Neue Methode optimiert Ladestellen in Bergstädten
Die rasante Verbreitung von Elektrofahrzeugen (EVs) stellt Städte weltweit vor immense infrastrukturelle Herausforderungen. Während die Planung von Ladeinfrastruktur in ebenen, gut strukturierten Metropolen bereits weit fortgeschritten ist, bleibt die Versorgung bergiger und hügeliger Regionen ein komplexes, oft unterschätztes Problem. In Städten wie Chongqing, Medellín oder San Francisco verändert das bergige Terrain nicht nur die Fahrzeugdynamik, sondern auch die grundlegenden Annahmen über Energieverbrauch, Reichweite und Fahrerverhalten. Ein Forscherteam aus China hat nun eine bahnbrechende Methode vorgestellt, die speziell auf die einzigartigen Gegebenheiten solcher Städte zugeschnitten ist. Ihre Studie, die im renommierten Fachjournal Electric Power System Technology veröffentlicht wurde, stellt die herkömmliche, zweidimensionale Planung von Ladestationen in Frage und bietet eine neue, dreidimensionale Perspektive, die den tatsächlichen physikalischen Anforderungen des Fahrens in der Höhe Rechnung trägt.
Die Arbeit, geleitet von Dr. Hongyu Long vom Chongqing Key Laboratory of Complex Systems and Bionic Control an der Chongqing University of Posts and Telecommunications, in Zusammenarbeit mit Experten des State Grid Chongqing Electric Power Company Marketing Service Center, hebt einen entscheidenden Blindfleck in der aktuellen Forschung hervor. Die überwiegende Mehrheit der existierenden Modelle zur Vorhersage des Ladebedarfs und zur Standortplanung von Ladepunkten basiert auf der Annahme eines flachen Straßenverlaufs. Sie berechnen den Energieverbrauch eines Elektrofahrzeugs primär anhand der horizontalen Distanz und eines durchschnittlichen Verbrauchs pro Kilometer. Dieser Ansatz funktioniert zwar gut in Städten mit einem Gitternetz-Layout, versagt jedoch kläglich in bergigen Regionen, wo eine kurze horizontale Strecke mit einem erheblichen Höhenunterschied verbunden sein kann. In solchen Umgebungen verbrauchen Fahrzeuge erheblich mehr Energie, um der Schwerkraft entgegenzuwirken, was ihre Reichweite drastisch reduziert und das Fahrverhalten der Nutzer nachhaltig beeinflusst.
Die zentrale Innovation der chinesischen Forscher liegt in der Schaffung eines umfassenden, räumlichen Modells, das die Höhenunterschiede des Straßennetzes explizit berücksichtigt. Ihr Ansatz geht weit über die einfache Berechnung der Luftlinie hinaus. Stattdessen konstruieren sie ein detailliertes 3D-Modell des städtischen Verkehrsnetzes, das die tatsächliche Länge jeder Straße einschließlich ihrer vertikalen Komponente – des Steigens und Fallens – erfasst. Dies ermöglicht eine realistischere Berechnung des Energieverbrauchs eines einzelnen Fahrzeugs. Wenn ein Fahrzeug von Punkt A nach Punkt B fährt, misst das Modell nicht nur die Distanz auf einer flachen Karte, sondern berechnet den physikalischen Weg, den das Fahrzeug zurücklegt, und die Arbeit, die es verrichten muss, um Höhenmeter zu überwinden. Das Ergebnis ist eine „realitätsnahe“ Verbrauchsprognose, die oft um das 1,5-fache über den Werten liegt, die von traditionellen, flachheitsbasierten Modellen vorhergesagt werden. Diese Korrektur hat weitreichende Konsequenzen: Ein Elektrofahrzeug in einer Bergstadt könnte nach einer Fahrt von 20 Kilometern bereits eine Ladung benötigen, während sein Pendant in einer flachen Stadt mit derselben Batterieladung 30 Kilometer zurücklegen könnte.
