Neues KI-Modell revolutioniert Prognose von E-Auto-Ladevorgängen
Die rasante Verbreitung von Elektrofahrzeugen (EVs) stellt die Stromnetze weltweit vor eine bisher ungekannte Herausforderung. Die unkoordinierte Nutzung von Ladestationen führt zu starken Lastspitzen, die die Stabilität der Netze gefährden und die Integration erneuerbarer Energien erschweren. Genauere Prognosen über den Ladebedarf sind daher nicht nur für Energieversorger, sondern auch für Stadtplaner und Infrastrukturbetreiber von entscheidender Bedeutung. Ein Forscherteam der School of Artificial Intelligence an der Henan University hat nun ein bahnbrechendes KI-Modell vorgestellt, das die Genauigkeit von Ladeleistungsprognosen erheblich verbessert, insbesondere bei starken Lastschwankungen und über längere Zeiträume.
Die Studie, die von Zhang Yanyu, Zhang Zhiming, Liu Chunyang, Zhang Xibeng und Zhou Yi geleitet wurde, stellt einen Paradigmenwechsel in der Prognosetechnik dar. Anstatt statische Verbindungen zwischen Ladestationen anzunehmen, nutzt ihr Ansatz ein dynamisches adaptives Graph-Neuronales Netzwerk (DAGNN), das die komplexen räumlichen und zeitlichen Abhängigkeiten zwischen den Stationen kontinuierlich neu lernt. Dieser Ansatz ist besonders effektiv, weil er sich auf diejenigen Stationen konzentriert, die den größten Einfluss auf das Netz haben: diejenigen mit hohen Lastschwankungen.
Die Kernidee der Forscher liegt in der Erkenntnis, dass die meisten Ladestationen einen relativ stabilen und vorhersehbaren Ladebedarf aufweisen. Das wahre Risiko für das Stromnetz geht jedoch von einer kleinen Anzahl von „kritischen Knoten“ aus – Stationen, die plötzlich und stark genutzt werden, beispielsweise an belebten Verkehrsknotenpunkten oder in der Nähe von Einkaufszentren. Traditionelle Prognosemodelle, sei es statistische Verfahren oder ältere KI-Modelle, behandeln alle Stationen oft gleich, was zu einer Verschleierung dieser entscheidenden Schwankungen führt. Das neue Modell hingegen identifiziert diese kritischen Knoten aktiv und richtet seine Aufmerksamkeit gezielt auf deren Verhalten.
Dies geschieht durch eine mehrstufige Architektur, die räumliche und zeitliche Informationen auf eine bisher nicht gekannte Weise verbindet. Der erste Schritt ist die Erstellung eines „adaptiven Relevanzgraphen“. Dieser Graph ist nicht fest vorgegeben, sondern wird vom Modell selbst gelernt. Er analysiert kontinuierlich die Lastdaten und berechnet, wie stark die Nutzung einer Station die Nutzung einer anderen beeinflusst. Wichtig ist, dass dieser Graph dynamisch ist – die Verbindungen und deren Stärke ändern sich im Laufe der Zeit, je nachdem, wie sich die Nutzungsmuster entwickeln. Wenn beispielsweise eine Baustelle den Verkehr umleitet, könnte eine bisher ruhige Station plötzlich zu einem Hotspot werden. Das Modell erkennt diese Verschiebung und passt den Graphen entsprechend an.
Parallel dazu kommt ein sogenanntes „Multi-Head-Attention“-Mechanismus zum Einsatz. Dieser Teil des Modells ist für die Analyse der zeitlichen Muster zuständig. Er kann Muster über sehr lange Zeiträume erkennen, von kurzfristigen Lastspitzen bis hin zu wiederkehrenden täglichen oder wöchentlichen Nutzungsgewohnheiten. Die „mehrköpfige“ Struktur bedeutet, dass verschiedene Teile des Modells gleichzeitig auf unterschiedliche Aspekte der Zeitreihe achten können – ein Kopf könnte auf plötzliche Sprünge achten, ein anderer auf den allgemeinen Tagesverlauf. Diese parallele Verarbeitung ermöglicht eine umfassendere Analyse als herkömmliche rekursive Netze.
Die wahre Stärke des Modells liegt jedoch in der Verschmelzung dieser beiden Ansätze. Die Forscher kombinieren den dynamisch gelernten räumlichen Graphen mit dem leistungsstarken zeitlichen Attention-Mechanismus in einer speziellen „räumlich-zeitlichen Korrelations-Feature-Extraktionsschicht“. Diese Schicht erzeugt eine umfassende, integrierte Darstellung der Daten, die sowohl die räumlichen Beziehungen zwischen den Stationen als auch die zeitlichen Muster in ihrer Nutzung berücksichtigt. Es ist, als würde das Modell nicht nur wissen, was an jeder Station passiert, sondern auch, wie das, was an einer Station geschieht, die Nutzung an anderen Stationen beeinflusst – und das alles im zeitlichen Kontext.
Nach dieser ersten, tiefgreifenden Analyse werden die extrahierten Features in eine räumlich-zeitliche Faltungsschicht eingespeist. Hier kommt die nächste technische Innovation zum Tragen. Für die räumliche Dimension verwendet das Modell eine „Chebyshev-Polynom-Graph-Faltung“. Diese Technik ermöglicht es dem Modell, Informationen über mehrere „Hops“ im Netzwerk zu verbreiten. Das bedeutet, dass der Einfluss einer Station nicht nur auf ihre direkten Nachbarn beschränkt ist, sondern auch indirekt auf Stationen wirken kann, die weiter entfernt liegen, aber durch eine Kette von Abhängigkeiten verbunden sind. Für die zeitliche Dimension setzt das Modell eine „mehrskalige kausale Faltung“ ein. Durch den Einsatz von Faltungskernen unterschiedlicher Größe kann das Modell gleichzeitig Muster auf verschiedenen Zeitskalen erkennen – von stündlichen Änderungen bis hin zu mehrtägigen Zyklen.
