Elektrofahrzeuge verändern urbane Energienetze
Die zunehmende Verbreitung von Elektrofahrzeugen (EVs) markiert einen tiefgreifenden Wandel in der urbanen Infrastruktur. Was einst als bloße Modernisierung des Antriebs verstanden wurde, entwickelt sich heute zu einem umfassenden Umbau der Wechselwirkungen zwischen Mobilität und Energieversorgung. Eine aktuelle Studie, die in der Fachzeitschrift Automation of Electric Power Systems veröffentlicht wurde, beleuchtet diesen Prozess aus einer neuartigen Perspektive: dem cyber-physikalisch-sozialen System (CPSS). Die Arbeit, verfasst von Sheng Yujie, Guo Qinglai, Xue Yixun, Wang Jiawei und Chang Xinyue von der Tsinghua University und dem Shanxi Institute of Energy Internet, liefert nicht nur ein theoretisches Fundament, sondern auch konkrete Ansätze für die Optimierung der engen Verflechtung zwischen Stromnetzen und Verkehrsinfrastrukturen.
Der Kern der Forschung liegt in der Erkenntnis, dass Elektrofahrzeuge mehr sind als nur emissionsfreie Fortbewegungsmittel. Sie fungieren als mobile Energiespeicher, deren Ladeverhalten räumlich und zeitlich flexibel gestaltet werden kann. Diese Flexibilität stellt für moderne Stromnetze eine wertvolle Ressource dar, insbesondere im Hinblick auf die Integration fluktuierender erneuerbarer Energien. Doch die tatsächliche Nutzung dieses Potenzials hängt nicht allein von technologischen Fortschritten ab, sondern entscheidend von den Entscheidungen der Fahrerinnen und Fahrer – also von sozialen und verhaltensbasierten Faktoren.
Die Herausforderung: Vom technischen Gerät zum sozialen Akteur
Traditionelle Modelle zur Integration von Elektrofahrzeugen in das Stromnetz betrachten diese oft als einfache, steuerbare Lasten. Diese Sichtweise stößt jedoch schnell an ihre Grenzen, sobald die Komplexität des realen Nutzerverhaltens ins Spiel kommt. Die Studie hebt hervor, dass die makroskopischen Effekte – wie beispielsweise die räumliche Verteilung der Ladeleistung in einer Stadt – das Ergebnis unzähliger mikroskopischer Entscheidungen sind. Jede einzelne Person trifft eine Wahl: Welche Route wird gewählt? Wann und wo wird aufgeladen? Wird ein Umweg in Kauf genommen, um an einer günstigeren oder weniger frequentierten Ladestation zu laden?
Diese Entscheidungen werden nicht ausschließlich durch rein rationale Kriterien wie minimale Kosten oder kürzeste Zeit getroffen. Vielmehr spielen psychologische Faktoren wie die Angst vor einer leeren Batterie („Reichweitenangst“), die Wahrnehmung von Wartezeiten oder die individuelle Bewertung von Bequemlichkeit eine entscheidende Rolle. Die Forscher argumentieren daher, dass eine effektive Planung und Steuerung der Elektromobilität eine integrierte Betrachtung erfordert, die die physikalischen Netzwerke, die sozialen Verhaltensmuster und die Informationsflüsse zwischen allen Beteiligten miteinander verbindet.
Das CPSS-Modell: Drei Schichten für ein komplexes System
Das von den Autoren vorgeschlagene CPSS-Modell gliedert die Analyse in drei überlappende Schichten: die physikalische, die soziale und die informationelle Ebene.
Die physikalische Schicht beschreibt die technischen Netzwerke – das Stromnetz und das Verkehrsnetz – und deren direkte Kopplung über Ladeinfrastruktur. Hierbei wird nicht nur der Energiefluss im Stromnetz modelliert, sondern auch der Verkehrsfluss auf Straßen, der durch die Suche nach Ladepunkten beeinflusst wird. Die Studie unterscheidet zwischen verschiedenen Modellansätzen, die unterschiedliche zeitliche und räumliche Auflösungen bieten. Statische Modelle, die auf einem Gleichgewichtszustand basieren, sind für langfristige Planungsaufgaben wie die Standortwahl für Ladestationen nützlich. Sie nehmen an, dass sich der Verkehr über einen längeren Zeitraum stabilisiert. Dynamische Modelle hingegen berücksichtigen die zeitliche Entwicklung von Staus, Wartezeiten an Ladestationen und die sich verändernde Verfügbarkeit von Energie. Diese Modelle sind komplexer, aber wesentlich realistischer für die operative Steuerung, beispielsweise bei der Echtzeit-Preisgestaltung.
