Ein EV-Flottenbetreiber und ein Betreiber öffentlicher Ladepunkte haben zwei gekoppelte Entscheidungen: welches Fahrzeug wann mit welcher Leistung geladen wird; wo neue Ladepunkte mit welcher Kapazität errichtet werden. Klassische EV-OR-Probleme: EV Charging Scheduling und Charging-Station Location Planning.
Kurz gesagt
Kommt Ihnen das bekannt vor?
- Wir haben eine 50-500 EV-Flotte (Kurier, Auslieferung, Taxi, Vermietung); die abendliche Ladereihenfolge im Depot wird durch Bauchgefühl des Planers bestimmt.
- Im Depot sind 30-100 Ladepunkte installiert; wenn alle gleichzeitig öffnen, schießt die Trafo-Leistung in die Spitze und der Netzbetreiber berechnet eine Spitzenlast-Strafe.
- Der Time-of-Use-Tarif macht den Nachttarif zur Hälfte des Tagestarifs; aber der Betriebsplan nutzt dies nicht — manche Fahrzeuge werden früh angesteckt und teuer geladen.
- Wir haben 10-30 öffentliche Ladepunkte; einige Standorte sind 8-12 Stunden täglich voll, andere 1-2 Stunden — die Standortwahl wurde historisch nach Bauchgefühl getroffen.
- Wir bewerten eine neue Ladestation-Investition; wo platzieren, langsam oder schnell, wie viele Anschlüsse — ohne konkrete Bedarfsprognose oder Kostenmodell.
- Unsere DC-Schnellladepunkte (50-150 kW) zeigen hohe Auslastung, aber Batterie-Alterungsbeschwerden treten auf; Preis vs Batterie-OPEX bekommen wir nicht ausbalanciert.
- Netzanschluss-Kapazität: in neuen Investitionszonen kann der Aufbau von Trafo + Leitung 6-18 Monate dauern; unsere gemeinsame Investitionsplanung ist schwach.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Verteile das Fenster zwischen Beginn des Nachttarifs und der Deadline, bis zu der jedes Fahrzeug bereit sein muss, auf die Flotte — ohne die Trafo-Kapazität zu überschreiten — und nutze Schnellladen nur in Eilfällen, um Stromkosten und Batterieersatzkosten gemeinsam zu minimieren.
Das Problem wird in der Operations-Research-Literatur (Disziplin, die Mathematik und Computer für Geschäftsentscheidungen einsetzt) als zwei gekoppelte Probleme behandelt: EV Charging Scheduling (operativ — welches Fahrzeug wann mit welcher Leistung lädt) und Charging-Station Location Planning (taktisch — wo öffentliche Ladepunkte mit welcher Kapazität). Dritte aufkommende Schicht: Vehicle-to-Grid (V2G — Rückverkauf der Fahrzeugbatterie ins Netz). Lösungsweg in drei Schritten:
1. Modellierung. Für operative Planung — Eingangsdaten: Fahrzeugflotte (pro Fahrzeug: Batteriekapazität kWh, aktueller Ladezustand SoC — State-of-Charge, am nächsten Morgen erforderlicher Mindest-SoC — Deadline-Restriktion, erlaubte Ladeleistungsstufen), Depot-Ladepunkte (Anzahl, maximale kW pro Punkt), Trafo-/Netzkapazität (momentane kW-Spitzengrenze), Time-of-Use-Tarif (stündliche Strompreiskurve — Tag/Spitze/Nacht). Restriktionen: jedes Fahrzeug bis Deadline bereit, gleichzeitige Gesamtleistung ≤ Trafo-Kapazität, SoC-Unter-/Obergrenzen, Batterie-Alterungskosten (moderne Literatur fügt dies in die Zielfunktion ein). Ziel: minimale Gesamt-Stromkosten + Batteriealterungskosten + Spitzenstrafe. Für Standortwahl — Eingangsdaten: regionale EV-Penetrationsprognose (5-10 Jahre), Kandidatenstandorte (Parkplätze, Einkaufszentren, Autobahn-Rastplätze, Tankstellen-Modernisierung), pro Kandidat Grundstückskosten + Netzanschlusskosten + erwartete Tagesnachfrage, AC-langsam vs DC-schnell-Mix. Restriktionen: Investitionsbudget, regionale Abdeckung (jeder EV-Nutzer im X-km-Radius eines Punkts), Netzanschluss-Machbarkeit.
