Neues KI-Modell verbessert Prognose von E-Auto-Ladevorgängen
Die globale Elektromobilität steht vor einer entscheidenden Herausforderung: Wie lässt sich die unvorhersehbare und stark schwankende Nachfrage nach Ladeleistung präzise vorhersagen, um Stromnetze stabil und effizient zu halten? Eine neue Studie, die kürzlich in der Fachzeitschrift Shandong Electric Power veröffentlicht wurde, liefert eine vielversprechende Antwort. Ein Forscherteam unter der Leitung von Chen Xiaohua vom Zhanjiang Power Supply Bureau der Guangdong Power Grid Co., Ltd. und der Guangdong University of Technology hat ein hochinnovatives KI-Framework entwickelt, das die Genauigkeit von Prognosen für die kurzfristige Ladeleistung von Elektrofahrzeugen (EV) erheblich steigern kann. Diese Arbeit stellt einen bedeutenden Fortschritt im Bereich der intelligenten Netzsteuerung dar und könnte die Art und Weise, wie Versorgungsunternehmen mit der wachsenden Zahl von E-Autos umgehen, nachhaltig verändern.
Der Übergang zu elektrischen Fahrzeugen ist nicht nur eine Frage der Emissionsreduzierung, sondern auch eine enorme technische Herausforderung für die bestehende Strominfrastruktur. Im Gegensatz zu traditionellen Verbrauchern, deren Lastprofile relativ konstant sind, verhalten sich Elektrofahrzeuge als Last äußerst stochastisch. Die Ladezeit hängt von einer Vielzahl individueller Faktoren ab: Wann verlässt der Fahrer das Haus oder die Arbeit? Wie lange dauert die Fahrt? Wo wird geladen – zu Hause, am Arbeitsplatz oder an einer öffentlichen Schnellladesäule? Und wann wird das Fahrzeug wieder vom Netz getrennt? Diese Variabilität führt zu einem Lastprofil, das chaotisch, nichtlinear und nicht-stationär ist. Für Betreiber von Stromnetzen bedeutet dies ein hohes Maß an Unsicherheit. Unpräzise Prognosen können zu einer Überlastung des Netzes während Spitzenzeiten führen, was wiederum zu Spannungseinbrüchen, erhöhten Verlusten und einer Notwendigkeit für teure Netzausbauten führen kann. Gleichzeitig verhindern sie eine optimale Nutzung von erneuerbaren Energien, da Überschüsse aus Wind- und Solarkraftwerken nicht effizient in die Ladevorgänge von E-Autos umgeleitet werden können.
Die bisherigen Ansätze zur Vorhersage der Ladeleistung lassen sich grob in zwei Kategorien einteilen: modellbasierte und datengetriebene Methoden. Modellbasierte Ansätze, wie Monte-Carlo-Simulationen oder Markov-Ketten, versuchen, das Fahr- und Ladeverhalten von Nutzern durch komplexe mathematische Modelle nachzubilden. Obwohl diese Methoden theoretisch fundiert sind, leiden sie oft daran, dass sie auf Annahmen basieren, die nicht immer der Realität entsprechen, und dass ihnen häufig die notwendigen, hochaufgelösten Echtzeitdaten fehlen, um genaue Vorhersagen zu treffen. Datengetriebene Methoden, die auf maschinellem Lernen basieren, wie Support-Vektor-Maschinen (SVM), Convolutional Neural Networks (CNN) oder Long Short-Term Memory (LSTM) Netzwerke, nutzen historische Ladedaten, um Muster zu erkennen und zukünftige Werte vorherzusagen. Diese Ansätze haben in den letzten Jahren an Bedeutung gewonnen, da immer mehr Daten verfügbar sind. Allerdings stoßen auch sie an ihre Grenzen. Viele dieser Modelle sind komplex, erfordern die Feinabstimmung mehrerer Hyperparameter und sind anfällig für Rauschen und Ausreißer in den Daten, was ihre Genauigkeit beeinträchtigen kann.
Das Forscherteam um Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng und Wang Zhiping präsentiert nun einen hybriden Ansatz, der die Stärken verschiedener Technologien kombiniert, um diese Schwächen zu überwinden. Ihr vorgeschlagenes Modell, CEEMD-SE-POA-GRNN, ist ein mehrstufiger Prozess, der darauf abzielt, die inhärente Komplexität des Ladeverhaltens schrittweise zu entwirren und zu analysieren.
Der erste Schritt des Prozesses ist die Zerlegung des rohen Ladeleistungssignals. Dazu verwenden die Forscher die sogenannte „Complementary Ensemble Empirical Mode Decomposition“ (CEEMD). Dieses Verfahren ist in der Lage, ein komplexes, nicht-stationäres Signal in eine Reihe von einfacheren, sogenannten „Intrinsic Mode Functions“ (IMFs) und eine Restkomponente zu zerlegen. Jede IMF repräsentiert eine bestimmte Frequenzbandbreite oder einen bestimmten zeitlichen Trend innerhalb der ursprünglichen Daten – von schnellen, hochfrequenten Schwankungen bis hin zu langfristigen Trends. Diese Zerlegung ist entscheidend, da sie ein extrem komplexes Problem in mehrere einfachere Teilprobleme aufteilt. Anstatt ein einziges, überaus komplexes Modell für das gesamte Signal zu trainieren, kann nun für jede einzelne IMF ein spezialisierteres und präziseres Modell entwickelt werden.
