Neues Optimierungsmodell revolutioniert E-Auto-Ladeinfrastruktur
Die rasante Entwicklung der Elektromobilität stellt Städte und Energieversorger weltweit vor immense Herausforderungen. Während die Zahl der Elektrofahrzeuge (EVs) exponentiell wächst, hinkt die dafür notwendige Ladeinfrastruktur oft hinterher. Ineffiziente Standortwahl, unzureichende Kapazitäten und mangelnde Berücksichtigung zukünftiger Unsicherheiten führen zu untergenutzten „Zombie-Säulen“ auf der einen und langen Wartezeiten auf der anderen Seite. Eine bahnbrechende Studie von Xu Wei, Lu Weijie und Chen Zhiqiang vom Institut für Engineering Management der Nanjing University bietet nun eine wissenschaftlich fundierte Antwort auf diese komplexe Planungsaufgabe. Ihr neu entwickeltes Modell, das sowohl punktuelle als auch fließende Ladebedarfe integriert und gleichzeitig Unsicherheiten durch robuste Optimierung berücksichtigt, könnte den Standard für die Planung öffentlicher Ladestationen neu definieren.
Das Kernproblem der bisherigen Planung liegt in der Fragmentierung. Traditionelle Ansätze konzentrieren sich entweder auf die sogenannte „Punkt-Nachfrage“ oder die „Fluss-Nachfrage“. Die Punkt-Nachfrage bezieht sich auf Nutzer, die an festen Orten wie zu Hause, am Arbeitsplatz oder im Einkaufszentrum laden. Modelle wie das klassische „Set Covering“-Modell zielen darauf ab, alle diese Bedarfsorte mit minimalem Aufwand an Stationen abzudecken. Die Fluss-Nachfrage hingegen betrifft Fahrer, die auf langen Strecken unterwegs sind und auf ihrem Weg eine Ladestation ansteuern müssen. Hier kommen Modelle wie das „Flow-Capturing Location Model“ (FCLM) zum Einsatz, deren Ziel es ist, möglichst viel Verkehr auf Hauptverkehrsachsen abzufangen. Diese Trennung führt jedoch zu einer suboptimalen Gesamtlösung. Ein Planer, der nur die Punkt-Nachfrage berücksichtigt, könnte wichtige Autobahnabschnitte vernachlässigen. Umgekehrt könnte ein Planer, der sich ausschließlich auf Fluss-Nachfrage konzentriert, dicht besiedelte Wohngebiete mit hohem lokalem Bedarf übersehen. Die Realität ist jedoch, dass sich beide Nachfragetypen überlappen. Die Studie der Nanjing University erkennt diese Komplexität an und schlägt eine integrierte Lösung vor.
Die Forscher verbinden das Set-Covering-Modell für die Punkt-Nachfrage mit dem FCLM für die Fluss-Nachfrage zu einem einheitlichen Framework. Dies ist jedoch nicht einfach eine Addition zweier bestehender Modelle. Ein entscheidendes Hindernis ist die unterschiedliche Zielsetzung: Während das Set-Covering-Modell die Anzahl der benötigten Stationen minimiert, maximiert das FCLM den abgefangenen Verkehrsfluss. Um diese Zielkonflikte zu überwinden, transformieren Xu, Lu und Chen das FCLM. Statt den abgefangenen Verkehr zu maximieren, wird das Ziel umgedreht: Es soll sichergestellt werden, dass der gesamte fließende Verkehr abgefangen wird, und dies bei gleichzeitiger Minimierung der Gesamtkosten. Diese Neuausrichtung ermöglicht es, beide Nachfragetypen unter einem einheitlichen Kostenminimierungsziel zu vereinen. Das übergeordnete Ziel des neuen Modells lautet daher: Alle potenziellen Ladebedarfe – sowohl die täglichen Fahrten zu Wohn- und Arbeitsorten als auch die gelegentlichen Fernreisen – mit der geringstmöglichen Summe aus Baukosten, Installationskosten für Ladepunkte und Kosten für die erforderliche Netzanbindung zu decken. Dieser pragmatische Ansatz spiegelt die Prioritäten von Stadtplanern und Netzbetreibern wider, die ein ausgewogenes, kosteneffizientes und vollständig abdeckendes Netz schaffen müssen.
