Präzise Prognose von Ladevorgängen für E-Autos auf dem Land
Die Elektrifizierung des Verkehrs ist eine der zentralen Säulen der globalen Energiewende. Während in städtischen Zentren die Infrastruktur für Elektrofahrzeuge (EVs) bereits in vielen Regionen etabliert ist, stellt die zunehmende Verbreitung von E-Autos in ländlichen Gebieten eine besondere Herausforderung dar. Aufgrund der weiten geografischen Verbreitung, der langen Stromleitungen und der oft veralteten Verteilnetze ist die Vorhersage des Ladeverhaltens entscheidend, um die Stabilität und Zuverlässigkeit der Stromversorgung sicherzustellen. In einer bahnbrechenden Studie haben Forscher eine neue KI-gestützte Methode entwickelt, die es ermöglicht, die Ladebelastung durch Elektrofahrzeuge auf dem Land mit bisher unerreichter Genauigkeit vorherzusagen.
Die Studie wurde von Wang Zilong von der State Grid Corporation of China und Huang Li von der School of Electrical Engineering der Southeast University verfasst. Sie stellt ein neuartiges maschinelles Lernmodell vor, das als „Modifiziertes Graph-Temporal-Konvolutionales Netzwerk“ (Modified Graph Temporal Convolutional Network, MGTCN) bezeichnet wird. Dieses Modell kombiniert die Stärken zweier fortschrittlicher KI-Architekturen – Graph-Convolutional Networks (GCN) und Temporal Convolutional Networks (TCN) – und integriert zusätzlich einen sogenannten Attention-Mechanismus, um die Vorhersagegenauigkeit weiter zu steigern. Die Ergebnisse wurden im renommierten Fachjournal Power Demand Side Management veröffentlicht und könnten einen Wendepunkt für die Planung und den Betrieb ländlicher Stromnetze darstellen.
Der Fokus der Forschung liegt auf den einzigartigen Herausforderungen, die ländliche Stromnetze bei der Integration von Elektrofahrzeugen bewältigen müssen. Im Gegensatz zu städtischen Netzen, die dichter und besser ausgebaut sind, sind ländliche Netze oft durch eine unregelmäßige Topologie, lange Leitungswege und eine ungleichmäßige Verteilung der Verbraucher gekennzeichnet. Das Ladeverhalten von E-Autos in diesen Regionen ist komplex und von einer Vielzahl von Faktoren abhängig, darunter Fahrzeiten, Fahrverhalten, Wetterbedingungen und lokale Stromtarife. Traditionelle Prognosemodelle, die sich hauptsächlich auf zeitliche Muster konzentrieren, stoßen hier schnell an ihre Grenzen, da sie die räumlichen Beziehungen zwischen verschiedenen Netzpunkten und deren gegenseitige Beeinflussung nicht ausreichend berücksichtigen.
Genau hier setzt das MGTCN-Modell an. Der Kern des Ansatzes besteht darin, das Stromnetz als einen Graphen zu modellieren. In diesem Modell repräsentieren Knotenpunkte wie Transformatoren, Schaltstationen und Haushalte die Verbraucher, während die Kanten die elektrischen Verbindungen zwischen ihnen darstellen. Diese graphbasierte Darstellung ermöglicht es dem GCN-Teil des Modells, die räumliche Struktur des Netzes zu analysieren und zu verstehen, wie sich eine erhöhte Ladeaktivität in einem bestimmten Dorf auf benachbarte Gebiete auswirken kann. Zum Beispiel kann ein plötzlicher Anstieg der Ladeleistung in einem Dorf, in dem viele E-Autos gleichzeitig aufladen, zu Spannungseinbrüchen oder einer Überlastung von gemeinsam genutzten Transformatoren in der Umgebung führen. Das GCN-Netzwerk lernt diese räumlichen Abhängigkeiten, indem es Informationen über die Nachbarschaftsbeziehungen der Knoten verarbeitet und so ein umfassenderes Bild der Netzbelastung erzeugt.
