Präzise Prognose der Ladeinfrastruktur für Elektrofahrzeuge bis 2033
Die globale Transformation der Mobilität gewinnt weiter an Dynamik, und Elektrofahrzeuge (EVs) stehen im Zentrum dieser Entwicklung. Mit zunehmendem Umweltbewusstsein, strengeren Emissionsvorschriften und technologischen Fortschritten bei Batterien und Ladeinfrastruktur wächst die Zahl der Elektrofahrzeuge weltweit rasant. In China, einem der weltweit größten Automärkte, vollzieht sich dieser Wandel besonders schnell. Die steigende Verbreitung von EVs bringt jedoch neue Herausforderungen für die Energieversorgung mit sich – insbesondere für die Stabilität und Planung der Stromnetze. Ein kürzlich veröffentlichtes Forschungsprojekt beleuchtet diese Entwicklung aus einer bisher wenig beachteten Perspektive: die langfristige Prognose des Ladebedarfs unter Berücksichtigung des exponentiellen Wachstums der Fahrzeugbestände.
Im Gegensatz zu vielen bisherigen Studien, die sich auf kurzfristige Ladeverhalten und tägliche Lastprofile konzentrieren, geht die neue Forschung über den Tag hinaus. Sie analysiert die Entwicklung über ein Jahrzehnt und integriert dabei nicht nur Fahrzeugzahlen, sondern auch Nutzerverhalten, Umwelteinflüsse und technische Parameter. Das Ziel: eine realistische und zuverlässige Vorhersage des zukünftigen Ladebedarfs, um Stadtplanern, Energieversorgern und politischen Entscheidungsträgern fundierte Daten für die strategische Ausrichtung der Ladeinfrastruktur zu liefern.
Die Studie wurde von einem Team um Mengtong Yu und Hui Gao von der School of Automation and Artificial Intelligence an der Nanjing University of Posts and Telecommunications durchgeführt, in Zusammenarbeit mit Fengkun Yang vom Unternehmen NARI Technology Development Limited Company. Ihre Ergebnisse wurden im renommierten Fachjournal Modern Electronics Technique veröffentlicht und stellen einen bedeutenden Schritt in der präzisen Modellierung der EV-Dynamik dar.
Ein zentrales Problem bisheriger Prognosemodelle ist die Unsicherheit bei der Vorhersage des Fahrzeugbestands. Traditionelle Methoden wie Trendextrapolation oder einfache statistische Modelle stoßen bei schnellen technologischen und marktlichen Veränderungen schnell an ihre Grenzen. Um diesem Problem zu begegnen, setzten die Forscher ein optimiertes graues Vorhersagemodell (Grey Model, GM) ein – eine Methode, die sich besonders für Prognosen mit begrenzten historischen Daten eignet. Allerdings weist das klassische GM(1,1)-Modell Schwächen bei stark schwankenden Anfangsdaten auf, was bei der jungen und schnell wachsenden EV-Branche häufig der Fall ist.
Hier kommt die Innovation ins Spiel: Die Autoren nutzten den sogenannten Glühwürmchen-Algorithmus (Firefly Algorithm), eine auf natürlichen Verhaltensmustern basierende Optimierungstechnik, um die entscheidenden Parameter des grauen Modells zu verfeinern. Der Algorithmus simuliert die Bewegung von Glühwürmchen, die sich gegenseitig anziehen, wobei die Helligkeit als Maßstab für die Güte einer Lösung dient. Durch diesen intelligenten Anpassungsprozess konnte das Modell signifikant präziser gemacht werden.