Ein weiterer entscheidender Fortschritt des Modells ist die Berücksichtigung von Unsicherheit. Die Prognose zukünftiger Ladebedarfe ist von einer Vielzahl von Faktoren abhängig: der Rate der EV-Adoption, der Entwicklung der Batterietechnologie, der wirtschaftlichen Lage und sogar dem Wetter. Deterministische Modelle, die mit festen Zahlen rechnen, sind daher riskant. Wenn die tatsächliche Nachfrage die Prognose übersteigt, sind die Stationen überlastet. Wenn sie darunter bleibt, sind sie eine kostspielige Fehlinvestition. Die Forscher setzen daher auf die sogenannte „Robust-Optimierung“ (Robust Optimization, RO). Im Gegensatz zur stochastischen Programmierung, die Wahrscheinlichkeitsverteilungen für Unsicherheiten benötigt, arbeitet die Robust-Optimierung mit definierten Unsicherheitsintervallen. Das Modell geht davon aus, dass der tatsächliche Bedarf an einem Standort oder auf einer Strecke innerhalb eines bestimmten Bereichs liegt – zum Beispiel zwischen dem prognostizierten Wert und einem um 20 Prozent höheren Wert. Das Ziel ist dann, eine Lösung zu finden, die unter allen möglichen Szenarien innerhalb dieser Intervalle funktioniert. Dies gewährleistet, dass das Netz auch in einem „worst-case“-Szenario, also bei maximaler Nachfrage, noch leistungsfähig ist. Dieser Ansatz ist besonders wertvoll für öffentliche Planer, die für die Zuverlässigkeit der Infrastruktur verantwortlich sind und nicht auf komplexe statistische Annahmen angewiesen sein wollen.
Die praktische Anwendung des Modells wird durch die Einbeziehung realer Betriebsbeschränkungen unterstrichen. Ein oft vernachlässigter Aspekt ist die Kapazität des lokalen Stromnetzes. Die Installation einer Ladestation erfordert nicht nur Platz, sondern auch eine ausreichende Stromversorgung. In vielen Fällen ist die vorhandene Netzanschlussleistung nicht ausreichend, um mehrere schnelle Ladepunkte zu betreiben. Eine Erweiterung erfordert dann kostspielige Maßnahmen wie den Bau neuer Leitungen oder die Erhöhung der Transformatorleistung. Das Modell von Xu, Lu und Chen integriert diese „Netzanschlussbeschränkung“ explizit in die Berechnung. Es berücksichtigt die Kosten für die notwendige „Stromnetzerweiterung“ (Power Grid Expansion) und optimiert gleichzeitig die Anzahl der Ladepunkte pro Standort unter Berücksichtigung dieser physikalischen und finanziellen Grenzen. Dies verhindert, dass das Modell Standorte vorschlägt, die zwar geografisch günstig liegen, aber aufgrund der hohen Kosten für die Netzanbindung wirtschaftlich nicht tragfähig wären. Diese Integration macht das Modell von einem theoretischen Konstrukt zu einem praktischen Planungswerkzeug.
Die Wirksamkeit des Modells wurde in zwei umfangreichen Fallstudien demonstriert. Die erste Studie fokussierte sich auf den Bezirk Chaoyang in Peking, eine dicht besiedelte und wirtschaftlich wichtige Region. Die Forscher nutzten vorhandene Daten über Bevölkerungsdichte und Verkehrsaufkommen, um 30 Bedarfsorte und 10 potenzielle Standorte für Ladestationen zu identifizieren. Sie simulierten eine tägliche Punkt-Nachfrage von 890 Fahrzeugen und eine Fluss-Nachfrage von 182 Fahrzeugen. Die Ergebnisse waren überzeugend: Das integrierte Modell wählte sechs Standorte aus, um alle Bedarfe abzudecken. Im Vergleich dazu führten traditionelle, auf jeweils nur eine Nachfragetypologie basierende Modelle zu einer höheren Anzahl an benötigten Stationen und damit zu deutlich höheren Gesamtkosten. Das neue Modell zeigte eine klare Tendenz, Standorte zu bevorzugen, die sowohl Wohngebiete als auch wichtige Verkehrsachsen bedienen konnten, was die Effizienz maximiert. Ein entscheidender Befund war, dass die Berücksichtigung von Unsicherheit (Robustheitsniveau) nicht unbedingt mehr Standorte erfordert, sondern hauptsächlich zu einer höheren Anzahl von Ladepunkten an den ausgewählten Standorten führt. Dies bedeutet, dass Planer, um für die Zukunft gerüstet zu sein, nicht unbedingt mehr Flächen kaufen müssen, sondern die Kapazität an strategisch wichtigen Knotenpunkten erhöhen sollten.
