Intelligente Ladeplanung verlängert Lebensdauer von Ladepunkten
Die Elektromobilität befindet sich in einer entscheidenden Wachstumsphase. Während die Automobilhersteller weltweit ihre Modellreihen auf batterieelektrische Antriebe umstellen und die Verkaufszahlen kontinuierlich steigen, rückt zunehmend die Infrastruktur in den Fokus – nicht nur hinsichtlich ihrer Verfügbarkeit, sondern auch ihrer langfristigen Zuverlässigkeit. Eine Studie des State Grid Electric Power Research Institute, NARI Group Corporation, beleuchtet eine bisher oft vernachlässigte Herausforderung: die Gesundheit der Ladepunkte selbst. Anstatt nur auf Fahrzeugtechnologie und Batteriekapazität zu setzen, zeigt die Forschung, dass eine intelligente Steuerung der Ladevorgänge entscheidend dafür ist, die Lebensdauer der Ladeinfrastruktur zu verlängern und gleichzeitig die Betriebskosten zu senken.
Die neue Arbeit von Lu Yang, Liu Niexuan und Huang Hongye stellt eine bahnbrechende Strategie vor, die den Zustand der Ladepunkte in Echtzeit bewertet und darauf basierend die Zuweisung von Elektrofahrzeugen optimiert. Anstatt Fahrzeuge einfach dem nächstgelegenen freien Ladepunkt zuzuweisen, berücksichtigt das System die individuelle Gesundheit jedes Geräts. Dieser proaktive Ansatz verhindert, dass einzelne Ladepunkte überlastet werden, während andere untergenutzt bleiben – ein Phänomen, das zu ungleichmäßiger Abnutzung und vorzeitigen Ausfällen führt.
Die Autoren argumentieren, dass die herkömmliche „First-Come, First-Served“-Logik, die bei den meisten öffentlichen Ladestationen Anwendung findet, kurzfristig zwar einfach zu handhaben ist, langfristig jedoch ineffizient und kostspielig. Wenn bestimmte Ladepunkte häufiger für schnelle, leistungsstarke Ladevorgänge genutzt werden, unterliegen sie einer stärkeren thermischen und elektrischen Belastung. Dies beschleunigt den Verschleiß von Komponenten wie Leistungselektronik, Ladekabeln und Steckverbindern. Im Gegensatz dazu bleiben andere Ladepunkte oft in Reserve und verfallen möglicherweise sogar durch ungenutzte Stillstandszeiten. Diese Diskrepanz führt zu einem instabilen Netzwerk, in dem die Wartungskosten steigen und die Verfügbarkeit sinkt.
Um diesem Problem zu begegnen, haben die Forscher ein umfassendes Modell zur Bewertung der „Gesundheit“ von Ladepunkten entwickelt. Dieses Modell basiert auf 26 spezifischen Indikatoren, die in sechs zentrale Module unterteilt sind: Leistung, Steuerung, Kommunikation, Ladekabel, kritische Komponenten sowie Batterie und Umweltfaktoren. Die Indikatoren kombinieren sowohl elektrische Leistungsparameter als auch Sicherheitsaspekte, um ein vollständiges Bild des Zustands eines jeden Ladepunkts zu erhalten.
Zu den elektrischen Leistungsindikatoren gehören beispielsweise die Genauigkeit der Ausgangsspannung und -stromstärke, die Stabilität dieser Werte unter Last (Strom- und Spannungsregelgenauigkeit), die Gleichmäßigkeit der Stromverteilung bei parallelen Modulen (Stromungleichgewicht) sowie der Wirkungsgrad und der Leistungsfaktor des gesamten Systems. Abweichungen in diesen Werten können auf beginnende Verschlechterungen hinweisen, die, wenn sie ignoriert werden, zu einem kompletten Ausfall führen können. Ein Ladepunkt mit einem sich verschlechternden Wirkungsgrad verbraucht mehr Energie für denselben Ladevorgang, was nicht nur die Betriebskosten erhöht, sondern auch zusätzliche Wärme erzeugt, die weitere Komponenten belastet.
