Techno-Ökonomische Gesamtbewertung Heterogener Maßnahmen Zur Verlängerung Der Tagesreichweite Von Batterieelektrischen Fahrzeugen

Techno-ökonomische Gesamtbewertung heterogener Maßnahmen zur Verlängerung der Tagesreichweite von batterieelektrischen Fahrzeugen

Simon Árpád Funke

Dissertation an der Universität Kassel Zur Erlangung des akademischen Grades eines Doktors der Ingenieurwissenschaften (Dr.-Ing.) im Fachbereich 16 Elektrotechnik und Informatik

Tag der Disputation: 01.03.2018, Kassel

Erstgutachter: Prof. Dr. rer. nat. Ludwig Brabetz Universität Kassel Zweitgutachter: Prof. Dr. rer. pol. Martin Wietschel Karlsruher Institut für Technologie (KIT)

Inhaltsverzeichnis Inhaltsverzeichnis I Abbildungsverzeichnis IV Tabellenverzeichnis VI Abkürzungsverzeichnis VIII Variablenverzeichnis IX Glossar XI 1 Einleitung 1 1.1 Ausgangssituation 1 1.2 Zielsetzung 3 1.3 Vorgehensweise 5 2 Hintergrund: Potentialbewertung von Elektrofahrzeugen 6 2.1 Besondere Eigenschaften von Elektrofahrzeugen 6 2.1.1 Antriebstopologien 6 2.1.2 Ladebedarfe und -optionen von Elektrofahrzeugen 7 2.1.2.1 Ladebedarfe von Elektrofahrzeugen 7 2.1.2.2 Ladeoptionen von Elektrofahrzeugen 8 2.1.3 Fazit: Ableitung von Modellannahmen für Elektrofahrzeuge und ihre Ladeinfrastruktur 8 2.2 Modellanforderungen an eine techno-ökonomische Potentialbewertung von Elektrofahrzeugen 9 2.2.1 Literaturübersicht: Modellierung der Nutzbarkeit von Elektrofahrzeugen 10 2.2.1.1 Bestimmung der Nutzbarkeit von EV mittels streckenbasierter Analysen 11 2.2.1.2 Analysen zur Abschätzung der Verteilung von Tagesfahrleistungen eines Jahres 12 2.2.1.3 Bestimmung der Nutzbarkeit von EV mittels GPS-Fahrdaten 13 2.2.2 Literaturübersicht: Bedarfsbestimmung Ladeinfrastruktur 16 2.2.3 Modellanforderungen 19 3 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen 21 3.1 Technische Rahmendaten am Markt verfügbarer BEV 21 3.2 Traktionsbatterie 22 3.2.1 Energiedichte 22 3.2.2 Kosten 24 3.3 Weitere fahrzeugseitige Maßnahme: Leichtbautechnologien 25 3.4 Öffentliche Ladeinfrastruktur 27 3.4.1 Empirisches Ladeverhalten an öffentlicher Ladeinfrastruktur 27 3.4.2 Kosten 31 4 Reale Fahrdaten 34 4.1 Bedeutung realer Fahrprofildaten 34 4.2 Die REM 2030 Fahrprofile-Datenbank 35 4.2.1 Datenerhebung und Datenaufbereitung 36 4.2.2 Beschreibung des Datensatzes 38 4.3 Private Fahrdaten 41 4.4 Einordnung der REM 2030 Fahrprofile-Datenbank 42

5 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite 46 5.1 Modellübersicht und Begründung Modellierungsansatz 46 5.2 Fahrsimulation: Bestimmung der individuellen Nutzbarkeit und des technischen Potentials von batterieelektrischen Fahrzeugen 50 5.2.1 Modellierung der Längsdynamik 50 5.2.2 Modellierung der Fahrzeugeffizienz 51 5.2.2.1 Batterie 51 5.2.2.2 Getriebe, Leistungselektronik und sonstige Verluste 53 5.2.2.3 Elektromotor 53 5.2.2.4 Fahrzeugspezifikationen 53 5.2.3 Modellierung Verfügbarkeit Ladeinfrastruktur 54 5.2.4 Parametervariationen 55 5.2.5 Bestimmung jährlicher Ladebedarfe 56 5.2.6 Output Modellteil 1: technisches Potential von BEV 58 5.3 Bedarfsbestimmung Ladeinfrastruktur 60 5.3.1 Geographische Mindesterreichbarkeit von Ladeinfrastruktur 61 5.3.1.1 Öffentliche Infrastruktur zum Gelegenheitsladen 61 5.3.1.2 Öffentliche Infrastruktur zum Zwischenladen 62 5.3.2 Zeitliche Mindestverfügbarkeit von Ladeinfrastruktur 64 5.3.2.1 Bestimmung lokaler Ladebedarfe 64 5.3.2.1.1 Gelegenheitsladen 65 5.3.2.1.2 Zwischenladen 65 5.3.2.2 Bedarfsorientierte Dimensionierung von Ladeinfrastruktur: Warteschlangentheorie 66 5.3.2.3 Skalierung einzelner Ladestandorte zur Deckung örtlicher Ladebedarfe 68 5.3.2.3.1 Gelegenheitsladen 69 5.3.2.3.2 Zwischenladen 71 5.3.3 Kombination einer geographischen und zeitlichen Mindestverfügbarkeit von Ladeinfrastruktur 72 5.3.4 Ladebedarfe einer sich dynamisch ändernden Elektrofahrzeugflotte 72 5.4 Vergleich der Gesamtkosten 73 5.4.1 Kostenbestimmung 75 5.4.1.1 Fahrzeugkosten 76 5.4.1.2 Ladeinfrastrukturkosten 77 5.4.2 Techno-ökonomische Modellparameter 78 5.4.2.1 Fahrzeugparameter 79 5.4.2.2 Stromkosten 80 5.4.2.3 Allgemeine Kostenparameter 81 5.5 Zusammenfassung und Diskussion Gesamtmodell 82 5.5.1 Modellteil 1: Technisches Potential von BEV 82 5.5.2 Modellteil 2: Ladeinfrastrukturbedarfsbestimmung 85 5.5.3 Modellteil 3: Kostenvergleich 87 6 Ergebnisse 89 6.1 Nutzbarkeit und technisches Potential von batterieelektrischen Fahrzeugen 89 6.1.1 Gewerbliche Nutzer 90 6.1.2 Private Nutzer 95 6.1.3 Technisches Potential von BEV unter veränderten Rahmenbedingungen 98 6.1.4 Sensitivitäten 99 6.1.5 Exkurs: PHEV und REEV 102 6.1.5.1 Analyse realen Fahrverhaltens von PHEV 103 6.1.5.2 Simulationsergebnisse 105 6.1.6 Zusammenfassung der Ergebnisse 107 6.1.7 Diskussion der Ergebnisse 108

6.2 Ladeinfrastrukturbedarf 110 6.2.1 Durchschnittliche öffentliche Ladebedarfe je Elektrofahrzeug 110 6.2.2 Durch Zwischenladebedarfe bereitzustellende Strecke 111 6.2.3 Maximale Aufnahmekapazität einzelner Ladestationen 113 6.2.4 Ladeinfrastrukturbedarf Zwischenladen 115 6.2.4.1 Gewerbliche Fahrzeuge 115 6.2.4.2 Private Fahrzeuge 116 6.2.4.3 Mischflotten: gewerblich und privat 117 6.2.5 Ladeinfrastrukturbedarf Gelegenheitsladen 118 6.2.6 Ladeinfrastrukturbedarfe unter veränderten Rahmenbedingungen 120 6.2.7 Sensitivitäten 121 6.2.8 Dynamische Entwicklung 123 6.2.9 Zusammenfassung der Ergebnisse 124 6.2.10 Diskussion der Ergebnisse 124 6.3 Kostenbewertung 127 6.3.1 Ökonomische Bewertung Ladeinfrastruktur 127 6.3.1.1 Statische Fahrzeugflotten: Zwischenladen 127 6.3.1.2 Statische Fahrzeugflotten: Gelegenheitsladen 129 6.3.2 Kosten-Potential-Kurven der analysierten Maßnahmen 130 6.3.2.1 Kosten-Potential-Kurven: Investitionen 132 6.3.2.2 Kosten-Potential-Kurven (Gesamtkosten): einheitlicher Maßnahmeneinsatz 135 6.3.2.3 Kosten-Potential-Kurven (Gesamtkosten): kostenoptimaler Maßnahmeneinsatz 137 6.3.2.4 Range-Extender-Elektrofahrzeuge als zusätzliche Option 139 6.3.3 Zusammenfassung der Ergebnisse 140 6.3.4 Diskussion der Ergebnisse 142 7 Zusammenfassung, Schlussfolgerungen und Ausblick 143 7.1 Hintergrund und Zielsetzung 143 7.2 Methodisches Vorgehen 144 7.3 Zusammenfassung der Ergebnisse und inhaltliche Schlussfolgerungen 145 7.4 Methodische Schlussfolgerungen 146 7.5 Kritische Würdigung und Ausblick 147 Annex A – Literaturübersicht Forschungsstand 150 Annex B – Weiterführende Daten 154 Annex C – Weitere Auswertungen 165 Annex D – Marktdaten von Elektrofahrzeugen und ihrer Ladeinfrastruktur 174 Annex E – Weitere Sensitivitätsanalysen 176 Annex F – Matlab© Code Warteschlangensimulation 177 Annex G – Statistische Auswertungen in dieser Arbeit 178 Literaturverzeichnis 182

Abbildungsverzeichnis Abbildung 1. Energiedichten von Li-Ionen-Batterien in automobilen Anwendungen (BEV)...... 23 Abbildung 2. Verteilung empirischer Ladebedarfe an Ladestationen (Level 2) in den USA...... 29 Abbildung 3. Verteilung der Lademengen je Ladeereignis an Schnellladestationen...... 30 Abbildung 4: Verteilung der Fahrstrecken in der REM 2030 Fahrprofile-Datenbank...... 39 Abbildung 5. Verteilungsfunktion der Standzeiten (>20 min) in der REM 2030 Fahrprofile-Datenbank...... 40 Abbildung 6. Tageszeitliche Verteilung der Parkereignisse in der REM 2030 Fahrprofile-Datenbank...... 40 Abbildung 7: Vergleich der Tagesfahrleistungen der REM 2030 Fahrdaten und der KiD 2010 nach Fahrzeuggröße...... 45 Abbildung 8. Übersicht Gesamtmodell...... 47 Abbildung 9. Verteilung der logarithmierten Tagesfahrleistungen der REM 2030 Fahrprofile...... 57 Abbildung 10. Überblick Bestimmung Ladeinfrastrukturbedarf...... 61 Abbildung 11. Geographische Abdeckung einer idealisierten, maximalen Abdeckung je Ladestandort ...... 62 Abbildung 12. Ökonomische Systemgrenzen dieser Arbeit...... 74 Abbildung 13. Verteilung (cdf) individueller elektrischer Fahrzeugreichweiten (gewerblich) in Abhängigkeit der analysierten fahrzeugseitigen Maßnahmen, ohne öffentliche Ladeoptionen...... 90 Abbildung 14. Potentielle individuelle Tagesreichweiten von gewerblichen Nutzern für unterschiedliche Fahrzeugparameter ohne öffentliche Ladeinfrastruktur (links) und bei unterschiedlicher Ladeinfrastrukturverfügbarkeit für das Referenzfahrzeug (PK1, rechts)...... 91 Abbildung 15. Anteil vollelektrisch möglicher Beobachtungstage („Nutzbarkeit“) gewerblicher Fahrprofile für unterschiedliche Fahrzeugparameter ohne öffentliche Ladeinfrastruktur (links) und für unterschiedliche Ladeinfrastrukturverfügbarkeit für das Referenzfahrzeug (PK1, rechts)...... 93 Abbildung 16. Anzahl benötigter Zwischenladestopps gewerblicher Fahrprofile für unterschiedliche Fahrzeugparameter...... 93 Abbildung 17. Technisches Potential von Elektrofahrzeugen gewerblicher Fahrprofile für alle untersuchten Parameterkombinationen und unterschiedliche Ladeinfrastrukturverfügbarkeit...... 94 Abbildung 18. Potentielle individuelle Tagesreichweiten von privaten Nutzern für unterschiedliche Fahrzeugparameter und unterschiedliche Ladeinfrastrukturverfügbarkeit...... 96 Abbildung 19. Anteil vollelektrisch möglicher Beobachtungstage („Nutzbarkeit“) privater Fahrprofile für unterschiedliche Fahrzeugparameter und unterschiedliche Ladeinfrastrukturverfügbarkeit...... 97 Abbildung 20. Reale elektrische Fahranteile verschiedener PHEV-Modelle im Vergleich zum Testzykluswert (NEFZ)...... 105 Abbildung 21. Simulierte elektrische Fahranteile von PHEV gewerblicher Fahrprofile für unterschiedliche Batteriekapazitäten...... 106 Abbildung 22. Empirische Verteilungsfunktion der nutzerindividuellen Zusatzstrecke...... 112 Abbildung 23. Zwischenladeinfrastrukturbedarf (P = 150 kW) gewerblicher Fahrprofile (Ladepunkte pro 10.000 Elektrofahrzeuge) in Abhängigkeit des Elektrofahrzeugbestands...... 115 Abbildung 24. Bedarf öffentliche Zwischenladeinfrastruktur in Abhängigkeit des Elektrofahrzeugbestands nach Stationsgröße...... 116 Abbildung 25. Zwischenladeinfrastrukturbedarf (P = 150 kW) privater Fahrprofile (Ladepunkte pro 10.000 Elektrofahrzeuge) in Abhängigkeit des Elektrofahrzeugbestands...... 117

Abbildung 26. Anzahl benötigter Zwischenladepunkte (P = 150 kW) für gemischte Flotten (gewerblich und privat) in Abhängigkeit des Flottenanteils gewerblicher Fahrprofile und in Abhängigkeit der Batteriekapazität für einen Elektrofahrzeugbestand von 250.000 EV (links) und 1 Mio. EV (rechts)...... 117 Abbildung 27. Anzahl benötigter Gelegenheitsladepunkte in Abhängigkeit des Elektrofahrzeugbestands. .. 119 Abbildung 28. Zwischenladeinfrastrukturbedarf gewerblicher Fahrprofile für einen dynamischen Entwicklungspfad in Abhängigkeit des Elektrofahrzeugbestands und nach Ladeleistung...... 123 Abbildung 29. Spezifische Investitionen in Zwischenladeinfrastruktur [in EUR pro EV] in Abhängigkeit des Elektrofahrzeugbestands und der Ladeleistung für gewerbliche Fahrprofile (Referenzfahrzeug: PK1)...... 128 Abbildung 30. Spezifische Investitionen in Gelegenheitsladeinfrastruktur [EUR/EV] in Abhängigkeit des Elektrofahrzeugbestands für gewerbliche Fahrprofile und das Referenzfahrzeug...... 129 Abbildung 31. Kosten-Potential-Kurve: Fahrzeugseitige Investitionen gewerblicher Fahrprofile zur Erhöhung des technischen Potentials von BEV ohne öffentliche Ladeinfrastruktur...... 132 Abbildung 32. Kosten-Potential-Kurve: Investitionen (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV nach Ladeinfrastrukturoption...... 133 Abbildung 33. Kosten-Potential-Kurve: Investitionen (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten...... 134 Abbildung 34. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten...... 136 Abbildung 35. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten...... 138 Abbildung 36. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV mit REEV als zusätzliche Option...... 140

