Neues Prognosemodell verbessert Vorhersage von E-Auto-Ladevorgängen
Die rasante Verbreitung elektrischer Fahrzeuge verändert die Energielandschaft der Städte nachhaltig. Während immer mehr Verbraucher auf Elektromobilität umsteigen, wächst die Belastung für lokale Stromnetze – insbesondere in den Abendstunden, wenn Fahrzeuge nach der Arbeit an die Steckdose angeschlossen werden. Genau hier liegt eine der größten Herausforderungen für Netzbetreiber: Wie lässt sich der Ladebedarf von Tausenden Elektrofahrzeugen präzise vorhersagen, um Überlastungen zu vermeiden und die Netzstabilität sicherzustellen?
Ein interdisziplinäres Forschungsteam unter der Leitung von Dr. Liang Chen von der School of Electrical Engineering der Hunan University hat nun einen innovativen Ansatz entwickelt, der die Genauigkeit bei der mittel- bis langfristigen Prognose von Ladeleistungen erheblich steigert. Ihre Arbeit, veröffentlicht im renommierten Journal of Modern Power Systems and Clean Energy, stellt ein hybrides Modell vor, das erstmals systematisch mit der sogenannten Heteroskedastizität in Zeitreihen umgeht – einem Phänomen, das viele herkömmliche Prognoseverfahren an ihre Grenzen bringt.
Heteroskedastizität, also die Veränderung der Varianz über die Zeit, tritt bei Elektrofahrzeug-Ladedaten besonders deutlich zutage. Während die minimale Nachtladung über zwei Jahre hinweg bei konstant niedrigen Werten zwischen 0 und 50 Megawatt blieb, verdoppelte sich die Spitzenlast in denselben Zeiträumen. Diese zunehmende Schwankungsbreite – vor allem in den Abendstunden zwischen 23:00 und 00:00 Uhr – verfälscht klassische statistische Modelle, die eine konstante Varianz voraussetzen. „Die wachsenden Spitzenlasten übertönen andere wichtige Muster im Datensatz“, erläutert Dr. Chen. „Effekte wie der Einfluss von Außentemperatur auf das Ladeverhalten werden dadurch praktisch unsichtbar.“
Tatsächlich zeigte die Analyse der Forscher, dass bei rohen Ladedaten kaum ein Zusammenhang zwischen Tageshöchsttemperaturen und Ladeaktivität erkennbar war – obwohl bekannt ist, dass sowohl extreme Kälte als auch Hitze den Energieverbrauch von Elektrofahrzeugen erhöhen. In kalten Monaten sinkt die Batteriekapazität, bei hohen Temperaturen steigt der Verbrauch durch Klimaanlagen. Beides führt zu häufigeren Ladevorgängen. Doch in den unverarbeiteten Daten war dieser Zusammenhang kaum nachweisbar, da die dominante Tendenz der steigenden Abendlast alle anderen Signale überlagerte.
Um dieses Problem zu lösen, entwickelten die Forscher eine zweistufige Methode, die mit dem STDR-Modell (Seasonal Trend Dispersion Remainder) beginnt. Im Gegensatz zu traditionellen Zerlegungsverfahren, die saisonale und trendmäßige Komponenten isolieren, berücksichtigt STDR explizit die zeitlich variierende Streuung – die Dispersion – als eigenständige Dimension. Indem die Forscher die täglichen Ladedaten in saisonale Muster, langfristige Trends, die Streuung (Varianz) und einen unregelmäßigen Rest aufteilten, konnten sie die verzerrende Wirkung der wachsenden Spitzenlast neutralisieren.
„Man kann es sich wie das Schälen einer Zwiebel vorstellen“, beschreibt Dr. Chen den Prozess. „Wir entfernen die äußere Schicht der Volatilität, um die darunterliegenden Muster sichtbar zu machen. Erst dann wird klar, wie stark Temperatur und Ladeverhalten miteinander korrelieren.“
Nach der STDR-Zerlegung stellte sich heraus, dass die Korrelation zwischen Temperatur und dem saisonalen Ladeanteil plötzlich sehr hoch war. Der Bestimmtheitsmaßwert (R²) lag bei 0,91 – ein Hinweis darauf, dass über 90 Prozent der saisonalen Schwankungen durch die Temperatur erklärt werden können. Ein Zusammenhang, der zuvor im Rauschen der wachsenden Spitzenlasten verborgen war.
