Neue Strategie optimiert Elektroauto-Ladevorgänge unter Berücksichtigung von Verkehrsstaus
Die Integration von Elektrofahrzeugen (EVs) in städtische Infrastrukturen verändert nicht nur die Art und Weise, wie wir uns fortbewegen, sondern auch, wie Energie verteilt wird. Mit dem rasanten Wachstum der Elektromobilität entsteht ein komplexes Zusammenspiel zwischen Stromnetzen und Verkehrssystemen – ein sogenanntes Power-Traffic Coupling System (PTCS). Eine neue Studie, veröffentlicht im renommierten Fachjournal Proceedings of the CSU-EPSA, beleuchtet eine bisher oft vernachlässigte, aber entscheidende Komponente dieses Zusammenspiels: die Verzögerung von Verkehrsdaten, auch bekannt als Verkehrszeitverzug oder Traffic Delay.
Die Forschungsarbeit, geleitet von Liu Jue, Mu Yunfei, Dong Xiaohong und Jia Hongjie von der Tianjin University und der Hebei University of Technology, stellt einen bahnbrechenden Ansatz vor, um die koordinierte Optimierung von Strom- und Verkehrsnetzen unter realen Bedingungen zu verbessern. Ihr Kernargument ist einfach, aber tiefgreifend: Die Entscheidungen von Fahrern, wann und wo sie laden, basieren auf Informationen, die bereits veraltet sind, sobald sie in Aktion umgesetzt werden. Diese Zeitverzögerung zwischen der Datenerhebung und der tatsächlichen Fahrt führt zu suboptimalen Routen, überlasteten Ladestationen und ineffizienten Belastungen des Stromnetzes. Indem sie diesen Faktor systematisch in ihre Modelle integrieren, zeigen die Forscher einen Weg auf, wie die Gesamtleistung des gesamten Systems signifikant gesteigert werden kann.
Die verborgene Herausforderung: Der Zeitverzug im Verkehr
Traditionelle Modelle zur Optimierung von Elektroauto-Ladeinfrastrukturen operieren oft mit einem statischen Bild der Realität. Sie nehmen an, dass ein Fahrer, der eine Ladestation über eine App auswählt, die angezeigten Informationen – wie Wartezeiten oder aktuelle Staus – in Echtzeit widerspiegeln. In der Praxis ist dies jedoch selten der Fall. Verkehrsflussdaten werden in Intervallen gesammelt und verarbeitet. Wenn ein Fahrer also eine Route wählt, basiert seine Entscheidung auf der Verkehrssituation von vor einigen Minuten. In der Zwischenzeit kann sich die Situation dramatisch verändert haben: Ein Stau hat sich gebildet, eine Baustelle wurde eingerichtet, oder eine andere Ladestation wurde durch die gleichzeitigen Entscheidungen vieler anderer Fahrer plötzlich überlastet.
Dieses Phänomen, der sogenannte „Verkehrszeitverzug“, führt zu einer Kaskade von negativen Effekten. Fahrer, die auf veralteten Daten basierend eine „freie“ Ladestation ansteuern, können in einen Stau geraten oder vor einer langen Schlange stehen, was ihre Reisezeit und ihren Energieverbrauch erhöht. Gleichzeitig wird die Last auf das Stromnetz unvorhersehbar verteilt, was zu Spannungsschwankungen, erhöhten Netzverlusten und einer Notwendigkeit für teure Netzverstärkungen führen kann. Die Forschergruppe um Liu Jue argumentiert, dass die Vernachlässigung dieses Zeitverzugs ein fundamentaler Fehler in bestehenden Optimierungsstrategien ist, der die Effizienz des gesamten PTCS untergräbt.
