Neue Studien beleuchten Elektroauto-Ladeinfrastruktur
Die rasante Verbreitung von Elektrofahrzeugen (EVs) verändert nicht nur die Automobilbranche, sondern auch die Art und Weise, wie Energie erzeugt, verteilt und genutzt wird. Während die Vorteile von Elektromobilität hinsichtlich Umwelt und Energieeffizienz oft im Vordergrund stehen, werfen zwei aktuelle wissenschaftliche Untersuchungen ein kritisches Licht auf die Herausforderungen, die mit der Integration dieser Fahrzeuge in bestehende Infrastrukturen verbunden sind. Die erste Studie, durchgeführt von Forschenden der Southeast University in Nanjing, konzentriert sich auf die intelligente Navigation von Elektrofahrzeugen zu Ladestationen. Die zweite, von einem Team der Changsha University of Science and Technology vorgelegt, analysiert die oft übersehenen Auswirkungen schneller Ladevorgänge auf die Stabilität des Stromnetzes. Zusammen bilden diese Arbeiten ein umfassendes Bild der doppelten Herausforderung: Einerseits müssen Fahrzeuge intelligenter werden, um effizienter zu navigieren; andererseits muss die physische Infrastruktur, die diese Fahrzeuge versorgt, robuster und widerstandsfähiger gegenüber plötzlichen Lastspitzen gemacht werden.
Das Team um Song Yuhang, Chen Yufan, Wei Yanling und Gao Shan von der Southeast University hat einen neuartigen Ansatz zur Planung von Lade- und Fahrwegen für Elektrofahrzeuge entwickelt. Ihr Ansatz basiert auf einer Methode des verstärkenden Lernens (Reinforcement Learning), einem Bereich der künstlichen Intelligenz, bei dem ein Agent durch Versuch und Irrtum lernt, optimale Entscheidungen zu treffen. Die zentrale Innovation ihrer Arbeit liegt in der sogenannten „dreigliedrigen Darstellungsmethode“ (three-segment expression method). Diese Methode stellt eine deutliche Abkehr von herkömmlichen Modellen dar, die Ladestationen einfach als Knotenpunkte in einem Straßenverkehrsnetz betrachten. In diesen vereinfachten Modellen wird ein Stopp an einer Ladestation als ein weiterer Punkt auf einer Route behandelt, ähnlich wie eine Kreuzung. Diese Abstraktion ignoriert jedoch eine entscheidende Realität: Ladestationen befinden sich selten direkt an einer Kreuzung. Stattdessen liegen sie meist abseits der Hauptstraße, was bedeutet, dass ein Fahrzeug langsamer werden, abbiegen und oft durch enge Parkbereiche navigieren muss, bevor es angeschlossen werden kann. Diese Manöver verbrauchen nicht nur zusätzliche Energie, sondern kosten auch wertvolle Zeit.
Die dreigliedrige Methode löst dieses Problem, indem sie jede Fahrt zu einer Ladestation in drei separate Phasen unterteilt. Die erste Phase beschreibt die Bewegung vom Ausgangspunkt – sei es eine Privatadresse oder ein Büro – auf die nächstgelegene Straße. Die zweite Phase ist die Standardfahrt entlang des Straßenverkehrsnetzes von einem Knotenpunkt zum nächsten. Die dritte und letzte Phase ist der Anfahrtsweg zur eigentlichen Ladestation oder zum Endziel. Diese Segmentierung ermöglicht es dem Algorithmus, die realen Kosten der Ladestationen-Anfahrt – wie Energieverlust durch Bremsen und Beschleunigen, Zeit für das Einparken und mögliche Wartezeiten – explizit in die Routenplanung einzubeziehen. Dies ist ein Paradigmenwechsel: Statt den Ladestopp als eine separate, binäre Entscheidung zu sehen („soll ich laden oder nicht?“), wird das Abbiegen in die Ladestation als eine natürliche Fortsetzung der Fahrtrichtungswahl behandelt. Diese Vereinfachung reduziert die Komplexität des Entscheidungsprozesses erheblich und führt zu effizienteren Berechnungen.
