Präzise Vorhersage von E-Auto-Ladevorgängen
Die rasante Entwicklung der Elektromobilität verändert nicht nur die Automobilindustrie, sondern stellt auch die bestehende Energieinfrastruktur vor komplexe Herausforderungen. Mit der zunehmenden Zahl elektrisch betriebener Fahrzeuge auf unseren Straßen wird die Nachfrage nach Ladeinfrastruktur exponentiell steigen. Eine unkoordinierte und unvorhersehbare Ladepraxis könnte jedoch zu erheblichen Belastungen für das öffentliche Stromnetz führen, insbesondere in Zeiten hoher Spitzenlasten. Um diese Herausforderungen zu meistern und eine stabile sowie effiziente Energieversorgung zu gewährleisten, ist eine präzise Vorhersage der räumlichen und zeitlichen Verteilung des Ladebedarfs von entscheidender Bedeutung. Bisherige Modelle stießen jedoch häufig an ihre Grenzen, da sie die Komplexität menschlichen Verhaltens und die Vielfalt städtischer Strukturen nicht ausreichend berücksichtigten. Eine neue, bahnbrechende Studie von Forschern der Südost-Universität (Southeast University) in China stellt nun einen signifikanten Fortschritt in diesem Bereich dar. Das entwickelte Modell geht über einfache Annahmen hinaus und integriert erstmals umfassend die Theorie der Reiseketten, detaillierte geografische Informationssysteme (GIS) und intelligente Routenplanung, um das Ladeverhalten von Elektrofahrzeugen (EVs) mit bislang unerreichter Genauigkeit zu simulieren und vorherzusagen.
Das Herzstück dieser innovativen Methode ist das Konzept der „Reisekette“. Im Gegensatz zu traditionellen Modellen, die oft nur eine einfache Hin- und Rückfahrt vom Wohnort zur Arbeitsstätte betrachten, erfasst die Reisekette den gesamten täglichen Bewegungsablauf eines Fahrzeugnutzers. Dieser beginnt typischerweise am Wohnort, umfasst mehrere Zwischenstopps – beispielsweise am Arbeitsplatz, im Einkaufszentrum, beim Arzt oder auf dem Heimweg noch beim Supermarkt – und endet schließlich wieder am Ausgangspunkt. Diese komplexe Abfolge von Fahrten und Aufenthalten ist der entscheidende Faktor, der bestimmt, wann, wo und wie lange ein Elektrofahrzeug geladen wird. Die Forschergruppe um Shen Xiaoqi hat dieses Verhalten nun in ein mathematisches Modell übertragen. Durch die Simulation tausender solcher individueller Reiseketten können sie die dynamische Verteilung des Ladebedarfs innerhalb einer Stadt realitätsnah nachbilden. Dieser Ansatz berücksichtigt, dass ein Fahrer beispielsweise nach einer längeren Fahrt zur Arbeit sein Fahrzeug am Arbeitsplatz an eine Schnellladesäule anschließt, um den Akku während der Arbeitszeit aufzuladen, oder dass er nach einem Einkaufsbummel im Stadtzentrum eine kurze Ladesession nutzt, um die Reichweite für den Heimweg zu sichern. Diese Nuancen des alltäglichen Verhaltens waren bisher in vielen Prognosemodellen nicht ausreichend erfasst.
Ein weiterer entscheidender Faktor für die Genauigkeit der Vorhersage ist die Integration realer geografischer Gegebenheiten. Das Forscherteam hat eine Zielstadt in 191 funktionale Zonen unterteilt, darunter Wohngebiete, Geschäfts- und Büroviertel, Einkaufs- und Freizeitzentren sowie andere Gebiete. Jede dieser Zonen weist charakteristische Eigenschaften auf, die das Ladeverhalten beeinflussen. Wohngebiete sind in der Regel mit langsameren, über Nacht nutzbaren Ladepunkten ausgestattet. Geschäfts- und Büroviertel verfügen hingegen häufig über schnellere Ladestationen, um den Bedürfnissen der Beschäftigten während der Arbeitszeit gerecht zu werden. Einkaufszentren bieten oft Schnellladesäulen, um Kunden für einen kurzen Zeitraum an den Standort zu binden. Durch die Zuordnung spezifischer Ladeleistungen und -verhaltensmuster zu jeder Zonentypologie kann das Modell realistisch simulieren, ob und wie lange ein Fahrer an einem bestimmten Ort laden wird. Die Entscheidung hängt dabei nicht nur vom verbleibenden Batterieladezustand (State of Charge, SOC) ab, sondern auch von der verfügbaren Parkdauer und der Art der Ladestation.