Ein zentraler Aspekt der physikalischen Modellierung ist die Berücksichtigung von Kapazitätsengpässen. Eine stark frequentierte Ladestation führt nicht nur zu Wartezeiten, sondern kann auch lokale Überlastungen im Stromnetz verursachen. Umgekehrt kann ein Verkehrsstau die Erreichbarkeit einer Ladestation beeinträchtigen. Die Forscher betonen, dass diese gegenseitigen Beeinflussungen mathematisch als gekoppelte Netzflüsse abgebildet werden müssen, um realistische Simulationen zu ermöglichen.
Die soziale Schicht widmet sich dem menschlichen Faktor. Hier setzt die Studie an den Grenzen traditioneller Verkehrsmodelle an, die oft von vollständiger Rationalität der Nutzer ausgehen (User Equilibrium, UE). In der Realität jedoch handeln Menschen nicht immer optimal. Sie besitzen begrenzte Informationen, unterschiedliche Präferenzen und sind anfällig für kognitive Verzerrungen. Um diese „begrenzte Rationalität“ (bounded rationality) zu erfassen, plädieren die Autoren für den Einsatz von Modellen des stochastischen Nutzergleichgewichts (Stochastic User Equilibrium, SUE). In diesen Modellen wählen Fahrer nicht unbedingt den objektiv besten Weg, sondern den, der ihnen unter Unsicherheit als der beste erscheint.
Ein besonders interessanter Ansatz, der in der Literatur hervorgehoben wird, ist die Anwendung der kumulativen Prospect-Theorie aus der Verhaltensökonomie. Diese Theorie erklärt, warum Menschen Verluste stärker gewichten als gleichwertige Gewinne. Für die Elektromobilität bedeutet dies, dass die Angst vor einer leeren Batterie (ein „Verlust“) ein viel stärkeres Motiv für das Verhalten ist als die Freude über günstige Ladekosten (ein „Gewinn“). Ein Fahrer wird daher eher einen Umweg in Kauf nehmen, um aufzuladen, bevor die Batterie zu stark entladen ist, selbst wenn dies zusätzliche Zeit und Energie kostet. Solche Erkenntnisse sind entscheidend, um realistische Verhaltensmodelle zu entwickeln, die besser vorhersagen können, wo und wann Ladebedarf entsteht.
Die informationelle Schicht bildet das Rückgrat, das die beiden anderen Schichten verbindet. Sie umfasst alle Datenflüsse und Kommunikationskanäle: von den Navigations-Apps, die Fahrern Ladestationen empfehlen, bis hin zu den Preissignalen des Stromnetzbetreibers oder der Verkehrsbehörde. Die Autoren identifizieren eine Vielzahl von Akteuren, die in diesem System agieren: Fahrer, Ladeinfrastrukturbetreiber, Stromversorger, Verkehrsbehörden und Technologieunternehmen wie Navigationsdienstleister.
Jeder dieser Akteure verfolgt unterschiedliche Ziele. Ladeinfrastrukturbetreiber wollen ihre Auslastung maximieren und Gewinne erzielen. Stromversorger streben eine stabile Netzlast und minimale Erzeugungskosten an. Verkehrsbehörden wollen Staus reduzieren und die Verkehrseffizienz steigern. Fahrer wollen ihre individuellen Kosten minimieren. Diese unterschiedlichen Interessen führen zu komplexen strategischen Interaktionen, die oft als spieltheoretische Szenarien modelliert werden können, beispielsweise als Stackelberg-Spiele, bei denen die Behörden als „Führungsspieler“ Preise setzen und die Fahrer als „Nachfolger“ darauf reagieren.
Ein zentrales Problem in dieser Schicht ist die Informationsasymmetrie. Kein einzelner Akteur besitzt die vollständige Sicht auf das Gesamtsystem. Ein Navigationsdienst kennt möglicherweise nicht die aktuellen Netzlasten, und ein Stromversorger hat oft keine genauen Daten über die Verkehrsdichte auf bestimmten Strecken. Diese Informationslücke kann zu suboptimalen Entscheidungen führen. Die Studie betont daher die Notwendigkeit eines kooperativen Datenaustauschs, der jedoch stets mit dem Schutz der Privatsphäre der Nutzer vereinbar sein muss. Technologien wie die federierte Lernmethode (federated learning) könnten hier eine Lösung bieten, indem sie es ermöglichen, Modelle zu trainieren, ohne die Rohdaten zentralisieren zu müssen.
Von der Theorie zur Praxis: Strategien für die Optimierung
Basierend auf diesem dreischichtigen Modell entwickeln die Forscher Ansätze für die kooperative Optimierung des Gesamtsystems. Ein zentraler Hebel ist die Preisgestaltung. Durch dynamische Preise – sowohl für Strom als auch für die Nutzung von Straßen (Staugebühren) – können Fahrer gezielt angeregt werden, ihr Verhalten zu ändern. Wenn beispielsweise die Ladekosten an einem bestimmten Standort zur Mittagszeit hoch sind, werden Fahrer motiviert, entweder zu einem anderen Zeitpunkt oder an einem anderen Ort zu laden. Ähnlich können Staugebühren den Verkehr von überlasteten Straßen auf weniger frequentierte Routen lenken.