Die Forschenden haben dieses Modell in einer simulierten Umgebung getestet, die einen 34 Quadratkilometer großen Bereich um die Southeast University herum abbildet. Sie nutzten zwei verschiedene Algorithmen des verstärkenden Lernens: Q-Lernen und ein tiefes Q-Netzwerk (DQN). Beide Methoden funktionieren nach dem Prinzip, dass ein digitaler Agent (die künstliche Intelligenz) in einer Umgebung agiert und Belohnungen für erfolgreiche Aktionen erhält, wie zum Beispiel das Erreichen eines Ziels mit minimalem Energieverbrauch, geringer Fahrzeit und niedrigen Ladekosten. Fehlschläge, wie das Ausbleiben der Ladung, werden mit Strafen belegt. Die Umgebung, in der der Agent operiert, ist dabei vollständig auf die dreigliedrige Logik ausgerichtet. Die Zustandsvariablen, die der Agent beobachtet, umfassen nicht nur die aktuelle Position und den Batteriezustand (State of Charge, SoC), sondern auch die verstrichene Zeit, die bisher zurückgelegte Strecke und die akkumulierten Ladekosten. Diese umfassende Datengrundlage ermöglicht eine realitätsnahe Simulation des Fahrverhaltens.
Ein besonderes Merkmal des Modells ist die Art und Weise, wie der Ladevorgang selbst modelliert wird. Wenn das Fahrzeug eine Ladestation erreicht, berücksichtigt der Algorithmus nicht nur den Preis pro Kilowattstunde, sondern auch die erwartete Wartezeit, die auf der Anzahl verfügbarer Ladepunkte und der aktuellen Nachfrage basiert. Außerdem berechnet er die Zeit, die benötigt wird, um die Batterie auf ein vorgegebenes Niveau aufzuladen, was von der Leistung des Ladegeräts und der Kapazität der Batterie abhängt. Diese ganzheitliche Betrachtung ermöglicht es dem System, die Gesamtkosten – sowohl in Zeit als auch in Geld – für das Laden an verschiedenen Stationen zu vergleichen, selbst wenn diese nicht direkt auf der kürzesten Route liegen. In den Tests zeigte sich, dass der dreigliedrige Ansatz gegenüber herkömmlichen Methoden deutlich überlegen war. Er führte zu kürzeren Gesamtfahrzeiten, geringerem Energieverbrauch und reduzierten Ladekosten. Dieser Vorteil resultiert direkt aus der Fähigkeit des Modells, die realen Ineffizienzen beim Zugang zu Ladestationen zu berücksichtigen, die traditionelle Algorithmen ignorieren. Darüber hinaus erwies sich das Framework als übertragbar: Wenn es in einem anderen städtischen Gebiet, wie beispielsweise um den People’s Park in Chengdu, getestet wurde, passte sich der gleiche Algorithmus schnell an und erzeugte ähnlich optimierte Routen, ohne dass eine grundlegende Neukonfiguration erforderlich war.
Die praktischen Implikationen dieser Forschung sind weitreichend. Für die Entwicklung autonomer Fahrzeuge ist eine präzise und realistische Routenplanung unerlässlich. Ein selbstfahrendes Elektrofahrzeug kann es sich nicht leisten, seinen Energiebedarf falsch einzuschätzen oder die Zeit, die benötigt wird, um eine Ladestation anzusteuern, zu vernachlässigen. Die dreigliedrige Darstellungsmethode bietet einen granulareren und physikalisch fundierteren Ansatz, um diese Interaktionen zu modellieren. Dies könnte letztendlich zu zuverlässigeren und benutzerfreundlicheren Navigationssystemen in zukünftigen Elektrofahrzeugen führen. Es ist ein entscheidender Schritt, um die „Reichweitenangst“ nicht nur durch größere Batterien, sondern auch durch intelligentere Planung zu überwinden.
