Intelligente Ladesysteme optimieren E-Mobilität in Echtzeit
Die rasante Entwicklung der Elektromobilität bringt neue Herausforderungen mit sich, insbesondere im Bereich der Ladeinfrastruktur und der Effizienz des Nutzererlebnisses. Ein bahnbrechendes Forschungsprojekt unter der Leitung von Yuan Xiaodong vom Electric Power Research Institute des State Grid Jiangsu Electric Power Co., Ltd. hat nun ein innovatives Modell vorgestellt, das die Interaktion zwischen Fahrzeugen und Ladesystemen revolutionieren könnte. Zusammen mit den Kollegen Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun und Long Huan hat das Team ein aktives Ladeleitsystem entwickelt, das auf dem Internet der Fahrzeuge (IoV) basiert und die Reise- und Ladeeffizienz für Elektrofahrzeugbesitzer erheblich verbessert. Die Studie wurde am 10. April 2024 im renommierten Fachjournal Automation of Electric Power Systems veröffentlicht und stellt einen wichtigen Schritt vorwärts in der Gestaltung smarter Mobilitätslösungen dar.
Das Herzstück des vorgeschlagenen Modells liegt in der Kombination fortschrittlicher Routenplanungsalgorithmen und Warteschlangentheorie, die speziell auf die dynamischen Gegebenheiten urbaner Verkehrssituationen und die unvorhersehbaren Muster des Ladeverhaltens von Elektrofahrzeugen zugeschnitten ist. Ein verbesserter A*-Algorithmus zur Routenplanung berücksichtigt Echtzeitverkehrsdaten, einschließlich der Wartezeiten an Ampeln und der Vermeidung unnötiger Umwege. Dies ermöglicht eine kontinuierliche Aktualisierung der räumlich-zeitlichen Zustandsmatrix des Straßennetzes, wodurch die empfohlenen Routen stets an die aktuellen Bedingungen angepasst sind. Die Ergebnisse einer Fallstudie im Zentrum von Nanjing, China, zeigen eine signifikante Reduzierung der Fahrzeit, was die Effektivität des Ansatzes unterstreicht.
Eine der zentralen Innovationen dieser Studie ist der Einsatz eines Deep-Belief-Netzwerks (DBN) zur Vorhersage der kurzfristigen Ankunftsrate von Elektrofahrzeugen an Ladestationen. Diese Vorhersagefähigkeit ist entscheidend für die effektive Verwaltung der oft unvorhersehbaren Nachfrage nach Ladeservices. Durch die genaue Prognose der Anzahl der Fahrzeuge, die an einer bestimmten Station erwartet werden, kann das System Ressourcen besser zuweisen und Wartezeiten minimieren. Das DBN-Modell wurde mit historischen Daten trainiert, darunter Fahrzeugankunftsverhalten, Tageszeit, Wetterbedingungen, Umgebungstemperatur, Wochentyp (Werktag oder Feiertag) und Verkehrsstatus. Die Eingabedaten wurden durch Vektorisierung und Normalisierung verarbeitet, und das Modell wurde mit mehreren beschränkten Boltzmann-Maschinen (RBMs) und einer voll verbundenen Schicht konzipiert, was sowohl ein unüberwachtes Pre-Training als auch ein überwachtes Feintuning ermöglicht.
Die Wirksamkeit des DBN-Modells wurde gegen andere gängige maschinelle Lernalgorithmen wie Random Forest (RF), Support Vector Machine (SVM) und Decision Tree (DT) evaluiert. Die Ergebnisse zeigten, dass das DBN-Modell diese Alternativen hinsichtlich des mittleren absoluten Fehlers (MAE) und der Quadratwurzel des mittleren quadratischen Fehlers (RMSE) übertraf, was seine überlegene Fähigkeit belegt, die komplexen Zusammenhänge zwischen den Eingabefunktionen und den Fahrzeugankunftsquoten zu erfassen. Diese hohe Genauigkeit in der Vorhersage ist entscheidend für die nachfolgenden Schritte im Prozess der aktiven Ladeanleitung.
Nachdem die Ankunftsquoten vorhergesagt wurden, folgt der nächste Schritt: die Schätzung der Wartezeit an der Ladestation. Dazu verwendeten die Forscher das M/G/k-Warteschlangenmodell, das besonders gut für Szenarien geeignet ist, in denen die Servicezeiten nicht exponentiell verteilt sind. Im Kontext des Elektrofahrzeugladens entspricht die Servicezeit der Dauer des Ladevorgangs, die je nach Batteriezustand, Ladertyp und spezifischem Fahrzeug erheblich variieren kann. Das M/G/k-Modell berücksichtigt die Anzahl der Ladeplätze (k), die Ankunftsrate (λ) und die Verteilung der Servicezeiten, wodurch eine realistischere Darstellung des Warteschlangensystems ermöglicht wird.