2. Solver-getriebene Entscheidung. Operative Planung: kleine/mittlere Flotte (50-200 EVs) per MILP (Mixed-Integer Linear Programming — Optimierung mit teils 0/1-, teils stetigen Variablen) — stündliche Ladeentscheidung binär (1-h-Slots ein/aus) oder kontinuierlich (kW-Niveau), 24-48h-Horizont. Auf einer Maschine in Minuten-Stunden lösbar. Große Flotte (200+ EVs) per Lagrange-Relaxation oder Dekomposition (großes Problem in Teile zerlegen — pro-Fahrzeug-Subprobleme parallel, Netzkapazität als globale Restriktion). Dynamische Fahrzeugankunft (Taxi, Vermietung): Online-Policy (Prioritätsregel bei Ankunft) oder Rolling-Horizon-MILP (alle 30 Min neu gelöst). Standort: klassischer Ansatz — p-Median oder Maximum-Coverage-Formulierung, maximiert Nutzerabdeckung unter Investitionsbudget. Für EV-Penetrations-Unsicherheit Zwei-Stufen-Stochastische Programmierung (erste Stufe Standortentscheidung, zweite Stufe szenariobasierte Nachfrage). V2G: Trade-off zwischen Arbitrage (billig nachts laden, teuer tagsüber einspeisen) und Batteriealterungskosten; MILP oder stochastisches MPC (Model Predictive Control — Rolling-Horizon-Vorhersagesteuerung).
3. Feldintegration. Ausgabe in drei Schichten: Tagesplan (pro Fahrzeug: welcher Ladepunkt, welche Stunde, welche Leistung — Gantt-Panel im Leitstand), Ladepunkt-Steuerbefehle über OCPP (Open Charge Point Protocol — Industriestandard, offener Protokoll-Standard zum Öffnen/Schließen eines Ladepunkts und zur Leistungseinstellung), monatlicher Standortbericht (pro öffentlichem Standort: Auslastung, Nachfragetrend, Kapazitätserweiterungs-Empfehlung). Das Flottenmanagement-System (FMS) liefert Telematik (Echtzeit-SoC, Standort, geplante Nachtagschicht). Quartals-Komitee: Ist vs Plan Spitzenlast, Stromkostenabweichung, Batteriealterung, Auslastungskurven, Investitionsentscheidung.
Alternativen
Manuell + Tabellenkalkulation + heuristische Reihenfolge
KostenlosKeine Lizenz
Für wen geeignet: Kleine Flotte (<30 EVs) oder 1-3 öffentliche Standorte
- + Keine Softwarekosten
- + Planer-Erfahrung führt
- + Einfache Regel (Nachttarif-Start) bringt 5-10% Ersparnis
- − Über 30 EVs ist die Spitzenlastkontrolle kognitiv überlastend
- − Batteriealterungskosten werden nicht berücksichtigt
- − Mit wachsender Nachfrage erfolgt Standortwahl ohne numerisches Modell
- − V2G-Arbitrage-Chance verpasst
Lokale Lade-Management-Plattform
Enterprise200K-800K TRY Lizenz + 80K-250K TRY/Jahr Wartung (TR-Marktbeobachtung)
Für wen geeignet: Mittlere Flotte (30-150 EVs) oder 5-15 öffentliche Standorte
- + OCPP-Integration Standard
- + Lokale Sprache, lokaler Support
- + Abrechnung + Zahlungs-Integration enthalten
- + Einfache Time-of-Use-Tarif-Regeln
- − MILP-basiertes Scheduling-Modul typischerweise nicht vorhanden — heuristische Prioritätsregeln
- − Batteriealterungskostenmodell schwach
- − Standortplanungs-Modul begrenzt
Internationale Lade-Management + Optimierungspaket
Enterprise400K-2M EUR Lizenz + 100K-500K EUR/Jahr Wartung
Für wen geeignet: Große Flotte (150+ EVs) oder Multi-Standort (20+) Lade-Netzbetreiber
- + MILP- oder Rolling-Horizon-MPC-Modul reif
- + Batteriealterungsmodell integriert
- + Standortanalyse mit GIS + Bedarfsprognose zweiseitig
- + V2G-Modul verfügbar (in fortgeschrittenen Märkten)
- − Hohe Lizenz + 9-18 Monate Einführung
- − Lokale Tarif-Anpassung verlängert das Projekt
- − Umfangreiches Trainingsprogramm für das Operations-Team
Open-Source-Solver + eigenes Modul
Open SourceLizenz frei; Eigenentwicklung 16-32 Wochen oder 600K-1,5M TRY Beratung
Für wen geeignet: Betreiber mit Tech-Team, Integration mit bestehender FMS / Lade-Management-Plattform
- + Keine Lizenzgebühr
- + EV-Ladeplanungs-Verfahren sind für Open-Source-Solver gut definiert
- + Standort-Modellierung unter Nachfrage-Unsicherheit in offener Literatur verfügbar
- + OCPP ist offenes Protokoll — Lade-Hardware-Unabhängigkeit
- − Erfordert OR-Spezialist + Elektroingenieur + Integrations-Team intern
- − Vom akademischen Prototyp zum Feldsystem 6-12 Monate
- − Wartungsverantwortung beim Betreiber
Empfehlung
Im Gespräch fragen
- Nutzt das Lade-Scheduling-Modul MILP, Rolling-Horizon-MPC oder nur heuristische Prioritätsregeln?
