Clustering of Charging Processes to Identify and Categorize Transaction Quality in E-Mobility

Abstract

Der globale Übergang zu Elektrofahrzeugen zielt darauf ab, Treibhausgasemissionen zu reduzieren, die Luftqualität zu verbessern, Lärm zu minimieren und die Abhängigkeit von fossilen Brennstoffen zu verringern. Die Akzeptanz von Elektrofahrzeugen hängt von Faktoren wie der öffentlichen Ladeinfrastruktur, den Eigentumskosten, der Reichweite und den staatlichen Richtlinien ab. Diese Studie identifiziert Schlüsselindikatoren zur Bewertung von Ladevorgängen unter Verwendung von Daten aus einem Ladepunkt-Managementsystem. Sie untersucht die Rolle des Open Charge Point Protocols bei der Standardisierung der Kommunikation zwischen Ladestationen und Backend-Systemen. Ein auf maschinellem Lernen basierender Clusteransatz wird angewandt, um Ladevorgänge zu kategorisieren und Einblicke in die Qualität von Ladevorgängen und Dienstleistungen zu gewinnen, was wiederum die Akzeptanz durch die Verbesserung der Benutzererfahrung und der Zuverlässigkeit der Infrastruktur fördert. Diese Studie demonstriert eine Methodik, die auf Datensätze aus jedem beliebigen Zeitraum angewendet werden kann und die kontinuierliche Optimierung der Ladeinfrastruktur unterstützt.

The global transition to electric vehicles aims to reduce greenhouse gas emissions, enhance air quality, minimize noise, and decrease fossil fuel dependence. Adoption of electric vehicles depends on factors such as public charging infrastructure, ownership costs, driving range, and government policies. This study identifies key performance indicators for evaluating charging transactions using data from a charge point management system. It examines the Open Charge Point Protocol’s role in standardizing communication between charging stations and backend systems. A machine learning-based clustering approach is applied to categorize charging transactions, providing insights into charging and service quality, which in turn enhances adoption by improving user experience and infrastructure reliability. This study demonstrates a methodology that can be applied to datasets from any time period, supporting the continuous optimization of charging infrastructure.