⚡ electrical engineering

Electric Vehicle Charging Profile Forecasting Using Hybrid Models

Dieser Beitrag schlägt eine hybride und leichte Methode vor, um individuelle Ladeprofile von Elektrofahrzeugen sowohl auf Einzel- als auch auf aggregierter Ebene vorherzusagen, und bewertet deren Wirksamkeit unter unterschiedlichen Informationsverfügbarkeiten, um eine batteriebewusste Fahrplangestaltung und eine Schätzung der Abfahrtszeiten zu verbessern.

Ursprüngliche Autoren: Riccardo Ramaschi, Mario Paolone, Sonia Leva

Veröffentlicht 2026-05-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Riccardo Ramaschi, Mario Paolone, Sonia Leva

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 vor, Sie sind der Manager eines belebten Rastplatzes an einer Autobahn, doch statt Tankstellen verfügen Sie über Schnellladestationen für Elektrofahrzeuge (EV). Ihre größte Herausforderung besteht darin, genau zu wissen, wie viel Strom jedes Fahrzeug benötigt und wie lange es dauert, bis es voll ist. Wenn Sie falsch liegen, könnte Ihnen für alle anderen die Energie ausgehen, oder Sie lassen ein Fahrzeug länger als nötig dort stehen.

Diese Arbeit stellt ein System vor, das als „intelligenter Schätzer" fungiert und entwickelt wurde, um exakt vorherzusagen, wie sich ein Elektrofahrzeug lädt – sowohl bevor es angesteckt wird als auch während es lädt. Die Autoren, Forscher aus Italien und der Schweiz, entwickelten ein hybrides Werkzeug, das zwei verschiedene Denkweisen kombiniert, um diese Vorhersagen zu treffen.

Hier ist die Funktionsweise ihres Systems, erklärt durch einfache Analogien:

1. Das Zwei-Schritte-Vorhersagespiel

Das System arbeitet in zwei distincten Phasen, wie ein Detektiv, der einen Fall löst, bevor und nachdem er einen Verdächtigen trifft.

Phase A: Die „unverbundene" Schätzung (Bevor das Fahrzeug eintrifft)
Bevor ein Fahrzeug überhaupt angesteckt wird, muss das System eine „blinde" Schätzung abgeben. Es kennt weder die Batteriekapazität des Fahrzeugs noch den genauen verbleibenden Ladestand.

Die Analogie: Stellen Sie sich vor, Sie versuchen zu erraten, wie lange es dauert, einen Eimer mit einem Schlauch zu füllen, aber Sie kennen weder die Größe des Eimers noch, wie voll er bereits ist.
Das Werkzeug: Die Forscher verwenden einen „Random Forest" (eine Art Computerhirn, das aus vergangenen Daten lernt), um die Laderate basierend auf der Batteriekapazität und der Außentemperatur zu schätzen.
Die Wendung: Da sie oft die genaue Batteriekapazität nicht kennen, verwenden sie ein „Gaussian Mixture Model" (ein statistisches Werkzeug, das ähnliche Dinge gruppiert), um die wahrscheinlichste Batteriekapazität basierend auf der Tageszeit und historischen Mustern zu schätzen.

Phase B: Die „verbundene" Verfeinerung (Nachdem das Fahrzeug angesteckt wurde)
Sobald das Fahrzeug angesteckt ist, erhält das System Echtzeitdaten. Es sieht den tatsächlichen Stromfluss und den steigenden Batteriestand.

Die Analogie: Jetzt, wo Sie den tatsächlichen Eimer und den fließenden Wasser sehen, können Sie aufhören zu raten und anfangen zu messen. Sie vergleichen den aktuellen Fluss mit Tausenden anderer Eimer, die Sie zuvor gesehen haben, um zu sehen, welcher am ähnlichsten aussieht.
Das Werkzeug: Das System verwendet eine einfache „Euklidische Distanz"-Methode. Es betrachtet das aktuelle Verhalten des Fahrzeugs und findet das „nächste Match" in seiner Historie vergangener Ladesitzungen. Anschließend aktualisiert es seine Vorhersage jede Minute, um der Wahrheit näher zu kommen.

2. Das „Zeitreise"-Problem

Die Arbeit hebt ein kniffliges Problem hervor, das als „Zeittransposition" bezeichnet wird.

