Dynamische Preisgestaltung optimiert Schnellladung
Die rasante Verbreitung von Elektrofahrzeugen (EVs) stellt Städte weltweit vor eine neue Herausforderung: Wie kann die räumliche Verteilung der Nachfrage nach Schnellladung effizient gesteuert werden? Ungleichmäßige Lademuster führen häufig zu Überlastungen an beliebten Ladestationen, während andere unterausgelastet bleiben. Dies verursacht nicht nur Unzufriedenheit bei den Nutzern, sondern belastet auch das Stromnetz und führt zu ineffizienten Betriebsabläufen für die Betreiber. Um dieses Problem anzugehen, haben Forscher der Südwest Jiaotong Universität und des State Grid Sichuan Economic Research Institute einen neuartigen Ansatz entwickelt, der auf kooperativer Spieltheorie basiert und die räumliche Verteilung der Schnellladung in städtischen Netzen optimiert.
In einer Veröffentlichung in der Zeitschrift Automation of Electric Power Systems vom 10. April 2024 stellen Yang Shuai, Dai Chaohua, Guo Ai und Ye Shengyong ein umfassendes Framework vor, das reale Reiseverhalten, Nutzerpräferenzen und strategische Preisgestaltung kombiniert, um die räumliche Verteilung der Elektrofahrzeug-Ladung zu optimieren. Der Kern des vorgeschlagenen Mechanismus liegt in seiner Fähigkeit, das Nutzerverhalten zu beeinflussen, ohne die individuellen Ladekosten erheblich zu erhöhen. Durch die Modellierung der komplexen Interaktionen zwischen Reisemustern, der Auswahl der Ladestation und Preisanreizen haben die Forscher eine Lösung geschaffen, die allen Beteiligten zugutekommt: Elektrofahrer erleben kürzere Wartezeiten, Betreiber von Ladestationen sehen ihre Einnahmen steigen, und das Stromnetz arbeitet effizienter.
Das Problem: Verborgene Ineffizienzen der Schnellladung
Während bisherige Studien sich hauptsächlich auf zeitbasierte Preisstrategien konzentriert haben, um die Nachfrage auf Zeiträume mit geringerer Belastung zu verlagern, wurde die räumliche Dimension der Ladung bisher weniger beachtet. Traditionelle Ansätze vernachlässigen oft die Tatsache, dass zwei Ladestationen, die nur wenige Kilometer voneinander entfernt sind, sehr unterschiedliche Auslastungsniveaus aufweisen können. Dieses Ungleichgewicht resultiert aus einer Kombination von Faktoren, darunter die Lage der Stationen in der Nähe von Geschäfts- oder Bürovierteln, sowie die Nutzerpräferenzen für Bequemlichkeit gegenüber Kosten.
Wenn Fahrer an einer überlasteten Station ankommen, müssen sie oft lange warten, was zu Frustration und Unzufriedenheit führt. Einige Nutzer entscheiden sich möglicherweise sogar dagegen, zu laden, während andere weiter fahren, als nötig, um eine freie Lademöglichkeit zu finden, was den Verkehr und den Energieverbrauch erhöht. Aus Sicht des Betreibers stellen unterausgelastete Stationen verlorene Einnahmen dar, während überlastete Stationen möglicherweise kostspielige Erweiterungen erfordern, um die Nachfrage zu befriedigen.
Die Forscher weisen darauf hin, dass bestehende Studien sich hauptsächlich auf die zeitliche Lastverlagerung oder die Optimierung einzelner Stationen konzentriert haben, wobei die Interaktionen zwischen mehreren Betreibern in einer Region oft außer Acht gelassen wurden. Diese Lücke ist besonders signifikant in Märkten, in denen Drittanbieter die Ladeinfrastruktur betreiben, da der Wettbewerb zu suboptimalen Ergebnissen für das gesamte System führen kann.
Ein neuer Ansatz: Kooperation statt Konkurrenz
Die vorgeschlagene Lösung stellt das traditionelle Wettbewerbsmodell auf den Kopf, indem sie die Kooperation zwischen den Betreibern von Ladestationen fördert. Anstatt dass jede Station unabhängig ihre Preise festlegt, um ihren eigenen Gewinn zu maximieren, koordiniert ein Verteilnetzbetreiber (Distribution System Operator, DSO) eine regionale Allianz, in der die Stationen zusammenarbeiten, um ein gemeinsames Ziel zu erreichen: die Lastausgleichung.
