Neues Modell prognostiziert E-Auto-Ladebedarf anhand des Verkehrsflusses
Ein bahnbrechender Ansatz zur Vorhersage des Ladebedarfs von Elektrofahrzeugen (EV) verbindet erstmals dynamische Verkehrsflussdaten mit dem Ladezustand der Fahrzeuge. Diese neuartige Methode ermöglicht eine genauere und effizientere Prognose darüber, wann und wo Elektrofahrzeuge Strom benötigen werden – eine entscheidende Information für die Stabilität der Stromnetze angesichts der rasant steigenden Zahl an Elektrofahrzeugen.
Der Übergang zur elektrischen Mobilität verändert nicht nur unsere Straßen, sondern auch unsere Strominfrastruktur. Während Millionen neuer Elektrofahrzeuge an das Netz angeschlossen werden, erzeugen ihre kollektiven Ladeverhaltensmuster eine komplexe und unvorhersehbare Last, die die Stromnetze, insbesondere in Spitzenzeiten, belasten kann. Traditionelle Methoden zur Modellierung dieser Ladelast haben oft versagt, da sie stark auf der Simulation des Verhaltens einzelner Fahrzeuge beruhen. Obwohl nützlich, können diese mikroskaligen Simulationen rechenintensiv sein und versäumen es möglicherweise, die emergenten, großräumigen Muster zu erfassen, die aus den Interaktionen von Tausenden von Fahrern ergeben, die Routen- und Ladeentscheidungen treffen. Die grundlegende Herausforderung liegt in der inhärenten Zufälligkeit menschlichen Verhaltens – wann Menschen entscheiden zu fahren, wohin sie gehen und wann sie sich entscheiden, zu laden, wird von einer Vielzahl von Faktoren beeinflusst, von täglichen Routinen bis hin zu Echtzeit-Verkehrsbedingungen. Diese Zufälligkeit übersetzt sich in eine probabilistische Verteilung der Ladeanforderungen über Zeit und Raum, was eine präzise Prognose zu einer erheblichen Hürde für Netzbetreiber und Stadtplaner macht.
In Anerkennung dieser Einschränkungen haben Forscher seit langem nach einer ganzheitlicheren, makroskopischen Sichtweise gesucht. Der Kerngedanke ist, dass Elektrofahrzeuge nicht nur Batterien auf Rädern sind; sie sind integraler Bestandteil eines dynamischen Transportsystems. Ihre Bewegung wird von denselben Prinzipien des Verkehrsflusses und des Nutzergleichgewichts bestimmt, die das Verhalten aller Fahrzeuge im Netzwerk regeln. Wenn sich ein Fahrer für eine Route entscheidet, beeinflusst dies die Fahrzeit für andere, was eine Rückkopplungsschleife erzeugt, die letztendlich zu einem Gleichgewichtszustand führt, bei dem kein einzelner Fahrer seine Fahrzeit verbessern kann, indem er seine Route einseitig ändert. Dieses Konzept, bekannt als Verkehrsgleichgewicht, ist seit Jahrzehnten ein Eckpfeiler der Verkehrstechnik. Seine Anwendung auf das spezifische Problem der EV-Ladelast war jedoch begrenzt, wobei viele bestehende Modelle entweder die Auswirkungen von Verkehrsstaus ignorieren oder sie als statische, durchschnittliche Bedingungen behandeln.
Die neue Forschung, veröffentlicht in der Fachzeitschrift Power System Technology, macht einen bedeutenden Schritt nach vorne, indem sie den dynamischen Zustand des Verkehrsnetzwerks direkt mit der Entwicklung des Ladezustands der Fahrzeuge verbindet. Die Autoren, Zhu Junliang und Wu Zhigang von der Fakultät für Elektrotechnik an der Südchinesischen Technischen Universität sowie Liu Jianing vom Elektrizitätsdispositions- und Kontrollzentrum des Guangdong-Stromnetzes, haben ein raffiniertes Framework entwickelt, das ein semidynamisches Verkehrsgleichgewichtsmodell mit einem neuartigen Konzept namens „Kombinierter Ladezustand“ (Combined State of Charge, CSOC) vereint. Diese Fusion ermöglicht es ihnen, über die Grenzen der Einzelfahrzeugsimulation hinauszugehen und stattdessen das kollektive Verhalten einer gesamten EV-Flotte als eine einzelne, sich entwickelnde probabilistische Entität zu modellieren.
