⚡ electrical engineering

A MEC-Based Optimization Framework for Dynamic Inductive Charging

Dieser Artikel schlägt einen modellprädiktiven Regelungsrahmen vor, der Edge-Computing nutzt, um die dynamische Zuweisung von Leistung für induktives Laden im Stadtverkehr zu optimieren, und zeigt durch Simulationen auf Istanbul-Basis, dass die Priorisierung von Fahrzeugen mit kritischen Batteriezuständen im Vergleich zu einer unkoordinierten Verteilung sowohl die Ressourcennutzung als auch die Zufriedenheit der Nutzer erheblich verbessert.

Ursprüngliche Autoren: Emre Akıskalıoğlu, Mustafa Atmaca, Lorenzo Ghiro, Giovanni Perin, Renato Lo Cigno

Veröffentlicht 2026-05-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Emre Akıskalıoğlu, Mustafa Atmaca, Lorenzo Ghiro, Giovanni Perin, Renato Lo Cigno

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine belebte Autobahn vor, auf der Elektroautos nicht nur fahren, sondern sich auch während der Fahrt drahtlos „Trinken" aus der Straße selbst. Dies wird als dynamische induktive Ladung (DIC) bezeichnet. Betrachten Sie die Straße als einen riesigen, unsichtbaren Wasserschlauch und die Autos als Tassen, die versuchen, sich zu füllen, während sie die Straße entlangrasen.

Allerdings gibt es einen Haken: Der „Wasserschlauch" (das Stromnetz) hat einen begrenzten Durchfluss. Wenn zu viele Autos gleichzeitig zu trinken versuchen, sinkt der Wasserdruck, und einige Autos erhalten möglicherweise nicht genug, um ihre Reise zu beenden. Dies ist das Problem, das die Autoren zu lösen beabsichtigten.

Hier ist die Aufschlüsselung ihrer Lösung unter Verwendung einfacher Analogien:

Das Problem: Das „Freie-For-All"-Buffet

Derzeit, wenn Sie auf dieser speziellen Straße fahren, nehmen Sie sich einfach Strom, wann immer Sie können.

Das Problem: Wenn ein Auto mit fast leerer Batterie (ein „durstiges" Auto) und ein Auto mit voller Batterie (ein „volles" Auto) nebeneinander fahren, nehmen beide gleichermaßen Strom.
Das Ergebnis: Das durstige Auto könnte trotzdem vor Erreichen seines Ziels leer ausgehen, während das volle Auto Energie verschwendet, die es nicht benötigt. Es ist wie ein Buffet, bei dem jeder gleichzeitig einen Teller nimmt und der hungrigste Mensch nichts bekommt.

Die Lösung: Der „smarte Verkehrspolizist" (MEC & MPC)

Die Autoren schlagen ein neues System vor, das Mobile Edge Computing (MEC) und Model Predictive Control (MPC) verwendet.

Die Analogie: Stellen Sie sich einen superschlauen Verkehrspolizisten vor, der auf einem Hügel (dem „Edge") steht und die gesamte Straße voraus überblicken kann. Dieser Polizist spricht mit jedem Auto über ein Walkie-Talkie (V2X-Kommunikation).
Wie es funktioniert:
1. Anfragen nach Bedarf: Jedes Auto teilt dem Polizisten mit: „Ich habe noch 10 % Batterie und muss auf 80 % kommen" oder „Ich bin bereits bei 90 %, ich brauche nur eine Auffrischung".
2. Vorhersage der Zukunft: Der Polizist schaut nicht nur darauf, wer gerade da ist; er betrachtet, wo die Autos in den nächsten Sekunden sein werden (der „prädiktive" Teil).
3. Die Entscheidung: Der Polizist agiert wie ein fairer Schiedsrichter. Wenn die Energie knapp ist (wie in einer Dürre), sagt der Polizist: „Okay, das Auto mit dem leeren Tank bekommt jetzt den größten Schlauch. Das Auto, das bereits voll ist, bekommt einen winzigen Tropfen oder wartet einen Moment."

