Ladeinfrastruktur in der Elektromobilität –
Einflussfaktoren für die Auslastung von Ladestationen
Masterarbeit
zur Erlangung des akademischen Grades eines Master of Science
der Studienrichtung Betriebswirtschaft an der Universität Graz
Betreuer: Univ.-Prof. Dr.rer.soc.oec. Marc Reimann Institut: Produktion und Logistik
Maitz Marina, BSc
Graz, Juni 2019
Ich erkläre ehrenwörtlich, dass ich die vorliegende Arbeit selbstständig und ohne fremde Hilfe verfasst, andere als die angegebenen Quellen nicht benutzt und die den Quellen wörtlich oder inhaltlich entnommenen Stellen als solche kenntlich gemacht habe. Die Arbeit wurde bisher in gleicher oder ähnlicher Form keiner anderen inländischen oder ausländischen Prüfungsbehörde vorgelegt und auch noch nicht veröffentlicht. Die vorliegende Fassung entspricht der einge- reichten elektronischen Version.
Datum: 27.06.2019 Unterschrift:
Inhaltsverzeichnis
Ehrenwörtliche Erklärung ... I Inhaltsverzeichnis ... II Abkürzungsverzeichnis ... IV Abbildungsverzeichnis ... V Tabellenverzeichnis ... VI Vorwort ... VII
1 Einleitung ... 1
1.1 Zielsetzung ... 3
1.2 Aufbau und inhaltliche Strukturierung ... 3
1.3 Methodik ... 3
1.3.1 Cross-industry standard process for data mining ... 4
2 Elektromobilität ... 5
2.1 Ökosystem der Elektromobilität ... 5
2.1.1 Vorteile von Elektromobilität ... 6
2.1.2 Herausforderungen in der Elektromobilität ... 6
2.1.3 Unterscheidung öffentliche, halb-öffentliche und private Ladestationen ... 7
2.1.4 Spezifika der Ladesäulen ... 8
2.2 Derzeitiger Stand der Elektromobilität in Österreich ... 9
2.2.1 Interessensgruppen im Aufbau von Ladeinfrastruktur ... 11
3 Einflussfaktoren für die Auslastung von Ladestationen ... 13
3.1 Points of Interest ... 15
4 Case Studies ... 17
4.1 Graz ... 17
4.1.1 Ausgangssituation ... 17
4.1.2 Bearbeitung der bereitgestellten Daten ... 18
4.1.3 Analyse des Datensatzes unter Anwendung eines POI-Ansatzes ... 20
4.1.4 Überprüfung der Daten ... 22
4.1.5 Analyse des korrigierten Datensatzes unter Anwendung eines POI-Ansatzes ... 25
4.1.6 Aggregation der Daten zur weiteren Analyse ... 28
4.2 Dublin ... 32
4.2.1 Ausgangssituation ... 33
4.2.2 Bearbeitung der Daten ... 33
4.2.3 Analyse des bereinigten Datensatzes unter Anwendung eines POI-Ansatzes ... 34
4.3 Amsterdam ... 36
4.3.1 Ausgangssituation ... 37
4.3.2 Bearbeitung der Daten ... 38
4.3.3 Analyse des Original-Datensatzes unter Anwendung eines POI-Ansatzes ... 38
4.3.4 Analyse des bearbeiteten Datensatzes unter Anwendung eines POI-Ansatzes ... 42
4.4 Limitationen der Arbeit ... 44
5 Zusammenfassung und Ausblick ... 46
Quellenverzeichnis ... 50
Abkürzungsverzeichnis
AC Laden mit Wechselstrom
API Application Programming Interface
BMVI Bundesministerium für Verkehr und digitale Infrastruktur (Deutschland) CO2 Kohlenstoffdioxid
CRISP-DM Cross-industry standard process for data mining CP Ladestation (engl. Charge point)
DC Laden mit Gleichstrom
E-Auto Auto mit elektronischem Antrieb EU Europäische Union
KFZ Kraftfahrzeug
km Kilometer
kWh Kilowatt Stunde
NOVA Normverbrauchsabgabe OSM Open Street Maps PKW Personenkraftwagen POI Points of Interest
TIM Mobilitätsangebot in Graz (täglich, intelligent, mobil) z.B. zum Beispiel
Abbildungsverzeichnis
Abbildung 1 Sechs Phasen des CRISP DM (eigene Abbildung) ... 4
Abbildung 2 Anzahl von öffentlich zugänglichen Ladestationen in Österreich seit 2012 (Statista, 2018) ... 10
Abbildung 3 Auslastung der Ladestationen in Graz ... 19
Abbildung 4 Geografische Verteilung der Ladestationen in Graz ... 20
Abbildung 5 Zusammenhang zwischen Auslastung und POI Kategorie „Bus Station“ ... 21
Abbildung 6 Zusammenhang zwischen Auslastung und POI Kategorie „Café“ ... 21
Abbildung 7 Zusammenhang zwischen Auslastung und POI Kategorie „Parkplatz“ ... 22
Abbildung 8 Auslastung der Ladestationen in Graz nach Bearbeitung der Daten ... 23
Abbildung 9 Geografische Verteilung der Ladestationen nach Bearbeitung der Daten ... 24
Abbildung 10 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie „Bus Station“ in OSM ... 26
Abbildung 11 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie „Parkplatz“ in OSM ... 26
Abbildung 12 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie „Café“ in OSM ... 27
Abbildung 13 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie „Supermarkt“ in OSM ... 27
Abbildung 14 Auslastung der Ladestationen in Dublin ... 34
Abbildung 15 Geografische Verteilung der Ladestationen in Dublin ... 35
Abbildung 16 Zusammenhang zwischen Auslastung und POI Kategorie „Bankomat“ ... 35
Abbildung 17 Zusammenhang zwischen Auslastung und POI Kategorie „Café“ ... 36
Abbildung 18 Zusammenhang zwischen Auslastung und POI Kategorie „Supermarkt“ ... 36
Abbildung 19 Auslastung der Ladestationen in Amsterdam ... 38
Abbildung 20 Geografische Verteilung der Ladestationen in Amsterdam ... 39
Abbildung 21 Zusammenhang zwischen Auslastung und POI Kategorie „Bus Station“ ... 39
Abbildung 22 Zusammenhang zwischen Auslastung und POI Kategorie „Cafe“ ... 40
Abbildung 23 Zusammenhang zwischen Auslastung und POI Kategorie „Supermarkt“ ... 40
Abbildung 24 Zusammenhang zwischen Auslastung und Zentrumsnähe ... 41
Abbildung 25 Zusammenhang zwischen Auslastung und Population ... 41
Abbildung 26 Zusammenhang zwischen Auslastung und Auto-Dichte ... 42
Abbildung 27 Zusammenhang zwischen Auslastung und POI Kategorie „Bus Station“ in OSM ... 43
Abbildung 28 Zusammenhang zwischen Auslastung und POI Kategorie „Café“ in OSM .... 43
Abbildung 29 Zusammenhang zwischen Auslastung und POI Kategorie „Supermarkt“ in OSM ... 44
Tabellenverzeichnis
Tabelle 1 Beispielhafte Darstellung der unterschiedlichen
Ladeinfrastrukturen (BMVI, 2014) ... 7
Tabelle 2 Überblick Ladestationsarten und -zeiten (Deloitte, 2018, 6) ... 8
Tabelle 3 Stakeholder und Ihre Interessen in der Ladeinfrastruktur basierend auf Funke et al (2015); BMVBS (2011); Wirges et al (2010); Hoffmann (2013) ... 12
Tabelle 4 Auflistung der verwendeten POI Kategorien ... 25
Tabelle 5 Gruppierung der POI-Kategorien ... 29
Tabelle 6 Überblick Ergebnisse Graz ... 30
Vorwort
Die vorliegende Arbeit entstand in Zusammenarbeit mit dem Know-Center Graz, die unter an- derem ihre Expertise in der Datenanalyse haben und den Forschungsauftrag von einem Soft- wareunternehmen im Bereich Elektromobilität erhalten haben.
Das im Jahr 2000 in Graz gegründete Know-Center ist Österreichs führendes Forschungszent- rum für Data-driven Business und entwickelt für die Wirtschaft innovative Informations- und Kommunikationstechnologien (www.know-center.tugraz.at).
Durch den starken Handlungsbedarf im Umweltschutz und dem daraus entstanden Wandel in der Automobilbranche haben sich auch die Probleme geändert, denen sich Infrastruktur, Ver- kehr und Gesellschaft stellen müssen. Der Aufbau eines optimalen Ladenetzes ist eine logische Konsequenz daraus und diese Arbeit beschäftigt sich mit der Frage, wie dieser sinnvoll gesche- hen kann und welche Einflussfaktoren dabei entscheidend sind.
Da die Forschungsfrage direkt aus der realen Wirtschaft kommt, freut es mich sehr, dass ich das Know-Center nach einem Bewerbungsverfahren dabei unterstützen durfte. Durch die Arbeit beschäftigte ich mich tiefgründig mit der Materie und erlernte neue Qualifikationen, unter an- derem die Arbeit mit „Big-Data“ und speziell die Datenanalyse in Python.
Ich bedanke mich an dieser Stelle bei allen, die mich bei der Erstellung meiner Masterarbeit fachlich, sowie menschlich unterstützt haben.
