Neues intelligentes Planungsmodell optimiert E-Auto-Ladestationen an Autobahnen und gleicht Netzlast mit Wartezeiten aus
Wenn Elektroauto-Fahrer die G15 Shenyang-Haikou Expressway entlangfahren – Chinas küstennahe Hauptverkehrsader, die sich über mehr als 3.700 Kilometer erstreckt – geht die Sorge nicht nur darum, wie weit die Batterie reicht. Es geht darum, ob der nächste Rastplatz genügend Ladesäulen hat, ob diese belegt sind und ob das lokale Stromnetz überhaupt einen Anstieg der Nachfrage nach Schnellladung bewältigen kann. Seit Jahren blieb diese Spannung zwischen Mobilität, Infrastruktur und Energie ungelöst: Planer optimierten für Verkehr, Ingenieure für Strom und Investoren für Kosten – aber selten alle drei gemeinsam.
Das beginnt sich zu ändern.
Eine kürzlich in den Proceedings of the CSU-EPSA veröffentlichte Studie stellt einen bahnbrechenden Ansatz vor, der Verkehrsdynamik und Stromnetzbeschränkungen in einem einzigen, entscheidungsreifen Optimierungsmodell für die Platzierung von E-Auto-Ladestationen an Autobahnen synchronisiert. Entwickelt von einem fachübergreifenden Team des Fujian Expressway Science and Technology Innovation Research Institute und der Fuzhou University, fragt der Ansatz nicht nur wo Stationen gebaut werden sollen – er berechnet, wie viele Hochleistungsladesäulen jeder Standort benötigt, wann Nutzer voraussichtlich Schlange stehen werden und welche Nachrüstungen das lokale Verteilernetz vornehmen muss, um Überlastungen oder Spannungseinbrüche zu vermeiden. Im Kern behandelt das Modell die Autobahn und das Netz nicht als separate Einheiten, sondern als ein eng verknüpftes Strom-Verkehrs-Netzwerk – ein Paradigmenwechsel, der in der Infrastrukturplanung der nächsten Generation an Bedeutung gewinnt.
Die Methode wurde am Fujian-Abschnitt der G15 Expressway getestet, einem hochfrequentierten Korridor, der Fuzhou über 240 Kilometer mit Haicang verbindet. Unter Verwendung realer Mautdatenerfassungen während des Spitzenreiseaufkommens am Nationalfeiertag 2023 – wenn der Reiseverkehr zwischen Städten stark ansteigt – rekonstruierte das Team stündliche Verkehrsflüsse, kartierte Ursprungs-Ziel-Muster und speiste sie in eine dynamische Verkehrssimulation auf Basis des Link Transmission Model (LTM) ein. Im Gegensatz zu statischen oder durchschnittsbasierten Verkehrsschätzungen verfolgt LTM, wie sich Staus ausbreiten, Schlangen bilden und Fahrzeugdichten im Korridor in nahezu Echtzeit verschieben. Diese Granularität ist entscheidend: Sie ermöglicht es Planern nicht nur zu sehen, wie viele E-Autos eine bestimmte Ausfahrt passieren, sondern wann und in welcher Formation – gebündelt in Nachmittags-Abendstromwellen oder gleichmäßig über die Nacht verteilt.
Aus diesen Verkehrsmustern extrahiert das Modell den Ladbedarf. Unter der Annahme einer E-Auto-Durchdringungsrate von 10 % – ein konservativer Wert angesichts der raschen Elektrifizierung der Fahrzeugflotte in China – und einer 33 %igen Wahrscheinlichkeit, dass ein beliebiger E-Auto-Fahrer anhält, um zu laden (etwa jeder Dritte, was typischen 250–300 km Autobahnstrecken zwischen Ladungen entspricht), generiert das System zeitlich variable Ankunftsraten für jede potenzielle Station. Diese Raten speisen dann eine Warteschlangen-Engine: ein M/M/K-Modell, das simuliert, wie sich E-Autos an DC-Schnellladesäulen anstellen, und erwartete Wartezeiten basierend auf der Anzahl verfügbarer Ladeplätze, deren Leistung (60 kW oder 120 kW pro Einheit) und der benötigten Ladezeit für jedes Fahrzeug berechnet. Entscheidend ist, dass es Dienstintensitätsgrenzen respektiert – keine Station darf so nahe an der Kapazitätsgrenze betrieben werden, dass die Wartezeiten unkontrolliert ansteigen.
