Optimierung des intelligenten Ladens für E-Fahrzeugflotten und Depots

Die Elektrifizierung einer Flotte macht aus dem Tanken ein Energiemanagement-Problem: Dutzende oder Hunderte Fahrzeuge müssen zur Abfahrt voll sein, doch der Netzanschluss ist begrenzt, die Tarife ändern sich im Viertelstundentakt und eine einzige Lastspitze kann den Leistungspreis für ein ganzes Jahr festlegen. Intelligentes Laden verbindet Prognosen des Energiebedarfs jedes Fahrzeugs mit einem Solver, der entscheidet, wann und wie schnell jedes Fahrzeug lädt. So sinken die Energiekosten, teure Netzausbauten werden vermieden und die harte Nebenbedingung bleibt gewahrt: pünktlich bereit.

Problem & Nutzen

• Heute: Viele Depots laden nach dem Prinzip „einstecken und mit voller Leistung laden“ oder nach starren Zeitplänen. Das erzeugt Abendspitzen, überschreitet die Anschlusskapazität und verschwendet günstige oder PV-reiche Stunden. Disponenten ordnen Fahrzeuge den Ladepunkten oft von Hand zu und bemerken eine zu geringe Ladung erst bei der Abfahrt.
• Abgrenzung zu stationären Speichern (OPT-011): Die „Batterie“ ist hier mobil und hat einen Einsatzplan. Das Laden verbindet Energieoptimierung mit Routenplanung (OPT-001), Telematik und einer harten Bereitschaftsfrist je Fahrzeug.
• KI-Nutzen: (1) die Energie vorhersagen, die jedes Fahrzeug braucht (Route, Beladung, Wetter, Fahrer), (2) einen Plan unter den Grenzen von Anschluss, Tarif und Ladepunkten lösen, (3) in Echtzeit neu planen, wenn Fahrzeuge verspätet ankommen, Ladepunkte ausfallen oder sich Preise ändern.
• Vorteile: Anbieter und Betreiber berichten von niedrigeren Energiekosten, geringeren Leistungsspitzen und der Möglichkeit, mehr Fahrzeuge an einem bestehenden Netzanschluss zu betreiben. Die Zahlen unterscheiden sich stark nach Tarif, Flotte und Standort; messen Sie Ihre eigene Ausgangsbasis, statt sich auf Marketingzahlen zu verlassen [1][2].
• Regulatorischer Treiber: Die Clean-Vehicles-Richtlinie legt Mindestanteile emissionsfreier Busse in der öffentlichen Beschaffung fest; AFIR schreibt den Ausbau öffentlicher Ladeinfrastruktur und standardisierte Schnittstellen vor; die CO2-Normen für schwere Nutzfahrzeuge drängen Logistikunternehmen zur Elektrifizierung [3][4].

Varianten

• Kommunale Busdepots: Laden über Nacht, feste Fahrpläne, Zwischenladen an Endhaltestellen.
• Lieferwagen und E-Lkw: strikte Abfahrten am Morgen; bei Lkw sehr hohe Leistung und gemeinsam genutzte Hubs.
• Dienstwagen / Arbeitsplatz (KMU): Lastmanagement hinter einem gemeinsamen Gebäudeanschluss, oft mit PV.
• Carsharing, Taxi, Vermietung: zufällige Ankünfte statt fester Einsatzpläne.
• V2G / bidirektionales Laden: Rückspeisung von Strom oder Verkauf von Flexibilität (ISO 15118-20), abhängig von der Herstellergarantie.
• Privatnutzung: Laden zu Hause mit dynamischen Tarifen, siehe OPT-032.