Tabellenverzeichnis Tabelle 1. Adressierung der Forschungsfrage in der Literatur...... 19 Tabelle 2. Energiedichten [Wh/kg] von Li-Ionen-Batterien: Literaturangaben...... 24 Tabelle 3. Kostenannahmen und Kostenprognosen für Li-Ion Batterien je kWh...... 25 Tabelle 4. Angenommene Investitionen und jährliche Betriebskosten je Ladepunkt für Ladeinfrastruktur zum Gelegenheitsladen [22 kW]...... 31 Tabelle 5. Angenommene Investitionen für Schnelladestationen zum Zwischenladen in Abhängigkeit der Stationsgröße und Ladeleistung (Zeithorizont 2017)...... 33 Tabelle 6: Statistiken der Datenaufbereitung...... 38 Tabelle 7: Fahrprofil-spezifische Parameter der REM 2030 Fahrprofile-Datenbank...... 38 Tabelle 8: Fahrprofil-spezifische Parameter privater Fahrdaten...... 41 Tabelle 9: Größe des Datensatzes der REM 2030 Fahrprofile-Datenbank im Vergleich zu Datensätzen in der Literatur...... 42 Tabelle 10: Vergleich der Fahrzeuggrößenklassen in der REM 2030 Fahrprofile-Datenbank mit KiD 2010 [177] sowie Statistiken zu Neuzulassungen und Bestand...... 43 Tabelle 11: Statistischer Vergleich der Fahrzeuggrößenanteile der REM 2030 Fahrprofile-Datenbank mit KiD 2010 [177] sowie Statistiken zu Neuzulassungen und Bestand...... 43 Tabelle 12. Zusammenfassende Statistiken der Tagesfahrleistungen gewerblicher Fahrprofile (REM 2030 und KiD 2010) nach Fahrzeuggröße...... 44 Tabelle 13: Statistischer Vergleich der mittleren (Mittelwert und Median) Tagesfahrleistungen der REM 2030 Fahrprofile-Datenbank und der KiD 2010 [177] nach Fahrzeuggröße...... 44 Tabelle 14. Allgemeine Fahrzeugparameter (Modellannahmen)...... 53 Tabelle 15: Laderestriktionen zur Abbildung der Ladeinfrastrukturverfügbarkeit...... 54 Tabelle 16. Untersuchte Reichweiten-verlängernde Technologien: Parametervariationen...... 56 Tabelle 17. Variation von Rahmenbedingungen...... 56 Tabelle 18. Parameterschätzer zur Bestimmung jährlicher Zwischenladebedarfe...... 57 Tabelle 19. Nutzerspezifische Zwischenergebnisse: technisches Potential von BEV...... 59 Tabelle 20: Annahmen zur geographischen Erreichbarkeit von Gelegenheitsladeinfrastruktur...... 62 Tabelle 21: Kennzahlen eines M/M/s-Warteschlangensystems...... 67 Tabelle 22. Mögliche techno-ökonomische Entwicklungspfade des Elektrofahrzeugbestands...... 73 Tabelle 23. Kostenparameter Batterie und Leichtbautechnologien...... 78 Tabelle 24. Kostenparameter Fahrzeuge...... 79 Tabelle 25. Kostenparameter konventionelles Ersatzfahrzeug...... 79 Tabelle 26. Treibstoff- und Stromkosten...... 80 Tabelle 27. Allgemeine Kostenparameter...... 81 Tabelle 28. Vergleich der Simulationsergebnisse mit Normverbräuchen (EPA) aktueller BEV...... 85 Tabelle 29. Verwendete Abkürzungen zur Benennung der untersuchten Parameterkombinationen ...... 90 Tabelle 30. Zusammenfassende Statistiken: Fahrzeugreichweite [km] gewerblicher Fahrprofile...... 91 Tabelle 31. Zusammenfassende Statistiken: Tagesreichweite [km] gewerblicher Fahrprofile...... 92 Tabelle 32: Anzahl benötigter Zwischenladestopps aller gewerblicher Fahrprofile nach Batteriekapazität. ... 94 Tabelle 33: Relative Erhöhung des technischen Potentials ausgewählter Reichweiten-verlängernder Maßnahmen im Vergleich zum Referenzfahrzeug ohne Ladeinfrastruktur...... 95

Tabelle 34. Zusammenfassende Statistiken der Fahrzeugreichweiten [km] privater Fahrprofile nach Batteriekapazität...... 95 Tabelle 35: Anzahl jährlich benötigter Zwischenladestopps aller privater Fahrprofile...... 97 Tabelle 36: Anzahl jährlich benötigter Zwischenladestopps privater Fahrprofile in MOP (2010) für konstante Fahrzeugreichweiten...... 98 Tabelle 37. Technisches Potential von BEV in Abhängigkeit der Rahmenbedingungen für ausgewählte Parameterkombinationen ohne öffentliche Zwischenladeinfrastruktur...... 98 Tabelle 38. Technisches Potential von BEV in Abhängigkeit der Rahmenbedingungen für ausgewählte Parameterkombinationen und öffentliche Zwischenladeinfrastruktur...... 99 Tabelle 39: Technisches Potential von BEV: Modellannahmen im Vergleich zu konstanten Reichweiten...... 99 Tabelle 40. Technisches Potential von BEV in Abhängigkeit ausgewählter Ladeannahmen für unterschiedliche Batteriekapazitäten unter Verfügbarkeit öffentlicher Zwischenladeinfrastruktur...... 100 Tabelle 41: Technisches Potential von BEV in Abhängigkeit der Kriterien für unterschiedliche Batteriegrößen und Ladeinfrastrukturverfügbarkeit...... 101 Tabelle 42: Übersicht über die PHEV-Datenquellen...... 103 Tabelle 43: Statistik realer PHEV-Fahrparameter (voltstats.net und spritmonitor.de)...... 104 Tabelle 44. Vergleich der Simulationsergebnisse des elektrischen Fahranteils von PHEV mit Simulationsergebnissen aus der Literatur...... 106 Tabelle 45. Ergebnisse aus der Literatur zu realen elektrischen Fahranteilen von PHEV...... 107 Tabelle 46. Vergleich der Ergebnisse zum technischen Potential privater Fahrprofile mit Literaturergebnissen...... 109 Tabelle 47. Mittlere jährliche Ladebedarfe gewerblicher Fahrprofile je nach Parameterkombination...... 111 Tabelle 48. Maximale Aufnahmekapazität [Anzahl Ladevorgänge pro Stunde] einer M/G/s-Ladestation (Zwischenladen) mit bis zu acht Ladepunkten...... 114 Tabelle 49. Relative Veränderung der maximalen Aufnahmekapazität einer M/G/s-Ladestation (Zwischenladen)...... 114 Tabelle 50. Ladeinfrastrukturbedarf (Gelegenheitsladen) für 1 Millionen EV in Abhängigkeit der gewünschten geographischen Erreichbarkeit...... 120 Tabelle 51. Zunahme an Zwischenladebedarfen aufgrund veränderter Rahmenbedingungen für das Referenzfahrzeug (PK1) und verdreifachte Batteriekapazitäten (PK3)...... 120 Tabelle 52: Abweichung der Anzahl benötigter Zwischenladestopps bei geänderten Modellannahmen...... 121 Tabelle 53. Zwischenladeinfrastrukturbedarf gewerblicher Fahrzeuge bei Variation ausgewählter Modellannahmen nach BEV-Bestand...... 122 Tabelle 54. Vergleich der Ergebnisse zum Ladeinfrastrukturbedarf (Zwischenladen) mit Literaturergebnissen...... 125 Tabelle 55. Investitionen in Zwischenladeinfrastruktur zur Gewährleistung einer geographischer Abdeckung...... 129 Tabelle 56. Investitionen in Gelegenheitsladeinfrastruktur zur Gewährleistung einer geographischen Abdeckung...... 129

Abkürzungsverzeichnis AC Wechselstrom (Alternating Current) BAB Bundesautobahn BEV Batterieelektrisches Fahrzeug (Battery Electric Vehicle) BMWI Bundesministerium für Wirtschaft und Energie BMVI Bundesministerium für Verkehr und digitale Infrastruktur

CO2 Kohlenstoffdioxid d Tag (lateinisch: dies) DC Gleichstrom (Direct Current) DIN Deutsches Institut für Normung DTV Durchschnittliche tägliche Verkehrsstärke EG Europäische Gemeinschaft EOL End Of Life EPA Environmental Protection Agency (Umweltschutzbehörde der USA) EV Elektrofahrzeug (Electric Vehicle) GPS Global Positioning System JFL Jahresfahrleistung KBA Kraftfahrt-Bundesamt KiD Kraftfahrzeugverkehr in Deutschland kW Kilowatt kWh Kilowattstunde Li-Ion Lithium-Ionen lNfz Leichtes Nutzfahrzeug LP Ladepunkt LSt Ladestandort LV Ladevorgang MiD Mobilität in Deutschland MOP Deutsches Mobilitätspanel MVA Megavoltampere MwSt. Mehrwertsteuer NEFZ Neuer Europäischer Fahrzyklus NHTS National Household Travel Survey OEM Original Equipment Manufacturer PHEV Plug-In-Hybrid-Fahrzeug (Plug-In Hybrid Electric Vehicle) PKW Personenkraftwagen REEV Range-Extender-Elektrofahrzeug (Range Extended Electric Vehicle) SAE SAE International, ehemalige Bezeichnung: Society of Automotive Engineers SD Standardabweichung SOC State of Charge TCO Total Cost of Ownership TFL Tagesfahrleistung THG Treibhausgas

Variablenverzeichnis

Symbol Einheit Erklärung 퐴 m² Fahrzeug-Stirnfläche 푎 m s-2 Beschleunigung

푎푐푎푝푒푥 €/a annuisierte Investitionen

푎표푝푒푥 €/a jährliche Betriebskosten 표푝푒푥,퐹푎ℎ푟푧푒푢푔 푎푝,푔 €/a gesamte jährliche Betriebskosten eines Fahrzeugs 푎퐵푎푡푡푒푟𝑖푒 €/kWh Spezifische Batteriekosten 푎퐿푒𝑖푐ℎ푡푏푎푢 €/kg Spezifische Leichtbaukosten 푎퐺퐿/푍퐿 €/kWh Stromkosten für öffentliches Laden (GL: Gelegenheitsladen; ZL: Zwischenladen) 표푝푒푥,퐺퐿/푍퐿 푎퐿푃 €/a operative Kosten eines Ladepunkts 푀𝑖푒푡푤푎푔푒푛 푎퐵퐸푉,푔 €/a jährliche Kosten für ein konventionelles Ersatzfahrzeug 푘푚,푀𝑖푒푡푤푎푔푒푛 푎푔 €/km Kilometerkosten für ein konventionelles Ersatzfahrzeug 푇푎푔푒푠푚𝑖푒푡푒 푎푔 €/d Kosten für Tagesmiete eines konventionellen Ersatzfahrzeugs 푂푀 푎푝,푔 €/a jährliche Kosten für Fahrzeugwartung und -instandhaltung 푅퐸퐸푋 푎푝,푔 € Anschaffungsausgaben für einen zusätzlichen konventionellen Antriebsstrang eines Range-Extender-Elektrofahrzeugs 푆푡푒푢푒푟 푎푝,푔 €/a jährliche Steuern 푎푆푡푟표푚,퐹푎ℎ푟푒푛 €/kWh Kosten Fahrstrom 푎 푆푡푟표푚,퐿퐼푆 €/kWh Industriestrompreis 푎푇푟푒𝑖푏푠푡표푓푓 €/l Treibstoffkosten 푊푎푙푙푏표푥 푎푝 € Anschaffungsausgaben für einen privaten Ladepunkt (Wallbox)

푎푔 - Anteil der Fahrzeuggröße g an Gesamtflotte

퐴퐺푉 km² Fläche Gemeindeverband

푎휆 - Faktor Stoßzeit Ladebedarfe 퐹푎ℎ푟푧푒푢푔 퐵푎푠𝑖푠푝푟푒𝑖푠푝,푔 € Fahrzeugbasispreis ohne Batterie und ohne Range Extender 퐵푎푡푡푒푟𝑖푒 푐푝,푔 kWh Installierte Batteriekapazität eines Fahrzeugs 퐿푒𝑖푐ℎ푡푏푎푢 푐푔 kg Gewichtsreduktion eines Fahrzeugs durch Leichtbauoptionen 푒 푐푢 kWh/100km individueller elektrischer Fahrenergiebedarf eines Nutzers u 푘 푐푢 l/100km individueller konventioneller Fahrenergiebedarf eines Nutzers u

푐푅 - Rollwiderstandsbeiwert

푐푤 - Luftwiderstandsbeiwert

퐷퐿푆푡 km Abstand zwischen zwei Ladestandorten 퐷퐿 퐺퐿/푍퐿 kWh Lademenge öffentlich 퐷퐿푀퐺퐿/푍퐿 kWh/a Durchschnittliche jährliche Lademenge je Elektrofahrzeug an öffentlicher Gelegenheits- (GL) bzw. Zwischenladeinfrastruktur (ZL)

퐸퐷 Ws Antriebsenergie

푒푢 - Elektrischer Fahranteil eines Nutzers u

#퐸푉퐿푆푡 - Anzahl an Elektrofahrzeugen je Ladestandort

퐹퐴퐿푆푡 PKW/24h maximales Fahrzeugaufkommen je Ladestandort 푔 ms-2 Gravitationsfeldstärke 퐼 A Stromstärke 𝑖 - Zinssatz 퐼푛푣 € Anschaffungsausgaben eines Investitionsguts

퐼퐿푆푇,푠 € Anschaffungsausgaben einer Ladestation (als Funktion der Stationsgröße s) 퐹푎ℎ푟푧푒푢푔 퐼푝,푔 € Anschaffungsausgaben eines Fahrzeugs 퐿 km Fahrzeugreichweite

푙퐵퐴퐵 km Länge Bundesautobahn (BAB)

퐽퐹퐿푢 km Jahresfahrleistung eines Nutzers u

퐿퐹 - Labyrinthfaktor: Abschätzung der kürzesten Strecke entlang des Straßennetzes zwischen zwei Standorten als Funktion der Entfernung über den direkten Luftweg (Luftlinie)

#퐿푃퐿푆푡 - Anzahl Ladepunkte je Ladestandort 푚 kg Fahrzeugmasse

푁퐿푆푡 - Anzahl Zwischenladestationen 푂퐶푉 V Leerlaufspannung (englisch: Open Circuit Voltage) 퐺퐿/푍퐿 푂퐿푢 kWh/a Jährliche Lademenge eines Nutzers u an öffentlicher Ladeinfrastruktur (GL: Gelegenheitsladen; ZL: Zwischenladen)

푃퐴푢푥 W Leistung der Nebenverbraucher im Fahrzeug

푃퐵푎푡푡푒푟𝑖푒 W Leistungsbedarf Traktionsbatterie

푃퐷 W Antriebsleistung 푟 km Abstand zum nächsten Ladestandort

푅퐴 km Äquatorradius des mittleren Erdellipsoids

푅𝑖 Ω Batterie-Innenwiderstand 푒푙 푅푚푎푥 km Maximale elektrische Tagesreichweite 푆푂퐶 - Batterieladezustand (englisch: State Of Charge)

