IEEE Best Paper 2025 (Intelligent Transportation Track)

Gerechte EV-Ladeinfrastruktur ermöglichen

Ein multikriterielles geospatiales Optimierungsframework für Berlin

Das Problem

Berlins EV-Infrastruktur konzentriert sich stark auf zentrale Bezirke (Mitte), während Außenbezirke (Treptow-Köpenick) „Ladewüsten" und hohe Nutzerkongestion (32 BEVs/Ladesäule) aufweisen.

Die Methode

Wir entwickelten ein Multikriterielle Optimierungsmodell (NSGA-II). Es balanciert explizit Nutzen (Abdeckung) vs. Gerechtigkeit (Gini-Koeffizient) unter Berücksichtigung unsicherer Nachfrage.

Das Ergebnis

Ein „Robustes Portfolio" von Strategien. Unsere Gerechtigkeitsstrategie reduziert den stadtweiten Gini-Koeffizienten um 13% und steigert den Zugang in unterversorgten Gebieten um 21%.

I. Diagnose: Der Zustand Berlins (Q2 2025)

Erkunden Sie die aktuelle Infrastrukturlücke. Zentrale Bezirke sind gut versorgt, während Außenbezirke starke Kongestion erleben.
Klicken Sie auf einen Bezirk, um detaillierte Metriken anzuzeigen.

Bezirk auswählen Rot = Hohe Kongestion

Bezirk auswählen

Klicken Sie links auf das Raster, um spezifische Infrastrukturdaten zu analysieren.

-

Ladesäulen

-

Registrierte BEVs

-

Kongestion (BEVs / Ladesäule)

II. Die Optimierung: Wahl einer Strategie

Wir modellierten den Einsatz von 100 neuen Ladesäulen. Vergleichen Sie, wie unterschiedliche Optimierungsprioritäten Ressourcen über die Stadt verteilen.

Max. Gerechtigkeitsstrategie

Priorisiert „Ladewüsten". Verteilt stark auf Treptow und Pankow, um den Gini-Koeffizienten zu senken.

Hauptergebnis (K=100)

  • Gini-Koeffizient: 0,258 (-13%)
  • Schwerpunkt: Periphere Bezirke

Ladesäulenverteilung nach Bezirk (K=100)

Optimierungsgewinn

vs. Deterministische Planung

+15% Resilienz

III. Der Trade-off (Pareto-Front)

Es gibt keine einzelne „perfekte" Lösung. Die Grafik unten zeigt die optimalen Trade-offs, die vom NSGA-II-Algorithmus gefunden wurden. Lösungen oben links sind besser (Höherer Nutzen, Höhere Gerechtigkeit).

X: Gerechtigkeit (1 - Gini) | Y: Nutzen (Abdeckung)

IV. Warum „Fuzzy" wichtig ist

Standardpläne sind fragil. Unser Robustes (Fuzzy) Modell garantiert höhere Leistung, selbst wenn die EV-Adoption unerwartet schwankt (Worst-Case-Szenarien).

Vergleich der minimalen Zufriedenheitsniveaus in Worst-Case-Szenarien

V. Zukünftige Arbeiten — Netzintegration

Geplante Erweiterungen zur Verbesserung von Robustheit, Skalierbarkeit und operativer Intelligenz für großflächige EV-Integration. Schwerpunkte sind räumlich-bewusste Lastflüsse, dynamische Lastszenarien und intelligente Ladesteuerung.

Geospatiale Lastflussanalyse

Kopplung geospatialer Standorte mit Netztopologie zur Erkennung lokalisierter Spannungseinschränkungen und Priorisierung von Verstärkungen.

Geplante Methoden PowerFactory + GIS

Dynamische Belastung & Verstärkung

Simulation von Spitzen-EV-Penetrationsereignissen und zeitvariablen Einsätzen zur Dimensionierung von Verstärkungen und Steuerstrategien.

Hauptergebnis Szenario-Suite & Metriken

Intelligentes Laden & V2G

Entwicklung von Demand-Response und V2G-Steuerung zur Glättung von Spitzen und Unterstützung von Verteilnetzdienstleistungen.

Integration Netzsignale & Markt