So funktioniert es

1. duty schedule + telematics (SoC, route, weather)
2. energy-need forecast per vehicle (departure SoC target)
3. site model: grid limit, building load, PV forecast, tariff/price forecast
4. optimisation (MILP / MPC rolling horizon; RL or heuristics for large fleets)
5. charger setpoints via OCPP smart-charging profiles / charge-point management system
6. monitoring: arrival deviations, charger faults, price changes
7. re-plan every few minutes
8. dispatcher overrides + reporting

• Prognose: Gradient-Boosting-Bäume oder neuronale Zeitreihenmodelle sagen den Verbrauch je Route und den Ladezustand bei Ankunft voraus; Preis- und PV-Prognosen stammen aus PRED-007/PRED-008.
• Optimierungskern: ein gemischt-ganzzahliges oder lineares Programm mit Nebenbedingungen für Anschlussgrenze, Leistungskurven von Ladepunkten und Fahrzeugen, Bereitschaftsfristen sowie gemeinsame Nutzung und Zuordnung von Ladepunkten, gelöst im rollierenden Horizont. Der KI-Anteil liegt vor allem in der Prognose und der Robustheit gegenüber Unsicherheit; die Solver bleiben exakte Verfahren.
• Steuerung: OCPP-1.6/2.0.1-Smart-Charging-Profile setzen Leistungsgrenzen je Anschluss; ISO 15118 ermöglicht Plug-and-Charge und übermittelt Abfahrtszeit und Energiebedarf vom Fahrzeug.
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten legen Prioritäten fest (wichtige Routen, Pufferziele), genehmigen Planabweichungen und können jederzeit Laden mit voller Leistung erzwingen; Alarme, wenn die Bereitschaft gefährdet ist.

Datenaufbereitung

Benötigt werden: Einsatzpläne und Abfahrtszeiten (Dispositions- oder Flottensoftware, oft Excel oder Papierdienstpläne), Telematikdaten (Ladezustand, Verbrauch je Route), Ladepunktstatus über OCPP, Tarife und Netzentgelte (Energieverträge, PDF-Rechnungen) und die Standortlast (Smart Meter, Gebäudemanagement). Die Daten liegen in mehreren Systemen, die selten miteinander kommunizieren.

Typische Lücken: Einsatzpläne, die nur als Tabellen oder in den Köpfen der Disponenten existieren, Telematiklücken oder uneinheitliche Fahrzeug-IDs, Ladepunkte ohne OCPP oder mit proprietären Protokollen, Tarife nur als PDF, kein 15-Minuten-Lastprofil des Standorts und fehlende Aufzeichnungen der tatsächlichen Abfahrten.

Schritte der Aufbereitung: (1) Quellen und Verantwortliche erfassen (PREP-001, PREP-004); (2) Daten aus Flotten-, ERP- und Telematiksystemen per API oder Dateiexport ausleiten (PREP-005); (3) Einsatzpläne aus Tabellen in saubere Tabellen mit einheitlichem Fahrzeugschlüssel überführen (PREP-011); (4) Tarif- und Vertragsbedingungen aus PDF digitalisieren (PREP-006, DOC-014); (5) 3-6 Monate Historie sammeln, um die Verbrauchsprognose und einen Testdatensatz aufzubauen (PREP-018). Werkzeuge: Python/pandas, eine Zeitreihendatenbank, das OCPP-Backend des CSMS.

Grober Aufwandsanteil: etwa 25-35 % des Projekts, vor allem für verlässliche Einsatzpläne und Telematik. Siehe GUIDE-003 für den Bereitschaftscheck.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A, da ausgereifte OCPP-Ladepunkt-Managementsysteme mit Smart Charging zu KMU-tauglichen Preisen existieren (viele in der EU gehostet) und ein Depot mit einigen Dutzend Ladepunkten ein Standardfall ist.
• enterprise: Weg B, da große Flotten die Integration mit eigener Disposition, Telematik und Energieverträgen brauchen, was Standardwerkzeuge nur teilweise abdecken.
• developer: Weg C, da OCPP-Stacks (z. B. EVerest) und offene Solver (OR-Tools, HiGHS) auf HW1 laufen und volle Kontrolle bieten.
• public: Weg C, da kommunale Depots (Busbetriebe, Stadtwerke) Wert auf Souveränität legen und eine Plattform mehrere Depots und Standorte bedienen kann.