Parallel dazu analysiert der TCN-Teil des Modells die zeitlichen Muster des Ladeverhaltens. Er ist speziell darauf ausgelegt, langfristige Abhängigkeiten in Zeitreihen zu erkennen, wie sie typischerweise beim Laden von Elektrofahrzeugen auftreten. Im Gegensatz zu rekurrenten Netzwerken wie LSTM, die Sequenzen Schritt für Schritt verarbeiten, verwendet der TCN dilatierte Faltungen (dilated convolutions), um effizient große Zeitfenster zu scannen. Dies ermöglicht es dem Modell, sowohl kurzfristige Schwankungen als auch langfristige Trends zu identifizieren. Beispielsweise kann es Muster erkennen, die sich an Wochentagen wiederholen – etwa eine hohe Ladeaktivität am späten Abend nach der Heimkehr von der Arbeit – oder saisonale Effekte, wie eine erhöhte Ladeleistung an kalten Wintertagen aufgrund des höheren Energiebedarfs für die Innenraumheizung.
Die wahre Stärke des MGTCN-Modells liegt jedoch in der Kombination dieser beiden Komponenten und der Integration des Attention-Mechanismus. Dieser Mechanismus fungiert als eine Art dynamisches Filter, das dem Modell ermöglicht, in jedem Moment die wichtigsten Eingabedaten stärker zu gewichten. In der Praxis bedeutet dies, dass das Modell selbstständig entscheiden kann, welche Faktoren zu einem bestimmten Zeitpunkt am relevantesten sind. An einem kalten Wintertag könnte der Einfluss der Außentemperatur auf die Ladeleistung besonders hoch sein, da Fahrzeuge mehr Energie für die Heizung benötigen und die Batterieleistung bei Kälte sinkt. An einem milden Sommertag hingegen könnte der Strompreis der dominierende Faktor sein, insbesondere wenn günstige Nachtstromtarife die Nutzer dazu anregen, ihre Fahrzeuge über Nacht aufzuladen. Durch diese adaptive Gewichtung wird das Modell nicht nur genauer, sondern auch transparenter, da es aufzeigt, welche Faktoren die Vorhersage in einem bestimmten Szenario am stärksten beeinflussen.
Die Forscher validierten ihre Methode anhand eines modifizierten IEEE-123-Knoten-Netzwerks, einem Standardmodell in der Stromnetzforschung. Dieses Testnetzwerk simulierte ein ländliches Versorgungsgebiet mit einer Grundspannung von 4,16 kV und einer Gesamtleistung von 1,40 + j0,77 MW. In der Simulation waren 2.000 Fahrzeuge in vier Dörfern unterwegs, wobei ein anfänglicher Elektrofahrzeug-Anteil von 10 % (200 Fahrzeuge) angenommen wurde. Die Fahr- und Ladeverhalten der Nutzer wurden auf realistischen, datengestützten Modle basierend auf Verhaltensökonomie abgebildet, um ein möglichst authentisches Bild der Nutzerpräferenzen zu erhalten.
Das Modell wurde mit einem Datensatz trainiert, der über einen Zeitraum von 91 Tagen mit einer Auflösung von 15 Minuten erfasst wurde. Die Ergebnisse waren überzeugend: Im Vergleich zu etablierten Modellen wie LSTM, reinem GCN, reinem TCN und einer einfachen GCN-TCN-Kombination schnitt das MGTCN-Modell deutlich besser ab. Der mittlere absolute prozentuale Fehler (MAPE) lag bei nur 4,06 %. Dies stellt eine Verbesserung um 39,49 % gegenüber dem LSTM-Modell und um 33,11 % gegenüber dem TCN-Modell dar. Der Bestimmtheitsmaßwert (R²) erreichte beeindruckende 99,67 %, was darauf hindeutet, dass das Modell fast die gesamte Varianz in den Ladedaten erklären kann. Diese hohe Genauigkeit ist für Netzbetreiber von entscheidender Bedeutung, da sie fundierte Entscheidungen über Investitionen und Betriebsstrategien treffen können.