Während die erste Studie darauf abzielt, die Interaktion zwischen Fahrzeug und Infrastruktur zu optimieren, beleuchtet die zweite Studie die Belastung, die diese Interaktion auf das Stromnetz selbst ausübt. Das Team um Wang Hongbiao, Su Shiping, Hu Yajie und Ouyang Zhenyu von der Changsha University of Science and Technology hat sich auf die transitorischen Störungen konzentriert, die durch den Betrieb von Schnellladestationen verursacht werden. Im Gegensatz zum langsamen Laden an einer Haushaltssteckdose liefern Schnelllader Energie mit einer Leistung von über 50 Kilowatt, teilweise sogar über 350 kW. Diese hohen Leistungen werden durch komplexe Leistungselektronik erzeugt, die Wechselstrom (AC) aus dem Netz in Gleichstrom (DC) umwandelt, der für die Batterie geeignet ist. Dieser Prozess beinhaltet Gleichrichter, hochfrequente Transformatoren und DC-DC-Wandler, die alle auf dem schnellen Schalten von Halbleiterbauelementen wie IGBTs und Dioden basieren. Dieses schnelle Schalten erzeugt jedoch elektromagnetische Transienten – kurze, aber intensive elektrische Störungen, die sich durch das Netz ausbreiten können.
Die Forschenden haben ein detailliertes Simulationsmodell eines Verteilungsnetzes entwickelt, das eine schnelle Ladestation mit Gleichstrombus integriert, eine Topologie, die zunehmend verwendet wird, um erneuerbare Energiequellen wie Solaranlagen einzubinden. Ihre Analyse konzentriert sich auf zwei Arten von Störungen: Spannungseinbrüche (Voltage Sags) und elektromagnetische Transienten. Spannungseinbrüche sind kurzzeitige Abnahmen der Spannungsamplitude, die typischerweise einige Millisekunden bis Sekunden andauern. Sie können auftreten, wenn eine große Last, wie eine Flotte von Elektrofahrzeugen, die gleichzeitig mit dem Laden beginnen, einen plötzlichen Stromstoß aus dem Netz zieht. In ihren Simulationen beobachteten die Forscher, dass beim Einschalten einer Schnellladestation bereits nach 0,1 Sekunden ein sofortiger Spannungsabfall auftrat. Die Spannung blieb während des gesamten Ladevorgangs unter dem Nennwert und erholte sich erst, als die Station nach 0,6 Sekunden wieder abgeschaltet wurde. Dieser anhaltende Einbruch zeigt, dass die Spannungsregelungssysteme des Netzes möglicherweise nicht schnell genug reagieren können, um plötzliche Laständerungen auszugleichen, besonders in Gebieten mit begrenzter Erzeugung oder schwacher Netzinfrastruktur.
Noch heimtückischer sind die elektromagnetischen Transienten, die als hochfrequente Oszillationen oder Impulsspitzen in den Spannungs- und Stromwellenformen auftreten. Diese Störungen entstehen direkt aus den Schaltvorgängen innerhalb der Leistungselektronik des Ladegeräts. Die Studie identifizierte einen Impuls-Transienten nach 0,105 Sekunden und einen oszillierenden Transienten nach 0,121 Sekunden nach der Aktivierung der Station. Obwohl sie kurzlebig sind, können diese Ereignisse empfindliche Geräte wie industrielle Steuerungen, medizinische Ausrüstung und Kommunikationssysteme stören, die denselben Stromkreis nutzen. Die Intensität dieser Transienten nimmt dramatisch unter Fehlerbedingungen zu. Bei einem Zweiphasen-Kurzschluss fiel die Spannung auf den betroffenen Phasen auf 0,6 und 0,69 per unit (p.u.), während die elektromagnetischen Transienten intensiver wurden und zu unterschiedlichen Zeitpunkten auftraten – 0,372 Sekunden für den Impuls und 0,41 Sekunden für die Oszillation. Bei einem Zweiphasen-Erdungskurzschluss erschien der oszillierende Transient sogar noch früher, nach 0,302 Sekunden, und dauerte 5 Millisekunden. Bemerkenswerterweise fanden die Forscher heraus, dass Transienten während des Löschens bestimmter Fehler nicht auftraten, was darauf hindeutet, dass die Erdungskonfiguration und die Art des Fehlers eine entscheidende Rolle bei der Erzeugung von Transienten spielen.