- Ist Batteriealterungskosten Teil der Zielfunktion? Welcher Modellierungsansatz (Kalender- + Zyklen-Alterungskurve, entladetiefenbasiert)?
- Ist die Time-of-Use-Tarifstruktur (stündlicher Preis, Tag/Spitze/Nacht-Fenster, saisonale Variation) konfigurierbar oder hard-coded?
- Ist die Spitzen-kW-Restriktion dynamisch (zeitvariable Netzkapazität) oder fix? Werden mehrere Trafos / Depots unterstützt?
- Unterstützt das öffentliche Standort-Modul p-Median-, Maximum-Coverage- oder stochastische Formulierungen? Wie wird EV-Penetrationsunsicherheit modelliert?
- Welche OCPP-Version (Open Charge Point Protocol) wird unterstützt? Wurde Multi-Marken-Integration getestet?
- Ist ein V2G-Modul (Vehicle-to-Grid) verfügbar? Wie wird der Trade-off Arbitrage-Erlös vs Batteriealterungskosten optimiert?
- Bei Vertragsende — in welchem Format können wir Ladehistorie, Batterie-SoC-Daten, Preisregeln und Standortanalyse-Berichte exportieren?
Technische Details
Anmerkung der Redaktion
Umgangssprachlich heißt das Problem “EV-Ladeplan”, “Ladestation-Rollout” oder “Flotten-Ladeverwaltung”. In der Literatur trägt es zwei distinkte aber verknüpfte Namen: die operative Tagesentscheidung ist EV Charging Scheduling, die Infrastrukturinvestition ist Charging-Station Location Planning. Eine dritte aufkommende Schicht ist Vehicle-to-Grid (V2G) — Rückverkauf der Fahrzeugbatterie ans Netz. Ohne die drei Namen zu unterscheiden, lässt sich bei einer Lade-Management-Plattform-Vorstellung nicht prüfen, welche Entscheidungsschicht wirklich optimiert wird — “Ladepunkt-Tracking” ist eines, “MILP-basierte Planung” ein anderes.
Diese drei Probleme von anderen Energie-OR-Problemen unterscheiden: Unit Commitment + Economic Dispatch (#029) ist die Erzeugerseite — Kraftwerk-Ein/Aus und MW-Ausgabe. Demand Response + Lastspitzen-Glättung (#020) ist verbraucherseitige allgemeine Lastformung. EV Charging Scheduling (#052) liegt dazwischen: sowohl Nachfrageformung (welches Fahrzeug wann lädt) als auch Infrastrukturplanung (wie viele Ladepunkte wo). EV hat ein besonderes Merkmal: die Deadline-Restriktion jedes Fahrzeugs (am nächsten Morgen bereit) — unterscheidet es von Demand Response. Und Batteriealterung (Zyklenalterung) — ein Betriebskostenposten, der in den anderen Energieproblemen nicht vorkommt.
Im Sektor am häufigsten übersehen: Batteriealterungskosten. Feldrechnungen enthalten meist nur Strompreis und Spitzenstrafe; dass die Batterie unter Schnellladen (DC fast 50-350 kW) schneller altert und die Zyklenlebensdauer 15-30% kürzer wird, wird übersprungen. Die Batterieersatzkosten betragen 25-40% des Neufahrzeugwerts; ohne Einbezug in die Total-Cost-of-Ownership-Rechnung (TCO) erscheint eine “immer billiges Schnellladen”-Politik kurzfristig optimal — die Batterieersatzrechnung trifft den Betreiber nach 3-5 Jahren. Moderne Literatur fügt die Batteriealterungskosten in die Zielfunktion ein; ein ohne diese gebauter “optimaler” Plan wird im Feld langfristig zum Verlust. Zweiter übersehener Punkt: Netzanschluss-Machbarkeit. Nach Entscheidung für einen neuen Ladestandort kann der Netzbetreiber-Trafo + Leitungsbau 6-18 Monate dauern; modelliert der Standortplan die Zeit nicht, steht die Station, aber “kein Strom kommt an”. Ein stochastisches Standortmodell muss die Netzanschluss-Vorlaufzeit als Szenariovariable haben.