Ein zentrales Ergebnis der Studie war die Identifizierung eines charakteristischen „Doppel-Peak, Doppel-Tal“-Lastprofils in ländlichen Gebieten. Die Daten zeigten, dass die Hauptladezeit in der Nacht zwischen 23:00 und 24:00 Uhr liegt. An einem typischen Werktag erreichte der nächtliche Ladepeak eine Leistung von 336,09 kW – das ist 122,05 % höher als der mittägliche Peak. Dieses Verhalten wird hauptsächlich durch die günstigen Nachtstromtarife und die Tatsache verursacht, dass die meisten ländlichen Nutzer über langsame Ladegeräte (Level 1 oder Level 2) verfügen, die sich ideal für eine mehrstündige Ladung über Nacht eignen. Dies führt jedoch zu einer massiven Konzentration der Last in einer bestimmten Tageszeit, was das Netz stark belasten kann.
Die räumliche Verteilung der Ladeleistung war ebenfalls hochgradig ungleichmäßig. Bestimmte Knotenpunkte, die wahrscheinlich Dörfer mit einer hohen Dichte an E-Autos oder zentralen Ladestationen darstellen, entwickelten sich zu „Hotspots“ mit extrem hoher Last, während andere Gebiete nur geringe Aktivität aufwiesen. Diese Clustering-Effekte können zu lokalen Überlastungen führen, selbst wenn die Gesamtbelastung des Netzes noch im grünen Bereich liegt. Dies verdeutlicht die Notwendigkeit einer präzisen räumlichen Vorhersage, um solche kritischen Knoten frühzeitig zu identifizieren.
Die Studie ging noch einen Schritt weiter und untersuchte die Auswirkungen steigender Elektrofahrzeug-Anteile auf die Netzstabilität. Die Simulationen wurden für Durchdringungsraten von 10 %, 20 % und 40 % durchgeführt. Bei 10 % blieb das Netz stabil, mit einem Lastunterschied zwischen Spitzen- und Tiefstlast von 0,99 MW und allen Spannungswerten innerhalb der zulässigen Grenzen. Bei 20 % zeigten sich erste Anzeichen von Belastung: Der Lastunterschied stieg auf 1,11 MW, und die Spannungswerte sanken allmählich.
Die kritische Schwelle wurde bei 40 % erreicht. In diesem Szenario stieg der Lastunterschied auf 1,48 MW an – ein Anstieg um fast 50 % gegenüber dem 10 %-Szenario. Noch alarmierender war, dass an mehreren Knotenpunkten die Spannung unter den Standardwert von 0,95 p.u. (per unit) fiel. Die minimale Spannung betrug nur noch 0,9182 p.u., und die Spannungsqualitätsrate sank auf 40,65 %. Dies bedeutet, dass an den meisten Knotenpunkten zu bestimmten Zeiten eine unzulässig niedrige Spannung herrschte, was zu Schäden an Haushaltsgeräten und einer schlechten Energiequalität führen kann. Auch die Netzverluste stiegen signifikant von 4,07 % auf 5,90 %.
Diese Ergebnisse liefern eine klare Botschaft: Die Auswirkungen von Elektrofahrzeugen auf ländliche Netze sind nicht linear. Niedrige bis moderate Durchdringungsraten können mit intelligenten Steuerungsstrategien bewältigt werden, aber höhere Anteile erfordern proaktive Investitionen in die Netzinfrastruktur. Ohne solche Maßnahmen drohen Instabilität, Ausrüstungsschäden und eine Verschlechterung der Stromqualität, was die Vorteile der Elektromobilität zunichtemachen würde.
Das MGTCN-Modell bietet jedoch einen Ausweg aus diesem Dilemma. Durch seine hohe Vorhersagegenauigkeit ermöglicht es Netzbetreibern, Lastspitzen präzise zu antizipieren und gezielte Maßnahmen zu ergreifen. Dazu gehören der gezielte Ausbau von Transformatoren in Hotspot-Bereichen, der Einsatz von dynamischen Spannungsreglern oder die Einführung von zeitabhängigen Tarifen, um das Laden in die Tagesstunden zu verlagern. Das Modell könnte auch die Entwicklung von Vehicle-to-Grid-(V2G)-Programmen unterstützen, bei denen Elektrofahrzeuge als mobile Energiespeicher fungieren und bei hoher Nachfrage Energie zurück ins Netz einspeisen.
