Intelligente Routenplanung für Elektroautofahrten

Elektrofahrzeuge (EVs) werden immer beliebter, weil sie umweltfreundlicher sind. Aber lange Fahrten können echt herausfordernd sein, weil man oft anhalten muss, um die Batterie aufzuladen. In unserer Studie schauen wir uns an, wie man die beste Route für ein EV planen kann, damit es schnell ans Ziel kommt, wobei wir berücksichtigen, wo die Ladestationen (CSs) sind und wie überfüllt die sein könnten.

#Das Problem

Wenn ein EV eine lange Strecke fahren muss, hat es vielleicht nicht genug Batteriekapazität, um das Ziel zu erreichen. Um das zu lösen, müssen Fahrer oft Stopps an Ladestationen einplanen. Aber die Ladestationen können voll sein. Das bedeutet, dass man warten muss, um sein Fahrzeug aufzuladen, was die Reisezeit verlängern kann.

Es gibt viele Faktoren, die dieses Problem kompliziert machen. Erstens können die genauen Ladezeiten an jeder Station ungewiss sein, weil sie davon abhängen, wie viele andere Autos da sind und wie schnell sie aufladen können. Wir haben uns darauf konzentriert, wie man die beste Route findet, indem wir auch Echtzeit-Informationen über die Belegung berücksichtigen. Diese Informationen sagen dem Fahrer, ob eine Ladestation beschäftigt oder frei ist, bevor er ankommt, was hilft, bessere Entscheidungen darüber zu treffen, wo man anhalten sollte.

#Unser Ansatz

Wir gehen das Problem als eine Folge von Schritten an. Zuerst sammeln wir Echtzeit-Updates über den Status aller Ladestationen. Jedes Mal, wenn ein Fahrer diese Updates erhält, kann er seine Route entsprechend anpassen. Unsere Studie beinhaltet, einen Plan zu erstellen, wo das EV anhalten soll und wie viel Energie es an jeder Station laden sollte.

1. Echtzeit-Updates: Fahrer bekommen Updates über die Belegung der Ladestationen über ein binäres System. Das heisst, sie bekommen ein einfaches Ja oder Nein, ob die Station gerade voll ist oder nicht.

2. Bestimmen der besten Route: Wenn ein Fahrer ein Update bekommt, kann er entscheiden, welche Ladestation er besuchen und wie viel Energie er laden möchte. Das hilft, lange Wartezeiten zu vermeiden.

3. Optimierung der Ladezeit: Die Ladezeit variiert oft je nach Art der Ladestation. Das haben wir berücksichtigt, als wir die Stopps geplant haben.

#Wichtige Komponenten

#1. Markov-Entscheidungsprozess (MDP)

Wir behandeln unser Problem mit einem Markov-Entscheidungsprozess, der bei Entscheidungen basierend auf dem aktuellen Zustand des Systems hilft. Jeder Zustand gibt den Batteriestand, den aktuellen Standort und an, ob das EV wartet oder lädt, an. Das Ziel ist es, die Gesamtdauer der Reise zu minimieren, was Fahr-, Warte- und Ladezeiten umfasst.

#2. Schätzung der Wartezeiten

Um die Route effektiv zu planen, mussten wir die Wartezeiten an jeder Ladestation schätzen. Dafür haben wir zwei Methoden entwickelt:

• Simulationsbasierte Schätzung: Wir simulieren verschiedene Szenarien, um vorherzusagen, wie lange ein Auto an einer Ladestation warten muss, je nach Länge der Warteschlange zum Zeitpunkt der Ankunft.

• Heuristische Methode: Wir erstellen eine Heuristik, um ungefähre Wartezeiten anzugeben, was hilft, mögliche Verzögerungen vorherzusehen.

#3. Optimierung der Lade-Strategie

Nachdem wir die Wartezeiten geschätzt haben, wandeln wir diese Informationen in einen Routenplan um, in dem festgelegt wird, welche Ladestationen besucht werden und wie viel an jedem Halt geladen werden soll.