Dieser kooperative spieltheoretische Ansatz basiert auf dem Prinzip, dass kollektives Handeln größere Vorteile bringen kann als individuelle Bemühungen. Durch die Bildung einer Koalition können die Stationen ihre Preise strategisch anpassen, um Nutzer von überlasteten Bereichen zu unterausgelasteten zu lenken und so die Gesamteffizienz des Systems zu erhöhen.
Der Mechanismus arbeitet in Echtzeit. Der DSO sammelt Daten über die Belegung der Ladestationen, die erwarteten Freigabezeiten und die Ladeanfragen der Nutzer. Wenn ein Nutzer über die Schnittstelle des DSO eine Ladeanfrage sendet, kann er seine Präferenzen angeben, wie beispielsweise die Bereitschaft, Umwege in Kauf zu nehmen, die Sensibilität gegenüber dem Preis oder die Toleranz gegenüber Wartezeiten. Der DSO nutzt diese Informationen zusammen mit den Echtzeit-Daten zur Auslastung, um optimale Preise für jede Station zu berechnen.
Die Preisstrategie ist so konzipiert, dass sie die Nutzer anreizt, Entscheidungen zu treffen, die dem gesamten Netzwerk zugutekommen. Beispielsweise könnte während der Hauptverkehrszeiten der Preis an einer stark überlasteten Station leicht erhöht werden, während benachbarte Stationen mit verfügbaren Kapazitäten niedrigere Preise anbieten. Dieser Preisunterschied ermutigt einige Nutzer, Umwege zu benachbarten, weniger stark frequentierten Stationen zu fahren, wodurch die Wartezeiten an der überlasteten Station sinken und die Auslastung an den ruhigeren Stationen steigt.
Modellierung realen Verhaltens: Von Reisemustern zu Nutzerpräferenzen
Eine der größten Stärken des vorgeschlagenen Modells ist die Integration realer Daten, um das Nutzerverhalten genau zu simulieren. Die Forscher verwendeten anonymisierte Daten von Fahrdienstleistern aus Chengdu, China, um eine Herkunfts-Ziel-Matrix (Origin-Destination-Matrix) zu erstellen, die die Wahrscheinlichkeit von Reisen zwischen verschiedenen Funktionszonen wie Wohngebieten, Geschäftsvierteln und Unterhaltungsgebieten erfasst.
Durch die Anwendung einer inversen Geocodierung auf die Reisedaten konnten die Forscher die Reisemuster auf bestimmte Landnutzungskategorien und Tageszeiten abbilden. Dies ermöglichte es ihnen, nicht nur zu modellieren, wohin die Menschen fahren, sondern auch, wann sie voraussichtlich laden müssen. Beispielsweise berücksichtigt das Modell, dass Fahrer nach der Arbeit oder in der Mittagspause eher laden werden und dass ihre Zielpräferenzen sich im Laufe des Tages ändern.
Um das Modell weiter zu verfeinern, integrierten die Forscher ein modifiziertes Huff-Modell, um die Auswahl der Ladestation zu simulieren. Das ursprünglich für die Standortanalyse im Einzelhandel entwickelte Huff-Modell prognostiziert die Wahrscheinlichkeit, dass ein Kunde einen Laden gegenüber einem anderen wählt, basierend auf Faktoren wie Entfernung, Attraktivität und Preis. In diesem Kontext wurde das Modell angepasst, um Variablen wie Fahrzeit, Warteschlangenlänge, Stationseinrichtungen und Servicegebühren einzubeziehen.
Den Nutzern werden Gewichtungen für jeden Faktor basierend auf ihren Präferenzen zugewiesen, was es dem Modell ermöglicht, die Vielfalt der Entscheidungsfindung in der realen Welt abzubilden. Einige Nutzer priorisieren möglicherweise die Minimierung der Fahrstrecke, während andere preissensibler sind oder bereit sind, länger zu warten, um eine Station mit besseren Einrichtungen zu nutzen. Indem die Nutzer ihre eigenen Präferenzen festlegen können, wird das System personalisierter und reagiert besser auf individuelle Bedürfnisse.
Die Rolle des Verteilnetzbetreibers
Zentral für den Erfolg dieses Mechanismus ist die Rolle des DSO als neutraler Koordinator. Im Gegensatz zu traditionellen Modellen, bei denen die Preise entweder von einzelnen Betreibern oder zentralen Behörden ohne Markteinfluss festgelegt werden, befähigt dieser Ansatz den DSO, ein Vermittler der Kooperation zu sein.
Der DSO diktiert die Preise nicht, sondern berechnet über einen iterativen Algorithmus eine Gleichgewichtslösung, die die strategischen Interaktionen zwischen den Stationen berücksichtigt. Jede Station sendet ihre Preisstrategie, und der DSO bewertet die resultierende Lastverteilung. Durch wiederholte Iterationen konvergiert das System zu einem Satz von Preisen, der die Lastverteilung optimiert, während gleichzeitig Einschränkungen wie Mindest- und Höchstpreise und Nutzerkostenschwellen eingehalten werden.