Schritt-für-Schritt — für KMU
Phase 1 — Erst messen, dann planen. Mindestens 6 Monate Fahrzeug- + Ladedaten: pro Fahrzeug Tagesnutzungsprofil (Fahrtdauer, Distanz, Depot-Ein/Aus, mittlerer SoC-Zyklus); pro Ladepunkt Tagesauslastungskurve (stündlich ein/aus, kW-Profil, OCPP-Ereignisse); monatliche Stromrechnung und Tarifstruktur (Time-of-Use-Fenster, Spitzenberechnung). Netzinventar: angeschlossene Trafoleistung, momentane Spitzengrenze, Vertragsstrafe-Kurve. Batterieinventar: pro Fahrzeug Kapazität, Baujahr, Garantiezyklen, aktueller Gesundheitszustand.
Phase 2 — Wissenskapital extrahieren. Fahrzeugverfügbarkeit pro Stunde (Flottentyp: Kurier 8-22 Uhr; Taxi 24/7; Kommunaldienst 100-200 km/Tag). Time-of-Use-Tariffenster und stündliche Preiskurve. Trafo-Kapazitätsgrenze und saisonale Variation. Batteriealterungskurve (Zyklenverlust bei schnell vs langsam — Hersteller + Literatur). Für öffentliche Standortbetreiber: Kundenanküftverteilung, mittlere Verweildauer, Balking-Rate.
Phase 3 — Pilot. 8-12 Wochen. Für eine Teilmenge (30-50% der Flotte, oder ein Depot, oder 3-5 öffentliche Standorte) MILP-Plan parallel zur heuristischen Zuweisung. Die Entscheidung bleibt im Leitstand; MILP empfiehlt. Erfolgskriterien vorab fixiert: monatliche Stromkosten -10% mindestens, Spitzenstrafe -50% mindestens, Batteriealterungs-Tracking enthalten.
Phase 4 — Rollout. 9-15 Monate bis volle Flotte + alle öffentlichen Standorte + Standortplanung + V2G-Modul. Multi-Marken-Lade-Kompatibilität via OCPP. Quartals-Komitee: Planungsleistung, Batteriealterungstrend, Auslastungskurve, Investitionsentscheidungen, regulatorische Updates (TR EV-Anreizpolitik, lokale Produktionsförderregeln).
Risiken — was schiefgehen kann
- Batteriealterungskosten nicht in der Zielfunktion. Wenn nur Strompreis + Spitzenstrafe optimiert werden, sieht der “optimale” Plan mit viel Schnellladen kurzfristig gut aus; die Batterieersatzrechnung kippt die TCO nach 3-5 Jahren. Moderne Modelle enthalten das; die Modulabdeckung dieser Kurve muss vor Beschaffung getestet werden.
- Netzanschluss-Verzögerung. Für neue öffentliche Standorte kann der Trafo- + Leitungsbau 6-18 Monate dauern; ein Standortplan ohne Zeitmodell führt zu gebauter Station ohne Strom. Stochastische Standortmodelle brauchen die Netzanschluss-Vorlaufzeit als Szenariovariable.
- Regulatorische Änderungen. TR-EV-Anreize (lokale Produktionsförderung, Steuerbefreiungen, Stations-Genehmigungsbedingungen) werden jährlich aktualisiert; EU-seits gibt es den CBAM und EV-Penetrationsziele bei 2030/2035. Investitionshorizont 5-10 Jahre; Single-Szenario-Plan ist spröde. Szenario-basierte Analyse und phasenweise Investition essentiell.
- Lock-in beim Einzelanbieter Lade-Management. Obwohl OCPP offen ist, bedeutet das Fehlen einer Exportklausel für Abrechnungsregeln + Tarifparameter + Batteriealterungskurven, dass ein Anbieterwechsel den Verlust des operativen Gedächtnisses bedeutet.
- V2G-Arbitrage-Erlös überschätzt. Marketing nennt X-Y% V2G-Erlös; netto nach Batteriealterungskosten typischerweise 2-3x niedriger. Nettorechnung muss szenariobasiert sein.
