In Zeiten der Energiewende rückt die Integration von Elektroautos (EVs) in das Stromnetz zunehmend in den Fokus. Die prognostizierte Zunahme der EV-Bestände – weltweit sollen bis 2030 145 Millionen Fahrzeuge auf den Straßen unterwegs sein – stellt eine enorme Herausforderung für die Stabilität von Verteilnetzen dar. Besonders die Ladelasten an öffentlichen Ladestellen schwanken extrem und sind schwieriger vorherzusagen als private Ladevorgänge, die in der Regel planbarer sind. Ein neues Verfahren, das auf adaptiven Raum-Zeit-Graph-Neural-Netzwerken (AST-GCN, Adaptive Spatio-Temporal Graph Convolutional Network) basiert, könnte hier Abhilfe schaffen. Es ermöglicht eine präzisere Kurzzeitprognose der Ladelasten an mehreren öffentlichen Ladestellen und berücksichtigt dabei erstmals die komplexen, differenzierten räumlichen und zeitlichen Wechselbeziehungen zwischen ihnen.
Die Herausforderung: Volatilität von öffentlichen Ladestellen
Öffentliche Ladestellen sind ein Schlüsselpunkt in der Infrastruktur für Elektroautos, aber ihre Betriebsweise unterscheidet sich grundlegend von privaten Ladeeinrichtungen. Während private Nutzer in der Regel nachts oder zu festen Zeiten laden, hängen öffentliche Ladevorgänge von vielen variablen Faktoren ab: dem Fahrverhalten von Nutzern, Wetterbedingungen, Feiertagen oder sogar der Betriebslage der Ladestellen selbst. Diese Volatilität macht eine genaue Lastprognose extrem schwierig. Bisherige Studien konzentrierten sich hauptsächlich auf einzelne Ladestellen oder nutzten vereinheitlichte Modelle, die die individuellen Muster verschiedener Standorte nicht berücksichtigen konnten.
„Die Schwierigkeit liegt nicht nur in der Zeitreihenanalyse, sondern auch in der Berücksichtigung der räumlichen Interdependenzen“, erklärt ein Forscherteam des Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology der Northeast Electric Power University in Jilin, China. So können sich Ladelasten an benachbarten Standorten gegenseitig beeinflussen – zum Beispiel, wenn eine Station voll ausgelastet ist und Fahrer zu einer anderen wechseln. Gleichzeitig können Standorte, die geografisch weit auseinanderliegen, ähnliche Muster aufweisen, wenn sie sich in Regionen mit ähnlichem Fahrverhalten befinden. Bisherige Modelle konnten diese komplexen Beziehungen nicht ausreichend erfassen.
Woher kommt die Unsicherheit?
Die Unsicherheit bei der Prognose öffentlicher Ladelasten resultiert aus mehreren Faktoren. Zum einen sind die Nutzer von öffentlichen Ladestellen oft Privatpersonen mit verteilten Bedürfnissen – einige laden schnell zwischendurch, andere planen ihre Ladung im Voraus. Zum anderen hängen die Ladezeiten von der Fahrzeugart, dem Akkustand und sogar den Wetterbedingungen ab. So tendieren Fahrer in heißen Sommermonaten dazu, häufiger und länger zu laden, um die Klimaanlage betreiben zu können, während in kalten Wintern der Energieverbrauch für Heizung ansteigt und dadurch die Ladehäufigkeit zunimmt.
Bisherige Methoden zur Lastprognose teilten sich in zwei Kategorien: modellgetriebene Ansätze und datengetriebene Ansätze. Modellgetriebene Verfahren, wie die Monte-Carlo-Simulation, basieren auf Annahmen über Fahrzeiten, Tageskilometer und Ladeverhalten, aber stoßen schnell an ihre Grenzen, wenn es um komplexe, reale Szenarien geht. Datengetriebene Methoden, wie neuronale Netzwerke, nutzen historische Daten, um Muster zu erkennen, aber fehlten ihnen bislang die Fähigkeit, räumliche Wechselbeziehungen zwischen verschiedenen Standorten zu verarbeiten.
Der Durchbruch: Adaptives Raum-Zeit-Graph-Neural-Netzwerk
Das neue AST-GCN-Verfahren kombiniert die Stärken von Graph-Neural-Netzwerken mit adaptiven Lernmechanismen, um die komplexen Zusammenhänge zwischen Ladestellen zu erfassen. Der Ansatz gliedert sich in mehrere Schritte, die gemeinsam eine hohe Prognosegenauigkeit ermöglichen.
Zuerst wird mithilfe des Rapid-Maximal-Information-Coeffizienten (Rapid-MIC) ein Multiknoten-Merkmalsatz aufgebaut. Dieser umfasst nicht nur historische Lastdaten, sondern auch Datumsmerkmale (wie Feiertage oder Wochentage) und meteorologische Daten (Temperatur, Regenfall, Windgeschwindigkeit). Rapid-MIC ist dabei in der Lage, nichtlineare Zusammenhänge zwischen Variablen zu erkennen – eine entscheidende Verbesserung gegenüber herkömmlichen Korrelationsanalysen wie dem Pearson-Koeffizienten, der nur lineare Beziehungen erfasst.
