Neues Modell berechnet E-Auto-Ladebedarf basierend auf Verkehrsgleichgewicht
Die rasante Verbreitung von Elektrofahrzeugen verändert nicht nur die Automobilindustrie, sondern stellt auch die bestehende Infrastruktur vor völlig neue Herausforderungen. Während die Anzahl der Fahrzeuge mit Batterieantrieb exponentiell wächst, bleibt eine entscheidende Frage weitgehend ungelöst: Wo und wann werden diese Fahrzeuge in Zukunft laden, und welchen Druck wird das auf das Stromnetz ausüben? Die Antwort darauf ist entscheidend für die Planung von Ladestationen, die Stabilität der Stromversorgung und die nachhaltige Entwicklung urbaner Räume. Bisherige Ansätze zur Vorhersage des Ladeverhaltens haben sich dabei oft auf die Simulation individueller Fahrerentscheidungen beschränkt – ein Verfahren, das zwar detailliert, aber letztlich ineffizient und schwer skalierbar ist.
Ein Forscherteam der South China University of Technology und des Guangdong Power Grid Control Center hat nun einen Paradigmenwechsel eingeleitet. Anstatt sich auf die Mikroebene einzelner Fahrzeuge zu konzentrieren, betrachten die Wissenschaftler das System aus einer makroskopischen Perspektive. In einer bahnbrechenden Studie, die kürzlich in der renommierten Fachzeitschrift Power System Technology veröffentlicht wurde, stellen sie ein neues Modell vor, das den Ladebedarf von Elektrofahrzeugen nicht durch das Sammeln von Millionen von Einzelsimulationen, sondern durch die Anwendung der Verkehrsgleichgewichtstheorie berechnet. Dieser Ansatz ermöglicht es, die kollektiven Auswirkungen des Fahrverhaltens auf das Stromnetz mit einer bisher unerreichten Präzision und Effizienz zu modellieren.
Der Kern des neuen Modells liegt in der Erkenntnis, dass das Verhalten eines einzelnen Fahrers nicht isoliert betrachtet werden kann. Wenn ein Fahrer eine Route wählt, beeinflusst er den Verkehrsfluss für alle anderen. Wenn zu viele Fahrer dieselbe Strecke nehmen, entsteht Stau, was die Reisezeit verlängert und wiederum andere Fahrer dazu veranlasst, alternative, möglicherweise längere Wege zu wählen. Dieses dynamische Wechselspiel führt zu einem Zustand des Gleichgewichts, bei dem kein einzelner Fahrer seine Reisezeit durch einen Wechsel der Route verbessern kann. Dieses Prinzip, bekannt als Wardrop-Gleichgewicht, ist ein Eckpfeiler der Verkehrsplanung. Die Forscher um Dr. Zhu Junliang haben dieses Konzept nun erstmals systematisch auf das Problem der Elektromobilität übertragen.
Das Modell geht von der Annahme aus, dass Fahrer stets versuchen, ihre Reisezeit zu minimieren. Um dies zu erreichen, wird ein sogenanntes „halbdynamisches“ Gleichgewichtsmodell verwendet. Die Simulation wird in mehrere Zeitabschnitte unterteilt – typischerweise 15 bis 90 Minuten. Innerhalb jedes dieser Abschnitte wird der Verkehrsfluss als in einem Gleichgewichtszustand betrachtet. Die Besonderheit liegt jedoch darin, dass das Modell auch die „Restströme“ berücksichtigt. Nicht alle Fahrzeuge erreichen ihr Ziel innerhalb eines einzigen Zeitabschnitts. Diejenigen, die noch unterwegs sind, werden in den nächsten Abschnitt übernommen, was die Grundlage für eine realistische Darstellung von Staus und Verkehrsstockungen bildet. Diese dynamische Kopplung zwischen den Zeitschritten ermöglicht es, die zeitliche Verschiebung von Reise- und Ladeereignissen realistisch abzubilden.
Ein weiterer entscheidender Fortschritt des Modells ist die Berücksichtigung der menschlichen Unsicherheit. In der Realität verfügen Fahrer nicht über vollständige und perfekte Informationen über den aktuellen Verkehrsfluss. Sie nutzen Navigationsgeräte, die möglicherweise veraltete Daten liefern, oder sie bevorzugen aus Gewohnheit eine bestimmte Route, auch wenn eine andere objektiv schneller ist. Um diese Unwägbarkeiten zu erfassen, integriert das Modell die Theorie des zufälligen Nutzens (Random Utility Theory). Statt davon auszugehen, dass jeder Fahrer die absolut schnellste Route wählt, berechnet das Modell die Wahrscheinlichkeit, mit der eine bestimmte Route gewählt wird, basierend auf ihrer wahrgenommenen Reisezeit. Dies führt zu einem realistischeren Verkehrsfluss, bei dem auch weniger optimale Strecken genutzt werden, was die Gesamtbelastung des Straßennetzes und indirekt auch des Stromnetzes beeinflusst.
