Neue KI-Modelle revolutionieren Prognose von E-Auto-Ladevorgängen
Die globale Automobilindustrie befindet sich in einem tiefgreifenden Wandel. Während die Nachfrage nach Elektrofahrzeugen (EVs) rasant ansteigt, rücken die damit verbundenen Herausforderungen für die Energieinfrastruktur immer stärker in den Fokus. Ein zentrales Problem ist die präzise Vorhersage der Stromnachfrage, die durch große Ladestationen entsteht. Diese Last ist nicht nur beträchtlich, sondern auch hochgradig variabel, was die Stabilität und Effizienz der Stromnetze gefährden kann. Eine bahnbrechende Studie, die kürzlich im renommierten Fachjournal Southern Power System Technology veröffentlicht wurde, bietet nun eine vielversprechende Lösung. Das Forscherteam um Wang Changchun von der Lanzhou Jiao Tong University und Wang Guo, Zhao Qianyu sowie Wang Shouxiang von der Tianjin University stellt ein neuartiges Vorhersagemodell vor, das die Genauigkeit der Lastprognose für E-Auto-Ladestationen signifikant verbessert.
Das Modell, ein hybrides System aus Long Short-Term Memory (LSTM) Netzwerken und Support Vector Regression (SVR), überzeugt durch eine ganzheitliche Herangehensweise. Im Gegensatz zu vielen bestehenden Ansätzen, die sich auf historische Lastdaten und Wetterinformationen konzentrieren, integriert dieses Modell zwei entscheidende, bisher oft vernachlässigte Faktoren: die Nutzungsauslastung der Ladestationen und die zeitabhängigen Stromtarife. Diese Kombination aus technologischer Innovation und einem tiefen Verständnis des Nutzerverhaltens markiert einen bedeutenden Fortschritt im Bereich der intelligenten Energienetze.
Die Komplexität der Elektromobilitätslast
Die Elektromobilität ist längst keine Zukunftsvision mehr, sondern eine wachsende Realität auf unseren Straßen. Die steigende Zahl an Elektrofahrzeugen stellt jedoch die traditionellen Stromnetze vor enorme Herausforderungen. Im Gegensatz zu einer gleichmäßigen Last, wie sie durch Haushaltsgeräte verursacht wird, ist die Nachfrage durch E-Autos oft in kurzen, intensiven Spitzen konzentriert, besonders in den Abendstunden, wenn die Fahrzeuge nach der täglichen Nutzung an die Steckdose kommen. Eine einzelne große Ladestation mit einer Leistung von mehreren Megawatt kann innerhalb weniger Minuten eine Last erzeugen, die dem gleichzeitigen Verbrauch hunderter Haushalte entspricht.
Diese plötzlichen Lastspitzen können zu lokalen Überlastungen im Verteilnetz führen, was wiederum die Netzstabilität gefährdet und zu teuren Investitionen in Netzausbau führen kann. Eine präzise kurzfristige Lastprognose ist daher nicht nur für die Netzbetreiber, sondern auch für die Betreiber von Ladestationen und letztlich für die gesamte Wirtschaftlichkeit der Elektromobilität von entscheidender Bedeutung. Für Netzbetreiber ermöglicht eine genaue Prognose eine effizientere Planung der Erzeugung, die Integration erneuerbarer Energien und die Vermeidung von Engpässen. Für Betreiber von Ladestationen ist sie die Grundlage für ein optimiertes Energiemanagement, insbesondere wenn sie von zeitabhängigen Tarifen profitieren können.
Trotz ihrer offensichtlichen Wichtigkeit ist die Prognose der Ladevorgänge nach wie vor eine komplexe Aufgabe. Traditionelle statistische Modelle stoßen an ihre Grenzen, da sie die nichtlinearen und oft irrationalen Muster des menschlichen Verhaltens nicht adäquat erfassen können. Klassische Maschinenlernalgorithmen wie Support Vector Machines oder Random Forests bieten zwar bessere Ergebnisse, zeigen aber Schwächen bei der Verarbeitung zeitlicher Abhängigkeiten. Tiefere neuronale Netzwerke, insbesondere LSTM-Netzwerke, haben sich hier als vielversprechend erwiesen, da sie in der Lage sind, langfristige Zusammenhänge in Zeitreihen zu lernen.
Die entscheidenden Faktoren: Auslastung und Preisgestaltung
Die zentrale Innovation der vorliegenden Studie liegt in der konsequenten Berücksichtigung zweier Schlüsselfaktoren, die das Ladeverhalten direkt beeinflussen: die zeitabhängige Strompreisgestaltung (Time-of-Use, TOU) und die Auslastungsrate der Ladestationen.
