Intelligente Ladeempfehlungen für Elektrofahrzeuge
Die rasante Entwicklung der Elektromobilität verändert nicht nur die Art und Weise, wie wir uns fortbewegen, sondern stellt auch unsere Infrastruktur vor neue Herausforderungen. Während immer mehr Verbraucher auf Elektrofahrzeuge umsteigen, wächst die Nachfrage nach effizienten und nutzerfreundlichen Lademöglichkeiten. Ein zentrales Problem bleibt jedoch bestehen: die ungleiche Verteilung der Ladeinfrastruktur und die daraus resultierenden Wartezeiten an überlasteten Stationen. Eine bahnbrechende Studie der Beijing Jiaotong University bietet nun eine innovative Lösung, die sowohl die Nutzererfahrung verbessert als auch die Auslastung der Ladestationen optimiert.
Das Forschungsteam um Professorin Su Su hat ein neuartiges Leführungsmodell entwickelt, das auf dem sogenannten dynamischen Huff-Modell und der Theorie der bilateralen Zuordnung basiert. Diese Kombination ermöglicht es, personalisierte Ladeempfehlungen zu generieren, die sowohl die Präferenzen der Fahrer als auch die Betriebsziele der Ladeanbieter berücksichtigen. Die Studie wurde im renommierten Fachjournal Automation of Electric Power Systems veröffentlicht und ist unter der DOI 10.7500/AEPS20230731008 frei zugänglich.
Das Herzstück des neuen Ansatzes ist die Analyse realer Nutzerdaten. Das Team sammelte umfangreiche Informationen über das Ladeverhalten in der chinesischen Metropole Chengdu, darunter Besucherzahlen, Buchungsdaten und technische Details der Ladepunkte. Die Auswertung dieser Daten offenbarte klare Muster: Die meisten Nutzer bevorzugen große Ladestationen mit niedrigen Preisen und kostenlosem Parken. So erfolgen etwa 75 Prozent aller Ladevorgänge an Stationen, die zu den preisgünstigsten 50 Prozent gehören. Zudem nutzen 86 Prozent der Fahrer Standorte, die keine Parkgebühren erheben. Die Bewertungen der Stationen spielen ebenfalls eine entscheidende Rolle – 82 Prozent der Ladevorgänge finden an Standorten mit mindestens vier von fünf Sternen statt.
Um diese Erkenntnisse in die Praxis umzusetzen, entwickelten die Forscher ein dynamisches Modell, das die Attraktivität einer Ladestation kontinuierlich bewertet. Diese Attraktivität ergibt sich aus mehreren Faktoren: der Anzahl verfügbarer Ladepunkte, den Preisen für Strom und Parken sowie der durchschnittlichen Nutzerbewertung. Im Gegensatz zu statischen Modellen wird die Attraktivität in Echtzeit aktualisiert, was es ermöglicht, auf Veränderungen im Verkehrsaufkommen oder in der Verfügbarkeit von Ladepunkten zu reagieren.
Ein weiterer wichtiger Aspekt des Modells ist die Berücksichtigung der Fahrzeit. Das Team entwickelte einen Algorithmus, der die Zeit berechnet, die ein Fahrer benötigt, um von seinem aktuellen Standort zu einer bestimmten Ladestation zu gelangen. Dabei wird nicht nur die Hauptstrecke berücksichtigt, sondern auch die letzten Meter bis zum eigentlichen Ladepunkt, einschließlich der Zeit, die für das Auffinden des freien Steckplatzes benötigt wird. Diese Gesamtzeit fließt zusammen mit der Attraktivität der Station in die Empfehlungslogik ein.
Die eigentliche Empfehlung erfolgt in zwei Schritten. Zunächst wird für jeden Standort im Straßenverkehr eine Liste von potenziellen Ladestationen erstellt, basierend auf deren Attraktivität und der Fahrzeit. Diese Liste wird regelmäßig aktualisiert, entweder in festen Zeitabständen oder sobald sich der Status einer Station ändert. Im zweiten Schritt kommt die Theorie der bilateralen Zuordnung zum Einsatz. Hierbei geht es nicht nur darum, den besten Standort für den Fahrer zu finden, sondern auch sicherzustellen, dass die Station von dieser Zuordnung profitiert.