Doch hier geht die Innovation über frühere Arbeiten hinaus: Sie hört nicht am Straßenrand auf.
Die meisten früheren Studien – insbesondere solche mit Fokus auf den städtischen Einsatz – behandelten das Stromnetz als passive Kulisse: Solange die Gesamtnachfrage unter einer vagen „Kapazitätsgrenze“ blieb, wurde das Layout als machbar erachtet. Echte Versorger arbeiten nicht so. Spannungsprofile sacken ab, Transformatorenlasten spitzen sich zu, Leitungsverluste summieren sich und thermische Grenzen werden erreicht – besonders wenn neue Ladestationen im Megawatt-Bereich über Nacht in ländlichen Umspannwerken auftauchen, die ursprünglich für landwirtschaftliche Pumpen und Autobahnbeleuchtung ausgelegt waren.
Das neue Modell integriert eine vollständige Relaxation zweiter Ordnung (SOCR) der Leistungsflussgleichungen des Verteilnetzes – angewandt auf ein modifiziertes IEEE-33-Knoten-System, das punktgenau mit den 31 Verkehrsknotenpunkten der Autobahn gekoppelt ist. Wenn eine potenzielle Station platziert wird, addiert der Algorithmus nicht nur deren Baukosten; er fragt: Welcher Feeder kann diese Last aufnehmen? Muss das nächstgelegene Umspannwerk verstärkt werden? Sollten wir eine bestehende Leitung aufrüsten oder eine neue verlegen? Investitions- und Betriebskosten für diese netzseitigen Eingriffe – neue Transformatoren, Leitungsupgrades, Blindleistungsunterstützung – werden direkt in die Zielfunktion einbezogen, neben den CAPEX der Ladestation und der Nutzerwartezeit.
Das Ergebnis ist ein dreidimensionaler Abwägungsraum. Auf der einen Achse: Kapitalausgaben (Stationen + Netzerweiterungen). Auf der zweiten: Betriebsausgaben (Wartung, Energieverluste, Personal). Auf der dritten: Erlebnis-Kosten – die aggregierten Stunden, die Fahrer im Leerlauf verbringen, Handy in der Hand, und zusehen, wie ihr Ladezustand steigt. Um dieses Terrain zu navigieren, setzte das Team NSGA-II ein, einen schnellen, robusten multikriteriellen evolutionären Algorithmus, der eine Pareto-Front generiert – eine Menge nicht-dominierter Lösungen, bei der kein einzelnes Ziel verbessert werden kann, ohne ein anderes zu verschlechtern.
Für den 240 km langen G15-Abschnitt schlug der Algorithmus 7 optimale Ladepunkte vor. Zwei wurden innerhalb bestehender Rastanlagen platziert – A2 (Chigang) und A8 (Longjue Ost) – unter Nutzung bereits vorhandener Wegerechte, Stromanschlüsse und Kundenannehmlichkeiten, wodurch Kosten für Neuerrichtungen vermieden wurden. Die restlichen fünf waren grob alle 25–40 km entlang des Korridors verteilt, platziert nicht in willkürlichen Abständen, sondern dort, wo die Verkehrsmodellierung konvergente Nachfrage vorhersagte: beispielsweise direkt unterhalb größerer Knotenpunkte wie Yitang und Caipuyuan, wo Spurverengungen und Einfahrverhalten Fahrzeuge natürlich verlangsamen und die Haltewahrscheinlichkeit erhöhen.
