Präzisionsvorhersage für E-Auto-Ladeströme dank KI-Modell
Die rasante Verbreitung von Elektrofahrzeugen (EVs) verändert nicht nur die Straßenlandschaft, sondern stellt auch die bestehende Energieinfrastruktur vor komplexe neue Herausforderungen. Mit über zehn Millionen neu zugelassenen Elektrofahrzeugen allein im Jahr 2023 steigt die Belastung der Stromnetze kontinuierlich an. Der Hauptgrund für diese Belastung liegt im unvorhersehbaren Ladeverhalten der Fahrer: Wann, wo und wie lange ein Fahrzeug aufgeladen wird, hängt von einer Vielzahl dynamischer Faktoren ab, darunter individuelle Fahr- und Lebensgewohnheiten, Tageszeit, Wetterbedingungen und die Verfügbarkeit von Ladepunkten. Dieses hochgradig variable Lastprofil erschwert es Netzbetreibern erheblich, die Stabilität des Stromnetzes zu gewährleisten, Energie effizient zu verteilen und gleichzeitig die Betriebskosten zu minimieren. Die traditionellen Methoden zur Lastprognose, die jahrzehntelang als Standard galten, stoßen hier zunehmend an ihre Grenzen. Diese Modelle basieren oft auf statistischen Annahmen und historischen Durchschnittswerten und behandeln die Ladeleistung jeder Ladestation als eine isolierte Zeitreihe. Sie analysieren, wie sich die Nachfrage an einem bestimmten Standort über die Zeit entwickelt, ignorieren jedoch einen entscheidenden Aspekt: die räumlichen Beziehungen zwischen den Ladestationen.
Dieser blinde Fleck ist das Kernproblem. Ein plötzlicher Anstieg der Nachfrage an einer beliebten Innenstadt-Ladestation, etwa nach einem Konzert oder einem Fußballspiel, führt nicht nur zu Wartezeiten an diesem Standort, sondern beeinflusst auch das Verhalten in der gesamten Umgebung. Fahrer, die keine freien Plätze finden, suchen alternative Ladepunkte in der Nähe, was zu einer Kettenreaktion führt, bei der sich die Last auf mehrere Stationen verteilt. Diese komplexen, gegenseitigen Abhängigkeiten – die sogenannte räumliche Korrelation – bleiben bei herkömmlichen Modellen vollständig unberücksichtigt. Das Ergebnis ist eine ungenaue Prognose, die zu einer ineffizienten Steuerung der Energieerzeugung führen kann. Netzbetreiber könnten gezwungen sein, teure und umweltbelastende Spitzenlastkraftwerke zu aktivieren, um eine erwartete Nachfrage zu decken, die sich letztendlich nicht einstellt, oder umgekehrt, sie könnten eine plötzliche Lastspitze verpassen und das Netz überlasten. Diese Ineffizienz verhindert zudem die optimale Nutzung erneuerbarer Energien, deren Erzeugung ebenfalls schwankt und auf eine präzise Nachfrageprognose angewiesen ist, um überschüssigen Strom aus Wind- oder Solarenergie effektiv in die Fahrzeugflotte einzuspeisen.
Angesichts dieser kritischen Lücke in der bestehenden Forschung haben Wissenschaftler aus China einen bahnbrechenden Ansatz vorgestellt, der das Potenzial hat, die Genauigkeit von Lastprognosen für Elektrofahrzeuge neu zu definieren. Ein Forschungsteam der State Grid Lanxi Power Supply Company, des Unternehmens Zhejiang Jie’an Engineering Co., Ltd. und des Nanjing Institute of Technology hat ein neuartiges, auf künstlicher Intelligenz (KI) basierendes Modell entwickelt, das erstmals die räumlichen und zeitlichen Dimensionen der Ladedaten systematisch kombiniert. Ihr innovativer Ansatz, das sogenannte GCN-LSTM-Modell, verbindet die Stärken zweier fortschrittlicher KI-Technologien: der Graphenkonvolutionalen Netzwerke (GCN) und der Langzeit-Kurzzeit-Gedächtnis-Netzwerke (LSTM). Diese hybride Architektur ist kein inkrementeller Schritt, sondern ein Paradigmenwechsel. Statt Ladestationen als voneinander unabhängige Punkte zu betrachten, modelliert das GCN-LSTM-Modell das gesamte Lade-Ökosystem als ein dynamisches, miteinander verbundenes Netzwerk, in dem die Nachfrage an einem Punkt durch die Aktivität in seiner Umgebung beeinflusst wird.