Das Problem: Das System ist hervorragend darin vorherzusagen, wie viel Leistung ein Fahrzeug bei einem bestimmten Batteriestand benötigt (z. B. „Bei 50 % Batterieladung benötigt das Fahrzeug 100 kW"). Doch die Ladestation muss wissen, wann dies passieren wird (z. B. „Es wird in 15 Minuten 50 % erreichen").
Die Metapher: Die Geschwindigkeit eines Autos zu kennen ist einfach; genau zu wissen, wann es die nächste Ausfahrt erreichen wird, ist schwieriger, besonders wenn man nicht weiß, mit wie viel Kraftstoff es gestartet ist oder wie groß sein Tank ist.
Die Studie: Die Autoren testeten, was passiert, wenn sie diese Informationen falsch einschätzen. Sie simulierten acht verschiedene Szenarien, die von „Wir wissen alles perfekt" bis „Wir wissen absolut nichts" reichten.

3. Was sie fanden (Die Ergebnisse)

Die Forscher testeten ihr System mit echten Daten aus einem öffentlichen Datensatz in der Schweiz (1.878 Ladesitzungen). Hier ist, was sie entdeckten:

Das „verbundene" Update ist kraftvoll: Das System wird deutlich besser, während das Fahrzeug lädt. Bis zur 10. Minute des Ladens sank der Vorhersagefehler erheblich (von etwa 40 % Abweichung auf nur noch 16 %). Allerdings hörte die Genauigkeit nach etwa 10 Aktualisierungen auf, sich zu verbessern, und wurde manchmal sogar leicht schlechter, was darauf hindeutet, dass es einen „Sweet Spot" gibt, wann man aufhören sollte, die Schätzung zu verfeinern.
Die Batteriekapazität ist König: Wenn es darum geht, die Gesamtzeit und die Gesamtenergie vorherzusagen, die benötigt werden, ist die Kenntnis der Batteriekapazität der kritischste Faktor. Wenn Sie die Batteriekapazität falsch schätzen, ist Ihr gesamter Zeitplan falsch.
Der Ladestand (SoC) beeinflusst die Streuung: Zu wissen, wie voll die Batterie ist, wenn das Fahrzeug eintrifft (SoC), hilft, die Vorhersage zu straffen und die „Streuung" möglicher Ergebnisse zu verringern. Allerdings half das Schätzen des Abfahrts-SoC (wie voll der Fahrer es haben möchte) nicht immer so sehr wie erwartet, wahrscheinlich weil das Modell eine leichte Verzerrung bei der Schätzung dieser Zahl hatte.
Das „Keine Informationen"-Szenario: Selbst wenn das System alles raten musste (Batteriekapazität, Ankunftsstand und Abfahrtsstand), war es immer noch besser als gar keine Daten zu haben, obwohl die Fehler viel größer waren.

Zusammenfassung

Kurz gesagt führt diese Arbeit ein leichtgewichtiges, zweiteiliges System zur Vorhersage des Ladens von Elektrofahrzeugen ein. Es beginnt mit einer statistischen „besten Schätzung" basierend auf Historie und Wetter und wechselt dann in einen „Echtzeit-Matching"-Modus, sobald das Fahrzeug angesteckt ist.

Die wichtigste Erkenntnis ist, dass die Genauigkeit des endgültigen Zeitplans zwar gut funktioniert, aber stark davon abhängt, die Batteriekapazität zu kennen. Wenn man diese falsch einschätzt, ist der gesamte Zeitplan verzerrt. Wenn man die Batteriekapazität richtig einschätzt, kann das System seinen Zeitplan sehr schnell verfeinern, sobald das Fahrzeug zu laden beginnt. Die Autoren kommen zu dem Schluss, dass diese Methode ein vielversprechender, effizienter Weg ist, um Stromnetzen zu helfen, die wachsende Zahl an Elektrofahrzeugen zu bewältigen, ohne massive, komplexe Computersysteme zu benötigen.