1 Einleitung
In den vergangenen Jahren verzeichnete der Elektromobilitätssektor einen starken An- stieg. Gab es 2014 erst 3.386 angemeldete Elektroautos in Österreich, stieg die Anzahl 2018 bereits auf über 20.000 an. Elektroautos wurden so zu den vielversprechendsten Transportalternativen und erfahren große Aufmerksamkeit in der Gesellschaft, sowie in der Wissenschaft. Dem Elektroautobesitzer eröffnen sich unter anderem Vorteile wie der Entfall der NOVA, der motorbezogenen Versicherungssteuer und andere Förderungen und Boni. Der Ausstoß von CO2-Emissionen und hohe Kraftstoffpreise steigern ebenso die Beliebtheit der grünen Lösung. Weltweit werden milliardenschwere Investitionen in die Weiterentwicklung der Batterien und in den Ausbau der benötigten Infrastruktur ge- steckt (Grazer Energieagentur GmbH, 2017).
Der Verkehrssektor verursacht aktuell 28 Prozent an den Gesamtemissionen und liegt an dritter Stelle der wichtigsten Verursacher von Treibhausgasen in Österreich nach dem Energie- und Industriebereich. 99 Prozent der verkehrsbedingten Emissionen stammen aus dem KFZ-Verkehr und davon mehr als die Hälfte vom PKW-Verkehr (Klima- und Energiefonds, VCÖ, Faktencheck E-Mobilität, 2018).
Auch in Anbetracht des Pariser Klimaabkommens muss Österreich bis 2050 einen weit- gehend CO2-neutralen Verkehrssektor erreichen und die Feinstaubbelastung, sowie die Stickoxiden Emissionen deutlich senken. Der Elektroantrieb hat heute das Potential einen signifikanten Beitrag zur Dekarbonisierung des Verkehrs zu leisten (Klima- und Energie- fonds, VCÖ, Faktencheck E-Mobilität, 2018).
Trotz der wachsenden Verkaufszahlen blieben die absoluten Absatzzahlen weit unter den Erwartungen von Experten. Ausschlaggebende Gründe sind vor allem die hohen An- schaffungskosten und die von Nutzern noch als zu gering eingeschätzte Reichweite an Kilometern, bis die nächste Aufladung notwendig ist. Diese stellt bei potenziellen Inte- ressenten noch immer die größte Barriere zum Kauf dar (Deloitte, 2018, S. 2).
Da besonders in Bezug auf die Reichweite und die Qualität der Batterien in den nächsten Jahren viel passieren wird, muss bereits frühzeitig an eine dementsprechende Infrastruk- tur gedacht werden. Skandinavien nimmt hier europaweit eine Spitzenreiterposition ein und gilt zusammen mit der Stadt Amsterdam als Vorreiter in Bezug auf Elektromobilität und der dafür notwendigen Ladeinfrastruktur. Der Anteil an Elektro-Pkw und Pkw- Neuzulassungen ist in Norwegen mit insgesamt 15,7 Prozent unangefochten am höchsten in Europa. Überraschend folgt Österreich mit einem Anteil von 1,2 Prozent, was das Dop- pelte des europäischen Durchschnitts darstellt (Statistik Austria, 2017).
Die sich aufdrängende Frage ist, wie eine dementsprechende Ladeinfrastruktur aufgebaut werden kann. Wie sollen zukünftige Ladestationen positioniert werden, um die entste- hende Nachfrage zu befriedigen und wie kann eine Verteilung der Standorte erreicht wer- den, bei der die Auslastung einzelner Ladestationen möglichst hoch und ausgeglichen ist?
Die Forschungsfrage dieser Masterarbeit lautet daher:
Welche Faktoren beeinflussen die Auslastung von Elektro-Ladestationen?
Die Beantwortung der Forschungsfrage soll aufzeigen, was es für den Ausbau der öffent- lichen Ladeinfrastruktur zukünftig im urbanen Raum zu beachten gilt.
In der jüngsten Vergangenheit wurde dieses Problem zu einem vielversprechenden For- schungsgebiet und es entstanden verschiedene Ansätze der Betrachtung. Die meisten Pa- per beschäftigen sich vor allem mit Fragestellungen zur Kosteneffizienz und wie man eine Infrastruktur nutzenmaximierend unter minimalen Kosten aufbaut. Z. Liu et. al (2013, 103) minimieren in der Zielfunktion ihres Models zum Beispiel die Gesamtkosten im Zusammenhang mit Elektroladestationen inklusive der Kosten für Investment, Betrei- bung und Instandhaltung. Auch Zhu et. al (2016, 12) beschäftigen sich mit der Frage, wie man die Standorte wählt und wie viele Lademöglichkeiten dort installiert werden sollen, unter einem kostenminimierenden Aspekt.
Besonders für Stadtplaner und Strombezieher ergibt sich die Frage aus einem nutzeneffi- zienten Blickpunkt. Pevec et. al (2018, 3103) unterteilte dabei das Stadtgebiet in Zonen und berechnete anhand der Auslastung einer Zone ihre Attraktivität für Standorte von Ladestationen.
Eine Planung anhand von anderen Einflussfaktoren beschrieb Dong et. al (2014, 4) durch die Analyse von Reisedaten und Verkehrsströmen.
Die durchschnittliche Ladedauer eines Elektroautos unterscheidet sich noch immer stark zur klassischen Tankfüllung eines Autos mit Brennstoffmotor. Durchschnittlich muss der Besitzer mit 45 Minuten bei einer Schnellladestation und circa sechs Stunden bei einer normalen Ladesäule rechnen. (Grazer Energieagentur GmbH, 2018). Daher müssen bei der Planung auch andere Faktoren, wie die notwendige Verweildauer am Standort der Ladesäule und die unmittelbare Umgebung dieser miteinbezogen werden. Sogenannte
„Points of Interest“ bezogene Ansätze sind von besonderem Interesse für die Lösung die- ser Problemstellung. Aufgrund von potentiell interessanten Aufenthaltsorten in der un- mittelbaren Umgebung wird auf die Attraktivität der Ladestation selbst zurückgeschlos- sen. Somit können bei einem positiven Zusammenhang zukünftig sinnvolle Standorte er- mittelt werden. Entsprechend relevante Orte sind zum Beispiel Cafés, Einkaufszentren, Banken. Mit solchen Untersuchungen am Beispiel von Amsterdam beschäftigen sich Wagner et. al (2013, 6), (2014, 2).
Der genaue Zusammenhang der Auslastung einer Ladestation und ihrer Position, das Aus- maß eines solchen Zusammenhangs und die möglichen Konsequenzen daraus sind dabei noch größtenteils unbekannt und dienen unter anderem als Motivation dieser Arbeit.
Sobald Städte in der Lage sind eine gut ausgebaute, flächendeckende Infrastruktur anzu- bieten, werden sich auch die Bedenken der Verkehrsteilnehmer ändern und zu weiterhin steigenden Absatzzahlen führen, die wiederum in die Auslastung der bereitgestellten Inf- rastruktur führt, was im Weiteren zur Amortisierung der Investitionskosten führt (Wagner et. al, 2013, S. 16).
1.1 Zielsetzung
Die verschiedenen Einflussfaktoren von gut funktionierenden Ladestationen sollen her- ausgefunden und analysiert werden. In weiterer Folge soll mit Hilfe von realen Datensät- zen Aussagen über den Zusammenhang von Auslastung und Position einer Ladestation getroffen werden und die Erkenntnisse aus der vorangegangenen Literatur- und Internet- recherche unterstützt werden. Die Ergebnisse sollen dann für die Bestimmung von zu- künftigen Standorten von Nutzen sein.
1.2 Aufbau und inhaltliche Strukturierung
Im zweiten Kapitel werden die theoretischen Grundlagen zum Verständnis der weiteren Arbeit beschrieben. Es dient als Einführung in das Thema Elektromobilität und soll zu- dem auch den derzeitigen Stand beleuchten. Das dritte Kapitel beschäftigt sich bereits speziell mit möglichen Einflussfaktoren aus Benutzersicht und soll dabei die existierende Literatur zusammenfassen. Ebenso wird der verwendete POI-Ansatz ins Spiel gebracht.
Daraus folgend wird es für die Städte Graz, Amsterdam und Dublin eine Analyse der gegenwärtige Ladeinfrastruktur im vierten Kapitel geben. Abschließend werden die Er- gebnisse zusammengefasst und ein Ausblick auf mögliche, weiterfolgende Forschungen gegeben sowie Limitationen in der vorliegenden Arbeit behandelt.
1.3 Methodik
Zur Beantwortung der Forschungsfrage wurde für den ersten Teil der vorliegenden Arbeit auf eine umfassenden Literatur- und Internetrecherche zurückgegriffen. Im zweiten, prak- tischen Teil der Arbeit wird die Auslastung von Ladestationen quantitativ, durch Statisti- ken und Schaubilder, sowie qualitativ, durch Interpretationen und Untersuchungen der Forschungsergebnisse analysiert.
Die Rohdaten stammen teilweise vom Auftraggeber des Know-Center Graz, sowie teil- weise aus Open Source Quellen im Internet. Im vierten Kapitel wird näher auf die Daten- herkunft und die Dateninhalte von den jeweiligen Städten eingegangen.
Die gesamte Bearbeitung der Daten geschah mit Hilfe der Programmiersprache Python.
