Zeitliche Vorhersage der Ladebelastung von Elektrofahrzeugen mit einem IVY-VMD-TCN-BiLSTM-Modell und zonenübergreifender Bewertung

Warum Ladeprofile von Elektroautos wichtig sind

Mit der zunehmenden Verbreitung von Elektrofahrzeugen in Städten können deren Ladevorgänge lokale Stromnetze plötzlich und schwer vorhersehbar belasten. Zu wissen, wann und wo Fahrende einstecken werden, ist entscheidend, um die Stromversorgung sicherzustellen, teure Netzaufrüstungen zu vermeiden und Nutzenden bequeme Lademöglichkeiten zu bieten. Diese Studie stellt einen neuen Ansatz zur kurzfristigen Vorhersage der Ladeanforderung in einer Großstadt vor, mit dem Versorgungsunternehmen deutlich genauer planen können.

Von einfachen Annahmen zu datenreichen Prognosen

Ältere Prognosemethoden versuchten oft, Fahr- und Ladeverhalten mit vereinfachten Regeln oder Wahrscheinlichkeitsmodellen abzubilden. Solche Ansätze stoßen in modernen Städten an ihre Grenzen, in denen Ladestationen ungleich verteilt sind und sich das Verhalten mit Verkehr, Wetter und Preisen ändert. Die Autorinnen und Autoren setzen stattdessen auf datengetriebene Werkzeuge, die Muster direkt aus großen Datensätzen lernen. Sie verwenden echte Ladedaten aus 275 Zonen in Shenzhen, China, zusammen mit Informationen wie Temperatur, Luftfeuchtigkeit, Auslastung der Stationen und Preisen, um ein flexibleres Vorhersagesystem zu entwickeln, das sich an komplexe urbane Bedingungen anpassen kann.

Ein lautes Signal in klarere Bestandteile zerlegen

Die Ladeanforderung von Elektrofahrzeugen schwankt stark durch Arbeitszeiten, Wochenenden, Feiertage und Witterung, was Vorhersagen erschwert. Um dem zu begegnen, bereinigt und formt die Studie die Lastdaten zunächst mit einem fortgeschrittenen Signalverarbeitungsverfahren um. Die Methode, Variational Mode Decomposition genannt, zerlegt die rohe Ladekurve in mehrere einfachere Komponenten, die jeweils einen bestimmten Rhythmus oder ein Muster erfassen. Ein von der Natur inspiriertes Suchverfahren, modelliert nach dem Wuchs von Efeu in Richtung Licht, wählt automatisch aus, wie viele Komponenten extrahiert und wie lange sie verfeinert werden sollen. Das reduziert Annahmen, filtert Rauschen und hebt die im Datensatz verborgenen Regelmäßigkeiten hervor.

Zwei zeitbewusste Netze zusammenwirken lassen

Sobald das Ladesignal in glattere Teile zerlegt ist, wird jede Komponente einem Prognagemodul zugeführt, das zwei Arten neuronaler Netze kombiniert. Das erste, ein Temporal Convolutional Network, erkennt Kurz- und Mittelfristtrends, indem es kleine Filter entlang der Zeitachse verschiebt. Das zweite, ein bidirektionales Long Short-Term Memory-Netzwerk, blickt sowohl vorwärts als auch rückwärts in der Zeit, um zu verstehen, wie vergangene und erwartete Muster zusammenhängen. Derselbe efeu-inspirierte Optimierer passt die wichtigsten Einstellungen dieses kombinierten Modells an, etwa die Anzahl der Filter und die Stärke der Regularisierung gegen Überanpassung, sodass es komplexe Muster lernen kann, ohne instabil zu werden.

Wie gut die Methode in der realen Stadt funktioniert

Zur Bewertung trainieren und vergleichen die Autorinnen und Autoren mehrere Versionen ihres Modells mit sechs Monaten stündlicher Daten. Sie zeigen, dass die vollständige Pipeline mit Zerlegungsschritt und dem optimierten Doppelnetz die zukünftigen Ladebelastungen deutlich genauer vorhersagt als einfachere Modelle oder solche, die mit anderen gängigen Suchverfahren abgestimmt wurden. Die Vorhersagefehler sinken auf etwa die Hälfte der Werte einfacher neuronaler Netze, und das Modell erfasst scharfe Spitzen und Täler wesentlich besser. Die Forschenden prüfen außerdem die Leistung in verschiedenen Stadtvierteln, etwa überwiegend Wohngebieten und stark frequentierten Geschäftsbereichen, die sehr unterschiedliche Ladezyklen aufweisen.

Was das für Netze und Nutzende bedeutet

Die Studie kommt zu dem Ergebnis, dass die neue Methode sowohl glatte Tageszyklen als auch plötzliche Verschiebungen im Ladeverhalten erfasst und in Wohn- wie in Geschäftsvierteln eine sehr enge Übereinstimmung mit realen Daten erreicht. Während Gewerbegebiete mit schnell wechselndem Verkehr weiterhin eine größere Herausforderung darstellen, bleibt die Genauigkeit hoch. Für eine allgemein interessierte Leserschaft lautet die Kernbotschaft: Durch sorgfältige Datenbereinigung und die Zusammenarbeit zweier komplementärer Lernwerkzeuge können Versorgungsunternehmen ein deutlich klareres kurzfristiges Bild der bevorstehenden Ladeanforderung von Elektrofahrzeugen gewinnen. Diese Erkenntnisse können intelligentere Preisgestaltung, bessere Platzierung und Betrieb von Ladestationen sowie zuverlässigere Netzleistungen unterstützen, während sich Elektrofahrzeuge weiter verbreiten.

Zitation: Zhang, W., Ma, B. & Wang, D. Temporal forecasting of electric vehicle charging load using an IVY-VMD-TCN-BiLSTM model with cross-zone evaluation. Sci Rep 16, 16101 (2026). https://doi.org/10.1038/s41598-026-47962-0

Schlüsselwörter: Aufladen von Elektrofahrzeugen, Lastprognose, Smart Grid, Zeitreihenmodellierung, Städtische Energieplanung