Ein bekanntes Problem bei Zerlegungsmethoden wie CEEMD ist jedoch das sogenannte „Mode Mixing“ und die Erzeugung redundanter IMFs. Es kann vorkommen, dass ähnliche Frequenzkomponenten über mehrere IMFs verteilt sind, was die Effizienz des Modells verringert und die Rechenzeit unnötig erhöht. Um dieses Problem zu lösen, greift das Team auf die „Sample Entropy“ (SE) zurück. Die Sample Entropy ist ein Maß für die Komplexität und Vorhersagbarkeit eines zeitlichen Signals. Ein Signal mit hoher Entropie ist chaotischer und schwerer vorherzusagen, während ein Signal mit niedriger Entropie regelmäßiger und strukturierter ist. Die Forscher berechnen die Sample Entropy für jede einzelne IMF, die durch CEEMD generiert wurde. IMFs, die ähnliche Entropiewerte aufweisen, werden als in ihrer Dynamik vergleichbar eingestuft. Diese ähnlichen IMFs werden dann mathematisch zusammengeführt oder „rekonstruiert“, um die Redundanz zu reduzieren und die Anzahl der zu modellierenden Komponenten zu verringern. In ihrer Studie konnten sie so die Anzahl der relevanten Komponenten signifikant reduzieren, was die Effizienz des gesamten Prozesses steigert.
Nach dieser sorgfältigen Datenbereinigung und -aufbereitung folgt der Kern des Vorhersagemodells: die Prognose selbst. Hier setzen die Forscher auf das „Generalized Regression Neural Network“ (GRNN). GRNN ist ein spezieller Typ eines neuronalen Netzes, der für nichtlineare Regressionsaufgaben besonders gut geeignet ist. Im Gegensatz zu tiefen neuronalen Netzen wie LSTM, die Hunderte oder Tausende von Gewichten haben, die trainiert werden müssen, hängt die Leistung eines GRNN hauptsächlich von einem einzigen, kritischen Parameter ab: dem „Glättungsfaktor“ (smoothing factor). Dieser Faktor bestimmt, wie stark die Vorhersage von den einzelnen Trainingsdatenpunkten beeinflusst wird. Ein zu hoher Wert führt zu einer zu glatten, zu allgemeinen Kurve, die wichtige Details und Spitzen verpasst. Ein zu niedriger Wert macht das Modell zu empfindlich gegenüber Rauschen und führt zu einer Überanpassung an die Trainingsdaten, was die Vorhersagekraft für neue, unbekannte Daten verringert. Die Wahl des optimalen Glättungsfaktors ist daher der Schlüssel zur Genauigkeit des GRNN.
Um diesen optimalen Wert zu finden, verwenden die Forscher den „Pelican Optimization Algorithm“ (POA). POA ist ein relativ neuer, naturinspirierter Optimierungsalgorithmus, der 2022 erstmals vorgestellt wurde. Er modelliert das Jagdverhalten von Pelikanen, die abwechselnd zwischen zwei Phasen wechseln: der Erkundungsphase, in der sie große Gebiete absuchen, um potenzielle Beute zu finden, und der Ausbeutungsphase, in der sie sich gezielt auf eine entdeckte Beute stürzen. In der Sprache der Optimierung entspricht die Erkundungsphase einer breiten Suche im Lösungsraum, um vielversprechende Regionen zu identifizieren. Die Ausbeutungsphase entspricht dann einer intensiven, lokalen Suche in diesen vielversprechenden Regionen, um die beste mögliche Lösung zu finden. Der POA wird in diesem Kontext verwendet, um den gesamten möglichen Bereich für den Glättungsfaktor systematisch zu durchsuchen. Er testet verschiedene Werte, bewertet die Leistung des GRNN-Modells für jeden Wert anhand eines Fehlermaßes (z.B. dem mittleren quadratischen Fehler) und iteriert, bis er den Wert findet, der den Vorhersagefehler minimiert. Dieses optimierte Modell wird als POA-GRNN bezeichnet.
Der gesamte Prozess – Zerlegung mit CEEMD, Redundanzreduktion mit SE und Optimierung des GRNN mit POA – ergibt das finale Modell: CEEMD-SE-POA-GRNN. Um die Leistung dieses neuen Ansatzes zu testen, verwendeten die Forscher reale Ladedaten aus einer Region in China, die die Ladeleistung von E-Autos über einen Zeitraum von zehn Tagen im März 2022 in 15-Minuten-Intervallen aufzeichneten. Die Daten der ersten neun Tage dienten als Trainingsdatensatz, um das Modell zu kalibrieren. Die Daten des zehnten Tages wurden als Testdatensatz verwendet, um die Vorhersagegenauigkeit zu bewerten. Die Ergebnisse waren beeindruckend.