Weg A — Kaufen (Standardsoftware) (für die meisten Betreiber empfohlen)

• Depot-Software für Flotten: Siemens Depot360 (EU), The Mobility House ChargePilot (EU), Ampcontrol, Driivz, AMPECO, Monta, ChargePoint fleet. Öffentlicher Verkehr: Optibus, IVU.suite (EU), Hacon/Init (EU).
• Ladepunkt-Managementsysteme (CPMS) mit Lastmanagement decken kleine Standorte ab; prüfen Sie die Unterstützung von OCPP 2.0.1, ISO 15118, Telematik-Integrationen, Tarifverarbeitung und EU-Hosting.
• A wählen, wenn: < einige hundert Fahrzeuge, Standard-Ladepunkte und Telematik vorhanden sind; Verträge bündeln oft Hardware, Software und Energie.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten: Telematik über Hersteller-APIs oder Aggregatoren (z. B. Smartcar, High Mobility (EU), Mercedes/Volvo/Daimler-Truck- Flotten-APIs), FMS-Standardschnittstellen, ENTSO-E Transparency Platform für Day-Ahead-Preise, Open-Meteo oder DWD für Wetter, Forecast.Solar für PV.
• Optimierung: OR-Tools, Gurobi, HiGHS oder Cloud-Solver (Azure, AWS) für MILP; Prognosen mit Nixtla (TimeGPT, StatsForecast), Chronos oder Zeitreihendiensten von Amazon/Google in EU-Regionen.
• Rolle des LLM (optional): Was-wäre-wenn-Fragen und Erklärungen in natürlicher Sprache für Disponenten; siehe OPT-018. Das LLM darf Leistungsgrenzen nie direkt setzen.
• B wählen, wenn: Sie ungewöhnliche Randbedingungen haben (gemischte Flotte, gemeinsamer Hub, eigene Tariflogik) und ein Softwareteam.

Weg C — Selbst betreiben (Open Source)

• Lade-Backend: SteVe oder CitrineOS (OCPP), EVerest (Linux Foundation Energy, Firmware-Stack für Ladepunkte), OCPP-kompatible offene CSMS-Projekte; MQTT/Kafka für Streaming.
• Optimierung: OR-Tools, HiGHS, Pyomo, PuLP, CVXPY; EV-Scheduling-Werkzeugkästen wie ACN-Sim/SmartCharging- Forschungscode (Caltech ACN) für Simulation und Vergleichsbasis.
• Prognose: LightGBM, Darts, Chronos oder TimesFM (offene Gewichte); für die meisten Depots ist keine GPU nötig.
• Hardware: HW1 (Industrie-PC am Depot oder kleiner Server); ein Controller vor Ort hält das Laden sicher, wenn die Cloud-Verbindung ausfällt.

Weg D — Eigenes Training

Trainieren Sie Verbrauchsmodelle je Fahrzeugtyp/Routenklasse, sobald Sie Monate an Telematikdaten haben; erwägen Sie RL oder gelernte Ersatz-Solver nur für sehr große Flotten mit zufälligen Ankünften. Daten: Ladezustandsverläufe, Routen- profile, Ladepunkt-Logs, Tarife. Beginnen Sie mit einer regelbasierten Lösung plus MILP als Vergleichsbasis und prüfen Sie jede gelernte Strategie in der Simulation dagegen.

Stand der Technik (2026)