Die Validierung der Methode erfolgte anhand realer Daten aus einer Region in der Provinz Jiangsu, die den Fahrzeugbestand von Elektrofahrzeugen zwischen 2010 und 2022 umfassten. Die Forscher trainierten ihr Modell mit den Daten von 2012 bis 2017 und prognostizierten dann die Bestände für die Jahre 2018 bis 2022. Die Ergebnisse waren beeindruckend: Während das traditionelle graue Modell bei der Prognose für das Jahr 2020 einen Fehler von 39,3 % aufwies, reduzierte das optimierte Modell diesen auf nur noch 7,7 %. Selbst im Jahr 2022 lag der Fehler bei lediglich 2,6 %, was eine erhebliche Verbesserung der Vorhersagegenauigkeit demonstriert.
Mit dieser robusten Grundlage für die Bestandsprognose konnte das Team sich der komplexeren Aufgabe der Ladebedarfsmodellierung zuwenden. Hierbei berücksichtigten sie eine Vielzahl realitätsnaher Faktoren, die in früheren Modellen oft vernachlässigt wurden. Ein zentraler Aspekt ist das Fahrverhalten der Nutzer, das durch sogenannte „Reiseketten“ (Travel Chains) abgebildet wurde. Die Forscher unterteilten die Zielorte in vier Kategorien: Wohnen (H), Arbeiten (W), soziale und Freizeitaktivitäten (SR) sowie sonstige Aktivitäten (O). Basierend auf umfangreichen Verkehrserhebungen wurde angenommen, dass die meisten Fahrten zu Hause beginnen und enden, was die Wahrscheinlichkeit von Ladevorgängen zu Hause erhöht.
Die Startzeit für eine Ladung wurde dabei nicht als fester Wert angenommen, sondern als eine statistische Verteilung modelliert, die zwei Hauptzeiten widerspiegelt: nach der Rückkehr von der Arbeit am späten Nachmittag und während des Tages, etwa bei Besorgungen. Auch die zurückgelegten Strecken wurden realistisch als logarithmisch-normalverteilt angenommen, was den typischen Muster des privaten Straßenverkehrs entspricht.
Ein weiterer entscheidender Faktor, der in der Studie besonders hervorgehoben wird, ist die Umgebungstemperatur. Lithium-Ionen-Batterien, die in fast allen modernen Elektrofahrzeugen verbaut sind, sind stark temperaturabhängig. Bei niedrigen Temperaturen, etwa 0 °C, sinkt die verfügbare Batteriekapazität auf etwa 79 % des Nennwerts. Gleichzeitig verringert sich die Ladeeffizienz, da Energie benötigt wird, um die Batterie aufzuheizen. Bei hohen Temperaturen, wie 35 °C, kann zwar die Kapazität leicht ansteigen, die Ladeeffizienz sinkt jedoch aufgrund der Aktivierung des Kühlungssystems. Nur bei einer optimalen Temperatur von etwa 25 °C erreichen Kapazität und Effizienz ihren Spitzenwert.
Diese temperaturbedingten Effekte haben direkte Auswirkungen auf den Strombedarf. Das Modell zeigt, dass der tägliche Ladebedarf bei 0 °C am höchsten ist, da sowohl mehr Energie pro gefahrenem Kilometer benötigt wird als auch längere Ladezeiten aufgrund geringerer Effizienz entstehen. Dies bedeutet, dass der Energiebedarf im Winter signifikant höher sein wird als im Sommer – eine wichtige Erkenntnis für die Netzplanung, die oft nur den saisonalen Heizbedarf berücksichtigt.
Die Simulation wurde über einen Zeitraum von zehn Jahren, von 2023 bis 2033, durchgeführt. Für jedes Jahr wurde die prognostizierte Anzahl an Elektrofahrzeugen in eine Monte-Carlo-Simulation eingespeist, die das tägliche Fahr- und Ladeverhalten einer großen virtuellen Flotte nachbildete. Die Ergebnisse liefern ein detailliertes Bild der räumlichen und zeitlichen Verteilung des Ladebedarfs.