Darüber hinaus bietet der Attention-Mechanismus eine wertvolle Transparenz. Er zeigt den Planern auf, welche Faktoren die Vorhersage in einem bestimmten Szenario am stärksten beeinflussen. Wenn beispielsweise der Strompreis der dominierende Faktor ist, wäre eine dynamische Preisgestaltung eine effektive Strategie. Wenn hingegen die Temperatur im Vordergrund steht, könnte eine wetterbasierte Lastprognose in die Netzbetriebsführung integriert werden.
Die Forschung eröffnet auch neue Wege für zukünftige Arbeiten. Das aktuelle Modell wurde an einem standardisierten Netz getestet, aber reale ländliche Netze sind sehr unterschiedlich. Die Autoren schlagen vor, die Fähigkeit des Modells zur Transfer-Learning zu verbessern, damit es sich schnell an neue Regionen mit minimalem Nachtraining anpassen kann. Die Integration von Echtzeitdaten aus intelligenten Zählern und Ladestationen könnte die Vorhersagegenauigkeit weiter steigern und kurzfristige operative Entscheidungen ermöglichen.
Aus politischer Sicht unterstreicht die Studie die Notwendigkeit einer koordinierten Planung zwischen den Bereichen Verkehr und Energie. Während Regierungen die Einführung von Elektrofahrzeugen auf dem Land fördern, müssen sie gleichzeitig in die Modernisierung der Stromnetze investieren. Dies umfasst nicht nur physische Ausbauten wie stärkere Transformatoren und dickere Leitungen, sondern auch digitale Infrastruktur wie fortschrittliche Zähler- und Netzmanagement-Systeme. Ohne diese Investitionen könnte das Versprechen einer sauberen und nachhaltigen Mobilität durch eine unzuverlässige Stromversorgung untergraben werden.
Für die Bewohner ländlicher Gebiete haben die Ergebnisse sowohl praktische als auch wirtschaftliche Auswirkungen. Eine genaue Lastprognose kann helfen, Stromausfälle und Spannungseinbrüche zu vermeiden und so eine zuverlässige Stromversorgung für Haushalte, landwirtschaftliche Betriebe und kleine Unternehmen sicherzustellen. Sie kann auch zu niedrigeren Stromrechnungen führen, indem sie optimierte Tarifstrukturen ermöglicht und Infrastrukturkosten reduziert. Außerdem unterstützt sie die Integration erneuerbarer Energien wie Solar- und Windkraft, die in ländlichen Gebieten zunehmend verbreitet sind.
Zusammenfassend lässt sich sagen, dass die Arbeit von Wang Zilong und Huang Li einen bedeutenden Fortschritt im Bereich der Netzanalyse darstellt. Ihr MGTCN-Modell schließt erfolgreich die Lücke zwischen räumlichen und zeitlichen Daten und liefert eine beispiellose Genauigkeit bei der Vorhersage der Ladebelastung durch Elektrofahrzeuge auf dem Land. Während sich der Verkehrssektor weiterhin elektrifiziert, werden solche Werkzeuge unerlässlich sein, um die Netzresilienz zu gewährleisten, Investitionen in die Infrastruktur zu optimieren und sicherzustellen, dass die Vorteile der sauberen Energie gerecht auf städtische und ländliche Gemeinschaften verteilt werden.
Die Studie erweitert nicht nur die technische Grenze des maschinellen Lernens in Stromnetzen, sondern liefert auch konkrete Erkenntnisse für Netzbetreiber, politische Entscheidungsträger und Technologieentwickler. Durch die Verbindung rigoroser Modellierung mit realer Anwendbarkeit setzt die Forschung einen neuen Standard dafür, wie künstliche Intelligenz eingesetzt werden kann, um komplexe Energieprobleme in unterversorgten Regionen zu lösen.
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014