푇(퐿)푢 - Anzahl Tage mit Mietwagenbedarf

푇퐼 a Nutzungsdauer eines Investitionsguts

푇퐶푂푎 €/a jährliche Gesamtkosten 푣 m s-1 Geschwindigkeit 푀|퐺|푠 푀|푀|푠 푊푞 ; 푊푞 min Wartezeit eines M/G/s- bzw. eines M/M/s-Warteschlangensystems 푍푆푍퐿 km Strecke nach Zwischenladevorgängen

퐺퐿 ∆푎푢 €/a Nutzerindividuelle jährliche Zusatzkosten für öffentliches Gelegenheitsladen 푍퐿 ∆푎푢 €/a Nutzerindividuelle jährliche Zusatzkosten für öffentliches Zwischenladen

휂퐹푧푔; 휂퐸푀; 휂퐺; 휂퐿퐸; - Wirkungsgrad des Gesamtfahrzeugs; der Elektrischen Maschine;

휂퐵푎푡푡푒푟𝑖푒; 휂푆 des Getriebes; der Leistungselektronik; der Batterie; sowie zur Betrachtung sonstiger Verluste 휅 Ws Batteriekapazität 휆 min-1 Durchschnittliche Ankunftsrate eines Warteschlangensystems

휆푚푎푥 EV/h Maximale Aufnahmekapazität einer Ladestation 휆퐺퐿 1/a Anzahl Gelegenheitsladebedarfe pro Jahr 휆푍퐿 1/a Anzahl Zwischenladebedarfe pro Jahr

휆퐿푆푡 1/d Anzahl an einem Ladestandort täglich nachgefragter Ladebedarfe 휇−1 min Durchschnittliche Bedienzeit eines Warteschlangensystems 𝜌 kg m-3 Luftdichte

𝜌 WS - Durchschnittliche Verkehrsintensität eines Warteschlangensystems

Indices g Fahrzeuggröße ∊ {푘푙푒𝑖푛, 푚𝑖푡푡푒푙, 푔푟표ß, 푙푒𝑖푐ℎ푡푒푠 푁푢푡푧푓푎ℎ푧푒푢푔} p Antriebsart ∊ {퐵퐸푉, 푅퐸퐸푉, 퐵푒푛푧𝑖푛, 퐷𝑖푒푠푒푙} u Index zur Bezeichnung eines nutzerindividuellen Werts

Glossar

Fahrenergiebedarf Entspricht dem gebräuchlichen Begriff des „Fahrverbrauchs“.

Fahrmuster Verteilung und Länge der Tagesstrecken eines Fahrprofils.

Fahrprofil Alle Fahrdaten einer Person bzw. eines Fahrzeugs innerhalb des beobachteten Zeitraums. Die Daten umfassen den Zeitpunkt, die Fahrzeug-Geschwindigkeit und den Standort des Fahrzeugs zu allen Beobachtungszeitpunkten. Ein Fahrprofil beinhaltet zusätzlich noch Metadaten, wie beispielsweise die Fahrzeuggröße.

Fahrverhalten Charakteristika des Fahrzeugnutzerverhaltens, die Einfluss auf das technische Potential von batterieelektrischen Fahrzeugen haben. Hierzu werden in dieser Arbeit gezählt: Länge und Variation der Tagesstrecken (Fahrmuster) sowie individuelle Fahrenergiebedarfe. Das Fahrverhalten einzelner Fahrzeuge bzw. Fahrzeugnutzer ergibt sich aus den Fahrdaten des Fahrprofils.

Fahrzeugreichweite Maximale Strecke, die ein batterieelektrisches Fahrzeug zwischen zwei aufeinanderfolgenden Ladevorgängen zurücklegen kann. Aufgrund individueller Fahrenergiebedarfe variiert die Fahrzeugreichweite nutzerspezifisch.

Gelegenheitsladen Ladeoption, bei der die Standzeit von nichtheimischen Parkereignissen während des Tages, z.B. während eines Einkaufs, für die Ladung eines Elektrofahrzeugs genutzt wird.

Ladebedarf Anzahl benötigter Ladeevents eines Elektrofahrzeugs in einem definierten Zeitraum.

Ladepunkt „ (…) eine Einrichtung, die zum Aufladen von Elektromobilen geeignet und bestimmt ist und an der zur gleichen Zeit nur ein Elektromobil aufgeladen werden kann“ [314, §2].

Ladestation Ladeeinrichtung mit einem oder mehr Ladepunkten.

Ladestandort Ein einzelner Standort mit einem oder mehreren Ladestationen.

Längsdynamisches Längsdynamische Modelle beschreiben die Bewegung eines Fahrzeugs in Längsrichtung, die Modell Vertikal- (z.B. das Schwingungsverhalten des Fahrzeugaufbaus) oder Querdynamik (z.B. das Kurvenverhalten) eines Fahrzeugs werden hierbei nicht betrachtet (vgl. z.B. [131]).

Nutzbarkeit eines BEV Potential eines batterieelektrischen Fahrzeugs, einen bestimmten Anteil (in dieser Arbeit: 99%) der Beobachtungstage im Beobachtungszeitraum vollelektrisch zurückzulegen.

Tagesreichweite Die Tagesstrecke, die von einem Nutzer mit einem batterieelektrischen Fahrzeug unter Einbeziehung von Lademöglichkeiten während des Tages zurückgelegt werden kann. Die Tagesreichweite hängt demnach sowohl von der Fahrzeugreichweite, der Verfügbarkeit von (öffentlicher) Ladeinfrastruktur sowie von den nutzerindividuellen Tagesstrecken ab.

Technisches Potential Potential eines Fahrprofils, technisch durch ein batterieelektrisches Fahrzeug ersetzt werden zu eines BEV können. Das technische Potential wird für ein Fahrprofil angenommen, wenn 99% aller Fahrten im Beobachtungszeitraum vollelektrisch möglich sind (Nutzbarkeit) und die Anzahl der Tage mit Mietwagenbedarf bzw. der benötigten Zwischenladebedarfe pro Jahr 48 nicht übersteigt. Das technische Potential ist abhängig vom Fahrprofil, von der Fahrzeugreichweite sowie der Verfügbarkeit von (öffentlicher) Ladeinfrastruktur. In der Literatur wird häufig nur einer der beiden Parameter betrachtet, sodass sich für andere Arbeiten die Äquivalenz von „Nutzbarkeit“ und „technischem Potential“ ergibt.

Zwischenladen Der Ladebedarf des Zwischenladens entsteht, wenn die verbleibende Reichweite eines batterieelektrischen Fahrzeugs nicht zur Deckung der Mobilitätsbedarfe eines Nutzers bis zum nächsten regelmäßigen Ladevorgang ausreicht. Dieser Ladebedarf ist mit einer Fahrtunterbrechung verbunden und ähnelt daher der Art eines Tankvorgangs. Im allgemeinen Sprachgebrauch oft als „Schnellladen“ bezeichnet.

Einleitung

1 Einleitung

1.1 Ausgangssituation Der Einsatz von elektrisch betriebenen Fahrzeugen, im Besonderen bei Verwendung von regenerativ erzeugtem Strom, kann wesentlich zur Senkung der verkehrsbedingten Treibhausgasemissionen beitragen [49, 64]. Eine Senkung der Emissionen von Personenkraftwagen und leichten Nutzfahrzeugen wurde in Verordnung EG 443/2009 festgesetzt [84] und erfordert eine deutliche Effizienzsteigerung des heutigen Fahrzeugbestands. Diese ist für Fahrzeuge mit Verbrennungsmotor nur begrenzt möglich und der Einsatz von Elektrofahrzeugen1 in diesem Zusammenhang vielversprechend [162]. Darüberhinausgehend fordert ein Beschluss des Bundesrates die Prüfung politischer Instrumente, damit „spätestens ab dem Jahr 2030 (…) nur noch emissionsfreie PKW zugelassen werden“ [47] (Absatz 4). Elektrofahrzeuge verursachen lokal keine Treibhausgas- oder Stickoxid-Emissionen [2, 205]. Daher sind sie weiterhin schon heute ein wichtiges Instrument, um die Luftqualität in Innenstädten zu verbessern, die sich steigenden Schadstoffbelastungen gegenüber sehen [214, 275, 321]. Neben der Fahrzeugtechnologie können politische Maßnahmen, wie Einfahrts- beschränkungen in Innenstädte für konventionelle Fahrzeuge mit hohem Schadstoffausstoß oder ermäßigte Mautgebühren für alternative Antriebe dazu dienen, Schadstoffbelastungen zu begrenzen und innerstädtischen Verkehr umweltverträglich zu gestalten [202] und werden bereits heute umgesetzt [213, 270]. Aufgrund der anhaltenden Urbanisierung [41] wird die Bedeutung von Elektrofahrzeugen zur Minderung lokaler Emissionen weiter zunehmen. Trotz der genannten Vorteile von Elektrofahrzeugen ist deren Verbreitung gering [171]. Als Gründe werden, vor allem in Bezug auf reine Elektrofahrzeuge, häufig der hohe Anschaffungspreis, die im Vergleich zu konventionellen Fahrzeugen stark limitierte (elektrische) Fahrzeugreichweite sowie eine geringe öffentliche Ladeinfrastrukturdichte angeführt [74, 79, 216]. Faktisch führen begrenzte Fahrzeugreichweiten in Verbindung mit einer geringen Dichte öffentlicher Ladeinfrastruktur bei noch verhältnismäßig langen Ladezeiten [179] dazu, dass Tagesstrecken, die mit einem batterieelektrischen Elektrofahrzeug (BEV)1 auch unter Einbeziehung von Lademöglichkeiten vollelektrisch zurückgelegt werden können, beschränkt sind. Folglich können BEV heutige Fahrzeuge, speziell mit hohen Tagesfahrleistungen, nur begrenzt ersetzen. Mit der Erhöhung der Tagesreichweite von Elektrofahrzeugen ist die Erwartung einer höheren Marktverbreitung verbunden [157, 192, 200, 271]. Höhere Tagesreichweiten von BEV können – unter Vernachlässigung der Effizienzpotentiale von Nebenaggregaten zur Fahrzeugklimatisierung – einerseits durch höhere Fahrzeugreichweiten und andererseits durch eine höhere Dichte bzw. höhere Ladeleistungen öffentlicher Ladeinfrastruktur2 erreicht werden. Während höhere Fahrzeugreichweiten längere Strecken zwischen zwei Ladevorgängen ermöglichen, senkt eine höhere

1 In dieser Arbeit werden unter Elektrofahrzeugen vierrädrige Kraftfahrzeuge (Personenkraftwagen und leichte Nutzfahrzeuge) des motorisierten Individualverkehrs mit elektrischem Antriebstrang und Netzanschluss verstanden. Fokus der Arbeit sind batterieelektrische Fahrzeuge, eine Betrachtung von Range-Extender Elektrofahrzeugen erfolgt nachgelagert, da die Problematik begrenzter Fahrzeugreichweiten bei diesen durch den Verbrennungsmotor abgeschwächt ist. (vgl. Kapitel 2) 2 Elektrofahrzeuge haben im Vergleich zu anderen Fahrzeugantrieben, zum Beispiel gegenüber konventionellen oder Brennstoffzellenfahrzeugen, den Vorteil, dass sie – für den elektrischen Betrieb – in Ländern mit einer hohen Verfügbarkeit an Garagenstellplätzen (wie beispielsweise Deutschland oder USA, vgl. [100]) prinzipiell auch ohne öffentliche Ladeinfrastruktur betrieben werden könnten, indem sie nur am heimischen Anschluss geladen werden. In dieser Arbeit wird das Laden an heimischen Anschlüssen als Voraussetzung für den Betrieb von Elektrofahrzeugen unterstellt (vgl. Kapitel 2 und [107]) und nur (halb-) öffentliche Ladeinfrastruktur als Technologieoption zur Steigerung von elektrischen Tagesreichweiten angesehen, vgl. Kapitel 2.

1 Einleitung

Ladeinfrastrukturdichte die notwendige Fahrzeugreichweite. Daher kann eine höhere Ladeinfrastrukturdichte zu Kosteneinsparungen im Fahrzeug führen, beispielsweise weil kleinere Batteriekapazitäten notwendig werden [109, 263] – und umgekehrt. Die beiden Maßnahmen stellen demnach Substitute zur Erreichung höherer Tagesreichweiten von Elektrofahrzeugen dar. Studien zur Bewertung der Erfüllbarkeit heutiger Mobilitätsanforderungen mit reinen Elektrofahr- zeugen3 („technisches Potential“) basieren vorwiegend auf Simulationen realer Fahrdaten konventioneller Fahrzeuge4. In den Studien verwendete Fahrdaten stammen fast ausschließlich von Privatnutzern. Die Betrachtung von gewerblichen Fahrzeugen ist aber unter anderem aufgrund hoher Zulassungszahlen (in Deutschland, vgl. [169]) sowie regelmäßigem Fahrverhaltens und planbarer Routen (vgl. [251]) von großer Bedeutung im Hinblick auf die Verbreitung alternativer Antriebe. Eine umfassende Betrachtung von Elektrofahrzeugen sollte demnach neben privaten Fahrzeugen vor allem die Gruppe gewerblicher Fahrzeuge umfassen. Kapazitätsbeschränkungen öffentlicher Ladeinfrastruktur werden in Studien zu nutzerspezifischen Auswertungen oft nicht betrachtet4 und eine detaillierte Bestimmung des öffentlichen Ladeinfrastrukturbedarfs (Anzahl benötigter Ladepunkte) kann daher in diesen Studien nicht oder nur begrenzt erfolgen. Demgegenüber können Studien zur Bestimmung des öffentlichen Ladeinfrastrukturbedarfs unterschieden werden in (1) Studien zur Bestimmung einer optimalen Verteilung von Ladepunkten in einem bestimmten Gebiet5 und (2) Studien zur Skalierung einzelner Ladestandorte auf Basis lokaler Verkehrsflussdaten6. Fahrzeugreichweiten werden in diesen Studien konstant angenommen. Die Analyse der Erfüllbarkeit heutiger Mobilitätsanforderungen einzelner Fahrzeugnutzer ist mit diesen Analysen daher nur begrenzt erfolgt. Insgesamt ergibt sich, dass Maßnahmen zur Erhöhung der Fahrzeugreichweite einerseits und der Aufbau öffentlicher Ladeinfrastruktur andererseits in Studien bislang nicht dezidiert als Substitute zur Steigerung der Tagesreichweiten von Elektrofahrzeugen betrachtet wurden. Daraus ergibt sich, dass Abhängigkeiten des Ladeinfrastrukturbedarfs von realen Elektrofahrzeugreichweiten bislang nicht gut genug verstanden sind. Vor diesem Hintergrund und vor dem Hintergrund zukünftig steigender Fahrzeugreichweiten in Folge günstigerer Batterien [236] mit höheren Energiedichten [300, 301] ist eine techno-ökonomische Bewertung öffentlicher Ladeinfrastruktur im Vergleich zur Erhöhung von Fahrzeugreichweiten interessant, um kosteneffiziente, d.h. Gesamtkosten minimierende, Maßnahmenkombinationen zu identifizieren. Diese Fragestellung wurde in bisherigen Forschungs- arbeiten nicht umfassend analysiert und ist daher Gegenstand der vorliegenden Dissertation.

