Optimale Ladestationsplanung für gemischten Verkehr
Die rasante Entwicklung der Elektromobilität verändert nicht nur die Automobilindustrie, sondern stellt auch urbane Infrastrukturen vor komplexe Herausforderungen. Während Elektrofahrzeuge (EVs) zunehmend auf den Straßen präsent sind, bleibt der Übergang von Verbrennungsmotoren zu vollständiger Elektrifizierung ein schrittweiser Prozess, in dem beide Fahrzeugtypen weiterhin nebeneinander existieren. Genau in diesem realen Szenario des gemischten Verkehrs – mit Fahrzeugen, die sowohl Benzin als auch Strom nutzen – setzt eine bahnbrechende Studie an, die von einem Forscherteam aus China vorgelegt wurde. Die Arbeit, geleitet von Gu Yingbin vom Chaozhou Power Supply Bureau der Guangdong Power Grid Co., Ltd., stellt einen neuartigen Planungsansatz für die optimale Verteilung und Dimensionierung von Ladestationen vor, der sowohl Verkehrsflüsse als auch Stromnetzbelastungen gleichzeitig berücksichtigt.
Bisherige Planungsmodelle für Ladeinfrastruktur haben oft entweder den Verkehr oder das Stromnetz isoliert betrachtet. Diese Trennung führt jedoch zu suboptimalen Ergebnissen, da die Entscheidungen von Fahrern – etwa die Wahl einer Route oder eines Ladestands – direkt die Belastung des Stromnetzes beeinflussen und umgekehrt. Ein Stau auf einer Hauptstraße kann beispielsweise dazu führen, dass Elektrofahrer Umwege in Kauf nehmen, um eine Ladestation zu erreichen, was wiederum zu unerwarteten Lastspitzen an bestimmten Netzpunkten führt. Umgekehrt können hohe Strompreise während der Spitzenlastzeit Fahrer davon abhalten, an bestimmten Standorten zu laden, was wiederum Auswirkungen auf die Verkehrsdynamik hat. Genau diese Wechselwirkungen zwischen Verkehrs- und Energiesystem sind es, die das Forschungsteam um Gu Yingbin nun erstmals in einem integrierten Modell systematisch erfasst und optimiert hat.
Das Kernstück der Studie ist ein zweistufiges Optimierungsmodell, das auf einer klaren Trennung von strategischer Planung und operativer Simulation basiert. In der oberen Ebene des Modells wird das übergeordnete Ziel verfolgt, die gesellschaftlichen Gesamtkosten zu minimieren. Diese sogenannten „generalisierten sozialen Kosten“ sind ein umfassendes Maß, das weit über reine Investitionskosten hinausgeht. Sie umfassen die Fahrzeiten aller Verkehrsteilnehmer – sowohl von Elektro- als auch von Verbrennungsmotorenfahrzeugen –, die Betriebskosten des Stromnetzes, die Investitionskosten für die Ladestationen selbst und die erzielten Nettoenergieeinsparungen. Durch die Berücksichtigung all dieser Faktoren wird sichergestellt, dass die Planung nicht nur aus technischer Sicht effizient ist, sondern auch im Sinne der Allgemeinheit optimiert wird.
Die untere Ebene des Modells ist für die detaillierte Simulation der realen Abläufe verantwortlich. Hier werden zwei zentrale Probleme gleichzeitig gelöst: das Verkehrsfluss-Problem (Traffic Assignment Problem, TAP) und das Problem des optimalen Lastflusses im Stromnetz (Optimal Power Flow, OPF). Beim TAP wird modelliert, wie sich Fahrer – sowohl mit Verbrennungsmotoren als auch mit Elektroantrieb – auf dem Straßen- und Autobahnnetz verteilen. Dabei wird das sogenannte Wardrop-Prinzip der Nutzer-Gleichgewichtszustände zugrunde gelegt. Dieses Prinzip besagt, dass sich im Gleichgewicht kein einzelner Fahrer durch eine Änderung seiner Route verbessern kann. Jeder verfolgt sein eigenes Ziel – die kürzeste oder kostengünstigste Reise –, was insgesamt zu einem stabilen, wenn auch nicht unbedingt global optimalen, Verkehrsfluss führt. Die Berücksichtigung von Elektrofahrzeugen erweitert dieses Modell erheblich, da deren Fahrverhalten nicht nur von der Fahrzeit, sondern auch von der Verfügbarkeit und den Kosten von Ladepunkten abhängt. Ein Elektrofahrer wird möglicherweise eine längere Route wählen, um eine günstigere oder schnellere Ladestation zu erreichen, was den Verkehrsfluss an anderen Stellen beeinflusst.
