Optimierung von Carsharing-Diensten durch Batteriewechsel

Optimierung von Carsharing-Diensten durch Batteriewechsel

In der dynamischen Welt der urbanen Mobilität gewinnen Elektrofahrzeuge im Carsharing-Bereich zunehmend an Bedeutung. Angesichts des wachsenden Drucks zur Reduzierung von CO2-Emissionen und der Notwendigkeit, Staus in Ballungsräumen zu verringern, bieten Elektro-Carsharing-Systeme eine nachhaltige und flexible Alternative zur privaten Fahrzeugnutzung. Doch die erfolgreiche Implementierung solcher Systeme hängt von der Lösung zweier zentraler Herausforderungen ab: der Fahrzeugverteilung und der Energieversorgung. Eine aktuelle Studie von Li Manman, Sun Jiahui, Fu Yingbin und Zhao Boxuan von der School of Automobile der Chang’an University, veröffentlicht im Journal of Chongqing University of Technology (Natural Science), stellt einen neuartigen Ansatz vor, um diese Probleme durch ein integriertes Optimierungsmodell basierend auf Batteriewechseltechnologie anzugehen.

Die Forschung, betitelt „Sharing Electric Vehicle Scheduling and Service Pricing Optimization Based on Battery Swapping“, entwickelt einen umfassenden Rahmen, der die Standortwahl für Batteriewechselstationen, die Routenplanung für Batterietransporte, die Fahrzeugdisposition und die Dienstleistungspreisgestaltung gleichzeitig optimiert. Dieser ganzheitliche Ansatz zielt darauf ab, den Gewinn der Carsharing-Anbieter zu maximieren, während gleichzeitig eine effiziente und zuverlässige Servicebereitstellung sichergestellt wird. Die Studie baut auf dem Modell des zentralen Ladens und der einheitlichen Verteilung (CCUD) auf, das 2011 von der State Grid Corporation of China vorgeschlagen wurde und als netzfreundlich und kosteneffizient gilt.

Die Herausforderungen des Elektro-Carsharing

Elektro-Carsharing hat in den letzten Jahren stark an Popularität gewonnen, angetrieben durch technologische Fortschritte, Umweltbewusstsein und sich verändernde Konsumgewohnheiten. Diese Fahrzeuge bieten Nutzern die Bequemlichkeit des bedarfsgerechten Zugangs zur Mobilität, ohne die finanziellen und logistischen Belastungen des Fahrzeugbesitzes. Die operative Komplexität solcher Systeme bringt jedoch mehrere Herausforderungen mit sich, die bewältigt werden müssen, um ihre langfristige Lebensfähigkeit zu gewährleisten.

Eine der dringendsten Probleme ist die ungleiche Verteilung der Fahrzeuge, bei der einige Stationen überfüllt sind, während andere unter Fahrzeugmangel leiden. Diese Ungleichgewichte können zu Kundenzufriedenheitsverlusten führen, da Nutzer möglicherweise Schwierigkeiten haben, verfügbare Fahrzeuge zu finden, wenn sie benötigt werden. Zudem erfordert die begrenzte Reichweite von Elektrofahrzeugen häufiges Nachladen, was das Problem der Ungleichgewichte weiter verschärfen kann. Traditionelle Lösungen wie dynamische Preisgestaltung und Fahrzeugumverteilung wurden eingesetzt, um diese Probleme zu mildern, erweisen sich jedoch oft als unzureichend, um eine umfassende und nachhaltige Lösung zu bieten.

Eine weitere zentrale Herausforderung ist die Energieversorgung. Während die meisten bestehenden Studien davon ausgehen, dass Elektro-Carsharing-Fahrzeuge an einzelnen Stationen aufgeladen werden, kann dieser Ansatz zeitaufwendig sein und während Spitzenzeiten nicht durchführbar sein. Der Batteriewechsel hingegen bietet eine schnellere und effizientere Methode der Energieversorgung. Durch den Austausch leerer Batterien gegen vollgeladene können Elektro-Carsharing-Fahrzeuge schnell wieder in Betrieb genommen werden, was die Stillstandszeiten reduziert und die Gesamteffizienz des Systems verbessert.

