Neues Modell für die Prognose von E-Auto-Ladevorgängen
Die Elektromobilität ist mehr als nur ein Trend – sie ist eine Transformation, die tiefgreifende Auswirkungen auf unsere Städte, unsere Energiesysteme und unser tägliches Leben hat. Während die Zahl der Elektrofahrzeuge auf den Straßen stetig zunimmt, rückt eine entscheidende Frage in den Vordergrund: Wie wird dieses wachsende Heer an batteriebetriebenen Fahrzeugen die bestehende Strominfrastruktur belasten? Die Antwort darauf ist komplexer, als es auf den ersten Blick erscheint. Es reicht nicht aus, einfach die Anzahl der Fahrzeuge zu zählen und mit einem durchschnittlichen Verbrauch zu multiplizieren. Die Realität ist viel dynamischer und wird maßgeblich von menschlichem Verhalten, Verkehrsdynamik und externen Faktoren wie Wetter und Energiepreisen geprägt. Genau hier setzt eine bahnbrechende neue Studie an, die ein umfassendes und realitätsnahes Modell zur Vorhersage der räumlichen und zeitlichen Verteilung von Ladeleistungen für Elektrofahrzeuge (EVs) einführt.
Die Forschung, geleitet von Ding Leyan und Ke Song von der Wuhan University in enger Zusammenarbeit mit Experten des Electric Power Research Institute of China Southern Power Grid, stellt einen Paradigmenwechsel in der Art und Weise dar, wie wir den Einfluss von Elektrofahrzeugen auf das Stromnetz verstehen und vorhersagen. Statt sich auf vereinfachte statistische Modelle zu verlassen, die oft die Bewegung der Fahrzeuge und die Psyche der Fahrer ignorieren, hat das Team einen ganzheitlichen Ansatz entwickelt. Ihr Modell integriert erstmals auf systematische Weise ein halbdynamisches Verkehrsnetz, die individuellen Reisebedürfnisse der Nutzer – sowohl von Privatfahrzeugen als auch von Taxis – und die psychologischen Faktoren, die hinter Ladefahrten stehen. Dies ermöglicht eine präzisere und handlungsorientierte Prognose, die für Netzbetreiber, Stadtplaner und Energieversorger von unschätzbarem Wert ist, um die Herausforderungen der Elektrifizierung des Verkehrs proaktiv zu meistern.
Der Kern des neuen Modells ist die Schaffung eines realistischen digitalen Abbilds der städtischen Verkehrsinfrastruktur. Die Forscher haben das Verkehrsnetz in funktionale Zonen – Industrie-, Geschäfts- und Wohngebiete – unterteilt. Dies ist ein entscheidender Schritt weg von statischen Modellen, die konstante Fahrzeiten annehmen. Stattdessen haben sie ein „halbdynamisches Verkehrsnetzmodell“ entwickelt, das die Verkehrsdichte auf den Straßen in Echtzeit berücksichtigt. Das Modell verwendet eine Formel, um die Fahrzeit auf einem bestimmten Straßenabschnitt zu berechnen, die nicht nur von der Entfernung, sondern auch von der Anzahl der Fahrzeuge abhängt. Je stärker ein Abschnitt befahren ist, desto länger wird die Fahrzeit, was wiederum den Energieverbrauch des Fahrzeugs erhöht. Dieser dynamische Feedback-Loop zwischen Verkehr und Energieverbrauch ist entscheidend für die Genauigkeit der Prognose. Die Simulation läuft in diskreten Zeitschritten (in diesem Fall 15 Minuten), was eine Balance zwischen Rechenintensität und praktischer Anwendbarkeit schafft.