• MILP/MPC im rollierenden Horizont mit probabilistischen Prognosen ist der Produktionsstandard; robuste und wahrscheinlichkeitsbeschränkte Varianten schützen die Abfahrtsbereitschaft vor Prognosefehlern.
• Bidirektionales Laden und V2G wandern von Pilotprojekten zu ersten kommerziellen Angeboten (standardisiert in ISO 15118-20; Debatten über verpflichtende Bereitschaft in der EU); Batteriegarantie und Alterungskosten bleiben die wichtigste Grenze des Geschäftsmodells.
• Netzorientiertes Laden: Signale der Verteilnetzbetreiber, flexible Netzanschlussvereinbarungen und die Steuerung steuerbarer Verbrauchseinrichtungen nach § 14a EnWG machen Depots zu Teilnehmern des Engpassmanagements (OPT-022).
• Grenzen und Fehlerbilder: falsche Prognose des Energiebedarfs (Winter, Steigungen, Nutzlast) lässt Fahrzeuge zu knapp geladen zurück; Telematik- lücken; Inkompatibilität von Ladepunkt und Fahrzeug sowie fehleranfällige OCPP-Implementierungen; reale Ladekurven weichen vom Typenschild ab; aggressive Kostenoptimierung kann den Batterieverschleiß beschleunigen; unsichere Ankunftszeiten bei nicht festen Flotten. Halten Sie immer einen Sicherheitspuffer und eine manuelle Übersteuerung bereit.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (optimization-solver + time-series): OPT-001 Routenplanung, OPT-019 Disposition, OPT-007 Gebäude- energie, OPT-011 Batterieeinsatz (Pufferbatterie im Depot), OPT-032 Laden zu Hause.
• Prognosen: PRED-007 Last/PV, PRED-008 Preis, PRED-019 Mobilitätsnachfrage.
• Netz und Märkte: OPT-022 Engpassmanagement, OPT-039 Flexibilitätsvermarktung und virtuelles Kraftwerk (VPP).
• Gemeinsame Infrastruktur: ein Edge-Controller und ein OCPP-Backend bedienen Laden, Gebäude- und PV-Steuerung.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis einige Monate inkl. Inbetriebnahme der Ladepunkte; Software wird meist je Ladepunkt oder Fahrzeug und Monat berechnet, teils gebündelt mit Energieverträgen.
• Weg B: 3-9 Monate für ein Produktivsystem mit Telematik-, Tarif- und CPMS-Integration.
• Weg C: 3-9 Monate; der Hauptkostenblock sind Integration und Betrieb, nicht Rechenleistung.
• Kostentreiber: Hardware und Netzanschluss (weit größer als die Software), Zugang zu Telematikdaten, Integrationen.
• Kennzahlen: Abfahrtsbereitschaftsquote (% Fahrzeuge mit Ziel-Ladezustand), Energiekosten je kWh und je km, Spitzenleistung im Verhältnis zur Anschlussgrenze, Anteil der in günstigen/erneuerbaren Stunden geladenen Energie, Auslastung der Ladepunkte, Batterie- durchsatz/-alterung, Zahl manueller Eingriffe, CO2 je km.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung (Budget, Energie- und Elektrifizierungsstrategie) und die Depot- bzw. Flottenleitung (Prozessverantwortung) ein; holen Sie IT und den Netz- bzw. Energiepartner früh für die Integration von Ladepunkten, Netzwerk und OCPP dazu, außerdem die Datenverantwortlichen (Disposition, Telematik, Energieeinkauf) für den Datenzugang. Disponenten und Fahrer sind die täglichen Nutzer und sollten ab dem Pilotdesign beteiligt sein.

Betriebsrat: abhängig. Reine Ladeoptimierung ist kein Überwachungssystem, doch wenn Ladevorgänge namentlich Fahrern oder Fahrzeugen zugeordnet werden, Telematik und Fahrverhalten hinzukommen, kann das System objektiv geeignet sein, Leistung zu überwachen; dann greift die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG. Unabhängig davon verlangt § 90 Abs. 1 Nr. 3 rechtzeitige Unterrichtung, wenn Arbeitsabläufe (Disposition, Schicht- und Stellplatzplanung) mit KI geplant werden. Siehe GUIDE-004. Datenschutz: Verknüpfungen zwischen Fahrzeug und Fahrer pseudonymisieren, den Zweck von der bzw. dem Datenschutzbeauftragten prüfen lassen und bei Daten auf Fahrerebene klären, ob eine DSFA nötig ist (GUIDE-005).