1.3.1 Cross-industry standard process for data mining
Abbildung 1 Sechs Phasen des CRISP DM (eigene Abbildung)
Cross-industry standard process for data mining oder kurz CRISP-DM ist ein Prozessmo- dell, das eine Anleitung oder auch Leitfaden zur Bearbeitung von (Big-)Data vorgibt. Es unterteilt den Arbeitsprozess in sechs Hauptphasen, wobei die Abfolge nicht strikt ist und die Phasen wiederholend durchlaufen werden können. Der Prozess wird als geschlossener Kreislauf dargestellt, da auch nach der letzten Phase eine Re-evaluierung des Anfangs sinnig ist (Statistik Dresden, 2012).
Die Daten wurden in dieser Arbeit nach CRISP-DM bearbeitet. Im ersten Schritt galt es die Problemstellung selbst zu verstehen, um daraufhin die vorhandenen Daten besser ver- stehen zu können. Zur sinnigen Datennutzung für den Modellbau in weiterer Folge, muss- ten sie dementsprechend bearbeitet, gereinigt und überprüft werden. Nach der Modellie- rung folgt eine Evaluierung der Ergebnisse, was wiederum ein besseres Verständnis des Business Case zu Folge hat. Mit neu gewonnen Erkenntnissen kann der Kreislauf immer wieder von vorne durchgespielt werden. Der sechste Schritt besteht in diesem Fall aus der Präsentation der Ergebnisse, kann aber auch die Integration eines Modells oder andere Implementierungsformen darstellen (Statistik Dresden, 2012).
Daten
Geschäfts- verständnis
Daten- verständ1nis
Daten- vorbereitung
Modellierung Evaluierung
Bereitstellung
2 Elektromobilität
Elektromobilität bezieht sich auf die Entwicklung und Verwendung von elektrisch ange- triebenen und wiederaufladbaren Fahrzeugen und die Abkehr vom traditionellen Fahr- zeugdesign, welches fossile Brennstoffe und Öle verwendet. Unter Einhaltung strenger neuer Vorgaben und Gesetze versucht die Elektromobilität umweltfreundlichere und ef- fizientere Fahrzeuge herzustellen. Elektrofahrzeuge können vollelektrisch oder hybrid sein. Hybridfahrzeuge stellen eine Mischform mit Möglichkeit der Umschaltung zwi- schen klassischem Kraftstoffantrieb und Stromantrieb dar. In die breite Klassifizierung werden auch Fahrzeuge einbezogen, die Wasserstoff als Kraftstoff verwenden (Cle- verism, 2015).
2.1 Ökosystem der Elektromobilität
Aus der Entwicklung der E-Mobilität ist ein hochgradig vernetzter Industriezweig ent- standen. Elementar in Bezug darauf sind die vier Segmente: die Elektrofahrzeuge selbst, die Infrastruktur, die Anbieter und die gesetzlichen Verordnungen. Das Hauptaugenmerk der Elektrofahrzeug-Industrie liegt auf der Entwicklung und Verbesserung neuer Kom- ponenten und die fortlaufende Vermarktung der Fahrzeuge. Teilsegmente umfassen Mar- keting, Fertigung, Finanzierung, Instandhaltung und andere Dienstleitungen in Bezug auf E-Mobility (Cleverism, 2015).
Eine funktionierende Infrastruktur ist auch Hauptthema dieser Arbeit und beschäftigt sich im Allgemeinen mit Ladestationen, Wartung, Abrechnung, Stromerzeugung, -verteilung und -speicher (Cleverism, 2015).
E-Mobilitätsanbieter konzentrieren sich auf die Bereitstellung der Technologien unter Einhaltung gesetzlicher und technischer Voraussetzungen. Weiters fallen auch die Be- reitsteller von Carsharing-Flotten oder E-Mietwagen in das Netzwerk. Jeder Anbieter von E-Mobilität-Diensten muss sich mit der Integration seiner Angebote befassen, um sie für die Kunden attraktiver zu gestalten (Cleverism, 2015).
Regierungen und andere Organisationen legen Vorschriften, aber auch Subventionen fest.
Werden beide Arten erhöht, sichert dies die andauernde Attraktivität der Elektromobilität auch weiterhin. Alternative Anreize statt monetärer Subventionen und steuerliche Vor- teile gibt es in Oslo, Norwegen und teilweise in den USA. Dort wurden bestimmte Stra- ßenspuren festgelegt, die der ausschließlichen Verwendung von E-Fahrzeugen vorbehal- ten sind. Kostenlose Parkplätze und Ladestationen gehören auch hierzulande zu alterna- tiven Anreizen, um potentielle Käufer zu überzeugen (Cleverism, 2015).
2.1.1 Vorteile von Elektromobilität
Unter der Voraussetzung, dass der verwendete Strom nur aus erneuerbaren Quellen be- zogen wird, ergeben sich viele nachhaltige Vorteile durch die Verwendung von Elektro- mobilität. Normale Fahrzeuge weisen einen Wirkungsgrad von etwa 25 Prozent auf, die energieeffizienteren Elektrofahrzeuge sind mehr als dreifach so wirkungsvoll und liegen bei 85 Prozent. Im Vergleich zum Verbrennungsmotor entstehen beim robusten Elektro- motor auch geringere Wartungskosten (Grazer Energieagentur GmbH, 2018).
Noch vorteilhafter wird es in Bezug auf die Betriebskosten. Beispielsweise bei einem Verbrauch von 6,5 Litern pro 100 km und einem Treibstoffpreis von € 1,4 pro Liter ver- braucht ein Kleinwagen im Jahr über € 1.365. Das Elektroauto unter realistischen Annah- men lediglich € 456. Diese Preisdifferenz wird sich in den nächsten Jahren aufgrund sig- nifikant steigender Treibstoffpreise erhöhen. Des Weiteren verringert man dadurch seine Abhängigkeit von Erdöl (Grazer Energieagentur GmbH, 2018).
Für Elektrofahrzeuge fällt weiters keine motorbezogene Versicherungssteuer an, keine Normverbrauchsabgabe und durch ihren geringen CO2 Ausstoß werden sie seit Jänner 2016 steuerlich begünstigt. Außerdem entfällt der Sachbezug, wenn Firmenautos auch privat genutzt werden und sie sind vorsteuerabzugsberechtigt (Grazer Energieagentur GmbH, 2017). Derzeit gibt es noch viele gratis Park- und Tankmöglichkeiten für die Be- sitzer von E-Fahrzeugen.
Zukünftig werden Elektrofahrzeuge zusätzlich eine wichtige Rolle als Zwischenspeicher für Strom spielen (Grazer Energieagentur GmbH, 2018).
Die Reduktion von lokalen Emissionen wie CO2, Stickstoffoxide und Feinstaub ist be- sonders für stark belastete Gebiete wie den Ballungsraum Graz wichtig. Genauso wie die verringerte Lärmbelästigung, die in langfristiger Sicht zu einer erhöhten Lebensqualität beiträgt (Grazer Energieagentur GmbH, 2018).
Die Vereinigten Staaten, die Europäische Union und der Großteil der restlichen Welt ist sich darüber einig, dass E-Mobilität einen immensen Beitrag zum Wirtschaftswachstum leisten kann. Laut Experten boomt der Sektor in den nächsten Jahren und wird bis 2020 global in einen 390 Milliarden US-Dollar-Markt wachsen (Cleverism, 2015).
2.1.2 Herausforderungen in der Elektromobilität
Nach wie vor stellen die Kosten in der Anschaffung eines der größten Hemmnisse dar.
Trotz der Förderung und der Steuerreform 2016 sind E-Autos in der Anschaffung teurer als normal betriebene Fahrzeuge (Grazer Energieagentur GmbH, 2017).
Aufgrund der hohen Energiedichte im Vergleich zu anderen Batteriearten erreicht die Li- thium-Ionen-Batterietechnologie, welche in den meisten Elektrofahrzeugen verbaut ist, relativ hohe Reichweiten. Durch die Lade- und Entladezyklen entstehen jedoch
chemische Alterungsprozesse, die die Batterien in ihrer Nutzungsdauer begrenzen (C.
Hoyer, 2015, 2). Beispielswiese ist bei Realisierung von Plänen der Deutschen Bundes- regierung bis zum Jahr 2025 mit dem Vorhandensein von mehr als hunderttausend Ton- nen gealterter Batterien allein in Deutschland zu rechnen (Deutsche Bundesregierund 2009, 17). Bislang gibt es keine gut ausgereiften Prozesse oder Anlagen, die die Rück- führung und Behandlung der Batterien sicherstellen können (C. Hoyer, 2015, 3)
Außerdem gibt es im europäischen Raum kein Vorkommen der enthaltenen Metalle Li- thium und Cobalt, was eine starke Abhängigkeit von den wenigen produzierenden Län- dern mit Vorkommnissen, ähnlich zum Öl, für die Europäische Union ergeben kann (C.
Hoyer, 2015, 3).
Im Spezialfall von Graz und allgemein der Steiermark stellt auch die Topographie des Landes eine Herausforderung dar. Die charakteristischen Gebirge und die Abgeschieden- heit mancher Gebiete reduzieren zusätzlich die bereits limitierte Reichweite der Fahr- zeuge, besonders im Winter (Grazer Energieagentur GmbH, 2017).
Auch das oft fehlende Bewusstsein bezüglich Elektromobilität muss durch viel Aufklä- rungsbedarf erst aufgebaut und bestärkt werden (Grazer Energieagentur GmbH, 2017).