Die entscheidende Erkenntnis hinter diesem Modell ist, dass die Ladeleistung an einer bestimmten Station nicht in einem Vakuum entsteht. Ihre geografische Lage ist entscheidend. Eine Ladestation vor einem Einkaufszentrum wird ganz andere Spitzenzeiten aufweisen als eine Station in der Nähe eines Gewerbegebiets. Die Distanz zur nächsten Konkurrenzstation, die Verkehrsdichte auf den angrenzenden Straßen und die allgemeine Dichte der Ladepunkte in einem Stadtviertel schaffen ein einzigartiges räumliches Muster, das das Nutzerverhalten maßgeblich prägt. Die Forscher beginnen daher damit, ein „Graph“-Modell des städtischen Ladeinfrastrukturnetzes zu erstellen. In diesem mathematischen Graphen repräsentiert jeder Ladepunkt einen Knoten (node). Die Verbindungen zwischen diesen Knoten, die sogenannten Kanten (edges), werden durch die physische Nähe zwischen den Stationen definiert, typischerweise durch die Luftlinie. Diese einfache, aber äußerst wirkungsvolle Darstellung verwandelt das chaotische Netz aus Ladepunkten in eine strukturierte Datenform, die von einer KI analysiert werden kann. Hier kommt das Graphenkonvolutionale Netzwerk (GCN) ins Spiel, das als der räumliche Analyst fungiert. Im Gegensatz zu herkömmlichen neuronalen Netzen, die auf regulären Gittern wie Bildern operieren, sind GCNs speziell dafür konzipiert, mit solchen unregelmäßigen Graphenstrukturen umzugehen. Das GCN durchläuft den Graphen, indem es Informationen von jedem Knoten und seinen direkten Nachbarn aggregiert. Es lernt, Muster zu erkennen – zum Beispiel, dass eine Gruppe von Stationen gleichzeitig eine Abnahme der Nachfrage zeigt, was darauf hindeuten könnte, dass ein neuer, leistungsstarker Schnelllader in Betrieb genommen wurde und Fahrer anzieht. Dieser Prozess extrahiert die „räumlichen Abhängigkeitsinformationen“ und liefert eine reichhaltige, kontextuelle Einsicht in die Vernetzung der Ladestationen, die bei reinen Zeitreihenmodellen vollständig fehlt.
Während das GCN für das „Wo“ zuständig ist, übernimmt das LSTM-Netzwerk die Aufgabe des „Wann“. LSTM-Netzwerke sind eine spezialisierte Form rekurrenter neuronaler Netze (RNNs), die dafür bekannt sind, langfristige Muster in Sequenzen von Daten zu erkennen und zu speichern. In Bezug auf das Laden von Elektrofahrzeugen kann ein LSTM beispielsweise lernen, dass an einer bestimmten Station montags bis freitags zwischen 17:00 und 19:00 Uhr immer eine Nachfrage-Spitze auftritt, oder dass die Ladeaktivität an regnerischen Tagen signifikant sinkt. Die wahre Innovation der vorliegenden Forschung liegt jedoch in der Art und Weise, wie diese beiden leistungsfähigen Komponenten miteinander verbunden werden. Das Modell führt sie nicht einfach nacheinander oder parallel aus. Stattdessen nutzt es das GCN, um die räumlichen Daten in jedem diskreten Zeitintervall – in der Studie alle 15 Minuten – zu verarbeiten. Die Ausgabe des GCN zu jedem dieser Zeitpunkte ist eine raffinierte, räumlich informierte Darstellung des Zustands des gesamten Lade-Netzwerks. Diese zeitgestempelten, räumlich angereicherten Zustände werden dann als Sequenz in das LSTM-Netzwerk eingespeist. Dadurch kann das LSTM nicht nur die zeitlichen Muster des Ladeverhaltens lernen, sondern dies mit einem tiefen Verständnis des räumlichen Kontexts zu jedem Zeitpunkt tun. Es kann nun beispielsweise erkennen, dass ein zeitliches Muster hoher Abendnachfrage noch stärker ausgeprägt ist, wenn gleichzeitig ein großes Event in einem benachbarten Stadtteil stattfindet – eine Nuance, die einem Modell, das nur Zeitreihendaten verwendet, völlig verborgen bliebe.
