Intelligente Planung von Lade- und Wechselstationen steigert Effizienz und Kundenzufriedenheit
Im Zuge des globalen Vorstoßes hin zu nachhaltiger Mobilität sind Elektrofahrzeuge nicht länger ein Nischensegment, sondern eine zentrale Säule der zukünftigen Verkehrslandschaft. Mit steigenden Zulassungszahlen und längeren Fahrstrecken ist die Nachfrage nach zuverlässiger, effizienter und benutzerfreundlicher Ladeinfrastruktur – insbesondere entlang wichtiger Verkehrskorridore – zu einer kritischen Herausforderung geworden. Eine bahnbrechende Studie der North China Electric Power University stellt nun eine neuartige Planungsmethodik vor, die Nutzerverhaltenssimulationen zur Optimierung des Einsatzes von Lade- und Batteriewechselstationen in Autobahnraststätten nutzt. Die von Hu Junjie, Li Ruzhou und Liu Xuetao geleitete Forschung bietet eine umfassende Lösung, die wirtschaftliche Machbarkeit, Kundenzufriedenheit und Netzstabilität in Einklang bringt.
In der Fachzeitschrift Power System Technology veröffentlicht, präsentiert die Studie einen zukunftsorientierten Ansatz zur Infrastrukturplanung, der über traditionelle Modelle hinausgeht, die sich ausschließlich auf Gerätekapazität oder Verkehrsaufkommen konzentrieren. Stattdessen integriert sie reale Entscheidungsdynamiken von Nutzern und erkennt an, dass E-Fahrer keine passiven Konsumenten, sondern aktive Akteure sind, deren Wahl von Kosten, Zeit und Bequemlichkeit beeinflusst wird. Durch die Simulation, wie Fahrer unter verschiedenen Bedingungen zwischen Laden und Batteriewechsel entscheiden, haben die Forscher ein Modell entwickelt, das die Nachfrage genauer vorhersagt und intelligentere Investitionsentscheidungen ermöglicht.
Die Motivation hinter dieser Arbeit ist klar: Mit dem Wachstum der E-Fahrzeug-Bestände wächst auch die Belastung der vorhandenen Infrastruktur. Autobahnraststätten, einst einfache Rastplätze, werden heute als Hochdurchsatz-Energiezentren erwartet. Überinvestitionen führen jedoch zu verschwendetem Kapital, während Unterinvestitionen lange Warteschlangen, frustrierte Nutzer und potenzielle Netzinstabilitäten zur Folge haben. Die Lösung liege nicht im Bau weiterer Stationen, argumentiert das Team, sondern im Bau intelligenterer Stationen – Stationen, die widerspiegeln, wie Menschen sich tatsächlich verhalten.
Im Herzen der Studie steht ein Verhaltensmodell, das auf der Nutzenmaximierungstheorie basiert. Dieser Rahmen geht davon aus, dass Nutzer Entscheidungen treffen, um ihren persönlichen Nutzen zu maximieren, und dabei Faktoren wie Wartezeit, Stromkosten und Servicegebühren abwägen. Im Gegensatz zu früheren Modellen, die Nutzerpräferenzen als statisch oder willkürlich zugewiesen behandeln, erfasst dieser neue Ansatz das dynamische Wechselspiel zwischen individuellen Entscheidungen und Systemleistung. Wenn ein Fahrer beispielsweise einen Rastbereich erreicht, hängt seine Entscheidung zum Laden oder Wechseln nicht nur von den aktuellen Preisen, sondern auch von der Echtzeit-Verfügbarkeit von Ladegeräten und vollständig geladenen Batterien ab. Eine lange Schlange an der Ladestation könnte einen Nutzer zum Wechseln drängen, selbst wenn dies teurer ist – vorausgesetzt, eine Ersatzbatterie ist verfügbar.