Die Brücke zwischen dem Verkehrsfluss und dem Stromverbrauch schlägt das Konzept des „kombinierten Ladezustands“ (Combined State of Charge, CSOC). Anstatt den Ladezustand jedes einzelnen Akkus zu verfolgen, behandelt das Modell die gesamte Flotte von Elektrofahrzeugen als eine statistische Einheit. Zu Beginn der Simulation wird angenommen, dass die Ladezustände der Fahrzeuge einer Normalverteilung folgen – eine Annahme, die auf der statistischen Wahrscheinlichkeit basiert, dass die meisten Fahrzeuge mit einem mittleren Ladezustand starten, während nur wenige vollständig leer oder voll sind.
Während die Fahrzeuge ihre Reise antreten, verbrauchen sie Energie. Der Modellierungsansatz beschreibt diesen Energieverbrauch nicht als eine Reihe individueller Entladungsvorgänge, sondern als eine systematische Verschiebung der gesamten CSOC-Verteilungskurve nach links. Je weiter ein Fahrzeug fährt, desto mehr Energie verbraucht es, und desto niedriger ist sein durchschnittlicher Ladezustand. Wenn der Ladezustand eines Fahrzeugs unter einen kritischen Schwellenwert – im Modell auf 20 Prozent festgelegt – fällt, wird es als bereit zum Laden klassifiziert. Der entscheidende Punkt ist, dass das Modell nicht nur ermittelt, dass ein Fahrzeug laden muss, sondern auch wann und wie lange.
Die Dauer einer Ladesitzung hängt direkt davon ab, mit welchem Ladezustand das Fahrzeug an der Ladestation ankommt. Ein Fahrzeug, das mit 20 Prozent ankommt, muss viel länger laden als eines, das mit 40 Prozent ankommt. Das Modell berechnet daher die Wahrscheinlichkeitsverteilung des Ladezustands zu dem Zeitpunkt, an dem Fahrzeuge an einem bestimmten Knotenpunkt (zum Beispiel einer Ladestation) eintreffen. Diese Verteilung wird dann mit dem typischen Ladeverlauf kombiniert – wobei berücksichtigt wird, dass die Ladeleistung bei einem Ladezustand von etwa 80 Prozent abnimmt, um den Akku zu schonen. Auf diese Weise kann das Modell die durchschnittliche Ladeleistung an jedem Ort und zu jeder Tageszeit mit hoher Genauigkeit vorhersagen.
Die Validierung des Modells erfolgte in zwei Schritten, um sowohl seine theoretische Korrektheit als auch seine praktische Anwendbarkeit zu demonstrieren. Zunächst wurde es auf dem klassischen 13-Knoten-Netzwerk von Nguyen-Dupuis getestet, einem Standardbenchmark in der Verkehrsforschung. Die Ergebnisse wurden mit tausenden von Monte-Carlo-Simulationen verglichen, bei denen das Verhalten einzelner Fahrzeuge zufällig simuliert wird. Das Ergebnis war überzeugend: Mit nur 100 Simulationen näherte sich die Monte-Carlo-Methode dem Ergebnis des neuen Modells an. Mit 1000 Simulationen war die Übereinstimmung nahezu perfekt. Doch der entscheidende Unterschied lag in der Rechenzeit: Während die 1000 Monte-Carlo-Simulationen mehrere Stunden in Anspruch nahmen, lieferte das neue Modell sein Ergebnis in weniger als fünf Sekunden. Dieser Effizienzvorteil von mehreren tausend Prozent macht das Modell für praktische Anwendungen in der Echtzeitplanung und im langfristigen Infrastrukturmanagement äußerst attraktiv.
Um die Skalierbarkeit zu beweisen, wurde das Modell anschließend auf einem realen, komplexen Straßennetz getestet, das einen Großteil des Tianhe-Distrikts in Guangzhou abdeckt. Dieses Netzwerk umfasst fast 5.000 Knotenpunkte und über 5.800 Straßenabschnitte – eine Komplexität, die weit über die meisten akademischen Testfälle hinausgeht. Selbst bei dieser Größe zeigte das Modell eine beeindruckende Leistung und schloss die Simulation in unter 17 Minuten ab. Diese Effizienz ist entscheidend, da Städte und Netzbetreiber Modelle benötigen, die nicht nur genau, sondern auch schnell genug sind, um verschiedene Zukunftsszenarien in kurzer Zeit durchzurechnen.
Die Ergebnisse der Simulationen liefern tiefgreifende Einblicke in die Dynamik zwischen Verkehr und Energie. Ein zentrales Ergebnis ist die klare zeitliche Verzögerung zwischen der Spitze des Reiseverkehrs und der Spitze des Ladebedarfs. In den Simulationen erreichte der Reiseverkehr seinen Höhepunkt um 18:00 Uhr, während der Ladebedarf erst um 19:00 Uhr seinen Gipfel erreichte. Diese Stunde Verzögerung ist logisch: Fahrer müssen ihre Reise beenden, bevor sie laden können. Diese Erkenntnis ist für Netzbetreiber von entscheidender Bedeutung, da sie zeigt, dass der Ladebedarf nicht unkontrolliert ist, sondern einem vorhersagbaren Muster folgt, das direkt mit den Arbeits- und Lebensrhythmen der Bevölkerung verknüpft ist.