3 Oder die Bestimmung elektrischer Fahranteile von Plug-In-Hybrid-Elektrofahrzeugen (z.B. in [117]). 4 Vgl. z.B. [121, 220–222, 227, 329, 330]. 5 Vgl. z.B. [70, 158, 187, 294]. 6 Vgl. z.B. [14, 156, 229].

2 Einleitung

1.2 Zielsetzung Ziel der Dissertation ist eine techno-ökonomische Gesamtbewertung heterogener Maßnahmen zur Verlängerung der Tagesreichweite von batterieelektrischen Fahrzeugen. Im Speziellen soll technisch untersucht werden, wie sich die Erhöhung der elektrischen Fahrzeugreichweite im Vergleich zu bzw. in Kombination mit dem Aufbau öffentlicher Ladeinfrastruktur auf die Möglichkeit auswirkt, Fahrmuster heutiger Fahrzeuge mit Hilfe von reinen Elektrofahrzeugen zu erfüllen. Der Begriff der Tagesreichweite wird in diesem Zusammenhang definiert als die maximale tägliche Strecke, die ein reines Elektrofahrzeug unter Verfügbarkeit von Lademöglichkeiten zurücklegen kann. Tagesreichweiten sind fahrzeug- bzw. fahrzeugnutzerspezifisch, da das Fahrverhalten einzelner Nutzer sowohl hinsichtlich zurückgelegter Tagesstrecken [248] als auch hinsichtlich unterschiedlicher Fahrweisen variiert, die zu unterschiedlichen Fahrenergiebedarfen führen [123, 209, 235]. Die untersuchten Maßnahmen werden als heterogen bezeichnet, da Maßnahmen zur Erhöhung der Fahrzeugreichweite fahrzeugspezifisch sind und keinen direkten Einfluss auf andere Fahrzeuge haben, während der Bedarf an öffentlicher Ladeinfrastruktur nur aus makroskopischer Sicht einer gesamten Nutzergruppe bewertet werden kann, da Ladeinfrastrukturbedarfe vom Zusammenspiel individueller Nutzerbedarfe abhängen. Schließlich erfolgt eine ökonomische Bewertung der Maßnahmen auf Basis ihrer Gesamtkosten in Bezug auf den Fahrzeugnutzer7, da die Wirtschaftlichkeit von Elektrofahrzeugen für deren Verbreitung eine wesentliche Rolle spielt (vgl. [74]). Zusammenfassend ergibt sich für diese Arbeit folgende Forschungsfrage: Durch welche Maßnahmen oder Maßnahmenkombinationen lässt sich die Tagesreichweite von batterieelektrischen Fahrzeugen (BEV) steigern und welche Potentiale sowie Gesamtkosten sind damit verbunden? Die Beantwortung der Forschungsfrage gliedert sich in folgende Teilfragen auf: Inhaltlich: 1. Wie wirken sich der Aufbau von Ladeinfrastruktur, die Erhöhung der Batteriekapazität sowie die Senkung des Fahrzeuggewichts auf reale Tagesreichweiten einzelner Fahrzeugnutzer aus? 2. Wie gut können Mobilitätsbedarfe einzelner Nutzer unter Einbeziehung der unterschiedlichen Maßnahmen abgedeckt werden? 3. Welchen Einfluss haben veränderte Fahrzeugreichweiten auf den Ladeinfrastrukturbedarf? 4. Welche Handlungsempfehlungen zur Erhöhung der Tagesreichweiten von Elektrofahrzeugen lassen sich aus techno-ökonomischer Sicht hieraus ableiten? Methodisch: 5. Wie können individuelle elektrische Fahrzeugreichweiten bestimmt werden? 6. Wie können Ladebedarfe einzelner Nutzer und der hieraus resultierende Ladeinfra- strukturbedarf bestimmt werden? 7. Wie können Maßnahmen zur Erhöhung der Fahrzeugreichweite von batterieelektrischen Fahrzeugen (BEV) mit dem Aufbau öffentlicher Ladeinfrastruktur techno-ökonomisch vergleichbar gemacht werden? Eine Bewertung erhöhter elektrischer Fahrzeugreichweiten kann direkt auf Nutzerebene erfolgen, wohingegen die techno-ökonomische Bewertung des Aufbaus öffentlicher Ladeinfrastruktur nur auf makroskopischer Ebene möglich ist, da Ladebedarfe einer gesamten Elektrofahrzeugflotte betrachtet

7 Zur Definition des Begriffs Gesamtkosten sowie der wirtschaftlichen Systemgrenzen dieser Arbeit vgl. nächste Seite.

3 Einleitung sowie Effekte einer geographischen Mindesterreichbarkeit von Ladeinfrastruktur einbezogen werden müssen. Für die Beantwortung der methodischen Forschungsfragen muss daher eine einheitliche Vergleichsbasis für alle analysierten Maßnahmen geschaffen werden. Dies erfordert die Entwicklung eines Modells, das die Bewertung der heterogenen Maßnahmen miteinander verbindet. In der vorliegenden Arbeit werden daher die Systeme Elektrofahrzeug und Ladeinfrastruktur als Teilsysteme eines übergeordneten Systems analysiert. Durch die Verbindung der nutzerindividuellen Ebene mit der makroskopischen Ebene eines (oder mehrerer) Ladeinfrastrukturverantwortlichen lassen sich Wechselbeziehungen zwischen den Systemen darstellen und beide Systeme in einem integrierten Ansatz vergleichen. Die Analysen dieser Arbeit fokussieren auf Fahrprofile gewerblich gehaltener Fahrzeuge8, da diese in Deutschland für die Verbreitung von Fahrzeugen mit alternativen Antrieben bedeutend sind (vgl. Kapitel 1.1). Da sich aber Fahrmuster privater und gewerblicher Fahrzeuge unterscheiden, werden private Profile ergänzend betrachtet. Die analysierten Maßnahmen (vgl. 1. Forschungsfrage) werden zu Gesamtkosten in Bezug auf den Fahrzeugnutzer bewertet. Als Gesamtkosten werden in dieser Arbeit die Summe aller Kosten und Erlöse der Akteure Fahrzeughersteller, Ladeinfrastrukturbetreiber sowie Fahrzeugnutzer definiert9. Da der Fokus dieser Arbeit die ökonomische Bewertung der einzelnen Maßnahmen ist und nicht eine Wirtschaftlichkeitsbetrachtung aus Sicht einzelner Akteure, werden die Maßnahmen zu Implementierungskosten bewertet. Entsprechend werden für Batterien und Leichtbauoptionen Kosten veranschlagt, die für deren Integration in Elektrofahrzeuge aus Sicht der Automobilhersteller anfallen. Für öffentliche Ladeinfrastruktur werden Kosten angesetzt, die einem Ladeinfrastruktur- betreiber für ihre Errichtung und ihren Betrieb anfallen. Dieser Ansatz folgt der Logik, dass Fahrzeug- hersteller durch Erhöhung der Tagesreichweiten ihrer EV ihren Kunden Nutzervorteile bieten können, von denen sie sich höhere Marktanteile versprechen (vgl. Kapitel 1.1) und im Sinne einer Durchdringungsstrategie bereit sind, die Reichweiten-verlängernden Maßnahmen zu Selbstkosten anzubieten (vgl. Kapitel 5.4). Das Beispiel Tesla zeigt, dass bereits heute Hersteller von Elektrofahrzeugen die eigene Errichtung und den Betrieb von Ladeinfrastruktur in Erwägung ziehen und Fahrzeughersteller zunehmend10 vor der Entscheidung stehen, ob sie in gesteigerte Fahrzeugreichweiten und/oder in den Aufbau eines eigenen Ladeinfrastrukturnetzes investieren. Die techno-ökonomische Wirksamkeit der einzelnen Maßnahmen ist von individuellem Nutzerverhalten abhängig und die einzelnen Maßnahmen sind mit unterschiedlichen Nutzungskosten verbunden. Beispielsweise erhöhen gesteigerte Batteriekapazitäten aufgrund der gestiegenen Fahrzeugmasse die Energiebedarfe von Elektrofahrzeugen. Zur Abbildung dieser Effekte erfolgt die ökonomische Bewertung der einzelnen Maßnahmen aus Sicht der Nutzer auf Basis von Vollkostenrechnungen (Total Cost of Ownership, TCO). Kosten für gewerbliche Fahrzeuge (sowie Ladeinfrastrukturbetreiber) werden entsprechend der gesetzlichen Regelungen ohne Mehrwertsteuer bewertet, Kosten für Privatfahrzeuge werden mit Mehrwertsteuer betrachtet. Diese Arbeit entwickelt eine Methodik zur Identifikation von Maßnahmen und Maßnahmen- kombinationen, die die elektrische Tagesreichweite von Elektrofahrzeugen zu möglichst geringen Gesamtkoten steigern. Die Ergebnisse dieser Arbeit sind daher von potentiellem Interesse für

8 Im Folgenden werden Fahrzeuge entsprechend ihres Halters in gewerbliche und private Fahrzeuge bzw. in Wirtschafts- und Privatverkehr unterschieden. Eine einheitliche Definition des Wirtschaftsverkehrs existiert nicht. Für eine Darstellung unterschiedlicher Definitionen vgl. [111]. 9 Folglich heben sich Kosten eines Akteurs, dem Erlöse eines anderen Akteurs gegenüberstehen, innerhalb der Systemgrenzen auf (vgl. 5.4). Für eine Diskussion der Modellgrenzen und Modellannahmen vgl. Kapitel 5.5.3. 10 Wie beispielsweise auch die Charging Interface Initiative e. V. zeigt, vgl. http://www.charinev.org.

4 Einleitung industrielle Entscheidungsträger sowie für politische Entscheidungsträger zur Ableitung möglicher Förderpolitiken. Der Betrachtungsraum der Analysen ist Deutschland11 mit Bezugsjahr 2016 und mittel- bis langfristigem Zeithorizont (2030).

1.3 Vorgehensweise Die Struktur der vorliegenden Arbeit ergibt sich aus der Beantwortung der zuvor genannten Forschungsfragen wie folgt. Einleitend werden in Kapitel 2.1 die Besonderheiten von Elektro- fahrzeugen als alternative Antriebe sowie die Ausgestaltung ihrer Ladeinfrastruktur dargestellt. Darauf folgend umfasst Kapitel 2.2 die Darstellung des für die Beantwortung der Forschungsfrage relevanten Forschungsstands (Kapitel 2.2.1 und 2.2.2), aus welchem Anforderungen für das Modell dieser Arbeit abgeleitet werden (Kapitel 2.2.3). Die Beschreibung der Datenbasis erfolgt in den Kapiteln 3 und 4. Während in Kapitel 3 die techno-ökonomischen Modellparameter für Batterien (Kapitel 3.2), Leichtbautechnologien (Kapitel 3.3) und öffentliche Ladeinfrastruktur (Kapitel 3.4) hergeleitet werden, zeigt Kapitel 4 die Aufbereitung der analysierten Fahrdaten des gewerblichen (Kapitel 4.2) und privaten Verkehrs (Kapitel 4.3). Das Methodik-Kapitel 5 gibt zunächst eine Modellübersicht (Kapitel 5.1) und ordnet den Modellierungsansatz Anhand der Einteilung in „bottom-up“- und „top-down“-Modelle ein. Die weiteren Teilkapitel folgen dem dreiteiligen Modellaufbau dieser Arbeit: die Methodik zur nutzerspezifischen Bestimmung des technischen Potentials von Elektrofahrzeugen zeigt Kapitel 5.2, die Analyse des Ladeinfrastrukturbedarfs beleuchtet Kapitel 5.3 und schließlich sind die Methodik und die allgemeinen Kostendaten des ökonomischen Vergleichs der Maßnahmen in Kapitel 5.4 gezeigt. Um auch dynamische Analysen der Abhängigkeit des Ladeinfrastrukturbedarfs von sich ändernden Fahrzeugreichweiten durchführen zu können, werden in Kapitel 5.3.4 zukünftige Entwicklungspfade definiert. Eine Diskussion des Modellansatzes erfolgt in Kapitel 5.5. Die Darstellung der einzelnen Teilergebnisse in den Kapiteln 6.1, 6.2 und 6.3 folgt dem methodischen Aufbau in Kapitel 5. Die Sensitivität der Ergebnisse auf Parameterannahmen ist jeweils am Ende der Teilkapitel gezeigt. Die Arbeit schließt mit einer Zusammenfassung und Schlussfolgerung in Kapitel 7.

11 Neben der Analyse gewerblicher Fahrdaten aus Deutschland (vgl. 4.2.2) werden Fahrdaten kanadischer Privatnutzer [309] analysiert und auf Deutschland übertragen. Zu Einschränkungen, die mit der Verwendung kanadischer Fahrdaten verbunden sind, vgl. Kapitel 4.3.

5 Hintergrund: Potentialbewertung von Elektrofahrzeugen

2 Hintergrund: Potentialbewertung von Elektrofahrzeugen Ziel dieses Kapitels ist die Beschreibung der Besonderheiten von Elektrofahrzeugen (Kapitel 2.1) sowie ihrer Ladeinfrastruktur (Kapitel 2.1.2). Anschließend werden auf Basis einer strukturierten Literaturübersicht über die Potentialbestimmung von Elektrofahrzeugen (Kapitel 2.2.1) und der Bedarfsbestimmung von Ladeinfrastruktur (Kapitel 2.2.2) die Forschungsfrage aufgezeigt sowie Modellanforderungen zu ihrer Beantwortung abgeleitet (Kapitel 2.2.3).

2.1 Besondere Eigenschaften von Elektrofahrzeugen Elektrofahrzeuge und ihre Verbreitung werden in Deutschland vor allem mit dem Ziel einer Verminderung der verkehrsbedingten Treibhausgasemissionen verbunden [162].12 Ihre Verbreitung ist aber noch gering ([171]; Annex D) und Elektrofahrzeuge unterscheiden sich grundlegend in ihrer Nutzbarkeit von konventionellen Fahrzeugen, hauptsächlich aufgrund ihrer begrenzten Reichweite und häufiger Ladebedarfe [74, 107].

2.1.1 Antriebstopologien Unter Elektrofahrzeugen (EV13) werden in der vorliegenden Arbeit vierrädrige Fahrzeuge des motorisierten Individualverkehrs (Personenkraftwagen (PKW) und leichte Nutzfahrzeuge (lNfz)) verstanden, die über einen elektrischen Antriebstrang14 und einen Energiespeicher verfügen, der über einen Netzanschluss geladen werden kann [245]. Elektrofahrzeuge werden unterschieden in batterieelektrische Fahrzeuge (BEV15), die ausschließlich über den elektrischen Antriebstrang verfügen, und in Plug-In-Hybrid Elektrofahrzeuge (PHEV16), die den elektrischen Antriebstrang mit einem weiteren – hauptsächlich einem Antriebstrang mit Verbrennungsmotor [53] – kombinieren. Weiterhin werden Elektrofahrzeuge mit Range Extender (REEV17) oft als Sonderform von PHEV genannt. Eine einheitliche Definition für REEV existiert nicht. Beispielsweise fordert CARB (2012) [51] für REEV eine Mindestreichweite von 75 Meilen (ca. 121 km), alternativ werden REEV oft als serielle PHEV definiert, d.h. der Verbrennungsmotor dient ausschließlich zur Aufladung der Batterie über einen Generator [25, 137, 335]. Der konventionelle Antriebsstrang eines PHEV bzw. REEV kann als Maßnahme zur Erhöhung der Gesamtreichweite18 des Fahrzeugs dienen und stellt somit ein imperfektes Substitut zu BEV mit öffentlicher Ladeinfrastruktur (Kapitel 2.1.2) dar. Die Funktionalität eines Range-Extenders als Substitut zu (öffentlicher) Ladeinfrastruktur ist vor allem bei identischen Batteriekapazitäten von REEV und BEV gegeben, wenn der Range-Extender eine „Zusatz“-Option eines BEV darstellt19. Insgesamt stehen als Optionen zur Verlängerung der Tagesreichweite von Elektrofahrzeugen die Vergrößerung der Batteriekapazität, der Auf- bzw. Ausbau öffentlicher Ladeinfrastruktur sowie ein hybrider Antriebsstrang mit Verbrennungsmotor zur Verfügung. Der Fokus dieser Arbeit ist ein Vergleich der

12 Eine systematische Darstellung weiterer Ziele, wie „Unterstützung der Energiewende“, zeigt z.B. [137]. 13 Aus dem Englischen: Electric Vehicle. 14 Vgl. z.B. [314]: „alle Energiewandler [sind] ausschließlich elektrische Maschinen“. 15 Aus dem Englischen: Battery Electric Vehicle. 16 Aus dem Englischen: Plug-In Hybrid Electric Vehicle. 17 Aus dem Englischen: Range Extended Electric Vehicle. 18 Summe aus elektrischer und konventioneller Reichweite. 19 Wie z.B. beim BMW i3, der einen Range-Extender als Zusatzoption enthält [30].