Technische Zusammenfassung: Prognose von Ladeprofilen für Elektrofahrzeuge mittels hybrider Modelle

Problemstellung
Die rasche Ausweitung der Elektromobilität (EV) und der Schnellladestationen (FCS) erfordert eine präzise Prognose der Stromnachfrage. Während die Literatur die Prognose aggregierter Nachfrage umfassend behandelt, bleibt die Vorhersage individueller EV-Ladeprofile weitgehend unerforscht. Präzise individuelle Profile sind entscheidend für eine batteriekonforme Terminplanung, granulare Aktualisierungen von Prognosen auf Stationsebene und die Schätzung von Abfahrtszeiten. Bestehende Ansätze stoßen jedoch auf Herausforderungen wie das Fehlen granularer öffentlicher Datensätze, die Abhängigkeit von proprietären Batteriemanagementsystemen (BMS) sowie den hohen Rechenbedarf von Deep-Learning-Modellen. Darüber hinaus besteht eine signifikante Lücke bei der „Zeittransposition" – der Umwandlung eines Leistungs-gegen-Zustands der Ladung (SoC)-Profils in eine Leistungs-gegen-Zeit-Kurve. Diese Transformation erfordert Informationen (Ankunfts-/Abfahrt-SoC, Abfahrtszeit, Batteriekapazität), die vor dem Anschluss oft unbekannt oder geschätzt sind, was die Prognosegenauigkeit potenziell gefährden kann.

Methodik
Die Autoren stellen ein hybrides, leichtgewichtiges Prognosewerkzeug vor, das aus zwei distincten Instanzen besteht, um Ladeprofile vor und während des Ladevorgangs zu schätzen. Das Modell nutzt einen öffentlichen Datensatz mit 1.878 Ladevorgängen an Level-3 (L3) FCS der École Polytechnique Fédérale de Lausanne (DESL), ergänzt um Umgebungsdatentemperaturen.

Schätzung vor dem Anschluss (Unconnected Estimation):
- Ziel: Generierung einer ersten Schätzung des Ladeprofils (Leistung vs. SoC) vor dem Anschluss des EV.
- Merkmale: Das Modell verwendet die Batteriekapazität ( $C$ ) und die Umgebungstemperatur bei Ankunft ( $T_{ta}$ ).
- Kapazitätsschätzung: Da die tatsächliche Kapazität oft unbekannt sein kann, wird ein univariates Gaußsches Mischmodell (GMM) mit K-Fold-Cross-Validation (CV) eingesetzt, um $C$ basierend auf historischen Verteilungen zu schätzen.
- Profilvorhersage: Ein Random-Forest-(RF)-Regressor sagt das vollständige Ladeprofil ( $CP_{ta}$ ) voraus, das SoC auf Leistung abbildet. Die Trainingsdaten werden durch SoC-basierte Interpolation historischer Sitzungen konstruiert und durch konstante Extrapolation erweitert, um eine Darstellung fester Länge zu gewährleisten.
- SoC-/Zeitprognose: Zur Handhabung der Zeittransposition sagen GMM-basierte Modelle (optimiert nach Tagesstunde) den Ankunfts- und Abfahrt-SoC ( $SoC_{ta}$ , $SoC_{td}$ ) voraus.
Schätzung nach dem Anschluss (Connected Estimation):
- Ziel: Kontinuierliche Verfeinerung des Profils während der Ladesitzung mittels eines Rolling-Horizon-Rahmens.
- Methode: Ein leichtgewichtiger statistischer Ansatz auf Basis euklidischer Abstände wird verwendet. Zu jedem Zeitpunkt $t_i$ konstruiert das Modell einen Eingabevektor, der die Batteriekapazität und die realisierte Leistungshistorie bis $t_i$ enthält. Dieser wird gegen eine Matrix historischer Realisierungen verglichen, um die beste Übereinstimmung ( $j^*$ ) zu finden, und die Prognose wird unter Verwendung des entsprechenden historischen Profilsegments aktualisiert.
Zeittransposition:
- Das Modell wandelt das SoC-basierte Profil unter Verwendung eines einfachen EV-Surrogatmodells in eine zeitbasierte Kurve um. Dieser Prozess wird unter variierenden Informationsverfügbarkeitsniveaus (bekannt vs. geschätzte $C$ , $SoC_{ta}$ und $SoC_{td}$ ) evaluiert.