Die Sicherheitsindikatoren sind ebenso entscheidend. Hierzu gehören die Temperaturen der Steuer- und Kommunikationsmodule, die Temperatur des Ladekabels während des Ladevorgangs, die höchste und niedrigste Temperatur der Batterie des Fahrzeugs sowie die Umgebungstemperatur. Hohe Temperaturen sind einer der Hauptfaktoren für die Alterung elektronischer Bauteile. Ein kontinuierlich heißer Steuerchip oder ein überhitztes Ladekabel verkürzen die Lebensdauer erheblich. Zusätzlich wird die Nutzungsdauer des Ladekabels selbst als Indikator herangezogen, da mechanische Abnutzung durch häufiges Ein- und Ausstecken ein reales Problem darstellt.
Um diese Vielzahl an Daten in eine nutzbare Größe zu verwandeln, haben die Forscher einen standardisierten Gesundheitswert entwickelt, der auf einer Skala von 0 bis 1 bewertet wird. Ein Wert von 1 steht für einen neuwertigen, voll funktionsfähigen Zustand, während 0 einen kompletten Ausfall oder eine Nichtverwendbarkeit anzeigt. Die Umwandlung der Rohdaten in diesen Gesundheitswert erfolgt durch eine Normalisierung und anschließende Gewichtung der einzelnen Indikatoren. Besonders innovativ ist hierbei die Anwendung der Entropiegewichtungsmethode. Diese objektive statistische Methode bestimmt die Bedeutung jedes Indikators basierend auf seiner Variabilität und seinem Einfluss auf den Gesamtzustand. Indikatoren, die eine hohe Varianz aufweisen und stark mit der Degradation korrelieren – wie beispielsweise die Häufigkeit von Fehlern an Wechselstromschützern oder Not-Aus-Schaltern – erhalten ein höheres Gewicht in der Endbewertung. Dies stellt sicher, dass das Modell nicht von subjektiven Annahmen beeinflusst wird, sondern auf den tatsächlichen Betriebsdaten basiert.
Die eigentliche Innovation liegt jedoch darin, diesen Gesundheitswert nicht nur zu messen, sondern ihn direkt in den Ladeplanungsprozess einzubeziehen. Die Forscher stellen ein Optimierungsmodell vor, das den Ladepunkt einer ankommenden Elektrofahrzeug nicht nur nach Verfügbarkeit, sondern auch nach seinem aktuellen Gesundheitszustand und der voraussichtlichen Dauer des Ladevorgangs auswählt. Um die Planung zu vereinheitlichen, wird die Ladeleistung in die Ladedauer umgerechnet. Dies ermöglicht es, zwei zentrale Variablen zu berücksichtigen: wie lange ein Fahrzeug laden muss und wie gesund die verfügbaren Ladepunkte sind.
Das Ziel des Optimierungsmodells ist zweigeteilt. Erstens soll die Gesamtgesundheit aller Ladepunkte in der Station über die Zeit maximiert werden. Zweitens soll die Varianz der Gesundheitswerte zwischen den einzelnen Ladepunkten minimiert werden. Dieser zweite Aspekt ist von entscheidender Bedeutung, um eine gleichmäßige Nutzung zu gewährleisten und so genannte „Schwachstellen“ im Netzwerk zu vermeiden, die durch Überlastung frühzeitig ausfallen könnten. Diese beiden Ziele – maximale Gesamtgesundheit und minimale Ungleichheit – sind oft miteinander verknüpft, aber nicht immer kompatibel, was ein klassisches mehrzieloptimierungsproblem darstellt.
