Präzise Prognose von Ladestationslasten durch KI-Modell
Die rasante Entwicklung der Elektromobilität verändert nicht nur die Automobilindustrie, sondern auch die gesamte Energieinfrastruktur. Mit der stetig wachsenden Zahl an Elektrofahrzeugen (EVs) steigt der Druck auf das Stromnetz, insbesondere an öffentlichen Ladestationen. Diese werden zunehmend zu kritischen Knotenpunkten im intelligenten Stromnetz – sogenannten Smart Grids. Doch die unvorhersehbare Nutzung durch Fahrer macht die Lastprognose zu einer der größten Herausforderungen für Netzbetreiber und Energieversorger. Genau hier setzt eine bahnbrechende Forschungsarbeit an, die ein hochpräzises Modell zur Vorhersage von Ladestationslasten vorschlägt. Entwickelt wurde es von einem Team unter der Leitung von Zhao Zijun vom State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch. Die Studie wurde in der renommierten Fachzeitschrift Zhejiang Electric Power veröffentlicht und bietet eine Lösung, die sowohl die Komplexität des Nutzerverhaltens als auch die Notwendigkeit präziser Netzplanung berücksichtigt.
Die Bedeutung genauer Lastprognosen kann kaum überschätzt werden. Ohne verlässliche Vorhersagen riskieren Netzbetreiber Überlastungen, ineffiziente Energieverteilung und eine suboptimale Integration erneuerbarer Energien. Besonders problematisch ist die hohe Volatilität der Ladevorgänge. Im Gegensatz zu konstanten Verbrauchern wie Haushalten oder Industrieanlagen hängt die Nutzung von Ladestationen von einer Vielzahl dynamischer Faktoren ab: Wetter, Tageszeit, Wochentyp, Feiertage und Strompreise beeinflussen das Verhalten der Fahrer erheblich. Ein Fahrer lädt möglicherweise nach der Arbeit, während ein anderer nur während einer Mittagspause auflädt. Diese Unsicherheiten machen klassische Prognosemethoden oft unzureichend.
Bisherige Ansätze zur Vorhersage von EV-Lasten basierten hauptsächlich auf zwei Methoden: statistischen Simulationen basierend auf Fahrzeugbestand und Fahrverhalten oder auf der Analyse historischer Lastdaten mit einfachen Zeitreihenmodellen. Erstere, wie Monte-Carlo-Simulationen, sind nützlich für langfristige Planungen auf städtischer Ebene, bieten aber wenig Detail für den operativen Betrieb einer einzelnen Ladestation. Letztere, wie ARIMA-Modelle oder einfache neuronale Netze, konzentrieren sich auf vergangene Lastmuster, ignorieren jedoch oft externe Einflussfaktoren, die das Ladeverhalten entscheidend steuern. Wie die Autoren in ihrer Studie betonen, führt die Beschränkung auf „nur die Betrachtung von Lastschwankungstrends“ zu unzureichender Genauigkeit. Es wird dringend ein ganzheitlicherer Ansatz benötigt, der die vielschichtigen Einflüsse auf das Ladeverhalten integriert.
Genau diese Lücke schließt die Forschungsarbeit von Zhao Zijun, Peng Qingwen, Deng Ming, Li Lin, Deng Yazhi, Chen Boyuan und Wu Donglin. Ihr Ansatz ist dreigeteilt: Zunächst identifizieren sie die entscheidenden Einflussfaktoren, dann entwickeln sie ein tiefes neuronales Netzwerk zur Prognose und schließlich implementieren sie ein Korrekturverfahren, um die Vorhersagefehler systematisch zu minimieren. Das Ergebnis ist ein hybrides KI-Modell, das eine bisher unerreichte Genauigkeit bei der Vorhersage von Ladestationslasten über verschiedene Zeithorizonte hinweg erreicht.
