli käyttäen histogrammipohjaista gradienttivahvistusmallia. Mallin tekemiä ennusteita, ja ennusteisiin vaikuttaneita tekijöitä, analysoitiin käyttäen SHAP-mallia.

Nopeiden laturien määrään asemalla vaikuttivat eniten hitaiden laturien määrä asemalla, suurien ostoskeskittymien ja yksittäisten kauppojen ja palveluiden määrä aseman lähellä, kilpailevien hitaiden laturien määrä aseman alueella sekä työpaikkojen määrä aseman alueella. Aseman omien hitaiden laturien ja kilpailevien hitaiden laturien sekä työpaikkojen määrän vaikutus nopeiden laturien määrään oli laskeva, kun taas ostoskeskittymät, kaupat ja palvelut kasvattivat nopeiden laturien määrää.

Nopeiden laturien kannalta optimaalisimmat alueet olivat sellaisia, joilta löytyi erilaisia kohdepisteitä ja vähän valmista lataustarjontaa. Alueen asukaskunta olisi keskimäärin vanhempaa ja alueella asuisi lapsiperheitä. Alueella olisi enemmän pientaloasuntoja ja vähemmän kerrostaloasuntoja. Alueella työpaikkojen määrä olisi maltillinen.

Road transport emissions account for nearly a quarter of Finland's total emissions, when excluding the land use sector. Efforts to reduce emissions from transportation have taken various forms, one of which is the growing prevalence of electric vehicles. Finland and the European Union are committed to supporting the development of charging infrastructure along all of Europe’s major routes in the coming years.

Extensive research has been conducted on the optimal placement of charging stations, but these studies lack insights into which factors most strongly support the placement and use of charging stations. This work aims to fill this research gap and identify the factors that explain differences in the number of fast chargers at charging stations as well as to determine which types of areas would be most suitable for locating fast chargers.

The study was conducted by collecting data of stations and their surrounding areas. Each station was linked with information on the number of slow and fast chargers it had, as well as data on points of interest, demographics, traffic volume, and visitor numbers in the station’s area. Using this data, a predictive machine learning model was created based on a histogram-based gradient boosting model. The model's predictions, and the factors influencing them, were analyzed using the SHAP model.

The factors that most influenced the number of fast chargers at a station included the number of slow chargers at the station, the number of large shopping centers and individual stores and services near the station, the number of competing slow chargers in the area, and the number of jobs in the station’s vicinity. The effect of a station’s own slow chargers, competing slow chargers, and the number of jobs was negative on the number of fast chargers, while shopping centers, stores, and services increased the number of fast chargers.

The areas most optimal for fast chargers were those with a variety of POI locations but limited existing charging options. These areas would typically have an older resident population and families with children. Additionally, there would be more single-family homes and fewer apartment buildings, with a moderate number of jobs in the area.