Intelligente Ladeinfrastruktur: Wie E-Autos Verkehr und Stromnetz verändern
Die Elektromobilität ist mehr als nur ein technologischer Wandel – sie ist eine tiefgreifende Transformation urbaner Infrastrukturen. Mit dem rasanten Wachstum der Elektrofahrzeugflotte gewinnt die Integration von Verkehrs- und Energiesystemen zunehmend an Bedeutung. Ein neu veröffentlichtes Forschungsprojekt beleuchtet, wie die strategische Planung von Ladestationen sowohl den Verkehrsfluss optimieren als auch die Stabilität des Stromnetzes stärken kann. Unter der Leitung von Gu Yingbin vom Chaozhou Power Supply Bureau der Guangdong Power Grid Co., Ltd. wurde ein innovatives zweistufiges Planungsmodell entwickelt, das die Wechselwirkungen zwischen gemischtem Verkehr – also Elektro- und Verbrennungsmotorenfahrzeugen – und dem Verteilnetz berücksichtigt. Die Studie, veröffentlicht im renommierten Fachjournal Electrical Engineering, liefert praxisnahe Lösungen für eine nachhaltige urbane Mobilität.
Die bisherige Planung von Ladestationen konzentrierte sich häufig auf isolierte Faktoren wie Nutzerbedürfnisse oder lokale Netzbelastungen. Diese Ansätze vernachlässigten jedoch die komplexe Dynamik zwischen Fahrerverhalten, Verkehrsdichte und Energieverbrauch. In der Realität entscheiden Fahrer nicht allein aufgrund ihres Batterieladezustands, sondern berücksichtigen Reisezeit, Stau, Ladepreise und die Verfügbarkeit von Lademöglichkeiten. Gleichzeitig führt der Anstieg des Ladebedarfs zu Spannungsschwankungen, erhöhten Netzverlusten und steigenden Erzeugungskosten. Diese gegenseitige Abhängigkeit erfordert ein integriertes Planungsmodell, das beide Systeme gleichzeitig abbildet.
Genau hier setzt die Forschungsarbeit von Gu Yingbin und seinem Team an. Ihr Ansatz unterscheidet sich durch die explizite Einbeziehung von gemischtem Verkehr, was die Realität vieler Städte widerspiegelt, in denen Elektrofahrzeuge noch eine Minderheit bilden. Die meisten bestehenden Modelle gingen von homogenen Fahrzeugflotten aus, was zu unrealistischen Verkehrsprognosen und suboptimalen Standortentscheidungen führt. Durch die Berücksichtigung sowohl von Elektro- als auch von Verbrennungsmotorenfahrzeugen wird das Modell robuster und praxisrelevanter.
Das Herzstück der Studie ist ein bi-level-Optimierungsmodell, das zwei Ebenen kombiniert: Auf der oberen Ebene wird die Gesamtsozialkostenfunktion minimiert, die sowohl Verkehrs- als auch Energiekosten erfasst. Dazu gehören Reisezeiten, Energieverbrauch, Investitionskosten für die Ladeinfrastruktur und Betriebskosten des Stromnetzes. Die untere Ebene analysiert dann die Auswirkungen der auf der oberen Ebene getroffenen Entscheidungen. Hierfür werden zwei zentrale Probleme gelöst: das Verkehrsflussproblem (Traffic Assignment Problem, TAP) unter Berücksichtigung des Nutzergleichgewichts und das Optimal Power Flow (OPF)-Problem im Verteilnetz.
Das TAP-Modell basiert auf dem Prinzip des Nutzergleichgewichts nach Wardrop, das besagt, dass kein einzelner Fahrer seine Reisekosten durch einen Wechsel der Route verbessern kann. In einem stabilen Zustand nutzen alle Fahrer zwischen zwei Orten Pfade mit identischen, minimalen Kosten. Für Elektrofahrzeuge umfasst diese Kostenfunktion nicht nur die Fahrzeit, sondern auch den Preis für die Ladung an der Station. Dadurch entsteht ein Feedback-Mechanismus: Höhere Strompreise an bestimmten Standorten führen dazu, dass Fahrer alternative Routen wählen, was wiederum die Verkehrsverteilung beeinflusst. Dieser Zusammenhang ist entscheidend, um realistische Verkehrsflüsse vorherzusagen und die Belastung einzelner Ladeinfrastrukturen zu steuern.