Ein weiterer wichtiger Befund betrifft die Rolle der Infrastruktur selbst. Die Forscher untersuchten, wie sich Änderungen an der Straßenstruktur auf den Ladebedarf auswirken. Wenn die Kapazität von Straßen verringert wird – ein Szenario, das Staus simuliert – verschiebt sich nicht nur der Reiseverkehr, sondern auch der Ladebedarf. Die Spitze des Ladebedarfs wird weiter in den Abend verschoben. Noch wichtiger ist, dass der durchschnittliche Ladebedarf steigt, obwohl die Gesamtanzahl der Fahrten gleich bleibt. Dies geschieht, weil Staus dazu führen, dass Fahrer Umwege nehmen müssen, was mehr Energie verbraucht und somit zu einem höheren Ladebedarf führt. Dies zeigt, dass die Planung von Straßen und Stromnetzen nicht isoliert erfolgen kann. Eine ineffiziente Straßenführung führt nicht nur zu mehr Staus, sondern auch zu einem höheren und volatileren Stromverbrauch.
Ähnliche Effekte wurden beobachtet, wenn die Länge der Straßen erhöht wurde. Längere Wege bedeuten mehr Energieverbrauch, was direkt zu einem höheren Ladebedarf und einer weiteren Verschiebung der Ladespitze führt. Diese Ergebnisse unterstreichen die Notwendigkeit einer integrierten Planung, bei der Verkehrs- und Energieplaner eng zusammenarbeiten müssen. Die Entscheidung, eine neue Autobahn zu bauen oder eine Innenstadt zu verkehrsberuhigen, hat nicht nur Auswirkungen auf die Fahrzeit, sondern auch auf die Belastung des Stromnetzes.
Die praktischen Implikationen dieser Forschung sind weitreichend. Stadtplaner können das Modell nutzen, um die Auswirkungen verschiedener Verkehrspolitiken zu bewerten. Was passiert, wenn eine neue Ladesteuer eingeführt wird? Wie würde sich ein dynamisches Preismodell für Ladestationen auf das Fahrverhalten auswirken? Das Modell ermöglicht es, solche Szenarien zu simulieren und die Folgen für das Verkehrs- und Stromnetz zu quantifizieren. Netzbetreiber können es verwenden, um „Hotspots“ zu identifizieren – Gebiete, in denen eine hohe Dichte an Elektrofahrzeugen zu einer Überlastung des lokalen Stromnetzes führen könnte – und rechtzeitig Gegenmaßnahmen wie den Ausbau von Transformatoren oder die Einführung intelligenter Ladealgorithmen zu ergreifen.
Die Autoren sehen in ihrer Arbeit einen wichtigen Schritt hin zu einem integrierten Denken über Mobilität und Energie. „Die traditionelle Trennung zwischen Verkehrsplanung und Energiewirtschaft ist obsolet“, betont Dr. Zhu Junliang. „Unser Modell zeigt, dass diese beiden Systeme untrennbar miteinander verbunden sind. Eine Veränderung in einem System hat unmittelbare Konsequenzen für das andere.“ Die Zukunft der urbanen Mobilität liegt nicht in der einfachen Elektrifizierung bestehender Modelle, sondern in der Schaffung eines neuen, vernetzten Systems, in dem Fahrzeuge, Straßen, Ladestationen und das Stromnetz als eine Einheit betrachtet werden.
In den kommenden Jahren wollen die Forscher das Modell weiterentwickeln. Ein zentrales Ziel ist die Integration von Ladekosten in die Routenplanung. In der Realität werden Fahrer nicht nur nach der kürzesten, sondern auch nach der kostengünstigsten Route suchen. Ein Modell, das dynamische Strompreise berücksichtigt, könnte vorhersagen, wie Fahrer ihre Ladezeiten verschieben, um in Niedertarifzeiten zu laden. Ein weiteres wichtiges Thema ist das sogenannte „Laden unterwegs“. Das aktuelle Modell geht davon aus, dass Fahrzeuge nur am Ziel laden. Für Reichweitenängste und lange Strecken ist dies jedoch unrealistisch. Die Modellierung von Zwischenstopps an Schnellladestationen erfordert eine komplexere Darstellung der Reiseketten und wird eine wichtige Erweiterung darstellen.
Schließlich wird die Zukunft der Mobilität durch autonome Fahrzeuge und Carsharing geprägt sein. Ein autonomes Elektrofahrzeug könnte programmiert werden, seine Fahr- und Ladeentscheidungen vollständig zu optimieren – nicht nur nach Zeit und Kosten, sondern auch nach dem Zustand des Stromnetzes. Eine Flotte von geteilten Elektrofahrzeugen könnte fast kontinuierlich unterwegs sein, was zu einem völlig anderen Lademuster führen würde, das sich nicht auf die klassischen Spitzenzeiten beschränkt. Die Fähigkeit, solche zukünftigen Szenarien zu simulieren, wird entscheidend sein, um die Städte von morgen resilient und nachhaltig zu gestalten.
Zhu Junliang, Wu Zhigang, Liu Jianing, South China University of Technology and Guangdong Power Grid, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.0095