Was dieses Modell auszeichnet, ist seine Fähigkeit, die Auswirkungen jeder Entscheidung zu simulieren. Die Wahl eines Nutzers beeinflusst den Systemzustand, was wiederum die Optionen des nächsten Nutzers beeinflusst. Diese Kopplung von Entscheidungen über die Zeit führt ein Maß an Realismus ein, das in Infrastrukturplanungsstudien selten zu sehen ist. Die Forscher berücksichtigen auch die zeitlich variierende Natur des Warteschlangenmanagements und erkennen an, dass die Wartezeiten im Laufe des Tages basierend auf Verkehrsmustern und Servicegeschwindigkeiten schwanken.
Um dieses Modell zu operationalisieren, beginnt das Team mit der Verkehrsflussprognose. Da vielen Raststätten Echtzeit-Fahrzeugüberwachungssysteme fehlen, verwenden sie eine Vier-Stufen-Methode in Kombination mit dem Dijkstra-Algorithmus, um den Elektrofahrzeugfluss zu schätzen. Ausgehend von historischen Mautstellendaten projizieren sie zukünftige Verkehrsaufkommen unter erwarteten Wachstumsraten, die mit dem regionalen BIP verbunden sind. Mithilfe von Kürzeste-Wege-Analysen identifizieren sie, welche Ursprungs-Ziel-Paare den Zielrastbereich durchqueren, was es ermöglicht, regionale Verkehrsdaten in lokale Ankunftsmuster von E-Fahrzeugen umzuwandeln.
Sobald das Ankunftsprofil established ist, beginnt die Simulation. Jedem virtuellen E-Fahrzeugfahrer werden Attribute wie Batterieladezustand (SOC), Zielort und Bereitschaft zur Nutzung des Rastbereichs zugewiesen. Fahrer mit niedrigem SOC werden als potenzielle Nutzer von Lade- oder Wechseldiensten gekennzeichnet. Unter ihnen haben nur diejenigen eine Wahl, die Fahrzeuge mit Batteriewechselkompatibilität fahren; andere standardmäßig zum Laden. Für duale Fahrzeuge wird die Entscheidung probabilistisch auf Basis des Nutzens getroffen, der aus jeder Option abgeleitet wird.
Die Nutzenberechnung umfasst sowohl monetäre als auch zeitliche Kosten. Die Wartezeit wird mit einem festen Satz pro Stunde bewertet – was die Opportunitätskosten der Verzögerung widerspiegelt – während Strom- und Servicegebühren aus zeitvariablen Tarifschemata stammen. Das Modell enthält auch zufällige Nutzenkomponenten, um nicht beobachtete Präferenzen zu erfassen und sicherzustellen, dass nicht alle Nutzer unter denselben Bedingungen identisch handeln.
Entscheidend ist, dass die Simulation über vollständige 24-Stunden-Zyklen läuft, die sowohl Werktage als auch Feiertage repräsentieren, wobei anerkannt wird, dass sich die Nachfragemuster zwischen diesen Perioden erheblich unterscheiden. Feiertagsverkehr tendiert beispielsweise dazu, stärker und konzentrierter zu sein, was zu Spitzenlasten führt, die unterdimensionierte Systeme überfordern können. Durch die Modellierung beider Szenarien können Planer Infrastrukturen entwerfen, die das ganze Jahr über gut funktionieren, nicht nur an Durchschnittstagen.
Nach der Simulation des Nutzerverhaltens folgt als nächster Schritt die Optimierung. Die Forscher formulieren ein multikriterielles Planungsproblem, das darauf abzielt, zwei Schlüsselmetriken zu minimieren: die jährlichen Nutzerkosten und die jährlichen Stationskosten. Ersteres umfasst den gewichteten Durchschnitt der Lade- und Wechselkosten aller Nutzer, während letzteres Kapitalinvestitionen, Betriebs- und Wartungskosten sowie Netzanschlussgebühren umfasst. Randbedingungen stellen sicher, dass die Gerätequantitäten innerhalb machbarer Grenzen bleiben, die Transformator kapazität nicht überschritten wird und die Wartezeiten unter akzeptablen Schwellenwerten bleiben.