Um das M/G/k-Modell zu validieren, analysierten die Forscher die Ladedauerdaten von fünf verschiedenen Ladestationen im Zentrum von Nanjing. Die Daten, die über einen Zeitraum von 6:00 Uhr bis 21:00 Uhr gesammelt wurden, wurden in 20-Minuten-Intervalle unterteilt, was zu 45 Datensätzen pro Tag für jede Station führte. Mithilfe des Kolmogorov-Smirnov-Tests (K-S-Test) bestätigten die Forscher, dass die Ankunft von Fahrzeugen an den Ladestationen einer Poisson-Verteilung folgt, eine gängige Annahme in der Warteschlangentheorie. Dieses Ergebnis stützt die Verwendung des M/G/k-Modells, da es annimmt, dass die Zwischenankunftszeiten exponentiell verteilt sind, was eine Eigenschaft des Poisson-Prozesses ist.
Die Ladedauern hingegen erwiesen sich als komplexer. Anstatt einer einfachen exponentiellen, normalen oder Gammaverteilung wurden die Daten am besten durch eine Mischung von Gaußschen Verteilungen beschrieben. Dieses Mischmodell, dargestellt durch die Gleichung ( T{ch} = sum{i=1}^{N_G} a_i N(mu_i, sigmai^2) ), wobei ( T{ch} ) die Ladedauer, ( N_G ) die Anzahl der Gaußschen Komponenten, ( a_i ) das Gewicht der i-ten Komponente und ( N(mu_i, sigma_i^2) ) eine Standard-Gauß-Verteilung mit Mittelwert ( mu_i ) und Varianz ( sigma_i^2 ) ist, bietet eine genauere Anpassung an die beobachteten Daten. Die optimale Anzahl der Gaußschen Komponenten wurde mit dem Bayesschen Informationskriterium (BIC) bestimmt, wobei das Modell mit dem niedrigsten BIC-Wert ausgewählt wurde. Diese detaillierte Charakterisierung der Ladedauerverteilung ist entscheidend für die genaue Vorhersage der Wartezeiten.
Mit den Ankunftsquoten und Servicezeitverteilungen an Ort und Stelle verwendeten die Forscher die Monte-Carlo-Stichprobe (MC), um den Warteschlangenprozess an den Ladestationen zu simulieren. Die Simulation beinhaltete die Erstellung von k Warteschlangen, eine für jeden Ladeplatz, und deren Initialisierung basierend auf dem aktuellen Status der Ladegeräte (z. B. verbleibende Ladezeit). Zukünftige Fahrzeugankünfte und ihre entsprechenden Ladedauern wurden dann aus den vorhergesagten Verteilungen entnommen, und der Warteschlangenprozess wurde über die geschätzte Fahrzeit simuliert. Die durchschnittliche Wartezeit, nach mehreren Iterationen berechnet, wurde als vorhergesagte Wartezeit für die Ziel-Ladestation verwendet.
Das aktive Ladeleitsystem wurde in einer umfassenden Fallstudie getestet, an der 900 Elektrofahrzeuge mit Ladebedarf teilnahmen, die zufällig im Zentrum von Nanjing generiert wurden. Die Leistung des vorgeschlagenen Modells wurde gegen einen statischen Routenplanungsalgorithmus verglichen, der Fahrzeuge einfach zur nächstgelegenen Ladestation leitet. Die Ergebnisse waren beeindruckend: Das aktive Leitsystem reduzierte die Gesamtfahrzeit um 18,49 %, die Gesamtwartezeit um 31,67 % und die gesamte Ladezeit (die Summe aus Fahr- und Wartezeit) um 27,27 %. Diese Verbesserungen sind nicht nur signifikant, sondern unterstreichen auch die praktischen Vorteile des Modells in realen Szenarien.
Weitere Analysen ergaben, dass das aktive Ladeleitsystem auch zu einer ausgewogeneren Nutzung der Ladeinfrastruktur führte. Im statischen Szenario wurden bestimmte Ladestationen, insbesondere die in besser zugänglichen Lagen, stark überlastet, was zu langen Wartezeiten und einer Unterutilisierung anderer Stationen führte. Im Gegensatz dazu verteilte das aktive Leitsystem die Ladeanforderungen effektiv über das Netzwerk, reduzierte die Spitzenlast an jeder einzelnen Station und verbesserte die Gesamteffizienz des Systems. Um 15:00 Uhr stieg beispielsweise die durchschnittliche Auslastungsrate der Ladestationen von 69,50 % auf 89,47 %, eine erhebliche Verbesserung, die die Fähigkeit des Modells unterstreicht, die Ressourcen optimal zu nutzen.