Die zeitabhängige Strompreisgestaltung ist ein wirtschaftliches Instrument, das Verbraucher dazu anregen soll, ihren Stromverbrauch in Zeiten mit geringer Nachfrage zu verlegen. In dem untersuchten Gebiet in der Provinz Shandong, China, unterteilt sich der Tag in mehrere Tarifzeiten. Die höchsten Preise gelten in der Hauptlastzeit von 17:00 bis 21:59 Uhr, gefolgt von einem mittleren Tarif in den frühen Morgen- und späten Abendstunden. Die günstigsten Preise finden sich in der Mittagszeit und am frühen Nachmittag. Die Preisdifferenz zwischen Spitzen- und Nebenlastzeiten ist erheblich, was einen starken wirtschaftlichen Anreiz für die Nutzer darstellt, ihre Fahrzeuge nicht zu den teuersten Stunden zu laden.
Die Forscher haben durch eine detaillierte Korrelationsanalyse nachgewiesen, dass zwischen dem Strompreis und der Ladeleistung eine starke negative Korrelation besteht. Wenn die Preise steigen, sinkt die Nachfrage nach Ladevorgängen, und umgekehrt. Ein Modell, das diesen entscheidenden wirtschaftlichen Anreiz ignoriert, liefert zwangsläufig eine verzerrte und ungenaue Prognose. Es ist vergleichbar mit einem Verkehrssystem, das ohne Berücksichtigung der Ampelschaltungen geplant wird.
Der zweite entscheidende Faktor ist die Auslastungsrate der Ladestation. Diese Kennzahl gibt an, wie viele der verfügbaren Ladepunkte zu einem bestimmten Zeitpunkt tatsächlich genutzt werden. Eine hohe Auslastung signalisiert den Nutzern, dass die Station überlastet ist und möglicherweise lange Wartezeiten entstehen. Dies kann dazu führen, dass potenzielle Nutzer entweder zu einem späteren Zeitpunkt kommen oder eine alternative Station aufsuchen. Umgekehrt kann eine niedrige Auslastung als Signal für kurze Wartezeiten und hohe Verfügbarkeit wirken und zusätzliche Nutzer anziehen. Die Studie zeigt, dass die Auslastungsrate die stärkste positive Korrelation mit der tatsächlichen Ladeleistung aufweist, sogar stärker als Faktoren wie die Außentemperatur, die oft als wichtigster Einflussfaktor für die Reichweite von E-Autos angesehen wird.
Durch die Integration dieser beiden Variablen – des wirtschaftlichen Anreizes (Preis) und des operativen Status (Auslastung) – schafft das Modell ein realistischeres und dynamischeres Bild des Ladeverhaltens. Es geht damit über eine reine Beobachtung historischer Daten hinaus und versucht, die zugrunde liegenden Motive des Nutzerverhaltens zu verstehen.
Ein hybrides Modell für maximale Genauigkeit
Um das volle Potenzial dieser neuen Eingangsvariablen auszuschöpfen, haben die Forscher ein mehrstufiges, hochkomplexes Vorhersagesystem entwickelt. Der Prozess beginnt mit der Datensammlung und -vorverarbeitung. Die Grundlage bildet reale Daten einer großen Ladestation, die über einen Zeitraum von zwei Monaten in 15-Minuten-Intervallen erhoben wurden. Diese Daten umfassen die historische Ladeleistung, die aktuelle Auslastungsrate, die zeitabhängigen Stromtarife und umfassende meteorologische Informationen wie Temperatur, Luftfeuchtigkeit und Windgeschwindigkeit.
Die folgende Phase ist die Merkmalsextraktion und -auswahl. Die Forscher erkannten, dass die Rohdaten, insbesondere die Zeitreihen für Temperatur und Auslastung, oft nicht-stationär und von Rauschen geprägt sind, was die Leistung von Vorhersagemodellen beeinträchtigen kann. Um diesem Problem zu begegnen, wurde die Methode der „Complete Ensemble Empirical Mode Decomposition with Adaptive Noise“ (CEEMDAN) eingesetzt. CEEMDAN ist eine fortschrittliche Signalverarbeitungstechnik, die komplexe, nichtlineare Signale in eine Reihe von einfacheren, stabileren Komponenten, sogenannten intrinsischen Modusfunktionen (IMFs), zerlegt. Dieser Prozess erweitert den Merkmalsraum und macht versteckte Muster und Trends auf verschiedenen zeitlichen Skalen sichtbar.
