Optymalizacja ładowania EV z wykorzystaniem sztucznej inteligencji – efektywniejsze dostawy ostatniej mili

Klient prowadzi działalność logistyczną w obszarze dostaw ostatniej mili na terenie dużego miasta. Zgodnie ze strategią dekarbonizacji transportu miejskiego, firma postawiła na elektryfikację floty, lecz napotkała ograniczenia związane z liczbą dostępnych punktów ładowania oraz niestabilnością operacyjną (awarie pojazdów, nieprzewidziane opóźnienia, przeciążenia sieci).

Flota obejmowała kilkadziesiąt pojazdów EV, obsługujących setki zleceń dziennie. Dla zachowania płynności operacji konieczne było opracowanie systemu, który dynamicznie i efektywnie zaplanuje ładowanie pojazdów – niezależnie od skali zakłóceń w ciągu dnia.

Wraz ze wzrostem skali dostaw realizowanych pojazdami elektrycznymi, klient stanął przed koniecznością usprawnienia procesu ich ładowania. Tradycyjne podejście – oparte na sztywnych harmonogramach lub ręcznym zarządzaniu – okazało się niewystarczające w kontekście ograniczonej infrastruktury, wysokiej zmienności operacyjnej oraz rosnących oczekiwań dotyczących efektywności kosztowej i środowiskowej. Kluczowe wyzwania obejmowały:

• Ograniczoną infrastrukturę ładowania: tylko kilka stacji ładowania dostępnych dla kilkudziesięciu pojazdów.
• Wysoką zmienność operacyjną: awarie, opóźnienia, korki i nieprzewidziane zmiany w dostępności pojazdów.
• Złożoność techniczną: różne typy gniazd, różnorodne profile baterii i charakterystyki ładowania.
• Różne cele optymalizacyjne: konieczność elastycznego przełączania się między redukcją kosztów a minimalizacją śladu węglowego – w zależności od bieżących priorytetów firmy.

Rozpoczęliśmy od wspólnego warsztatu analitycznego, by zrozumieć sposób funkcjonowania floty i zidentyfikować główne ograniczenia oraz zmienne wpływające na proces ładowania. Następnie stworzyliśmy abstrakcyjny model systemu ładowania, który uwzględniał:

• Topologię infrastruktury i parametry elektryczne stacji.
• Harmonogramy pojazdów i ich zapotrzebowanie na energię.
• Czynniki losowe, takie jak uszkodzenia, zatory czy zmiany zleceń.

Model ten stał się podstawą do stworzenia rozwiązania składającego się z dwóch głównych komponentów:

• Specjalistyczny język dziedzinowy (DSL, ang. Domain-Specific Language) – narzędzie do opisu infrastruktury, pojazdów oraz ograniczeń operacyjnych w sposób zrozumiały dla zespołu technicznego i logistycznego klienta. Pozwala on szybko konfigurować i testować różne scenariusze ładowania bez potrzeby pisania kodu.
• Silnik optymalizacyjny – zaprojektowany z myślą o rozwiązywaniu złożonych problemów decyzyjnych w czasie rzeczywistym. System automatycznie wybiera optymalny plan ładowania w zależności od aktualnych danych i wybranego celu (minimalizacja kosztów lub emisji CO₂), a także dostosowuje się do nieprzewidzianych zdarzeń, reagując w ciągu kilku sekund.

Rozwiązanie zostało zaprojektowane w sposób modułowy i elastyczny – dzięki czemu może być stosowane także w innych kontekstach, np. do optymalizacji ładowania autobusów miejskich czy wykorzystania baterii EV jako magazynów energii.

Wdrożenie systemu przełożyło się na wyraźne usprawnienie procesów operacyjnych i efektywniejsze wykorzystanie infrastruktury ładowania. Wśród najważniejszych korzyści znalazły się:

• Ograniczenie przestojów pojazdów wynikających z nieoptymalnego planowania ładowania – co przełożyło się na lepszą dostępność floty i większą liczbę zrealizowanych zleceń.
• Obniżenie kosztów energii elektrycznej, dzięki ładowaniu w godzinach poza szczytem i redukcji konieczności ładowań awaryjnych.
• Redukcja emisji CO₂ w trybie środowiskowym, poprzez wybór stacji zasilanych energią odnawialną i unikanie ładowania w godzinach największego zapotrzebowania na energię w sieci.

Korzyści te umożliwiły klientowi nie tylko poprawę efektywności operacyjnej, ale również realizację celów z zakresu zrównoważonego rozwoju.