Parallel dazu wird im OPF-Modell das elektrische Verteilnetz analysiert. Dieses Modell berücksichtigt physikalische Gesetze wie Spannungsabfälle, Leitungsverluste und die Kapazitäten von Transformatoren und Leitungen. Es berechnet, wie der Stromfluss im Netz bei einer gegebenen Lastverteilung – die sich aus den Ladestrombedarfen der Elektrofahrzeuge ergibt – aussieht und welche Betriebskosten entstehen. Die Kopplung zwischen beiden Systemen erfolgt genau an den Standorten der Ladestationen: Die Anzahl der Elektrofahrzeuge, die an einem bestimmten Standort laden wollen, bestimmt die elektrische Last an diesem Netzpunkt, was wiederum Spannungsqualität und Betriebskosten beeinflusst. Diese enge Verzahnung ermöglicht es dem Modell, komplexe Rückkopplungseffekte abzubilden – etwa wie hohe Strompreise die Ladewahl beeinflussen, was den Verkehr verändert, was wiederum die Lastverteilung im Netz beeinflusst.
Ein entscheidender Fortschritt der Arbeit von Gu Yingbin und seinen Kollegen ist die detaillierte Optimierung der Ladeleistung pro Station. Im Gegensatz zu vielen Studien, die nur den Standort einer Ladestation bestimmen, optimiert dieses Modell auch die Leistungsfähigkeit der Ladepunkte – also, wie schnell die Fahrzeuge dort geladen werden können. Diese Differenzierung ist von entscheidender Bedeutung für die wirtschaftliche Effizienz. An stark frequentierten Knotenpunkten, wie Autobahnkreuzen oder in Innenstädten, kann es sinnvoll sein, teure, aber leistungsstarke Schnelllader zu installieren, um Wartezeiten zu minimieren und den Verkehrsfluss nicht zu behindern. In weniger frequentierten Gebieten, etwa in Wohngebieten, reichen hingegen deutlich günstigere und langsamere Ladepunkte aus. Das Modell findet durch die gleichzeitige Betrachtung von Verkehrsfluss und Netzbelastung die kosteneffizienteste Kombination aus Standort und Leistung für jede einzelne Station.
Die Lösung dieses komplexen, zweistufigen Optimierungsproblems stellt eine enorme rechnerische Herausforderung dar. Traditionelle Algorithmen stoßen hier schnell an ihre Grenzen, da die Beziehung zwischen den Entscheidungsvariablen (z. B. der Ladeleistung) und der Zielfunktion (den gesellschaftlichen Kosten) extrem komplex und nichtlinear ist. Um diese Hürde zu überwinden, setzt das Forschungsteam einen sogenannten Surrogatmodell-basierten Algorithmus ein. Dieser Ansatz funktioniert wie ein „digitaler Zwilling“: Anstatt jedes Mal die vollen und rechenintensiven Simulationen des Verkehrs- und Stromnetzes durchzuführen, trainiert der Algorithmus zunächst ein vereinfachtes, schneller zu berechnendes Modell (das Surrogatmodell) auf Basis einer begrenzten Anzahl vollständiger Simulationen. Dieses Surrogatmodell lernt, wie sich die gesellschaftlichen Kosten bei verschiedenen Planungsszenarien verändern. Anschließend kann der Algorithmus dieses schnelle Modell nutzen, um tausende von möglichen Konfigurationen zu erkunden und die vielversprechendsten Kandidaten zu identifizieren. Nur für diese ausgewählten Kandidaten werden dann die vollständigen Simulationen durchgeführt, um die genauen Ergebnisse zu erhalten und das Surrogatmodell weiter zu verfeinern. Dieser iterative Prozess ermöglicht eine umfassende und effiziente Suche nach der globalen Optimal-Lösung, ohne dass die Rechenzeit ins Unermessliche steigt.
Die praktische Relevanz des Modells wurde anhand einer Fallstudie demonstriert, die ein ringförmiges Verkehrsnetz mit einem radialen Stromverteilnetz kombiniert. Acht potenzielle Standorte für Ladestationen wurden analysiert, wobei realistische Profile für den täglichen Verkehrsfluss und die Strompreise zugrunde gelegt wurden. Zwei Szenarien wurden verglichen: Im ersten Szenario (Fall 1) wurde die Ladeleistung an allen acht Standorten mit dem neu entwickelten Modell optimiert. Im zweiten Szenario (Fall 2) wurde an allen Standorten die gleiche, durchschnittliche Ladeleistung installiert – ein Ansatz, der oft in der Praxis anzutreffen ist, wenn eine pauschale Lösung gewählt wird. Die Ergebnisse waren eindrucksvoll: Das optimierte Szenario (Fall 1) erzielte Gesamtkosten von 444.140 US-Dollar, während das Szenario mit der durchschnittlichen Leistung (Fall 2) Kosten von 448.090 US-Dollar verursachte. Dies entspricht einer Einsparung von fast 4.000 US-Dollar pro Tag. Bei einer Skalierung auf eine große Metropolregion mit Hunderten von Ladestationen summieren sich diese Einsparungen schnell auf mehrere Millionen Dollar jährlich.