Um die Wirksamkeit ihres GCN-LSTM-Modells zu überprüfen, führte das Forschungsteam eine gründliche Fallstudie mit realen Daten aus neun öffentlichen Ladestationen in einem städtischen Gebiet Chinas durch. Der Datensatz umfasste drei Monate und lieferte insgesamt 8.736 Datenpunkte, die alle 15 Minuten aufgezeichnet wurden. Diese umfangreiche Datenbasis ermöglichte es dem Modell, unter einer Vielzahl von Bedingungen zu trainieren, einschließlich Werktage, Wochenenden, Feiertagen und unterschiedlichen Wetterlagen. Die Eingangsmerkmale für das Modell wurden sorgfältig ausgewählt, um reale Einflussfaktoren widerzuspiegeln: die historische Ladeleistung, der aktuelle Ladepreis an jeder Station und eine einfache binäre Kennung, um Arbeitstage von Ruhetagen zu unterscheiden. Bevor diese Daten in das Modell eingespeist wurden, wurde ein entscheidender Vorverarbeitungsschritt, die Normalisierung, durchgeführt. Dieser Schritt stellt sicher, dass Merkmale mit stark unterschiedlichen Skalen – wie die Ladeleistung in Kilowatt und der Preis in Währung – den Lernprozess nicht verzerren und das KI-Modell sich auf die zugrunde liegenden Muster konzentrieren kann, anstatt auf die absolute Größe der Zahlen.
Der Trainingsprozess war äußerst sorgfältig. Die Forscher verwendeten eine Gleitfenstertechnik, um die historischen Zeitreihendaten in ein Format zu verwandeln, das für das überwachte Lernen geeignet ist. Zum Beispiel wurde dem Modell die Ladedaten der letzten 12 Zeitschritte (drei Stunden) gezeigt und die Aufgabe gestellt, die Last im 13. Schritt vorherzusagen. Dieser Prozess wurde tausendfach über den gesamten Datensatz wiederholt, wodurch das Modell die komplexen Zusammenhänge zwischen vergangenen und zukünftigen Zuständen erlernte. Die Leistung des Modells wurde durch eine Gittersuche optimiert, um die idealen Hyperparameter zu finden, wie die Anzahl der Schichten im GCN und LSTM, die Batch-Größe und die Dropout-Rate – eine Technik, die verwendet wird, um eine Überanpassung (Overfitting) zu verhindern, indem während des Trainings zufällig einige Neuronen „ignoriert“ werden, was das Netzwerk zwingt, robustere Merkmale zu lernen. Als Verlustfunktion für das neuronale Netz wurde der mittlere absolute Fehler (MAE) verwendet, während die Leistung während des Trainings anhand des Root-Mean-Square-Fehlers (RMSE) und des Bestimmtheitsmaßes (R²) überwacht wurde, um so eine umfassende Sicht auf die Genauigkeit und Zuverlässigkeit des Modells zu erhalten.
Die Ergebnisse der Studie waren beeindruckend und eindeutig. Das GCN-LSTM-Modell wurde gegen mehrere etablierte Benchmark-Modelle getestet: ein traditionelles Back-Propagation-(BP-)Neuronales Netzwerk, ein eigenständiges GCN-Modell und ein eigenständiges LSTM-Modell. Der Leistungsunterschied war deutlich und konsistent. Für Ladestation Nummer 1 erreichte das GCN-LSTM-Modell einen R²-Wert von 0,917, was bedeutet, dass es mehr als 91 % der Varianz in den tatsächlichen Ladedaten erklären konnte. Dies war eine signifikante Verbesserung gegenüber dem BP-Modell mit 0,885, dem GCN mit 0,818 und dem LSTM mit 0,868. Noch wichtiger waren die Fehlermetriken, die eine noch überzeugendere Geschichte erzählten. Der mittlere absolute Fehler (MAE) für das GCN-LSTM-Modell betrug 31,584 kW, eine dramatische Reduzierung gegenüber den 81,404 kW des BP-Modells und den 41,133 kW des LSTM-Modells. Ebenso sank der mittlere absolute prozentuale Fehler (MAPE) auf ein bemerkenswert niedriges Niveau von nur 2,200 %, verglichen mit 15,433 % für das BP-Modell. Bei Ladestation Nummer 6 waren die Ergebnisse noch beeindruckender: Das GCN-LSTM-Modell erreichte ein R² von 0,957 und einen MAPE von nur 1,849 %. Diese Werte repräsentieren eine Präzision, die mit herkömmlichen Methoden bisher unerreichbar war.
Eine tiefere Analyse der Ergebnisse enthüllte die entscheidende Rolle der räumlichen Informationen. Als die Forscher das Modell testeten, indem sie die Anzahl der Knoten (Ladestationen) im Graphen künstlich reduzierten, sank die Vorhersagegenauigkeit stark ab. Dieses Experiment bewies eindeutig, dass die überlegene Leistung des Modells direkt auf seine Fähigkeit zurückzuführen ist, aus einem reichhaltigen Netzwerk räumlicher Beziehungen zu lernen. Mit weniger Stationen stand dem GCN weniger räumliche Information zur Verfügung, was es schwieriger machte, die komplexen Abhängigkeiten zu erfassen, und führte folglich zu ungenaueren Prognosen. Diese Erkenntnis unterstreicht eine zentrale Schlussfolgerung: Um die höchstmögliche Vorhersagegenauigkeit zu erreichen, muss das gesamte Lade-Ökosystem betrachtet werden, nicht nur einzelne Stationen isoliert voneinander.
