Wichtige Erkenntnisse zur Ladekurve von Elektrofahrzeugen: Forschungen enthüllen regionale Muster und optimieren Infrastrukturplanung

Wichtige Erkenntnisse zur Ladekurve von Elektrofahrzeugen: Forschungen enthüllen regionale Muster und optimieren Infrastrukturplanung

In Zeiten der globalen Klimaziele und der „Doppelten Kohlenstoffstrategie“ in China erlebt die Elektromobilität einen beispiellosen Aufschwung. Die rasante Zunahme von Elektrofahrzeugen (EVs) birgt zwar enorme Potenziale für eine nachhaltigere Verkehrswelt, bringt aber gleichzeitig erhebliche Herausforderungen für die regionale Stromnetzversorgung und den Betrieb von Ladestellen mit sich. Eine aktuelle Studie, die in der Journal of Municipal Technology veröffentlicht wurde, liefert nun bahnbrechende Einblicke in die Ladekurven von Elektrofahrzeugen in urbanen Gebieten – und zeigt Wege auf, wie Infrastruktur und Netze optimal an diese neuen Anforderungen angepasst werden können.

Der Hintergrund: Wachstum der Elektromobilität und seine Herausforderungen

Seit der Einführung der „Doppelten Kohlenstoffstrategie“ (Kohlenstoffgipfel und -neutralität) hat die Elektrofahrzeugindustrie in China ein exponentielles Wachstum erlebt. Bis Mitte 2022 überstieg die Zahl der registrierten NEVs (New Energy Vehicles) bereits 10 Millionen, und Prognosen gehen davon aus, dass diese Zahl bis 2030 auf 100 Millionen ansteigen könnte. Dieses rapide Wachstum stellt jedoch nicht nur Hersteller vor Aufgaben, sondern auch Kommunen, Energieversorger und Betreiber von Ladestellen.

Ein zentrales Problem ist die Uneinheitlichkeit von Angebot und Nachfrage bei Ladestellen – sowohl räumlich als auch zeitlich. Oftmals sind Ladestellen in bestimmten Gegenden überlastet, während andere ungenutzt bleiben; zu Spitzenzeiten entstehen Warteschlangen, während in Ruhezeiten die Kapazitäten untapped bleiben. Um diese Probleme zu lösen, ist eine genaue Vorhersage der Ladekurven von Elektrofahrzeugen unabdingbar. Sie ermöglicht es, Stromnetze zu stabilisieren, Ladestellen effizienter zu verteilen und die Ressourcen optimal zu nutzen.

Genau hier setzt die Studie an, die von Forschern der Hunan-Universität durchgeführt wurde. Ihre Arbeit zielt darauf ab, die Ladekurven in einem bestimmten Region von Shanghai genauer zu verstehen – und somit fundierte Empfehlungen für die zukünftige Infrastrukturplanung zu liefern.

Die Studie: Daten, Methoden und Ansätze

Die Forscher um Ye Xiang, Luo Ying und Li Jie vom College of Civil Engineering der Hunan-Universität stützten ihre Untersuchungen auf reale Betriebsdaten von 4.000 rein elektrischen Pkw, die zwischen dem 1. und 14. Januar 2021 in der Region Lingang in Shanghai aktiv waren. Diese Daten wurden vom Shanghai New Energy Vehicle Public Data Collection and Monitoring Research Center bereitgestellt und umfassten Informationen wie tägliche Fahrleistungen, Start- und Endzeiten von Ladevorgängen, Batteriestand (State of Charge, SOC) und Energieverbrauch pro 100 km.

Um die komplexen Muster der Ladekurven zu erfassen, wendeten die Forscher die Monte-Carlo-Methode an – eine statistische Technik, die sich durch die Simulation zahlreicher zufälliger Szenarien auszeichnet. Diese Methode eignet sich besonders gut, um die Unsicherheit des individuellen Fahrverhaltens zu berücksichtigen, gleichzeitig bei der Aggregation über eine große Anzahl von Fahrzeugen klare Muster zu erkennen.

Der Ablauf der Simulation war klar strukturiert: Zuerst wurden zentrale Parameter definiert, wie die Anzahl der Elektrofahrzeuge, die Batteriekapazität und die Ladeleistung. Anschließend wurden tausende Simulationen durchgeführt, bei denen zufällig Werte wie die tägliche Fahrleistung eines Fahrzeugs oder die Startzeit eines Ladevorgangs ausgewählt wurden. Für jede Simulation wurden der initiale Batteriestand (bevor das Laden begann) und die Dauer des Ladens berechnet. Durch die Aggregation dieser Ergebnisse über alle Fahrzeuge und die Mittelung über mehrere Simulationen ergab sich ein detailliertes Profil der stündlichen Ladelasten über den gesamten Tag.