Die Forscher erkannten jedoch, dass die wahre Herausforderung nicht in der Modellierung eines einzelnen Fahrzeugs, sondern in der Vorhersage des kollektiven Verhaltens Tausender von Elektrofahrzeugen innerhalb eines komplexen städtischen Netzes liegt. Um dies zu erreichen, entwickelten sie ein anspruchsvolles Modell zur Vorhersage der Gruppenladeleistung. Dieses Modell nutzt reale Verkehrsflussdaten, die in regelmäßigen Abständen erhoben werden, um abzuschätzen, wie viele Fahrzeuge in einem bestimmten Zeitraum durch jeden Knotenpunkt oder Straßenabschnitt fahren. Durch die Anwendung einer prognostizierten Elektrofahrzeug-Durchdringungsrate und eines Anteils an Fahrzeugen mit Bedarf an Schnellladung können sie die Anzahl der Fahrzeuge prognostizieren, die in einem bestimmten Zeitfenster eine Ladung benötigen. Ein entscheidender Durchbruch in ihrer Methodik ist die Berücksichtigung von Datenredundanz. Ein und dasselbe Fahrzeug kann mehrfach erfasst werden, wenn es verschiedene Messpunkte passiert. Um eine Überschätzung der Fahrzeuganzahl zu vermeiden, führten die Forscher einen Korrekturfaktor ein, der auf der durchschnittlichen Fahrzeuggeschwindigkeit und dem Abstand der Messintervalle basiert. Dies gewährleistet, dass ihre Prognosen die tatsächliche Anzahl der Fahrzeuge widerspiegeln und nicht verzerrt sind durch wiederholte Zählungen desselben Fahrzeugs.
Der bedeutendste Fortschritt jedoch ist die Anwendung eines verbesserten Floyd-Algorithmus für den kürzesten Pfad. Im Gegensatz zu herkömmlichen Navigationssystemen, die den kürzesten Weg oder die schnellste Route priorisieren, wurde dieser Algorithmus so neu programmiert, dass er den Weg mit dem geringsten Energieverbrauch findet. In einer Bergstadt bedeutet dies oft, eine längere, aber sanftere Route einer kürzeren, aber steileren und damit energieintensiveren Strecke vorzuziehen. Dies spiegelt das reale Fahrerverhalten wider, bei dem die Angst vor Reichweiteverlust (Range Anxiety) die Fahrer dazu bringt, Energie zu sparen. Indem das Team Millionen solcher Fahrten mithilfe der Monte-Carlo-Methode simuliert, kann es nicht nur vorhersagen, wie viel Energie insgesamt verbraucht wird, sondern auch wo und wann Fahrer voraussichtlich eine Ladung suchen werden. Dies erzeugt eine dynamische, zeitabhängige Prognose der Ladeanforderungen im gesamten Stadtnetz und erfasst die täglichen Schwankungen der Last.
Diese detaillierte Lastprognose wird dann nahtlos in ein neuartiges Planungsverfahren für Ladestationen integriert. Der traditionelle Ansatz behandelt die Planung als eine einmalige Entscheidung: Finde die besten Standorte basierend auf einem statischen Nachfragemodell. Die Methode des Chongqing-Teams ist jedoch iterativ und dynamisch. Sie erkennt einen entscheidenden Feedback-Effekt an: Die Platzierung einer Ladestation beeinflusst direkt das Fahrerverhalten, was wiederum die Lastverteilung verändert, die die Planer vorherzusagen versuchen. Wenn eine Station an einem stark befahrenen Ort platziert wird, wird sie zwangsläufig mehr Nutzer anziehen, was zu einer Überlastung an diesem Standort und einer Unterlastung an anderen führen kann. Ihre Lösung ist ein iterativer Optimierungsprozess. Das Modell beginnt mit einer Reihe potenzieller Standorte, führt die Lastprognose durch, bewertet die Ergebnisse und passt dann die Standorte der Stationen an, um das Ergebnis zu verbessern. Dieser Zyklus wiederholt sich, bis eine optimale Konfiguration gefunden ist.
