CO2-Emissionen verursachen den Klimawandel und die E-Mobilität ist einer der wichtigsten Ansätze zu deren Vermeidung im Verkehrssektor. Ein großes Problem bei der E-Mobilität sind derzeit die relativ geringe Reichweite von E-Autos und potenziell sehr lange Unterbrechungen bei längeren Fahrten zum Aufladen. Die Verbesserung der User Experience mit dem Aufladen von E-Autos während solcher Fahrten ist wichtig, da dies die Akzeptanz von E-Autos verbessern wird. Allerdings wird die E-Mobilität nicht zur Reduzierung der CO2-Emissionen beitragen, wenn sie nicht in erster Linie erneuerbare Energien nutzt. Die Abstimmung der Nachfrage mit der Verfügbarkeit erneuerbarer Energien wird in naher Zukunft auch für das E-Laden auf Autobahnen von Bedeutung sein. Dies muss neben der User Experience der Fahrer mit berücksichtigt werden, welche auch von den Wartezeiten an den Ladestationen abhängen wird. Deren Verfügbarkeit ist klarerweise auch wichtig, genauer betrachtet zum Zeitpunkt der Ankunft und nicht zu dem Zeitpunkt, an dem sich ein E-Auto erst nähert. Unter Berücksichtigung all dieser Aspekte erfordert der Interessenausgleich zwischen allen an der dynamischen Zuweisung eines E-Autos zu einer Ladestation beteiligten Interessengruppen eine Optimierung mit mehreren Zielen, die der Fahrer, der Ladestationen und auch der Anbieter erneuerbarer Energien.
In der Praxis ist es schwierig, globale Optima zu finden, da die entsprechenden Algorithmen unter Umständen beliebig lange brauchen. Dieses Problem wird in solchen dynamischen Situationen noch verstärkt, wenn zu jedem Zeitpunkt ein weiteres E-Auto eine Anfrage senden und die laufende Optimierung beeinflussen kann, die rasch Zuordnungsempfehlungen liefern muss. Daher schlagen wir eine „anytime“-Optimierung vor, die sehr rasch eine Lösung findet und die danach verfügbare Zeit für die Suche nach besseren Lösungen nutzt. Nach dem derzeitigen Stand der Technik können die bestehenden Algorithmen für die „anytime“-Optimierung mit mehreren Zielen jedoch nur zwei Ziele gleichzeitig behandeln. Daher werden wir uns mit diesem Forschungsbedarf befassen und die bestehende Theorie um neue Algorithmen erweitern, die während der Optimierung mit mehr als zwei Zielen umgehen können.
Darüber hinaus müssen wir uns auch mit dem Problem befassen, dass einige Fahrer die Empfehlung für die optimierte Zuweisung zu einer Ladestelle möglicherweise nicht befolgen. Wir werden spezielle Benutzerschnittstellen entwerfen, auf Anfrage Erklärungen geben und Mittel und Wege suchen, um menschliche Fahrer anzuregen, damit sie den Vorschlägen folgen. Dieses Fahrerverhalten wird evaluiert, Benutzerprofile werden erstellt und die Auswirkungen in umfangreichen Simulationen studiert.
Die Validierung und Evaluierung des Gesamtansatzes insbesondere im Hinblick auf die Nutzung erneuerbarer Energien für das E-Laden erfolgt sowohl durch automatisierte Simulationsläufe mit Wahrscheinlichkeitsverteilungen für bestimmte Parameter als auch durch menschliches „Durchspielen“ verschiedener Szenarien mit dem Simulator, an dem mehrere menschliche Fahrer teilnehmen können.
Das Konsortium plant eine Exploitation in mehreren Richtungen: E-Ladung und Stromnetze, Nutzung erneuerbarer Energien und die Automobilindustrie. Die erwarteten Ergebnisse werden in der Zukunft zu einer verbesserten User Experience bei der Nutzung von E-Autos, einer verbesserten Nutzung erneuerbarer Energien, stabilen Stromnetzen und zu einer umweltfreundlicheren automobilen E-Mobilität führen.
Eckdaten Projektleitung:
TU Wien, Institut für Computertechnik
Dr. Hermann Kaindl, Univ.-Prof.
kaindl@ict.tuwien.ac.at
Projektpartner:
- Donau-Universität Krems, Department für integrierte Sensorsysteme (DUK-DISS) & Department for Continuing Education Research and Educational Technologies (DUK‐DCE)
- PowerSolution Energieberatung GmbH (POW)
- Robert Bosch AG, Bosch Engineering (BEGOS)
- LINZ NETZ GmbH (LN)
- LINZ STROM GAS WÄRME GmbH (LSGW)