2.1.3 Unterscheidung öffentliche, halb-öffentliche und private Ladestationen
Generell wird zwischen öffentlichen, halb-öffentlichen und privaten Ladestationen un- terschieden. Zum einen in Bezug auf die Zugänglichkeit für Nutzer, zum anderen in Be- zug auf die Eigentumsverhältnisse an der Fläche selbst. Die nachstehende Darstellung gibt einen guten Überblick mit Beispielen: (Begleit- und Wirkungsforschung Schau- fenster Elektromobilität, 2016):
Zugang für Nutzer Eigentum an der Fläche
Offen öffentlich privat
Öffentlich bewirtschaftetes Stra- ßenland, auch Anwohnerparken in Wohngebieten
z.B. Bahnhofsvorplatz
Begrenzt
offen, zeitlich begrenzt z.B. Supermarkt, Tankstellen
und andere
Beschränkt
Bestimmte Nutzergruppen
z.B. Parkplätze für Lieferanten, Behinderte, Polizei, Feuerwehr, Carsharing-Fahrzeuge etc.
z.B. Parkgaragen, Hotel Firmenparkplätze
Einzelzugang z.B. an bestimmte Fahrzeuge o- der Kennzeichen gebundene Parkerlaubnis
Privater Stellplatz (zum Beispiel Garage, Carport)
öffentlich halböffentlich privat
Tabelle 1 Beispielhafte Darstellung der unterschiedlichen Ladeinfrastrukturen (BMVI, 2014)
2.1.4 Spezifika der Ladesäulen
Durch mittlerweile europaweit geltende Standards und Normen in der Ladetechnik, wird der verstärkte Einsatz von E-Fahrzeugen auch länderübergreifend ermöglicht. Mit der- zeitigem Stand der Technik stehen für das Aufladen grob drei Arten von Ladestationen zur Verfügung
• Gewöhnliche Steckdosen, die oft im privaten Bereich zum Einsatz kommen und mit weniger als 3,7 kW einiges an Zeit beanspruchen.
• Normalladestationen, die öffentlich mit einer maximalen Leistung von 22kW zur Verfügung gestellt werden.
• Schnellladestationen mit Leistungen über 22kW oder auch sogenannte Superchar- ger, welche mit besonders kurzen Ladezeiten durch eine Ladeleistung von über 120 kW punkten. Fahrzeuge müssen aber für diese Ladetechnik ausgelegt sein, was bei dem Großteil der angebotenen Elektrofahrzeuge noch nicht der Fall ist (Deloitte, 2018, 4).
Zum besseren Verständnis der Auswirkungen der verschiedenen Wahlmöglichkeiten soll die nachstehende Tabelle beispielhaft einen Überblick schaffen:
VW E-Golf (2017) Renault ZOE (2017) Tesla Modell S 100D
Ladekapazität 35,8 kWh 41 kWh 100 kWh
Verbrauch
(Sommer) 17,9 kWh pro 100km 13,7 kwH pro 100 km 18,6 kWh pro 100 km
NEFZ-Reichweite 300 km 400 km 632 km
Alltagsreichweite
(Sommer) ca. 200 km ca. 300 km ca. 420 km
Alltagsreichweite
(Winter) ca. 175 km ca. 200 km ca. 260 km
Ladezeit Schuko
(Spannungstyp AC) (3,7 kW)
9,7 Stunden 11 Stunden 27 Stunden
Typ 2 dreiphasig
(AC) (22kW) 1,6 Stunden 1,9 Stunden 4,6 Stunden
CCS (DC) (50kW) 0,7 Stunden 0,8 Stunden 2 Stunden Supercharger
(120kW) Nicht verwendbar Nicht verwendbar 0,8 Stunden
Tabelle 2 Überblick Ladestationsarten und -zeiten (Deloitte, 2018, 6)
Der Standardstecker für das Laden von Elektrofahrzeugen ist in Österreich der Typ2, der von der deutschen Firma Mennekes entwickelt wurde. Die meisten Schnellladestationen verfügen über mehrere Optionen wie z.B. Typ2, CCS, CHAdeMO (Germany Trade and Invest, 2018).
Mit zunehmender Reichweite und Ladekapazität werden somit das schnellere Aufladen und vor allem der zügige und effiziente Ausbau einer dies bietenden Infrastruktur immer wichtiger (Deloitte, 2018, 6).
Das Deutsche Zentrum für Luft- und Raumfahrt errechnete im Rahmen des Projekts „La- den2020“ einen Bedarf von etwa 33.000 öffentlichen und halböffentlichen Ladepunkten für eine Million Elektrofahrzeuge für den Alltagsverkehr (DLR, 2017).
Prinzipiell unterscheidet man auch die Art der Energieversorgung von Elektrofahrzeugen, also auf welche Weise die Batterie geladen wird. Die kabelgebundenen Möglichkeiten sind Wechselstromladen und Gleichstromladen. Bei ersterem sitzt die Ladeeinheit im Fahrzeug und wird mit einer Versorgungseinrichtung mit dem Wechselspannungsnetz verbunden, bei letzterem befindet sich die Ladeeinheit außerhalb des Fahrzeuges und wird direkt von einer DC-Ladestation mit Gleichstrom versorgt. Bei der kabellosen Va- riante, dem induktiven Laden, wird ähnlich einem Induktionskochfeld die Energie durch ein elektromagnetisches Feld übertragen. Die Technologie ist noch nicht kommerziell verfügbar und wird nur vollständigkeitshalber erwähnt (Nationale Plattform Elektromo- bilität, 2013).
Eine ebenso mögliche Variante ist der Batteriewechsel selbst. Dieser würde das Laden ersetzen und ein Weiterfahren innerhalb weniger Minuten ermöglichen. Auch hier ist eine praktische Umsetzung in Europa nicht absehbar (Nationale Plattform Elektromobilität, 2013).
2.2 Derzeitiger Stand der Elektromobilität in Österreich
Der Bestand an Elektrofahrzeugen in Österreich wuchs mit Jänner 2019 auf 21.300 Fahr- zeuge heran. Der Anteil von Elektrofahrzeugen an den Neuzulassungen stieg im Februar 2019 um 31,6 Prozent, mehr als im Vergleichszeitraum 2018. Aktuell sind 2,5 Prozent aller Neuzulassungen E-PKW (Statistik Austria, 2019).
Abbildung 2 Anzahl von öffentlich zugänglichen Ladestationen in Österreich seit 2012 (Statista, 2018)
Mit Stand Ende Jänner 2019 existieren in Österreich knapp 5.000 öffentlich zugängliche Ladepunkte. Die Steiermark belegt dabei im Bundesländervergleich den dritten Platz mit 630 Ladestationen. In Niederösterreich ist der Bestand fast doppelt so hoch (KELAG, E- tankstellen-finder.com, 2019).
Vor allem das Wachstum an Ladestationen in Österreich ist beträchtlich. Existierten 2016 2.356 öffentliche Ladestationen und 346 Schnellladepunkte, waren es ein Jahr später be- reits 3.178 Ladestationen und 528 Schnelllader. Durch die primäre Stromerzeugung durch Wasserkraft, sprechen auch Umweltschutzargumente für eine weitere Expansion (Ger- many Trade and Invest, 2018).
Die Akzeptanz seitens der Benutzer für öffentliches Laden ist derzeit aber noch verhalten.
Fast 90 Prozent laden ihr Fahrzeug zu Hause auf. Unter zehn Prozent laden unterwegs und knapp fünf Prozent laden an Schnellladestationen (Germany Trade and Invest, 2018).
Dennoch ist die öffentliche Ladeinfrastruktur eine wichtige Bedingung für die massen- kompatible Verbreitung von Elektromobilität (Funke et al, 2015, 73)
Die Infrastruktur dominieren in Österreich grundsätzlich zwei Netze. Zum einen Smatrics, welche das einzige flächendeckende Hochleistungs-Ladenetz betreiben, sowie die Verbund AG. Letzterer garantiert sogar hundertprozentigen Strom aus Wasserkraft (Germany Trade and Invest, 2018).
Der Anteil der PKW mit elektrischem Antrieb beträgt rund 0,4 Prozent des Gesamtbe- stands von Personenkraftwagen in Österreich (Statista, 2018).
Die Anschaffung in Österreich wird weiterhin stark gefördert, so wurde erst ein neues Förderpaket für E-Mobilität 2019/2020 von der österreichischen Bundesregierung und
1060 1160 1327 1327
2062 2592
3 13 66 320
414
416
0 500 1000 1500 2000 2500 3000 3500
2012 2013 2014 2015 2016 2017
Anzahl der Ladestationen
Öffentlich zugänglichen Ladestationen in Österreich
Ladestation mit Normalleistung Ladestation mit Hochleistung
der Fahrzeugimporteure beschlossen. In dieser gemeinsamen Förderungsaktion des Bun- desministeriums für Nachhaltigkeit und Tourismus und des Bundesministeriums für Ver- kehr, Innovation und Technologie, der Autoimporteure, der Zweiradimporteure sowie dem Sportfachhandel wird die Anschaffung von E-Fahrzeugen für den privaten und be- trieblichen Einsatz unterstützt. Auch für Unternehmen, Gemeinden und Vereine gibt es neue Fördersätze und unter anderem wird nun auch der Bau von öffentlich zugänglichen Ladestationen mit bis zu 20.000 Euro gefördert (Kommunalkredit Public Consulting GmbH, Umweltförderung.at, 2019).