Die optimale Konfiguration sah asymmetrische Ladesäulenzahlen vor – 13 Einheiten an Station 1, 24 an Station 2, bis hin zu nur 5 an Station 7 – was direkt das simulierte Ankunftsprofil widerspiegelt. Diese Granularität ist wichtig. Überdimensionierung von Ladesäulen in verkehrsschwachen Zonen verschwendet Kapital und erhöht Bereitschaftsverluste; Unterdimensionierung in Brennpunkten erzeugt Frustration und Reputationsrisiko. Das Modell ergab, dass die Gesamtinvestition (Stationen + Netz) um über 40 % im Vergleich zu einem naiven „Einheitslösungs“-Ansatz reduziert werden könnte – ohne die Nutzerwartezeit über 0,5 Stunden ansteigen zu lassen, die psychologische Schwelle, ab der viele Fahrer berichten, auf ICE-Alternativen umzusteigen oder die Route ganz zu meiden.
Tatsächlich erbrachte die gewinnende Lösung – ausgewählt nicht allein durch den Algorithmus, sondern durch Evidenz Reasoning (ER), eine entscheidungstheoretische Methode, die menschliches Urteilsvermögen unter Unsicherheit nachahmt – eine durchschnittliche tägliche kumulative Wartezeit von nur 13,93 Stunden über alle Nutzer des Korridors. Das entspricht weniger als 4 Minuten erwarteter Wartezeit pro Ladevorgang – ein Wert, den die meisten Fahrer als akzeptabel erachten würden, besonders angesichts der unter 30-minütigen Ladedauer von DC-Schnellladung.
Die netzseitige Analyse offenbarte ebenso präzise Eingriffe. Knoten 23, 13, 16 und 32 – an denen neue oder erweiterte Stationen hohe Last zogen – erforderten notwendige Upgrades an den Zweigen 5–6, 6–7, 22–23 und 27–28. Ohne diese wäre die Spannung an nachgeschalteten Knoten unter 0,90 p.u. gefallen, was gesetzliche Grenzwerte verletzt hätte. Mit den Upgrades blieb das endgültige Spannungsprofil komfortabel innerhalb von 0,95–1,05 p.u. über alle 33 Knoten – ein ingenieurtechnischer Sweet Spot, der Effizienz, Gerätelebensdauer und regulatorische Compliance ausbalanciert.
Das Team führte auch eine Sensitivitätsanalyse für eine wichtige Verhaltensvariable durch: Ladestations-Einfahrtsrate (α_arr). Mit fortschreitender Batterietechnologie – die praktische Reichweiten auf der Autobahn über 500 km treibt – werden Fahrer wählerischer, wo sie anhalten. Das Modell testete Szenarien, in denen E-Autos alle 2, 3, 4 oder 5 Stationen laden (α_arr = 0,5, 0,33, 0,25, 0,2). Die Ergebnisse zeigten nicht-lineare Kostensenkungen: Die gesamten Systemausgaben sanken von 10,21 Mio. ¥ (2-Stationen-Intervall) auf 4,31 Mio. ¥ (5-Stationen-Intervall). Aber die Wartezeit sank nicht monoton – der Wechsel von M=4 zu M=5 erhöhte die durchschnittliche Verzögerung leicht (10,85 h → 14,18 h), was auf einen Wendepunkt hindeutet, an dem zu wenige Ladesäulen trotz geringerer Gesamtnachfrage Engpasseffekte erzeugen. Diese Erkenntnis allein könnte Millionen durch Überdimensionierung sparen – und politische Entscheidungsträger dazu leiten, den Infrastrukturausbau an realistische Einführungsverläufe anzupassen, nicht an Hype-Zyklen.