Diese Methode ermöglichte es, nicht nur durchschnittliche Werte zu berechnen, sondern auch die Schwankungen und Spitzen der Ladekurven zu erfassen – ein entscheidender Vorteil gegenüber einfacheren Modellen, die oft nuancenlose Durchschnitte liefern.

Kernbefunde: Drei Ladespitzen, höhere Fahrleistungen und variabler Energieverbrauch

Die Ergebnisse der Studie enthüllten mehrere überraschende und praktisch relevante Muster:

1. Die „Drei-Spitzen“-Erscheinung
   Am auffälligsten war die Entdeckung einer deutlichen „Drei-Spitzen“-Struktur in der täglichen Ladelast. Die erste Spitze trat um 7:00 Uhr morgens auf, wenn Fahrer ihre Fahrzeuge für den täglichen Arbeitsweg aufladen. Die zweite Spitze folgte um 14:00 Uhr, was mit Mittagspausen und Zwischenaufträgen zusammenfällt. Die dritte – und stärkste – Spitze erreichte um 22:00 Uhr ihren Höhepunkt, wenn Bewohner nach Hause zurückkehrten und ihre Fahrzeuge über Nacht anschlossen.

   Diese Muster deuten auf klare Unterschiede in der Ladestrategie hin: Morgens und mittags dominiert das schnelle Laden (mit 60kW-DC-Ladern), da Fahrer schnelle Aufladungen wünschen, um ihren Tagesablauf nicht zu stören. In der Nacht hingegen wird hauptsächlich langsam geladen (mit 7kW-AC-Ladern), die in Wohngebieten oder Privatparkplätzen installiert sind – Orte, an denen Fahrzeuge über Nacht ungestört bleiben können.

2. Höhere tägliche Fahrleistungen im Vergleich zu herkömmlichen Pkw
   Ein weiterer bemerkenswerter Befund betraf die durchschnittliche tägliche Fahrleistung der Elektrofahrzeuge in der untersuchten Region. Während nationale Studien zeigen, dass herkömmliche private Pkw durchschnittlich etwa 65 km pro Tag fahren, erreichten die Elektrofahrzeuge in diesem Shanghai-Gebiet eine durchschnittliche tägliche Fahrleistung von 102,5 km – 37,5 km mehr. Diese höhere Nutzung bedeutet einen höheren Energieverbrauch und häufigeres Laden, was die Notwendigkeit einer Infrastruktur unterstreicht, die diesen höheren Anforderungen gerecht werden kann.

3. Große Variabilität im Energieverbrauch pro 100 km
   Die Untersuchung offenbarte auch, dass der Energieverbrauch pro 100 km stark zwischen verschiedenen Elektrofahrzeugmodellen variiert. Einige Modelle verbrauchen nur 10 kWh pro 100 km, während andere über 30 kWh aufwenden. Diese Unterschiede hängen mit der Batterietechnologie, der Fahrzeuggröße und dem Design zusammen. Für Planer bedeutet dies, dass eine einheitliche Vorhersage der Ladeanforderungen unzureichend ist – stattdessen müssen verschiedene Effizienzklassen berücksichtigt werden, um Engpässe zu vermeiden.

4. Verhalten bei der Ladungsbeendigung
   Ein weiteres interessantes Muster betraf die Beendigung von Ladevorgängen: Rund 71,2 % der Elektrofahrzeuge wurden gestoppt, wenn der Batteriestand (SOC) 90–100 % erreicht hatte. Dies deutet darauf hin, dass die meisten Nutzer die Batterie nicht überladen, um ihre Lebensdauer zu schonen, aber gleichzeitig genügend Reichweite für den nächsten Tag sicherzustellen. Dieses Verhalten, obwohl vorteilhaft für die Batterie, bedeutet, dass Ladevorgänge oft länger dauern als strikt notwendig – was Ladestellen und Stromnetze belastet.

Praxisrelevanz: Implikationen für Infrastruktur und Netzmanagement

Diese Erkenntnisse haben direkte Auswirkungen auf die Planung von Ladestellen und die Stromnetzversorgung:

• Stromnetzoptimierung: Die drei Spitzen erfordern gezielte Anpassungen des Stromnetzes. Für die morgendlichen und mittäglichen Schnellladespitzen muss die Kapazität in kommerziellen Gebieten, Einkaufszentren und Transitzonen verstärkt werden. Für die nächtliche Spitze in Wohngebieten ist eine stabile Versorgung mit langsamen Ladern essenziell.