Parallel dazu wird die Auswirkung der Ladevorgänge auf das Stromnetz durch das OPF-Modell abgebildet. Hierbei wird sichergestellt, dass die erhöhte Nachfrage die Netzstabilität nicht gefährdet. Die Forscher verwenden ein verzweigtes Flussmodell (Branch Flow Model, BFM) mit einer zweiten Ordnung Kegel-Relaxation, um Spannungsabfälle, Netzverluste und thermische Belastungen präzise darzustellen. Diese Genauigkeit ist besonders wichtig, da Verteilnetze empfindlicher auf lokale Lastspitzen reagieren als Übertragungsnetze. Eine falsch platzierte Schnellladestation könnte beispielsweise Transformatoren überlasten oder Spannungsinstabilitäten verursachen. Durch die Integration des OPF-Modells wird sichergestellt, dass jede vorgeschlagene Ladestation innerhalb der technischen Grenzen des Netzes betrieben werden kann.
Die Stärke des Modells liegt in seiner iterativen Struktur. Die obere Ebene schlägt eine bestimmte Kapazitätskonfiguration für die Ladestationen vor. Die untere Ebene simuliert daraufhin den resultierenden Verkehrsfluss und die Netzreaktion. Diese Ergebnisse – insbesondere die daraus resultierenden sozialen Gesamtkosten – werden wieder an die obere Ebene zurückgegeben. Falls die Kosten zu hoch sind oder bestimmte Einschränkungen verletzt werden – beispielsweise das Investitionsbudget oder die Deckung der Netzbetriebskosten –, passt die obere Ebene die Kapazitäten an und der Prozess wiederholt sich. Dieser Rückkoppelungsmechanismus führt letztlich zu einer global optimalen Lösung, die alle beteiligten Systeme berücksichtigt.
Die Lösung eines solch komplexen, zweistufigen Optimierungsproblems ist rechenintensiv. Traditionelle Methoden wie Gradientenverfahren sind aufgrund der nichtlinearen und diskontinuierlichen Zusammenhänge zwischen den Variablen ungeeignet. Daher setzen die Forscher einen auf Ersatzmodellen (Surrogate Models) basierenden Algorithmus ein. Dieser Ansatz erstellt zunächst ein vereinfachtes, approximatives Modell, das das Verhalten des komplexen Systems nachbildet, aber deutlich schneller berechnet werden kann. Mit diesem Ersatzmodell können tausende von möglichen Lösungen schnell evaluiert werden, um vielversprechende Kandidaten zu identifizieren. Diese werden anschließend mit dem genauen, rechenintensiven Modell validiert. Diese hybride Strategie reduziert die Rechenzeit erheblich, ohne die Qualität der Lösung zu beeinträchtigen, und macht das Verfahren auch für großflächige urbane Netze anwendbar.
Die Effektivität des Modells wurde anhand einer Fallstudie mit einem ringförmigen Verkehrsnetz und einem radialen Verteilnetz getestet. Das Testsystem umfasst acht potenzielle Standorte für Ladestationen, die jeweils mit bestimmten Knotenpunkten des Stromnetzes verbunden sind. Realistische Parameter wie Straßenkapazität, freie Reisezeit, Stromtarife und Verkehrsnachfrageprofile wurden verwendet, um die tatsächlichen Betriebsbedingungen abzubilden. Die tägliche Verkehrsnachfrage zeigt typische Spitzen in den Morgen- und Abendstunden, während der Strompreis einem Zeit-Tarif-Modell mit Hoch-, Niedrig- und Spitzenlastzeiten folgt.