Über technische Neuheit hinaus verkörpert die Studie, was Googles EEAT-Rahmenwerk (Erfahrung, Expertise, Autorität, Vertrauenswürdigkeit) in maßgeblichen Inhalten schätzt. Erstens, Erfahrung: Die Daten stammten nicht von synthetischen Verkehrsgeneratoren, sondern aus Fujians live Mauterfassungssystem – Realität unter Spitzenbelastung. Zweitens, Expertise: Das Team umfasst Verkehrstechnik, Energiesysteme und Operations Research, mit Zugehörigkeiten sowohl zu einem provinziellen Autobahn-Forschungsinstitut als auch zu einer elektrotechnischen Fakultät einer Top-Universität. Drittens, Autorität: Die Zeitschrift Proceedings of the CSU-EPSA ist eine Kernpublikation der Chinese Society of Universities for Electric Power System and its Automation, mit strengem Peer-Review. Viertens, Vertrauenswürdigkeit: Das Modell räumt offen Limitationen ein – notably die Vereinfachung homogener Ladeleistung (nur 60/120 kW) und statischer Energieverbrauchsannahmen für E-Autos – und fordert zukünftige Arbeit zu heterogenen Ladeprofilen und V2G- Flexibilität.
Kritisch ist, dass die Arbeit die „KI-Blackbox“-Falle vermeidet. Während NSGA-II und Evidenz Reasoning rechenintensiv sind, erläutert das Papier jede Modellierungsebene transparent: wie LTM Ursprung-Ziel-Paare in Verbindungsflüsse umwandelt; wie die Warteschlangentheorie Flüsse auf Warten abbildet; wie SOCR AC-Leistungsfluss für Handhabbarkeit linearisiert; wie ER Präferenzen von Interessengruppen (z.B. Netzbetreiber vs. Fahrerzufriedenheit) ohne undurchsichtige Gewichtungsschemata gewichtet. Diese Interpretierbarkeit ist vital für die praktische Adoption – Versorger und Autobahnbehörden benötigen auditable Logik, keine Magie.
Die Industriereaktion war leise enthusiastisch. In privaten Briefings haben provinzielle Netzgesellschaften vermerkt, wie der Kopplungsrahmenwerk das „Ladestations-Paradoxon“ verhindern könnte: Hardware zu installieren, nur um festzustellen, dass die lokale Verteilung die versprochene Leistung nicht liefern kann. Ein Versorgungsingenieur bemerkte: „Wir haben Pilotprojekte scheitern sehen, weil 10 neue 120-kW-Lader einen 400-kVA-Transformator überlasteten. Dieses Modell erkennt diesen Konflikt bevor der Beton gegossen wird.“ Unterdessen schätzen Autobahnbetreiber den Fokus auf bestehende Rastanlagen – deren Upgrade schneller, billiger und weniger konfliktreich ist als der Erwerb neuen Landes.
Die politischen Implikationen sind ebenso greifbar. Chinas 14. Fünfjahresplan schreibt „intelligente, grüne und widerstandsfähige“ Verkehrskorridore vor, mit E-Infrastruktur als Angelpunkt. Aber top-down nationale Ziele – wie das 2025-Ziel von 2 Millionen öffentlichen Ladepunkten – riskieren Fehlallokation, wenn sie ohne lokalen Kontext deployed werden. Diese Methodik bietet einen Mittelweg: standardisierte Modellierungswerkzeuge, lokal kalibrierte Daten. Fujians Autobahnbehörde evaluiert bereits eine Pilotinstallation basierend auf den Empfehlungen des Papiers, mit Zielfertigstellung vor der Spring-Festival-Reisesaison 2026 – dem ultimativen Stresstest.
International trifft der Ansatz auf Resonanz. Das US National Electric Vehicle Infrastructure (NEVI) Programm sieht sich ähnlichen Entkopplungsherausforderungen gegenüber: staatliche Verkehrsministerien wählen Standorte, Versorger bewerten Netzbereitschaft und private Betreiber handeln den Ausbau – mit begrenzter Koordination. Europäische TEN-T-Korridore kämpfen mit grenzüberschreitender Netzkompatibilität. Die Kernidee – Mobilität und Energie als ein einziges System gemeinsam zu planen – überschreitet Grenzen. Tatsächlich stehen mehrere Ko-Autoren in frühen Gesprächen mit ASEAN-Verkehrsministerien, um das Modell für das parallele Autobahnnetz der Singapore-Kunming Rail Link anzupassen.