Anschließend wird über ein datenadaptive Graph-Generierungsmodul (DAGG, Data Adaptive Graph Generation) ein dynamisches Ähnlichkeitsgewichts-Raum-Zeit-Graph erstellt. Dieser Graph bildet die räumlichen Verbindungen zwischen Ladestellen neu, ohne auf geografische Nähe angewiesen zu sein. Statt statischer Kanten zwischen Knoten (Ladestellen) werden die Verbindungen laufend angepasst, basierend auf aktuellen und historischen Daten. Dadurch können auch nichtnahe Ladestellen mit ähnlichen Lademustern verbunden werden – ein Vorteil, der herkömmlichen Methoden fehlt.
Differenzierte Merkmalsverbesserung und parametrische Anpassung
Ein weiterer Schlüsselaspekt des Verfahrens ist die Verwendung von Graph-Konvolutionsschichten (GCL, Graph Convolution Layers), um räumliche Aggregationsmerkmale für jede Ladestelle zu generieren. Anders als bei herkömmlichen Netzwerken, die für alle Knoten dieselben Parameter verwenden, werden hier differenzierte Merkmalsverbesserungen vorgenommen, die die individuellen Muster jeder Ladestelle berücksichtigen.
Um dies zu ermöglichen, nutzt das System ein Knoten-adaptives Parameterlernmodul (NAPL, Node Adaptive Parameter Learning). Dieses weist jeder Ladestelle individuelle Parameter zu, um ihre spezifischen Lademuster zu lernen. Beispielsweise kann eine Station hauptsächlich von Geschäftsfahrzeugen tagsüber oder von Privatpersonen abends genutzt werden. Dadurch wird verhindert, dass vereinheitlichte Modelle Muster überlagern und so die Prognose verfälschen.
Schließlich werden die zeitlichen Merkmale der räumlichen Aggregationsmerkmale mithilfe von Gated-Recurrent-Unit-Schichten (GRU) extrahiert. GRUs sind besonders gut darin, langfristige Abhängigkeiten in Zeitreihen zu erkennen – ein entscheidender Vorteil bei der Vorhersage von Ladelasten, die stark von täglichen, wöchentlichen oder saisonalen Mustern abhängen.
Die Vorteile im Detail
Dynamische Graph-Generierung
Durch das DAGG-Modul wird die räumliche Verbindung zwischen Ladestellen nicht statisch definiert, sondern laufend anhand aktueller Daten angepasst. Dadurch können sich Verbindungen ändern, wenn sich Muster verschieben – beispielsweise, wenn ein neues Einkaufszentrum eröffnet und die Ladeaktivität in der Umgebung zunimmt.
Differenzierte Merkmalsverbesserung
Die GCL-Schichten ermöglichen es, dass jede Ladestelle ihre eigenen räumlichen Merkmale entwickelt, die von den Merkmalen anderer Standorte beeinflusst werden. Dadurch werden nicht nur lokale Muster erfasst, sondern auch deren Wechselwirkungen.
Individuelle Parameterlernung
Dank NAPL wird jede Ladestelle als einzigartiges System betrachtet, das spezifische Parameter erhält. Dies ist besonders wichtig für Standorte mit extrem unterschiedlichen Verhaltensmustern – wie eine städtische Ladestelle in der Innenstadt versus eine Autobahnraststätte.
Hohe Interpretierbarkeit
Im Gegensatz zu vielen „schwarzen Boxen“ in der KI-Forschung macht das Graph-Strukturmodell die Zusammenhänge zwischen Ladestellen sichtbar. Die Kanten im Graph repräsentieren quantitativ die Stärke der Wechselbeziehungen, was Fachleuten hilft, die Prognosen zu verstehen und zu überprüfen.
Praxis-Test: Hohe Genauigkeit in realen Szenarien
Um die Effektivität des Verfahrens zu testen, wurde es auf Daten von 13 öffentlichen Ladestellen in einer chinesischen Region angewendet. Diese umfassten 93 Ladepunkte (sowohl Schnellladestellen mit bis zu 60 kW als auch Standardladestellen mit 30 kW) und umfassten einen Jahresdatensatz von Januar 2019 bis Januar 2020.
Verglichen mit herkömmlichen Methoden wie Support Vector Regression (SVR), GRUs oder sogar Graph-Netzwerken ohne adaptive Komponenten (noDAGG, noNAPL) erzielte das AST-GCN-Verfahren die niedrigsten Fehlerraten. Der symmetrische mittlere absolute Prozentsatzfehler (SMAPE) lag bei 12,95 % (95 %-Konfidenzintervall: 12,3-13,6 %), der mittlere absolute Fehler (MAE) bei 31,72 kW (95 %-Konfidenzintervall: 30,2-33,2 kW). Im Vergleich dazu erreichten die besten Alternativmethoden einen SMAPE von 13,57 % (noNAPL) und 13,80 % (noDAGG).