Dieser Ansatz unterscheidet sich grundlegend von herkömmlichen Navigationslösungen, die oft nur den nächstgelegenen freien Ladepunkt anzeigen. Solche Systeme können dazu führen, dass bestimmte Stationen überlastet werden, während andere unterausgelastet bleiben. Das neue Modell hingegen schafft eine Win-Win-Situation: Fahrer erhalten Empfehlungen, die ihren individuellen Vorlieben entsprechen – sei es geringe Kosten, kurze Fahrzeiten oder hohe Servicequalität – während Betreiber eine gleichmäßige Auslastung ihrer Anlagen und damit höhere Einnahmen erzielen können.
Um die Wirksamkeit des Systems zu testen, führten die Forscher eine umfangreiche Simulation in einem dicht besiedelten Gebiet von Chengdu durch. Das Testgebiet umfasste 155 wichtige Knotenpunkte im Straßenverkehr, 514 Straßenabschnitte und 101 öffentliche Schnellladestationen mit insgesamt 1.580 Ladepunkten. Die Simulation verglich drei verschiedene Szenarien: In der ersten Variante suchten die Fahrer ohne jegliche Empfehlung die nächstgelegene freie Station auf. In der zweiten Variante erhielten sie eine Liste von 25 empfohlenen Stationen und wählten die erste verfügbare aus. Im dritten Szenario kam das vollständige Modell von Su Su zum Einsatz, das sowohl die dynamische Attraktivitätsbewertung als auch die bilaterale Zuordnung nutzte.
Die Ergebnisse waren beeindruckend. Im Vergleich zur ersten Variante, bei der die Wartezeit bei über 15 Prozent lag, sank die Wahrscheinlichkeit, an einer Station warten zu müssen, bei der neuen Strategie auf null. Gleichzeitig sanken die durchschnittlichen Ladekosten pro Nutzer von 31,54 auf 24,28 Yuan, was einer Reduzierung um mehr als 20 Prozent entspricht. Die durchschnittliche Bewertung der genutzten Stationen stieg von 4,14 auf 4,62 Sterne, was zeigt, dass die Nutzer tatsächlich qualitativ hochwertigere Dienstleistungen in Anspruch nahmen. Für die Betreiber der Ladestationen bedeutete dies nicht nur eine höhere Auslastung, sondern auch eine Steigerung des stündlichen Umsatzes von 9.896 auf 11.327 Yuan.
Ein besonders interessanter Aspekt der Studie ist die Möglichkeit, die Nutzer in verschiedene Kategorien einzuteilen. Basierend auf ihren individuellen Präferenzen wurden die Fahrer in drei Gruppen unterteilt: zeitoptimierte, preissensible und serviceorientierte Nutzer. Die Analyse zeigte, dass das System in der Lage war, die Bedürfnisse jeder Gruppe gezielt zu bedienen. So nutzten zeitoptimierte Fahrer Stationen, die im Durchschnitt 8,3 Minuten Fahrzeit entfernt lagen, während preissensible Nutzer bereit waren, etwas länger zu fahren – im Schnitt 9,3 Minuten – um durchschnittlich 2,2 Yuan pro Ladevorgang zu sparen. Serviceorientierte Nutzer wiederum erhielten Empfehlungen für die bestbewerteten Stationen, die im Schnitt 4,69 Sterne erreichten.
Die Reaktionsgeschwindigkeit des Systems ist ein weiterer entscheidender Vorteil. In der Simulation dauerte die Berechnung einer einzelnen Ladeempfehlung im Durchschnitt weniger als 0,5 Millisekunden, selbst bei einem hohen Anfragevolumen von 400 Anfragen pro Minute. Diese Geschwindigkeit ist entscheidend für den praktischen Einsatz, da sie eine nahtlose Integration in bestehende Navigations- und Lade-Apps ermöglicht. Fahrer könnten so in Echtzeit personalisierte Vorschläge erhalten, ohne dass ihre Fahrt durch lange Ladezeiten oder komplizierte Menüs behindert wird.