6 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Maßnahmen „öffentliche Ladeinfrastruktur“ sowie „erhöhte Batteriekapazitäten“. Folgende Ausführungen, insbesondere zu Ladebedarfen, beziehen sich daher vorranging auf batterieelektrische Fahrzeuge (BEV).

2.1.2 Ladebedarfe und -optionen von Elektrofahrzeugen Ladevorgänge unterscheiden sich von heutigen Tankvorgängen vor allem aufgrund vergleichsweise langer Ladezeiten20. Dieses Kapitel stellt daher zunächst die unterschiedlichen Ladebedarfe von Elektrofahrzeugnutzern dar, die durch unterschiedliche Ladeoptionen gedeckt werden können.

2.1.2.1 Ladebedarfe von Elektrofahrzeugen Ladebedarfe von Elektrofahrzeugnutzern werden in dieser Arbeit unterschieden in Über-Nacht- Ladebedarfe, Gelegenheitsladebedarfe sowie Zwischenladebedarfe. Aufgrund der geringen Reichweiten von Elektrofahrzeugen müssen diese regelmäßig aufgeladen werden (vgl. [137]). Die Ladung erfolgt hierbei gewöhnlich während der Standzeit des Fahrzeugs über Nacht [96] und diese Ladeoption wird daher in dieser Arbeit als Über-Nacht-Lademöglichkeit bezeichnet. Die Verfügbarkeit einer derartigen Lademöglichkeit ist aktuell für die Nutzung von BEV Voraussetzung [243, 251], deren Bedeutung auch durch Forschungsergebnisse von Feldstudien unterstrichen wird [96, 216, 281]. Nach [177] haben 72% der gewerblichen Fahrzeuge in Deutschland einen Stellplatz auf einem Privatgelände, sodass EV daher potentiell eine regelmäßige Über-Nacht- Lademöglichkeit zur Verfügung steht. Private EV können vor allem in Ländern mit einer hohen Garagenverfügbarkeit, wie in Deutschland und den USA [24, 37, 145, 195, 210, 307], meist am heimischen Ladeanschluss geladen werden. Der Aufbau einer entsprechenden privaten Lade- infrastruktur ist kostengünstig möglich und eine öffentliche Ladeinfrastruktur (vgl. Kapitel 2.1.2.2) aus rein technischer Sicht für die anfängliche Verbreitung von EV keine zwingende Voraussetzung21. Analog zu Über-Nacht-Ladebedarfen erscheint es aufgrund der langen Ladezeiten20 attraktiv, auch die Standzeit von nichtheimischen Parkereignissen während des Tags, z.B. während eines Einkaufs [100], für die Ladung eines EV zu nutzen. Diese Ladeoption wird im Folgenden als Gelegenheitsladung definiert und bietet den Vorteil, dass sie nicht mit Zeitkosten verbunden ist [137]. Der Ladebedarf des Zwischenladens hingegen entsteht, wenn die verbleibende Reichweite eines BEV nicht zur Deckung der Mobilitätsbedarfe eines Nutzers bis zum nächsten regelmäßigen Ladevorgang ausreicht. Dieser Ladebedarf ist mit einer Fahrtunterbrechung verbunden und ähnelt daher der Art eines Tankvorgangs. Um Ladezeiten und somit Fahrtunterbrechungen zu begrenzen, sollten vergleichsweise hohe Ladeleistungen verwendet werden (vgl. Kapitel 2.1.2.2). [137] unterscheidet Zwischenladevorgänge22 weiter in „Notladen“ und „Schnellladen an Langstrecken“. Schnellladung an Langstrecken entsteht, wenn einzelne Wege eines Nutzers die reale Reichweite seines BEV übersteigen, wohingegen Notladung notwendig wird, wenn bei einem Fahrtantritt nicht die volle Fahrzeugreichweite zur Verfügung steht, beispielsweise aufgrund des Ausfalls einer Über-Nacht- Lademöglichkeit. Während der Bedarf von Ladeinfrastruktur zum Notladen durch die Verfügbarkeit von Ge- legenheitslademöglichkeiten gesenkt werden könnte, ist Schnellladung an Langstrecken nicht

20 An heimischen Anschlüssen dauert die Vollladung der Batterie mehrere Stunden, vgl. auch Abschnitt 2.1.2.2. 21 Diese Annahme wird durch die hohe Bedeutung der Heimladeereignisse gestützt, die für 80% der Ladeereignisse verantwortlich sind [92, 152, 281]. Vgl. Kapitel 3.4.1. 22 [137] spricht von Schnellladevorgängen.

7 Hintergrund: Potentialbewertung von Elektrofahrzeugen substituierbar. Vielmehr ist die technische Notwendigkeit von Gelegenheitslademöglichkeiten unter der Annahme regelmäßiger Lademöglichkeiten aller Nutzer fraglich [107, 137, 251]. Unabhängig von oben genannten Ladebedarfen könnten Elektrofahrzeugnutzer einer hohen geographischen Verfügbarkeit von öffentlicher Ladeinfrastruktur einen hohen Wert beimessen [207], weil diese der Reichweitenangst entgegenwirkt23 (empirische Analysen z.B. in: [7]).

2.1.2.2 Ladeoptionen von Elektrofahrzeugen Ladeoptionen von Elektrofahrzeugen können unterschieden werden nach ihrer Zugänglichkeit und der Ladeleistung (sowie der Verortung des Ladegeräts)24. Ladeinfrastruktur kann in private, halböffentliche und öffentliche Ladeinfrastruktur unterschieden werden [28]. Private Ladeinfrastruktur befindet sich auf privatem Grund und ist nur einem stark begrenzten Personenkreis, wie den Mitgliedern eines Haushalts, zugänglich. Private Ladepunkte umfassen hauptsächlich Heimladepunkte sowie Firmenparkplätze. Demgegenüber befindet sich öffentliche Ladeinfrastruktur auf öffentlichem Grund und ihr Zugang ist allgemein unbeschränkt [23, 179]. Halböffentliche Ladeinfrastruktur schließlich befindet sich auf privatem Grund und ihr Zugang ist nur einem nach allgemeinen Kriterien beschränkten Personenkreis zugänglich, wie beispielsweise den zahlenden Kunden eines Parkhauses [180]. Die Dauer eines Ladevorgangs ist invers proportional zur verfügbaren Ladeleistung. Man unterscheidet das Laden mit einphasigem Wechselstrom (AC1, in Deutschland bis max. 3,7 kW), Laden mit dreiphasigem Wechselstrom (AC3, in Deutschland max. 11 bzw. 33 kW, je nach Stromstärke) und Gleichstromladen (DC, ≥ 50 kW). Die Ladeelektronik zum Gleichrichten des Netzstroms befindet sich beim Laden mit Wechselstrom (AC1 und AC2) im Fahrzeug. Man spricht daher auch vom „On-Board“- Laden. Die Leistung der Ladeelektronik ist aufgrund baulicher Vorgaben im Fahrzeug beschränkt. Demgegenüber befindet sich die Ladeelektronik beim Gleichstromladen außerhalb des Fahrzeugs („Off-Board“-Laden) und erlaubt aufgrund größerer Dimensionierung höhere Ladeleistungen. [137] Allgemeine Anforderungen und Anforderungen an Steckverbindungen für konduktives, also kabelgebundenes, Laden sind in der Norm DIN EN 62196 [67] (Teil 1 und 2) definiert. Entsprechend der dortigen Definitionen sind Ladeleistungen (DC) bis 240 kW möglich. Aktuell liegt die maximale Ladeleistung von Ladeinfrastruktur bei 120 kW [298], die theoretische Maximalleistung der Ladeinfrastruktur von 145 kW ist batterieseitig nicht abrufbar [9]. Noch für 2017 angekündigt sind 150 kW, 350 kW sind aktuell in Forschung und sollen ab 2018 möglich sein [52, 57].

2.1.3 Fazit: Ableitung von Modellannahmen für Elektrofahrzeuge und ihre Ladeinfrastruktur Basierend auf den Ausführungen in Kapitel 2.1 werden folgende Annahmen für die vorliegende Arbeit abgeleitet. 1. Es wird davon ausgegangen, dass Elektrofahrzeugnutzer stets über einen Ladeanschluss verfügen, an dem diese über Nacht geladen werden können. 2. Für Ladeinfrastruktur zum Gelegenheitsladen wird von Wechselstromladen mit einer maximalen Ladeleistung von 22 kW ausgegangen, entsprechend der Definition für Normalladepunkte in der Ladesäulenverordnung [314].

23 Zu psychologischen Effekten der begrenzten Reichweite von EV vgl. z.B. [91, 93, 262, 306]. 24 Eine Unterscheidung weiterer Kriterien ist für diese Arbeit nicht relevant. Für eine Übersicht vgl. z.B. [180].

8 Hintergrund: Potentialbewertung von Elektrofahrzeugen

3. Zwischenladen wird entsprechend heute möglicher Ladeleistungen als Gleichstromladen mit 150 kW Ladeleistung angenommen, um Ladezeiten zu begrenzen. Es wird nur von Ladebedarfen an Langstrecken ausgegangen, Notladebedarfe werden nicht untersucht. Eine hohe Verfügbarkeit an Garagenstellplätzen in Deutschland [24, 37, 145, 210] stützt die Annahme der hohen Verfügbarkeit von privaten Ladeanschlüssen. Für gewerbliche Nutzer, die den Fokus dieser Arbeit bilden, wird ebenfalls von einer regelmäßigen privaten Lademöglichkeit über Nacht ausgegangen, da nach KiD (2010) [177] 72% der gewerblichen Fahrzeuge auf einem Privatgelände abgestellt werden. Weiterhin zeigt sich die regelmäßige Nutzung des Übernachtladens auch im Verhalten gewerblicher Erstnutzer von Elektrofahrzeugen [96]. Jegliche Ladeoption, die nicht dem Laden über Nacht zugeordnet werden kann – also auch das Laden privater EV am Arbeitsplatz tagsüber – wird in dieser Arbeit als Maßnahme zur Erhöhung der Tagesreichweite von Elektrofahrzeugnutzern betrachtet. Eine Unterscheidung der Ladeinfrastruktur nach ihrer Zugänglichkeit wird im Folgenden nicht vorgenommen25. Der techno-ökonomischen Analyse (Kapitel 6) unterliegt die Annahme einer konduktiven Ladevorrichtung [107, 179], da alternative Technologien, wie beispielsweise induktive Lade- vorrichtungen, zum jetzigen Zeitpunkt aus techno-ökonomischer Sicht nicht konkurrenzfähig sind [107]. Weitere Aspekte, nach denen Ladeinfrastruktur unterschieden werden kann [180], wie beispielsweise die Bereitstellung von Netzdienstleistungen durch Elektrofahrzeuge [62], spielen für die Beantwortung der Forschungsfrage eine untergeordnete Rolle und werden daher im Folgenden nicht weiter betrachtet. Empirische Ladebedarfe und Kosten für Ladeinfrastruktur sind in Kapitel 3.4 dargestellt.

2.2 Modellanforderungen an eine techno-ökonomische Potentialbewertung von Elektrofahrzeugen Die Analyse kosteneffizienter Möglichkeiten zur Steigerung der Tagesreichweite von BEV bedingt sowohl eine Analyse des Zusatznutzens der verschiedenen Maßnahmen auf Nutzerebene, beispielsweise in Form der Ersetzbarkeit von Tagesfahrten konventioneller Fahrzeuge durch BEV, als auch die Analyse der damit verbundenen Kosten. Während eine Kostenbestimmung fahrzeugseitiger Maßnahmen direkt möglich ist, ist die Ermittlung anteiliger Ladeinfrastrukturkosten mit einer Quantifizierung („Bedarfsbestimmung“) öffentlicher Ladeinfrastruktur verbunden, die aufgrund der hohen Verfügbarkeit der Heimlademöglichkeit (Kapitel 2.1.2) und der Charakteristik öffentlicher Ladeinfrastruktur als zusätzliche Option nicht trivial ist. In der Literatur werden Analysen zum technischen Potential von Elektrofahrzeugen und eines sich ergebenden Ladeinfrastrukturbedarfs häufig getrennt voneinander betrachtet. Eine Gruppe an Studien (vgl. Kapitel 2.2.1) fokussiert auf die Analyse des technischen Potentials aus Nutzersicht und klammert Kapazitätsbeschränkungen von Ladeinfrastruktur aus. Eine Quantifizierung des öffentlichen Ladeinfrastrukturbedarfs ist somit nicht oder nur begrenzt möglich. Demgegenüber nutzt eine zweite Gruppe an Studien (vgl. Kapitel 2.2.2), die Ladeinfrastrukturbedarfe untersuchen, durchschnittliche konstante Fahrzeugreichweiten und erlaubt daher keine detaillierten Aussagen zum technischen Potential von EV aus Nutzersicht. Eine Synthese dieser beiden Fragestellungen in der Literatur ist, nach bestem Wissen des Autors, bisher nur in Ansätzen untersucht worden (vgl. Kapitel 2.2). Für ein Modell, das beide Fragestellungen adressiert, ergeben sich hieraus Anforderungen, die schließlich in Kapitel 2.2.3 entwickelt werden.