Um Fairness und Stabilität zu gewährleisten, verwenden die Forscher die Shapley-Wert-Methode, um den zusätzlichen Gewinn, der durch die kooperative Allianz erzielt wird, zu verteilen. Der Shapley-Wert, ein Konzept aus der kooperativen Spieltheorie, verteilt die Gewinne basierend auf dem marginalen Beitrag jedes Teilnehmers zur Koalition. In diesem Fall erhalten Stationen, die eine entscheidende Rolle bei der Lastausgleichung spielen – wie beispielsweise solche, die während der Spitzenzeiten überschüssige Nachfrage aufnehmen – einen größeren Anteil an den Vorteilen.
Dieser Ansatz stellt sicher, dass alle Teilnehmer einen Anreiz haben, der Allianz beizutreten, da jede Station garantiert mindestens so viel verdient, wie sie es im unabhängigen Betrieb tun würde. Die Forscher betonen, dass diese kollektive Rationalität entscheidend für die Aufrechterhaltung einer langfristigen Kooperation und die Verhinderung von Trittbrettfahrerverhalten ist.
Simulationsergebnisse: Ein Gewinn für alle Beteiligten
Um ihren Ansatz zu validieren, führte das Team eine Simulationsstudie basierend auf einem realen Szenario in Chengdu durch, das fünf Schnellladestationen und 1.500 Elektrofahrzeuge umfasste. Die Ergebnisse zeigen signifikante Verbesserungen in mehreren Bereichen.
Erstens wurde die Varianz der Auslastung der Ladestationen – ein Maß für die Lastungleichheit – im Vergleich zum Basisszenario, in dem die Stationen unabhängig voneinander operierten, um 86,8 % reduziert. Dies deutet auf eine viel gleichmäßigere Verteilung der Ladeanforderungen im Netzwerk hin.
Zweitens verbesserte sich die Nutzerzufriedenheit deutlich. Die durchschnittliche Wartezeit an den am stärksten frequentierten Stationen sank von über 10 Minuten auf unter 2 Minuten, was einer Reduzierung von mehr als 80 % entspricht. Dies verbessert nicht nur die Nutzererfahrung, sondern erhöht auch die Anzahl der Fahrzeuge, die während der Spitzenzeiten bedient werden können.
Drittens stiegen die Einnahmen der Ladestationen um 4,1 %, von 8.640 Yuan auf 8.996,6 Yuan pro Tag. Dieser Gewinn resultiert hauptsächlich aus der Anziehung von Nutzern, die ihre Ladung aufgrund langer Wartezeiten verschoben oder abgesagt hätten. Durch niedrigere Preise an unterausgelasteten Stationen kann das System diese latente Nachfrage nutzen, was sowohl den Betreibern als auch den Nutzern zugutekommt.
Wichtig ist, dass diese Verbesserungen erreicht wurden, ohne die durchschnittlichen Kosten pro Nutzer erheblich zu erhöhen. Die Forscher weisen darauf hin, dass zwar einige Nutzer möglicherweise etwas mehr bezahlen, um Umwege zu vermeiden, während andere von niedrigeren Preisen an weniger stark frequentierten Stationen profitieren. Insgesamt blieben die durchschnittlichen Kosten stabil, was sicherstellt, dass das System gerecht und zugänglich bleibt.
Implikationen für die urbane Mobilität und Energiesysteme
Die Implikationen dieser Forschung gehen weit über die unmittelbare Verbesserung des Betriebs von Ladestationen hinaus. Durch die Optimierung der räumlichen Verteilung des Elektrofahrzeug-Ladens trägt der vorgeschlagene Mechanismus zu breiteren Zielen der urbanen Nachhaltigkeit und Energieeffizienz bei.
Eine reduzierte Überlastung an Ladestationen bedeutet weniger Leerlauf und geringere Emissionen, sowohl von Fahrzeugen, die in der Schlange warten, als auch vom Stromnetz während der Spitzenzeiten. Eine ausgeglichene Lastverteilung reduziert auch die Belastung der lokalen Verteilnetze und könnte kostspielige Infrastruktur-Upgrade-Maßnahmen hinauszögern oder vermeiden.