Die Lösung dieses multikriteriellen Problems erfordert fortgeschrittene Algorithmen. Das Team setzt NSGA-II ein, einen genetischen Algorithmus, der für seine Fähigkeit bekannt ist, eine Pareto-Front optimaler Lösungen zu generieren – Sets von Kompromissen, bei denen die Verbesserung eines Ziels ein anderes verschlechtern würde. Aus dieser Front können Entscheidungsträger eine Lösung basierend auf ihren Prioritäten auswählen, sei es die Minimierung der Nutzerkosten, die Reduzierung der Kapitalausgaben oder der Ausgleich beider.
Um ihren Ansatz zu validieren, wandten die Forscher ihn auf eine reale Fallstudie an, die auf einem vereinfachten Abschnitt des chinesischen Autobahnnetzes basiert, mit sieben Mautstationen und fünf Anschlussstellen. Nach der Projektion der Verkehrsniveaus für 2035 und Anwendung einer E-Fahrzeug-Durchdringungsrate von 53,49 % fanden sie heraus, dass der Rastbereich an Werktagen etwa 3.735 Fahrzeuge pro Tag verzeichnen würde, an Feiertagen auf über 7.000 steigend. Unter der Annahme einer 30%igen Einfahrtsrate in den Rastbereich bedeutet dies hunderte täglicher E-Fahrzeug-Stopps, die Energieauffrischung erfordern.
Vier Planungsszenarien wurden verglichen. Das erste beinhaltete nur Ladestationen ohne Wechseloption. Das zweite und dritte nahmen feste Anteile von Nutzern an, die sich für den Wechsel entscheiden – 70 % bzw. 20 % – ohne tatsächliches Verhalten zu modellieren. Das vierte und anspruchsvollste verwendete die vollständige Verhaltenssimulation.
Die Ergebnisse waren frappierend. Bei konstanten jährlichen Stationskosten erzielte das Szenario mit simuliertem Nutzerverhalten die niedrigsten Nutzerkosten – etwa 2 % niedriger als die vereinfachten Modelle und 4 % niedriger als die reine Ladeoption. Umgekehrt erforderte der simulierte Verhaltensansatz bei festen Nutzerkosten 14 % weniger Investitionen als das reine Lademodell, was überlegene wirtschaftliche Effizienz demonstrierte.
Darüber hinaus verbesserte das optimierte Design signifikant die Netzleistung. Während Feiertagsspitzen reduzierte das kombinierte Lade- und Wechselsystem die Spitzenlast um bis zu 15 % im Vergleich zu einem reinen Ladeaufbau. Dieser „Lastverschiebungseffekt“ tritt auf, weil Wechseln es Nutzern ermöglicht, lange Ladeschlangen zu umgehen, effectively einen Teil der Nachfrage vom Stromnetz auf den vorgeladenen Batteriebestand der Station verlagert. Dies verbessert nicht nur das Nutzererlebnis, sondern reduziert auch den Stress auf lokale Transformatoren und Verteilnetze.
Die Studie enthüllte auch wichtige Einblicke in das Nutzerverhalten. An Werktagen, wenn der Verkehr leichter und die Schlangen kürzer sind, dominieren tendenziell Kosten die Entscheidungsfindung. Viele Nutzer entscheiden sich für das Laden während Nebenzeiten, wenn die Strompreise niedrig sind, selbst wenn Wechseln schneller ist. An Feiertagen jedoch wird Zeit zu einem kritischeren Faktor. Da Ladestationen oft überfüllt sind, sind Nutzer eher bereit, einen Aufpreis für die Geschwindigkeit und Bequemlichkeit des Wechselns zu zahlen, was zu einer höheren Wechselakzeptanzrate führt – 54,4 % im Vergleich zu 37,7 % an Werktagen.