Die Zerlegung erzeugt jedoch eine große Anzahl an neuen Merkmalen, von denen viele redundant oder irrelevant sein können. Um den Datensatz zu bereinigen und zu fokussieren, wurde eine kombinierte Korrelationskoeffizienten-Methode angewendet. Diese Methode berechnet einen Gesamtkorrelationswert, der die Ergebnisse des Pearson-, Spearman- und Kendall’s tau-b-Korrelationskoeffizienten kombiniert. Dadurch wird ein robusteres Maß für die Beziehung zwischen jedem einzelnen Merkmal und der Zielvariable (der Ladeleistung) erhalten. Merkmale mit einem geringen kombinierten Korrelationswert werden aussortiert, wodurch sichergestellt wird, dass das endgültige Modell nur mit den informativsten Daten trainiert wird.
Das Herzstück des Systems ist das hybride Vorhersagemodell, das LSTM und SVR kombiniert. Jeder dieser Algorithmen bringt spezifische Stärken mit sich. LSTM-Netzwerke sind speziell für die Verarbeitung von Sequenzdaten konzipiert und können langfristige Abhängigkeiten in Zeitreihen erkennen. Sie sind daher ideal, um Muster in der zeitlichen Entwicklung der Ladeleistung zu lernen. SVR hingegen ist ein leistungsstarker Algorithmus für Regressionsaufgaben, der besonders gut mit nichtlinearen Beziehungen und hochdimensionalen Daten umgehen kann. Er findet eine optimale Trennfläche in einem hochdimensionalen Raum, um die Vorhersage zu treffen.
Die Forscher erkannten, dass keines der beiden Modelle allein die beste Leistung erbringen würde. LSTM könnte Schwierigkeiten mit der nichtlinearen Komplexität haben, während SVR möglicherweise die zeitlichen Dynamiken nicht vollständig erfassen kann. Ihre Lösung war daher die Entwicklung eines gewichteten Ensemble-Modells. Beide Modelle – LSTM und SVR – werden zunächst unabhängig voneinander auf den vorverarbeiteten Daten trainiert. Die einzelnen Vorhersagen werden dann zu einem finalen Ergebnis kombiniert, wobei die Gewichtung dynamisch und intelligent erfolgt.
Das Gewichtungsschema ist adaptiv und basiert auf der Leistung der einzelnen Modelle. Zunächst werden die absoluten Fehler jedes Modells auf einem Validierungsdatensatz berechnet. Anschließend wird die relative Differenz zwischen diesen Fehlern analysiert. Wenn die Fehler beider Modelle nahe beieinander liegen, werden die Gewichte proportional zur jeweiligen Leistung verteilt. Wenn jedoch ein Modell signifikant besser abschneidet, erhält es ein viel höheres Gewicht, wodurch seine Vorhersage den Endwert stärker beeinflusst. Dieses intelligente Ensemble sorgt dafür, dass das endgültige Modell die Stärken beider Ansätze optimal nutzt und nicht einfach ein Mittel aus beiden ist.
Um die Leistung des Gesamtmodells weiter zu steigern, wurde der Northern Goshawk Optimization (NGO) Algorithmus eingesetzt. NGO ist ein naturinspirierter Optimierungsalgorithmus, der das Jagdverhalten des nördlichen Sperbers nachahmt. Er wurde verwendet, um die Hyperparameter beider Modelle – also Parameter, die vor dem Training festgelegt werden müssen, wie die Anzahl der Schichten in einem neuronalen Netzwerk oder die Größe des „Punishments“ in SVR – automatisch zu optimieren. Durch diesen automatisierten Suchprozess konnte die optimale Konfiguration gefunden werden, die die Vorhersagegenauigkeit maximiert, was manuelle oder zufällige Abstimmungsverfahren weit übertrifft.
Validierung und Ergebnisse: Ein klarer Vorsprung
Das vorgeschlagene Modell wurde anhand realer Daten einer großen Ladestation validiert. Die Forscher führten eine Reihe von Vergleichsexperimenten durch, um den Beitrag jedes einzelnen Bestandteils ihres Ansatzes zu isolieren. Sie verglichen Modelle mit und ohne die Berücksichtigung von TOU-Preisen und Auslastungsraten, mit und ohne den CEEMDAN-basierten Merkmalsauswahlprozess und mit verschiedenen Vorhersagealgorithmen (LSTM-SVR, reines LSTM, reines SVR, BP-Neuronales Netzwerk und Random Forest).