Um dieses komplexe Problem zu lösen, setzen die Forscher auf den sogenannten NSGA-II-Algorithmus (Non-dominated Sorting Genetic Algorithm II). Dieser evolutionäre Algorithmus ist speziell dafür ausgelegt, eine sogenannte Pareto-Front zu finden – eine Menge von Lösungen, bei denen keine einzelne Lösung in beiden Zielen gleichzeitig besser ist als eine andere. Anstatt eine einzige „beste“ Lösung vorzugeben, bietet der Algorithmus dem Betreiber eine Palette an optimalen Kompromissen an, aus denen er basierend auf seinen spezifischen Prioritäten auswählen kann. Im Vergleich zu anderen Optimierungsmethoden, wie beispielsweise dem Particle Swarm Optimization (PSO) Algorithmus, zeigte NSGA-II in den Simulationen eine deutlich überlegene Leistung, da er die komplexen Wechselwirkungen zwischen den Zielen besser erfassen und stabile, langfristig nachhaltige Lösungen finden kann.
Die Wirksamkeit der Strategie wurde anhand realer Daten von zehn Ladepunkten in einer Region der Provinz Jiangsu, China, überprüft. Die Forscher führten Simulationen für ein ganzes Jahr durch und verglichen drei verschiedene Szenarien: ein Basisszenario ohne jegliche Optimierung (die herkömmliche, zufällige Zuweisung), das vorgeschlagene Gesundheitsmodell, optimiert mit dem PSO-Algorithmus, und schließlich das vorgeschlagene Modell, optimiert mit dem NSGA-II-Algorithmus.
Die Ergebnisse waren beeindruckend. Im Vergleich zum unoptimierten Szenario stieg die jährliche Gesamtgesundheit der Ladestation, wenn die NSGA-II-optimierte Strategie angewendet wurde, um 18,54 %. Die durchschnittliche Gesundheit eines einzelnen Ladepunkts verbesserte sich um 1,85 %. Im Gegensatz dazu führte die Optimierung mit dem PSO-Algorithmus zu einer deutlich geringeren Verbesserung der Gesamtgesundheit um nur 2,76 % und einer durchschnittlichen Verbesserung von 0,27 % pro Ladepunkt. Dies unterstreicht die Überlegenheit des NSGA-II-Ansatzes bei der Lösung dieser komplexen Aufgabe.
Noch aufschlussreicher war die Entwicklung der Gesundheitsvarianz über die Monate. Im unoptimierten Szenario nahm die Varianz – ein Maß für die Ungleichheit der Gesundheitszustände – im Laufe des Jahres kontinuierlich zu und erreichte ein Maximum von 0,0020. Dies bedeutet, dass sich die Zustände der Ladepunkte zunehmend voneinander entfernten, was auf eine ungleichmäßige Belastung und ein wachsendes Risiko für unerwartete Ausfälle hindeutet. Unter der NSGA-II-optimierten Strategie dagegen sank die Varianz im Laufe der Zeit und erreichte ein Maximum von nur 0,0015. Dies zeigt eine erhebliche Stabilisierung des gesamten Systems an, bei der alle Ladepunkte gleichmäßig und schonend genutzt werden.
Eine detaillierte Analyse der jährlichen Servicefrequenz und der gelieferten Energiemenge bestätigte diesen Befund. In der unoptimierten Situation waren die Nutzungsraten der Ladepunkte relativ gleichmäßig, aber diese Gleichmäßigkeit täuschte über die zugrunde liegende Ineffizienz hinweg. Die intelligente Steuerung führte zu einer gezielten Anpassung: Ladepunkte mit einem höheren Gesundheitswert wurden für längere oder leistungsstärkere Ladevorgänge eingesetzt, während solche mit einem niedrigeren Wert für kürzere oder niedrigere Ladeleistungen vorgesehen waren. Dies verhinderte eine Überlastung der schwächeren Einheiten und sorgte dafür, dass die stärkeren Einheiten effizienter genutzt wurden.