Zwei Szenarien wurden verglichen: Im ersten Fall (Fall 1) wurden die Kapazitäten der Ladestationen gemäß dem optimierten Modell festgelegt. Im zweiten Fall (Fall 2) wurde eine einheitliche, durchschnittliche Kapazität für alle Stationen angenommen. Die Ergebnisse zeigen einen klaren Vorteil für die optimierte Variante. Die Gesamtsozialkosten im Fall 1 betragen etwa 444.140 US-Dollar pro Tag, im Vergleich zu 448.090 US-Dollar im Fall 2 – eine Einsparung von fast 4.000 US-Dollar täglich. Bei Skalierung auf eine Großstadt mit Hunderten von Ladepunkten summieren sich diese Einsparungen zu Millionenbeträgen pro Jahr. Wichtiger noch: Diese Einsparungen resultieren aus einer effizienteren Ressourcenallokation, nicht aus Kürzungen bei der Infrastruktur.
Die detaillierte Analyse der Kostenkomponenten zeigt, dass das optimierte Szenario zu weniger Verkehrsstaus führt, was sich in einer geringeren Gesamtfahrzeit widerspiegelt. Dieser Effekt entsteht durch die bessere Abstimmung der Ladekapazität auf die tatsächliche Nachfrage. So erhalten Stationen an stark frequentierten Strecken höhere Leistungsklassen (350 kW), was schnellere Ladevorgänge und kürzere Wartezeiten ermöglicht. Stationen in weniger belasteten Bereichen werden hingegen kleiner dimensioniert (120 kW), um unnötige Investitionen zu vermeiden. Diese differenzierte Planung stellt sicher, dass die Investitionen dort eingesetzt werden, wo sie den größten Nutzen bringen.
Aus Sicht des Stromnetzes hält das optimierte Planungsszenario die Spannungsstabilität auch in Spitzenlastzeiten aufrecht. Die Analyse ergab, dass die Spannungsabweichungen an allen Knotenpunkten unter 7 % liegen, was innerhalb der akzeptablen Sicherheitsgrenzen ist. Dies unterstreicht die entscheidende Bedeutung einer koordinierten Planung: Eine rein verkehrsorientierte Standortwahl könnte das lokale Stromnetz destabilisieren. Zudem stellt das Modell sicher, dass die Einnahmen aus dem Stromverkauf die Betriebskosten des Verteilnetzes decken, was eine wichtige finanzielle Randbedingung erfüllt.
Ein besonders interessantes Ergebnis der Studie betrifft den Einfluss des Ladeverhaltens von Elektrofahrzeugen auf die marginalen Strompreise. Mit steigendem Anteil an Elektrofahrzeugen steigt auch der durchschnittliche Knotenpreis – die Kosten für die Bereitstellung einer zusätzlichen Einheit Strom an einem bestimmten Ort und zu einer bestimmten Zeit. Dieser Anstieg spiegelt die zusätzliche Belastung von Erzeugung und Netz während der Spitzenladezeiten wider. Die Studie zeigt jedoch auch, dass sich diese Herausforderung in eine Chance verwandeln lässt, wenn Fahrzeuge in das Netz zurückspeisen (Vehicle-to-Grid, V2G). Wenn Elektrofahrzeuge in Hochpreisphasen Energie ins Netz einspeisen, wirken sie wie dezentrale Speicher und helfen, Lastspitzen abzufedern und die Gesamtsystemkosten zu senken.
Diese Erkenntnis verdeutlicht einen tiefgreifenden Paradigmenwechsel: Elektrofahrzeuge werden nicht mehr nur als Stromverbraucher gesehen, sondern als aktive Teilnehmer am Energiemarkt. Mit intelligenten Ladealgorithmen und dynamischen Preissignalen können Fahrer motiviert werden, zu laden, wenn erneuerbare Energien im Überfluss verfügbar sind, und zu entladen, wenn die Nachfrage hoch ist. Diese Flexibilität erhöht die Netzresilienz, reduziert die Abhängigkeit von fossilen Spitzenlastkraftwerken und fördert die Integration von Wind- und Solarenergie. Die Forschung von Gu Yingbin und seinem Team legt hierfür die methodische Grundlage, indem sie zeigt, wie die Ladeinfrastruktur so gestaltet werden kann, dass bidirektionale Energieflüsse möglich sind.