Die Skalierbarkeit des Modells ist ebenfalls beeindruckend. Im Gegensatz zu einigen früheren Ansätzen, deren Rechenzeit quadratisch mit der Anzahl der Ladepunkte ansteigt, wächst die Komplexität des neuen Modells nur linear mit der Größe der Empfehlungsliste. Dies bedeutet, dass es auch in sehr großen Städten mit Tausenden von Ladepunkten effizient eingesetzt werden kann, ohne dass die Rechenleistung überlastet wird.
Ein weiterer Vorteil des Systems ist seine Flexibilität. Die Forscher zeigten, dass sich die Gewichtung zwischen Nutzer- und Betreiberinteressen anpassen lässt. Wenn die Zufriedenheit der Fahrer stärker gewichtet wird, sinken die Ladekosten und die Bewertungen der genutzten Stationen steigen, während die Einnahmen der Betreiber leicht zurückgehen. Umgekehrt können die Betreiber ihre Gewinne maximieren, indem sie den Fokus stärker auf ihre eigenen Interessen legen. Diese Anpassungsfähigkeit macht das System für verschiedene Einsatzszenarien interessant – von öffentlichen Dienstleistern, die die Nutzerfreundlichkeit priorisieren, bis hin zu privaten Anbietern, die ihre Rendite maximieren möchten.
Die praktischen Implikationen dieser Forschung sind weitreichend. Städte und Kommunen, die in den Ausbau der Ladeinfrastruktur investieren, können mit diesem System sicherstellen, dass ihre Anlagen optimal genutzt werden, ohne dass sie zwangsläufig neue Stationen bauen müssen. Dies spart nicht nur Kosten, sondern reduziert auch den Flächenverbrauch und den bürokratischen Aufwand. Für Fahrer bedeutet es eine erhebliche Verbesserung der Nutzererfahrung: kürzere Wartezeiten, niedrigere Kosten und bessere Servicequalität.
Darüber hinaus könnte das System dazu beitragen, die Belastung des Stromnetzes zu entlasten. Indem Fahrer gezielt zu bestimmten Zeiten und an bestimmten Orten gelenkt werden, kann die Ladeleistung besser auf das Netz abgestimmt werden. Dies ist besonders wichtig in Zeiten hoher Netzbelastung, wenn eine unkoordinierte Ladung zu Spannungsschwankungen oder sogar zu Überlastungen führen könnte.
Die Forscher sehen in ihrer Arbeit jedoch nur einen ersten Schritt. Sie planen, das Modell weiterzuentwickeln, indem sie zusätzliche Faktoren wie Wetterbedingungen, Tageszeit oder besondere Veranstaltungen einbeziehen, die das Verkehrsaufkommen beeinflussen können. Ein weiteres Ziel ist die Integration von Vehicle-to-Grid-Technologien, bei denen Elektrofahrzeuge nicht nur Strom aufnehmen, sondern auch wieder ins Netz zurückspeisen können. In Kombination mit dem Leführungsmodell könnte dies dazu beitragen, die Stabilität des Stromnetzes zu erhöhen und erneuerbare Energien besser zu nutzen.
Die Studie von Su Su und ihrem Team ist ein hervorragendes Beispiel dafür, wie interdisziplinäre Forschung komplexe städtische Herausforderungen lösen kann. Durch die Kombination von Elektrotechnik, Verkehrsplanung und Verhaltensökonomie haben sie ein System entwickelt, das nicht nur technisch anspruchsvoll ist, sondern auch tiefes Verständnis für das menschliche Verhalten zeigt. Ihre Arbeit zeigt, dass die Zukunft der Mobilität nicht allein in neuen Fahrzeugen liegt, sondern auch in intelligenten Systemen, die unsere Infrastruktur effizienter und nutzerfreundlicher machen.
Su Su, Wang Jianxiang, Wang Lei, Li Yujing, Nie Xiaobo, Xiang Wenxu, School of Electrical Engineering, Beijing Jiaotong University; Automation of Electric Power Systems, DOI: 10.7500/AEPS20230731008