Das CEEMD-SE-POA-GRNN-Modell wurde mit sechs anderen etablierten Vorhersagemodellen verglichen, darunter ein einfaches GRNN, ein LSTM-Modell, ein BiLSTM-Modell, ein POA-optimiertes GRNN ohne Zerlegung und ein ähnliches Modell, das den „Sparrow Search Algorithm“ (SSA) anstelle des POA zur Optimierung verwendete. Die Bewertung erfolgte anhand zweier standardisierter Metriken: des mittleren quadratischen Fehlers (MSE) und des Nash-Sutcliffe-Effizienzkoeffizienten (NSE). Ein niedrigerer MSE und ein NSE, der möglichst nahe bei 1 liegt, deuten auf eine höhere Genauigkeit und ein besseres Modell-Fit hin.
Das vorgeschlagene Modell erzielte mit einem MSE von 0.314 MW und einem NSE von 0.958 die besten Ergebnisse aller getesteten Ansätze. Zum Vergleich: Das einfache GRNN-Modell hatte den höchsten Fehler (MSE: 1.372 MW) und den schlechtesten Fit (NSE: 0.816). Selbst das POA-GRNN-Modell ohne die Voraufbereitungsschritte (MSE: 1.032 MW) und das CEEMD-SE-GRNN-Modell ohne Optimierung (MSE: 0.423 MW) waren deutlich ungenauer. Der Vergleich mit dem CEEMD-SE-SSA-GRNN-Modell (MSE: 0.366 MW) zeigte zudem die Überlegenheit des POA gegenüber dem SSA, da der POA eine schnellere Konvergenz und eine höhere Präzision bei der Suche nach dem optimalen Glättungsfaktor aufwies.
Diese Ergebnisse haben weitreichende praktische Implikationen. Für Netzbetreiber bedeutet eine derart präzise Vorhersage der Ladeleistung eine Revolution in der Netzplanung und -steuerung. Sie können die erwartete Last viel besser antizipieren und Maßnahmen ergreifen, um Engpässe zu vermeiden. Dies könnte beispielsweise die gezielte Steuerung von Ladevorgängen zu Zeiten niedriger Netzbelastung (Lastverschiebung) beinhalten. Es ermöglicht die Entwicklung intelligenter Tarifsysteme, die Nutzer finanziell dafür belohnen, außerhalb der Spitzenzeiten zu laden. Für die Planung von Ladeinfrastruktur ist es von unschätzbarem Wert, genau zu wissen, wo und wann neue Ladepunkte am dringendsten benötigt werden, was zu einer effizienteren und kostensparenderen Entwicklung führt.
Darüber hinaus stärkt diese Technologie die Integration erneuerbarer Energien. Wenn Netzbetreiber wissen, wann eine große Menge an E-Autos geladen wird, können sie diese Ladevorgänge gezielt mit überschüssiger Wind- oder Solarenergie koppeln. Dies erhöht die Auslastung erneuerbarer Quellen und reduziert die Notwendigkeit, fossile Kraftwerke als Backup zu betreiben. Auf diese Weise trägt die präzise Prognose nicht nur zur Netzstabilität bei, sondern auch zur Dekarbonisierung des gesamten Energiesystems.
Die Wahl des POA als Optimierungsalgorithmus ist ein weiterer innovativer Aspekt dieser Studie. Während Algorithmen wie genetische Algorithmen oder Particle Swarm Optimization seit langem bekannt sind, demonstriert diese Arbeit die praktische Anwendbarkeit und Überlegenheit eines neueren Ansatzes in einem realen Energiesystemkontext. Dies eröffnet neue Möglichkeiten für die Anwendung von POA in anderen Optimierungsproblemen der Energiewirtschaft, wie der optimalen Kraftwerkseinsatzplanung oder der Parameteroptimierung für andere KI-Modelle.
Zusammenfassend lässt sich sagen, dass die Arbeit von Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng und Wang Zhiping einen signifikanten Beitrag zur Lösung einer der drängendsten Fragen der Elektromobilität leistet. Durch die geschickte Kombination von Signalverarbeitung, Entropiemessung und einem neuartigen Optimierungsalgorithmus haben sie ein Modell geschaffen, das die Genauigkeit von Ladeleistungsprognosen auf ein neues Niveau hebt. Dies ist nicht nur ein akademischer Erfolg, sondern ein praktisches Werkzeug, das Versorgungsunternehmen dabei unterstützen kann, die Herausforderungen der elektrischen Zukunft zu meistern und ein stabileres, effizienteres und nachhaltigeres Stromnetz aufzubauen.
Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng, Wang Zhiping, Shandong Electric Power, DOI: 10.20097/j.cnki.issn1007-9904.2024.07.001