Die Herausforderung besteht darin, diese Preissignale so zu koordinieren, dass sie nicht gegeneinander wirken. Eine Preiserhöhung an einer Ladestation könnte dazu führen, dass Fahrer eine längere Strecke fahren, was wiederum den Verkehr auf anderen Straßen erhöht. Die Forscher zeigen auf, dass nur eine integrierte Betrachtung und gemeinsame Optimierung beider Netze zu einer Verbesserung der Gesamteffizienz führen kann.
Ein weiterer vielversprechender Ansatz ist die sogenannte bidirektionale Ladung (Vehicle-to-Grid, V2G). Hierbei speisen Elektrofahrzeuge nicht nur Strom aus dem Netz, sondern können auch Energie zurück ins Netz einspeisen, wenn die Nachfrage hoch ist. Dies verwandelt das Fahrzeug in einen aktiven Teilnehmer am Energiemarkt. Die Studie verweist auf chinesische Initiativen, die bis Ende 2025 fünf Demonstrationsstädte und über 50 Pilotprojekte für bidirektionale Ladung aufbauen sollen. Dennoch gibt es Hürden: Die häufige Belastung der Batterie kann deren Lebensdauer verkürzen, und die wirtschaftlichen Anreize für die Fahrer müssen ausreichend sein, um dieses Engagement zu rechtfertigen.
Resilienz und Krisenszenarien
Die enge Kopplung von Energie- und Verkehrssystemen hat auch Auswirkungen auf die Resilienz gegenüber Störungen. Bei Naturkatastrophen wie Überschwemmungen oder Stürmen können sowohl Stromleitungen als auch Straßen beschädigt werden. In solchen Szenarien können Elektrofahrzeuge eine doppelte Rolle spielen: Als mobile Stromquellen können sie Notstromaggregate versorgen, und als flexible Fahrzeuge können sie umgeleitet werden, um blockierte Straßen zu umfahren.
Die Studie diskutiert Modelle zur koordinierten Notfallwiederherstellung, bei denen die Wiederherstellung des Stromnetzes und des Verkehrsnetzes gemeinsam geplant wird. Beispielsweise könnte ein mobiles Notstromaggregat an einem Standort positioniert werden, der nicht nur elektrisch gut erschlossen ist, sondern auch über eine intakte Verkehrsverbindung verfügt, um Reparaturteams zu erreichen. Gleichzeitig warnt die Forschung vor kaskadierenden Ausfällen: Ein Stromausfall an einer zentralen Ladestation könnte zu einem Verkehrsstau führen, der wiederum die Erreichbarkeit eines beschädigten Umspannwerks verhindert.
Ausblick: Die Zukunft der integrierten Systeme
Die Autoren skizzieren mehrere zukünftige Forschungsrichtungen. Eine davon ist die Entwicklung hierarchischer Optimierungsansätze. Die direkte, vollständige Modellierung beider Netzwerke in hoher Detailgenauigkeit ist rechnerisch oft unmöglich. Stattdessen schlagen sie vor, Zwischeninstanzen wie „virtuelle Kraftwerke“ oder Flottenbetreiber zu nutzen, die die Flexibilität vieler Fahrzeuge bündeln und so eine vereinfachte Schnittstelle zum Stromnetz schaffen.
Ein weiterer Schwerpunkt ist die Nutzung künstlicher Intelligenz (KI) und maschinellen Lernens. Durch die Analyse großer Datensätze – von Fahrzeugtelemetrie über Ladehistorien bis hin zu Verkehrskameras – können KI-Modelle Muster im Nutzerverhalten erkennen und präzisere Vorhersagen treffen. Dies könnte die Effizienz von Preisgestaltungs- und Routing-Algorithmen erheblich steigern. Allerdings betonen die Forscher die Notwendigkeit, transparente und erklärliche KI-Systeme zu entwickeln, um das Vertrauen der Öffentlichkeit und der Regulierungsbehörden zu gewinnen.
Schließlich hebt die Studie die Bedeutung einer gerechten und inklusiven Gestaltung hervor. Es besteht die Gefahr, dass der Ausbau der Ladeinfrastruktur zuerst in wohlhabenden Stadtteilen erfolgt, während sozial schwächere oder ländliche Regionen benachteiligt werden. Eine gerechte Energiewende erfordert daher politische Rahmenbedingungen, die sicherstellen, dass die Vorteile der Elektromobilität für alle Bevölkerungsgruppen zugänglich sind.
Sheng Yujie, Guo Qinglai, Xue Yixun, Wang Jiawei, Chang Xinyue, Tsinghua University and Shanxi Institute of Energy Internet, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230731006