Diese Erkenntnisse haben unmittelbare praktische Konsequenzen. Wenn Städte immer mehr Schnellladestationen installieren – oft gebündelt in Gewerbegebieten oder entlang von Autobahnen – könnte die kumulative Wirkung mehrerer Ladestationen, die gleichzeitig in Betrieb genommen werden, einen „perfekten Sturm“ aus Spannungseinbrüchen und Transienten erzeugen, insbesondere während der Spitzenladezeiten am Morgen oder Abend. Ohne geeignete Gegenmaßnahmen wie dynamische Spannungsregler, aktive Filter oder lokale Energiespeicher könnte die Zuverlässigkeit des lokalen Netzes beeinträchtigt werden, was zu Fehlfunktionen von Geräten oder sogar zu Stromausfällen führen könnte. Die Studie unterstreicht auch die entscheidende Bedeutung intelligenter Lade-Strategien. Unkontrolliertes, „dummes“ Laden – bei dem Fahrzeuge sofort mit dem Laden beginnen, sobald sie angeschlossen werden – verschärft diese Probleme. Im Gegensatz dazu kann koordiniertes Laden, bei dem der Zeitpunkt und die Laderate über eine Kommunikation mit dem Netz gesteuert werden, die Lastprofile glätten und die Wahrscheinlichkeit schwerer Störungen verringern. Die Integration von Batteriespeichern an Ladestationen kann darüber hinaus Inrush-Ströme abfedern, indem sie sofortige Leistung während des Startvorgangs bereitstellen.
Aus Sicht des Designs schlagen die Forscher vor, dass Hersteller die Netzqualität verbessern können, indem sie Steuerungsalgorithmen optimieren, Soft-Start-Mechanismen einbauen und hochwertigere Filterkomponenten verwenden. Die Einführung von Halbleitern mit breitem Bandabstand wie Siliziumkarbid (SiC) oder Galliumnitrid (GaN) könnte ebenfalls die Schaltverluste und die Transienten-Emissionen reduzieren und zu einer saubereren Energieübertragung führen. Regulierungsbehörden müssen möglicherweise auch Standards aktualisieren, um diesen Herausforderungen gerecht zu werden. Bestehende Leitlinien wie IEEE 1159 und IEC 61000 bieten allgemeine Empfehlungen zur Netzqualität, erfassen aber möglicherweise nicht vollständig das dynamische Verhalten von Schnellladestationen. Die Autoren empfehlen, dass zukünftige Überarbeitungen spezifische Bestimmungen für die Ladeinfrastruktur für Elektrofahrzeuge enthalten, insbesondere hinsichtlich der Immunität gegen Transienten und Emissionsgrenzwerten.
Insgesamt zeigen diese beiden Studien die vielschichtige Natur des Übergangs zur Elektromobilität. Auf der einen Seite bieten intelligente Algorithmen eine effizientere und realistischere Art, Elektrofahrzeuge zu navigieren. Auf der anderen Seite offenbart die physische Realität des schnellen Ladens die verborgenen Kosten für das Stromnetz. Die Arbeit von Song Yuhang, Chen Yufan, Wei Yanling und Gao Shan von der Southeast University bietet einen realistischeren und effizienteren Weg zur Planung von Fahrten mit Elektrofahrzeugen, während die Forschung von Wang Hongbiao, Su Shiping, Hu Yajie und Ouyang Zhenyu von der Changsha University of Science and Technology die versteckten Auswirkungen schnellen Ladens auf das elektrische System aufzeigt. Für eine erfolgreiche und nachhaltige Elektrifizierung müssen beide Aspekte gleichzeitig angegangen werden. Intelligente Fahrzeuge benötigen intelligente Netze. Die Integration von Elektrofahrzeugen ist nicht einfach eine Frage des Austauschs von Verbrennungsmotoren gegen Batterien – es ist eine Transformation des gesamten Energiesystems. Die Sicherstellung, dass diese Transformation nachhaltig, effizient und belastbar ist, wird kontinuierliche Innovation nicht nur in Fahrzeugen und Ladetechnologie, sondern auch in der Infrastruktur und den politischen Rahmenbedingungen erfordern, die sie unterstützen.
Song Yuhang, Chen Yufan, Wei Yanling, Gao Shan, Southeast University, Journal of Automation of Electric Power Systems, DOI: 10.7500/AEPS20230621004; Wang Hongbiao, Su Shiping, Hu Yajie, Ouyang Zhenyu, Changsha University of Science and Technology, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.06.021