Präzisere Prognose der E-Auto-Ladeleistung durch verbessertes LSTM-Modell
Die rasante Verbreitung von Elektrofahrzeugen verändert die Energielandschaft nachhaltig. Mit über 18 Millionen Elektrofahrzeugen allein in China im Jahr 2023 steigt der Druck auf die Stromnetze kontinuierlich. Die unkoordinierte Nutzung von Ladestationen, insbesondere während der Abendstunden, führt zu starken Lastspitzen, die das Netz überlasten und die Effizienz der Energieversorgung beeinträchtigen können. Um diese Herausforderungen zu bewältigen, ist eine präzise Vorhersage des Ladebedarfs unerlässlich. Nur wer weiß, wann und wie viel Strom benötigt wird, kann gezielt Gegenmaßnahmen ergreifen, um die Netzstabilität zu gewährleisten und die Integration erneuerbarer Energien zu optimieren.
Bisherige Modelle zur Vorhersage des Ladeverhaltens von Elektrofahrzeugen stoßen jedoch oft an ihre Grenzen. Viele Ansätze basieren auf theoretischen Simulationen oder vereinfachten Annahmen über Fahrer- und Ladeverhalten. Sie berücksichtigen nur unzureichend die Vielzahl an Faktoren, die das tägliche Ladeverhalten beeinflussen – von der Jahreszeit und dem Wetter bis hin zur Art des Tages, sei es ein Arbeitstag oder ein Feiertag. Diese Einschränkungen führen zu Prognosen, die in der Praxis oft ungenau sind und daher für Netzbetreiber nur begrenzte Entscheidungshilfe bieten.
Eine neue Forschungsarbeit, die im renommierten Fachjournal Modern Electronics Technique veröffentlicht wurde, stellt nun einen bedeutenden Fortschritt in diesem Bereich dar. Ein Team um Lin Xiang vom State Grid Electric Power Research Institute in Nanjing, China, hat ein verbessertes Prognosemodell entwickelt, das die Vorhersagegenauigkeit erheblich steigert. Der Schlüssel zum Erfolg liegt in der Kombination einer tiefen neuronalen Netzwerk-Architektur, dem sogenannten Long Short-Term Memory (LSTM) Netzwerk, mit einer strukturierten Methode zur Gewichtung der entscheidenden Einflussfaktoren. Im Gegensatz zu rein datengetriebenen Ansätzen, die alle Faktoren gleich behandeln, berücksichtigt dieses Modell, dass einige Faktoren wichtiger sind als andere – und zwar auf eine objektive und nachvollziehbare Weise.
Der Kern des neuen Ansatzes ist die Integration der sogenannten Drei-Skalen-Hierarchie-Analyse (Three-Scale Analytic Hierarchy Process, AHP). Diese Methode ermöglicht es, die relative Bedeutung verschiedener Einflussfaktoren systematisch zu bewerten und in Form von Gewichten in das Prognosemodell einzuspeisen. Die Forscher wählten fünf zentrale Faktoren aus, die nachweislich das Ladeverhalten beeinflussen: das Wetter (Sonnenschein, Regen, Schnee), die Jahreszeit (Frühling, Sommer, Herbst, Winter), die Außentemperatur, sowie die Tagesart (Arbeitstag oder Feiertag/Weekend). Die klassische AHP-Methode, die mit einer neunstufigen Skala arbeitet, kann jedoch subjektiven Verzerrungen unterliegen, da Experten bei der Paarvergleiche von Faktoren kognitive Biases zeigen können. Um diese Schwäche zu überwinden, verwendeten Lin Xiang und sein Team die Drei-Skalen-AHP-Variante. Diese vereinfachte Methode reduziert die kognitive Belastung und erhöht die Konsistenz und Objektivität der Gewichtsbestimmung erheblich.
Die Durchführung dieser Analyse basierte auf einem umfangreichen Datensatz aus der Praxis: 92 Tage realer Ladedaten aus einem Wohngebiet in Changzhou, gesammelt im zweiten Quartal 2022. Diese Daten stammen aus dem „Electric Vehicle Charging Operation Management Service System“ und bieten einen authentischen Einblick in das tatsächliche Ladeverhalten von Privathaushalten. Die Ergebnisse der Gewichtsanalyse waren eindrucksvoll und unterstreichen die zentrale Rolle des menschlichen Verhaltens. Der Faktor „Tagesart“ – also ob es sich um einen Arbeitstag oder einen Feiertag handelt – erwies sich als mit Abstand der wichtigste Einflussfaktor und erhielt ein Gewicht von 57,511 %. Dies zeigt, dass die festen Rhythmen des täglichen Lebens, wie Arbeitszeiten und Freizeit, das Ladeverhalten dominieren. Das Wetter folgte mit einem Gewicht von 23,645 %, was die Bedeutung von Fahrzeugreichweite und Reichweitenangst bei schlechtem Wetter unterstreicht. Die Jahreszeit trug mit 12,91 % bei, während die Temperatur mit 5,934 % den geringsten, aber dennoch signifikanten Einfluss hatte. Die statistische Validierung der Analyse, gemessen am Konsistenzverhältnis (CR) von 0,083, das unter dem kritischen Schwellenwert von 0,1 liegt, bestätigt die Zuverlässigkeit und innere Konsistenz dieser Gewichtsverteilung.