Ein klares Muster zeichnet sich ab: Der Wohnbereich (H) bleibt der dominierende Ort für das Laden. Dies spiegelt die weit verbreitete Praxis wider, das Fahrzeug über Nacht zu Hause an die Ladestation anzuschließen. Das Lastprofil für Wohngebiete zeigt zwei Spitzen, eine mittags und eine am Abend, was auf das Anschließen nach der Arbeit und gelegentliche Nachladen während des Tages hindeutet. Die Ladeleistung in Wohngebieten wurde mit 7 kW angenommen, was typisch für private Wallboxen ist.
Im Gegensatz dazu zeigt der Arbeitsbereich (W) eine klare Spitze gegen 9:00 Uhr, was dem typischen Arbeitsbeginn entspricht. Bereiche für soziale und Freizeitaktivitäten (SR) sehen einen Anstieg der Nachfrage um die Mittagszeit herum, was auf Pausen und Wochenendbesuche hindeutet. Andere Gebiete (O) zeigen eine relativ flache und konstante Nachfrage, was auf eine geringere Besuchshäufigkeit oder eine unzureichende Ladeinfrastruktur hindeutet. Öffentliche Schnellladestationen mit 60 kW tragen tagsüber erheblich zur Energieversorgung bei, machen aber aufgrund kürzerer Ladezeiten einen kleineren Anteil der gesamten gelieferten Energie aus.
Die zeitliche Analyse der täglichen Lastkurven von 2023 bis 2033 zeigt eine stetige Zunahme der Spitzenlast. Der höchste Bedarf tritt konsistent gegen 18:00 Uhr auf. Dieser Zeitpunkt markiert die Konvergenz mehrerer Faktoren: Pendler kehren nach Hause zurück, schließen ihre Fahrzeuge an, und der allgemeine Haushaltsstromverbrauch steigt am Abend. Mit steigender Zahl an Elektrofahrzeugen wird dieser Abendspitzenlast noch stärker ausgeprägt, was eine Herausforderung für Netzbetreiber darstellt, die das Gleichgewicht zwischen Angebot und Nachfrage sicherstellen müssen.
Die Studie unterstreicht die entscheidende Bedeutung einer präzisen langfristigen Prognose für die Entwicklung der Infrastruktur. Eine Überinvestition in Ladeinfrastruktur führt zu unnötigen Kosten, während eine Unterversorgung zu Frustration bei den Nutzern und zur sogenannten „Reichweitenangst“ führen kann. Das vorgestellte Modell bietet konkrete Handlungsempfehlungen.
Die dominierende Rolle des Heimladens legt nahe, dass in vielen Wohngebieten, insbesondere in älteren Beständen, eine Modernisierung der elektrischen Anschlüsse erforderlich sein könnte, um die gleichzeitige Belastung durch mehrere Fahrzeuge zu bewältigen. Gleichzeitig zeigt die moderate, aber stetige Nachfrage an Arbeitsplätzen und öffentlichen Orten die Möglichkeit für eine schrittweise Einführung von Mittelleistungs-Ladepunkten, was eine überstürzte Kapitalbindung vermeidet.
Die Einbeziehung der Temperaturwirkung ermöglicht eine klimaspezifische Planung. Städte mit kaltem Winter müssen möglicherweise stärker auf Schnellladeinfrastruktur setzen, um die Dauer der Ladevorgänge im Winter zu minimieren und die Benutzerfreundlichkeit zu gewährleisten. In wärmeren Regionen wird eine effiziente thermische Regelung der Ladegeräte entscheidend sein, um die Leistung und Lebensdauer zu sichern.
Aus Sicht der Politik stützt die Forschung die Notwendigkeit von Anreizprogrammen, die das Laden außerhalb der Spitzenzeiten fördern. Zeitabhängige Tarife, intelligente Ladealgorithmen und Technologien wie „Vehicle-to-Grid“ (V2G), bei denen Fahrzeuge Energie zurück ins Netz speisen können, könnten helfen, die Abendspitze zu glätten und den Lastgang in die Nachtstunden zu verlagern. In dieser Zeit ist oft ein Überangebot an erneuerbarer Energie, insbesondere aus Windkraft, verfügbar. Solche Maßnahmen würden nicht nur die Netzstabilität erhöhen, sondern auch die Umweltvorteile von Elektrofahrzeugen maximieren.