Die Implikationen dieser Arbeit gehen weit über die rein technische Modellierung hinaus. Für politische Entscheidungsträger bietet sie ein datenbasiertes Framework, um öffentliche Investitionen in die Ladeinfrastruktur zu bewerten. Statt auf Erfahrungswerten oder politischen Erwägungen zu basieren, können Städte nun geplante Projekte anhand ihres Beitrags zum gesellschaftlichen Wohlstand bewerten. Für Energieversorger ist das Modell ein Werkzeug für eine proaktive Netzplanung, das es ermöglicht, zukünftige Lastzunahmen vorherzusehen und die Infrastruktur rechtzeitig auszubauen. Für Automobilhersteller und Betreiber von Ladesystemen liefern die Erkenntnisse strategische Orientierung, etwa bei der Entscheidung, wo Schnellladestationen aufgestellt werden sollen oder wie Preismodelle gestaltet werden können, um das Fahrerverhalten zu steuern.
Darüber hinaus unterstreicht die Studie die Notwendigkeit einer sektorübergreifenden Zusammenarbeit. Traditionell arbeiteten Verkehrsbehörden und Energieversorger unabhängig voneinander. Die Elektrifizierung des Verkehrs verschwimmt jedoch diese Grenzen und erfordert neue Formen der Koordination und des Datenaustauschs. So könnten Verkehrsmanagementzentren in Echtzeit erfasste Staudaten an die Netzbetreiber weitergeben, um Lastspitzen durch Ladevorgänge vorherzusagen. Umgekehrt könnten Netzbetreiber lokale Grenzkosten an Navigations-Apps übermitteln, sodass Fahrer den Strompreis bei ihrer Routenwahl berücksichtigen können. Eine solche Integration würde ein wahrhaft intelligentes Mobilitätssystem schaffen.
Zukünftig lassen sich diese Forschungsergebnisse auf verschiedene Weise erweitern. Eine Möglichkeit ist die Einbindung von Unsicherheiten – etwa in der Nachfrageprognose, der Erzeugung erneuerbarer Energien oder dem Fahrerverhalten – durch stochastische oder robuste Optimierungsverfahren. Eine andere wäre die Berücksichtigung von Battereverschleißkosten in der Zielfunktion, um Ladeverhalten zu fördern, das die Lebensdauer der Fahrzeugbatterien verlängert. Außerdem könnte das Modell um verschiedene Lade-Technologien – wie leitfähiges Laden, induktives Laden oder Batteriewechsel – erweitert werden.
Ein vielversprechender Ansatz ist die Integration von Microgrids und dezentralen Energieressourcen (DER) in das Planungsmodell. Zukünftige Ladestationen könnten nicht nur Strom aus dem Hauptnetz beziehen, sondern ihn auch lokal durch Solaranlagen erzeugen oder in stationären Batteriespeichern speichern. Durch die gleichzeitige Optimierung von Ladepunkten, Photovoltaik und Energiespeichern könnten autarke Hubs entstehen, die die lokale Resilienz erhöhen und Netzverluste reduzieren.
Zusammenfassend stellt die Forschung von Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize und Huang Shuqiang einen bedeutenden Fortschritt im Bereich der nachhaltigen städtischen Infrastruktur dar. Indem sie die Kluft zwischen Verkehrs- und Energiesystemen überbrückt, bietet ihr zweistufiges Optimierungsmodell ein leistungsfähiges Werkzeug, um Ladeinfrastrukturen so zu planen, dass sie technisch sicher, wirtschaftlich effizient und gesellschaftlich vorteilhaft sind. Während Städte weltweit daran arbeiten, ihre Verkehrssysteme zu dekarbonisieren, wird diese integrierte Denkweise entscheidend sein, um resiliente, gerechte und kohlenstoffarme Mobilitätssysteme aufzubauen.
Die Studie macht deutlich, dass die Zukunft der urbanen Mobilität nicht nur elektrisch ist – sie ist vernetzt, intelligent und optimiert. Mit den richtigen Planungswerkzeugen und kollaborativen Rahmenbedingungen können wir sicherstellen, dass die E-Mobilitätsrevolution ihr Versprechen von sauberer Luft, leiseren Straßen und einem zuverlässigeren Energiesystem für alle erfüllt.
Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize, Huang Shuqiang, Chaozhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Electrical Engineering, DOI: 10.19426/j.cnki.cn11-4746/tm.2024.07.003