2.2.1 Interessensgruppen im Aufbau von Ladeinfrastruktur
Der Aufbau von Infrastruktur in der Elektromobilität beinhaltet für verschiedene Interes- sensgruppen unterschiedliche Hauptziele, die berücksichtigt werden müssen. Die wich- tigsten vier Stakeholder in diesem Bezug sind die Elektrofahrzeug-Benutzer, die Betrei- ber der Ladestationen, die Gemeinden bzw. öffentliche Verwaltungen und nationale Be- hörden wie beispielsweise die EU. Jeder Akteur hat einen unterschiedlichen Blickwinkel auf das Thema und das Verständnis dafür ist elementar zur Weiterentwicklung der Lad- einfrastruktur (Funke et al, 2015, 83).
Aus Sicht der Behörden ist neben einer hoch frequentierten Lage, auch die passende Ver- flechtung in den Stadtraum sowie eine intermodale Integration wichtig. Damit gemeint ist, dass die ideale Ladestation über eine gute Anbindung zum öffentlichen Verkehr ver- fügt und damit eine Vernetzung der verschiedenen Verkehrskanäle erreicht werden kann.
Besonders für Städte, die stark unter Pendlerverkehr leiden ist dies ein Faktor der wichtig für die nachhaltigen Mobilitätsgestaltung ist. Durch kontinuierliches Monitoring der Nachfrage sollte eine bedarfsgerechte Infrastruktur entstehen und so Über- oder Unterdi- mensionierungen von Standorten vorbeugen. Damit ein offenes Ladenetzwerk zur Ver- fügung gestellt werden kann, müssen auch Standards in der Abrechnung von Ladevor- gängen befolgt werden. Grundvoraussetzung ist die ausreichende Netzqualität am Stand- ort (BMVBS, 2011, 11).
Für die Betreiber ergeben sich zusätzliche Kriterien in Hinblick auf den kostenmäßigen Aufwand. Die bauliche Errichtung von Standort sowie Netzanschluss ist neben den lau- fenden Kosten für den erfolgreichen Betrieb relevant. Um die gewünschte Auslastung erreichen zu können, müssen attraktive Standort gefunden werden (BMVBS, 2011, 12).
Nach der Standort-Evaluierung folgt für den Betreiber ein Genehmigungsprozess, der sich je nach Gemeinde und zuständige Behörde unterscheiden kann. Beteiligt können da- bei eine Vielzahl von Ämtern und Organisationen sein, was zu einer hohen Komplexität des Verfahrens führt (BMVBS, 2011, 21).
Allen voran steht die technische Umsetzbarkeit, ohne derer der Aufbau von Infrastruktur nicht erfolgen kann. Gestellt werden hohe Anforderungen an die Systeme, Säulen und
Stecker, um die Sicherheit von Daten, Fahrzeugen und vor allem Personen gewähren zu können.
Nachstehende Tabelle soll überblicksmäßig die einzubeziehenden Aspekte zusammen- fassen: (Funke et al, 2015, 83-87).
Benutzer Lokale/nationale
Behörden Betreiber
Hauptziel/
Motivation Größtmögliche Mobi- lität unter geringst- möglichen Zusatzkos- ten
Konsequenz durch den öffentlichen Versor- gungsauftrag
Infrastruktur als Businessmodell
Basiskrite-
rien • Erreichbarkeit
• Uneingeschränkt- heit
• Sicherheit
Einhaltung verschiede- ner Vorschriften:
• Feuerprävention
• Schutz für histori- sche Denkmäler
• Profitabilität
• Netzstabilität
Weitere Kriterien Mikroper- spektive
Sichtbarkei
t Station muss einfach
zu finden sein Unauffällige Integration ins Stadtbild versus sichtbare Integration für das Image einer „Green City“
Gute Sichtbarkeit für hohe Auslas- tungsraten
Standort • Einfacher Zugang
• Sicherheit
• Schutz vor Witterung
• Nicht-diskriminie- render Zugang
• Sicherheitsvorkeh- rungen im Verkehr
• Möglichkeiten zum Ausbau
• Geringe Kosten für Installation und Erhaltung Weitere Kri-
terien Makroper- spektive
• Orientierung an der Nachfrage
• Hohe Verfügbarkeit (geringe Ausfallquo- ten)
• Vermeidung von Parkplatz-Mangel
• Unterstützung Inter- modalität
Hohe Auslastung versus
Netzstabilität
Kosten
Geringe Zusatzkosten
für Ladevorgänge Parkplatzgebühren als
Einkommen Geringe Kosten
für Parkplätze und Netzanschluss Tabelle 3 Stakeholder und Ihre Interessen in der Ladeinfrastruktur basierend auf Funke et al (2015); BMVBS (2011); Wirges et al (2010); Hoffmann (2013)
Aus dem technischen Leitfaden für Infrastruktur (Nationale Plattform Elektromobilität, 2013) geht in Bezug auf den Standort außerdem hervor, dass dieser so zu wählen ist, dass Benutzer ihre Fahrzeuge ohne etwaige Verlängerungskabel anschließen können. Auch hat die Ladeinfrastruktur in unmittelbarer Nähe von ein oder zwei Parkplätzen zu stehen, ohne dabei eine Gefährdung für den Verkehr darzustellen.
3 Einflussfaktoren für die Auslastung von Ladestationen
Der nachfolgende Literaturüberblick soll einen Eindruck geben, welche Variablen bei der zukünftigen Positionierung von öffentlichen Ladestationen eine Rolle spielen können.
Die Faktoren, die das Ladeverhalten von Benutzern am stärksten beeinflussen sind die Marktdurchdringung von Elektrofahrzeugen selbst, die Performance der Batterie, Kos- tenaspekte, existierende Anreizprogramme sowie die vorhandene und zukünftige Infra- struktur (Azadfar et al, 2015, 1075).
Diese Arbeit konzentriert sich vor allem auf den Faktor Infrastruktur, der in der Literatur als einer der essentiellen Hauptfaktoren in Bezug auf die Formung von Lade- und Fahr- verhalten und die allgemeine Integration und Akzeptanz von Elektrofahrzeugen charak- terisiert wird (Azadfar et al, 2015, 1075).
Das Ergebnis einer Studie zeigt, dass in Deutschland die durchschnittliche Erreichbarkeit einer öffentlichen Ladestation bei 65 Prozent liegt und die durchschnittliche Auslastung nur 3,5 Prozent beträgt (Kleiner et al, 2018, 219).
Im Rahmen der Modellregion Elektromobilität Großraum Graz wurde eine Begleitfor- schung zu Nutzerverhalten, -akzeptanz und-bedürfnisse durchgeführt. Die Ergebnisse zeigten, dass zwei Drittel der Befragten ausschließlich an der eigenen Ladestelle zu Hause oder in der Firma laden. Ein Viertel gibt an, dass sie gelegentlich öffentlich laden (Fabian et al, 2016, 19,23).
Für den richtigen Aufbau einer öffentlichen Ladeinfrastruktur und ein dafür notwendiges Umdenken der Benutzer stellt sich nun die Frage, welche Einflussfaktoren eine Rolle dabei spielen. Die nachfolgende Literaturrecherche soll verschiedene Aspekte beleuch- ten.
Entlang nationaler Straßennetzwerke wurden die wichtigsten Variablen für die Auslas- tung einer Ladestation wie folgt identifiziert: das Verkehrsvolumen, die Entfernung zur nächstgelegenen Schnellladestation und die verfügbaren Services an der Ladestation selbst (Csonka et al, 2017, 774). Das Hauptaugenmerk der Analyse bezieht sich jedoch auf das urbane Stadtgebiet.
Die Befragungen in der Modellregion Großraum Graz zeigten klar, dass sich die Benutzer in der Stadt vor allem beschleunigtes Laden wünschen und ihnen die Beratung und Infor- mation durch den Ladestellenprovider wichtig sind. Dabei geht es zum einen um die zur Verfügung Stellung geeigneter Kabel und abgesicherter Stecker und zum anderen um den Erhalt von aktuellen Informationen (Fabian et al, 2016, 23). Diese Informationen werden größtenteils von diversen Internetportalen eingeholt, die auch Auskunft über Fehlermel- dungen und die Betriebsbereitschaft von Ladestationen geben.
Einer der genannten Gründe für die noch fehlende Akzeptanz von öffentlichen Ladesta- tionen ist die empfundene Komplexität. Benutzer empfinden den Prozess als aufwendig.
Unklarheiten darüber, ob der Stecker passt, sie im Besitz der richtigen Bezahl-Karte sind und über die Dauer des Vorgangs, hält viele Elektroauto-Besitzer vom öffentlichen Laden ab (Fabian et al, 2016, 23).
Der Wunsch nach einer einfachen Handhabe im gesamten Prozess wird wiederholt ge- nannt und bezieht sich unter anderem auf die Abrechnungssysteme. Zusätzlich verringert sich die Komplexität, wenn gut funktionierende Informationssysteme existieren, welche Informationen über die Station und den Ladevorgang selbst bereitstellen (Peters et al, 2010, 20).
In der Forschung zur Nutzerakzeptanz von Elektromobilität von Peters et al (2010, 19) kamen die Autoren unter anderem durch Experteninterviews auf die Einschätzung, dass öffentliches Laden auch eine psychologische Funktion erfüllt. Die Benutzer wollen die Sicherheit unterwegs aufladen zu können, falls die Kapazität nicht reicht, nach Hause oder zu ihrem Ziel zu kommen. Die Implikation daraus ist, dass die Ladestationen pro- minent platziert werden sollen und diese zentrale Positionierung wichtiger ist, als eine hohe Dichte an Stationen zu erreichen.