25 Auch da durch Initiativen wie Park+Charge [241] die Grenzen der Zugänglichkeit verschwimmen.

9 Hintergrund: Potentialbewertung von Elektrofahrzeugen

2.2.1 Literaturübersicht: Modellierung der Nutzbarkeit von Elektrofahrzeugen Die beschränkten Reichweiten von Elektrofahrzeugen in Kombination mit einer geringen Ladeinfrastrukturverfügbarkeit führen dazu, dass heutige Mobilitätsmuster möglicherweise nicht vollständig mit BEV erfüllt werden können [107, 128]. Weiterhin können Standzeiten aufgrund langer Ladezeiten bei geringen Ladeleistungen zu kurz sein, um die Batterie für die verbleibende Tagesstrecke ausreichend aufzuladen, auch wenn Ladeinfrastruktur (Gelegenheitsladen, vgl. Kapitel 2.1.2) vorhanden wäre. Daher analysieren zahlreiche Studien die Frage, inwieweit EV heutige Mobilitätsbedarfe technisch (BEV) und ökonomisch (BEV und REEV im Vergleich zu konventionellen Fahrzeugen) erfüllen können. Als Ergebnis bestimmen diese Studien Anteile der Mobilitätsbedarfe einzelner Nutzer, die diese im beobachteten Zeitraum elektrisch zurücklegen können („Nutzbarkeit von BEV“)26. Bezugsgrößen dieser Kennzahl unterscheiden sich in den einzelnen Studien je nach Untersuchungsrahmen27. Gebräuchliche Kennzahlen sind: . elektrische Streckenanteile28 . Anteil elektrischer Fahrten29 . Anteil an Tagen, die mit einem BEV möglich sind30. Zur Beschreibung dieser Kennzahlen wird im weiteren Verlauf der Arbeit die Bezeichnung „Nutzbarkeit“ und für die Darstellung der Ergebnisse dieser Arbeit die letztgenannte Definition (mit BEV mögliche Fahrtage) verwendet. Es wird davon ausgegangen, dass heutige Fahrmuster an möglichst vielen Fahrtagen durch Elektrofahrzeuge erfüllt werden sollen und Nutzer bereit sind, an einzelnen Tagen – nicht aber für einzelne Strecken oder Fahrten – auf konventionelle Ersatzfahrzeuge zurückzugreifen. Die benutzte Definition der Nutzbarkeit stellt demnach einen Indikator für den Bedarf an konventionellen Ersatzfahrzeugen dar31. Die Verwendung individueller Fahrdaten zur Analyse der Nutzbarkeit von EV ist notwendig, um Nutzerspezifika im Fahr- und Parkverhalten darstellen zu können. Beispielsweise unterscheiden sich Fahrmuster hinsichtlich zurückgelegter Tages- und Einzelstrecken [145, 210] und die Nutzbarkeit von EV unterscheidet sich für verschiedene Nutzer daher sehr stark [221]. Empirische Daten zur Nutzung von Elektrofahrzeugen sind aufgrund geringer Marktzahlen selten (z.B. [63, 193, 194]), sodass Studien der Nutzbarkeit von Elektrofahrzeugen hauptsächlich auf Simulationen des Fahr- und Ladeverhaltens basieren. Grundlage der im Folgenden vorgestellten Studien sind vorwiegend Fahrprofile konventioneller Fahrzeuge (wie in [117, 121, 221, 227, 251, 318, 329, 330]).

26 Da der Begriff elektrischer Fahranteil im allgemeinen Sprachgebrauch vorwiegend mit PHEV verbunden wird, wurde auf dessen Verwendung in diesem Zusammenhang verzichtet. In dieser Arbeit wird neben der Nutzbarkeit weiterhin das technische Potential von BEV unterschieden. Dieses umfasst neben der Nutzbarkeit noch das weitere Kriterium einer maximalen Anzahl an Zwischenladevorgängen pro Jahr (vgl. auch Kapitel 6.1.1). In der Literatur wird häufig nur einer der beiden Parameter betrachtet, sodass sich für andere Arbeiten die Äquivalenz von „Nutzbarkeit“ und „technischem Potential“ ergibt. 27 Beispielsweise bezüglich der Annahme, ob und zu welchen Kosten konventionelle Ersatzfahrzeuge genutzt werden können. 28 Vgl. z.B. [220, 227]. 29 Vgl. z.B. [68, 121]. 30 Vgl. z.B. [69]. 31 Die anderen beiden Definitionen könnten als Indikator für Fahrzeugflotten oder Haushalte mit mehreren Fahrzeugen, die sowohl konventionelle als auch Elektrofahrzeuge umfassen, besser geeignet sein, sofern man von einer optimalen Zuweisung von Strecken zu Elektrofahrzeugen und konventionellen Fahrzeugen ausgeht.

10 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Eine Unterscheidung dieser Studien ist nach der Auflösung und der Aufzeichnungsdauer der verwendeten Datenbasis möglich. Die Analyse der Nutzbarkeit von EV auf Basis von nationalen Verkehrserhebungen hat den Vorteil einer großen Nutzerstichprobe, erlaubt aber aufgrund der kurzen Beobachtungsdauer [242] keine longitudinalen Analysen des Fahrverhaltens, beispielsweise hinsichtlich der Varianzen von Tagesfahrleistungen einzelner Fahrzeugnutzer. Weiterhin sind wegen des Aggregationsniveaus dieser Daten nur streckenbasierte Analysen möglich, die keine Aussagen über individuelle Fahrenergiebedarfe32 zulassen. Aufgrund der hohen Variation individueller Fahrenergiebedarfe in der Realität [123, 235, 304] und ihrer Bedeutung für reale Reichweiten von EV (vgl. Kapitel 2), stützen eine wachsende Anzahl an Studien ihre Analysen auf hochaufgelöste GPS- Daten, die Aussagen zu individuellen Fahrzeugreichweiten erlauben. Diese Datensätze sind im Vergleich zu Mobilitätsdaten aus Verkehrserhebungen in der Nutzerstichprobe stark beschränkt (vgl. auch Tabelle 9). Im Folgenden werden zunächst Studien mit streckenbasierten Analysen beschrieben. Da diese aufgrund der kurzen Beobachtungsdauern seltene lange Fahrten unterschätzen (z.B. [318]), werden anschließend Studien diskutiert, die auf Basis streckenbasierter Analysen Abschätzungen zur Häufigkeit solcher Ereignisse in einem Jahr erlauben. Anschließend erfolgt die Darstellung von Studien, die individuelles Fahrverhalten einbeziehen. Die vorgestellten Studien stützen sich hauptsächlich auf Fahrdaten privater Fahrzeuge, Fahrdaten gewerblicher Fahrzeuge – wie sie Fokus dieser Arbeit sind – wurden bislang nur vereinzelt untersucht. Die in den folgenden Teilkapiteln beschriebenen Ergebnisse anderer Studien beziehen sich daher auf private und nicht auf gewerbliche Fahrdaten, wenn nicht explizit anders definiert.

2.2.1.1 Bestimmung der Nutzbarkeit von EV mittels streckenbasierter Analysen Mobilitätsdaten aus Verkehrserhebungen haben kurze Beobachtungsdauern, von häufig nur einem Tag (vgl. z.B. [242]). Eine Analyse von variierenden Tagesfahrleistungen für einzelne Nutzer ist mit diesen Datensätzen nicht möglich und führt dazu, dass die Nutzbarkeit von EV überschätzt wird [11, 121, 195], auch weil seltene Ereignisse (z.B. Urlaubsfahrten für private Nutzer) in diesen Datensätzen unterrepräsentiert sind. Die Nutzung von Mobilitätsdaten nationaler Verkehrserhebungen für die Nutzbarkeitsanalyse von EV bieten aber den Vorteil einer großen Nutzerstichprobe und ermöglichen eine streckenbasierte Nutzenanalyse zur Ersetzbarkeit von Elektrofahrzeugen unter der Annahme durchschnittlicher Fahrparameter für alle Nutzer. Basierend auf der Analyse von Tagesreichweiten bestimmen [250] optimale Batteriegrößen für PHEV, die in Abhängigkeit der Batteriepreise zwischen 7 und 17 kWh liegen. [109] vergleichen auf Basis des Deutschen Mobilitätspanels MOP (2010) [210] den Aufbau von öffentlicher Ladeinfrastruktur und eine Steigerung der Batteriekapazität zur Erhöhung der Nutzbarkeit von Elektrofahrzeugen. Die Autoren gehen davon aus, dass jedes Fahrzeug, das öffentliche Ladeinfrastruktur nutzen würde, einen öffentlichen Ladepunkt benötigt. Die Verfügbarkeit von Ladeinfrastruktur wird dabei abhängig vom jeweiligen Wegezweck angenommen. Ihre Ergebnisse zeigen, dass ein Aufbau von Infrastruktur ökonomisch vorteilhaft ist, sofern Batteriegrößen 10 kWh übersteigen und Ladeinfrastrukturkosten auf alle Elektrofahrzeuge im Bestand umgelegt werden. Werden bei Batteriekapazitäten unter 25 kWh die Zusatzkosten für Ladeinfrastruktur nur den Fahrzeugen zugeschlagen, die direkt von öffentlicher Ladeinfrastruktur profitieren, ist eine Erhöhung der Batteriekapazität günstiger. Die Analysen in [109] basieren auf konstanten Reichweiten für alle Nutzer und nehmen einen makroökonomischen Blickpunkt ein, sodass sich für die einzelnen Nutzer nicht zwangsweise kostenminimale Lösungen ergeben. Weiterhin wird das Laden mit hohen Ladeleistungen (Zwischenladen) nicht betrachtet. Basierend auf einem Vergleich des

32 Der Begriff „Fahrenergiebedarf“ wird als allgemeiner Oberbegriff verwendet und entspricht für konventionelle Fahrzeuge dem gebräuchlichen Begriff des „Fahrverbrauchs“.

11 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Infrastrukturbedarfs in den USA und Deutschland bestätigen die Autoren in [110], unter denselben Annahmen zur Infrastrukturverfügbarkeit wie in [109], die Wichtigkeit langer Beobachtungsdauern für eine akkurate Aussage über BEV-Potentiale. Während Tagesfahrprofile demnach zu dem Ergebnis führen, dass ohne öffentliche Ladeinfrastruktur über 90% der Fahrprofile als BEV betrieben werden können33, fällt dieser Anteil bei der Analyse wöchentlicher Fahrprofile auf unter 70%. Durch Aufbau öffentlicher Ladeinfrastruktur liegt dieser Anteil für beide Datensätze bei über 90%. Der Einfluss hoher Ladeleistungen im privaten Bereich sei dagegen zu vernachlässigen. [338] bestimmen auf Basis der US- amerikanischen Verkehrserhebung NHTS (National Household Travel Survey) Einflussfaktoren auf die Nutzbarkeit von Elektrofahrzeugen. Ihr Datensatz enthält 20.295 Fahrzeuge, die Berichtsdauer des NHTS ist ein Tag. Die Autoren erhalten eine hohe Anzahl möglicher Elektrofahrzeuge von 88%, sofern 60 Meilen (~100 km) Reichweite und nur Laden am heimischen Standort angenommen werden. Ubiquitäre Ladeinfrastruktur ohne Kapazitätsbeschränkungen erhöht diesen Anteil auf 96%. Diese Ergebnisse unterstreichen, dass eintägige Fahrprofile eine hohe Nutzbarkeit von Elektrofahrzeugen suggerieren. Aufgrund fehlender Standortinformationen in den Verkehrsdaten verwenden [338] eine Heuristik, die die Anzahl öffentlicher Ladeinfrastruktur in Abhängigkeit des Anteils öffentlich geladenen Stroms in Relation zu Heimladepunkten setzt. Sie erhalten einen Anteil von 11% öffentlicher Ladeinfrastruktur, verglichen mit 80% Heimladenpunkten und 9% am Arbeitsplatz.

2.2.1.2 Analysen zur Abschätzung der Verteilung von Tagesfahrleistungen eines Jahres Um das durchschnittliche Fahrverhalten eines Jahres in Deutschland abzubilden und anhand der Verteilung von Tagesfahrstrecken im Jahr Reichweitenrestriktionen von BEV zu analysieren, verschneiden [318] Daten verschiedener Erhebungen mit unterschiedlicher Granularität (N = 3.141) – Tanktagebücher, Langstreckenerhebungen und Mobilitätsdaten einer Woche [210]. Demnach überschritten 13% der modellierten Flotte 100 km pro Tag nicht, weitere 16% überschritten die Tagesreichweite von 100 km nur an 1-4 Tagen pro Jahr. Ersetzbare Fahrprofile hätten aber eine zu geringe Jahresfahrleistung für einen ökonomischen Betrieb mit BEV. Laut [248], der eine vergleichbare Fragestellung untersucht, wäre eine Tagesreichweite von 150 km für die deutsche BEV-Fahrzeugflotte durchschnittlich an 30 Tagen pro Jahr nicht ausreichend. Der Autor entwickelt eine Methodik, die eine Abschätzung jährlicher Streckenverteilungen einzelner Nutzer auf Basis durchschnittlicher Fahrzeugparameter (Mittelwert und Varianz der logarithmierten Tagesfahrleistungen) auf Basis des Fahrverhaltens in einem begrenzten Zeitraum erlaubt. [248] nutzt zur Berechnung die Annahme log- normalverteilter Tagesfahrleistungen, die, [122] folgend, auf der Analyse longitudinaler Nutzungsprofile basiert. Die Güte (Standardfehler-1) der Vorhersage für das jährliche Fahrverhalten skaliert laut [248] mit √#퐵푒표푏푎푐ℎ푡푢푛푔푠푡푎푔푒 der nutzerspezifischen Fahrprofile, was die Bedeutung langer Beobachtungszeiträume unterstreicht. Die Ergebnisse in [248] zum Mobilitätsverhalten in Deutschland basieren auf dem Deutschen Mobilitätspanel 2010 [210]. Entsprechend nutzen [69] aggregierte sechsmonatige Fahrdaten von 382 Fahrzeugen zur statistischen Bestimmung des Nutzungspotentials von Elektrofahrzeugen. Sie unterstellen gamma-verteilte Tagesfahrleistungen und weibull-verteilte Fahrzeugreichweiten, um nutzerspezifische Variationen im Fahrverhalten zu berücksichtigen, sowie poisson-gamma-verteilte Strecken zwischen zwei Ladestopps. Bereits die Verfügbarkeit eines zusätzlichen täglichen Ladevorgangs hat laut [69] bedeutenden Einfluss auf das technische Potential von Elektrofahrzeugen – dieses steigt von ca. 35% auf ca. 75% –, sofern davon ausgegangen wird, dass bis zu 5% der Fahrtage durch Ersatzfahrzeuge möglich sind. Ohne diese Einschränkung seien BEV für den Großteil der Fahrprofile nicht interessant[69]. Die zuvor genannten Analysen nutzen Mobilitätsdaten, die keine Aussagen über individuelle Fahrenergiebedarfe bzw. individuelle Fahrzeugreichweiten erlauben. Weiterhin tendieren Nutzer laut [212] zur Überschätzung von Fahrstrecken, sodass die in diesen Verkehrserhebungen per Fragebogen

33 Bei Batteriekapazitäten von 24 kWh.

12 Hintergrund: Potentialbewertung von Elektrofahrzeugen berichteten Streckenlängen verzerrt sein könnten. Zur Beschreibung von realem Fahrverhalten gewinnt daher dessen Aufzeichnung per GPS-Daten zunehmend an Bedeutung. Beispielsweise lässt sich mit hochaufgelösten GPS-Fahrdaten in längsdynamischen Modellen34 der Einfluss veränderter Fahrzeugparameter, z.B. veränderte Fahrzeugmasse oder Batteriekapazität, auf individuelle Fahrzeug- Reichweiten abbilden (vgl. z.B. [239, 278]). Das Aufzeichnen von Fahrzeugen über einen längeren Zeitraum ist mit großen Datenmengen verbunden (vgl. z.B. [244]) und die Anzahl beobachteter Fahrzeuge in den folgenden Studien im Vergleich zu Verkehrserhebungen deutlich geringer.