Die Ergebnisse waren überzeugend. Die alleinige Berücksichtigung von TOU-Preisen und Auslastungsraten führte zu einer Verbesserung der Vorhersagegenauigkeit um über 8 % gegenüber einem Baseline-Modell, das diese Faktoren ignorierte. Dies unterstreicht die entscheidende Bedeutung der Einbeziehung wirtschaftlicher und operativer Daten in die Lastprognose. Der CEEMDAN-basierte Prozess zur Merkmalsauswahl erwies sich ebenfalls als äußerst effektiv, da er Rauschen und Redundanz reduzierte und gleichzeitig den Merkmalsraum mit informationsträchtigen, mehrskaligen Daten anreicherte, was die Genauigkeit weiter steigerte.
Das hybride LSTM-SVR-Modell übertraf alle anderen Einzelmodelle. Es erreichte den niedrigsten Root Mean Square Error (RMSE) und den niedrigsten Mean Absolute Error (MAE), während der R-Quadrat-Wert (R²) am höchsten war, was auf eine hervorragende Anpassung an die realen Daten hindeutet. Die Boxplots der Vorhersagefehler zeigten, dass das LSTM-SVR-Modell die geringste Streuung und die wenigsten extremen Ausreißer aufwies, was seine Robustheit und Zuverlässigkeit unter Beweis stellt.
Eine der bedeutendsten Erkenntnisse war die Fähigkeit des Modells, Lastspitzen und -täler mit hoher Volatilität präzise vorherzusagen. An einem Tag mit ungewöhnlich starken Lastschwankungen konnte das LSTM-SVR-Modell diese Dynamik eng verfolgen, während andere Modelle erhebliche Abweichungen aufwiesen. Diese Fähigkeit ist für die praktische Anwendung von entscheidender Bedeutung, da unvorhergesehene Ereignisse zu plötzlichen Lastspitzen führen können.
Implikationen für die Zukunft der intelligenten Netze
Die Implikationen dieser Forschung reichen weit über eine einzelne Ladestation hinaus. Mit dem weiteren Wachstum der Elektromobilität wird die Fähigkeit, die kollektive Last von Millionen von E-Autos vorherzusagen und zu managen, zu einem Eckpfeiler eines intelligenten, belastbaren und nachhaltigen Stromnetzes. Diese Studie liefert eine Blaupause dafür, wie fortschrittliche Datenanalyse und künstliche Intelligenz eingesetzt werden können, um reale Energiewirtschaftsprobleme zu lösen.
Für Netzbetreiber bietet dieses Modell ein leistungsfähiges Werkzeug für ein proaktives Lastmanagement. Mit einer genaueren Vorhersage können sie Angebot und Nachfrage besser ausbalancieren, Übertragungsverluste reduzieren und erneuerbare Energien effizienter integrieren. Für Betreiber von Ladestationen ermöglicht es fundierte Geschäftsentscheidungen, wie dynamische Preismodelle oder die Planung der Kapazitätsausweitung. Für politische Entscheidungsträger liefert es den klaren Beweis, dass wirtschaftliche Anreize wie zeitabhängige Tarife wirksame Instrumente sind, um das Verbraucherverhalten zu steuern und Spitzenlasten zu glätten.
Der Erfolg dieses hybriden Ansatzes weist zudem auf einen breiteren Trend in der KI hin: die Kraft von Ensemble-Methoden. Indem verschiedene Algorithmen mit ihren jeweiligen Stärken kombiniert werden, können Forscher Modelle entwickeln, die robuster und genauer sind als jeder einzelne Ansatz. Diese Philosophie des „Besten aus beiden Welten“ wird die zukünftige Entwicklung in der Lastprognose und anderen komplexen Vorhersageaufgaben prägen.
Zusammenfassend lässt sich sagen, dass die Arbeit von Wang Changchun und seinen Kollegen einen bedeutenden Schritt nach vorn im Bereich der Lastprognose für E-Auto-Ladestationen darstellt. Indem sie sorgfältig ausgewählte, realitätsnahe Variablen integrieren und eine anspruchsvolle, mehrstufige Modellierungsstrategie anwenden, haben sie ein Werkzeug entwickelt, das nicht nur genauer, sondern auch realistischer die komplexen Dynamiken des modernen Energiesystems abbildet. Während die Welt auf eine vollständig elektrifizierte Mobilität zusteuert, werden solche Innovationen unerlässlich sein, um sicherzustellen, dass die Infrastruktur mit der Nachfrage Schritt halten kann.
Wang Changchun, Wang Guo, Zhao Qianyu, Wang Shouxiang. A Short-Term Load Forecasting Method for large scale Electric Vehicle Charging Stations Considering Characteristics of Charging Utilization Rate and Time-of-Use Electricity Price. Southern Power System Technology. DOI: 10.13648/j.cnki.issn1674-0629.2024.05.008