Die Wichtigkeit für den Aufbau einer öffentlichen Ladeinfrastruktur erklärt sich Mor- rissey et al (2016, 268) ebenfalls stark durch die Angst der Benutzer in Bezug auf die Reichweite, vor allem bei Mittel- und Langestrecken. Diese psychologischen Faktoren und die damit eingehenden Interaktionen beschreiben auch Zhang et al. (2018, 506) als wesentlichen Faktor für den erfolgreichen Betrieb einer Ladestation.
Die Weiterentwicklung der Technologie von Elektroautos und Batterien beeinflussen die Wahrnehmung und das Verhalten der Benutzer, was wiederum die Reichweiten-Ängste senkt und zu einer höheren Akzeptanz von Elektroautos im Allgemeinen führen kann (Zhang et al, 2018, 506).
Ein wichtiger Faktor ist auch der Zeitpunkt der Ladevorgänge und deren Dauer. Wolber- tus et al (2018, 3,4) erstellten in Bezug auf die Ladedauer vier Nutzergruppen. Die Gruppe
„stop & charge“ nutzt kurze Gelegenheiten von maximal 1,5 Stunden um die Fahrzeuge aufzuladen, was oftmals am Nachmittag geschieht. „park & charge“ beschreibt die Gruppe, die einen Ort länger besuchen und eine Dauer von 1,5 bis sieben Stunden zum Laden nutzen. Während der Arbeit laden die Nutzer „work & charge“ ihre Fahrzeuge bis zu elf Stunden. Über-Nacht-Ladungen benennen die Autoren „home & charge“, da sie bis zu 24 Stunden angeschlossen sind. Alles darüber tritt eher selten auf und kann durch Ladevorgänge über das Wochenende erklärt werden.
Am häufigsten, zu je einem Drittel, entfallen die Ladungen in die Kategorien „park &
charge“, sowie „home & charge“ (Wolbertus et al, 2018, 3-6). Letzteres bestärkt wieder die Theorie, dass die Mehrheit nach wie vor zu Hause lädt. Die erste Gruppe hingegen ist
für die weitere Forschung sehr interessant. Die Ladezeit von 1,5 bis sieben Stunden im- pliziert, dass der Benutzer in der Zwischenzeit in der näheren Umgebung einer Beschäf- tigung nachgeht. Dieser Theorie folgt, dass Benutzer ihre Tankstellen bewusst aufgrund irgendwelcher Aufenthaltsorte nah der Ladestation wählen, um das Laden mit anderen Aktivitäten zu verbinden oder sich während dem Laden zu beschäftigen.
Die durchgeführte Datenanalyse von Morrissey et al (2016, 268) ergab ebenfalls, dass die öffentliche Ladeinfrastruktur nicht für lange Ladevorgänge verwendet wird und die durchschnittliche Ladedauer dort drei Stunden beträgt. Mit einer durchschnittlichen An- zahl von nur 0,2 Ladevorgängen pro Tag wird auch die allgemein noch niedrige Auslas- tung von öffentlichen Stationen bestätigt.
3.1 Points of Interest
Das Hauptargument für die Wichtigkeit von POIs in der Implementierung und dem Be- trieb von Ladestationen ergibt sich aus dem großen Unterschied zwischen dem Laden von Elektrofahrzeugen und dem klassischen Betanken von Kraftfahrzeugen mit Brennstoff- motor: die benötigte Zeit. Benötigt ein Tankvorgang im Normalfall keine fünf Minuten, muss man für das Aufladen mindestens 20 Minuten, ohne Schnelllademöglichkeit sogar mehrere Stunden, einrechnen. Da der Benutzer in dieser Zeit nicht nur im Auto herumsit- zen möchte, wird die Frage, wo er lädt zur Frage, wo er parkt und sich damit sinnvoll beschäftigen kann (Wagner et al, 2014, 5).
Generell gesagt, repräsentieren Point of Interests mögliche Reisedestinationen, auf die ein Elektrofahrzeug-Benutzer abzielt. Der mögliche Zusammenhang zwischen einem be- stimmten POI und der Auslastung einer Ladestation liegt nahe, da der Fahrer zum einen an einen gewissen Umkreis an die Ladestation während der Dauer der Ladung gebunden ist und zum anderen auch eine Heterogenität in Bezug auf die benötigte Zeit für verschie- dene Aktivitäten besteht. So benötigt man für den Restaurantbesuch mehr Zeit, als für das Abheben von Geld am Bankomaten. Daher die Vermutung, dass verschiedene POI-Kate- gorien einen verschiedenen Einfluss haben (Wagner et al, 2013, 6).
Die Ergebnisse von Wagner et al (2013, 7) bestätigen auch einen positiven Einfluss bei den Kategorien „food“, „health“ und „museum“. Die Aktivitäten in diesen Kategorien sind tendenziell sehr zeitkonsumierend und anders als in der Kategorie „finance“, wo keine Signifikanz festgestellt wurde. Die Autoren sehen allgemein einen signifikanten Einfluss von POIs auf die Auslastung von Ladestationen in Amsterdam.
Dong et al (2019, 87) zeigten, dass in London die Arbeitsplatz-Population und herr- schende Verkehrsflüsse signifikant mit der Nachfrage von Lademöglichkeiten verbunden sind. Auch die Dichte an Transport, Lebensmittel- und anderen Einkaufsmöglichkeiten zeigen eine signifikante, positive Assoziation.
Mit Hilfe einer groß angelegten Umfrage versuchten Anderson et al (2018, 341-350) die realen Präferenzen von Elektrofahrzeug- und Hybridfahrzeugbesitzern herauszufinden.
Die Teilnehmer konnten frei nach ihren Bedürfnisse Ladestationen in Deutschland ver- teilen und insgesamt war ein sehr starker Wunsch von allen Benutzern nach dem Ausbau von öffentlicher Infrastruktur da, wenn auch nur ein geringer individueller Bedarf be- stand. Im Durchschnitt wurden 3,2 Stationen positioniert, obwohl keine Grenze nach oben vorgegeben war. Die mehrheitliche Nachfrage galt mittel-schnellen Stationen und Stand- orte mit unterschiedlichen Lade-Möglichkeiten. Der Wunsch nach Stationen in der Nähe der eigenen Arbeitsstätte und POIs wie Einkaufs- und Freizeitmöglichkeiten, war, neben dem der guten Erreichbarkeit, der signifikanteste. Die Resultate zeigten aber auch kon- gruent zur bisherigen Literatur, dass die Benutzer durch die öffentlichen Stationen nicht die Deckung Ihrer täglichen Lade-Bedürfnisse erwarten, sondern zusätzliche Sicherheit.
Auch Philipsen et al (2016, 123) und Sheldon et al (2019) kamen bei Ihren Erhebungen auf ähnliche Werte in Bezug auf die Wichtigkeit der Nähe zum Arbeitsplatz und zu POIs, wie Einkaufsmöglichkeiten. Krause et al (2018, 9) spezifizierte sogar, dass der ge- wünschte POI nicht weiter als 50 Meter entfernt sein soll und zumindest zwei Ladepunkte verfügbar sein sollten. Ebenso spielte der zurückzulegende Umweg zur Erreichung der Ladestation eine wichtige Rolle.
Im Unterschied zu bisherigen Veröffentlichungen ordneten jedoch die Befragten in der Studie von Philipsen et al (2016, 123) die Nähe zu Autobahnstationen die höchste Wich- tigkeit zu. Auch klassische Tankstellen wurden dort als beliebter Standort genannt.
Die wichtigsten Kriterien für die Evaluierung von Standorten waren Zuverlässigkeit und die Möglichkeit eines doppelten Verwendungszweckes im Sinne von Zeit und Strecke.
Zweiteres ist wiederum gleichzusetzen mit der Erreichbarkeit von relevanten POI in der Nähe der Station, um weder Zeit zu verschwenden noch Umwege zu fahren. Diesen As- pekten folgen Erreichbarkeit und Sicherheitsaspekte für den Fahrer sowie sein Fahrzeug.
Die Lademöglichkeit rund um die Uhr erfuhr die höchste Zustimmung bei den Anforde- rungen der Station selbst (Philipsen et al, 2016, 123-126).
4 Case Studies
Nachfolgend wird anhand von realen Daten die derzeitige Ladeinfrastruktur von drei ver- schiedenen Städten (Graz, Dublin und Amsterdam) betrachtet. Wobei jeweils zuvor auf die Ausganssituation eingegangen wird und wie die Daten bearbeitet wurden. Auszüge aus den Ergebnissen und anschauliche Grafiken sollen den Zusammenhang zwischen Standortattraktivität und Auslastung der dortigen Ladestationen widergeben.
4.1 Graz
Die Landeshauptstadt des zweitgrößten Bundeslandes, der Steiermark, ist mit rund 290.000 Einwohnern die zweitgrößte Stadt Österreichs (Homepage Stadt Graz, 2019).
Graz besitzt neben einem großen Rad- und öffentlichem Verkehrsnetzwerk rund 130 km Landes- beziehungsweise Bundesstraßen, 1050 km Gemeindestraßen und 47 km Auto- bahnen (Stadt Graz, 2019).