Ein solches Verkehrsmodell allein reicht jedoch nicht aus, um die komplexe Realität des täglichen Lebens abzubilden. Die Entscheidung, ob, wann und wo ein Fahrzeug aufgeladen wird, ist kein rein technisches Problem, sondern ein soziales und ökonomisches. Das Forscherteam hat daher einen tiefen Einblick in die Faktoren genommen, die das Reiseverhalten beeinflussen. Der Preis für Elektrizität ist ein offensichtlicher Hebel. Das Modell zeigt, wie steigende Strompreise die Nachfrage nach Ladevorgängen dämpfen können, da Fahrer dazu neigen, das Laden zu verschieben oder auf günstigere Tarife zu warten. Dies kann zu einer Verlagerung der Spitzenlast führen. Umgekehrt können niedrige Preise die Nachfrage anregen und neue Spitzen verursachen. Auch das Klima spielt eine doppelte Rolle. Schlechtes Wetter, wie extreme Hitze oder Kälte, beeinflusst direkt den Energieverbrauch des Fahrzeugs, da die Klimaanlage oder Heizung viel Strom benötigt. Gleichzeitig wirkt es sich auf die menschliche Psyche aus. Unangenehmes Wetter kann dazu führen, dass Menschen nicht mehr für Freizeitaktivitäten unterwegs sind, was die Gesamtzahl der Fahrten und damit auch die potenzielle Ladeinfrastruktur reduziert. Saisonalität ist ebenfalls ein Faktor: Im Winter ist der Energieverbrauch aufgrund der Heizung höher, was zu einer größeren Anzahl von Ladevorgängen und einer höheren Gesamtlast führt.
Der wohl tiefgründigste Beitrag dieser Studie ist die Integration der Verhaltensökonomie, insbesondere der kumulativen Prospect Theory, um die „begrenzte Rationalität“ von EV-Besitzern zu erfassen. Diese Theorie besagt, dass Menschen nicht wie perfekte Wirtschaftssubjekte handeln, die rein auf logischen Kalkülen basieren. Stattdessen treffen sie Entscheidungen basierend auf wahrgenommenen Gewinnen und Verlusten relativ zu bestimmten Bezugspunkten, und sie sind sensibler gegenüber Verlusten als gegenüber gleichwertigen Gewinnen – ein Phänomen, das als Verlustaversion bekannt ist. Die Forscher haben diese Theorie angewandt, um detaillierte Nutzenmodelle für zwei unterschiedliche Nutzergruppen zu erstellen: Besitzer von Privatfahrzeugen und Taxifahrer, da deren Motivationen und Zwänge fundamental verschieden sind.
Für Besitzer von Privatfahrzeugen wird die Entscheidung, zu fahren oder zu laden, von zwei zentralen Bezugspunkten beeinflusst: der Zeit und dem Ladezustand (SOC) der Batterie. Das Modell definiert eine „psychologisch erwartete Ankunftszeit“ mit akzeptablen frühesten und spätesten Ankunftszeiten. Wenn die tatsächliche Ankunftszeit eines Fahrers außerhalb dieses Fensters liegt, wird dies als Verlust wahrgenommen, und das negative Gefühl wird umso stärker, je größer die Abweichung ist. Ähnlich hat der Fahrer einen erwarteten SOC-Bereich, den er beim Verlassen des Hauses erreichen möchte. Wenn der Akku unter diesem erwarteten Minimum liegt, entsteht ein Gefühl von Angst oder Verlust. Das Modell quantifiziert diese psychologischen Faktoren und zeigt, wie ein Fahrer bereit ist, einen höheren Strompreis zu zahlen oder einen längeren Weg zu einer bevorzugten Ladestation zu fahren, um den „Schmerz“ einer verspäteten Ankunft oder eines niedrigen Ladezustands zu vermeiden. Dieses Niveau an psychologischem Einblick ermöglicht es dem Modell, nicht nur vorherzusagen, wann ein Auto geladen werden muss, sondern auch, wann der Besitzer wahrscheinlich handeln wird.