Die Methodik basiert auf einem mehrschichtigen Fundament. Im Zentrum steht das semidynamische Verkehrsgleichgewichtsmodell, das den Tag in mehrere Zeitperioden unterteilt. Für jede Periode berechnet es, wie sich der Verkehrsfluss basierend auf dem Prinzip des Nutzergleichgewichts über das Straßennetz verteilt, wobei Fahrer Routen wählen, um ihre Fahrzeit zu minimieren. Entscheidend ist, dass dieses Modell „semidynamisch“ ist, weil es den „verbleibenden Verkehrsfluss“ berücksichtigt – Fahrzeuge, die eine Fahrt in einer Zeitperiode beginnen, diese aber erst in der nächsten beenden. Dies erfasst das reale Phänomen der Staus, bei dem eine Verzögerung in einer Stunde in die nächste übergeht und beeinflusst, wann und wo Menschen an ihren Zielen ankommen. Durch die Anwendung dieses Modells können die Forscher ein äußerst realistisches Bild davon erhalten, wie sich Elektrofahrzeuge zu jeder beliebigen Stunde über eine Stadt verteilen, einschließlich der Auswirkungen von Straßenkapazität und -länge auf die Fahrzeiten.
Auf der anderen Seite der Gleichung steht das CSOC-Modell. Anstatt den Ladezustand jedes einzelnen Autos zu verfolgen, behandelt dieser Ansatz die gesamte Elektrofahrzeugpopulation als einen kombinierten Ladezustand, der einer Wahrscheinlichkeitsverteilung folgt, die anfangs als normal angenommen wird. Während die Elektrofahrzeuge fahren, „verbraucht“ ihr kollektiver SOC mit einer Rate, die proportional zur zurückgelegten Strecke und der Energieeffizienz ihrer gewählten Routen ist. Das Modell berechnet dann, wie sich diese Wahrscheinlichkeitsverteilung im Laufe der Zeit verschiebt und entwickelt. Wenn der SOC eines Fahrzeugs unter eine vordefinierte Schwelle fällt, entsteht eine Ladeanforderung. Das CSOC-Modell kann dann die Wahrscheinlichkeit bestimmen, dass ein Fahrzeug, das zu einem bestimmten Zeitpunkt an einem Ziel (wie einer Ladestation) ankommt, einen ausreichend niedrigen Akkustand hat, um laden zu müssen. Indem diese Wahrscheinlichkeit mit der Anzahl der ankommenden Fahrzeuge und der Ladeleistung kombiniert wird, kann das Modell die erwartete Ladelast für diesen Ort und diese Zeit berechnen.
Die wahre Stärke dieses integrierten Ansatzes liegt in seiner Fähigkeit, die Rückkopplungsschleife zwischen Verkehrs- und Stromsystem zu erfassen. Wenn beispielsweise eine Hauptstraße verstopft ist, zeigt das semidynamische Verkehrsmodell, dass sich die Fahrzeiten verlängern. Das bedeutet, dass Elektrofahrzeuge länger brauchen, um ihr Ziel zu erreichen, und dabei mehr Energie verbrauchen. Dieser erhöhte Energieverbrauch verschiebt die CSOC-Verteilung, was zu einer höheren Wahrscheinlichkeit führt, dass Fahrzeuge nach der Ankunft laden müssen. Darüber hinaus könnte der Stau einige Fahrer dazu verleiten, längere, indirektere Routen zu nehmen, was ihren Energieverbrauch und Ladebedarf weiter erhöht. Diese Kettenreaktion, bei der Verkehrsbedingungen das Ladeverhalten direkt beeinflussen, ist etwas, das frühere Modelle nur schwer genau abbilden konnten. Das neue Modell erfasst diese gegenseitige Abhängigkeit jedoch natürlich innerhalb seines Rahmens.