Die PKW-Dichte in Graz stieg seit 2011 kontinuierlich an und erreichte Ende 2018 den Wert von 474,8 Kraftfahrzeugen je 1000 Einwohner (Amt der Steiermärkischen Landes- regierung, Landesstatistik.steiermark.at, 2019).
Laut dem Stadtportal Graz legen 29 Prozent der Grazer mit dem Auto Wege unter drei Kilometer zurück, was ein großes Potential zum Umsteigen zu umweltfreundlicheren Al- ternativen birgt (Stadt Graz, 2019). Bereits 2010 wurde die „E-Mobility Modellregion“
im Großraum Graz ins Leben gerufen. Neue Verkehrskonzepte wie TIM, e-Bus Testbe- triebe und e-Taxis waren die zentralen Projekte und ein wichtiger Schritt in eine nachhal- tige Zukunft (Grazer Energieagentur GmbH, 2017).
Das Tankstellen-Verzeichnis Goingelectric.de verzeichnet in Graz derzeit über 70 öffent- liche Ladestationen in Graz (Weemaes, Guy; Goingelectric.de, 2019).
Steiermark weit sind mit Jahresende 2018 3188 PKWs mit Elektroantrieb gemeldet, was 0,42 Prozent des Gesamtbestandes ausmacht (Amt der Steiermärkischen Landesregie- rung, Landesstatistik.steiermark.at, 2019). Graz ist jene Landeshauptstadt mit den öster- reichweit meisten Neuzulassungen an Elektro-PKW in der Höhe von 2,7 Prozent aller Neuanmeldungen (Statistik Austria, 2019).
4.1.1 Ausgangssituation
Das Know-Center Graz erhielt vom Auftraggeber sogenannte „Charge logs“, also anony- misierte Aufzeichnungen über einzelne Ladevorgänge an Ladestationen, welche die fol- genden Daten enthielten:
• ID: Identifikationsnummer einer Ladestation
• Vorheriger Status: zuletzt gemessener Status einer Ladestation vor der Aufzeich- nung
o NaN (not a number) o available
o occupied o faulted
• Neuer Status: aktualisierter Status einer Ladestation nach der Aufzeichnung
• Connector ID: Identifikationsnummer eines Konnektors einer Ladestation
• Power Rating: Maximale theoretische Kraft in kW während Ladevorgang
• Volt: Maximal mögliche Kraft in Volt während Ladevorgang
• Power: Maximal mögliche Kraft in Ampere während Ladevorgang
• Start: Datumstempel bei Start der Aufzeichnung
• End: Datumstempel beim Ende der Aufzeichnung
• Geographische Koordinaten (Längen- und Breitengrad)
• Straße
• Postleitzahl
• CP-Model
• CP-Hersteller
• Mandant
• Firma
Nachdem Positionen mit fehlenden Daten herausgefiltert wurden, verfügte der Datensatz in Graz noch über 57 Ladestationen. Eine Ladestation kann eine oder mehrere Konnektoren, also Anschlüsse oder auch Stecker haben. Die Charge Logs werden für jeden Anschluss extra geführt und später anhand der Identifikationsnummer zu der ent- sprechenden Ladestation zugeordnet. Die Anzahl der Konnektoren pro Ladestationen wird nach dieser Aggregation noch als Zusatzinformation mitgeführt.
4.1.2 Bearbeitung der bereitgestellten Daten
Für jede Ladestation, die mindestens eine Woche lang in Betrieb war, wurde die gesamte Verfügbarkeit errechnet, also die Zeit, bei der die Ladestation den Status „available“
hatte. Danach wurde die Dauer eines jeden Ladevorgangs berechnet. Die Auslastung ergab sich durch die Division der Zeit, in der der Konnektor verwendet wurde durch die Zeit, in der der Konnektor verfügbar war. Die Auslastung eines jeden Konnektoren ent- hält Werte zwischen null und eins. Anschließend wurde pro Ladestation die durchschnitt- liche Auslastung der dazugehörigen Konnektoren berechnet und für die Gesamtauslas- tung der Ladestation verwendet.
Die erste Darstellung zeigt die Verteilung der Auslastungen von den Ladestationen in Graz. Klar ersichtlich ist, dass der Großteil der Ladestationen eine Auslastung von unter zehn Prozent hat. Ladestationen mit höheren Auslastungen sind eher die Ausnahme und stark in der Minderheit.
Abbildung 3 Auslastung der Ladestationen in Graz
Im nächsten Schritt soll die Attraktivität der einzelnen Ladestationen anhand von interes- santen Punkten der Umgebung, so genannten „Points of Interest“, errechnet werden.
Google benennt 67 vordefinierte Kategorien solcher POI, die nachstehend beispielhaft aufgezählt werden.
• Bankomat
• Bar
• Bus Station
• Café
• Arzt
• Einkaufszentrum
• Supermarkt
• ….
Zur Berechnung einer Kennzahl von relevanten POIs in unmittelbarer Umgebung der La- destation, wird das im Paper von Wagner et. al 2014 präsentierte Modell zur Berechnung von „Relevanz-Scores“ verwendet. Laut den Autoren soll die Distanz einer jeden La- destation, zu der ihr nahestehenden POIs, durch die Verwendung der Euklidischen Dis- tanz erfolgen. Daraus kann der Relevanz-Score 𝑟𝑟𝑖𝑖,𝑗𝑗,𝑘𝑘 für jede Ladestation 𝑖𝑖, POI 𝑗𝑗 von POI-Kategorie 𝑘𝑘 kalkuliert werden. Dies erfolgt unter der Annahme, dass die Relevanz eines POI exponentiell mit seiner Entfernung zur Ladestation abnimmt.
𝑟𝑟𝑖𝑖,𝑗𝑗,𝑘𝑘 = 𝑒𝑒−𝑏𝑏∗𝑑𝑑𝑖𝑖,𝑗𝑗,𝑘𝑘
Der Parameter 𝑏𝑏 kann freigesetzt werden, um die absteigende Relevanz der Entfernung zu kontrollieren. Im Anwendungsfall wird er auf eins gesetzt.
Das Modell unterscheidet nicht zwischen den einzelnen POI-Kategorien. So ist beispiels- weise ein Frisör gleichgewichtet mit einem Krankenhaus.
Ein Radius von 500 Metern wird als Maximaldistanz festgelegt, da dieser von den meisten Menschen noch als leicht zu Fuß erreichbar empfunden wird. Das bedeutet, dass jeder POI im Umkreis von 500 Metern ausgehend von der Position der Ladestation, in die Be- rechnung des Relevanz-Scores miteinfließt.
Durch eine Google Maps Schnittstelle wurden die entsprechenden Daten mit dem Python Paket „Geopy“ abgefragt.
Der Datensatz, der durch diese Bearbeitung entstand, enthält 78 Spalten und 57 Zeilen.
Eine Zeile steht für eine Ladestation. In den Spalten sind neben den geografischen und demografischen Informationen, die Relevanz-Scores für jede POI-Kategorie zu jeder La- destation gegeben.
4.1.3 Analyse des Datensatzes unter Anwendung eines POI-Ansatzes Im Durchschnitt waren die einzelnen Konnektoren zu 13 Prozent ausgelastet. Die maxi- mal gemessene Auslastung beträgt 61 Prozent. Auf Gesamtebene der Ladestationen steigt die durchschnittliche Auslastung auf 15 Prozent und das Maximum sinkt auf 58 Prozent.
Die geographische Verteilung der betrachteten Ladestationen ist eher konzentriert mit nur wenigen Ausreißern, die außerhalb des Kerngebiets liegen.
Abbildung 4 Geografische Verteilung der Ladestationen in Graz
Zur grafischen Darstellung sollen Scatterplots einen Eindruck über den Zusammenhang der Auslastung und einzelner POI-Kategorien liefern. Durch die große Anzahl an Kate- gorien werden nur einzelne beispielhaft gezeigt. Zu beachten ist auch, dass einige
Kategorien in Graz nicht sehr präsent sind, wie zum Beispiel „Kunstgalerien“. Daher er- geben sich für diese Kategorien sehr niedrige Scores beziehungsweise Scores mit dem Wert Null.
Abbildung 5 Zusammenhang zwischen Auslastung und POI Kategorie „Bus Station“
Abbildung 6 Zusammenhang zwischen Auslastung und POI Kategorie „Café“
Abbildung 7 Zusammenhang zwischen Auslastung und POI Kategorie „Parkplatz“
Eine leichte Tendenz, dass bei höherem POI-Werten höhere Auslastungen erreicht wer- den, lässt sich zwar erkennen, aber der Zusammenhang ist nicht so stark wie erhofft. Wie man bereits in Abbildung 3 erkennt, sind die Auslastungen ohnehin sehr gering, was auch ein wichtiger Aspekt bei der Analyse ist.
Durch die persönliche Nähe zum betrachteten Standort Graz fiel auf, dass viele Ladesta- tionen im Datensatz nicht wirklich öffentlich zugänglich sind und halb-öffentliche bezie- hungsweise private Tankstellen wie für Taxistände, die Ergebnisse verschwämmen. Da- raufhin wurde vom Projektteam des Know-Centers beschlossen für Graz eine umfassen- dere, hauptsächlich manuelle Kontrolle und Bereinigung der Daten zu machen.
4.1.4 Überprüfung der Daten
Eine genauere Betrachtung der Daten führte zu einigen Unstimmigkeiten, die für die Wei- terarbeit geklärt werden mussten.