Der erste Schritt des Modells ist die Identifikation und Integration mehrerer Einflussfaktoren. Die Forscher analysieren vier Hauptkategorien: meteorologische Bedingungen, Datentypen, Lastschwankungstrends und Strompreise. Jeder dieser Faktoren spielt eine entscheidende Rolle. Die Jahreszeit beeinflusst beispielsweise nicht nur die Fahrzeugreichweite durch den erhöhten Energieverbrauch für Heizung im Winter, sondern auch die Batteriechemie. Bei kälteren Temperaturen ist die Ionenaktivität in der Batterie geringer, was zu längeren Ladezeiten führt. Im Sommer hingegen kann die Batterie schneller geladen werden. Diese saisonalen Effekte sind kein Hintergrundrauschen, sondern ein zentraler Treiber für die Lastverteilung über das Jahr.
Der Datentyp – ob Werktag, Wochenende oder Feiertag – hat ebenfalls einen starken Einfluss auf das Ladeverhalten. An Werktagen dominieren Pendlerverkehr und damit verbundene Ladevorgänge, was zu deutlichen Lastspitzen am späten Nachmittag und Abend führt, wenn Fahrer von der Arbeit nach Hause kommen. An Wochenenden und Feiertagen hingegen ist das Ladeverhalten viel diffuser und wird oft durch Freizeitaktivitäten wie Einkaufen oder Ausflüge bestimmt. Die Forscher beobachteten an einer Teststation, dass die Spitzenzeiten an Wochenenden zwischen 10:00–12:00 und 18:00–22:00 liegen, während an Werktagen die Spitzen schärfer und auf 11:00–12:00 und 18:00–19:00 konzentriert sind. Diese Erkenntnis ist für Energieversorger von entscheidender Bedeutung, die beispielsweise zeitabhängige Tarife (Time-of-Use, TOU) nutzen oder Lastmanagementprogramme anbieten möchten.
Der Strompreis selbst ist ein mächtiger wirtschaftlicher Anreiz. In vielen Regionen, darunter auch die Provinz Hunan, wo die Studie durchgeführt wurde, wird der Strom in drei Tarifstufen angeboten: Spitzenlast (hoch), Normal (mittel) und Niedriglast (niedrig). Der niedrige Tarif, auch „Tal“-Tarif genannt, gilt in der Regel in den Nachtstunden und ermutigt die Nutzer, genau zu diesen Zeiten zu laden. Die Daten der Ladestation A zeigen diesen Effekt deutlich: Die Lastspitzen fallen konsistent mit dem Zeitfenster des Tal-Tarifs zusammen. Die Integration der Echtzeit-Preisinformationen in das Prognosemodell stellt sicher, dass diese wirtschaftlichen Signale nicht übersehen werden.
Nachdem diese Faktoren identifiziert wurden, stellt sich die Frage nach der geeigneten Verarbeitungsmethode. Traditionelle maschinelle Lernmodelle stoßen bei hochdimensionalen, nichtlinearen Daten schnell an ihre Grenzen. Deep Learning bietet eine Lösung, aber die Wahl der richtigen Architektur ist entscheidend. Das Team entschied sich für ein hybrides CNN-LSTM-Modell, das die Stärken zweier leistungsfähiger neuronaler Netzwerke kombiniert. Convolutional Neural Networks (CNNs) sind Meister darin, Merkmale aus komplexen Datensätzen zu extrahieren, insbesondere räumliche und zeitliche Muster. Long Short-Term Memory (LSTM)-Netzwerke, eine Art rekurrentes neuronales Netzwerk, sind speziell darauf ausgelegt, langfristige Abhängigkeiten in sequenziellen Daten zu erfassen – ideal für Zeitreihenprognosen.
In ihrem Modell verarbeitet der CNN-Teil zunächst die mehrdimensionalen Eingabedaten – Jahreszeit, Wochentag, Feiertagsflagge, Tageszeit, jüngste Lasthistorie und Tarifstufe –, extrahiert die relevanten Merkmale und reduziert Rauschen. Diese verfeinerten Merkmale werden dann an das LSTM-Netzwerk weitergeleitet, das mit seinen Gedächtniszellen die zeitliche Entwicklung der Last modelliert. Diese Kombination ermöglicht es dem Modell, nicht nur Muster in den Daten zu erkennen, sondern auch zu verstehen, wie sich diese Muster im Laufe der Zeit entwickeln. Wie die Autoren erläutern, überwindet dieser hybride Ansatz das Problem, dass „ungültige Informationen das Training des Modells stören“.