Das Experiment: Ein Realwelt-Test

Die Forscher testeten diese Idee auf einem 10-Kilometer-Abschnitt einer Straße in Istanbul, Türkei. Sie verwendeten eine Computersimulation (ein digitaler Zwilling der realen Stadt), um drei verschiedene Verkehrsszenarien zu erstellen:

Nacht (geringer Verkehr): Wenige Autos. Jeder bekommt problemlos genug Strom. Das neue System ändert hier nicht viel.
Mittagessen (mittlerer Verkehr): Autos kommen und gehen. Das alte System beginnt zu kämpfen, aber der neue „smarte Polizist" hält die Dinge im Gleichgewicht.
Rush Hour (hoher Verkehr): Die Straße ist vollgepackt. Hier passiert die Magie.

Die Ergebnisse: Fairness vor Geschwindigkeit

Wenn die Straße voll war und die Energie knapp wurde, war der Unterschied deutlich:

Der alte Weg (kein Polizist): Die Energie wurde gleichmäßig aufgeteilt. Jeder bekam ein wenig, aber die Autos mit leeren Batterien blieben gefährlich niedrig, was das Risiko birgt, dass sie stecken bleiben.
Der neue Weg (smarter Polizist): Das System priorisierte die „durstigen" Autos. Es nahm Energie von den Autos, die bereits voll waren, und gab sie denjenigen, die in Schwierigkeiten waren.
- Das Ergebnis: Weniger Autos blieben mit leeren Batterien stecken. Die „durstigen" Autos waren viel zufriedener, auch wenn die „vollen" Autos etwas weniger bekamen, als sie angefordert hatten.

Warum dies wichtig ist

Die Arbeit argumentiert, dass damit drahtlose Ladestraßen funktionieren, wir nicht nur die Hardware bauen können; wir benötigen das Software-Gehirn, um es zu verwalten. Ohne dieses intelligente Management ist das System ineffizient und unfair. Damit können wir sicherstellen, dass die Autos, die wirklich Energie benötigen, diese zuerst erhalten, was Elektrofahrzeuge zuverlässiger macht und „Reichweitenangst" (die Angst, die Energie zu verlieren) reduziert.

Kurz gesagt: Sie bauten einen digitalen „Verkehrspolizisten", der sicherstellt, dass die hungrigsten Autos zuerst gefüttert werden, wenn das Nahrungsangebot gering ist, und verhindert, dass jemand auf der Straße mit leerem Tank stecken bleibt.

1. Problemstellung

Die weitverbreitete Einführung von batterieelektrischen Fahrzeugen (BEVs) wird durch „Reichweitenangst" und lange Ladezeiten behindert. Dynamisches Induktives Laden (DIC) bietet eine Lösung, indem es eine drahtlose Energieübertragung ermöglicht, während sich Fahrzeuge in Bewegung befinden, was potenziell die Batteriegröße und -kosten reduziert. Die DIC-Infrastruktur steht jedoch vor zwei kritischen Herausforderungen:

Hohe Kosten und Leistungsbeschränkungen: DIC-Systeme sind teuer zu implementieren und müssen unter strengen Leistungsbudgets betrieben werden.
Unkoordinierte Ressourcenallokation: Die aktuelle Literatur konzentriert sich auf die Leistung einzelner Fahrzeuge oder die Infrastrukturplanung. Es fehlen systemweite Strategien zur Zuweisung begrenzter Leistung an mehrere Fahrzeuge mit heterogenen Bedürfnissen.
Das Kernproblem: Ohne intelligente Koordination führt unkoordiniertes Laden zu einer suboptimalen Ressourcennutzung (wenn die Nachfrage hoch ist, aber Leistung verfügbar ist) und zu kritischer Unzufriedenheit der Nutzer (wenn die Nachfrage die Kapazität übersteigt und Fahrzeuge mit entladenen Batterien zurücklässt, die ihre Fahrten nicht beenden können).

