Neue Methode prognostiziert E-Auto-Schnellladung
Die rasante Entwicklung der Elektromobilität stellt Städte weltweit vor enorme Herausforderungen, insbesondere bei der Planung und Dimensionierung der notwendigen Ladeinfrastruktur. Die präzise Vorhersage des Ladebedarfs für Elektrofahrzeuge (EVs) ist entscheidend, um Überlastungen des Stromnetzes zu vermeiden, die Investitionen in Ladesäulen zu optimieren und die Zufriedenheit der Nutzer zu gewährleisten. Bislang basierten viele Prognosemodelle auf vereinfachenden Annahmen, die Städte in funktionale Zonen wie Wohn-, Geschäfts- oder Industriegebiete unterteilen. Diese Methode, so zeigen aktuelle Forschungsergebnisse, greift jedoch zu kurz, da sie die komplexe Realität urbaner Räume und das Verhalten der Fahrer nicht ausreichend berücksichtigt. Ein bahnbrechendes Forschungsprojekt der Shanghai University of Electric Power stellt nun ein neuartiges Modell vor, das die physische Struktur einer Stadt und die psychologischen Faktoren der Fahrerentscheidungen in die Prognose einbezieht, um eine realistischere und genauere Vorhersage des Schnellladungsbedarfs zu ermöglichen.
Das Forschungsteam um Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao und Chuan Yang vom Department of Electrical Engineering der Shanghai University of Electric Power hat ein Modell entwickelt, das über die traditionelle Zoneneinteilung hinausgeht. Statt Städte als statische, klar abgegrenzte Bereiche zu betrachten, nutzt das Modell reale geografische Daten, um die dynamische und oft polyzentrische Struktur moderner Metropolen abzubilden. Die Kernidee ist, dass sich Städte nicht mehr nach dem klassischen Modell mit einem einzigen Zentrum entwickeln, sondern zunehmend zu Netzwerken aus mehreren, gleichwertigen Zentren – sogenannten „Satellitenstädten“ oder „sekundären Zentren“ – wandeln. Diese Entwicklung reduziert die Notwendigkeit für lange, interzonale Pendelfahrten, da sich Arbeit, Einkaufen und Freizeitaktivitäten oft in der Nähe der Wohnorte befinden. Ein Modell, das diese räumliche Komplexität ignoriert, läuft Gefahr, den Ladebedarf in diesen neuen Zentren erheblich zu unterschätzen.
Der entscheidende Schlüssel zur Erfassung dieser urbanen Komplexität ist die Nutzung von POI-Daten (Points of Interest). POIs sind digitale Markierungen für Orte wie Restaurants, Einkaufszentren, Büros, Parks, Krankenhäuser oder Industrieparks. Sie sind mehr als nur Punkte auf einer Karte; sie sind Indikatoren für menschliche Aktivität und die funktionelle Dichte eines Stadtteils. Das Forschungsteam sammelte eine umfangreiche Datenbank mit über 119.000 POIs aus einem großen chinesischen Ballungsraum. Diese POIs wurden in 16 Kategorien klassifiziert und jeder Kategorie wurde ein bestimmtes „Einflussgewicht“ zugewiesen. So hat ein großes Geschäfts- oder Industriegebiet ein viel höheres „Arbeitsplatz“-Gewicht als ein kleiner Supermarkt, und ein Krankenhaus hat ein höheres „medizinisches“-Gewicht als eine Apotheke. Diese Gewichtung ermöglicht es, die funktionelle Intensität jedes einzelnen Stadtteils quantitativ zu erfassen.
Um aus diesen punktuellen POI-Daten eine kontinuierliche Darstellung der städtischen Struktur zu erstellen, setzten die Forscher die sogenannte Kernel-Dichteanalyse ein. Diese statistische Methode berechnet für jeden Punkt auf einer Gitterkarte die Dichte der POIs in einem bestimmten Umkreis. Das Ergebnis ist eine glatte, flächenhafte Karte, die die „Hotspots“ urbaner Aktivität klar sichtbar macht. Die Analyse offenbarte eine deutliche polyzentrische Struktur: Neben dem traditionellen Hauptzentrum im Nordwesten zeigten sich starke Aktivitätskonzentrationen entlang wichtiger Verkehrsachsen in der Innenstadt und ein sich entwickelndes neues Zentrum im Süden der Region. Diese Karte der „Stadtzentren“ bildet die Grundlage für die Simulation der Fahrzeugbewegungen.