Der Erfolg des aktiven Ladeleitsystems ist ein Beleg für die Kraft der Integration fortschrittlicher Rechentechniken mit Echtzeitdaten. Der verbesserte A*-Algorithmus, der dynamische Verkehrsbedingungen und Ampelverzögerungen berücksichtigt, stellt sicher, dass die empfohlenen Routen immer die effizientesten sind. Das DBN-Modell, mit seiner Fähigkeit, Fahrzeugankunftsquoten vorherzusagen, bietet eine robuste Grundlage für die Verwaltung der Ladeanforderungen. Und das M/G/k-Warteschlangenmodell, verbessert durch die Verwendung einer Mischung von Gaußschen Verteilungen, bietet eine realistische und genaue Vorhersage der Wartezeiten.
Die Implikationen dieser Forschung gehen über die unmittelbaren Vorteile für einzelne Elektrofahrzeugbesitzer hinaus. Durch die Reduzierung von Fahr- und Wartezeiten kann das Modell dazu beitragen, den Verkehrsstau zu verringern und die Gesamteffizienz des städtischen Verkehrssystems zu verbessern. Es kann auch zur Stabilität und Zuverlässigkeit des Stromnetzes beitragen, da vorhersehbarere und gleichmäßigere Lademuster das Risiko einer Überlastung verringern. Darüber hinaus kann die Fähigkeit des Modells, die Last über das Ladestationsnetzwerk zu verteilen, zu Kosteneinsparungen für Betreiber und Nutzer führen, da teure Infrastruktur-Upgrades vermieden und die Zeit, die mit dem Warten auf einen Ladeplatz verbracht wird, minimiert werden.
Die Studie hebt auch die Bedeutung der Berücksichtigung der Nutzerperspektive bei der Gestaltung intelligenter Mobilitätslösungen hervor. Indem das Modell darauf abzielt, die Gesamtzeitkosten, die sowohl Fahr- als auch Wartezeiten umfassen, zu minimieren, orientiert es sich an der primären Sorge von Elektrofahrzeugbesitzern: Bequemlichkeit und Effizienz. Dieser nutzerzentrierte Ansatz ist ein entscheidender Faktor für den Erfolg des Modells und setzt einen Präzedenzfall für zukünftige Forschungen in diesem Bereich.
Trotz der erheblichen Erfolge räumen die Forscher ein, dass es noch Verbesserungspotenzial gibt. Zum Beispiel berücksichtigt das aktuelle Modell den Einfluss von Preisen auf die Wahl der Ladestation durch den Nutzer nicht vollständig. In Zukunft könnte die Einbeziehung von Preisfaktoren und die Verwendung von Algorithmen des tiefen Verstärkungslernens die Leistung des Modells weiter verbessern. Außerdem könnte das Modell erweitert werden, um die optimale Zuweisung von Laderessourcen zu berücksichtigen, wobei die Bedürfnisse des Systems mit den Präferenzen der Nutzer abgewogen werden.
Die Arbeit von Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun und Long Huan stellt einen bedeutenden Schritt nach vorn in der Entwicklung intelligenter Ladelösungen dar. Ihr aktives Ladeleitsystem, veröffentlicht in Automation of Electric Power Systems, demonstriert das Potenzial der Integration fortschrittlicher Rechenmethoden mit Echtzeitdaten, um effizientere und nutzerfreundlichere Ladeerfahrungen für Elektrofahrzeuge zu schaffen. Während die Akzeptanz von Elektrofahrzeugen weiter zunimmt, werden solche Innovationen entscheidend dafür sein, dass der Übergang zu einem nachhaltigen Verkehrssystem reibungslos und effektiv verläuft.
Die Forschung wurde vom Nationalen Schlüssel-Forschungs- und Entwicklungsprogramm Chinas (Nr. 2021YFB2501600) unterstützt, was die Bedeutung der staatlichen Unterstützung bei der Förderung technologischer Fortschritte unterstreicht. Die Studie trägt nicht nur zur akademischen Literatur bei, sondern hat auch praktische Anwendungen, die eine breite Palette von Interessengruppen, von Elektrofahrzeugbesitzern über Stadtplaner bis hin zu Energieversorgungsunternehmen, nutzen können. Während die Welt auf eine nachhaltigere und vernetzte Zukunft zusteuert, werden die Erkenntnisse und Methoden, die in diesem Artikel präsentiert werden, zweifellos eine wichtige Rolle bei der Gestaltung der nächsten Generation intelligenter Mobilitätslösungen spielen.
Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun, Long Huan, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230730001