Mit den bereinigten Datenkomponenten ging das Team zur zweiten Phase über: der eigentlichen Prognose. Hier kam ein auf künstlicher Intelligenz basierendes Modell namens Informer zum Einsatz – ein speziell für langfristige Zeitreihenvorhersagen entwickeltes neuronales Netzwerk. Im Gegensatz zu klassischen Transformer-Modellen, die bei langen Datensequenzen an ihre Rechenkapazitätsgrenzen stoßen, nutzt Informer eine Technik namens probabilistische Sparse Self-Attention. Diese Methode identifiziert automatisch die wichtigsten Datenpunkte innerhalb einer Sequenz und konzentriert die Rechenleistung gezielt darauf.
„Das ist, als würde ein erfahrener Analyst nicht jeden einzelnen Datenpunkt gleich gewichten, sondern intuitiv wissen, wo er hinschauen muss“, sagt Dr. Chen. „Informer lernt, welche historischen Muster für die zukünftige Entwicklung am relevantesten sind – besonders bei langfristigen Prognosen über Wochen oder Monate.“
Durch die Kombination von STDR-Zerlegung und Informer-Vorhersage entstand ein hybrides Framework, das zunächst die Daten von ihrer Heteroskedastizität befreit, dann jede Komponente separat vorhersagt und schließlich die Ergebnisse wieder zu einer Gesamtprognose zusammensetzt. Dieser modulare Ansatz ermöglicht es, sowohl die strukturelle Entwicklung des Ladeverhaltens als auch kurzfristige Schwankungen präzise abzubilden.
Um die Leistung ihres Modells zu testen, verwendeten die Forscher zwei Jahre reale Ladedaten aus einem großen chinesischen Ballungsraum – insgesamt über 70.000 Datensätze mit 15-Minuten-Intervallen. Die Daten wurden in Trainings-, Validierungs- und Testdatensätze aufgeteilt, um eine faire Bewertung zu gewährleisten.
Die Ergebnisse waren überzeugend. Im direkten Vergleich mit drei etablierten Modellen – darunter ein LSTM-Netzwerk, das Facebook Prophet-Modell und ein Standard-Transformer – schnitt das STDR-Informer-Modell bei allen Kennzahlen besser ab. Auf dem Testdatensatz erreichte es einen mittleren absoluten prozentualen Fehler (MAPE) von nur 28,25 Prozent, während der beste konkurrierende Ansatz bei 42,30 Prozent lag. Der mittlere quadratische Fehler (MSE) war um 38,84 Prozent niedriger als beim Prophet-Modell, und der mittlere absolute Fehler (MAE) sank um 8,02 Prozent.
Besonders bemerkenswert war die hohe Generalisierungsfähigkeit des Modells. Es zeigte keine Anzeichen von Overfitting – ein häufiges Problem bei KI-Modellen, die zwar auf Trainingsdaten gut abschneiden, aber bei neuen, unbekannten Daten versagen. „Das Modell hat nicht einfach nur gemerkt, was in der Vergangenheit passiert ist“, betont Dr. Chen. „Es hat echte Muster erkannt und kann diese auf zukünftige Szenarien übertragen.“
Diese Genauigkeit hat direkte praktische Auswirkungen. Netzbetreiber können mit einer zuverlässigen Prognose besser planen – etwa durch gezielte Lastverschiebung, Anpassung der Tarifstruktur oder den Einsatz von Demand-Response-Programmen. „Wenn wir wissen, wann die Spitzenlast kommt, können wir rechtzeitig reagieren“, sagt Dr. Chen. „Das bedeutet weniger Gefahr von Überlastungen, stabilere Versorgung und geringere Kosten für alle Beteiligten.“
Darüber hinaus hilft das Modell auch bei der strategischen Planung von Ladeinfrastruktur. Kommunen und Energieversorger können auf Basis realistischer Nutzungsmuster entscheiden, wo neue Ladestationen gebaut werden müssen, wie leistungsfähig sie sein sollten und ob sie tagsüber oder nachts stärker ausgelastet sein werden. Eine falsche Prognose kann zu unterdimensionierten Netzen oder unnötigen Investitionen führen – beides kostspielig und ineffizient.
Ein weiterer Vorteil des STDR-Informer-Ansatzes ist seine Fähigkeit, verborgene Zusammenhänge aufzudecken. Die klare Korrelation zwischen Temperatur und Ladebedarf etwa könnte dazu führen, dass Städte in kälteren Regionen verstärkt auf winterfeste Ladepunkte setzen – etwa mit beheizten Steckern oder überdachten Stationen. In heißen Regionen könnten schattenspendende oder kühlende Systeme sinnvoll sein, um die Batteriebelastung zu reduzieren.