Trotz der Fortschritte im Deep Learning sind Vorhersagefehler unvermeidlich, besonders bei hochstochastischen Prozessen wie dem Ladeverhalten von Elektrofahrzeugen. Um die Genauigkeit weiter zu steigern, führten die Forscher eine zweite Intelligenzschicht ein: einen Random-Forest-(RF-)Algorithmus zur Fehlerkorrektur. Random Forest ist ein Ensemble-Lernverfahren, das mehrere Entscheidungsbäume erstellt und deren Ausgaben aggregiert, wodurch es robust gegenüber Überanpassung ist und komplexe nichtlineare Beziehungen erfassen kann.
Der Fehlerkorrekturmechanismus funktioniert, indem er die Residuen – die Differenz zwischen vorhergesagten und tatsächlichen Lastwerten – des ursprünglichen CNN-LSTM-Modells analysiert. Diese Residuen werden als neue Zeitreihe behandelt, und der RF-Algorithmus wird trainiert, sie vorherzusagen. Der vorhergesagte Fehler wird dann vom ursprünglichen Prognosewert abgezogen, was die Ausgabe effektiv verfeinert. Dieser zweistufige Ansatz – erst Vorhersage, dann Fehlerkorrektur – entspricht den Best Practices in der Hochpräzisionsprognose, bei denen Nachbearbeitungstechniken verwendet werden, um die Ergebnisse zu optimieren.
Zur Validierung ihres Modells führten die Forscher umfangreiche Simulationen mit realen Daten von zwei Ladestationen in Changsha, Hunan, durch. Der Datensatz umfasste das gesamte Jahr 2022 mit Lastmessungen im 15-Minuten-Intervall, was pro Station über 35.000 Datenpunkte ergibt. Die ersten acht Monate dienten zum Training des Modells, während die letzten vier Monate als Testset dienten. Diese Out-of-Sample-Testung gewährleistet, dass die Ergebnisse die reale Leistung des Modells widerspiegeln und nicht einfach nur eine Überanpassung an historische Daten darstellen.
Die Bewertung umfasste drei Zeitskalen: mittelfristig (monatlich), kurzfristig (wöchentlich und täglich) und ultrakurzfristig (zwei Stunden im Voraus). Für jedes Szenario verglichen die Forscher ihr vorgeschlagenes Modell – CNN-LSTM mit RF-Fehlerkorrektur – mit zwei Baseline-Modellen: einem reinen LSTM-Modell und einem unkorrigierten CNN-LSTM-Modell. Die Leistung wurde anhand dreier Standardmetriken gemessen: Root Mean Square Error (RMSE), Mean Absolute Error (MAE) und der Bestimmtheitsmaßzahl (R²). Niedrigere RMSE- und MAE-Werte deuten auf kleinere durchschnittliche Fehler hin, während ein R² nahe bei 1,0 eine bessere Übereinstimmung mit den tatsächlichen Daten anzeigt.
Die Ergebnisse waren beeindruckend. Bei der mittelfristigen Prognose für Oktober 2023 an Station A erreichte das mit RF korrigierte CNN-LSTM-Modell ein RMSE von nur 84,36 kW, im Vergleich zu 539,84 kW für das unkorrigierte CNN-LSTM und 572,80 kW für das reine LSTM. Der R²-Wert stieg auf 0,99 an, was bedeutet, dass das Modell 99 % der Varianz in der tatsächlichen Last erklärt – eine nahezu perfekte Anpassung. Bei der kurzfristigen wöchentlichen Prognose reduzierte das korrigierte Modell das RMSE von 539,84 kW auf 84,36 kW, eine Reduzierung von über 84 %. Bei täglichen Prognosen an Station B war die Verbesserung ebenso dramatisch: Das korrigierte Modell erreichte ein R² von 0,99, während das reine LSTM nur 0,36 erreichte.