2. Methodik

Die Autoren schlagen ein Modellprädiktives Regelungs (MPC)-Framework vor, das in Mobile Edge Computing (MEC) und Vehicle-to-Everything (V2X)-Kommunikation integriert ist, um die Leistungszuweisung dynamisch zu optimieren.

A. Systemarchitektur

Szenario: Ein realistisches 10 km langes städtisches Straßensegment in Istanbul, Türkei, modelliert im SUMO-Verkehrssimulator. Die Straße verfügt über 10 DIC-„Streifen" (Segmente mit eingebetteten Spulen) über zwei Fahrspuren.
Kommunikation: Fahrzeuge übertragen den Batterieladezustand (State of Charge - SoC), die Kapazität, den gewünschten Ladezustand beim Verlassen und Routendaten an eine ITS-PM (Intelligent Transportation System Power Management)-Einheit, die auf einem MEC-Server gehostet wird. Der Server berechnet optimale Leistungszuweisungen und sendet diese an die Fahrzeuge zurück.
Regelkreis: Das System arbeitet in diskreten Zeitschritten ( $\Delta T = 5$ Sekunden) über einen Prädiktionshorizont ( $K$ Schritte).

B. Optimierungsformulierung

Der Kern der Methodik ist ein konvexes quadratisches Programm (QP), das in jedem Zeitschritt gelöst wird, um eine Kostenfunktion ( $J_t$ ) unter Berücksichtigung physikalischer und betrieblicher Nebenbedingungen zu minimieren.

Entscheidungsvariablen:
- $P_{v,k}$ : Dem Fahrzeug $v$ zugewiesene Leistung.
- $P_{s,k}$ : Dem Streifen $s$ zugewiesene Leistung.
- $b_{v,k}$ : Vorhergesagter Batterieladezustand (SoC).
Nebenbedingungen:
- Batteriedynamik: Entwicklung des SoC basierend auf Verbrauch und Ladeeffizienz.
- Leistungsbeschränkungen: Grenzen basierend auf der Spulenkapazität, den Fahrzeugpad-Limits und dem gesamten Systembudget ( $P_{tot}$ ).
- Streifenbeschränkungen: Die Leistung muss auf die Streifen verteilt werden, wobei eine dynamische Neuverteilung (bis zu einem Faktor $\rho$ ) zwischen benachbarten Streifen möglich ist.
Zielfunktion ( $J_t$ ):
Die Funktion minimiert drei Komponenten:
1. Batterie-Tracking-Fehler: Minimiert die quadrierte Differenz zwischen dem vorhergesagten SoC und dem gewünschten Ziel-SoC ( $b^{des}_v$ ).
2. Dringlichkeitsgewichtung: Priorisiert Fahrzeuge mit einer großen Lücke zwischen aktuellem und gewünschtem SoC sowie solche mit kurzer verbleibender Reisezeit ( $\tau_v$ ).
3. Erlös und Effizienz: Enthält Terme für den Betreibererlös (Energiepreis) und die Minimierung der Lücke zwischen zugewiesener Streifenleistung und tatsächlicher Fahrzeugabsorption, um die Auslastung zu maximieren.

3. Hauptbeiträge

MPC-basierter Leistungszuweisungsalgorithmus: Ein neuartiger Algorithmus, der individuell die Dringlichkeit der Fahrzeuge, vorhergesagte Trajektorien und systemweite Kapazitätsbeschränkungen dynamisch ausgleicht, um Fairness und Effizienz zu maximieren.
Protokollentwurf für die Kommunikation: Ein definiertes Protokoll zum Austausch minimaler, aber kritischer Daten (Batteriestände, Routen, Leistungszuweisungen) zwischen Fahrzeugen und der Infrastruktur unter Verwendung bestehender V2X-Standards (ETSI ITS-G5), erweitert um spezifische Nachrichten zum Leistungsmanagement.
Open-Source-Simulationsframework: Die Autoren haben ein SUMO-basiertes Simulationstool veröffentlicht, das realistische DIC-Beschränkungen (Streifen-Topologie, Leistungsbudgets, Verkehrsvariabilität) modelliert, um reproduzierbare Forschung in diesem Bereich zu ermöglichen.