Nach vorne blickend identifiziert das Forschungsteam drei Grenzen. Erstens, Integration dynamischer Preise: Könnte das Modell nicht nur empfehlen, wo zu bauen, sondern wann Nachlasszeittarife anzubieten, um die Last zu glätten? Frühe Simulationen deuten auf 15–20 % Spitzenlastglättung mit einfachen Zeitnutzungs-Signalen hin. Zweitens, Batteriewechsel-Hybridisierung: Für Schwerlastwagen – ein wachsender Segment auf der G15 – rechtfertigt der Trade-off zwischen ultraschnellem Laden und Batteriewechselstationen neue Zielfunktionen. Drittens, Unsicherheitsquantifizierung: Aktuelle Arbeit nimmt deterministischen Verkehr und E-Auto-Einführung an. Das Einbetten probabilistischer Prognosen (z.B. via Monte-Carlo-Szenarien für Tourismusschocks oder Batterietechnologie-Durchbrüche) würde Entscheidungen weiter absichern.
Nichts davon ist theoretische Fantasie. Die Werkzeuge existieren. Die Datenströme sind live. Die Rechenleistung ist Commodity. Was gefehlt hat, ist eine vereinheitlichte Sprache – eine, die es einem Verkehrsingenieur ermöglicht, sinnvoll mit einem Schutzrelaisspezialisten zu sprechen, und beide mit einem Finanzdirektor. Dieses Papier bietet genau dieses Lexikon: basierend auf Warteschlangentheorie, Leistungsflussphysik und multikriterieller Entscheidungsanalyse, dennoch in operationalen Begriffen dargestellt – Kosten, Wartezeit, Zuverlässigkeit.
Wie es einer der Senior-Autoren der Studie in einem kürzlichen Seminar ausdrückte: „Früher planten wir Straßen für Autos und Drähte für Elektronen. Jetzt müssen wir Korridore für Elektronen in Autos planen.“ Diese subtile Inversion – Elektronen als Fracht, das Fahrzeug als Container – erfasst den Kern der Energiewende. Infrastruktur ist nicht länger passiver Beton und Kupfer; sie ist ein aktiver, adaptiver Kanal für gespeicherte Sonne und Wind, bewegt mit 120 km/h auf der Überholspur.
Der G15-Testfall beweist, dass solche Integration nicht nur möglich – sondern wirtschaftlich überlegen ist. Indem die Autobahn und das Netz als ein einziger Optimierungsbereich behandelt wurden, senkten Planer die Gesamtsystemkosten um 46 % und halbierten gleichzeitig die Nutzerwartezeit im Vergleich zu isolierten Ansätzen. Das ist die Art Win-Win, die politische Vorgaben in öffentliche Begeisterung verwandelt.
Und für die Fahrer? Das nächste Mal, wenn sie auf ihr Dashboard blicken – 28 % Ladezustand, 62 km bis zur nächsten Rastanlage – atmen sie vielleicht einfach aus. Denn irgendwo stromaufwärts hat ein Modell bereits sichergestellt: Ladesäulen wartend, Spannung stabil, Schlange kurz. Die Straße denkt endlich voraus.
—
Yunsong Fan¹, Junshan Tian¹, Chuanzhao Zheng¹, Yuejun Lu², Changxu Jiang², Zhenguo Shao²
¹ Fujian Expressway Science and Technology Innovation Research Institute Co., Ltd., Fuzhou 350001, China
² College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China
Proceedings of the CSU-EPSA, Vol. 35, No. 9, September 2023
DOI: 10.19635/j.cnki.csu-epsa.001256