In den letzten Jahren hat die Verbreitung von Elektroautos (EVs) weltweit einen beispielhaften Aufschwung genommen. Doch trotz der rasanten Zunahme von Elektrofahrzeugen stoßen viele Märkte an Herausforderungen bei der Infrastrukturentwicklung: Ladestationen sind ungleich verteilt, Wartezeiten in Spitzenzeiten sind zu lang, und die Kapazität entspricht nicht immer der Nachfrage. Diese Diskrepanzen hemmen nicht nur die Akzeptanz von Elektroautos bei Verbrauchern, sondern beeinträchtigen auch die nachhaltige Entwicklung der gesamten Mobilitätsbranche. Ein neuer Forschungsansatz des Institute of Computer and Artificial Intelligence der Hefei Normal University und des College of Energy and Electrical Engineering der Hohai University, der auf Fahrerdaten basiert, könnte nun Abhilfe schaffen: Er kombiniert Datenanalyse, mathematische Modelle und künstliche Intelligenz, um eine optimierte Planung von Ladestationen zu gewährleisten – sowohl aus Sicht der Nutzer als auch der Betreiber.
Die Herausforderung: Zwischen Nachfrage und Infrastruktur
Die weltweite Elektromobilität boomt. Laut der aktuellen IEA-Studie (Global EV Outlook 2024) wird der weltweite Elektrofahrzeugbestand bis 2030 auf 140-180 Millionen Einheiten anwachsen, wobei die Dichte in urbanen Ballungsräumen bis zu 23 Fahrzeuge pro Ladepunkt erreichen kann. Doch die Infrastruktur folgt oft hinterher: In dicht besiedelten Städten mangelt es an Ladestellen in strategischen Positionen, während ländliche Gebiete oft unterversorgt sind. Ein zentrales Problem liegt in der unvorhersehbaren räumlichen und zeitlichen Verteilung der Ladeanforderungen. Ein Familienauto benötigt möglicherweise am Abend nach der Fahrt zur Arbeit eine Ladung, während ein Lieferdienstfahrzeug tagsüber häufige Zwischenstopps erfordert. Ohne genaue Daten über diese Muster riskieren Planer entweder Überkapazitäten (mit hohen Kosten) oder Engpässe (mit frustrierten Nutzern).
Bisherige Ansätze zur Ladestellenplanung stießen oft an Grenzen. Einige Modelle setzten auf theoretische Fahrprofile oder auf ausländische Datensätze, die nicht auf lokale Gegebenheiten wie Verkehrsmuster oder Klima angepasst waren. Andere konzentrierten sich ausschließlich auf die Nutzerfreundlichkeit, z. B. kurze Fahrzeiten zu Ladestellen, aber vernachlässigten die Betriebskosten für Anbieter. „Die ideale Ladestellenplanung muss beide Seiten berücksichtigen“, erklärt ein Forscher des Projekts. „Nutzer wollen schnell und bequem aufladen, Betreiber müssen wirtschaftlich arbeiten. Nur so entsteht eine nachhaltige Infrastruktur.“
Daten-getriebene Innovation: Von Fahrspuren zu intelligenter Planung
Die neue Methode basiert auf einem einfachen, aber wirkungsvollen Prinzip: Statt auf Theorien zu setzen, nutzt sie echte Fahrerdaten. Forscher werteten Tausende von Fahrten in städtischen Gebieten aus – von Start- und Zielpunkten über Fahrzeiten bis hin zu Verkehrsbedingungen. Diese Daten wurden dann mit mathematischen Modellen kombiniert, um die optimalen Standorte und Kapazitäten für Ladestellen zu ermitteln.
Schritt 1: Datenaufbereitung – Aufspüren der Muster
Zuerst werden die Rohdaten aufbereitet. Dazu gehören unter anderem die Bereinigung von fehlerhaften Einträgen (z. B. zu kurze Fahrten unter 500 Metern) und die Anpassung von Koordinaten an lokale Kartensysteme. Ein zentrales Ergebnis dieser Phase ist die sogenannte OD-Matrix (Origin-Destination-Matrix), die die Häufigkeit von Fahrten zwischen verschiedenen Punkten aufzeichnet. „Diese Matrix zeigt uns, wo die Leute am meisten unterwegs sind und wo sie wahrscheinlich aufladen müssen“, erklärt ein Datenanalyst. Zusätzlich werden Fahrspuren in Zeitintervallen von 2–4 Sekunden erfasst, um genaue Fahrprofile zu erstellen.