• Ladestellenplanung: Betreiber von Ladestellen sollten ihre Ressourcen strategisch verteilen. In Geschäftsgebieten und an Hauptverkehrswegen sind mehr Schnelllader notwendig, um die tägliche Nachfrage zu decken. In Wohngebieten hingegen sollte das Netz an langsamen Ladern ausgebaut werden, um die nächtliche Nutzung zu unterstützen.Zusätzlich kann ein intelligentes Management helfen – z. B. Benachrichtigungen an Nutzer, ihre Fahrzeuge nach Abschluss des Ladens zu bewegen, um Engpässe zu reduzieren.

• Zukunftsprognosen: Die Studie prognostiziert, dass die Zahl der Elektrofahrzeuge in der Region bis 2025 von derzeit 4.000 auf 8.450 ansteigen wird. Damit würde die Spitzenladelast auf 10,98 MW steigen – mehr als das Doppelte der heutigen Maximalwerte. Ohne proaktive Planung könnte dieses Wachstum zu weit verbreiteten Verzögerungen und Netzbelastungen führen.

Über die Zahlen hinaus: Nutzerzentrierte Zukunft der Elektromobilität

Die Studie geht über reine Infrastrukturplanung hinaus – sie zielt darauf ab, die Nutzererfahrung von Elektrofahrzeugen zu verbessern. Durch das Verständnis von wann und warum Nutzer laden, könnten Hersteller intelligente Fahrzeuge entwickeln: Batteriemanagementsysteme, die Fahrer auf niedrigen Ladestand aufmerksam machen, Apps, die optimale Ladezeiten anhand des täglichen Routinens vorschlagen, und Integrationen mit intelligenten Netzen, um Nutzer für Nachtladen zu belohnen.

Für Politik und Verwaltung unterstreicht die Forschung die Notwendigkeit von koordinierten Maßnahmen. Baurechtsvorschriften, die neue Gebäude zur Installation von Ladestellen zwingen, Anreize für die Installation von Hausladern und Finanzierung für öffentliche Netze in unterversorgten Gebieten könnten alle helfen, die Lücke zwischen Angebot und Nachfrage zu schließen.

Ausblick: Weiterentwicklung der Modelle

Obwohl die Studie einen großen Schritt nach vorne darstellt, erkennen die Forscher Potenziale für Verbesserungen. Künftige Arbeiten könnten Variablen wie Verkehrsbedingungen, Wetter oder saisonale Schwankungen einbeziehen – Faktoren, die sowohl Fahrverhalten als auch Batterieleistung beeinflussen. Das Modell könnte auch angepasst werden, um variable Ladegeschwindigkeiten zu berücksichtigen, da reale Ladevorgänge oft schneller beginnen und langsamer werden, wenn die Batterie nahezu voll ist.

Die Erweiterung der Forschung auf andere Regionen – z. B. den Vergleich von städtischen und ländlichen Gebieten oder die Analyse von Klimaeinflüssen auf die Batterieleistung – könnte zusätzliche wertvolle Einblicke liefern. Durch die Verfeinerung des Modells könnten Forscher noch präzisere Werkzeuge für Planer und Energieversorger bereitstellen.

Fazit

Die Elektromobilität steht an der Schwelle zu einem Durchbruch, der nicht nur die Verkehrswelt, sondern auch die Energieversorgung nachhaltig verändern wird. Dennoch hängt ihr Erfolg nicht nur von technologischen Innovationen in Batterien und Motoren ab – sondern auch von einer Infrastruktur, die den spezifischen Energiebedürfnissen von Elektrofahrzeugen gerecht wird. Die Studie der Hunan-Universität liefert einen entscheidenden Baustein: ein tieferes Verständnis von wann, wo und warum Elektrofahrzeuge geladen werden müssen.

Durch die Übersetzung komplexer Daten in klare Muster und praktische Empfehlungen ermächtigt diese Forschung Städte, intelligente und widerstandsfähige Ladenetzwerke aufzubauen. Damit verbessert sie nicht nur die Nutzererfahrung von Elektrofahrzeugen, sondern ebnet auch den Weg für ein nachhaltigeres Verkehrssystem – ein System, das Klimaziele mit den praktischen Realitäten des täglichen Lebens in Einklang bringt.

Ye Xiang, Luo Ying und Li Jie arbeiten am College of Civil Engineering der Hunan-Universität in Changsha, China. Ihre Forschung wurde in der Journal of Municipal Technology (Band 42, Heft 2, Februar 2024) veröffentlicht. Der DOI der Studie lautet: 10.19922/j.1009-7767.2024.02.068.