Hållbar elbilsanvändning med klustring och prediktiv modellering för optimal laddinfrastruktur i West Midlands och North East i Storbritannien

Varför smartare laddning spelar roll för vardagsförare

Övergången från bensin- till elbilar lovar renare luft och lägre driftkostnader, men bara om förare kan hitta praktiska, pålitliga platser att ladda på. Denna studie undersöker hur verkliga elbilsägare i två engelska regioner använder och laddar sina bilar, och använder avancerade dataverktyg för att utforma bättre laddnätverk. Genom att förstå vem som kör elbil, hur de laddar och vad de värdesätter mest visar arbetet hur städer och regioner kan rulla ut laddpunkter på sätt som upplevs sömlösa för vanliga förare snarare än frustrerande eller riskfyllda.

Två regioner, många olika elbilshistorier

Forskningen fokuserade på 256 elbilsägare från North East och West Midlands, två brittiska regioner med kontrasterande inkomster, bosättningsmönster och transportnät. De flesta respondenter var yrkesverksamma vuxna, ofta med högre utbildning och inkomster över genomsnittet, men urvalet i West Midlands innehöll betydligt fler höginkomsttagande hushåll. I båda områdena ägde folk främst rena elbilar snarare än laddhybrider, och de flesta hade bara kört el under några år, vilket speglar den senaste tidens uppsving i elbilsförsäljningen. Varför de bytte skilde sig dock mellan regionerna: i North East var kostnadsbesparingar den främsta anledningen till att köpa elbil, medan miljöhänsyn spelade en större roll i West Midlands, även om pengar fortfarande betydde mycket. Dessa skillnader tyder på att "en universallösning" kan missa vad som motiverar olika samhällen.

Hur människor faktiskt laddar och reser

Vardagsladdningsbeteendet visade sig vara förvånansvärt strukturerat. De flesta förare i båda regionerna laddade sina bilar en eller två gånger i veckan och körde relativt korta dagliga sträckor, ofta mellan 10 och 30 kilometer. Långa dagliga resor över 100 kilometer var sällsynta. När de väl behövde ladda föredrog 85 % snabba likströmsladdare, särskilt när batteriet var lågt. Människor var generellt villiga att resa bara korta sträckor för att ladda: upp till 3 kilometer för de flesta respondenter, med mycket få som var nöjda med att åka längre än 9 kilometer. Väntetid var en viktig smärtpunkt. Många ville vänta mindre än 20 minuter innan en laddare blev ledig, och endast en liten minoritet accepterade längre köer. Laddning skedde typiskt på kvällen eller över natten, när elen är billigare och vägarna lugnare, och sessioner var ofta tre till sex timmar långa, vilket tyder på planerad, rutinmässig laddning snarare än sista-minuten-laddningar.

Gruppering av användare och förutsägelse av deras behov

För att gå bortom enkla genomsnitt byggde författarna en integrerad plattform de kallar ISE-CAP. Först använde de klustringstekniker för att sortera förare i tre breda grupper i varje region, baserat på hur ofta de laddar, hur långt de reser och deras villighet att vänta eller göra omvägar. Vissa kluster representerade tunga användare som kör längre sträckor och i större utsträckning är beroende av offentlig laddning; andra var mest hemladdare med kortare, förutsägbara resor. Därefter tränade teamet datoriserade modeller för att förutsäga laddningsbeteende, till exempel hur lång en session skulle ta, med information om körmönster, inkomst, utbildning och laddarpreferenser. Dessa modeller var mycket träffsäkra inom studiedeltagarna, särskilt i det mer kompakta North East, där beteendet var mer enhetligt och laddnätet mer koncentrerat.

Vad som verkligen påverkar val av laddare

Forskarna frågade sedan: vilka faktorer påverkar faktiskt människor när de väljer en laddpunkt? Med en förklarbar modelleringsmetod fann de tre egenskaper som stack ut i båda regionerna: hur lång tid laddningen skulle ta, om en laddare var tillgänglig i realtid, och hur mycket det skulle kosta. Avståndet till laddaren spelade också roll, men människor var särskilt känsliga för tanken att anländer och finner att alla uttag är upptagna. Många förare förlitade sig på mobilappar eller bilsystem för att se vilka laddare som var lediga, och ordmolnsanalys av öppna kommentarer framhävde återkommande krav på "fler stationer", bättre underhåll och ökad tillförlitlighet. Kort sagt vill förare ha snabba, närliggande laddare som de kan lita på fungerar när de kommer fram, till priser som upplevs som rättvisa.

Från data till bättre laddkartor

Slutligen användes ISE-CAP-plattformen i datasimuleringar för att testa var nya laddare bör placeras. Modellerna vägde in förväntad efterfrågan, hur långt människor skulle behöva köra för att nå en laddare, och hur extra laddbelastning skulle påverka elnätet. I många simulerade körningar fann systemet utformningar som minskade genomsnittligt reseavstånd till laddare samtidigt som nätbelastningen hölls under kontroll. Även om dessa optimeringsresultat ännu inte testats i praktiken visar de hur kombinationen av undersökningsinsikter, prediktiva modeller och trial-and-error-simuleringar kan vägleda smartare planering av infrastruktur anpassad till varje regions mönster snarare än nationella genomsnitt.

Vad detta betyder för elbilarnas framtid

För en lekmannaläsare är kärnbudskapet att elbilsframgång inte bara handlar om att bygga fler uttag, utan om att placera rätt typ av laddare på rätt platser för de människor som faktiskt kommer att använda dem. Denna studie visar att de flesta nuvarande elbilsförare vill ha snabba, närliggande, tillförlitliga laddare och tydlig information om huruvida de är lediga, och att dessa preferenser skiljer sig subtilt mellan regioner med olika inkomster och strukturer. Genom att gruppera användare efter beteendetyp, förutsäga efterfrågan och förklara de viktigaste faktorerna bakom deras val erbjuder ISE-CAP-ramverket ett praktiskt sätt för kommuner, elbolag och planerare att utforma laddnät som upplevs som bekväma och rättvisa. Om detta skalar upp och förfinas med större datamängder kan denna typ av datadriven planering göra elbilsägande smidigare, billigare och mer attraktivt för många fler förare, och påskynda övergången till renare transporter.

Citering: 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

Nyckelord: elbilar, laddinfrastruktur, smarta städer, användarbeteende, maskininlärning