Schritt 2: Energieverbrauch – Klima und Verkehr als Schlüsselfaktoren
Ein Elektroauto verbraucht je nach Bedingungen unterschiedlich viel Energie. Um dies zu berücksichtigen, entwickelten die Forscher ein Modell, das zwei Hauptfaktoren integriert: Verkehrszustände und Temperatur.
- Verkehrseinfluss: Auf städtischen Straßen mit hoher Verkehrsdichte bremsen Fahrzeuge häufiger und beschleunigen wieder an, was den Energieverbrauch steigert. Das Modell klassifiziert Straßen in vier Kategorien (von Autobahnen bis zu Nebenstraßen) und berechnet den Energieverbrauch pro Kilometer basierend auf durchschnittlichen Geschwindigkeiten.
- Temperaturseinfluss: Kälte oder extreme Hitze erhöhen den Energieverbrauch – sei es durch Heizung, Klimaanlage oder die reduzierte Leistung von Batterien. Basierend auf Langzeitdaten einer führenden Automobilfirma in Nordamerika zeigt das Modell, dass bei Temperaturen unter 0 °C der Verbrauch um bis zu 30 % höher sein kann als bei 20 °C.
Durch die Kombination beider Faktoren entsteht ein realistisches Bild des Energiebedarfs für jede Fahrt – und damit der Ladeanforderungen.
Schritt 3: Simulation – Vorhersagen mit Monte-Carlo-Methode
Um die zukünftigen Ladeanforderungen zu prognostizieren, verwenden die Forscher die Monte-Carlo-Methode – ein statistisches Verfahren, das zufällige Stichproben aus den Daten zieht, um Wahrscheinlichkeitsverteilungen zu simulieren. So werden Tausende von möglichen Szenarien berechnet: Wie verändert sich die Ladeanforderung, wenn mehr Fahrten in der Rush Hour stattfinden? Welche Auswirkungen hat ein kalter Wintertag?
Das Ergebnis ist eine detaillierte Karte der Ladeanforderungen – nicht nur zu bestimmten Zeiten, sondern auch in verschiedenen geografischen Bereichen. „So wissen wir, wo am Morgen vor allem Geschäftsfahrzeuge aufladen werden und wo abends Familienautos zu Hause eintreffen“, erklärt der Projektleiter. Diese Informationen bilden die Grundlage für die Planung.
Optimierung: Wo und wie viele Ladestellen?
Mit den prognostizierten Ladeanforderungen geht es weiter zu der entscheidenden Frage: Wo sollten Ladestellen gebaut werden, und wie viele Ladepunkte brauchen sie? Hier kommen zwei bewährte Methoden zum Einsatz:
Voronoi-Diagramme: Klare Dienstgebiete definieren
Um sicherzustellen, dass Ladestellen gleichmäßig verteilt sind, werden Voronoi-Diagramme unter Berücksichtigung des Straßennetzes verwendet. Diese mathematischen Strukturen teilen einen Raum in Regionen auf, wobei jeder Punkt in einer Region näher an einem bestimmten Zentrum (hier: Ladestation) ist als an anderen Zentren. „Dadurch entstehen klare Dienstgebiete“, erklärt ein Mathematiker im Team. „Jede Ladestation kümmert sich um die Fahrzeuge in ihrer Umgebung, was Überlappungen oder Versorgungslücken vermeidet.“
Warteschlangentheorie: Keine endlosen Wartezeiten
Um die richtige Anzahl an Ladepunkten pro Station zu bestimmen, greifen die Forscher auf die M/M/c-Warteschlangentheorie zurück. Diese Methode berechnet, wie viele Ladepunkte benötigt werden, um Wartezeiten innerhalb akzeptabler Grenzen zu halten – auch in Spitzenzeiten. Beispielsweise zeigt die Simulation: Wenn in der Rush Hour 50 Fahrzeuge pro Stunde eine Ladestation ansteuern, benötigt man etwa 10 Ladepunkte, um die durchschnittliche Wartezeit unter 10 Minuten zu halten.