KI-Kompetenz: kurze Schulung für Disponenten, was der Plan leistet, wann er versagen kann und wie man ihn übersteuert (GUIDE-006); Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz des Personals. Beginnen Sie mit einem Depot als Pilotgruppe und KI-Botschaftern unter den Disponenten (GUIDE-008). Typische Bedenken: „Das Fahrzeug ist bei Abfahrt nicht voll“ (Antwort: Bereitschaftswarnungen, Pufferziele, Übersteuerung mit voller Leistung) und „Überwachung der Fahrer“ (Antwort: keine Bewertung auf Fahrerebene, festgehalten in einer Betriebsvereinbarung). Der Mensch behält die Kontrolle: Disponenten legen Prioritäten fest und können das Laden jederzeit erzwingen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Ladeoptimierung ist für sich genommen keine Anwendung nach Anhang III; wenn das System jedoch als Sicherheitskomponente bei Verwaltung und Betrieb kritischer digitaler oder Energie- infrastruktur (Anhang III Nr. 2) im Versorgerbetrieb wirkt, kann eine Einstufung als Hochrisiko greifen. Im Einzelfall prüfen; KI-Kompetenz (Art. 4) gilt für Betreiber. Keine Rechtsberatung [5].
• DSGVO: Fahrzeugstandort, Fahreridentität und Ladevorgänge von Dienstwagen sind personenbezogene Daten, wenn sie mit Beschäftigten verknüpft sind; Mitbestimmung des Betriebsrats in Deutschland (BetrVG § 87), Datenminimierung, pseudonymisierte Telematik und klare Zweckbindung (keine Leistungsüberwachung der Fahrer über Ladedaten).
• Energie- und Netzrecht: AFIR (Verordnung (EU) 2023/1804), die EU-Regeln zum Strommarktdesign zur Flexibilität, § 14a EnWG, Eichrecht (eichrechtskonforme Messung) für die Abrechnung, Netzanschluss- verträge mit dem Verteilnetzbetreiber [3][6].
• Cybersicherheit: NIS2, soweit anwendbar; OCPP abgesichert mit TLS und Zertifikaten, Netze segmentieren.
• Sicherheit: Harte Grenzen bleiben im Ladepunkt/BMS, nie in der KI-Schicht; Garantiebedingungen für V2G beachten.
• Gegenmaßnahmen: Ladezustandspuffer, Rückfall auf den statischen Plan bei Datenverlust, Simulation vor dem Rollout, Prüfprotokoll von Plänen und Übersteuerungen.

Erste Schritte

1. Sammeln Sie 4-8 Wochen lang Basisdaten: Ankunfts- und Abfahrtszeiten, Ladezustand, kWh je Route, Standortlast und Tarif.
2. Prüfen Sie den Netzanschluss, die Bedingungen des Verteilnetzbetreibers und die Tarifstruktur (Leistungspreis, Optionen dynamischer Tarife).
3. Wählen Sie OCPP-2.0.1-fähige Ladepunkte und stellen Sie sicher, dass Telematikdaten per API zugänglich sind.
4. Beginnen Sie mit statischem Lastmanagement plus einem einfachen, an der Abfahrtszeit ausgerichteten Plan; ergänzen Sie prognosebasiertes MILP, sobald die Bereitschaft stabil ist.
5. Simulieren Sie das nächste Quartal mit historischen Daten (z. B. ACN-Sim) und vereinbaren Sie Bereitschaftspuffer mit der Disposition vor dem Start.

Quellen

1. The Mobility House - ChargePilot fleet charging management - https://www.mobilityhouse.com/int_en/charging-and-energy-management
2. Siemens eMobility - eBus Depot360 / depot charging management - https://www.siemens.com/global/en/products/energy/e-mobility.html
3. Regulation (EU) 2023/1804 (AFIR) - https://eur-lex.europa.eu/eli/reg/2023/1804/oj
4. Directive (EU) 2019/1161 (Clean Vehicles Directive) - https://eur-lex.europa.eu/eli/dir/2019/1161/oj
5. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Open Charge Alliance - OCPP specifications - https://openchargealliance.org/protocols/open-charge-point-protocol/
7. EVerest project (LF Energy) - https://lfenergy.org/projects/everest/
8. Caltech ACN-Sim adaptive charging network simulator - https://github.com/zach401/acnportal