Hauptbeiträge

Hybrides Prognosewerkzeug: Die Arbeit beschreibt ein umfassendes Werkzeug, das einen überwachten Lernansatz (RF) für die initiale Profilschätzung mit einer statistischen, abstandsbasierten Methode zur Echtzeit-Verfeinerung kombiniert.
Quantifizierung der Genauigkeit: Die Studie quantifiziert die Prognosegenauigkeit des Modells und zeigt Verbesserungen durch sequenzielle Aktualisierungen auf.
Analyse des Informationsimpacts: Die Autoren führen eine ablationsähnliche Analyse durch, um den spezifischen Einfluss der Informationsverfügbarkeit (Kapazität, Ankunfts-SoC, Abfahrts-SoC) auf die Zeittransposition des Ladeprofils zu identifizieren.

Ergebnisse

Prognoseleistung: Die sequenzielle Verfeinerung verbessert die Genauigkeit erheblich. Der mediane, umhüllengewichtete mittlere absolute Fehler (Envelope-weighted Mean Absolute Error, EMAE) für die unverbundene Prognose (mit geschätzter Kapazität) beträgt etwa 40 %. Nach den verbundenen Aktualisierungen sinkt der mediane EMAE bis zur 10. Iteration auf etwa 16 %. Jenseits von 10 Iterationen stabilisiert sich der Fehler oder steigt leicht an, was auf einen optimalen Stoppzeitpunkt für die Verfeinerung hindeutet.
Kapazitätsschätzung: Der GMM-basierte Kapazitätsschätzer repliziert erfolgreich die Verteilung realer Batteriekapazitäten, obwohl der Fehlerbereich breit sein kann und sich auf die initialen Prognosen auswirkt.
Szenarien der Zeittransposition: Acht Szenarien wurden hinsichtlich der Verfügbarkeit von $C$ $C$ , $SoC_{ta}$ $S o C_{t a}$ und $SoC_{td}$ $S o C_{t d}$ getestet.
- Kapazität ( $C$ ): Fehler in der Kapazitätsschätzung führen zu systematischen Skalierungsfehlern in der Leistungskurve und beeinflussen die Verzerrung (Bias) von Ladezeit- und Energiemaßzahlen erheblich. Die Kenntnis von $C$ verschiebt die Verteilung hin zu Symmetrie.
- SoC-Informationen: Fehler bei $SoC_{ta}$ und $SoC_{td}$ beeinflussen primär die zeitliche Ausrichtung (Dispersion) der Leistungskurve und weniger die Skalierung.
- Kombinierter Impact: Wenn alle Variablen bekannt sind, sinkt der mediane EMAE für das zeittransponierte Profil auf etwa 45 %. Die Studie stellt fest, dass sich Fehler kumulieren, wobei die Kapazität der dominierende Faktor für die Verzerrung ist, während SoC-Informationen hauptsächlich die Streuung der Fehlerverteilung beeinflussen.
- Bias-Beobachtung: Das Modell zeigt in den meisten Szenarien eine Tendenz zur Unterschätzung der Ladezeit (positiver Zeitfehler).

Bedeutung und Behauptungen
Die Arbeit beansprucht, eine Lücke in der Literatur bezüglich der Prognose individueller EV-Ladeprofile und, entscheidend, der Analyse der Zeittransposition unter unsicheren Informationsbedingungen zu schließen. Die Autoren behaupten, dass ihre hybride Methode eine rechnerisch effiziente Lösung bietet, die für Rolling-Horizon-Anwendungen geeignet ist und die hohen Rechenkosten von Deep-Learning-Architekturen vermeidet, die häufiges Neutrainieren erfordern.

Die Studie hebt hervor, dass die Prognose individueller Profile zwar wenig erforscht ist, aber greifbare Vorteile für das Netzmanagement und die batteriekonforme Terminplanung bietet. Die Autoren weisen jedoch bescheiden darauf hin, dass die Vorteile einer derartigen granulareren Prognose durch das variable Ausmaß verfügbarer Informationen gefährdet sein können. Die Ergebnisse deuten darauf hin, dass genaue Kenntnisse der Batteriekapazität von größter Bedeutung zur Reduzierung systematischer Verzerrungen sind, während SoC-Informationen entscheidend für die Verringerung der Streuung in Zeit- und Energieschätzungen sind. Geplante zukünftige Arbeiten umfassen die Integration größerer Datenbanken und den Benchmark des Modells gegen andere State-of-the-Art-Baselines.

1. Das Zwei-Schritte-Vorhersagespiel

2. Das „Zeitreise"-Problem

3. Was sie fanden (Die Ergebnisse)

Zusammenfassung

Mehr davon