Um die Bewegung der Fahrzeuge zwischen diesen Zonen zu modellieren, bedient sich das Team eines etablierten Algorithmus aus der Graphentheorie: des Floyd-Algorithmus. Dieser Algorithmus ist in der Lage, für jedes Paar von Knotenpunkten in einem komplexen Straßennetz die kürzeste Verbindung zu berechnen. In diesem Kontext repräsentieren die Knotenpunkte Kreuzungen oder wichtige Orte, und die Verbindungen zwischen ihnen sind die Straßen mit ihren jeweiligen Längen. Indem das Modell den Floyd-Algorithmus verwendet, um die wahrscheinlichste Route zwischen zwei Zielen zu bestimmen, kann es die tatsächliche zurückgelegte Strecke und die dafür benötigte Zeit sehr genau berechnen. Diese präzise Ermittlung der Fahrstrecke ist essenziell, um den Energieverbrauch jedes Fahrabschnitts realistisch zu simulieren. Der Algorithmus berücksichtigt die reale Geometrie des Straßennetzes, einschließlich Einbahnstraßen, Kreisverkehren und unterschiedlicher Straßenklassen, was die Simulation gegenüber Modellen, die nur direkte Luftlinienabstände nutzen, erheblich verfeinert.
Der gesamte Simulationsprozess ist ein mehrstufiger, iterativer Ablauf. Zunächst wird für jedes simulierte Elektrofahrzeug die Anzahl der täglichen Fahrten und die Anzahl der Zwischenziele pro Fahrt zufällig aus statistischen Verteilungen gezogen, die auf realen Verkehrsuntersuchungen basieren. Anschließend wird die Startzeit der ersten Fahrt des Tages bestimmt, die in der Regel einer Normalverteilung folgt, mit einem früheren Mittelwert an Werktagen und einem späteren an Wochenenden. Die konkrete Abfolge der Ziele wird mithilfe einer Markov-Kette simuliert. Dieses mathematische Modell beschreibt die Wahrscheinlichkeit, von einem bestimmten Zonentyp (z.B. Wohngebiet) zu einem anderen (z.B. Arbeitsplatz oder Einkaufszentrum) zu wechseln. So ist die Wahrscheinlichkeit, nach einem Aufenthalt in einem Wohngebiet zu einem Arbeitsplatz zu fahren, an einem Werktag deutlich höher als an einem Sonntag. Dieser probabilistische Ansatz fängt die Gewohnheiten und die gewisse Zufälligkeit des menschlichen Verkehrsverhaltens ein.
Sobald die Reisekette für eine Fahrt festgelegt ist, nutzt das Modell den Floyd-Algorithmus, um die kürzeste Route zwischen jedem aufeinanderfolgenden Ziel zu berechnen. Basierend auf der Streckenlänge und einer angenommenen Durchschnittsgeschwindigkeit wird die Fahrzeit und der damit verbundene Energieverbrauch ermittelt. Bei der Ankunft an einem Ziel wird eine Parkdauer zufällig aus einer Wahrscheinlichkeitsverteilung gezogen, die spezifisch für den jeweiligen Zonentyp ist. So folgen Parkdauern in Wohngebieten typischerweise einer Weibull-Verteilung, die lange, oft über Nacht andauernde Aufenthalte beschreibt, während Parkdauern in Einkaufszentren eher einer verallgemeinerten Extremwertverteilung folgen, die kürzere und variablere Zeiten abbildet.
Die zentrale Logik des Modells ist die Entscheidung über das Laden. Wenn ein Fahrzeug an einem Ziel ankommt, überprüft das Modell den verbleibenden SOC. Wenn dieser unter einem kritischen Schwellenwert von 25 % fällt, wird eine Ladesession ausgelöst. Selbst wenn der SOC darüber liegt, wird geladen, wenn die verbleibende Energie nicht ausreicht, um die nächste Fahrt in der Reisekette zu bewältigen. Diese vorausschauende Logik spiegelt das reale Verhalten von Fahrern wider, die sicherstellen wollen, dass sie nicht mit leerem Akku stehen bleiben. Die Dauer der Ladesession wird dann durch die verfügbare Parkdauer und die maximale Ladeleistung der Station in dieser Zone begrenzt. Das Modell berücksichtigt explizit die Unterschiede zwischen langsameren Ladepunkten in Wohngebieten und schnellen Ladestationen in Geschäfts- und Bürovierteln.
Die Forscher haben ihr Modell auf eine reale Stadt mit acht Verwaltungsbezirken angewandt und die Ladevorgänge von 100.000 simulierten Elektrofahrzeugen über einen Tag hinweg analysiert. Die Ergebnisse zeigten ein klares „Doppel-Peak“-Muster der gesamten Ladeleistung der Stadt. Der erste, kleinere Peak trat gegen 7:00 Uhr morgens auf, verursacht durch Fahrzeuge, die nach ihrer morgendlichen Fahrt zur Arbeit oder zu anderen Zielen an ihre Arbeitsplätze kamen und dort zu laden begannen. Danach sank die Nachfrage bis in den Nachmittag, um dann ab etwa 18:00 Uhr erneut anzusteigen. Der zweite und deutlich größere Peak erreichte seinen Höhepunkt gegen 22:00 Uhr und lag 1,28-mal über dem täglichen Durchschnitt. Dieser Abend-Peak resultiert aus der Rückkehr der Nutzer nach Hause, wo sie ihre Fahrzeuge für die Nacht anschließen.