Das Modell des zentralen Ladens und der einheitlichen Verteilung

Das CCUD-Modell, das die Grundlage der Studie bildet, ist ein strategischer Ansatz zur Verwaltung des Energiebedarfs von Elektro-Carsharing-Fahrzeugen. In diesem Modell werden alle leeren Batterien zu einer zentralen Ladestation in der Nähe eines Kraftwerks transportiert. Dieser zentrale Ansatz stellt sicher, dass der Ladevorgang die Spannung des Stromverteilungsnetzes nicht beeinträchtigt, was es netzfreundlich macht. Sobald die Batterien vollständig aufgeladen sind, werden sie an verschiedene Batteriewechselstationen verteilt, wo sie für die Nutzung durch Elektro-Carsharing-Fahrzeuge bereitstehen.

Das CCUD-Modell bietet mehrere Vorteile gegenüber traditionellen Lademethoden. Erstens ermöglicht es eine effizientere Nutzung der Ladeinfrastruktur, da die zentrale Station eine große Anzahl von Batterien gleichzeitig handhaben kann. Zweitens reduziert es den Bedarf an umfangreichen Ladeeinrichtungen an einzelnen Stationen, was die Gesamtkapital- und Betriebskosten senkt. Drittens ermöglicht das Modell eine bessere Lastverteilung, da der Ladevorgang in Zeiten geringer Nachfrage geplant werden kann, um die Belastung des Netzes zu minimieren.

Das integrierte Optimierungsmodell

Um die Herausforderungen der Fahrzeugverteilung und der Energieversorgung anzugehen, entwickelten die Forscher ein nichtlineares gemischt-ganzzahliges Programmierungsmodell (NMIP), das mehrere Aspekte des Elektro-Carsharing-Betriebs integriert. Das Modell zielt darauf ab, den Gewinn der Carsharing-Anbieter zu maximieren, indem es die folgenden Schlüsselkomponenten optimiert:

1. Standorte für Batteriewechselstationen: Das Modell bestimmt die optimalen Standorte für Batteriewechselstationen unter Berücksichtigung von Faktoren wie Nachfrageverhalten, Reisedistanzen und der Verfügbarkeit von Ladeinfrastruktur. Durch die strategische Platzierung dieser Stationen soll sichergestellt werden, dass Elektro-Carsharing-Fahrzeuge jederzeit auf vollgeladene Batterien zugreifen können.

2. Routen für Batterietransporte: Das Modell optimiert auch die Routen für Batterietransportfahrzeuge, die die geladenen Batterien von der zentralen Ladestation zu den Wechselstationen befördern. Ziel ist es, die zurückgelegte Gesamtstrecke und die damit verbundenen Kosten zu minimieren, während gleichzeitig sichergestellt wird, dass jede Station die erforderliche Anzahl an Batterien erhält.

3. Fahrzeugdisposition: Das Modell berücksichtigt die dynamische Natur der Nachfrage nach Elektro-Carsharing, die sich zeitlich und räumlich unterscheidet. Es optimiert die Fahrzeugplanung, um sicherzustellen, dass Fahrzeuge dort und dann verfügbar sind, wo sie benötigt werden. Dazu gehören die Zuordnung von Fahrzeugen zu Nutzern, die Umverteilung von Fahrzeugen und die Energieversorgung.

4. Dienstleistungspreisgestaltung: Das Modell integriert eine Nachfrage-Preis-Funktion, die die Beziehung zwischen dem Preis der Dienstleistung und dem Nachfragelevel widerspiegelt. Durch die Anpassung der Preise in Echtzeit kann das Modell das Nutzerverhalten beeinflussen und helfen, die Verteilung der Fahrzeuge über das Netzwerk auszugleichen.

Das NMIP-Modell wird mithilfe eines räumlich-zeitlichen Netzwerks formuliert, das die Bewegung und den Energielevel von Elektro-Carsharing-Fahrzeugen über die Zeit verfolgt. Dieser netzwerkbasierte Ansatz ermöglicht eine detaillierte und genaue Darstellung der Systemdynamik und erlaubt dem Modell, die komplexen Wechselwirkungen zwischen den verschiedenen Komponenten des Elektro-Carsharing-Systems zu erfassen.