Für Betreiber von Ladestationen haben diese Ergebnisse weitreichende Konsequenzen. Die primäre Herausforderung besteht darin, die Einnahmen durch eine hohe Auslastung zu maximieren, ohne dabei die Wartungskosten durch vorzeitige Ausfälle in die Höhe zu treiben. Die vorgeschlagene Strategie bietet eine Lösung für dieses Dilemma. Durch die Verlängerung der Lebensdauer der Ladepunkte werden Kapitalinvestitionen für Ersatzgeräte hinausgezögert. Gleichzeitig reduziert die verringerte Varianz die Notwendigkeit für reaktive Wartungseinsätze, da Ausfälle vorhersehbarer und seltener werden. Dies führt zu einer höheren Netzverfügbarkeit und damit zu einer besseren Kundenzufriedenheit.
Darüber hinaus schafft das Modell die Grundlage für ein vorbeugendes Wartungsmanagement. Anstatt auf Fehlermeldungen zu warten, kann der Betreiber anhand der kontinuierlich erfassten Gesundheitsindikatoren frühzeitige Warnsignale erkennen – etwa einen ansteigenden Temperaturtrend im Steuermodul oder eine zunehmende Anzahl von Fehlern an bestimmten Komponenten. Dies ermöglicht es, Wartungsarbeiten proaktiv und zu einem günstigen Zeitpunkt zu planen, was die Betriebsunterbrechungen minimiert.
Die Skalierbarkeit der Strategie ist ein weiterer Vorteil. Obwohl die Studie sich auf eine einzelne Station mit zehn Ladepunkten konzentrierte, sind die zugrunde liegenden Prinzipien auf größere Netzwerke übertragbar. In einem Netz aus mehreren Stationen könnte das System nicht nur innerhalb einer Station optimieren, sondern auch Fahrzeuge basierend auf der Gesundheit und Verfügbarkeit benachbarter Stationen umleiten. Dies könnte besonders in dicht besiedelten Gebieten oder entlang von Autobahnen von Vorteil sein, um Staus an einzelnen Knotenpunkten zu vermeiden.
Die Autoren weisen darauf hin, dass die praktische Umsetzung eine enge Integration mit bestehenden Ladeplattformen und eine Standardisierung der Gesundheitsdaten erfordert. Dennoch bietet die Studie einen klaren und technisch fundierten Weg, wie intelligente Ladesysteme in Zukunft aussehen könnten. Die Verwendung eines etablierten und transparenten Algorithmus wie NSGA-II erhöht die Glaubwürdigkeit und Reproduzierbarkeit der Ergebnisse.
Zukünftige Forschungsarbeiten könnten den Ansatz weiter erweitern, indem sie auch sektorübergreifende Aspekte einbeziehen. So könnte die Ladeplanung beispielsweise mit den Anforderungen des Stromnetzes gekoppelt werden. In Zeiten hoher Netzbelastung könnten gesündere Ladepunkte, die eine bessere Leistungsregelung ermöglichen, priorisiert werden, um Lastspitzen zu vermeiden. In Zeiten mit hohem Anteil erneuerbarer Energien könnte das System Fahrzeuge dazu anregen, in Sonnen- oder Windphasen zu laden, wobei auch hier die Gesundheit der Ladepunkte berücksichtigt wird.
Zusammenfassend lässt sich sagen, dass die Arbeit von Lu Yang, Liu Niexuan und Huang Hongye einen signifikanten Beitrag zur Entwicklung einer nachhaltigen und resilienten Ladeinfrastruktur leistet. Sie verlagert den Fokus von der reinen Verfügbarkeit hin zu einer ganzheitlichen Betrachtung der Gesundheit der Infrastruktur selbst. In einer Zeit, in der die Zahl der Elektrofahrzeuge rasant zunimmt, ist es entscheidend, dass die Technologie, die sie unterstützt, ebenso robust und langlebig ist. Diese Strategie zeigt, dass Intelligenz in der Ladeplanung nicht nur bedeutet, wie schnell ein Fahrzeug geladen wird, sondern auch, wie schonend dieser Prozess für die gesamte Infrastruktur abläuft. Sie legt den Grundstein für ein neues Zeitalter der intelligenten und effizienten E-Mobilität.
Lu Yang, Liu Niexuan, Huang Hongye, State Grid Electric Power Research Institute, NARI Group Corporation, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.09