Die zweite Fallstudie testete das Modell auf einem größeren, synthetisch generierten Netzwerk mit 80 Bedarfsorten und 35 potenziellen Standorten. Auch hier bestätigte sich die Überlegenheit des integrierten Ansatzes. Das Modell reduzierte die Gesamtkosten im Vergleich zu den traditionellen Methoden signifikant. Sensitivitätsanalysen zeigten, dass die Vorteile des Modells besonders dann ausgeprägt sind, wenn die beiden Nachfragetypen räumlich überlappen – eine Situation, die in vielen urbanen und suburbanen Korridoren der Fall ist. Die Analysen ergaben auch, dass die Kosten für die Robustheit nicht unbegrenzt steigen. Nach einer anfänglichen, steilen Kostenkurve, die mit steigendem Robustheitsniveau einhergeht, flacht die Kurve ab. Dies gibt Planern eine klare Entscheidungshilfe: Sie können ihr Risikoprofil an ihre Budgetvorgaben anpassen. Ein konservativer Planer mit ausreichendem Budget kann ein hohes Robustheitsniveau wählen, um absoluten Versorgungssicherheit zu garantieren. Ein Planer mit begrenztem Budget kann ein moderates Niveau wählen, das die Kosten nur geringfügig erhöht, aber bereits einen erheblichen Sicherheitspuffer bietet.
Die Implikationen dieser Forschung gehen weit über die chinesischen Grenzen hinaus. Obwohl China derzeit der weltweit größte EV-Markt ist, stehen Städte in Europa, Nordamerika und Asien vor ähnlichen Herausforderungen. Das Modell von Xu, Lu und Chen bietet einen universell anwendbaren Rahmen, der auf verschiedene geografische und demografische Gegebenheiten angepasst werden kann. Es unterstützt eine paradigmatische Verschiebung in der Infrastrukturplanung: weg von der Reaktion auf aktuelle Bedarfe hin zu einer proaktiven, zukunftsorientierten Gestaltung. Statt Ladepunkte dort zu installieren, wo sie heute gebraucht werden, ermöglicht das Modell eine Planung, die auch die Bedarfe von morgen berücksichtigt. Dies ist entscheidend, um eine „grüne Sackgasse“ zu vermeiden, in der heute gebaute Infrastruktur in wenigen Jahren bereits veraltet ist.
Für politische Entscheidungsträger bietet das Modell eine transparente Grundlage für die Allokation öffentlicher Mittel. Es ersetzt subjektive Entscheidungen oder politische Kompromisse durch eine datengetriebene, wissenschaftliche Methode. Dies erhöht die Effizienz der öffentlichen Ausgaben und fördert die Glaubwürdigkeit der Energiepolitik. Für private Betreiber von Ladestationen ist das Modell ein wettbewerbsentscheidender Vorteil. Es hilft ihnen, ihre Investitionen zu maximieren, indem es die profitabelsten Standorte identifiziert und gleichzeitig das Risiko einer Unter- oder Überkapazität minimiert. Die Fähigkeit, den Kompromiss zwischen Investitionskosten und Servicequalität zu quantifizieren, ist für die Risikobewertung unerlässlich.
Zukünftige Forschungsarbeiten könnten das Modell noch weiter verfeinern. Eine vielversprechende Richtung ist die Entwicklung eines mehrstufigen Modells, das es ermöglicht, die Infrastruktur in Phasen auszubauen, während die Nachfrage wächst. Dies würde die finanzielle Belastung für öffentliche und private Investoren erheblich verringern. Eine weitere Verbesserung wäre die Einbindung realistischerer Verkehrsmodelle, die Staus, Umleitungen und Nutzerpräferenzen für bestimmte Routen berücksichtigen. Schließlich könnte der Einfluss von dynamischen Preismodellen – also unterschiedlichen Strompreisen je nach Tageszeit oder Standort – in die Planung einfließen, um die Last auf das Netz zu glätten und die Wirtschaftlichkeit zu steigern.
Zusammenfassend lässt sich sagen, dass die Arbeit von Xu Wei, Lu Weijie und Chen Zhiqiang einen signifikanten Sprung in der Planung von EV-Ladeinfrastruktur darstellt. Indem sie Punkt- und Fluss-Nachfrage in einem robusten, realitätsnahen Modell vereinen, liefern sie einen leistungsstarken Werkzeugkasten für alle Beteiligten. Ihre Forschung ist nicht nur technisch anspruchsvoll, sondern auch von hoher praktischer Relevanz. Sie trägt dazu bei, die Lücke zwischen der Vision einer emissionsfreien Mobilität und der Realität einer funktionierenden, zuverlässigen und erschwinglichen Ladeinfrastruktur zu schließen. In einer Zeit, in der der Verkehrssektor einen entscheidenden Beitrag zur Erreichung der Klimaziele leisten muss, ist diese Art von innovativer, interdisziplinärer Forschung unverzichtbar.
Xu Wei, Lu Weijie, Chen Zhiqiang, Institut für Engineering Management, Nanjing University. Veröffentlicht in Journal of Sustainable Transportation and Energy Systems, DOI: 10.3969/j.issn.2097-4558.2024.04.005.