4. Ergebnisse

Das Framework wurde gegen eine Benchmark (BENCH)-Strategie (statische, unkoordinierte Zuweisung) unter drei Verkehrsintensitäten bewertet: Niedrig ( $\lambda=5$ ), Mittel ( $\lambda=12$ ) und Hoch ( $\lambda=20$ Fahrzeuge/Min).

Niedriger Verkehr (Überfluss an Ressourcen): Sowohl die BENCH- als auch die OPT-Strategie zeigten ähnliche Leistungen und erfüllten alle Fahrzeuganfragen. Koordination bot hier nur marginale Vorteile.
Mittlerer Verkehr (Oszillierende Nachfrage):
- BENCH: Hatte bei Spitzenlasten Schwierigkeiten und konnte die verfügbare Leistungskapazität aufgrund statischer Zuweisung nicht vollständig nutzen.
- OPT: Erzielte eine nahezu perfekte Ressourcennutzung durch dynamische Neuverteilung der Leistung zwischen den Streifen basierend auf der Echtzeitnachfrage.
Hoher Verkehr (Ressourcenknappheit):
- Ressourcennutzung: Beide Strategien sättigten das gesamte Leistungsbudget.
- Nutzerzufriedenheit ( $\phi_v$ ): Dies war der entscheidende Unterschied.
  - BENCH: Führt zu einem „schweren Schwanz" kritisch unzufriedener Fahrzeuge. Die gleichmäßige Verteilung bedeutete, dass viele Fahrzeuge mit unzureichendem Ladezustand die Strecke verließen, was Reichweitenangst oder Notstopps riskierte.
  - OPT: Implementierte eine Fairness-first-Politik. Es priorisierte aggressiv Fahrzeuge mit entladenen Batterien (Vehicles Under Test - VUTs) auf Kosten gut geladener Fahrzeuge.
  - Ergebnis: Die Kumulative Verteilungsfunktion (CDF) zeigte, dass OPT die Anzahl kritisch unzufriedener Fahrzeuge signifikant reduzierte (Verbesserung des unteren Endes der Verteilung) und sicherstellte, dass die dringendsten Bedürfnisse erfüllt wurden, auch wenn dies bedeutete, dass weniger kritische Fahrzeuge etwas weniger als ihre maximal mögliche Ladung erhielten.

5. Bedeutung und zukünftige Arbeiten

Systemweite Lebensfähigkeit: Dies ist die erste Arbeit, die DIC-Systeme auf Ebene des Verkehrsflusses analysiert und beweist, dass intelligentes Leistungsmanagement für die wirtschaftliche und betriebliche Lebensfähigkeit unerlässlich ist.
Wirtschaftliche Auswirkungen: Durch die Maximierung der Nutzerzufriedenheit während Spitzenlasten und die Ermöglichung dynamischer Preisgestaltung unterstützt das Framework die wirtschaftliche Nachhaltigkeit der DIC-Infrastruktur.
Potenzial zur Batteriereduzierung: Effizientes DIC könnte kleinere, günstigere Fahrzeugbatterien ermöglichen und die BEV-Einführung weiter beschleunigen.
Zukünftige Richtungen: Die Autoren schlagen zukünftige Forschung vor, um Strategien in verschiedenen Umgebungen (Autobahn vs. Stadt) zu vergleichen, Kommunikationsprotokolle für 5G/6G zu optimieren und die Auswirkungen auf die Anforderungen an die Batterieherstellung zu untersuchen.

Fazit: Das Paper zeigt, dass DIC-Systeme ohne ein intelligentes, MEC-basiertes Optimierungsframework den Nutzerbedürfnissen während der Spitzenlast nicht gerecht werden können. Der vorgeschlagene MPC-Ansatz verwandelt eine begrenzte Ressource erfolgreich in ein faires, effizientes und nutzerzentriertes Ladenetzwerk.