Um ihren Ansatz zu validieren, führte das Forschungsteam umfangreiche Simulationen auf zwei unterschiedlichen Netzwerken durch. Das erste war ein bekanntes 13-Knoten-Testnetzwerk, das häufig in der akademischen Forschung verwendet wird und es ermöglichte, detaillierte Vergleiche mit etablierten Methoden durchzuführen. Das zweite war ein großes, reales Netzwerk, das aus den OpenStreetMap-Daten des Tianhe-Distrikts in Guangzhou, China, extrahiert wurde und fast 6.000 Straßenabschnitte und 4.800 Knoten umfasst. Dieser Großversuch war entscheidend, um die praktische Anwendbarkeit des Modells in einer realen städtischen Umgebung zu demonstrieren.
Die Ergebnisse waren überzeugend. Im Vergleich zur traditionellen Monte-Carlo-Simulation – einer Methode, die Tausende zufälliger Fahrten simuliert – erzeugte das neue Modell Ladelastprofile, die praktisch identisch waren, was seine Genauigkeit bestätigte. Der Unterschied in der Recheneffizienz war jedoch enorm. Im 13-Knoten-Netzwerk erreichte das neue Verfahren sein Ergebnis in nur 4,8 Sekunden, während eine Monte-Carlo-Simulation mit 100 Durchläufen über 4 Stunden dauerte. Im riesigen realen Netzwerk benötigte das neue Modell 978 Sekunden (etwa 16 Minuten), verglichen mit über 11 Stunden für eine 50-Durchläufe-Monte-Carlo-Simulation. Dies bedeutet eine Beschleunigung um mehr als das 40-Fache, was das Modell nicht nur genau, sondern auch für Echtzeit- oder Nahe-Echtzeitanwendungen wie die Tagesplanung des Netzes machbar macht.
Die Studie lieferte auch wertvolle Erkenntnisse über die Faktoren, die den Ladebedarf beeinflussen. Eine zentrale Erkenntnis war die zeitliche Verzögerung zwischen Fahrbereitschaft und Ladebedarf. Der Höhepunkt des Fahrzeugverkehrs lag um 18:00 Uhr, aber der Höhepunkt der Ladelast wurde um 19:00 Uhr beobachtet. Diese einstündige Verzögerung ist eine direkte Folge der Tatsache, dass Elektrofahrzeuge nicht während der Fahrt laden können; sie müssen ihre Fahrt beenden, bevor sie angeschlossen werden können. Diese Erkenntnis ist entscheidend für Netzbetreiber, die vorhersagen müssen, wann der Anstieg der Stromnachfrage eintrifft.
Eine weitere bedeutende Erkenntnis betraf die Auswirkungen der Durchdringungsrate von Elektrofahrzeugen. Die Forschung bestätigte, dass mit steigendem Anteil von Elektrofahrzeugen auf der Straße die gesamte tägliche Ladelast proportional, also linear, zunimmt. Dies legt nahe, dass die Prognose der zukünftigen Ladeanforderungen relativ einfach sein kann, wenn die Wachstumsrate der Elektrofahrzeugadoption bekannt ist. Das Modell unterstrich jedoch auch den tiefgreifenden Einfluss der physischen Struktur des zugrunde liegenden Straßennetzes. Als die Forscher eine Verringerung der Straßenkapazität simulierten – was einer Engstelle oder einer Straßensperrung entspricht – beobachteten sie eine dramatische Wirkung. Nicht nur verschob sich die Spitzenfahrnachfrage später in den Abend, sondern auch die Spitzenladelast stieg an und verschob sich. Dies liegt daran, dass Staus Fahrzeuge zwingen, mehr Zeit auf der Straße zu verbringen, mehr Energie zu verbrauchen und manchmal längere Umwege zu nehmen, was beide zu einem höheren Ladebedarf führt. Ähnlich verhielt es sich, als die Straßenlängen künstlich erhöht wurden: Die Spitze der Ladeleistung wurde weiter verzögert, und die durchschnittliche tägliche Last stieg, wiederum aufgrund des erhöhten Energieverbrauchs durch längere Fahrstrecken.