Die Bewegungsmuster der Elektrofahrzeuge werden mit einem verbesserten Gravitationsmodell simuliert. Dieses Modell geht davon aus, dass die Wahrscheinlichkeit einer Fahrt zwischen zwei Orten von zwei Faktoren abhängt: der Attraktivität des Zielortes und der Distanz dazwischen. Die Attraktivität wird direkt aus den zuvor berechneten POI-Gewichten abgeleitet. Ein Ort mit vielen Arbeitsplätzen (hohes „Arbeits“-Gewicht) oder Einkaufsmöglichkeiten (hohes „Handels“-Gewicht) übt eine starke Anziehungskraft aus. Gleichzeitig wirkt die Distanz als Hindernis (Impedanz), das die Wahrscheinlichkeit einer Fahrt verringert. Je weiter ein Ziel entfernt ist, desto unwahrscheinlicher ist eine Fahrt dorthin. Dieses Modell ermöglicht es, realistische „Reiseketten“ zu simulieren – also die Abfolge von Fahrten, die ein Fahrer an einem Tag unternimmt, beispielsweise von zu Hause zur Arbeit, von der Arbeit zum Einkaufen und dann nach Hause. Die Simulation berücksichtigt dabei auch, dass die Aufenthaltsdauer an verschiedenen Orten unterschiedlich ist, was wiederum den Zeitpunkt und die Notwendigkeit einer Ladung beeinflusst.
Ein weiterer, entscheidender Durchbruch des Modells liegt in der Berücksichtigung der menschlichen Psychologie und des sogenannten „beschränkten Rationalismus“ (bounded rationality) bei der Ladentscheidung. Die Forscher erkennen an, dass Fahrer keine perfekten, rein rationalen Entscheidungsträger sind, die immer nach der absolut besten Ladesäule suchen. Stattdessen treffen sie Entscheidungen unter Zeitdruck und mit unvollständiger Information. Ihre Entscheidung basiert auf einer Kombination aus objektiven Faktoren (wie der verbleibenden Batterieladung) und subjektiven Präferenzen (wie der Vorliebe für eine bestimmte Ladesäulenmarke, die Erwartung eines niedrigen Preises oder die Angst, die Ladung nicht mehr zu schaffen – die sogenannte „Reichweitenangst“).
Um dieses komplexe Entscheidungsverhalten abzubilden, nutzten die Forscher ein „Adsorptionsmodell“. In diesem Modell wird die Dringlichkeit einer Ladung als eine Art „Reibungskraft“ beschrieben. Wenn die Batterie fast leer ist, ist diese „Reibung“ hoch, was bedeutet, dass der Fahrer sehr dringend laden muss und daher seine Ansprüche an die Ladesäule senkt. Er wird die erste verfügbare Säule akzeptieren, auch wenn sie nicht ideal ist. Hat der Fahrer hingegen noch viel Ladung, ist die „Reibung“ niedrig, und er kann sich Zeit nehmen, nach einer optimalen Säule mit niedrigem Preis, hoher Leistung oder einer günstigen Lage zu suchen. Die endgültige Entscheidung fällt nicht, wenn die beste Option gefunden ist, sondern wenn die erste Option erscheint, die das aktuelle „Zufriedenheitsniveau“ des Fahrers erfüllt. Dieser Ansatz spiegelt die reale Welt viel besser wider als Modelle, die davon ausgehen, dass Fahrer stets eine komplexe Kosten-Nutzen-Analyse durchführen.
Zur Validierung ihres Modells führten die Forscher eine umfangreiche Monte-Carlo-Simulation durch. Sie simulierten das Verhalten von 50.000 virtuellen Elektrofahrzeugen innerhalb des Straßennetzes der untersuchten Stadt über einen Zeitraum von 24 Stunden. Jedes Fahrzeug wurde mit individuellen Eigenschaften ausgestattet, darunter eine zufällig aus einer statistischen Verteilung gezogene Batteriekapazität (zwischen 30 und 90 kWh) und ein Start-Ladezustand von durchschnittlich 50 %. Das Modell berechnete für jedes Fahrzeug in einer Minute-Schrittfolge seine Position, Geschwindigkeit, Batterieladung und seinen aktuellen Status (Fahren, Warten, Laden, Warteschlange stehen).
Die Ergebnisse der Simulation waren eindrucksvoll und enthüllten signifikante Unterschiede zu traditionellen Modellen. Wenn die komplexe räumliche Struktur der Stadt und das beschränkt rationale Verhalten der Fahrer berücksichtigt wurden, war der durchschnittliche Fahrweg der Elektrofahrzeuge mit 33,4 Kilometern um 24,4 % kürzer als in einem Szenario, das nur funktionale Zonen berücksichtigte (44,2 Kilometer). Dies führte zu einer drastischen Reduktion der langen Fahrten über 60 Kilometer um 44,3 %. Kürzere Fahrten bedeuten weniger verbrauchte Energie und damit einen geringeren Gesamtbedarf an Schnellladungen.
