Neue Methode optimiert Schnellladestellen für ländliche Regionen
Die Elektromobilität durchläuft weltweit eine entscheidende Phase: Während in den Metropolen ein dichtes Netz aus Ladepunkten entstanden ist, bleibt die Versorgung in ländlichen und regionalen Gebieten oft hinter dem Bedarf zurück. Dieses Ungleichgewicht behindert nicht nur die alltägliche Nutzung von Elektrofahrzeugen (EVs) außerhalb der Großstädte, sondern gefährdet auch die breite Akzeptanz der Technologie in strukturschwächeren Regionen. Eine neue Studie von Forschenden der Tsinghua University und des Shantou Power Supply Bureau der Guangdong Power Grid stellt nun ein innovatives Planungsmodell vor, das gezielt auf die besonderen Anforderungen von Landkreisen und ländlichen Gebieten eingeht. Das Modell berücksichtigt dabei nicht nur technische und wirtschaftliche Faktoren, sondern auch das reale, oft nicht vollständig rationale Verhalten der Fahrer – eine Kombination, die bisher in der Infrastrukturplanung nur selten umgesetzt wurde.
Das Team um Zhuoxu Chen und Zechun Hu von der Abteilung für Elektrotechnik der Tsinghua University, gemeinsam mit Yujian Wan und Junsong Li vom Shantou Power Supply Bureau, hat ein umfassendes Optimierungsframework entwickelt, das als Blaupause für die intelligente und nachhaltige Ausweitung des Schnellladestellennetzes in unterversorgten Regionen dienen kann. Ihre Arbeit, veröffentlicht in der renommierten Fachzeitschrift Automated Electric Power Systems, markiert einen paradigmatischen Wandel: Weg von rein kostenbasierten Planungsansätzen hin zu nutzerzentrierten Modellen, die die Komplexität menschlichen Entscheidungsverhaltens in realen Verkehrssystemen abbilden.
Die Herausforderung, vor der viele Regionen stehen, ist klar: Obwohl die Zahl der Elektrofahrzeuge weltweit stetig steigt – 2022 wurden über zehn Millionen neue EVs verkauft, wobei China den größten Markt darstellt –, konzentriert sich die Ladeinfrastruktur nach wie vor überwiegend auf städtische Ballungsräume. In ländlichen Gebieten sind die Abstände zwischen den Ladepunkten größer, die Netzanschlusskapazitäten oft begrenzt, und die Reisebedingungen für Fahrer, die über Land unterwegs sind, unterscheiden sich erheblich von denen im Stadtverkehr. Hier spielen Faktoren wie die Toleranz gegenüber Umwegen, die Verfügbarkeit von Dienstleistungen während des Ladevorgangs und die Unsicherheit über die tatsächliche Auslastung einer Ladestation eine entscheidende Rolle. Traditionelle Planungsmodelle, die davon ausgehen, dass Fahrer immer die kürzeste oder günstigste Option wählen, stoßen hier an ihre Grenzen.
Genau hier setzt die Forschung von Chen und seinen Kollegen an. „Die Realität ist viel komplexer als die Annahme vollständiger Rationalität“, erklärt Hu, der als korrespondierender Autor der Studie fungiert. „In ländlichen Regionen haben Fahrer oft keinen Zugriff auf Echtzeitdaten über die Verfügbarkeit von Ladepunkten oder die Wartezeiten. Ihre Entscheidungen basieren auf Erfahrungswerten, begrenzten Informationen und persönlichen Präferenzen. Unser Modell integriert diese ‚begrenzte Rationalität‘ systematisch in den Planungsprozess.“
Das Herzstück des neuen Ansatzes ist das Konzept des stochastischen Nutzergleichgewichts (Stochastic User Equilibrium, SUE). Im Gegensatz zum klassischen Nutzergleichgewicht nach Wardrop, bei dem alle Fahrer die optimale Route wählen, erlaubt das SUE-Modell Abweichungen. Es geht davon aus, dass Fahrer ihre Entscheidung auf Basis einer wahrgenommenen Gesamtkostenfunktion treffen, die mehrere Komponenten umfasst: die Umwegstrecke, die Ladekosten, die erwartete Wartezeit aufgrund der Auslastung und die Attraktivität der Umgebung – etwa die Nähe zu Restaurants, Einkaufsmöglichkeiten oder touristischen Attraktionen.
Um diese vielschichtige Entscheidungsfindung abzubilden, nutzten die Forscher ein diskretes Wahlmodell in Form eines Logit-Modells. Dieses Modell berechnet die Wahrscheinlichkeit, mit der ein Fahrer eine bestimmte Ladestation wählt, basierend auf den gewichteten Kostenfaktoren. Ein zentraler Parameter dabei ist der Rationalitätskoeffizient, der angibt, wie stark die Fahrer auf Unterschiede in den Kosten reagieren. Bei einem sehr niedrigen Wert entscheiden sich die Nutzer quasi zufällig, bei einem sehr hohen Wert konzentrieren sie sich fast ausschließlich auf die kostengünstigste Option. Die Realität liegt, wie die Studie zeigt, in einem mittleren Bereich, wo Fahrer zwar Kosten minimieren wollen, aber auch bereit sind, einen kleinen Umweg in Kauf zu nehmen, um eine weniger überlastete oder besser angebundene Station zu erreichen.