2.2.1.3 Bestimmung der Nutzbarkeit von EV mittels GPS-Fahrdaten Folgende Studien simulieren das mögliche Fahr- und Ladeverhalten von Elektrofahrzeugen auf Basis der Fahrmuster konventioneller Fahrzeuge. Die Annahmen zur Verfügbarkeit von Ladeinfrastruktur variieren in den Studien. Eine gebräuchliche Abbildung des Ladeverhaltens ist die Annahme einer Lademöglichkeit auf Basis definierter Ladekriterien. Die Annahme der Verfügbarkeit von Ladeinfrastruktur erfolgt in diesem Fall unabhängig von exakten Ladestandorten und erlaubt eine allgemeine Bewertung des Nutzens von Ladeinfrastrukturoptionen. Alternativ können mit Hilfe von Geo-Koordinaten Ladepunkte standortgenau definiert werden und so die Verfügbarkeit einer Lademöglichkeit in Abhängigkeit der Entfernung des Fahrzeugs zu (angenommenen) Ladestandorten definiert werden. Hierzu muss die zu verteilende Anzahl an Ladestandorten vorgegeben sein. Diese beiden Ansätze werden im Folgenden getrennt voneinander vorgestellt. [244] analysieren reale Fahrdaten US-amerikanischer Fahrzeuge (n = 484) mit Beobachtungsdauern von bis zu über 50 Tagen mit dem Ergebnis, dass 9% der Fahrzeugflotte täglich nie mehr als 100 Meilen (ca. 160 km) zurücklegen. Eine Betrachtung von Ladeinfrastrukturoptionen erfolgt nicht. [121] bewerten die Ersetzbarkeit einzelner Touren durch BEV in Sydney, Australien35. Ihr Datensatz umfasst 166 Fahrzeuge mit einer durchschnittlichen Beobachtungsdauer von 35 Tagen, das Datensample ist gekennzeichnet durch hohe Fahranteile im städtischen Bereich. Laden am heimischen Standort wird angenommen, wenn die Standzeit dort 60 Minuten übersteigt. Individuelle Fahrenergiebedarfe bestimmen sie anhand der Fahrgeschwindigkeit und klammern Effekte der Fahrzeugbeschleunigung aus. Ihre Analysen zeigen, dass Elektrofahrzeuge mit einer Batteriekapazität von 8 kWh bis zu 90% der Touren ersetzen können, jedoch auch bis zu 73% der Fahrprofile auf Ersatzfahrzeuge angewiesen sind. Eine Steigerung der Batteriekapazität auf 24 kWh ermöglicht, dass bis zu 98% der Touren mit BEV zurückgelegt werden können, aber 31% der Fahrzeuge weiterhin auf Ersatzfahrzeuge angewiesen sind. Insgesamt sei der Einfluss der Ladeleistung im heimischen Bereich gering. Die Autoren vernachlässigen das Zusatzgewicht durch höhere Batteriekapazitäten. [68] analysieren den Einfluss von öffentlicher Gelegenheitsladeinfrastruktur auf den elektrischen Fahranteil von PHEV. Die Autoren nutzen 229 eintägige GPS-Daten und modellieren die Verfügbarkeit öffentlicher Ladeinfrastruktur anhand einer Bernoulli-verteilten Zufallsvariable. Ihren Analysen zufolge sinkt der Nutzen öffentlicher Ladeinfrastruktur mit zunehmender Batteriekapazität. Weiterhin fällt der Grenznutzen in Form von Kosteneinsparungen durch einen höheren elektrischen Fahranteil für eine Verfügbarkeit von öffentlicher Ladeinfrastruktur ab 60% stark ab. Dies könnte darauf hindeuten, dass mit steigenden Batteriegrößen eine vollständige Abdeckung von Ladeinfrastruktur nicht gegeben sein muss. Umgekehrt finden [283], dass die optimale Batteriekapazität eines Fahrzeugs im Pendelbetrieb um

34 Längsdynamische Modelle beschreiben die Bewegung eines Fahrzeugs in Längsrichtung, die Vertikal- (z.B. das Schwingungsverhalten des Fahrzeugaufbaus) oder Querdynamik (z.B. das Kurvenverhalten) eines Fahrzeugs werden hierbei nicht betrachtet (vgl. z.B. [132]). In dieser Arbeit werden individuelle Fahrenergiebedarfe auf Basis von Fahrwiderständen (in Fahrzeuglängsrichtung) bestimmt (vgl. Kapitel 5.2.1). Ein erhöhter Energiebedarf aufgrund größerer Batteriekapazitäten wird betrachtet, Effekte auf die Fahrdynamik (z.B. [38]) werden nicht untersucht. 35 Die Autoren definieren Touren als Abfolge einzelner Fahrten, die am Heimstandort beginnen und enden.

13 Hintergrund: Potentialbewertung von Elektrofahrzeugen

40% sinkt, sofern tagsüber geladen werden kann. Der Datensatz dieser Studie umfasst 76 Fahrzeuge mit einer Beobachtungsdauer von einem Jahr. Die mögliche Nutzung von Ersatzfahrzeugen hat einen hohen Einfluss auf die Wirtschaftlichkeit von BEV gegenüber konventionellen Fahrzeugen [223]. Eine nutzenoptimale Reichweite variiert demnach sehr stark, je nachdem, ob ein Zweitwagen genutzt werden kann oder ein Mietwagen bezahlt werden muss. [223] verwenden für ihre Analyse aggregierte Fahrprofildaten von 445 Fahrzeugen mit einer durchschnittlichen Beobachtungsdauer von 18 Monaten. Sie bestimmen streckenspezifische Energiebedarfskennwerte anhand der Dauer und Entfernung einzelner Strecken und nehmen einen Fahrer mit durchschnittlichem Fahrverhalten an [220, 223]. Da keine Nutzergruppen mit statistisch ähnlichen ökonomischen Rahmendaten gebildet werden könnten, sei eine nutzerspezifische Simulation entscheidend [223]. Der elektrisch mit BEV (Fahrzeugreichweite 120 km) gefahrene Anteil der Jahresfahrleistung steigt von 75% auf 90%, wenn zu Heimlademöglichkeiten zusätzlich öffentliche Schnellladeinfrastruktur angenommen wird [220, 223]. Die Autoren gehen in ihren Analysen von keiner Anpassung des Fahrverhaltens aus, sodass der Nutzen öffentlicher Ladeinfrastruktur nach oben hin begrenzt ist, da z.B. zeitliche Verzögerungen für Ladevorgänge nicht akzeptiert werden. [176] nutzen denselben Rohdatensatz wie [223] und [220] (vgl. auch Tabelle 9) und analysieren das Potential von Elektrofahrzeugen, konventionelle Fahrzeuge zu ersetzen. Sie erhalten als Ergebnis, dass ein BEV mit 100 Meilen (ca. 160 km) Reichweite die Mobilitätsbedarfe von 50% der Haushalte mit einem Fahrzeug und von bis zu 80% der Haushalte mit mehr als einem Fahrzeug erfüllen könnte, wenn die Verfügbarkeit eines Ersatzfahrzeugs auf vier Tage pro Jahr beschränkt ist. Über die Verwendung der Ortskoordinaten der Fahrprofile kann die Nähe zu (angenommenen) Ladepunkten abgebildet werden. [227] analysieren Standorte und Wegstrecken einmonatiger GPS- Daten von 48 Fahrzeugen und bestimmen mit Hilfe statischer Fahrzeugreichweiten den Einfluss von Schnellladeinfrastruktur (64 kW DC) auf die Nutzbarkeit von BEV. Demnach machen mit BEV technisch nicht mögliche Touren36 einen geringen Prozentsatz (<9%) aus, sind aber für mehr als 40% der Gesamtkilometer verantwortlich. Die Autoren vergleichen zwei unterschiedliche Ladeinfrastrukturszenarien. Einerseits ist Laden immer und überall möglich, sobald das Fahrzeug keine verbliebene Reichweite mehr hat und andererseits unter der Annahme, dass Fahrzeuge laden können, sobald sie sich in einer bestimmten Entfernung eines Ladepunktes befinden und der Ladestand der Batterie unter 20% gefallen ist. Aufgrund eines Sicherheitspuffers in der Batterie für das zweite Ladeszenario steigt der Streckenanteil, der elektrisch ohne öffentliche Schnellladeinfrastruktur nicht möglich ist, von 33% für das erstgenannte Infrastrukturszenario auf 41% für das zweitgenannte. Für das erstgenannte Ladeinfrastrukturszenario sinkt der Anteil an Touren, die öffentliche Ladeinfrastruktur benötigen, von ca. 7% bei einer Fahrzeugreichweite von 80 km auf ca. 4.5% (3.5%) bei einer Fahrzeugreichweite von 100 km (120 km). Laut [227] werden besonders an Freitagen sehr lange Strecken gefahren, die mehr als zwei Ladestopps benötigten. Unter der Annahme, dass nur zwei Ladestopps pro Tour akzeptiert würden, könnten viele Touren auch mit Schnellladeinfrastruktur nicht mit BEV zurückgelegt werden – freitags ca. 60% der Strecken mit Ladebedarf. Die Anzahl benötigter Ladestopps pro Tour sei daher ein entscheidendes Kriterium für den Nutzen und die Akzeptanz öffentlicher Ladeinfrastruktur. Schließlich zeigen die Autoren, dass sich optimale Ladestandorte mit zunehmender Fahrzeugreichweite aus dem Stadtzentrum in Außenbezirke verlagern. [329] bewerten und vergleichen verschiedene Ladeinfrastruktur-Ausbauszenarien und verwenden als Parameter für optimal zu platzierende Ladestandorte Fahrzeugstandzeiten und mögliche Lademengen. Hierzu sind ausreichend viele lokale Verkehrsdaten notwendig. Die Autoren stellen fest, dass eine hohe Anzahl an öffentlichen Ladepunkten, die die Anzahl an Tankstellen in der Region übersteigt, notwendig ist, um die Nutzbarkeit der Elektrofahrzeugflotte zu steigern. Öffentliche Ladeinfrastruktur mit einer Anzahl an Ladestandorten, die der Anzahl an Tankstellen im Untersuchungsgebiet entspricht, steigert

36 Die Autoren definieren Touren als Abfolge einzelner Fahrten, die am Heimstandort beginnen und enden.

14 Hintergrund: Potentialbewertung von Elektrofahrzeugen in den Analysen von [329] den jährlichen Streckenanteil von BEV von 79% auf 88%. Der Nutzen öffentlicher Ladeinfrastruktur ist begrenzt durch die Annahme, dass sich heutige Verhaltensweisen nicht ändern und die Autoren annehmen, dass sich die Startzeiten der Folgefahrten nicht verzögern dürfen. Die Analysen in [329] deuten außerdem darauf hin, dass es einen Zielkonflikt der Errichtung von Ladestandorten gibt, der entweder Fahrzeuge adressiert, die durch diese hohe elektrische Fahranteile erlangen, oder aber Fahrzeuge, die durch Ladeinfrastruktur längere Strecken zurücklegen können und somit eine bessere Auslastung der Ladeinfrastruktur erreicht werden kann. Der Zusatznutzen durch Schnellladeinfrastruktur (50 kW Ladeleistung) sinkt mit der Batteriegröße [330]. Für die Nutzung von Schnellladestationen nehmen die Autoren neben oben genannten Restriktionen (vgl. vorangegangener Abschnitt zu [329]) zusätzlich einen Umweg von maximal einer Meile an. Eine Anpassung der Route berechnen sie über den Kartendienst Google Maps [118]. Die genaue Positionierung der Ladestationen erfolgt vor den Fahrzeugsimulationen nach verschiedenen Kriterien, die unterschiedlichen Infrastrukturszenarien führen aber bei gleicher Anzahl der Ladestandorte zu vergleichbaren Ergebnissen. Diesen Analysen zu Folge hat eine Fahrzeugflotte mit Batteriekapazitäten von 22 kWh in Kombination mit öffentlicher Schnellladeinfrastruktur eine vergleichbare BEV-Nutzbarkeit (ca. 90%) wie eine 38 kWh große Batterie ohne öffentliche Schnellladeinfrastruktur. Der Einfluss der Batteriekapazität auf das Fahrzeuggewicht sowie Kapazitätsbeschränkungen öffentlicher Ladeinfrastruktur sind nicht Teil dieser Analysen. Zusammenfassend ergeben sich für die Analyse der Nutzbarkeit von Elektrofahrzeugen folgende Schlussfolgerungen: Methodisch . Individuelles Fahr- und Ladeverhalten hat starken Einfluss auf das technische Potential von Elektrofahrzeugen. Daher basieren die meisten Studien auf der Simulation individuellen Fahrverhaltens. Im Besonderen GPS-Fahrdaten erlauben detaillierte Analysen. Dennoch ist eine Annahme statischer Reichweiten gebräuchlich. . Allgemein wird angenommen, dass sich das Fahrverhalten, repräsentiert durch Fahrdaten konventioneller Fahrzeuge, bei einem Umstieg auf Elektrofahrzeuge nicht ändert. . Fahrdaten mit kurzen Beobachtungsdauern überschätzen das technische Potential von Elektrofahrzeugen, da Fahrten mit langen Strecken unterrepräsentiert sind. Dies ist bedeutend, da lange Strecken absolut gesehen selten vorkommen, aber für einen Großteil der zurückgelegten Gesamtstrecken verantwortlich sind. . Lademöglichkeiten können simuliert werden über detaillierte Standortanalysen. Laden ist möglich, sobald sich ein Fahrzeug in der Nähe einer Ladesäule befindet. Derartige Analysen sind datenintensiv und sind daher lokal bzw. in der Gesamtzahl der betrachteten Ladesäulen beschränkt. . Alternativ werden Lademöglichkeiten als gegeben angenommen, wenn bestimmte Be- dingungen erfüllt sind. Beispielsweise werden Lademöglichkeiten anhand des Wegezweckes unterschieden. Dieser Ansatz ist weniger datenintensiv und erlaubt eine generelle Aussage über den maximalen Einfluss von Ladeinfrastruktur. . Kapazitätsbeschränkungen von Ladeinfrastruktur werden oft ausgeklammert.

15 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Inhaltlich . Die exakte Streckenlänge seltener langen Fahrten ist entscheidend für die Anzahl der be- nötigten Ladestopps. Mehr als zwei Ladestopps pro Strecke sind technisch möglich, aber aus Sicht der Nutzerakzeptanz vermutlich unwahrscheinlich. . Bisherige Studien untersuchen fast ausschließlich private Fahrdaten – gewerbliche Fahrzeuge sind in Deutschland aber ein wichtiger Erstmarkt für alternative Antriebe und sollten daher im Rahmen der Forschungsfrage dieser Arbeit betrachtet werden. . Die Bestimmung der mit einer Erhöhung des technischen Potentials von Elektrofahrzeugen verbundenen Gesamtkosten spielt in Studien bisher einen Randaspekt oder wird mit Durchschnittskosten abgeschätzt.