Die zeitliche Verteilung der Ladung zeigte ein klares „Zweigipfel“-Muster. Der erste, kleinere Gipfel trat zwischen 8:00 und 11:00 Uhr (480–660 Minuten nach Mitternacht) auf und entspricht Fahrern, die mit einer teilweise geladenen Batterie starten und während ihrer ersten Fahrt eine Notladung benötigen. Der zweite, deutlich größere Gipfel lag zwischen 17:00 und 20:00 Uhr (1020–1200 Minuten) und reflektiert die Massenladung am Ende des Arbeitstages, wenn Fahrer nach Hause kommen und ihre Fahrzeuge anschließen. Die Spitzenlast betrug dabei rund 3.200 kW im Morgenverkehr und etwa 2.340 kW am Abend.
Die räumliche Verteilung dieser Last war eng mit den identifizierten Aktivitätszentren verknüpft. Die höchste Nachfrage konzentrierte sich auf Ladesäulen in der Nähe von Hauptgeschäftsstraßen, Verkehrsknotenpunkten und großen Arbeitsstätten. Im Gegensatz dazu prognostizierte ein Modell ohne räumliche Struktur eine stark zentrale Last, die fast ausschließlich im alten Innenstadtkern konzentriert war. Dies hätte die Nachfrage in den wachsenden Vorstädten und sekundären Zentren erheblich unterschätzt und zu einer fehlerhaften Planung der Ladeinfrastruktur geführt.
Diese Erkenntnisse haben weitreichende praktische Konsequenzen. Für Stadtplaner und Infrastrukturbetreiber bietet das Modell ein leistungsfähiges Werkzeug, um Ladesäulen strategisch dort zu platzieren, wo sie tatsächlich benötigt werden – nicht nur an Autobahnen oder in Wohngebieten, sondern entlang der dynamischen Routen des täglichen Lebens. Für Energieversorger ermöglicht eine genauere Prognose der Lastspitzen eine bessere Netzplanung und hilft, teure Überlastungen zu vermeiden. Für Automobilhersteller und Betreiber von Fahrzeugflotten kann das Modell helfen, intelligente Navigations- und Ladempfehlungssysteme zu entwickeln, die den tatsächlichen Verhaltensmustern der Nutzer folgen.
Die Studie unterstreicht auch, dass die Planung der Ladeinfrastruktur nicht losgelöst von der allgemeinen Stadtentwicklung betrachtet werden kann. Die Verschiebung hin zu polyzentrischen Städten erfordert eine ebenso dezentrale und flexible Ladeinfrastruktur. Das Modell von Qu, Zhao, Mao, Zhao und Yang ist nicht nur ein Werkzeug für die Prognose der Gegenwart, sondern auch ein Instrument, das sich an zukünftige urbane Entwicklungen anpassen lässt. Es ist genauso relevant für die Planung neuer Stadtviertel wie für die Modernisierung bestehender Infrastrukturen in etablierten Ballungsräumen.
Ein besonderes Qualitätsmerkmal der Studie ist ihre fundierte wissenschaftliche Methodik. Die Kombination aus empirischen Daten (POIs, Verkehrsflüsse), etablierter Theorie (Gravitationsmodell, Kernel-Dichte) und einem realistischen Verhaltensmodell (beschränkter Rationalismus) sorgt für eine hohe Glaubwürdigkeit und Aussagekraft. Die Forscher haben damit einen interdisziplinären Ansatz gewählt, der Geografie, Verkehrsplanung und Verhaltenspsychologie verbindet, um ein ganzheitlicheres Bild der Elektromobilität in der Stadt zu zeichnen.
Das Team gibt zu, dass das Modell weiterentwickelt werden kann. Die Abhängigkeit von der Qualität und Verfügbarkeit von POI-Daten ist eine potenzielle Einschränkung. Zukünftige Forschung könnte weitere Datensätze einbeziehen, wie Bevölkerungsdichte, wirtschaftliche Aktivität oder die Verfügbarkeit von öffentlichen Verkehrsmitteln, um die Prognose noch weiter zu verfeinern.
Zusammenfassend lässt sich sagen, dass die Arbeit von Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao und Chuan Yang einen Paradigmenwechsel in der Prognose des E-Auto-Ladebedarfs markiert. Indem sie die komplexe Realität urbaner Räume und menschlichen Verhaltens in ihre Berechnungen integrieren, haben sie ein Modell geschaffen, das nicht nur genauer, sondern auch wesentlich aussagekräftiger ist. Für Städte, die ihre Mobilitätswende vorantreiben wollen, ist ein solches Werkzeug unverzichtbar, um fundierte, datengestützte Entscheidungen zu treffen. Die Zukunft der Elektromobilität ist nicht nur elektrisch, sondern auch intelligent und tief in das Gefüge der Stadt eingewoben.
Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao, Chuan Yang, Department of Electrical Engineering, Shanghai University of Electric Power, Southern Power System Technology, DOI: 10.13648/j.cnki.issn1674-0629.2024.10.015