Diese Erkenntnisse unterstreichen einen entscheidenden Punkt: Das Stromnetz und das Verkehrsnetz sind keine separaten Systeme, sondern tief miteinander verwoben. Das Design und der Betrieb des einen haben eine direkte und messbare Auswirkung auf das andere. Ein schlecht gestaltetes Straßennetz, das anfällig für Staus ist, wird nicht nur Fahrer frustrieren, sondern auch eine volatilere und höhere Spitzenladelast für das Stromnetz erzeugen. Umgekehrt kann ein gut optimiertes Verkehrssystem dazu beitragen, die Ladeanforderungen zu glätten, was sie für das Netz einfacher und billiger zu managen macht.
Die Implikationen dieser Forschung sind weitreichend. Für Energieversorger bietet dieses Modell ein leistungsstarkes neues Werkzeug für die Lastprognose. Indem sie Echtzeit- oder prognostizierte Verkehrsdaten integrieren, können sie viel genauere Vorhersagen über den Ladebedarf treffen, was eine bessere Kraftwerkseinsatzplanung ermöglicht, den Bedarf an teuren Spitzenlastkraftwerken reduziert und die Netzstabilität verbessert. Für Stadtplaner und Verkehrsbehörden bietet das Modell eine Möglichkeit, den „Energie-Fußabdruck“ verschiedener städtischer Entwicklungs- und Verkehrsmanagementstrategien zu bewerten. Eine neue Autobahn oder eine Änderung der Ampelschaltung kann nun nicht nur auf ihre Auswirkungen auf die Fahrzeit, sondern auch auf den Energieverbrauch und die CO2-Emissionen der Stadt hin bewertet werden.
Für die aufstrebende Ladeinfrastrukturindustrie kann das Modell strategische Entscheidungen darüber beeinflussen, wo neue Ladestationen errichtet werden. Indem es nicht nur das Volumen der Nachfrage, sondern auch ihre genaue zeitliche und räumliche Verteilung prognostiziert, können Betreiber vermeiden, in einigen Gebieten zu viel zu bauen und in anderen zu wenig zu versorgen. Dies führt zu einer effizienteren und widerstandsfähigeren Ladeinfrastruktur.
Die Autoren räumen ein, dass das Modell weiter verfeinert werden kann. Zukünftige Arbeiten werden den Einfluss der Ladepreise auf die Routenplanungsentscheidungen einbeziehen, da Fahrer längere Strecken fahren könnten, um eine billigere Ladestation zu erreichen. Das Modell geht derzeit davon aus, dass nur am Ende einer Fahrt geladen wird, aber in Wirklichkeit laden viele Fahrer „opportunistisch“ während ihrer Fahrt. Die Einbeziehung dieser komplexeren Nutzerverhaltensweisen wird das Modell noch realistischer machen. Außerdem könnte der Aufstieg autonomer und geteilter Mobilität die Reisemuster grundlegend verändern, und das Modell muss sich an diese neuen Paradigmen anpassen.
Zusammenfassend stellt diese Forschung einen Paradigmenwechsel dar, wie wir den Ladebedarf von Elektrofahrzeugen denken und modellieren. Indem es von einer Mikrosimulation von Individuen zu einer makroskopischen Analyse des Systemverhaltens übergeht, bietet es ein genaueres, effizienteres und aufschlussreicheres Werkzeug. Es verbindet erfolgreich die Verkehrstechnik mit der Stromsystemanalyse und zeigt, dass ein ganzheitlicher, systemorientierter Ansatz unerlässlich ist, um die komplexen Herausforderungen unserer elektrifizierten Zukunft zu bewältigen. Während die Welt auf ein emissionsfreies Verkehrssystem zusteuert, werden Werkzeuge wie dieses unverzichtbar sein, um sicherzustellen, dass unsere Stromnetze mit der Nachfrage Schritt halten können und so den Weg für einen reibungsloseren und nachhaltigeren Übergang ebnen.
Zhu Junliang, Wu Zhigang, Liu Jianing. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.0095