KInIT a Voltia opísali probabilistické modely pre plánovanie nabíjania flotíl elektromobilov na Slovensku

Čo KInIT a Voltia zverejnili

Kempelen Institute of Intelligent Technologies (KInIT) 10. júla 2026 publikoval opis projektu pre Voltia a.s. s názvom „Parked, Plugged, and Powerful: The New Role of Electric Cars“. Podľa zdroja projekt prebiehal od 15. júna 2025 do 1. januára 2026 a riešil predikciu správania pri nabíjaní elektrických áut pre potreby energetických služieb a agregácie flexibility. 1

Voltia je v texte opísaná ako firma poskytujúca energetické služby používateľom elektromobilov so zameraním na inteligentné a nákladovo efektívne nabíjanie, ktoré využíva dynamiku trhu s elektrinou a flexibilitu siete. KInIT uvádza, že cieľom nebolo len dodať energiu, ale optimalizovať, kedy a ako sa autá nabíjajú, s využitím zmien cien elektriny a dostupnej flexibility v sieti. 1

Ako bol problém rozdelený

Z technického pohľadu je zaujímavé najmä to, ako KInIT úlohu rozdelil. Zdroj uvádza tri čiastkové predikcie: odhad kapacity flotily v danom čase, predikciu energie potrebnej na splnenie nabíjacích potrieb a predikciu načasovania nabíjacích relácií. Na tieto úlohy podľa KInIT použili pokročilú dátovú analytiku, strojové učenie a AI a porovnávali viaceré „state-of-the-art“ prístupy s cieľom vybrať najpresnejšie a najrobustnejšie riešenia. 1

Dôležitý praktický detail je forma výstupu. KInIT píše, že výsledkom nebol jediný bodový odhad, ale probabilistická predikcia s intervalom spoľahlivosti. To je pri operatívnom plánovaní nabíjania podstatné: systém nevracia len jedno číslo, ale aj hranice neistoty, s ktorými sa dá ďalej pracovať pri rozhodovaní. Z podkladu však nevyplýva, aké konkrétne modely boli použité ani aké číselné zlepšenie dosiahli oproti baseline. 1

Čo bolo podľa zdroja odovzdané

KInIT uvádza, že riešenie validoval na veľkom datasete elektrických áut a že odovzdaný zdrojový kód pokrýval celý workflow od predspracovania dát cez trénovanie modelov až po generovanie finálnych predikcií. Súčasťou dodávky mal byť aj knowledge transfer vrátane vysvetlenia silných stránok, obmedzení a možných smerov rozšírenia. 1

Pre vývojárov AI systémov je toto zaujímavé najmä ako návrh architektúry úlohy: nejde o jeden univerzálny model, ale o sadu previazaných forecastov nad prevádzkovými dátami, kde neistota výstupu patrí priamo do výsledku. Takýto prístup môže byť užitočný všade tam, kde rozhodovanie závisí od času pripojenia zariadenia, dĺžky zotrvania v systéme a meniacej sa potreby energie. Táto použiteľnosť však v článku zostáva na kvalitatívnej úrovni; zdroj neponúka reprodukovateľný testovací protokol. 1

Hranice toho, čo sa dá tvrdiť

Podklad je primárne firemno-výskumný opis projektu, nie nezávislé hodnotenie v prevádzke. Tvrdenia o významnom dopade, úsporách pre používateľov, podpore siete alebo o tom, že ide o „decision-grade“ výstupy, sú v článku pripísané KInIT a CEO spoločnosti Voltia, nie externému overeniu. Rovnako nie je doložené, či je riešenie nasadené v produkcii, komerčne dostupné mimo projektu alebo aké presné metriky validácia dosiahla. 1

Ako odborný rozbor je teda tento materiál užitočný hlavne preto, že pomerne konkrétne ukazuje, aké predikčné úlohy treba pri smart chargingu EV flotíl riešiť a prečo môže byť probabilistický výstup dôležitejší než samotný bodový forecast. Na závery o ekonomickom prínose alebo spoľahlivosti v ostrej prevádzke však samotný zverejnený podklad nestačí. 1