Zrównoważone wdrażanie pojazdów elektrycznych z wykorzystaniem klasteryzacji i modelowania predykcyjnego dla optymalnej infrastruktury ładowania w West Midlands i North East w Wielkiej Brytanii

Dlaczego inteligentniejsze ładowanie ma znaczenie dla codziennych kierowców

Przejście z samochodów benzynowych na elektryczne obiecuje czystsze powietrze i niższe koszty eksploatacji, ale tylko wtedy, gdy kierowcy znajdą wygodne i niezawodne miejsca do podłączenia. Badanie analizuje, jak rzeczywiści właściciele pojazdów elektrycznych (EV) w dwóch regionach Anglii korzystają ze swoich samochodów i ładują je, a następnie stosuje zaawansowane narzędzia danych do projektowania lepszych sieci ładowania. Poprzez zrozumienie, kto jeździ EV, jak się ładuje i na czym najbardziej zależy użytkownikom, praca pokazuje, jak miasta i regiony mogą rozmieszczać punkty ładowania w sposób, który dla zwykłych kierowców będzie bezproblemowy, a nie frustrujący czy ryzykowny.

Dwa regiony, wiele różnych historii EV

Badacze skupili się na 256 właścicielach EV z North East i West Midlands — dwóch regionach Wielkiej Brytanii o odmiennych dochodach, układzie osadnictwa i sieciach transportowych. Większość respondentów to osoby pracujące, często z wyższym wykształceniem i dochodami powyżej średniej, choć w próbce z West Midlands było znacznie więcej gospodarstw o wysokich dochodach. W obu miejscach dominowały samochody w pełni elektryczne, a nie hybrydy typu plug‑in, i większość prowadziła elektryki dopiero od kilku lat, co odzwierciedla niedawny wzrost sprzedaży EV. Powody zmiany były jednak różne: na North East główną motywacją były oszczędności, podczas gdy w West Midlands większe znaczenie miały względy środowiskowe, choć pieniądze też się liczyły. Te różnice sugerują, że polityki „jednego rozmiaru dla wszystkich” mogą nie trafiać w motywacje różnych społeczności.

Jak ludzie faktycznie ładują i podróżują

Zachowania związane z codziennym ładowaniem okazały się zaskakująco uporządkowane. Większość kierowców w obu regionach ładowała samochody raz lub dwa razy w tygodniu i pokonywała stosunkowo niewielkie codzienne odległości, często między 10 a 30 kilometrami. Długie codzienne trasy powyżej 100 km były rzadkie. Gdy trzeba było się podłączyć, 85% preferowało szybkie ładowarki prądu stałego, szczególnie przy niskim stanie baterii. Ludzie generalnie byli skłonni pokonać tylko krótkie dystanse, by doładować: do 3 km dla większości respondentów, a bardzo niewielu było gotowych jechać ponad 9 km. Czas oczekiwania był kluczowym problemem. Wielu chciało czekać krócej niż 20 minut na dostępność ładowarki, a tylko niewielka mniejszość akceptowała dłuższe kolejki. Ładowanie zwykle odbywało się wieczorem lub w nocy, kiedy energia jest tańsza, a drogi mniej zatłoczone, a sesje często trwały od trzech do sześciu godzin, co wskazuje na planowane, rutynowe ładowanie, a nie awaryjne, ostatniej chwili postoje.

Grupowanie użytkowników i przewidywanie ich potrzeb

Aby wyjść poza proste średnie, autorzy zbudowali zintegrowaną platformę nazwaną ISE‑CAP. Najpierw zastosowali techniki klasteryzacji, by podzielić kierowców na trzy szerokie grupy w każdym regionie, w oparciu o częstotliwość ładowania, pokonywane odległości oraz gotowość do oczekiwania lub nadrabiania drogi. Niektóre klastry reprezentowały intensywnych użytkowników, którzy pokonują większe odległości i częściej korzystają z publicznych punktów ładowania; inne to głównie osoby ładujące w domu, z krótszymi, przewidywalnymi trasami. Następnie zespół wytrenował modele komputerowe do przewidywania zachowań ładowania, takich jak przewidywany czas sesji, wykorzystując informacje o wzorcach jazdy, dochodach, wykształceniu i preferencjach dotyczących ładowarek. Modele te były bardzo dokładne w ramach próby badawczej, szczególnie w bardziej zwartej North East, gdzie zachowania były bardziej jednorodne, a sieć ładowania bardziej skoncentrowana.

