Nachhaltige EV‑Einführung mit Clusterbildung und prädiktiver Modellierung für optimale Ladeinfrastruktur in den West Midlands und im Nordosten des Vereinigten Königreichs

Warum intelligenteres Laden für Alltagspendler wichtig ist

Der Wechsel von Benzin- zu Elektroautos verspricht sauberere Luft und niedrigere Betriebskosten – aber nur, wenn Fahrerinnen und Fahrer bequeme, verlässliche Orte zum Aufladen finden. Diese Studie untersucht, wie tatsächliche Besitzerinnen und Besitzer von Elektrofahrzeugen (EV) in zwei englischen Regionen ihre Autos nutzen und laden, und setzt dann fortgeschrittene Datenwerkzeuge ein, um bessere Lade­netze zu entwerfen. Indem sie verstehen, wer EV fährt, wie geladen wird und worauf Nutzerinnen und Nutzer am stärksten Wert legen, zeigt die Arbeit, wie Städte und Regionen Ladepunkte so ausrollen können, dass es für normale Fahrerinnen und Fahrer nahtlos wirkt – statt frustrierend oder riskant.

Zwei Regionen, viele unterschiedliche EV‑Geschichten

Die Forschenden konzentrierten sich auf 256 EV‑Besitzerinnen und ‑Besitzer aus dem Nordosten und den West Midlands, zwei britische Regionen mit unterschiedlichen Einkommen, Siedlungsstrukturen und Verkehrsnetzen. Die meisten Befragten waren erwerbstätige Erwachsene, häufig mit höherer Bildung und überdurchschnittlichem Einkommen, wobei die Stichprobe aus den West Midlands deutlich mehr Haushalte mit hohem Einkommen umfasste. In beiden Regionen besaßen die Menschen überwiegend vollelektrische Autos statt Plug‑in‑Hybride, und die meisten fuhren erst seit wenigen Jahren elektrisch – ein Abbild des jüngsten Verkaufsanstiegs. Warum sie umstiegen, unterschied sich jedoch nach Region: Im Nordosten war vor allem die Kostenersparnis der Hauptgrund für den Kauf eines EV, während in den West Midlands Umweltaspekte eine stärkere Rolle spielten, obwohl Geld ebenfalls wichtig blieb. Diese Unterschiede deuten darauf hin, dass „One‑size‑fits‑all“-Politiken die Motivationen unterschiedlicher Gemeinschaften verfehlen könnten.

Wie Menschen tatsächlich laden und reisen

Das alltägliche Ladeverhalten erwies sich als überraschend strukturiert. Die meisten Fahrerinnen und Fahrer in beiden Regionen luden ihr Fahrzeug ein- oder zweimal pro Woche und legten relativ kurze tägliche Distanzen zurück, oft zwischen 10 und 30 Kilometern. Lange tägliche Fahrten über 100 Kilometer waren selten. Wenn geladen werden musste, bevorzugten 85 % Schnelllader mit Gleichstrom, besonders bei niedrigem Batteriestand. Die Bereitschaft, für einen Ladevorgang weiter zu fahren, war begrenzt: Die meisten waren bereit, bis zu 3 Kilometer zu fahren, nur sehr wenige gingen über 9 Kilometer hinaus. Wartezeit war ein zentrales Ärgernis. Viele wollten weniger als 20 Minuten warten, bis ein Ladepunkt frei wurde; nur eine kleine Minderheit akzeptierte längere Warteschlangen. Geladen wurde typischerweise am Abend oder über Nacht, wenn Strom günstiger ist und die Straßen ruhiger, und Sitzungen dauerten oft drei bis sechs Stunden – ein Hinweis auf geplantes, routinemäßiges Laden statt spontaner Notladungen.

Nutzer gruppieren und Vorhersagen, was sie brauchen werden

Um über einfache Mittelwerte hinauszugehen, entwickelten die Autorinnen und Autoren eine integrierte Plattform, die sie ISE‑CAP nennen. Zunächst nutzten sie Clustering‑Techniken, um Fahrerinnen und Fahrer in jeder Region anhand von Ladehäufigkeit, Fahrweiten und Bereitschaft zu Wartezeiten oder Umwegen in drei grobe Gruppen einzuteilen. Einige Cluster repräsentierten starke Nutzer mit längeren Fahrten, die stärker auf öffentliches Laden angewiesen sind; andere bestanden überwiegend aus Haushalten, die zu Hause laden und kürzere, vorhersehbare Fahrten haben. Anschließend trainierte das Team Computermodelle, um Ladeverhalten vorherzusagen – etwa wie lange eine Ladesitzung dauern würde – unter Verwendung von Informationen zu Fahrmustern, Einkommen, Bildung und Ladepräferenzen. Diese Modelle waren innerhalb der Studienstichprobe sehr genau, insbesondere im kompakteren Nordosten, wo das Verhalten homogener und das Ladenetz konzentrierter war.