Die Forscher untersuchten weiter, wie Änderungen in der Preisgestaltung und Fahrzeugkompatibilität die Ergebnisse beeinflussen. Wenn die Gewichtung der Kosten im Entscheidungsmodell erhöht wurde, wechselten mehr Nutzer vom Wechseln zum Laden, was bestätigt, dass Preissensibilität eine große Rolle spielt. Noch aussagekräftiger war die Auswirkung der Fahrzeugkompatibilität: Als der Anteil der wechselfähigen E-Fahrzeuge von 25 % auf 100 % stieg, erhöhte sich die Anzahl der Wechseltransaktionen stetig, was auf eine starke latente Nachfrage nach diesem Service bei Verfügbarkeit hindeutet.
Diese Erkenntnisse haben bedeutende Implikationen für politische Entscheidungsträger und Infrastrukturentwickler. Erstens unterstreichen sie die Bedeutung der gemeinsamen Platzierung von Lade- und Wechseleinrichtungen. Während das Laden aufgrund seiner geringeren Infrastrukturkosten und breiteren Fahrzeugkompatibilität wahrscheinlich der dominante Modus bleiben wird, bietet Wechseln einen wertvollen komplementären Service, der Spitzennachfrage absorbieren und die overall Systemresilienz verbessern kann.
Zweitens hebt die Studie die Risiken übermäßig vereinfachter Planungsannahmen hervor. Modelle, die von festem Nutzerverhalten ausgehen oder zeitliche Schwankungen der Nachfrage ignorieren, können zu suboptimalen Designs führen – entweder überbaute Stationen mit Leerlaufkapazität oder unterbaute, die in Spitzenperioden versagen. Durch die Einbeziehung verhaltensbezogener Realität können Planer diese Fallstricke vermeiden und mit weniger Ressourcen bessere Ergebnisse erzielen.
Drittens unterstützt die Forschung den Fall für dynamische Preisstrategien. Da Nutzerentscheidungen kostensensitiv sind, können zeitbasierte Tarife verwendet werden, um das Verhalten zu beeinflussen und die Nachfrage zu glätten. Beispielsweise könnte die Senkung der Wechselservicegebühren während Spitzenzeiten mehr Nutzer dazu ermutigen, die Modi zu wechseln und so die Überlastung an Ladepunkten zu reduzieren.
Schließlich weist die Arbeit auf die Notwendigkeit größerer Standardisierung in Batteriedesign und Wechselprotokollen hin. Das Modell geht davon aus, dass alle wechselfähigen Fahrzeuge den gleichen Batterietyp verwenden, was derzeit nur für Flotten innerhalb einer einzelnen Marke oder eines Betreibers zutrifft. Damit Wechseln sein volles Potenzial erreicht, wird branchenweite Kompatibilität unerlässlich sein.
In Aussicht stellen die Autoren fest, dass sich ihr aktuelles Modell auf einen einzelnen Rastbereich konzentriert. Zukünftige Arbeit wird den Rahmen auf netzwerkweite Planung ausdehnen, die Platzierung und Dimensionierung mehrerer Stationen entlang eines Autobahnkorridors optimieren. Dies könnte koordiniertes Lastmanagement ermöglichen, bei dem Stationen mit überschüssiger Kapazität those unter Belastung ausgleichen, was die Systemeffizienz weiter verbessert.
Zusammenfassend repräsentiert die Forschung von Hu Junjie, Li Ruzhou und Liu Xuetao einen bedeutenden Fortschritt auf dem Gebiet der E-Infrastrukturplanung. Indem sie Nutzerverhalten in den Mittelpunkt des Designprozesses stellen, haben sie eine Methodik entwickelt, die nicht nur genauer, sondern auch menschlicher ist – anerkennend, dass Technologie Menschen dienen sollte, nicht umgekehrt. Während die Welt zur elektrischen Mobilität übergeht, werden solche nutzerzentrierten Ansätze entscheidend sein, um ein Lade netzwerk aufzubauen, das nicht nur funktional, sondern wirklich nachhaltig ist.
Hu Junjie, Li Ruzhou, Liu Xuetao, North China Electric Power University, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2024.0201