Zu Beginn wurden alle Ladestationen auf diversen Internetportalen und Google Maps gesucht und auf ihre öffentliche Zugänglichkeit geprüft. Alle nicht-öffentlichen Ladesta- tionen u.a. auf Firmengelände-befindliche Ladestationen, Taxistände, Carsharing La- destationen etc. wurden vom Datensatz entfernt.
Sämtliche Koordinaten und Adressangaben wurden auf Übereinstimmung überprüft und gegebenenfalls korrigiert.
Im Datensatz befanden sich Ladestationen, die in der Spalte der Firma den Hinweis
„Test“ hatten, zum Beispiel „Energie Steiermark AG-Test“. Es handelte sich um vom Unternehmen durchgeführte Tests. Entsprechende Ladestationen wurden entfernt.
Danach wurde der Datensatz auf Duplikate geprüft und Ladestationen, die zu Unrecht mehrfach vorkamen, gelöscht.
Auch Unstimmigkeiten bei der Anzahl der angegebenen Konnektoren und der Konnektoren-Anzahl laut Internetportalen wurden mit den Anbietern geklärt und korri- giert.
Nach den notwendigen Korrekturen schrumpfte der Datensatz erheblich auf 26 Ladesta- tionen in Graz.
Bei der Recherche in Bezug auf die öffentliche Zugänglichkeit von Charge Points zeigte sich, dass auch diese zeitlich begrenzt sein kann, wie zum Beispiel in Einkaufszentren oder Tiefgaragen. Daher wurde zu jeder Ladestation die Verfügbarkeit recherchiert und die Auslastung neu berechnet.
Abbildung 8 Auslastung der Ladestationen in Graz nach Bearbeitung der Daten
Auch nach der Bearbeitung ist die allgemein schwache Auslastung erkennbar. 19 der 26 Ladestationen haben eine Auslastung unter 30 Prozent. Aufgrund der wenig übergeblie- benen Daten sind Aussagen über den Zusammenhang schwer zu treffen. Die geografische Verteilung ist nun etwas konzentrierter, da die Ausreißer oft private Ladestationen von Taxis außerhalb der Stadt waren.
Abbildung 9 Geografische Verteilung der Ladestationen nach Bearbeitung der Daten Da die Schnittstelle zu Google Maps zu diesem Zeitpunkt nicht mehr kostenfrei zur Ver- fügung stand, wurde als Alternative die API von Open Stress Maps (OMS) verwendet.
Zu beachten ist, dass OSM eine frei editierbare Weltkarte ist, bei der ähnlich wie bei Wikipedia, jeder Internetnutzer Einträge machen und verändern kann. Ohne den voran- gegangenen Eintrag eines Benutzers erscheinen existierende POIs nicht auf der Karte.
Das führt zum Verlust einer Vielzahl von Punkten.
Um vergleichbare Ergebnisse zu bekommen, wurde OMS darauffolgend auch für die Da- tensätze von Dublin und Amsterdam verwendet.
Durch die unterschiedliche Kategorisierung in Google Maps und Open Street Maps und für eine bessere Vergleichbarkeit wurde folgende Auswahl in Bezug auf die POI Katego- rien zur weiteren Betrachtung getroffen:
Google POI OSM POI
accounting accountant art_gallery gallery
atm atm
bakery bakery
bank bank
bar bar
beauty_salon beauty bicycle_store bicycle
book_store books
bus_station bus_station
cafe cafe
car_dealer car
car_rental car_rental car_repair car_repair clothing_store fashion
dentist dentist
doctor doctors
electronics_store electronics
florist florist
furniture_store furniture
gas_station fuel
grocery_or_supermar-
ket supermarket
gym fitness_center
hair_care hairdresser
home_goods_store houseware
hospital hospital
jewelry_store jewellery
laundry laundry
lawyer lawyer
library library
liquor_store alcohol
lodging hotel
moving_company moving_com- pany
museum museum
painter painter
park park
parking parking
pharmacy pharmacy
physiotherapist therapist
plumber plumber
post_office post_office real_estate_agency estate_agent restaurant restaurant
school school
shoe_store shoes
store depart-
ment_store travel_agency travel_agency
Tabelle 4 Auflistung der verwendeten POI Kategorien
4.1.5 Analyse des korrigierten Datensatzes unter Anwendung eines POI- Ansatzes
Im Vergleich zu den unbereinigten Daten in 5.1.3 ergeben sich nun nachstehende Abbil- dungen:
Abbildung 10 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie
„Bus Station“ in OSM
Abbildung 11 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie
„Parkplatz“ in OSM
Abbildung 12 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie
„Café“ in OSM
Abbildung 13 Zusammenhang nach Korrektur zwischen Auslastung und POI Kategorie
„Supermarkt“ in OSM
Durch die Verwendung von Open Street Maps statt Google Maps wurden wie erwartet erheblich weniger POIs pro Kategorie gefunden. Ebenso gibt es auch mehr Scores mit einem Wert von Null, was bedeutet, dass es laut OSM keinen relevanten POI im vorge- gebenen Umkreis gibt.
Der schon zuvor schwer ersichtliche Zusammenhang wird nach der Korrektur der Daten noch unkenntlicher und die Verteilung gleicht mehr einer „zufälligen Punktewolke“. Es lassen sich keine fundierten Aussagen über den Zusammenhang von Auslastung und Standortattraktivität machen. Durch die fehlende Aussagekraft sollen im nächsten Schritt weitere Städte zur Analyse herangezogen werden.
4.1.6 Aggregation der Daten zur weiteren Analyse
Aufgrund der Unstimmigkeit zwischen den Ergebnissen aus der Literatur und den Ergeb- nissen aus der Analyse der Grazer Daten wurde im nächsten Schritt beschlossen, die Be- obachtungen noch weiterzuführen.
Wagner et al (2014, 8) erkannten in ihrer Datenanalyse einen signifikant negativen Ein- fluss beim Vorhandensein von anderen Ladestationen. Das würde bedeuten, dass eine Ladestation weniger stark ausgelastet ist, wenn sich in der Nähe eine andere befindet.
Zwar ergab sich aus der Literaturrecherche, dass den Benutzern viele Lademöglichkeiten pro Standort wichtig sind, jedoch werden sich Stationen im Umkreis, die nicht direkt vom gleichen Anbieter betrieben werden, negativ auf die Auslastung auswirken. So wurde eine zusätzliche Spalte eingeführt, die die Dichte an Ladestationen angibt. Diese wird in der- selben Art errechnet, wie bei den anderen POI – durch den Relevanz-Score.
Auch die Spalte der Öffnungszeiten jeder Ladestation wurde ergänzt. Die Bereinigung der Auslastung in Bezug auf die verfügbare Zeit fand zwar bereits im Vorkapitel statt, jedoch bringt die zusätzliche Ausweisung einen besseren Gesamtüberblick und lässt neue Schlussfolgerungen zu. Ebenso wurden die Angaben zu vorhandenen Anschlüssen er- gänzt und abschließend eine Spalte mit zusätzlichen Informationen angefügt.
Auffällig war beim Vergleich der Relevanz-Scores von Ladestationen mit hohen und niedrigen Auslastungen, dass wenn eine Station hohe Werte in einer Kategorie hatte, oft auch hohe Werte in den anderen Kategorien beobachtet werden können und vice versa.
Die hohe Korrelation zwischen den Kategorien, die daher stammt, dass zentrale Stationen allgemein eine höhere Dichte an POIs haben, bemerkten ebenfalls Pevec et al (2017, 3115) und summierten in ihrer Arbeit alle POI-Kategorien zu einer Variablen, der Summe daraus.
Auch in anderen Referenzwerken erfolgte eine Kategorisierung in Gruppen und so wur- den die vielen, einzelnen POI-Kategorien in die folgenden Gruppen eingeteilt:
Gruppe beinhaltet folgende POI-Kategorien
Shopping Bäckerei, Einkaufszentrum, Elektrohandel, Bekleidungshandel,
Möbelhandel, Schuhhandel, Supermärkte, Buchhandel, Schmuck- handel, Florist, Radhandel, Reisebüro, Post,
Leisure Bücherei, Fitnesscenter, Park, Galerie, Hotel, Museum
Money & Work Bankomat, Bank, Universität, Schule, Buchhalter, Firmengelände, Makler, Anwalt,
Food & Drink Bar, Café, Restaurant
Private Transport Tankstelle, Autohandel, Autowerkstatt, Autoverleih, Parkplatz Health & Beauty Zahnarzt, Doktor, Apotheke, Therapeut, Beauty, Frisör, Tabelle 5 Gruppierung der POI-Kategorien
Die Ladestationen unterscheiden sich durch ihre Identifikationsnummer, was bedeutet, dass unterschiedliche Ladestationen im Datensatz vorkommen, die den identen oder fast identen Standort haben und somit die gleichen Relevanz-Scores. In der manuellen Ana- lyse im Anschluss wird jedoch versucht mit logischem Denken und Hinsehen Zusam- menhänge zwischen Standort und Auslastung zu erkennen. Daher werden Ladestationen, die dieselben Koordinaten haben zusammengefügt und für die Auslastung der Durch- schnittswert angegeben. Das reduziert den Datensatz wiederum auf 16 Standorte.
Auf der folgenden Seite ist die Tabelle ersichtlich, die einen Gesamtüberblick über Aus- lastung, Relevanz-Scores und andere Informationen geben soll.