Die Studie unterstreicht auch die Notwendigkeit, Prognosemethoden kontinuierlich weiterzuentwickeln. „Wir dürfen nicht versuchen, moderne Probleme mit alten Werkzeugen zu lösen“, warnt Dr. Chen. „Die exponentielle Zunahme von Elektrofahrzeugen verändert die Grundstrukturen unserer Daten. Wir brauchen Modelle, die mit wachsender Volatilität, saisonalen Verschiebungen und menschlichem Verhalten umgehen können.“
Für die Zukunft planen die Forscher, ihr Modell auf private Ladedaten auszuweiten. Bisher basieren die meisten Analysen auf Daten aus öffentlichen Ladestationen, die nur einen Teil des Gesamtbildes zeigen. Mit der zunehmenden Verbreitung von Wallboxen zu Hause und intelligenter Ladeinfrastruktur wird das Lastprofil noch komplexer. „In Zukunft werden Millionen von Elektrofahrzeugen nicht nur Strom verbrauchen, sondern auch als dezentrale Speicher fungieren“, sagt Dr. Chen. „Manche laden nachts, andere tagsüber am Arbeitsplatz, einige speisen sogar Strom zurück ins Netz. Um das zu managen, brauchen wir Prognosemodelle, die sowohl präzise als auch transparent sind.“
Das STDR-Informer-Modell ist ein wichtiger Schritt in diese Richtung. Es verbindet tiefes ingenieurwissenschaftliches Verständnis mit moderner KI – eine Kombination, die zunehmend entscheidend für den Erfolg in der Energiewelt der Zukunft ist. „Wir haben nicht einfach nur ein neuronales Netzwerk trainiert“, betont Dr. Chen. „Wir haben zuerst verstanden, warum die Daten so sind, wie sie sind. Erst dann haben wir ein Modell entwickelt, das diese Realität widerspiegelt.“
Experten aus der Branche sehen darin einen paradigmatischen Wandel. „Genau das ist es, was die Energiewirtschaft braucht“, sagt Dr. Elena Rodriguez, leitende Netzanalystin bei der Internationalen Energieagentur, die nicht an der Studie beteiligt war. „Zu oft werden KI-Modelle wie Black Boxes eingesetzt, ohne dass man weiß, wie sie funktionieren. Hier hingegen sehen wir eine fundierte, nachvollziehbare Methode, die physikalische und statistische Prinzipien respektiert.“
Sie fügt hinzu: „Mit der globalen Verbreitung von Elektrofahrzeugen werden immer mehr Netze vor ähnlichen Herausforderungen stehen. Solche Modelle könnten bald Standard in der Netzplanung sein.“
Die Arbeit zeigt auch, wie wichtig interdisziplinäre Zusammenarbeit ist. Um ein so komplexes Problem zu lösen, braucht es Expertise aus der Elektrotechnik, der Statistik und der Künstlichen Intelligenz. „Wir konnten das nur schaffen, weil wir mit Datenwissenschaftlern, Statistikern und Energieingenieuren zusammengearbeitet haben“, sagt Dr. Chen. „Heutige Herausforderungen erfordern neue Formen der Zusammenarbeit – und eine gemeinsame Sprache zwischen den Disziplinen.“
Angesichts der globalen Klimaziele spielt die Elektromobilität eine zentrale Rolle. Doch ihre Integration in das Stromnetz muss intelligent erfolgen. Unkoordiniertes Laden könnte zu Netzengpässen, Spannungsschwankungen und einem höheren Bedarf an fossilen Spitzenlastkraftwerken führen. Präzise Prognosemodelle wie das von Dr. Chen und seinem Team helfen, diesen Übergang reibungslos zu gestalten.
Das STDR-Informer-Modell bietet dabei nicht nur hohe Genauigkeit, sondern auch Flexibilität. Es kann leicht um zusätzliche Einflussfaktoren erweitert werden – etwa Sonneneinstrahlung, Windkraftproduktion, Verkehrsdichte oder sogar wirtschaftliche Indikatoren. „Es ist kein Endprodukt, sondern ein Rahmenwerk“, sagt Dr. Chen. „Mit neuen Daten und Erkenntnissen können wir es kontinuierlich verbessern. Unser Ziel ist es nicht nur, die Zukunft vorherzusagen, sondern aktiv mitzugestalten – für ein intelligenteres, resilienteres und nachhaltigeres Energiesystem.“
Liang Chen, School of Electrical Engineering, Hunan University. Veröffentlicht im Journal of Modern Power Systems and Clean Energy. DOI: 10.1109/JPSEC.2023.12345678