Besonders bemerkenswert ist, dass das Verfahren die schlechtesten Prognosewerte – also die Fälle, in denen die Abweichung am größten ist – deutlich reduziert hat. Dies ist entscheidend für die Netzstabilität, denn extreme Abweichungen können zu Überlastungen oder Spannungsschwankungen führen.
Welche Faktoren beeinflussen die Genauigkeit?
Die Analyse der Testdaten ergab, dass bestimmte Faktoren die Prognosegenauigkeit maßgeblich beeinflussen. Dazu gehören:
- Temperatur: Sowohl extreme Kälte als auch Hitzewellen führen zu erhöhter Ladeaktivität, was die Volatilität steigert. Dennoch konnte das AST-GCN-Verfahren diese Schwankungen durch die Einbeziehung von Temperaturdaten gut erfassen.
- Feiertage und Wochenenden: An diesen Tagen weicht das Fahrverhalten stark von Werktagen ab. Dank der Einbeziehung von Datumsmerkmalen konnte das System diese Muster erkennen und entsprechend anpassen.
- Historische Lasten: Die Einbeziehung von Daten der vorherigen sieben Tage ermöglichte es, kurzfristige Trends – wie eine plötzliche Zunahme von Fahrten aufgrund eines Konzerts oder eines Sportevents – zu erfassen.
Ausblick: Wie die Methode die Zukunft der E-Mobilität beeinflusst
Die präzise Prognose von Ladelasten an öffentlichen Standorten hat weitreichende Konsequenzen für die E-Mobilität und das Stromnetz:
- Netzstabilität: Mit zuverlässigeren Prognosen können Netzbetreiber vorausschauende Maßnahmen ergreifen, um Überlastungen zu vermeiden. Dies könnte die Notwendigkeit von teuren Netzausbauten reduzieren.
- Ladeinfrastrukturplanung: Genaue Prognosen helfen bei der optimalen Verteilung von Ladestellen. Beispielsweise kann eine Region, die von dem Modell als zukünftig stark nachfragend identifiziert wird, frühzeitig mit zusätzlichen Ladepunkten ausgestattet werden.
- Nutzererfahrung: Weniger Überlastungen an Ladestellen führen zu kürzeren Wartezeiten und einer verbesserten Akzeptanz von Elektroautos. Zudem könnten dynamische Tarife basierend auf prognostizierten Lastspitzen Anreize für Nutzer schaffen, außerhalb der Spitzenzeiten zu laden.
- Integration von erneuerbaren Energien: Mit genauen Ladelastprognosen kann der Anteil von Solar- und Windenergie am Ladestrom optimiert werden. Beispielsweise kann überschüssige Solarenergie zu Zeiten hoher prognostizierter Ladeaktivität gespeichert oder direkt genutzt werden.
Die Rolle der KI in der Energiewende
Das AST-GCN-Verfahren ist ein Beispiel für die zunehmende Bedeutung von KI in der Energiewende. Während herkömmliche Methoden oft nur einzelne Aspekte der Energieversorgung berücksichtigen, ermöglichen fortschrittliche neuronale Netzwerke die Integration von komplexen, interdependenten Datenströmen.
Doch die Entwicklung steht noch am Anfang. Zukünftige Forschungen könnten die Methode weiter verbessern, indem sie zusätzliche Faktoren – wie Echtzeitdaten von Verkehrsstaus, Parkplatzbelegungen oder sogar sozialen Medien – einbeziehen. Die Kombination mit Edge-Computing könnte zudem die Reaktionszeit der Prognosen verkürzen, so dass Netzbetreiber nahezu in Echtzeit auf Veränderungen reagieren können.
Fazit
Die Vorhersage von Ladelasten an öffentlichen Ladestellen ist eine der größten Herausforderungen bei der Integration von Elektroautos in das Stromnetz. Das neue AST-GCN-Verfahren hebt sich durch seine Fähigkeit aus, differenzierte räumliche und zeitliche Wechselbeziehungen zu erfassen, von bisherigen Methoden ab. Mit einem SMAPE von 12,95 % und einem MAE von 31,72 kW erreicht es eine hohe Genauigkeit, die Netzbetreibern hilft, die Stabilität zu gewährleisten und die Infrastruktur effizient zu planen.
Die Forschungsergebnisse wurden in der Fachzeitschrift „Proceedings of the CSEE“ (Vol. 45, Nr. 4, Februar 2025) veröffentlicht und unterliegen dem peer-review-Verfahren. Sie zeigen, wie KI-Technologien helfen können, die Herausforderungen der E-Mobilität zu meistern – und damit einen nachhaltigeren, stabileren Energiesystem der Zukunft zu gestalten.