Die Optimierung wird von zwei zentralen Zielen geleitet: der Minimierung der zeitlichen Lastschwankungen und der Erzielung einer räumlichen Lastverteilung. Das erste Ziel zielt darauf ab, die Spitzen und Täler der Ladeanforderungen über den Tag zu glätten. Eine Station, die während der Morgenrushhour eine massive Nachfrage hat und danach stundenlang untätig ist, ist ineffizient und belastet das Stromnetz stark. Durch eine gleichmäßigere Verteilung der Nachfrage über den Tag wird das System stabiler und einfacher zu managen. Das zweite Ziel stellt sicher, dass keine einzelne Station überlastet wird, während andere leer stehen. Eine gerechte Verteilung der Last auf mehrere Stationen führt zu einer besseren Nutzererfahrung, kürzeren Wartezeiten und einer widerstandsfähigeren Infrastruktur. Das Modell berücksichtigt auch praktische Einschränkungen, wie die Gewährleistung, dass kein Fahrer jemals weiter von einer Ladestation entfernt ist als seine verbleibende Reichweite, und dass jede Station über ausreichend Ladeplätze verfügt, um die prognostizierte Nachfrage ohne übermäßige Wartezeiten zu bewältigen.
Um ihre Methode zu testen, wandten die Forscher sie auf ein reales Netzwerk aus 20 Knotenpunkten und 31 Straßenabschnitten in einer südwestchinesischen Bergstadt an. Sie nutzten historische Verkehrsdaten aus dem Jahr 2012, projizierten sie auf einen Planungshorizont für das Jahr 2022 und verglichen die Ergebnisse ihres bergspezifischen Modells mit einem traditionellen, flachheitsbasierten Modell. Die Unterschiede waren drastisch. Die optimalen Standorte für die Ladestationen waren völlig unterschiedlich. Das traditionelle Modell empfahl die Platzierung an den Knoten 4 und 8, die auf einer zweidimensionalen Karte möglicherweise zentral liegen. Im Gegensatz dazu identifizierte das bergspezifische Modell die Knoten 5 und 14 als die besten Standorte, Gebiete, die die hochenergieverbrauchenden Routen besser bedienen und die Gesamtlast besser ausbalancieren.
Die Leistung des optimierten Netzwerks war deutlich überlegen. In dem besten Plan des traditionellen Modells erreichte eine Station eine Spitzenlast von 3.180 kW, während die andere bei 2.580 kW lag – eine erhebliche Ungleichverteilung. In dem optimalen Plan des bergspezifischen Modells erreichten die beiden Stationen Spitzenlasten von 3.180 kW und 3.000 kW, eine weitaus ausgewogenere Verteilung. Noch wichtiger war, dass die Lastkurven für jede Station ausgeglichener waren, mit geringeren Unterschieden zwischen Spitzen- und Nebenlastzeiten. Diese Reduzierung der Lastschwankungen ist entscheidend für Netzbetreiber, da sie die Belastung von Transformatoren verringert, Spannungsschwankungen minimiert und die Notwendigkeit kostspieliger Netzverstärkungen senkt. Das Modell zeigte auch, dass die erforderliche Anzahl an Ladeplätzen genauer dimensioniert werden konnte, wodurch sowohl eine Unterversorgung als auch eine kostspielige Überinvestition vermieden werden.
Die Implikationen dieser Forschung reichen weit über Chongqing hinaus. Städte auf der ganzen Welt mit herausfordernder Topographie – von Lissabon und Pittsburgh über Sapporo bis nach Denver – können von diesem differenzierteren Ansatz profitieren. Angesichts der beschleunigten globalen Elektrifizierung wird klar, dass eine einheitliche Lösung für die Ladeinfrastruktur nicht mehr ausreicht. Urbane Umgebungen sind zu vielfältig, und die Folgen einer schlechten Planung sind zu gravierend. Eine überlastete Ladestation in einer bergigen Gegend ist nicht nur eine Unannehmlichkeit; sie kann Fahrer auf steilen Hängen in Not bringen, gefährliche Verkehrsstaus verursachen und das öffentliche Vertrauen in die Elektromobilität untergraben.