Mit diesen objektiv ermittelten Gewichten im Hintergrund wurde der zweite Teil des Modells entwickelt: das LSTM-Neuronale Netzwerk. LSTM-Netzwerke gehören zur Familie der rekurrenten neuronalen Netze (RNN) und sind speziell dafür ausgelegt, Muster in zeitlichen Datenreihen zu erkennen – eine perfekte Voraussetzung für die Vorhersage von Ladeleistung, die sich über den Tag und die Jahreszeiten hinweg verändert. Im Gegensatz zu Standard-RNNs, die mit dem sogenannten „Vanishing Gradient“ Problem kämpfen und daher Schwierigkeiten haben, langfristige Abhängigkeiten zu lernen, verfügt ein LSTM über ein komplexes Gattersystem (Vergessensgate, Eingangs- und Ausgangsgate), das es ihm ermöglicht, relevante Informationen über längere Zeiträume hinweg zu speichern und irrelevante Informationen zu vergessen.
Das Modell wurde mit den realen Ladedaten aus Changzhou trainiert. Die Eingabewerte – die kategorisierten Daten für Wetter, Jahreszeit, Temperatur und Tagesart – wurden zunächst normalisiert, um sicherzustellen, dass keine einzelne Variable das Lernverhalten des Netzwerks unangemessen beeinflusst. Das Netzwerk wurde dann mit dem Backpropagation-Through-Time (BPTT) Algorithmus trainiert, um die internen Gewichte der LSTM-Zellen so zu optimieren, dass die Vorhersage der tatsächlichen Ladeleistung möglichst genau ist.
Der entscheidende Innovationspunkt des Forschungsteams liegt jedoch in der Art und Weise, wie die beiden Komponenten kombiniert werden. Es handelt sich nicht um ein einfaches Training eines LSTM-Netzwerks mit mehr Eingabedaten. Stattdessen wird die Vorhersage des reinen LSTM-Modells nachträglich mit den zuvor ermittelten Gewichten aus der Drei-Skalen-AHP-Analyse korrigiert. Dieser Schritt der „Modellverbesserung“ ist entscheidend. Er bedeutet, dass die endgültige Prognose nicht nur aus der Mustererkennung des neuronalen Netzes resultiert, sondern auch die strukturelle Erkenntnis darüber, welche Faktoren am wichtigsten sind, explizit einfließt. Wenn das Modell beispielsweise eine hohe Vorhersage für einen Feiertag macht, wird diese Vorhersage durch das hohe Gewicht des Faktors „Feiertag“ weiter verstärkt, was der beobachteten Realität entspricht, dass an solchen Tagen oft mehr und anders geladen wird.
Die Validierung des verbesserten Modells erfolgte durch einen direkten Vergleich mit einem herkömmlichen LSTM-Modell, das ohne die Gewichtungskorrektur arbeitet. Die Tests wurden an zwei repräsentativen Tagen durchgeführt: einem Sommertag und einem Wintertag, um die Robustheit des Modells unter unterschiedlichen klimatischen Bedingungen zu überprüfen. Die Ergebnisse waren überzeugend. In beiden Szenarien zeigte das verbesserte Modell eine deutlich höhere Genauigkeit. Die Vorhersagekurve des verbesserten Modells folgte der tatsächlichen Ladeleistungskurve viel enger, insbesondere während der kritischen Spitzenzeiten zwischen 22:00 Uhr und 3:00 Uhr morgens. Während das Standard-LSTM-Modell hier oft erhebliche Abweichungen aufwies, blieb das verbesserte Modell bemerkenswert nah an den realen Werten.
Die Analyse der Fehlermetriken wie dem mittleren absoluten prozentualen Fehler (MAPE) und dem Root Mean Square Error (RMSE) bestätigte diese visuelle Beobachtung quantitativ. Die Fehler des verbesserten Modells waren in allen Phasen des Tages signifikant geringer. Die größten Verbesserungen wurden in den Übergangsphasen, also am frühen Morgen und am späten Abend, erzielt. Genau in diesen Zeiträumen ist das Ladeverhalten am variabelsten und am schwierigsten vorherzusagen, was die besondere Stärke des neuen Ansatzes unterstreicht.