„Die meisten aktuellen Systeme funktionieren wie eine Momentaufnahme“, erklärt Mu Yunfei. „Sie sehen die Welt, wie sie vor fünf Minuten war. Aber Verkehr ist ein dynamisches System. Wenn wir die Zukunft nicht vorhersagen, sondern nur die Vergangenheit betrachten, werden unsere Empfehlungen schnell irrelevant.“
Die Lösung: Der Verkehrszeitverzugsfaktor
Um dieser Herausforderung zu begegnen, haben die Forscher einen innovativen Rahmen entwickelt, der um den zentralen Begriff des „Verkehrszeitverzugsfaktors“ (Traffic Delay Factor) aufgebaut ist. Dieser Faktor quantifiziert die typische Verzögerung zwischen der Erhebung von Verkehrsdaten und der tatsächlichen Reaktion der Fahrzeuge auf diese Daten.
Ihr Ansatz besteht aus zwei miteinander verbundenen Modellen. Das erste ist ein räumlich-zeitliches Vorhersagemodell für den Ladebedarf von Elektrofahrzeugen. Anstatt Fahrerverhalten als statisch anzunehmen, simulieren die Forscher den gesamten Tagesablauf einer großen Anzahl von EVs (in ihrem Fall 5.000) mit Hilfe von Verkehrssimulationen. Jedes virtuelle Fahrzeug erhält realistische Parameter wie Batteriekapazität, Anfangsladezustand, Abfahrtszeit und eine individuelle Reisekette, die aus mehreren Stopps besteht.
Der entscheidende Schritt erfolgt, wenn ein Fahrzeug einen Ladebedarf erkennt – entweder weil seine Batterie fast leer ist oder weil die verbleibende Reichweite für die nächste Strecke nicht ausreicht. An diesem Punkt kommt der Verkehrszeitverzugsfaktor ins Spiel. Statt die aktuell angezeigte Verkehrssituation zu nutzen, berechnet das Modell, wie sich der Verkehr voraussichtlich entwickeln wird, während das Fahrzeug unterwegs ist. Es analysiert historische Verkehrsflussdaten, um den optimalen Zeitverzug für jede Straße zu bestimmen – jene Verzögerung, die die höchste Korrelation zwischen dem Verkehr auf einer Vorgängerstraße und einer nachfolgenden Straße ergibt. Dieser berechnete Faktor wird dann verwendet, um die voraussichtliche Reisezeit für jede mögliche Route zu einer Ladestation zu prognostizieren. Die Route mit der kürzesten vorhergesagten Reisezeit wird als optimale Wahl empfohlen, was die Wahrscheinlichkeit erhöht, dass der Fahrer tatsächlich die erwarteten Bedingungen vorfindet.
Ein ganzheitlicher Ansatz zur Kostenminimierung
Das zweite Modell baut auf den Vorhersagen des ersten auf und ist ein umfassendes Optimierungsmodell für den koordinierten Betrieb des PTCS. Sein Ziel ist nicht die Minimierung der Kosten für einen einzelnen Akteur, sondern die Minimierung der gesamten Systemkosten. Diese Gesamtkosten setzen sich aus vier Hauptkomponenten zusammen:
- Kosten für das Stromnetz: Primär die Energieverluste (Netzverluste) im Verteilnetz, die entstehen, wenn große Mengen an Strom für das Laden von EVs transportiert werden. Diese Verluste sind nicht nur ineffizient, sondern führen auch zu erhöhten Betriebskosten und können die Netzstabilität gefährden.
- Kosten für das Verkehrsnetz: Diese werden durch die Gesamtzeit, die alle Fahrzeuge im Verkehr verbringen, repräsentiert. Staus und lange Reisezeiten sind nicht nur für die Fahrer ärgerlich, sondern haben auch wirtschaftliche und ökologische Folgen.
- Kosten für die Ladestationen: Dies sind die variablen Betriebskosten, die hauptsächlich aus dem Strombezug aus dem übergeordneten Netz bestehen. Eine Ladestation, die während Spitzenlastzeiten viel Strom bezieht, zahlt höhere Preise.