Modelltransformation und Lösungsmethoden

Das ursprüngliche NMIP-Modell ist ein nichtlineares, nicht-konvexes Problem, das rechnerisch schwierig zu lösen ist. Um das Modell handhabbarer zu machen, wandten die Forscher eine inverse Transformation der Nachfrage-Preis-Funktion an, wodurch das Modell in ein nichtlineares konvexes Optimierungsproblem umgewandelt wurde. Diese Transformation vereinfacht den Lösungsprozess und verbessert die rechnerische Effizienz des Modells.

Zur Lösung des transformierten Modells verglichen die Forscher drei verschiedene Algorithmen: den sekantenbasierten äußeren Approximationsalgorithmus, den tangentenbasierten äußeren Approximationsalgorithmus und den Lagrange-Relaxationsalgorithmus. Der sekantenbasierte äußere Approximationsalgorithmus erwies sich als überlegen hinsichtlich der Lösungsqualität und der Rechenzeit. Dieser Algorithmus funktioniert, indem er die nichtlineare Zielfunktion durch eine Reihe linearer Segmente approximiert und diese Approximation schrittweise verfeinert, bis das gewünschte Maß an Genauigkeit erreicht ist.

Der tangentenbasierte äußere Approximationsalgorithmus, obwohl konzeptionell ähnlich, verwendet Tangenten statt Sekanten, um die Zielfunktion zu approximieren. Dieser Ansatz erwies sich jedoch als weniger effektiv, da er erheblich mehr Rechenzeit benötigte, um zu einer Lösung zu konvergieren. Der Lagrange-Relaxationsalgorithmus, der das Problem in kleinere Teilprobleme zerlegt, wurde ebenfalls evaluiert. Obwohl diese Methode große Probleme bewältigen kann, erwies sie sich als weniger effizient als der sekantenbasierte äußere Approximationsalgorithmus, insbesondere hinsichtlich der Lösungsqualität.

Numerische Experimente und Sensitivitätsanalyse

Um die Wirksamkeit des vorgeschlagenen Modells und der Lösungsmethoden zu validieren, führten die Forscher eine Reihe numerischer Experimente durch. Die Experimente basierten auf einem hypothetischen Elektro-Carsharing-System mit sieben Stationen und fünf Batterietransportfahrzeugen. Die potenzielle Nachfrage nach Elektro-Carsharing-Diensten wurde mithilfe einer Gleichverteilung generiert, und andere Parameter wurden auf realistischen Werten basierend festgelegt.

Die Ergebnisse der numerischen Experimente zeigten, dass das integrierte Optimierungsmodell effektiv die Herausforderungen der Fahrzeugverteilung und der Energieversorgung angehen konnte. Das Modell war in der Lage, eine machbare Lösung zu generieren, die den Gewinn des Carsharing-Anbieters maximiert, während gleichzeitig hohe Verfügbarkeits- und Kundenzufriedenheitsniveaus gewährleistet wurden. Die Sensitivitätsanalyse ergab, dass sowohl die potenzielle Nachfrage nach Elektro-Carsharing-Diensten als auch die Verfügbarkeit von Strom, repräsentiert durch die Batteriekapazität und die Tragfähigkeit der Batterietransportfahrzeuge, einen signifikanten Einfluss auf die Leistung des Systems hatten.

Beispielsweise führte eine Erhöhung der Batteriekapazität von 10 kWh auf 40 kWh zu einem erheblichen Anstieg der Anzahl der durchgeführten Fahrten und des Gesamtgewinns. Ebenso führte eine Erhöhung der Tragfähigkeit der Batterietransportfahrzeuge von 5 auf 35 Batterien zu einer signifikanten Verbesserung der Fähigkeit des Systems, die Nachfrage zu bedienen. Diese Ergebnisse unterstreichen die Bedeutung einer sorgfältigen Verwaltung der Energiequellen von Elektro-Carsharing-Systemen, um deren optimale Leistung zu gewährleisten.