#Computergestützte Studie

Wir haben eine umfassende Studie durchgeführt, um zu sehen, wie effektiv unsere Strategie ist. Wir haben verschiedene Szenarien mit unterschiedlichen Ladetechnologien, Standorten der Ladestationen und erwartetem Verkehr erstellt. So konnten wir analysieren, wie unsere Routing-Methode im Vergleich zu traditionellen Methoden, die keine Belegungsinformationen nutzen, abschneidet.

#Leistungskennzahlen

Wir haben die Leistung anhand von:

• Gesamtdauer der Reise
• Wartezeiten an Ladestationen
• Anzahl der Ladehalte
• Effizienz der gewählten Route

Wir haben unsere Methode mit einem Benchmark verglichen, der keine Echtzeit-Belegungsinformationen berücksichtigte.

#Ergebnisse

Die Ergebnisse zeigten, dass unsere Methode die Wartezeiten und Reisezeiten erheblich reduzierte. Im Durchschnitt schnitt sie in fast allen Szenarien besser ab als der Benchmark. Hier sind die wichtigsten Erkenntnisse:

1. Reduzierte Wartezeiten: Unser Ansatz senkte die Wartezeiten an Ladestationen erheblich. Die genaue Reduzierung variierte je nach Szenario, lag aber im Durchschnitt zwischen 23,7% und 95,4%.

2. Kürzere Reisezeiten: Die gesamte Reisezeit verringerte sich um 1,4% bis 18,5%, je nach spezifischen Umständen.

3. Erhöhte Ladehalte: Auch wenn unsere Methode manchmal zu mehr Ladehalten führte, wurden diese durch die reduzierten Wartezeiten ausgeglichen.

4. Grössere Flexibilität: Die Möglichkeit, die Pläne basierend auf Echtzeit-Updates zu ändern, erlaubte es den Fahrern, bessere Routenentscheidungen zu treffen, was zu weniger Zeit im Stillstand führte.

#Fazit

Zusammenfassend zeigt unsere Studie, dass Echtzeit-Belegungsinformationen die Routenplanung von Elektrofahrzeugen auf langen Fahrten erheblich verbessern können. Durch die effektive Nutzung dieser Informationen können EV-Fahrer die Wartezeiten und die gesamte Reisezeit deutlich minimieren, was Elektrofahrzeuge zu einer praktikableren Option für längere Reisen macht.

Zukünftig empfehlen wir, weitere Forschung darüber zu betreiben, Ladestationen in Cluster zu gruppieren, um den Routenprozess noch weiter zu optimieren. Ausserdem könnte eine Erweiterung unseres Modells, um mehrere Warteschlangen zu berücksichtigen, noch genauere Schätzungen bezüglich der Wartezeiten ermöglichen.

Diese Arbeit zeigt das Potenzial der Technologie zur Optimierung von Elektrofahrzeugreisen, verbessert das Erlebnis für Fahrer und fördert die Akzeptanz nachhaltiger Verkehrsoptionen.

#Zukünftige Richtungen

Da sich die Technologie hinter Elektrofahrzeugen und Ladestationen weiterentwickelt, könnten mögliche nächste Schritte Folgendes umfassen:

• Automatisierte Updates: Verbesserung der Häufigkeit und Genauigkeit von Echtzeit-Updates, um noch bessere Routing-Optionen zu bieten.
• Integration mit Smart-City-Infrastruktur: Verknüpfung von Ladestationsdaten mit grösseren Verkehrsnetzen zur Verbesserung des gesamten Verkehrsmanagements.
• Benutzerfreundliche Anwendungen: Entwicklung benutzerfreundlicher Apps, die den Fahrern die Informationen liefern, die sie benötigen, um informierte Entscheidungen unterwegs zu treffen.

Dieser fortlaufende Fortschritt wird entscheidend sein, um die Herausforderungen zu meistern, mit denen Elektrofahrzeuge konfrontiert sind und ihre erfolgreiche Integration in den täglichen Verkehr zu gewährleisten.