Das Modell für Taxifahrer ist noch differenzierter, da ihre Fahrt direkt mit ihrem Einkommen verknüpft ist. Ihre Entscheidungsfindung ist ein ständiger Abwägungsprozess zwischen Zeit und Geld. Die Forscher haben ein „Schichtende-Entscheidungs-Nutzenmodell“ entwickelt, das die Wahl eines Fahrers am Ende seiner Arbeitsschicht analysiert. Soll er noch eine letzte Fahrt annehmen? Die Entscheidung basiert auf dem wahrgenommenen Wert des Fahrpreises im Verhältnis zu den Kosten der zusätzlichen Zeit und Energie. Das Modell integriert einen Bezugspunkt für das erwartete Einkommen. Ein Fahrpreis, der diesen Erwartungswert übersteigt, wird als Gewinn wahrgenommen, während ein niedrigerer Preis als Verlust gilt. Die Studie zeigt, dass die Sensibilität eines Fahrers für Zeit im Vergleich zu Geld variiert. Einige Fahrer sind gegenüber Einkommensverlusten besonders empfindlich und werden eine lange, gut bezahlte Fahrt annehmen, auch wenn sie sehr spät nach Hause kommen. Andere priorisieren es, zu einer vernünftigen Zeit nach Hause zu kommen, und lehnen eine Fahrt ab, die sie spät ins Bett bringt, selbst wenn sie profitabel ist. Durch die Simulation dieses komplexen Entscheidungsprozesses kann das Modell die zeitliche und räumliche Verteilung von Ladevorgängen für eine Flotte von Taxis mit einem hohen Maß an Realismus vorhersagen.
Ein besonders innovativer Aspekt dieser Forschung ist die Entwicklung einer „Leitstrategie“ basierend auf diesen Nutzenmodellen. Statt nur das Verhalten vorherzusagen, kann das Framework aktiv vorschlagen, wie es beeinflusst werden kann, zum Wohle des Stromnetzes. Für Privatfahrer, die vor einer geplanten Fahrt laden, kann das System entweder eine leichte Anpassung der Abfahrtszeit oder eine Änderung der Ladeleistung empfehlen. Wenn das Modell beispielsweise vorhersagt, dass der Fahrer zu spät ankommen und ein negatives Nutzenerlebnis haben wird, könnte es vorschlagen, 10 Minuten früher abzufahren. Wenn der Fahrer sich Sorgen um seinen SOC macht, könnte es empfehlen, die Ladeleistung in den letzten 15 Minuten zu erhöhen, um seine Angst zu lindern. Für Taxifahrer fungiert die Leitstrategie als intelligente Disposition, die eine bestimmte letzte Fahrt aus einer Liste verfügbarer Optionen empfiehlt. Es wählt nicht einfach die bestbezahlte Fahrt aus; es wählt die Fahrt aus, die den Gesamtnutzen des Fahrers maximiert und Einkommen und Zeit in Einklang bringt. Dies könnte bedeuten, eine kürzere, weniger gut bezahlte Fahrt einem Fahrer zu empfehlen, der den frühen Feierabend schätzt, oder eine längere, besser bezahlte Fahrt einem Fahrer, der sein Einkommen maximieren möchte. Die Simulationen zeigten, dass diese Leitstrategien sehr effektiv waren und den Gesamtnutzen für beide Nutzergruppen signifikant erhöhten, was zu einer besseren Nutzererfahrung führte.
Die praktischen Implikationen dieser Forschung sind erheblich. Die Simulationsergebnisse liefern ein klares Bild davon, wie die Ladeleistung für Elektrofahrzeuge in einer Stadt verteilt ist. Wie erwartet sehen Wohngebiete einen deutlichen Peak der Ladeleistung am Abend, zwischen 21:30 und 22:30 Uhr, wenn Pendler nach Hause kommen und ihre Fahrzeuge anschließen. Geschäftsgebiete hingegen erleben einen früheren Peak, zwischen 17:30 und 19:00 Uhr, getrieben von Fahrern, die während des Abendessens oder des Einkaufens laden. Das Modell zeigt auch die Empfindlichkeit des Netzes gegenüber der Verbreitung von Elektrofahrzeugen. Wenn sich der Anteil von Elektrofahrzeugen in der Fahrzeugflotte von 60 % auf 80 % erhöht, steigt die maximale Spitzenlast um über 32 %, was die Notwendigkeit von Netzausbauten unterstreicht. Die Studie zeigt weiterhin, dass höhere Strompreise die Spitzenlast um fast 28 % reduzieren können, indem sie das Laden abschrecken, während kalte Jahreszeiten die Spitzenlast um 24 % erhöhen können, aufgrund des höheren Energieverbrauchs.