Implikationen für die Industrie und die Politik

Die Ergebnisse dieser Studie haben wichtige Implikationen sowohl für die Elektro-Carsharing-Industrie als auch für politische Entscheidungsträger. Für Elektro-Carsharing-Anbieter bietet das integrierte Optimierungsmodell ein leistungsfähiges Werkzeug, um die Effizienz und Rentabilität ihres Betriebs zu verbessern. Durch die Einführung des CCUD-Modells und den Einsatz fortschrittlicher Optimierungstechniken können Betreiber die Fahrzeugverteilung und die Energieversorgung besser verwalten, was zu höherer Kundenzufriedenheit und niedrigeren Betriebskosten führt.

Für politische Entscheidungsträger unterstreicht die Studie die Notwendigkeit einer unterstützenden Infrastruktur und regulatorischer Rahmenbedingungen, um die breite Einführung von Elektro-Carsharing zu fördern. Dazu gehört die Investition in die Entwicklung von Batteriewechselstationen und die Gewährleistung, dass das Stromnetz in der Lage ist, die erhöhte Nachfrage nach Ladevorgängen zu bewältigen. Zusätzlich könnten politische Maßnahmen, die die Nutzung erneuerbarer Energien für das Laden fördern, die ökologischen Vorteile von Elektro-Carsharing weiter erhöhen.

Zukünftige Forschungsrichtungen

Während die aktuelle Studie einen robusten Rahmen für die Optimierung des Elektro-Carsharing-Betriebs bietet, gibt es mehrere Bereiche für zukünftige Forschung. Eine mögliche Richtung ist die Erweiterung des Modells, um die tägliche Nutzung der Batterietransportfahrzeuge zu berücksichtigen, was die Effizienz des Systems weiter verbessern könnte. Ein weiterer interessanter Bereich ist die Entwicklung intelligenter Heuristiken, die in der Lage sind, größere Probleme zu bewältigen und Echtzeitlösungen bereitzustellen.

Zusätzlich könnte zukünftige Forschung die Integration von Elektro-Carsharing mit anderen Verkehrsträgern, wie öffentlichen Verkehrsmitteln und Fahrradverleihen, untersuchen, um ein umfassenderes und multimodales städtisches Mobilitätssystem zu schaffen. Dies würde die Entwicklung neuer Modelle und Algorithmen erfordern, die die Komplexität der Integration mehrerer Verkehrsträger bewältigen können.

Fazit

Die Studie von Li Manman, Sun Jiahui, Fu Yingbin und Zhao Boxuan von der School of Automobile der Chang’an University stellt einen bedeutenden Fortschritt im Bereich des Elektro-Carsharing-Betriebs dar. Durch die Entwicklung eines integrierten Optimierungsmodells basierend auf dem CCUD-Modell haben die Forscher eine umfassende Lösung für die Herausforderungen der Fahrzeugverteilung und der Energieversorgung vorgestellt. Die Fähigkeit des Modells, die Standorte von Batteriewechselstationen, die Routen für Batterietransporte, die Fahrzeugdisposition und die Dienstleistungspreisgestaltung zu optimieren, hat das Potenzial, die Effizienz und Rentabilität von Elektro-Carsharing-Systemen erheblich zu verbessern.

Die Ergebnisse dieser Studie tragen nicht nur zur akademischen Literatur bei, sondern haben auch praktische Anwendungen für Elektro-Carsharing-Anbieter und politische Entscheidungsträger. Während die Nachfrage nach nachhaltiger Mobilität weiter wächst, werden die Erkenntnisse aus dieser Forschung entscheidend sein, um die Zukunft der urbanen Mobilität zu gestalten. Durch den Einsatz fortschrittlicher Optimierungstechniken und innovativer Energiemanagementstrategien kann die Elektro-Carsharing-Industrie ihre operativen Herausforderungen überwinden und ihr volles Potenzial als Schlüsselelement eines nachhaltigen und widerstandsfähigen städtischen Verkehrssystems entfalten.

Li Manman, Sun Jiahui, Fu Yingbin, Zhao Boxuan, School of Automobile, Chang’an University, Journal of Chongqing University of Technology (Natural Science), doi: 10.3969/j.issn.1674-8425(z).2024.04.023