Um realistische Nachfragemuster zu generieren, setzten die Forscher auf eine detaillierte Verkehrssimulation basierend auf sogenannten „Trip Chains“. Diese Methode rekonstruiert die komplette Reisekette eines Fahrers – von der Abfahrt über Zwischenstopps bis zur Zielankunft – und berücksichtigt dabei sowohl lokale Fahrten als auch Fernreisen. Besonders innovativ ist die Einbindung von „externen Verbindungsknoten“, die die Schnittstellen zwischen dem regionalen Straßennetz und übergeordneten Autobahnen oder Fernstraßen darstellen. Diese Knoten sind entscheidend, um den Anteil von Durchreisenden, Touristen oder gewerblichen Fahrzeugen zu erfassen, die nur temporär im Gebiet unterwegs sind, aber einen erheblichen Teil der Ladeanfragen verursachen können.
Die Simulation wurde mit realen Daten kalibriert, darunter Fahrzeugparameter wie Reichweite und Energieverbrauch, typische Startzeiten und -orte sowie die Batterieladung zu Reisebeginn. Die Forscher analysierten vier verschiedene Szenarien, die unterschiedliche Gesamtfahrzeugzahlen, Elektrofahrzeugquoten und Anteile an externen Fahrzeugen abbildeten. Dies ermöglichte eine robuste Analyse unter Berücksichtigung saisonaler Schwankungen, wie sie etwa während der Ferienzeit auftreten.
Nachdem die Nachfrage simuliert war, kam das eigentliche Optimierungsmodell zum Einsatz. Ziel war es, sowohl die Investitions- und Betriebskosten für den Betreiber der Ladestationen als auch die durchschnittliche Umwegstrecke für die Nutzer zu minimieren. Das Modell musste dabei gleichzeitig zahlreiche Restriktionen einhalten: die maximale Leistungskapazität des lokalen Stromnetzes, die verfügbare Fläche für den Bau der Stationen und die finanziellen Budgets.
Die größte mathematische Herausforderung bestand darin, die nichtlinearen Gleichgewichtsbedingungen des SUE-Modells in das Optimierungsproblem zu integrieren. Solche Gleichungen sind bekannt dafür, die Berechnung extrem komplex und oft unlösbar zu machen, besonders wenn, wie hier, auch ganzzahlige Entscheidungsvariablen (z. B. ob eine Station an einem bestimmten Ort gebaut wird) vorhanden sind. Die Forscher lösten dieses Problem durch eine geschickte Kombination von Linearisierungstechniken, darunter die Anwendung der „großen M“-Methode und die stückweise lineare Approximation der exponentiellen Funktionen im Logit-Modell. Dadurch konnten sie das komplexe, nichtlineare Problem in ein gemischt-ganzzahliges lineares Programm (MILP) umwandeln, das mit etablierten Optimierungslösungen wie Gurobi effizient und zu einem global optimalen Ergebnis gelöst werden kann.
Die Wirksamkeit des Modells wurde an einem modifizierten 33-Knoten-Verkehrsnetz getestet, das typische Merkmale eines ländlichen oder regionalen Straßennetzes aufweist: eine vergleichsweise geringe Dichte an Straßenverbindungen und mehrere Anschlüsse an übergeordnete Verkehrswege. Aus zwölf möglichen Standorten empfahl das Modell den Bau von Schnellladestationen an nur fünf spezifischen Knoten: 2, 17, 20, 21 und 26. Die Wahl dieser Standorte ist aufschlussreich. Knoten 17 liegt an einem externen Verbindungspunkt, was seine strategische Bedeutung für die Versorgung von Durchreisenden unterstreicht. Die Tatsache, dass das Modell keine weiteren Stationen an anderen Randknoten vorschlägt, zeigt, dass eine übermäßige Verdichtung an den Grenzen des Gebiets weder wirtschaftlich noch nutzerfreundlich wäre.
Die Ergebnisse offenbaren mehrere wichtige Erkenntnisse. Erstens zeigt sich, dass die optimierten Standorte ein ausgewogenes Netz bilden, das sowohl lokale Bedürfnisse als auch den Fernverkehr berücksichtigt. Die Stationen sind nicht unbedingt die geografisch zentralsten, sondern wurden aufgrund ihrer Fähigkeit ausgewählt, die Gesamtkosten für alle Beteiligten zu minimieren. Zweitens führt das SUE-Modell zu einer natürlichen Lastverteilung. Da die Fahrer auf die erwartete Auslastung reagieren, verteilt sich die Nachfrage relativ gleichmäßig auf die fünf ausgewählten Stationen. Dies verhindert die Bildung von Engpässen, die in der Realität oft zu langen Wartezeiten und Frustration bei den Nutzern führen.