„Es geht nicht darum, so viele Ladepunkte wie möglich zu bauen, sondern die richtige Anzahl“, betont der Experte. „Zu wenige führen zu Frustration, zu viele zu unnötigen Kosten.“
Kostenoptimierung: Gleichgewicht zwischen Nutzer und Anbieter
Die finale Planung integriert alle diese Faktoren zu einem einzigen Ziel: Die Minimierung der Gesamtkosten – sowohl für Nutzer als auch für Anbieter.
- Anbieter-Kosten: Bau- und Betriebskosten von Ladestellen, einschließlich Investitionen in Ladepunkte, Stromnetzanschlüsse und Personalkosten.
- Nutzer-Kosten: Zeit- und Energiekosten für die Fahrt zur Ladestation sowie Wartezeiten.
Mithilfe eines verbesserten Partikelschwarm-Algorithmus – einer Methode aus der künstlichen Intelligenz, die an Schwarmverhalten in der Natur angelehnt ist – wird das optimale Gleichgewicht gefunden. Der Algorithmus testet Tausende von möglichen Kombinationen aus Standorten und Kapazitäten (mit Simulationsparametern wie einer maximalen Iterationsanzahl von 200 und einem Partikelschwarm von 20 Einheiten), bis er diejenige mit den niedrigsten Gesamtkosten findet.
Praxis-Test: Erfolg in städtischen Gebieten
Um die Methode zu überprüfen, wurden Tests in einem städtischen Gebiet mit rund 10.000 Elektrofahrzeugen durchgeführt – darunter private Fahrzeuge, Taxis und Dienstfahrzeuge. Die Ergebnisse waren überzeugend:
- Optimale Anzahl: Die Simulation empfahl 12 Ladestellen für das Gebiet – eine Zahl, die sowohl die Wartezeiten niedrig hielt (durchschnittlich 8 Minuten) als auch die Betriebskosten für Anbieter begrenzt.
- Strategische Standorte: Die Ladestellen konzentrierten sich in Gebieten mit hoher Verkehrsdichte, wie der Innenstadt und an Hauptverkehrsstraßen, während ländliche Randgebiete mit weniger Fahrten weniger Stationen erhielten.
- Kostenersparnis: Im Vergleich zu herkömmlichen Planungsmethoden reduzierten sich die Gesamtkosten um etwa 15 % – vor allem durch geringere Überkapazitäten und kürzere Fahrzeiten für Nutzer.
„Die Ergebnisse zeigen, dass Daten-getriebene Planung nicht nur theoretisch, sondern auch praktisch wirksam ist“, resümiert der Projektleiter. „Sie ermöglicht es, Ladestellen genau dort zu bauen, wo sie am meisten gebraucht werden – effizient und wirtschaftlich.“
Zukunftsperspektiven: Von der Stadt zur Region
Die Methode ist nicht auf einzelne Städte beschränkt. Forscher der Hefei Normal University und der Hohai University planen, sie auf regionalere Ebenen auszuweiten, um z. B. Ladestationen entlang von Autobahnen oder in ländlichen Gebieten zu planen. Zudem könnten zukünftige Entwicklungen wie intelligente Ladesteuerung (z. B. Laden zu Zeiten mit hoher Sonnenenergieproduktion) oder autonom fahrende Elektroautos integriert werden.
„Die Elektromobilität ist kein Statiker, sondern ein Dynamiker“, betont ein Experte. „Unsere Methode muss sich daher stetig weiterentwickeln – immer basierend auf den neuesten Daten.“
Insgesamt markiert die neue Planungsmethode einen wichtigen Schritt hin zu einer smarteren, nachhaltigeren Elektromobilität. Indem sie echte Fahrerverhalten und lokale Gegebenheiten in den Fokus rückt, schafft sie die Grundlage für eine Infrastruktur, die sowohl Nutzer zufriedenstellt als auch ökonomisch tragbar ist. So wird das Aufladen von Elektroautos künftig nicht mehr zu einer Herausforderung, sondern zu einem selbstverständlichen Teil des täglichen Lebens.