Lösungsmethode — technische Sicht
| Ansatz | Typische Größenordnung | Lösungszeit | Garantiertes Optimum? |
|---|---|---|---|
| Heuristische Prioritätsregel (Nachtstart, SoC-Schwelle) | Kleine Flotte, <30 EVs | sofort | Nein, 50-70% Optimum |
| MILP — operative Planung | Mittlere Flotte, 30-200 EVs, 24-48h-Horizont | Minuten-Stunden | Ja (innerhalb der Schranke) |
| Lagrange-Relaxation / Dekomposition | Große Flotte, 200-1000 EVs | Stunden | Gute Schrankenbänder |
| Rolling-Horizon-MPC | Dynamisch (Taxi, Vermietung), stündlich neu | Minuten pro Stunde | Praxisqualität |
| Online-Policy (Insertion-Heuristik) | Öffentliche Live-Ankünfte | Sekunden | Nein, Übergangsqualität |
| p-Median / Maximum-Coverage (Standort) | Regionale Infrastruktur, 5-50 Kandidaten | Minuten-Stunden | Ja (innerhalb der Schranke) |
| Stochastischer Standort (zweistufig) | EV-Penetrationsunsicherheit | Stunden | Ja (pro Szenario) |
| V2G stochastisches MPC | Arbitrage + Batteriealterung | Stunden | Praxisqualität |
Zielfunktion wählen:
- Ziel 1 — Gesamt-Stromkosten minimal: Am einfachsten, ignoriert Batteriealterung.
- Ziel 2 — Stromkosten + Batteriealterungskosten minimal: TCO-konform, akkurat aber datenintensiv.
- Ziel 3 — Spitzenstrafe minimal (kW-Spitze drücken): Für Flotten nahe der vertraglichen kW-Grenze.
- Ziel 4 — Auslastung maximal (öffentlicher Standort): Erlös-orientierte Standortwahl.
- Ziel 5 — Netto-V2G-Arbitrage-Erlös minus Batteriealterung maximal: Fortgeschrittene Operation.
Mehrkriteriell: gewichtete Summe oder hierarchisch (zuerst Deadline + Spitzenstrafe, dann Stromkosten, dann Batteriealterung).
Akademische Quellen
Im Frontmatter unter sources aufgeführt.
Quellen
- Sortomme, E., Hindi, M. M., MacPherson, S. D. J. und Venkata, S. S. (2011). Coordinated charging of plug-in hybrid electric vehicles to minimize distribution system losses. IEEE Transactions on Smart Grid, 2(1), 198-205. Grundlegende Arbeit zur koordinierten EV-Ladung.
- Sweda, T. M. und Klabjan, D. (2012). An agent-based decision support system for electric vehicle charging infrastructure deployment. IEEE Vehicle Power and Propulsion Conference (VPPC). Grundlegende Referenz für Ladestation-Standortwahl.
- Mukherjee, J. C. und Gupta, A. (2015). A review of charge scheduling of electric vehicles in smart grid. IEEE Systems Journal, 9(4), 1541-1553. EV-Ladeplanung-Übersicht.
- Rahman, I., Vasant, P. M., Singh, B. S. M., Abdullah-Al-Wadud, M. und Adnan, N. (2016). Review of recent trends in optimization techniques for plug-in hybrid, and electric vehicle charging infrastructures. Renewable and Sustainable Energy Reviews, 58, 1039-1047. Optimierungs-Techniken Übersicht.
- Ko, J. und Shang, J. S. (2010). Locating refueling stations for alternative-fuel vehicles. Transportation Research Part C, 18(5), 700-710. Alternativkraftstoff-Standortwahl.
- YÖK Tez Merkezi — Stichwörter: ’elektrikli araç şarj’, ‘EV şarj çizelgeleme’ oder ‘şarj istasyonu yerleşim’ — 15+ Hochschulschriften (wachsendes Feld). tez.yok.gov.tr
Glossar
- EV Charging Scheduling
- Operatives OR-Problem zu entscheiden, wann und mit welcher Leistung jedes EV einer Flotte oder Warteschlange geladen wird, unter Deadline, Netzleistungsgrenze, SoC-Grenzen, TOU-Tarif und Batteriealterungskosten.
- Charging-Station Location Planning
- Strategisches OR-Problem zur Auswahl von Standorten, Typen (AC langsam vs DC schnell) und Anzahl öffentlicher EV-Ladestationen in einer Region, bei Abwägung von Kapital- und Betriebskosten gegen erwartete Nutzerabdeckung und Wartezeit.
- MIP
- Optimierungsmodell, bei dem ein Teil der Entscheidungsvariablen ganzzahlig sein muss (z. B. Anzahl LKW, Anzahl Schichten).
- Demand Response
- Energiemanagement-Ansatz, bei dem die Steuerung von Lasten beim Verbraucher anhand Tarif, Systemzustand oder Anreizen optimiert wird.