Die Arbeit von Long, Zhou, Chen und ihren Kollegen liefert einen Fahrplan für eine intelligentere, anpassungsfähigere Zukunft. Ihre Methodik verschiebt das Paradigma von einer reaktiven zu einer proaktiven Planung. Anstatt Stationen auf der Grundlage von Schätzungen oder veralteten Modellen zu bauen, können Stadtplaner nun einen datengestützten, physikalisch fundierten Ansatz nutzen, der die wahren Kosten des Fahrens in bergigem Gelände berücksichtigt. Dies führt zu einer Infrastruktur, die nicht nur effizienter, sondern auch gerechter ist und sicherstellt, dass alle Stadtteile angemessen bedient werden.
Darüber hinaus unterstreicht die Studie die Bedeutung interdisziplinärer Zusammenarbeit. Sie vereint Expertise aus den Bereichen komplexe Systeme, kybernetische Steuerung, Energietechnik und Verkehrswissenschaft. Diese ganzheitliche Sichtweise ist unerlässlich, um die vielschichtigen Herausforderungen der modernen Energiewende zu meistern. Die Integration fortschrittlicher Algorithmen wie des genetischen Algorithmus zur Optimierung demonstriert die Kraft computergestützter Werkzeuge bei der Bewältigung realer Probleme. Es geht nicht nur darum, mehr Ladepunkte zu bauen; es geht darum, die richtigen Ladepunkte an den richtigen Orten zur richtigen Zeit zu errichten.
In der Zukunft eröffnet diese Forschung die Tür zu noch ausgefeilteren Modellen. Zukünftige Versionen könnten Echtzeit-Verkehrsdaten, Wetterbedingungen (die ebenfalls die Reichweite von Elektrofahrzeugen beeinflussen) und dynamische Preissignale einbeziehen, um das Lastmanagement weiter zu verfeinern. Das Modell könnte auch für verschiedene Fahrzeugtypen angepasst werden, von kompakten Stadtautos bis hin zu schweren elektrischen Lastwagen, die jeweils unterschiedliche Energieverbrauchsprofile auf steilen Steigungen aufweisen. Das ultimative Ziel ist ein vollständig integriertes, intelligentes Verkehrs- und Energiesystem, in dem die Ladeinfrastruktur sich nahtlos an die Bedürfnisse der Stadt und ihrer Fahrer anpasst.
Abschließend lässt sich sagen, dass die Studie von Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu und Yi Long vom Chongqing Key Laboratory of Complex Systems and Bionic Control und vom State Grid Chongqing Electric Power Company Marketing Service Center einen bedeutenden Fortschritt in der Planung von Ladeinfrastruktur für Elektrofahrzeuge darstellt. Indem sie die einzigartigen Herausforderungen bergiger Städte rigoros berücksichtigen, haben sie eine Methode entwickelt, die genauere Lastprognosen, eine ausgeglichenere Auslastung der Stationen und ein stabileres Stromnetz ermöglicht. Dies ist nicht nur eine akademische Übung; es handelt sich um eine praktische, skalierbare Lösung, die Städten auf der ganzen Welt helfen kann, eine nachhaltigere und resilientere elektrische Zukunft aufzubauen. Während die Welt ihre Reise zur Dekarbonisierung fortsetzt, wird eine solche innovative, kontextsensitive Forschung unerlässlich sein, um sicherzustellen, dass der Übergang nicht nur grün, sondern auch intelligent und gerecht ist.
Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu, Yi Long, Chongqing Key Laboratory of Complex Systems and Bionic Control, State Grid Chongqing Electric Power Company Marketing Service Center, Electric Power System Technology, DOI: 10.19725/j.cnki.1007-2322.2022.0195