- Kosten für die EV-Nutzer: Dies umfasst die Gesamtkosten der Fahrt zur Ladestation, einschließlich der Fahrzeit, der Wartezeit in der Schlange und der tatsächlich gezahlten Ladegebühr.
Das Modell simuliert den gesamten Prozess für jedes Fahrzeug, das einen Ladebedarf hat. Es berechnet die Gesamtkosten, die entstehen würden, wenn das Fahrzeug zu jeder verfügbaren Ladestation fährt – unter Berücksichtigung der vorhergesagten Reisezeit (aus Modell 1), der voraussichtlichen Wartezeit an der Station und der Auswirkungen der zusätzlichen Last auf das Stromnetz. Die Ladestation, die die niedrigsten Gesamtkosten für das gesamte System erzeugt, wird dann als die optimale Wahl empfohlen. Ein dynamisches Preismodell verstärkt diesen Effekt: Wenn eine Ladestation ihre Kapazitätsgrenze erreicht, steigt der Ladepreis leicht an, was andere Fahrzeuge dazu anregt, Alternativen in Betracht zu ziehen und so eine Überlastung verhindert.
„Es geht nicht darum, den Fahrer zu kontrollieren“, betont Dong Xiaohong. „Es geht darum, ein Anreizsystem zu schaffen, das die natürlichen Entscheidungen der Fahrer in eine Richtung lenkt, die für alle Beteiligten – für die Stadt, für das Energieversorgungsunternehmen und für die Fahrer selbst – am besten ist. Es ist eine Win-Win-Situation, die durch bessere Daten und intelligente Algorithmen ermöglicht wird.“
Überzeugende Ergebnisse aus der Simulation
Die Wirksamkeit dieser Strategie wurde anhand eines detaillierten Fallbeispiels getestet, das ein 24-Knoten-Verkehrsnetz mit einem modifizierten 33-Knoten-Stromverteilungsnetz (IEEE 33-Bus) kombinierte. Die Forscher verglichen drei verschiedene Szenarien:
- Szenario 1: Keine Berücksichtigung des Verkehrszeitverzugs, feste Preise, unabhängiger Betrieb von Strom- und Verkehrsnetz.
- Szenario 2: Keine Berücksichtigung des Verkehrszeitverzugs, aber dynamische Preise und koordinierter Betrieb.
- Szenario 3: Vollständige Berücksichtigung des Verkehrszeitverzugs, dynamische Preise und koordinierter Betrieb (die vorgeschlagene Strategie).
Die Ergebnisse waren beeindruckend. Im Vergleich zu Szenario 1 (der Baseline) konnte die vorgeschlagene Strategie (Szenario 3) die gesamten Systemkosten um 12,7 % senken. Selbst im Vergleich zu Szenario 2, das bereits einen Fortschritt darstellte, wurde eine zusätzliche Kostensenkung von 6,3 % erzielt. Diese Einsparungen verteilten sich auf alle vier Kostenkomponenten.
Besonders bemerkenswert war die Wirkung auf den Verkehr. Durch die Berücksichtigung des Zeitverzugs wurden die Ladeanfragen viel gleichmäßiger auf verschiedene Stationen verteilt. Ohne diesen Faktor strömten viele Fahrzeuge gleichzeitig auf die gleichen Stationen zu, was zu lokalen Verkehrsstaus führte. Mit dem neuen Modell blieben die Straßen deutlich freier. Ein Maß für die Verkehrssituation, der Traffic Performance Index (TPI), zeigte, dass die Anzahl der stark überlasteten Straßenabschnitte (TPI > 0,8) im Szenario 3 um 28 % sank.
Auch das Stromnetz profitierte erheblich. Die Netzverluste konnten um 15,4 % reduziert werden, da die Ladevorgänge besser über die Zeit und den geografischen Raum verteilt wurden, was Spitzenlasten vermied und die Netzbelastung entlastete.
