Das Paper behandelt eine neuartige Methodik zur Berechnung der optimalen Nutzung bestehender Ladeinfrastruktur im Elektromobilitäts-Sektor. Volatile erneuerbare Energien sollen so durch eine intelligente IT-Infrastruktur besser genutzt werden können. Mittels Reinforcement Learning, dem bestärkenden oder verstärkenden Lernen, werden Stakeholder identifiziert, ihre Kontextinformationen wie Zeit und Ort verarbeitet und anschließend optimal geleitet. Hierdurch können die Bedarfe jedes Stakeholders erfüllt werden, die beispielsweise Fahrzeugbesitzer, Betreiber von Ladestationen, Netz- oder Flottenbetreiber sein können.
Reinforcement Learning steht für eine ganze Reihe von Methoden des maschinellen Lernens. Hierbei erlernt ein sogenannter Software-Agent selbständig eine Strategie, um das Erhalten von Belohnungen zu maximieren. Als Belohnungen werden hier positives oder negatives Feedback auf die Aktionen des SW-Agenten betrachtet. Die Modelle des bestärkenden Lernens versuchen das Lernverhalten in der Natur nachzubilden.
In der beschriebenen Methodik lernt das System so lange von der Umgebung, bis die optimale Zuweisungsstrategie für Laderessourcen innerhalb der Systemgrenzen erreicht ist. Das Konzept der Optimalität wird aus der Perspektive mehrerer Akteure betrachtet, die am Ökosystem der intelligenten Mobilität beteiligt sind. Durch die Weiterentwicklung des Konzepts sollen komplexere digitale Interaktionen zwischen den Akteuren eines Ökosystems der intelligenten Mobilität ermöglicht werden.