Vielleicht die beeindruckendsten Ergebnisse kamen bei der ultrakurzfristigen Prognose – der Vorhersage der Last für die nächsten zwei Stunden in 15-Minuten-Intervallen. Dies ist das anspruchsvollste Szenario, da es plötzliche Lastspitzen und -einbrüche erfassen muss. Hier hatte das unkorrigierte CNN-LSTM-Modell große Schwierigkeiten, schnelle Schwankungen nachzuvollziehen, während die RF-korrigierte Version eine bemerkenswerte Sensibilität für Laständerungen zeigte. Das RMSE sank von 624,05 kW auf 178,28 kW, eine Reduzierung von 71 %, und das R² verbesserte sich von 0,40 auf 0,80. Wie die Autoren feststellen, kann das korrigierte Modell „Laständerungspunkte sensibel erfassen“, was es für den Echtzeit-Betrieb des Stromnetzes geeignet macht.
Die praktischen Implikationen dieser Forschung sind weitreichend. Für Netzbetreiber ermöglicht ein solch hochpräzises Prognosewerkzeug eine effizientere Netzführung. Es erlaubt eine bessere Kraftwerkseinsatzplanung, reduziert die Abhängigkeit von Spitzenlastkraftwerken und verbessert die Integration von Wind- und Solarenergie. Für Betreiber von Ladestationen unterstützen genaue Prognosen die dynamische Preisgestaltung, die Kapazitätsplanung und die Optimierung des Kundenservice. Im Kontext von Vehicle-to-Grid-(V2G-)Systemen, bei denen Elektrofahrzeuge Energie zurück ins Netz speisen können, ist eine präzise Lastprognose unerlässlich, um bidirektionale Energieflüsse zu koordinieren.
Darüber hinaus macht die Fähigkeit des Modells, externe Faktoren zu integrieren, es an verschiedene Regionen und regulatorische Umgebungen anpassbar. Ob eine Stadt aggressive TOU-Tarife einführt, extremen saisonalen Wetterbedingungen ausgesetzt ist oder einen Anstieg des Wochenendtourismus verzeichnet, das Modell kann mit lokalen Daten neu trainiert werden, um seine Genauigkeit beizubehalten. Diese Flexibilität erhöht seine Skalierbarkeit und langfristige Relevanz.
Auf methodischer Ebene verkörpert die Studie die Stärke hybrider KI-Architekturen. Durch die Kombination von Deep Learning mit Ensemble-Methoden zeigen die Forscher, dass das Ganze größer sein kann als die Summe seiner Teile. Die CNN-LSTM-RF-Pipeline stellt einen anspruchsvollen, aber praktischen Ansatz für ein komplexes reales Problem dar. Sie unterstreicht auch die Bedeutung der Fehleranalyse bei KI-gestützten Prognosen – die Anerkennung, dass Modelle Fehler machen werden, diese Fehler jedoch selbst modelliert und korrigiert werden können.
Die Arbeit fügt sich auch in breitere Trends der Smart-Grid-Entwicklung ein, bei denen datengestützte Entscheidungsfindung regelbasierte Systeme ersetzt. Während Stromnetze zunehmend dezentralisiert und dynamisch werden, werden traditionelle Prognosewerkzeuge durch adaptive, lernbasierte Modelle ersetzt. Der Beitrag von Zhao und seinem Team passt genau in diese Paradigmenverschiebung und bietet eine Blaupause dafür, wie KI zur Modernisierung der Netzinfrastruktur eingesetzt werden kann.
Zusammenfassend stellt die Forschung von Zhao Zijun, Peng Qingwen, Deng Ming, Li Lin, Deng Yazhi, Chen Boyuan und Wu Donglin von der State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch einen bedeutenden Fortschritt bei der Prognose von Ladeleistungen für Elektrofahrzeuge dar. Durch die Integration mehrerer Einflussfaktoren und die Anwendung eines zweistufigen KI-Modells mit Fehlerkorrektur haben sie ein System entwickelt, das über alle Zeitskalen hinweg außergewöhnliche Genauigkeit bietet. Ihre Ergebnisse, veröffentlicht in Zhejiang Electric Power (DOI: 10.19585/j.zjdl.202404003), bieten ein leistungsfähiges Werkzeug, um die wachsende Belastung des Stromnetzes durch Elektrofahrzeuge besser zu managen.