Was Ladepunkt‑Entscheidungen wirklich beeinflusst

Die Forschenden fragten dann: Welche Faktoren beeinflussen Menschen tatsächlich bei der Wahl eines Ladepunkts? Mit einem erklärbaren Modellierungsansatz identifizierten sie drei Merkmale, die in beiden Regionen hervorstachen: wie lange das Laden dauern würde, ob ein Ladepunkt in Echtzeit verfügbar war, und wie viel es kosten würde. Auch die Entfernung zum Ladepunkt spielte eine Rolle, doch besonders sensibel reagierten Menschen darauf, anzukommen und alle Steckdosen belegt vorzufinden. Viele Fahrerinnen und Fahrer nutzten Apps oder Fahrzeugsysteme, um freie Ladepunkte zu sehen, und eine Wort‑Cloud‑Analyse offener Kommentare hob wiederkehrende Forderungen nach „mehr Stationen“, besserer Wartung und höherer Zuverlässigkeit hervor. Kurz gesagt: Nutzerinnen und Nutzer wünschen sich schnelle, nahe Ladepunkte, denen sie vertrauen können, dass sie bei Ankunft funktionieren – zu Preisen, die fair erscheinen.

Von Daten zu besseren Ladeplänen

Schließlich wurde die ISE‑CAP‑Plattform in Computersimulationen eingesetzt, um zu testen, wo neue Ladepunkte installiert werden sollten. Die Modelle bezogen prognostizierte Nachfrage, die notwendige Fahrstrecke zum Ladepunkt und die Auswirkungen zusätzlicher Ladeleistung auf das Stromnetz mit ein. Über zahlreiche Simulationsläufe identifizierte das System Anordnungen, die die durchschnittliche Fahrstrecke zu Ladepunkten reduzierten und gleichzeitig die Netzbelastung unter Kontrolle hielten. Obwohl diese Optimierungsergebnisse noch nicht in der Praxis erprobt sind, zeigen sie, wie Umfrageeinsichten, prädiktive Modelle und Trial‑and‑Error‑Simulationen kombiniert werden können, um eine intelligentere Infrastrukturplanung zu ermöglichen, die auf die Muster jeder Region zugeschnitten ist statt auf nationale Durchschnitte.

Was das für die Zukunft des EV‑Fahrens bedeutet

Für Nichtfachleute lautet die Kernbotschaft: Der Erfolg von Elektrofahrzeugen hängt nicht nur davon ab, mehr Steckdosen zu bauen, sondern die richtigen Ladegeräte an den richtigen Orten für die Menschen zu platzieren, die sie tatsächlich nutzen werden. Die Studie zeigt, dass die meisten aktuellen EV‑Fahrer schnelle, nahe, verlässliche Ladepunkte und klare Informationen über deren Verfügbarkeit wünschen und dass diese Präferenzen zwischen Regionen mit unterschiedlichen Einkommen und Siedlungsstrukturen subtil variieren. Durch das Gruppieren von Nutzerinnen und Nutzern nach Verhaltensmustern, das Vorhersagen von Nachfrage und das Erklären der wichtigsten Einflussfaktoren bietet das ISE‑CAP‑Framework einen praxisnahen Weg für Kommunen, Versorger und Planende, Lade­netze zu entwerfen, die bequem und gerecht wirken. Werden solche datengetriebenen Planungen mit größeren Datensätzen skaliert und verfeinert, könnten sie das EV‑Besitzen reibungsloser, günstiger und attraktiver für viele weitere Fahrerinnen und Fahrer machen und damit den Übergang zu saubererem Verkehr beschleunigen.

Zitation: Cavus, M., Wang, S., Deb, S. et al. Sustainable EV adoption with clustering and predictive modelling for optimal charging infrastructure in the West Midlands and North East UK. Sci Rep 16, 14457 (2026). https://doi.org/10.1038/s41598-026-43106-6

Schlüsselwörter: Elektrofahrzeuge, Ladeinfrastruktur, intelligente Städte, Nutzerverhalten, maschinelles Lernen