Auswirkungen auf die Zukunft der Smart Cities
Diese Forschung hat weitreichende Implikationen für die Planung und den Betrieb zukünftiger Smart Cities. Sie zeigt, dass die Schaffung einer nachhaltigen und effizienten urbanen Infrastruktur nicht darin besteht, einzelne Systeme isoliert zu optimieren, sondern darin, ihre Interaktionen zu verstehen und zu steuern. Die vorgeschlagene Strategie bietet eine praktikable Blaupause für Energieversorger, Verkehrsbehörden und Stadtplaner.
Für Energieversorger bedeutet dies eine Möglichkeit, die zunehmende Belastung durch Elektrofahrzeuge proaktiv zu managen, ohne sofort in teure Netzverstärkungen investieren zu müssen. Für Stadtplaner bietet es Werkzeuge, um Staus zu reduzieren und die Luftqualität zu verbessern, indem der Verkehr intelligenter gelenkt wird. Und für die Fahrer selbst bedeutet es eine realistischere und zuverlässigere Ladeerfahrung mit kürzeren Wartezeiten und potenziell niedrigeren Kosten.
Die erfolgreiche Umsetzung erfordert jedoch eine enge Zusammenarbeit und den Austausch von Daten zwischen verschiedenen Akteuren. Hochfrequente Verkehrsflussdaten von Verkehrsmanagementsystemen, Echtzeitinformationen von Ladestationen und Netzlastdaten von Verteilnetzbetreibern müssen in einem zentralen System zusammengeführt werden. Dies erfordert offene Datenstandards und robuste Plattformen, die eine sichere und effiziente Datenverarbeitung ermöglichen.
Ausblick und praktische Umsetzung
Die Autoren sehen in ihrer aktuellen Arbeit einen wichtigen Schritt, aber nicht das Ende der Reise. Sie planen, das Modell in Zukunft zu erweitern, um auch das nächtliche Heimladen zu integrieren, das einen erheblichen Teil des Ladebedarfs ausmacht. Die Einbeziehung von Fahrzeug-zu-Netz-Technologien (Vehicle-to-Grid, V2G), bei denen Elektrofahrzeuge als mobile Energiespeicher fungieren können, würde die Flexibilität des Systems noch weiter erhöhen.
Die praktische Umsetzung dieser Strategie könnte über eine cloudbasierte Plattform erfolgen, die als zentraler „Navigator“ für die Elektromobilität fungiert. Diese Plattform würde kontinuierlich Daten aus verschiedenen Quellen sammeln, die optimierten Ladestationsempfehlungen in Echtzeit berechnen und diese über bestehende Navigations-Apps oder Infotainmentsysteme an die Fahrer übermitteln. Die Akzeptanz bei den Nutzern wäre entscheidend. Um sicherzustellen, dass Fahrer den Empfehlungen folgen, könnten Anreize wie Rabatte oder Prioritätswarteschlangen für die Nutzung von optimierten Routen eingeführt werden.
Insgesamt stellt die Arbeit von Liu Jue, Mu Yunfei, Dong Xiaohong und Jia Hongjie einen bedeutenden Fortschritt in der Forschung zur Integration von Energie- und Verkehrssystemen dar. Indem sie den oft übersehenen Faktor der Verkehrszeitverzögerung in den Mittelpunkt stellen, liefern sie nicht nur eine akademische Erkenntnis, sondern eine handfeste Lösung für eine der größten Herausforderungen der urbanen Elektromobilität. Ihre Strategie zeigt, dass durch die intelligente Nutzung von Daten und die Berücksichtigung der Dynamik realer Systeme, die Vision einer nahtlos integrierten, effizienten und nachhaltigen städtischen Infrastruktur greifbarer wird.
Veröffentlicht von Liu Jue, Mu Yunfei, Dong Xiaohong und Jia Hongjie von der Tianjin University und der Hebei University of Technology im Proceedings of the CSU-EPSA, DOI: 10.19635/j.cnki.csu-epsa.001411.