Die praktischen Implikationen dieser Forschung sind weitreichend. Eine präzise Vorhersage der Ladeleistung ist die Grundvoraussetzung für die Implementierung von „geordnetem Laden“ (Orderly Charging). Netzbetreiber können mit Hilfe solcher Prognosen gezielte Anreizprogramme einführen, beispielsweise durch dynamische Tarife, die das Laden in den Nachtstunden, wenn die Nachfrage niedrig ist, günstiger machen. Dies hilft, die Lastspitzen abzufedern, die Auslastung der Transformatoren zu optimieren und die Notwendigkeit für teure Netzverstärkungen zu verzögern. Die Daten aus dem Changzhou-Wohngebiet zeigen ein deutliches Potenzial: Die Spitzenlast betrug 70,64 kW, während die durchschnittliche Last viel niedriger lag, was auf eine erhebliche Flexibilität hinweist, die durch intelligentes Lastmanagement ausgeschöpft werden kann.
Ein weiterer Vorteil der Studie ist ihre starke Verankerung in der Realität. Viele wissenschaftliche Arbeiten zum Thema Ladeverhalten basieren auf simulierten Daten oder veralteten Annahmen. Diese Arbeit setzt einen neuen Standard, indem sie echte, betriebliche Daten aus einem laufenden Ladesystem verwendet. Dies erhöht nicht nur die Glaubwürdigkeit der Ergebnisse, sondern macht das Modell auch direkt auf andere städtische und Wohngebiete übertragbar. Die Transparenz der Methodik – von der Datenerhebung über die Gewichtsanalyse bis hin zum Modelltraining – entspricht den höchsten wissenschaftlichen Standards und stärkt die Autorität der Forscher.
Die Arbeit von Lin Xiang und seinen Kollegen ist ein hervorragendes Beispiel für die Kraft der interdisziplinären Forschung. Sie verbindet die Tiefe der künstlichen Intelligenz mit den strukturierten Ansätzen der Entscheidungstheorie. Diese Synergie führt zu einem Modell, das nicht nur technisch anspruchsvoll ist, sondern auch ein tieferes Verständnis der zugrunde liegenden menschlichen Verhaltensmuster ermöglicht. Dies ist entscheidend, um Systeme zu entwickeln, die nicht nur effizient, sondern auch benutzerfreundlich und akzeptiert werden.
Trotz dieser Fortschritte weist die Studie auch auf zukünftige Forschungsbedarfe hin. Der Fokus lag auf einem einzelnen Wohngebiet, und die Ergebnisse müssen auf andere Umgebungen wie Geschäftsdistrikte oder Schnellladesäulen an Autobahnen übertragen werden. Zudem berücksichtigt das Modell aktuell noch nicht die aufkommende Technologie des bidirektionalen Ladens (Vehicle-to-Grid, V2G), bei der Elektrofahrzeuge nicht nur Strom aufnehmen, sondern auch wieder ins Netz einspeisen können. Die Integration solcher zukünftigen Szenarien wird die nächste Herausforderung für die nächste Generation von Prognosemodellen sein.
Dennoch markiert diese Veröffentlichung einen bedeutenden Meilenstein. Sie liefert Netzbetreibern, Stadtplanern und Energieversorgern ein leistungsfähiges Werkzeug, um die Herausforderungen der Elektromobilität proaktiv anzugehen. Anstatt auf Probleme zu reagieren, können sie nun mit fundierten Prognosen vorausschauend handeln. Die Forschung unterstreicht auch die führende Rolle Chinas im Bereich der intelligenten Energiesysteme. Mit einer klaren politischen Agenda zur Förderung der Elektromobilität und einer starken Forschungslandschaft wie dem State Grid Electric Power Research Institute werden bahnbrechende Innovationen wie diese vorangetrieben.
Zusammenfassend lässt sich sagen, dass das von Lin Xiang und seinem Team vorgestellte verbesserte LSTM-Modell einen Paradigmenwechsel in der Vorhersage des E-Auto-Ladeverhaltens darstellt. Durch die intelligente Kombination von Deep Learning und objektiver Gewichtsanalyse gelingt es, die Komplexität des realen Ladeverhaltens mit bisher unerreichter Genauigkeit abzubilden. Dies ist ein entscheidender Schritt, um die Integration von Millionen von Elektrofahrzeugen in unsere Stromnetze zu gewährleisten und eine nachhaltige, resiliente und effiziente Energiewelt der Zukunft aufzubauen.
Lin Xiang, Zhang Hao, Ma Yuli, Chen Liangliang, State Grid Electric Power Research Institute; Modern Electronics Technique, DOI: 10.16652/j.issn.1004-373x.2024.06.016