Die Implikationen dieser Forschung gehen weit über den Rahmen einer wissenschaftlichen Veröffentlichung hinaus. Für Energieversorger ist eine genauere Prognose ein mächtiges Werkzeug für ein proaktives Netzmanagement. Sie ermöglicht eine bessere Planung der Energieerzeugung, indem sichergestellt wird, dass das Angebot genau der vorhergesagten EV-Nachfrage entspricht. Dadurch wird die Abhängigkeit von teuren und umweltbelastenden Spitzenlastkraftwerken reduziert. Sie ermöglicht eine effektivere Integration erneuerbarer Energien wie Solar- und Windstrom, deren Erzeugung schwankt. Indem bekannt ist, wann und wo Elektrofahrzeuge laden werden, können die Versorger die Fahrer gezielt dazu anregen, zu Zeiten mit hoher erneuerbarer Erzeugung zu laden. Dies maximiert die Nutzung sauberer Energie und minimiert den CO2-Ausstoß. Für Stadtplaner und Betreiber von Ladestationen liefert das Modell unschätzbare Erkenntnisse für die Infrastrukturentwicklung. Es kann unterversorgte Gebiete identifizieren, in denen neue Stationen benötigt werden, und die Auswirkungen einer neuen Station auf das umliegende Netzwerk vorhersagen, um kostspielige Überkapazitäten zu vermeiden. Es kann auch dynamische Preismodelle informieren, bei denen die Preise in Echtzeit basierend auf der prognostizierten Nachfrage angepasst werden, um Lastspitzen zu glätten und die Gesamteffizienz des Ladesystems zu verbessern.
Der Erfolg des GCN-LSTM-Modells zeigt auch einen breiteren Trend bei der Anwendung von KI auf komplexe, reale Probleme auf. Er demonstriert die Kraft der Kombination verschiedener KI-Architekturen, die jeweils ihre eigenen Stärken besitzen, um eine Lösung zu schaffen, die mehr ist als die Summe ihrer Teile. Die Fähigkeit des GCN, komplexe, nicht-euklidische Datenstrukturen wie Netzwerke zu verarbeiten, kombiniert mit der Meisterschaft des LSTM im Umgang mit sequenziellen Daten, erzeugt einen synergetischen Effekt, der perfekt auf die raumzeitliche Natur des Ladevorgangs von Elektrofahrzeugen zugeschnitten ist. Dieser Ansatz kann leicht auf andere Bereiche übertragen werden, wie die Vorhersage von Verkehrsfluss, die Prognose der städtischen Luftqualität oder die Modellierung der Verbreitung von Informationen in sozialen Netzwerken – allesamt Phänomene, die Entitäten betreffen, die sowohl räumlich verbunden sind als auch sich über die Zeit entwickeln.
Zusammenfassend lässt sich sagen, dass die Arbeit von Huang Jian, Chen Jianhong, He Jianjie, Wu Yan, Wan Xiu und Chen Fan einen bedeutenden Fortschritt auf dem Gebiet der Lastprognose für Elektrofahrzeuge darstellt. Indem sie auf brillante Weise die graphenbasierte räumliche Analyse mit dem tiefen temporalen Lernen kombinieren, haben sie ein Modell geschaffen, das die wahre Komplexität des Lade-Ökosystems erfasst. Ihre Forschung, veröffentlicht in der angesehenen Fachzeitschrift Zhejiang Electric Power, stellt einen robusten, datengestützten Rahmen bereit, der Netzbetreiber, Stadtplaner und Energieunternehmen befähigen kann, die Herausforderungen der Elektromobilitätsrevolution mit beispiellosem Vertrauen und Präzision zu meistern. Während die Welt sich einer nachhaltigen Mobilitätszukunft nähert, werden solche Werkzeuge unverzichtbar sein, um eine intelligentere, widerstandsfähigere und sauberere Energieinfrastruktur aufzubauen.
Huang Jian, State Grid Lanxi Power Supply Company; Chen Jianhong, Zhejiang Jie’an Engineering Co., Ltd.; He Jianjie, Zhejiang Jie’an Engineering Co., Ltd.; Wu Yan, Zhejiang Jie’an Engineering Co., Ltd.; Wan Xiu, Nanjing Institute of Technology; Chen Fan, Nanjing Institute of Technology. Zhejiang Electric Power. DOI: 10.19585/j.zjdl.202412006