Darüber hinaus könnte das kooperative Preismodell als Blaupause für andere Shared-Mobility-Dienste dienen, wie beispielsweise Bikesharing- oder Scooter-Sharing-Systeme, bei denen räumliche Ungleichgewichte ebenfalls ein Problem darstellen. Die Prinzipien der Nachfragesteuerung durch dynamische Preise und Nutzeranreize sind auf eine Vielzahl von urbanen Mobilitätskontexten anwendbar.
Für politische Entscheidungsträger bietet die Studie ein praktisches Rahmenwerk, um die Regulierung und Förderung der Elektrofahrzeug-Ladeinfrastruktur zu unterstützen. Anstatt von oben herab vorgeschriebene Vorgaben zu machen, könnten Regierungen die Bildung regionaler Ladeallianzen fördern und die notwendige Dateninfrastruktur bereitstellen, um eine Echtzeit-Koordination zu unterstützen.
Zukünftige Richtungen und Herausforderungen
Obwohl die Simulationsergebnisse vielversprechend sind, räumen die Forscher mehrere Herausforderungen ein, die vor einer Umsetzung im großen Maßstab adressiert werden müssen. Ein zentrales Problem ist der Datenschutz: Die Sammlung und Verarbeitung detaillierter Daten zur Nutzerstandort- und Ladeverhalten wirft berechtigte Bedenken hinsichtlich Überwachung und Missbrauch auf. Die Autoren schlagen vor, dass robuste Mechanismen zur Datenanonymisierung und zur Einholung der Nutzereinwilligung für die Akzeptanz der Öffentlichkeit entscheidend sein werden.
Eine weitere Herausforderung ist die Skalierbarkeit. Das aktuelle Modell geht von einer relativ geringen Anzahl von Stationen und Nutzern aus, aber in großen Metropolregionen könnte die rechnerische Komplexität der Koordination von Tausenden von Ladepunkten unüberwindbar sein. Zukünftige Arbeiten müssen sich mit verteilten Rechenarchitekturen und maschinellem Lernen beschäftigen, um größere Einsätze zu bewältigen.
Zusätzlich stützt sich das Modell darauf, dass die Nutzer bereit sind, den Empfehlungen des DSO zu folgen. Obwohl die Studie von voller Compliance ausgeht, werden in der Realität einige Nutzer Preissignale ignorieren oder starre Reisemuster haben, die ihre Flexibilität einschränken. Die Einbeziehung von Erkenntnissen aus der Verhaltensökonomie könnte helfen, die Vorhersagegenauigkeit des Modells zu verbessern.
Schließlich bleibt die langfristige Auswirkung eines solchen Preissystems auf den Wettbewerb im Markt eine offene Frage. Während die Kooperation die Systemeffizienz verbessert, könnte sie auch den Preiswettbewerb zwischen den Betreibern verringern und möglicherweise zu höheren Gesamtpreisen führen. Eine regulatorische Aufsicht könnte erforderlich sein, um sicherzustellen, dass die Vorteile der Kooperation an die Verbraucher weitergegeben werden.
Fazit: Eine intelligentere Art zu laden
Während Städte weltweit ihren Übergang zur Elektromobilität beschleunigen, wird die Notwendigkeit einer intelligenten, adaptiven Ladeinfrastruktur immer dringlicher. Die Forschung von Yang Shuai, Dai Chaohua, Guo Ai und Ye Shengyong bietet eine überzeugende Vision, wie Technologie, Wirtschaft und Nutzerverhalten integriert werden können, um ein effizienteres und gerechteres Ladesystem zu schaffen.
Indem sie das Paradigma vom Wettbewerb zur Kooperation verschieben, demonstriert ihr dynamischer Preismechanismus, dass es möglich ist, die Lastverteilung auszugleichen, Wartezeiten zu reduzieren und die Einnahmen zu erhöhen – alles ohne die Nutzer mit höheren Kosten zu belasten. Während die Elektrofahrzeug-Akzeptanz weiter zunimmt, werden Lösungen wie diese entscheidend dafür sein, sicherzustellen, dass die Ladeerfahrung mit den Fahrzeugen Schritt hält.
Die Studie, veröffentlicht in Automation of Electric Power Systems (DOI: 10.7500/AEPS20230614001), stellt einen bedeutenden Schritt vorwärts bei der intelligenten Verwaltung urbaner Energiesysteme dar. Sie unterstreicht die Bedeutung interdisziplinärer Forschung, die Ingenieurwesen, Wirtschaft und Data Science kombiniert, um komplexe reale Probleme zu lösen. Während Städte daran arbeiten, intelligenter und nachhaltiger zu werden, werden Innovationen wie diese eine entscheidende Rolle bei der Gestaltung der Zukunft des Verkehrs spielen.
Yang Shuai, Dai Chaohua, Guo Ai, Ye Shengyong, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230614001