Diese Forschung markiert einen bedeutenden Fortschritt im Bereich der Vorhersage von Ladeleistungen für Elektrofahrzeuge. Indem sie über vereinfachte Annahmen hinausgeht und die volle Komplexität des menschlichen Verhaltens und der städtischen Systeme berücksichtigt, haben Ding, Ke und ihre Kollegen ein Werkzeug geschaffen, das nicht nur vorhersagend, sondern auch vorschreibend ist. Es kann verwendet werden, um effektivere Zeit-tarif-Preismodelle zu gestalten, den optimalen Standort neuer Ladestationen zu planen und intelligente Ladeverwaltungssysteme zu entwickeln, die Lastspitzen glätten und Netzüberlastungen verhindern können. Die Fähigkeit des Modells, die Auswirkungen verschiedener politischer Maßnahmen und Szenarien zu simulieren, bietet eine leistungsstarke Plattform für strategische Planung. Eine Stadt könnte dieses Modell beispielsweise verwenden, um die Auswirkungen einer neuen Staugebühr auf die Reisemuster und Ladeanforderungen von Elektrofahrzeugen zu bewerten, oder ein Versorger könnte es nutzen, um die Vorteile eines neuen Lastmanagementprogramms zu bewerten, das Off-Peak-Laden fördert.
Die Arbeit unterstreicht auch die Bedeutung interdisziplinärer Forschung. Die Lösung der Herausforderungen der Energiewende erfordert eine Zusammenarbeit zwischen Elektroingenieuren, Informatikern, Verkehrsplanern und Verhaltensökonomen. Diese Studie ist ein Paradebeispiel für eine solche Zusammenarbeit, bei der Expertise aus den Bereichen Stromsysteme, Verkehrsflussmodellierung und kognitive Psychologie zusammengeführt wird. Die Forscher geben zu, dass ihr Modell ein Ausgangspunkt ist und weitere Arbeit erforderlich ist, insbesondere zur Sammlung realer Daten, um die Verhaltensparameter zu validieren und zu verfeinern. Zukünftige Forschung könnte das Modell erweitern, um Wochenenden und Feiertage, verschiedene Arten von Ladeinfrastruktur und das Potenzial für Vehicle-to-Grid (V2G)-Technologie einzubeziehen, bei der Elektrofahrzeuge Energie zurück ins Netz einspeisen können.
Zusammenfassend bietet das von Ding Leyan, Ke Song und ihrem Team vorgestellte Modell eine viel realistischere und nuanciertere Sicht auf die Zukunft des Ladevorgangs für Elektrofahrzeuge. Es erkennt an, dass das Stromnetz der Zukunft nicht nur von der Technologie, sondern von den Millionen täglicher Entscheidungen geprägt wird, die Fahrer treffen, während sie ihr Leben meistern. Indem es die Psychologie dieser Entscheidungen versteht und einbezieht, stellt diese Forschung ein entscheidendes Werkzeug dar, um ein intelligenteres, widerstandsfähigeres und nachhaltigeres Energiesystem aufzubauen. Es ist ein wesentlicher Beitrag zur laufenden Bemühung, die Elektrifizierung des Verkehrs so zu gestalten, dass sie effizient, gerecht und für alle Beteiligten von Vorteil ist.
Ding Leyan, Ke Song, Zhang Fan, Lin Xiaoming, Wu Mengwei, Zhang Jieming, Yang Jun, Wuhan University, Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.06.002