Die Stärke des Modells liegt in seiner ganzheitlichen Herangehensweise. Es verbindet die makroökonomische Prognose des Fahrzeugbestands mit einer mikroskopischen Simulation des individuellen Nutzerverhaltens. Diese Integration erfasst den Rückkopplungseffekt zwischen der Größe der Fahrzeugflotte und den Nutzungsgewohnheiten. Mit zunehmender Akzeptanz könnten sich beispielsweise die Fahr- und Ladeverhalten ändern – etwa durch mehr Selbstvertrauen bei Langstreckenfahrten oder veränderte Präferenzen für Ladestandorte – Faktoren, die nur ein umfassendes Modell vorhersehen kann.
Die Autoren weisen zu Recht auf gewisse Grenzen der Studie hin. Das Modell geht von einer konstanten Fahrzeug- und Batterietechnologie aus, während zukünftige Fortschritte bei der Energiedichte und Ladegeschwindigkeit die Verbrauchsmuster verändern könnten. Zudem werden Flotten für Carsharing oder gewerbliche Elektrofahrzeuge nicht berücksichtigt, die ein anderes Nutzungsmuster aufweisen. Zukünftige Forschungsarbeiten könnten die Integration fortschrittlicherer Batteriechemien, bidirektionales Laden und dynamische Preissignale zur weiteren Verfeinerung der Prognosen nutzen.
Trotz dieser Einschränkungen stellt die Arbeit von Yu, Gao und Yang einen bedeutenden Fortschritt in der langfristigen Prognose des Ladebedarfs dar. Ihr Ansatz bietet einen universell anwendbaren Rahmen, der über China hinaus von Relevanz ist. Ob in Europa, Nordamerika oder aufstrebenden Märkten – die Prinzipien der Integration von Bestandswachstum, menschlichem Verhalten und Umwelteinflüssen sind überall gültig.
Zusammenfassend liefert diese Forschung eine fundierte Grundlage für die Gestaltung der Zukunft der Mobilität. Durch die präzise Prognose des Fahrzeugbestands und des Ladebedarfs über das kommende Jahrzehnt stellt das Modell eine wertvolle Ressource für alle Akteure dar, die an der Schaffung eines robusten, effizienten und nachhaltigen Ladesystems arbeiten. In einer Zeit, in der die Welt auf dem Weg zu einer emissionsfreien Zukunft ist, bieten solche wissenschaftlichen Arbeiten die notwendige analytische Basis für kluge und zukunftsweisende Entscheidungen.
Das Fachjournal Modern Electronics Technique hat sich durch die Veröffentlichung dieser Studie erneut als Plattform für wegweisende Forschung in den Bereichen Energiesysteme und elektronische Technik etabliert. Sein Engagement für die Verbreitung hochwertiger, angewandter Forschung sorgt dafür, dass solche Fortschritte sowohl Praktikern als auch Wissenschaftlern zugänglich sind und so zur Beschleunigung der technologischen Entwicklung beitragen.
Diese Arbeit, die durch die Nationale Naturwissenschaftliche Stiftung Chinas (Grant No. 52077107) unterstützt wurde, ist ein Paradebeispiel für die interdisziplinäre Forschung, die erforderlich ist, um komplexe Energiewenden zu meistern. Indem sie Datenwissenschaft, Verkehrsmodellierung und Elektrotechnik miteinander verbindet, haben die Autoren ein leistungsfähiges Werkzeug geschaffen, das den Weg in die elektrifizierte Zukunft ebnet.
Mengtong Yu, Hui Gao, Fengkun Yang, Nanjing University of Posts and Telecommunications, NARI Technology Development Limited Company, Modern Electronics Technique, DOI: 10.16652/j.issn.1004-373x.2024.06.009