Co naprawdę kształtuje wybór ładowarki

Następnie badacze zapytali: które czynniki rzeczywiście wpływają na wybór punktu ładowania? Przy użyciu wyjaśnialnego podejścia modelowego wyróżnili trzy cechy, które przeważały w obu regionach: czas trwania ładowania, dostępność ładowarki w czasie rzeczywistym oraz koszt. Dystans do ładowarki również miał znaczenie, ale szczególnie wrażliwi byli ludzie na sytuację, gdy po przyjeździe wszystkie złącza są zajęte. Wielu kierowców polegało na aplikacjach mobilnych lub systemach w samochodzie, by sprawdzać, które ładowarki są wolne, a analiza chmur wyrazów z komentarzy otwartych podkreślała powtarzające się apelacje o „więcej stacji”, lepszą konserwację i wyższą niezawodność. Krótko mówiąc, kierowcy chcą szybkich, pobliskich ładowarek, którym mogą zaufać, że będą działać po przyjeździe, po cenach uznawanych za uczciwe.

Od danych do lepszych map ładowania

Wreszcie platforma ISE‑CAP została użyta w symulacjach komputerowych, by sprawdzić, gdzie najlepiej umieścić nowe ładowarki. Modele uwzględniały przewidywany popyt, odległość, jaką ludzie musieliby przejechać do punktu ładowania, oraz wpływ dodatkowego obciążenia na sieć elektroenergetyczną. W wielu symulowanych przebiegach system znalazł układy, które zmniejszały średnią odległość do ładowarek, jednocześnie utrzymując obciążenie sieci pod kontrolą. Choć te wyniki optymalizacyjne nie zostały jeszcze przetestowane w terenie, pokazują, jak łączenie wglądu z ankiet, modeli predykcyjnych i symulacji metodą prób i błędów może kierować mądrzejszym planowaniem infrastruktury dostosowanym do wzorców danego regionu, a nie do krajowych uśrednień.

Co to oznacza dla przyszłości jazdy EV

Dla laika kluczowe przesłanie jest takie: sukces EV to nie tylko budowanie większej liczby wtyczek, ale stawianie odpowiednich typów ładowarek we właściwych miejscach dla ludzi, którzy faktycznie z nich będą korzystać. Badanie pokazuje, że większość obecnych kierowców EV chce szybkich, pobliskich, niezawodnych ładowarek i jasnej informacji o ich dostępności, a te preferencje subtelnie różnią się między regionami o różnych dochodach i strukturze zabudowy. Poprzez grupowanie użytkowników według typów zachowań, przewidywanie popytu i wyjaśnianie kluczowych czynników stojących za ich wyborami, ramy ISE‑CAP oferują praktyczny sposób dla rad gmin, przedsiębiorstw energetycznych i planistów na projektowanie sieci ładowania, które będą wygodne i sprawiedliwe. Jeśli zostaną skalowane i udoskonalone na większych zbiorach danych, tego rodzaju planowanie oparte na danych może uczynić posiadanie EV płynniejszym, tańszym i bardziej atrakcyjnym dla znacznie większej liczby kierowców, przyspieszając przejście na czystszy transport.

Cytowanie: Cavus, M., Wang, S., Deb, S. et al. Sustainable EV adoption with clustering and predictive modelling for optimal charging infrastructure in the West Midlands and North East UK. Sci Rep 16, 14457 (2026). https://doi.org/10.1038/s41598-026-43106-6

Słowa kluczowe: pojazdy elektryczne, infrastruktura ładowania, inteligentne miasta, zachowania użytkowników, uczenie maszynowe