Diese Architektur ist besonders robust gegenüber dem sogenannten „Fehlerakkumulationsproblem“, das viele Vorhersagemodelle plagt. Bei längerfristigen Prognosen neigen Fehler aus frühen Vorhersageschritten dazu, sich zu summieren und die Gesamtgenauigkeit stark zu beeinträchtigen. Durch den Einsatz von Residualverbindungen und Schichtnormalisierung sorgt das Modell der Henan University dafür, dass die Lernsignale stabil durch das Netzwerk fließen, was eine präzise Vorhersage über einen Zeitraum von bis zu 12 Tagen ermöglicht.
Die Wirksamkeit des Modells wurde anhand zweier realer Datensätze aus Dundee (Schottland) und Palo Alto (Kalifornien) getestet. Die Ergebnisse sprechen eine klare Sprache. Im Vergleich zu etablierten Spitzenmodellen wie DCRNN, Graph WaveNet und Ada-STNet erzielte das neue Modell die niedrigsten Vorhersagefehler in allen Metriken – mittlerer absoluter Fehler (MAE), mittlerer absoluter prozentualer Fehler (MAPE) und quadratischer Mittelwertfehler (RMSE). Besonders beeindruckend ist die Leistung bei extremen Lastschwankungen. In Szenarien, in denen die Ladeleistung plötzlich um mehr als das Dreifache anstieg, lag der Fehler des neuen Modells unter 15%, während der Fehler von Graph WaveNet in solchen Fällen über 30% anstieg. Diese Robustheit unter Volatilität ist der entscheidende Vorteil, der aus der gezielten Fokussierung auf die kritischen Knoten durch den adaptiven Graphen resultiert.
Die Auswirkungen dieser Forschung sind weitreichend. Für Energieversorger bedeutet eine genauere Prognose eine bessere Planung der Erzeugung und einen effizienteren Einsatz von Speichern, was Kosten spart und die Netzstabilität erhöht. Stadtplaner können mit diesen Daten gezielt dort neue Ladepunkte errichten, wo sie in Zukunft am dringendsten benötigt werden, anstatt auf Basis von Schätzungen zu handeln. Dies optimiert die öffentliche Infrastruktur und verhindert Fehlinvestitionen. Für Betreiber von Ladesäulenflotten oder Flotten von Elektrofahrzeugen ermöglicht die Prognose eine bessere Planung von Ladevorgängen, um Lastspitzen zu vermeiden und die Betriebskosten zu minimieren.
Ein weiteres Anwendungsfeld ist das Demand-Response-Management. Versorger könnten gezielte Anreize (z.B. niedrigere Tarife) für das Laden in Zeiten geringer Netzbelastung anbieten. Eine präzise Vorhersage ermöglicht es, diese Programme genau auf die Zeiten abzustimmen, in denen sie den größten Effekt erzielen. In Regionen mit hohem Anteil an Wind- und Solarenergie könnte die Prognose helfen, das Laden von Elektrofahrzeugen mit Zeiten überschüssiger erneuerbarer Erzeugung zu synchronisieren. Dies maximiert die Nutzung grüner Energie und reduziert die Abhängigkeit von fossilen Kraftwerken zur Netzstabilisierung.
Die Forscher geben jedoch zu, dass das Modell Raum für Verbesserungen bietet. Derzeit basiert die Vorhersage ausschließlich auf historischen Lastdaten. Die Einbeziehung externer Faktoren wie Wetterdaten (Temperatur, Niederschlag), Feiertage oder Großveranstaltungen könnte die Genauigkeit weiter steigern, da diese Ereignisse das Fahr- und Ladeverhalten erheblich beeinflussen. Eine weitere vielversprechende Richtung ist die Integration von anonymisierten Nutzerdaten, wie z.B. Fahrstrecken oder Ladesitzungen. Dies könnte zu personalisierten Prognosen und maßgeschneiderten Dienstleistungen führen.
Aus rechentechnischer Sicht ist das Modell anspruchsvoll und erfordert erhebliche Rechenressourcen für das Training. Zukünftige Arbeiten könnten sich daher auf die Optimierung des Modells für den Einsatz in ressourcenbeschränkten Umgebungen konzentrieren, beispielsweise durch Techniken wie Modellkomprimierung.
Trotz dieser Herausforderungen stellt die Studie einen signifikanten Durchbruch dar. Sie zeigt, wie durch die intelligente Kombination von adaptiven Graphen und modernen Attention-Mechanismen eine neue Generation von Prognosetools entsteht. Diese Tools sind nicht nur genauer, sondern auch robuster und besser in der Lage, die Komplexität der realen Welt abzubilden. Die Arbeit von Zhang Yanyu und seinen Kollegen ist mehr als nur ein wissenschaftlicher Fortschritt; sie ist ein praktisches Werkzeug, das entscheidend dazu beitragen kann, die Energiewende im Verkehrssektor erfolgreich zu gestalten und eine nachhaltige, intelligente und widerstandsfähige Energiezukunft zu bauen.
Zhang Yanyu, Zhang Zhiming, Liu Chunyang, Zhang Xibeng, Zhou Yi, School of Artificial Intelligence, Henan University. Electric Vehicle Charging Load Prediction Based on Dynamic Adaptive Graph Neural Network, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230611001