Die Analyse offenbarte erhebliche Unterschiede zwischen den einzelnen Funktionszonen. In Wohngebieten zeigte die Lastkurve einen starken Anstieg am späten Abend und in der Nacht, mit einem Spitzen- zu Trog-Verhältnis von 1,65. In Arbeitsvierteln hingegen erreichte die Ladeleistung ihren Höhepunkt viel früher am Tag, um 7:00 Uhr, und ging dann kontinuierlich zurück. Ein besonders auffälliger Befund war die Diskrepanz zwischen Wohn- und Arbeitszonen in der späten Abendzeit. Zwischen 21:00 und 24:00 Uhr war die Ladeleistung in Wohngebieten um 134,17 % höher als in Arbeitsvierteln. Dies unterstreicht eindrucksvoll, dass das Heimladen die dominierende Ladepraxis ist.
Die Studie zeigte zudem, dass die Ladeverteilung in einzelnen Verwaltungsbezirken stark von deren interner Zoneneinteilung abhängt. Ein Bezirk (A), der hauptsächlich aus Arbeitszonen besteht, wies eine Lastkurve auf, die der eines typischen Arbeitsviertels ähnelte, mit einem frühen Morgen-Peak. Ein anderer Bezirk (B), der überwiegend aus Wohngebieten bestand, zeigte eine Lastkurve, die dem Muster in Wohngebieten folgte, mit einem Höhepunkt am Abend. Diese Erkenntnis ist von höchster Bedeutung für Stadtplaner und Netzbetreiber, da sie darauf hindeutet, dass der Bedarf an Ladeinfrastruktur in einem Bezirk durch die Analyse seiner Flächennutzung vorhergesagt werden kann.
Zur Validierung ihrer Methode verglichen die Forscher ihre Vorhersagen mit einem etablierten Modell aus der Literatur. Der Vergleich zeigte, dass das neue Modell eine genauere Darstellung der Ladeleistung liefert, insbesondere am Nachmittag. Das ältere Modell unterschätzte die Last, da es den höheren Anteil an Schnellladen in Geschäfts- und Bürovierteln während des Tages nicht ausreichend berücksichtigte. Außerdem prognostizierte das neue Modell eine geringere Differenz zwischen Spitzen- und Troglast, was auf die realistischere Simulation mehrerer täglicher Fahrten zurückzuführen ist, die die Ladeanfragen über den Tag verteilt.
Die Implikationen dieser Forschung sind weitreichend. Für Netzbetreiber bietet das Modell ein leistungsfähiges Werkzeug, um Spitzenlasten vorherzusagen und gezielt entgegenzuwirken, beispielsweise durch Lastmanagementprogramme oder die Planung von Wartungsarbeiten in Zeiten geringer Nachfrage. Für Stadtplaner und Betreiber von Ladesäulen ermöglicht die Fähigkeit, den Ladebedarf in spezifischen Zonen vorherzusagen, eine strategischere und kosteneffizientere Ausweitung der Infrastruktur. Die Erkenntnis, dass der Ladebedarf hauptsächlich in Wohngebieten konzentriert ist, legt nahe, dass die Priorität bei der Installation von Ladepunkten auf privaten Garagen, Mehrfamilienhäusern und öffentlichen Parkplätzen in Wohngebieten liegen sollte.
Darüber hinaus eignet sich das Modell hervorragend für Szenarioanalysen und die langfristige Planung. Politische Entscheidungsträger können es nutzen, um die Wirkung verschiedener Anreize zu bewerten, wie beispielsweise zeitabhängiger Stromtarife, die das Laden in den Nachtstunden fördern sollen. Durch die Analyse, wie verschiedene Bezirkstypen auf solche Anreize reagieren, können Behörden ihre Strategien maßgeschneidert auf die jeweilige Situation zuschneiden. Das Modell liefert auch eine Grundlage, um die zukünftige Auswirkung autonomer Fahrzeuge und Carsharing-Dienste zu verstehen, die das Muster der Reiseketten und damit auch die Ladeanforderungen grundlegend verändern könnten.
Zusammenfassend stellt die Forschung von Shen Xiaoqi und ihren Kollegen an der Südost-Universität einen bedeutenden Durchbruch in der Vorhersage des Ladebedarfs von Elektrofahrzeugen dar. Durch die nahtlose Integration der Reiseketten-Theorie, detaillierter geografischer Daten und fortschrittlicher Routenplanungsalgorithmen haben sie ein Modell geschaffen, das die wahre Komplexität der menschlichen Mobilität erfasst. Diese Arbeit geht über vereinfachende Annahmen hinaus und bietet eine robuste, datenbasierte Grundlage für die nachhaltige Integration von Millionen von Elektrofahrzeugen in unsere Stromnetze. Während die Welt ihren Übergang zur elektrischen Mobilität beschleunigt, werden Werkzeuge wie dieses unverzichtbar sein, um eine resiliente, effiziente und saubere Energiezukunft aufzubauen.
Shen Xiaoqi, Fang Xin, Tan Linlin, Li Xinguo, Sun Jiaqi, Southeast University, Electric Power Engineering Technology, DOI: 10.12158/j.2096-3203.2024.03.014