Optimierung der öffentlichen Ladeinfrastruktur

Auswertung der Fahrprofildaten von Fahrzeugflotten

Zuletzt aktualisiert am 05.02.2017

Veröffentlichung in der BWK, Ausgabe 9-2015

Mit dem Markteintritt der deutschen Automobilhersteller in die Elektroautobranche im Jahr 2013/141) steigt auch das allgemeine Interesse der Öffentlichkeit, Energieversorger und Verkehrsplaner an Elektrofahrzeugen. Ein Elektrofahrzeug stellt die Beteiligten vor erhebliche Herausforderungen: Die geringere Reichweite, lange Ladezeiten und wenig vorhandene Ladeinfrastruktur verlangen von den Nutzern ein Umdenken im Mobilitätsverhalten und stellen für Verkehrs- und Infrastrukturbetreiber eine neue Herausforderung dar.

Die Forschungsstelle für Energiewirtschaft e.V. hat ein Tool zur Auswertung von Fahrprofildaten von Fahrzeugflotten zur optimierten Platzierung öffentlicher Ladeinfrastruktur entwickelt und kann so bei der Bewältigung dieser Herausforderungen effektiv Unterstützung leisten.

Dieses Tool analysiert das Fahr- und Parkverhalten konventioneller Fahrzeuge und ermöglicht Prognosen über das Ladeverhalten substituierender Elektrofahrzeuge. Es können zudem geographische Bereiche identifiziert werden, in denen die Fahrzeugflotte besonders viel und häufig laden würde und zeigt dabei auf, wie viele Ladestationen in diesen Bereichen notwendig wären.

Methodik

Als Simulationsgrundlage dient das Elektrofahrzeugmodell „ProVED“ 2) (Professional Virtual Electric Driving) der Forschungsstelle für Energiewirtschaft, welches anhand von realen Fahrzeugdaten eine individuelle, ökonomische und ökologische Abschätzung für den Umstieg von einem konventionellen Fahrzeug zu einem Elektrofahrzeug bietet.

eFlott Prinzip200px

Abbildung 1:  Methodische Vorgehensweise in ProVED

Zunächst erhalten Probanden GPS‑Logger. Die GPS-Logger zeichnen dann über einen Zeitraum von mehreren Wochen sekündlich Geschwindigkeit, Position, Höhenprofil und Fahrzeiten auf. Anschließend werden die Daten für weitere Auswertungen aufbereitet. Hierzu zählt die Korrektur fehlerbehafteter GPS‑Aufzeichnungen, das Aufteilen der sekündlichen GPS-Werte in Einzelfahrten und auch die Erkennung von Parkstandorten des Probanden. Im nächsten Schritt wird das aufgezeichnete Fahrprofil virtuell mit unterschiedlichen Elektroautos und verschiedenen Ladeszenarien bzgl. Ladestandorten und Ladeleistungen simuliert und nach Wirtschaftlichkeit und Umweltfreundlichkeit ausgewertet. Abschließend wird dem Probanden ein Bericht mit seinen persönlichen Ergebnissen ausgestellt.

Fasst man nun möglichst viele der einzelnen Probanden zu einer Fahrzeugflotte zusammen, erlaubt dieses Tool, weitergehende Analysen durchzuführen. So ist es möglich, die Ladestandorte zu ermitteln, die eine größtmögliche Mobilität der Fahrzeugnutzer erlauben und die dort geladene Energie abzuschätzen. Somit können Aussagen über die benötigte Ladeinfrastruktur zur Verbesserung der elektrischen Mobilität für diese Flotte getroffen werden.

Ergebnisse

Die nachfolgende Abbildung zeigt beispielhaft einen Kartenausschnitt mit blau markierten Parkstandorten und der theoretisch aufgenommenen Energiemenge pro Sektor (Einfärbung). Es ist zu erkennen, dass im mittigen Sektor mit den meisten Parkstandorten auch die meiste Energie aufgenommen wird.

Ladeleistung400

Abbildung 2:  Auswertung der Fahrzeugflotte nach aufgenommener Ladeenergie

Anhand einer solchen Karte können Ladesäulen optimiert regional verteilt und die begrenzten Ressourcen für Ladeinfrastruktur besser eingesetzt werden.

Die Frage, wie viele Ladepunkte notwendig sind, kann mit Hilfe einer statistischen Auswertung der Parkstandorte beantwortet werden.

Hierzu wird die Parkwahrscheinlichkeit der Fahrzeugflotte für jeden Wochentag und für jedes Rasterelement aus allen Parkdaten mit der verallgemeinerten Binomialverteilung bestimmt. Abbildung 3 zeigt beispielhafte Ergebnisse für einen Parkstandort. Hierbei wird angenommen, dass Parkzeit potentielle Ladezeit ist, und die Fahrzeuge zu Beginn des Parkvorgangs an die Ladesäule angeschlossen und zum Ende der Ladezeit ausgesteckt werden. Ein Umstecken zwischen parkenden Fahrzeugen erfolgt nicht.

 

Wochenverteilfunktion400

Abbildung 3:  Parkwahrscheinlichkeit für einen Standort

Aus dieser Darstellung kann abgeleitet werden, wann und wie viele Autos mit welcher Wahrscheinlichkeit in einem Rasterelement stehen. Beispielsweise beträgt die Wahrscheinlichkeit für drei gleichzeitig parkende Fahrzeuge am Samstagnachmittag für eine kurze Zeit 20 %. Während der übrigen Zeit parken weniger Fahrzeuge.

Es ist zu beachten, dass die Aussagekraft und die geografische Auflösung mit zunehmender Probandenanzahl ansteigen und präzisere Rückschlüsse erlauben.

Fazit

Eine große Herausforderung für den Aufbau von öffentlicher Ladeinfrastruktur stellt die Auswahl geeigneter Standorte und die Festlegung der Ladepunktanzahl dar. Beide Fragen lassen sich mit ProVED und dieser Erweiterung und einer ausreichenden Datenbasis beantworten. Zudem kann die Rentabilität der Ladesäulen über die abgesetzte Energiemenge pro Ladepunkt abgeschätzt werden und der Ausbau von öffentlicher Ladeinfrastruktur für Elektrofahrzeuge optimiert erfolgen und damit einen wichtigen Beitrag zur Mobilitätswende liefern.

 

 


1) BMW i3, 16.11.2013 (www.press.bmwgroup.com, BMW i3 Market Launch)

Audi A3 Sportback e-tron, 2. Quartal 2014, (www.audi.de, A3 Sportback e-tron)

Mercedes B-Klasse Electric Drive, Ende 2014 (www.daimler.com, B-Klasse Electric Drive)

2) ehemals "eFlott"