Noch bedeutender als die reinen Kostenersparnisse waren die Effekte auf den Verkehrsfluss. Durch die optimierte Platzierung und Dimensionierung der Ladestationen konnte die gesamte Fahrzeit aller Fahrzeuge im Netz um über 40.000 Minuten pro Tag reduziert werden. Dies ist ein klarer Hinweis darauf, dass suboptimale Ladestationen zu Verkehrsengpässen führen können, wenn Fahrer lange warten oder Umwege fahren müssen, um zu laden. Das Modell von Gu Yingbin verhindert solche Störungen und trägt so direkt zur Entlastung der Straßen bei.
Die Studie lieferte auch wichtige Erkenntnisse für die Betreiber von Stromnetzen. Die Simulationen zeigten, dass die Spannungsqualität im Netz auch unter maximaler Belastung stabil bleibt. Die Abweichung der Spannung an allen Knotenpunkten blieb unter 7 Prozent, was weit unter den üblichen Sicherheitsgrenzwerten liegt. Dies beweist, dass eine intelligente Planung der Ladeinfrastruktur keine Gefahr für die Netzstabilität darstellt, sondern diese sogar verbessern kann, indem Lastspitzen räumlich und zeitlich gestreut werden.
Ein weiterer faszinierender Aspekt der Forschung ist die Analyse des Potenzials von Elektrofahrzeugen als mobile Energiespeicher, die auch Strom ins Netz zurückspeisen können (Vehicle-to-Grid, V2G). Die Studie zeigt, dass ein höherer Anteil von Fahrern, die bereit sind, ihren Akku während der Spitzenlastzeit an das Netz anzuschließen, zu niedrigeren durchschnittlichen Strompreisen führt. Elektrofahrzeuge können so als dezentrale Speicher fungieren, die die Nachfrage im Netz ausgleichen und die Abhängigkeit von teuren und umweltbelastenden Spitzenlastkraftwerken reduzieren. Dies unterstreicht, dass Elektrofahrzeuge nicht nur als Verbraucher, sondern als aktive Teilnehmer am Energiesystem gesehen werden müssen.
Die Ergebnisse dieser Arbeit haben weitreichende Implikationen für Stadtplaner, Netzbetreiber und politische Entscheidungsträger. Sie bieten ein wissenschaftlich fundiertes Werkzeug, um die Investitionen in die Ladeinfrastruktur gezielt und effizient einzusetzen. Kommunen können damit sicherstellen, dass öffentliche Mittel dort eingesetzt werden, wo sie den größtmöglichen Nutzen für die Allgemeinheit erzielen – sowohl im Hinblick auf kürzere Fahrzeiten als auch auf stabilere Stromnetze. Netzbetreiber können die zukünftige Lastentwicklung besser prognostizieren und notwendige Netzausbauten proaktiv planen, anstatt auf Krisensituationen reagieren zu müssen. Für die Politik eröffnet das Modell die Möglichkeit, Anreizsysteme zu gestalten, die das Ladeverhalten der Bürger so steuern, dass es den gesellschaftlichen Zielen der Energieeffizienz und Entlastung des Verkehrs dient.
Ein weiterer Vorteil des Modells ist seine Fähigkeit, Fragen der sozialen Gerechtigkeit anzusprechen. Durch die detaillierte Analyse der Verkehrsströme zwischen verschiedenen Herkunfts- und Zielorten kann es identifizieren, ob bestimmte Stadtteile oder Bevölkerungsgruppen schlechter angebunden sind. Dies ermöglicht eine gerechtere Verteilung der Ladestationen und verhindert, dass sogenannte „Ladedeserts“ entstehen, die den Besitz einer Elektrofahrzeug insbesondere für Menschen ohne private Garagenplätze unattraktiv machen würden.
Die Studie von Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize und Huang Shuqiang vom Chaozhou Power Supply Bureau der Guangdong Power Grid Co., Ltd., veröffentlicht in Electrical Engineering, stellt einen entscheidenden Schritt hin zu einer ganzheitlichen und zukunftsorientierten Planung der städtischen Infrastruktur dar. Sie zeigt, dass die Herausforderungen der Elektromobilität nicht isoliert gelöst werden können, sondern eine enge Zusammenarbeit zwischen Verkehrsplanern und Energieversorgern erfordern. Ihr Modell liefert die notwendigen Werkzeuge, um diesen Übergang intelligent, effizient und im besten Interesse der Gesellschaft zu gestalten.
Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize, Huang Shuqiang, Chaozhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Electrical Engineering, DOI: 10.1234/ee.2024.07.001