Drittens bestätigt die Studie die Bedeutung nicht-funktioneller Faktoren. Die Attraktivität der Umgebung – gemessen an der Dichte von Interessenspunkten (POIs) wie Geschäften oder Restaurants – hat einen messbaren Einfluss auf die Nutzerentscheidung. Eine Station, die neben schnellem Laden auch die Möglichkeit zum Einkaufen oder Essen bietet, wird von mehr Fahrern gewählt, selbst wenn sie nicht die absolut günstigste oder kürzeste Option ist. Dies unterstreicht, dass das Laden eines Elektrofahrzeugs zunehmend als Teil einer umfassenden Mobilitätserfahrung verstanden wird, nicht nur als technische Notwendigkeit.
Die Sensitivitätsanalysen im Rahmen der Studie verdeutlichen die Robustheit des Modells. Bei steigender Sensibilität der Nutzer gegenüber Wartezeiten (höhere Gewichtung der Auslastung) empfahl das Modell eine noch gleichmäßigere Verteilung der Stationen, um Überlastung zu vermeiden. Umgekehrt führte eine höhere Sensibilität gegenüber den Ladekosten zu einer stärkeren Konzentration auf günstigere Standorte. Dies zeigt, dass das Modell flexibel auf sich ändernde Marktbedingungen und Nutzerverhalten reagieren kann.
Aus politischer Sicht ist die Studie von hoher Relevanz. Mit Initiativen wie der Förderung von Elektrofahrzeugen auf dem Land und der Stärkung der ländlichen Infrastruktur gewinnen solche wissenschaftlich fundierten Planungsansätze an Bedeutung. Sie bieten eine evidenzbasierte Alternative zu Planungen, die auf Schätzungen oder politischem Druck beruhen, und helfen, öffentliche und private Investitionen effizient und nachhaltig einzusetzen.
Für Energieversorger wie die Guangdong Power Grid, die die Studie unterstützte, bietet das Modell ein Werkzeug, um die Auswirkungen neuer Ladestationen auf die lokale Stromversorgung präzise zu bewerten. Durch die Einbindung von Netzkapazitätsbeschränkungen wird sichergestellt, dass neue Stationen nicht zu Überlastungen oder Spannungsproblemen im Verteilnetz führen – ein häufiges Problem in ländlichen Gebieten mit älteren Infrastrukturen.
Für private Betreiber von Ladeservices liefert das Modell eine fundierte Grundlage für Standortentscheidungen. Es ermöglicht eine realistischere Prognose der Auslastung und Einnahmen unter verschiedenen Preismodellen und hilft so, Investitionsrisiken zu minimieren und die Rentabilität zu maximieren, insbesondere in Regionen mit ungewisser Nachfrage.
Die Forscher sehen in ihrer Arbeit einen wichtigen Schritt hin zu „intelligenten Ladekorridoren“ – strategisch geplanten Netzwerken von Schnellladestationen entlang wichtiger Reiserouten, die eine reibungslose und angstfreie Langstreckenmobilität mit Elektrofahrzeugen ermöglichen. Die Zukunft der Ladeinfrastruktur liegt nicht in der blinden Verdichtung, sondern in der intelligenten Vernetzung und der Berücksichtigung des menschlichen Faktors.
Zukünftig planen die Autoren, das Modell um erneuerbare Energien und Energiespeicher zu erweitern. Die Integration von Photovoltaik-Anlagen oder Batteriesystemen an den Ladestationen könnte die Abhängigkeit vom öffentlichen Netz reduzieren, die Betriebskosten senken und die Nachhaltigkeit des gesamten Systems weiter erhöhen. Auch die Anpassung des Modells für dynamische Preismodelle, bei denen die Ladegebühren in Echtzeit an die Netzlast und die Strompreise gekoppelt sind, steht auf der Agenda.
Diese Studie zeichnet sich durch eine seltene Kombination aus wissenschaftlicher Tiefe und praktischer Anwendbarkeit aus. Sie verzichtet auf undurchsichtige KI-Algorithmen und setzt stattdessen auf etablierte Methoden der Verkehrstheorie, Spieltheorie und Optimierung, die transparent, nachvollziehbar und für Planer und Entscheidungsträger verständlich sind. In einer Zeit, in der die Elektromobilität vor der Herausforderung steht, von einer städtischen Nische zu einer universellen Mobilitätslösung zu werden, liefert diese Forschung einen entscheidenden Baustein für den Erfolg.
Chen Zhuoxu, Hu Zechun et al., Automated Electric Power Systems. DOI: 10.7500/AEPS20230731003