2.2.2 Literaturübersicht: Bedarfsbestimmung Ladeinfrastruktur Aufgrund der hohen Verfügbarkeit von privaten Lademöglichkeiten in Deutschland (vgl. Kapitel 2.1.2) ist der Aufbau öffentlicher Ladeinfrastruktur für die (anfängliche) Verbreitung von EV nicht zwingend notwendig37. Andererseits kann die Nutzbarkeit von BEV durch öffentliche Ladeinfrastruktur steigen (vgl. Kapitel 2.2.1) und es stellt sich die Frage, welche Anzahl an Lademöglichkeiten öffentlich benötigt wird. Eine hohe geographische Erreichbarkeit setzt einen flächendeckenden Aufbau an öffentlicher Ladeinfrastruktur voraus. Dieser flächendeckende Aufbau ist aus Nutzersicht wünschenswert, da die Wahrscheinlichkeit, dass ein Mobilitätsbedürfnis mit diesem Mobilitätsystem abgedeckt werden kann, steigt [137]. Eine flächendeckende Ladeinfrastruktur hat darüber hinaus psychologischen Wert, da sie Reichweitenängste senken kann (vgl. Abschnitt 2.1.2). In einer frühen Marktphase mit einer geringen Anzahl an EV steht eine flächendeckende Ausbreitung öffentlicher Ladeinfrastruktur im Zielkonflikt mit einer hohen durchschnittlichen Auslastung [100]38. Für eine hohe Auslastung von Ladeinfrastruktur ist die Platzierung und Dimensionierung von Ladestandorten in Abhängigkeit von potentiell nachgefragten Ladeereignissen („Ladebedarf“) entscheidend. Allgemein wird die Bestimmung geeigneter Ladestandorte oft als Optimierproblem formuliert [70, 294]39. Die Bestimmung von Ladestandorten erfolgt an definierten Verkehrsknoten [158, 187] oder mittels genetischer Algorithmen [70, 294]. Zur Bestimmung des lokalen Ladebedarfs sind detaillierte Verkehrsdaten notwendig, die zur Simulation entsprechender Ladebedarfe benutzt werden können. Ladebedarfe können einerseits mit Hilfe individuell modellierter Fahragenten bestimmt werden [6, 70, 329, 330]. Andererseits können aus aggregierten Verkehrsflussdaten streckenspezifische Ladebedarfe abgeleitet werden [294]. Beispielsweise nutzen [158] Verkehrsflussdaten zur optimalen Bestimmung von Schnellladestandorten entlang deutscher Autobahnen. Laut den Autoren steigt die Abdeckung von Strecken mit BEV bei gleicher Anzahl an

37 Das Laden privater Fahrzeuge am Arbeitsplatz ist dem Laden im halböffentlichen Bereich zuzuordnen und könnte beispielsweise im Besonderen für Nutzer ohne eigenen Stellplatz das Fahren eines Elektrofahrzeugs ermöglichen. Diese Ladeinfrastruktur kann zudem mit geringeren Kosten errichtet werden als öffentliche Ladeinfrastruktur (vgl. z.B. [107, 325] [107]). In dieser Arbeit wird aber vereinfachend, da das Laden über Nacht als gegeben angenommen wird, das Laden am Arbeitsplatz nicht explizit betrachtet und ist daher nicht Teil der Ausführungen dieses Teilkapitels. 38 Öffentliche Ladestationen werden aktuell (Stand 05/2016) oft nur einmal täglich benutzt, vgl. Kapitel 3.4.1. 39 Ein ‚maximum coverage problem‘ bestimmt für eine vorgegebene Anzahl an Ladestationen entsprechende Ladestandorte derart, dass eine maximalmögliche Abdeckung an bedienten Fahrzeugen erreicht werden kann. Eine maximale Abdeckung kann definiert sein als maximaler Fahrzeuganteil mit BEV-Nutzbarkeit oder als maximaler Zusatznutzen in Form elektrischer Kilometer. Demgegenüber dient ein ‚set cover problem‘ zur Bestimmung einer minimalen Anzahl an Ladestandorten bei vorher festgelegter Mindestabdeckung (z.B. [70]).

16 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Schnellladestationen von 62% bei 100 km Fahrzeugreichweite auf 83% bei 150 km Fahrzeugreichweite. Aufgrund des Aggregationsniveaus der Daten sind mit diesem Ansatz individuelle Fahrparameter nicht ableitbar. Kapazitätsbeschränkungen einzelner Ladestandorte können über Warteschlangenanalysen bewertet und die Ladestandorte entsprechend skaliert werden. Allgemein kann mit einer steigenden Anzahl an Ladepunkten je Ladestation unter gleichen Verfügbarkeitskriterien eine höhere Auslastung erreicht werden. In [159] untersuchen die Autoren die Auslastung der in [158] bestimmten Ladestandorte. Zur Bestimmung lokaler Ladebedarfe kombinieren die Autoren Informationen zu langen Fahrten aus [145] mit lokalen Verkehrsflussdaten. Mit Hilfe eines agentenbasierten Warteschlangenmodells analysieren sie Wartezeiten und die Auslastung eines Standorts für unterschiedliche Dimensionierungen. Ein erhöhtes Verkehrsaufkommen an Freitagen führt zu hohen Wartezeiten (bis über 20 min) des analysierten Ladestandortes mit 20 Ladepunkten an diesem Tag, während Wartezeiten an anderen Tagen vernachlässigt werden können. Die Parameter Verkehrsfluss, Ladezeit und Anzahl Ladepunkte haben großen Einfluss auf resultierende Wartezeiten. Eine Analyse optimaler Ladestandorte sowie die Dimensionierung einzelner Ladestationen auf nationaler Ebene ist mit hoher Datenverfügbarkeit und hohen Rechenzeiten verbunden bzw. auf eine begrenzte Anzahl an Ladestandorten beschränkt. [156] nutzen zur Skalierung von Ladestandorten die Annahme exponentialverteilter Bedienzeiten40. Als Zielparameter der Skalierung des Ladestandorts verwenden die Autoren eine Mindest- wahrscheinlichkeit, einen freien Ladepunkt vorzufinden. Die Gesamtkosten der Ladestation in Abhängigkeit der Anzahl bedienter Fahrzeuge verläuft laut [156] sägezahnförmig, da mit steigender Fahrzeugzahl weitere Ladepunkte benötigt werden, die zunächst zu einer sinkenden Auslastung führten. Für einen ökonomischen Betrieb einer Ladestation sind nach ihren Analysen bei 80% Verfügbarkeit 4.000 Ladevorgänge pro Monat notwendig. [14] kombinieren zur Abschätzung zeitlicher und örtlicher Ladebedarfe sowie zur Bestimmung von Lastspitzen an Ladestandorten ein Verkehrsflussmodell mit einem Warteschlangensystem, um den maximalen Leistungsbedarf einzelner Ladestandorte zu bestimmen. Sie nehmen an, dass Ladestationen an Autobahnausfahrten positioniert werden. Mit Hilfe des Verkehrsflussmodells bestimmen die Autoren eine Ankunftsrate an BEV mit durchschnittlich identischem Ladebedarf und nutzen warteschlangentheoretische Analysen zur Bestimmung der Mindestanzahl an Ladepunkten, um die Stationaritätsbedingung der Warteschlange zu erfüllen41. Die Nutzung exponentialverteilter Ankunfts- und Bedienzeiten ermöglicht die Lösung mit Hilfe geschlossener Formeln (vgl. Kapitel 5.3.2). Die Autoren beschreiben einen beispielhaften Ladestandort, allgemeine Aussagen zu Ladeverhalten und Ladebedarfen treffen sie nicht. [229] nutzen Verkehrsflussdaten und bestimmen analytisch ein wirtschaftliches Optimum aus Batteriegröße und Ladeinfrastrukturaufbau. Ihren Analysen zu Folge muss öffentliche Ladeinfrastruktur eine minimale Leistung von 22 kW übersteigen, da sonst nur die Vergrößerung der Batteriekapazität optimal sei. Eine Abbildung individueller Fahrparameter, ladestandortspezifischer Nutzerbedarfe sowie der Einfluss der Batteriekapazität auf den Fahrenergiebedarf sind mit den genannten Analysen nicht möglich. [112] bestimmen die Anzahl benötigter Schnellladepunkte pro Elektrofahrzeug auf Basis von Tagesfahrdistanzen. Mit dem Ansatz aus [248] ergeben sich durchschnittlich jährlich 30 Ladebedarfe

40 Exponentialverteilter Bedienzeiten erlauben analytische Lösungen, überschätzen jedoch im Durchschnitt Wartezeiten an den Ladestationen, sofern der Variationskoeffizient der Verteilung der Ladezeiten eins nicht übersteigt (Kapitel 5.3.2.2). 푀𝑖푡푡푙푒푟푒 퐴푛푘푢푛푓푡푠푟푎푡푒 41 Die Stationaritätsbedingung lautet ∗ 푀𝑖푡푡푙푒푟푒 퐵푒푑𝑖푒푛푧푒𝑖푡 < 1 und bedeutet, dass im 퐴푛푧푎ℎ푙 퐵푒푑𝑖푒푛푠푡푎푡𝑖표푛푒푛 Mittel mehr Kunden bedient werden können als ankommen. Die Bedingung stellt sicher, dass die Warteschlange endlich bleibt, vgl. [27].

17 Hintergrund: Potentialbewertung von Elektrofahrzeugen pro Elektrofahrzeug. Aus diesen leiten die Autoren, unter Annahme eines Elektrofahrzeugbestands von 1,5 Millionen (davon 1,2 Millionen privat), den Gesamtankunftsstrom ladender Fahrzeuge im Tagesverlauf ab. Weiterhin bestimmen [112] für einzelne Ladestationen eine maximale Eintrittsrate von Elektrofahrzeugen in das Ladesystem42, um eine vorher definierte maximale Wartezeit sicherzustellen. Sie nehmen exponentialverteilte Ladezeiten an. Unter der Annahme einer gleichmäßigen Verteilung der Ladevorgänge auf alle zu errichtenden Ladestationen ergibt sich die Anzahl benötigter Ladestationen aus dem Gesamtankunftsstrom an Fahrzeugen und der maximalen Eintrittsrate. Die Analysen in [112] ergeben, dass die benötigte Anzahl an Ladestationen aufgrund geringerer Ladezeiten überproportional mit der zur Verfügung stehenden Ladeleistung sinkt. Während bei einer Schnellladeinfrastruktur mit 50 kW Ladeleistung 10 Ladestationen pro 1.000 BEV benötigt werden, sinkt diese Anzahl bei 100 kW (150 kW) auf 3,9 (1,8). Die Analyse geographischer Unterschiede in der Dimensionierung von Ladebedarfen ist mit diesem Ansatz nicht möglich. Für die Modellierung des Infrastrukturbedarfs ergeben sich folgende methodische Schlussfolgerungen: . Die Platzierung von Ladeinfrastruktur wird häufig als Optimierproblem formuliert. Entweder muss die Anzahl an Ladestandorten im Vorhinein bekannt sein („maximum coverage problem“), alternativ lässt sich die minimale Anzahl an Ladesäulen für eine definierte Abdeckung bestimmen („set cover problem“). . Für die Dimensionierung von Ladestandorten eignen sich Warteschlangensysteme. Diese bilden Variationen des Ladebedarfs einzelner Nutzer über die Verteilung der Bedienzeiten ab. Lokale Verkehrsflüsse müssen bekannt sein, um lokal unterschiedliche Ladebedarfe abbilden zu können. Ladebedarfe variieren tageszeitlich. . In der Literatur werden oft vereinfachend exponentialverteilte Ladezeiten angenommen (M/M/s-Systeme). . Die Modellierung von Fahragenten erlaubt die Verbindung der Frage nach dem technischen Potential von Elektrofahrzeugen mit der Dimensionierung von Ladeinfrastruktur, ist aber mit einer hohen Datenverfügbarkeit verbunden. Die Forschungsfragen und Vorgehensweisen der dargestellten Studien (Kapitel 2.2.1 und 2.2.2) sind ergänzend in Annex A (Tabelle A 1 und Tabelle A 2) zusammengefasst.

42 Die Eintrittsrate in Wartesysteme ist definiert als der Ankunftsstrom, verringert um abgewiesene Kunden (Kapitel 5.3.2).

18 Hintergrund: Potentialbewertung von Elektrofahrzeugen

2.2.3 Modellanforderungen Das technische Potential von Elektrofahrzeugen auf Nutzerebene (Mikrosicht) sowie die Bestimmung der Ladeinfrastrukturbedarfe einer Elektrofahrzeugflotte (Makrosicht) wurden in der Literatur detailliert untersucht (vgl. Tabelle A 2). Eine Synthese der beiden Perspektiven ist bislang aber nur in Ansätzen erfolgt (Tabelle 1). Daher sind beispielsweise Abhängigkeiten des Ladeinfrastrukturbedarfs von realen Fahrzeugreichweiten bislang nicht gut genug verstanden und eine Aussage über die Auswirkungen individueller Investitionen in Fahrzeugreichweite auf den Bedarf nicht-individueller Investitionen in Ladeinfrastruktur erfolgte bislang nur ansatzweise. Aber aufgrund hoher Investitionen in und langer Lebensdauern von Ladeinfrastruktur ist die Kenntnis dieser Abhängigkeiten sehr relevant.

Tabelle 1. Adressierung der Forschungsfrage in der Literatur.

Quelle Analyse technisches Quantifizierung Kosten- Potential von BEV Ladeinfrastruktur- betrachtung bedarf Gnann et al. (2012) [109] X  X Plötz (2014) [248] () ()  Weiss et al. (2014) [318] () X X Neubauer und Wood (2014) [220]  X X Nicholas et al. (2012) [227] () () X Wood et al. (2015a) [329] ()   Wood et al. (2015b) [330] () () () Jochem et al. (2015) [158]  () X Gnann (2015) [107]   X Gnann et al. (2016) [112] (X)  X Bae und Kwasinski (2012) [14] X  () Jabbari und MacKenzie (2016) [156] () () X

In dieser Arbeit wird ein dreiteiliger Modellierungsansatz vorgeschlagen (Kapitel 5), der unterschiedliche Methodiken miteinander kombiniert und es daher erlaubt, die im vorigen Abschnitt genannte Forschungslücke zu schließen und Interdependenzen zwischen Fahrzeugreichweiten und Verfügbarkeit öffentlicher Ladeinfrastruktur explizit darzustellen: Modellteil 1) Bestimmung des technischen Potentials von Elektrofahrzeugen (nutzerspezifisch) für verlängerte Fahrzeugreichweiten sowie für unterschiedliche Verfügbarkeit öffentlicher Ladeinfrastruktur Modellteil 2) Bestimmung des sich ergebenden Ladeinfrastrukturbedarfs Modellteil 3) Gesamtkostenvergleich der Maßnahmen zur Erhöhung der Fahrzeugreichweite sowie des Aufbaus öffentlicher Ladeinfrastruktur. Unter dem technischen Potential von BEV wird in dieser Arbeit die Ersetzbarkeit eines konventionelles Fahrzeugs durch ein BEV verstanden. D.h, dass entsprechende Fahrmuster mit BEV bewältigt werden können. Für die Analyse des technischen Potentials von BEV (Modellteil 1; Literatur vgl. Kapitel 2.2.1) ergeben sich folgende Modellierungsanforderungen: 1. Betrachtung des individuellen Fahrverhaltens, das heterogen ist a. Tagesstrecken b. Fahrenergiebedarf 2. Betrachtung der Nutzung von Ladeinfrastruktur aus Nutzersicht 3. Betrachtung der nutzerindividuellen Wirkungen der Reichweitentechnologien

19 Hintergrund: Potentialbewertung von Elektrofahrzeugen

Den genannten Anforderungen entsprechend wird für die Analyse des technischen Potentials von Elektrofahrzeugen das Fahrverhalten nutzerindividuell auf Basis realer Fahrdaten simuliert (vgl. [107, 220, 221, 330]). Aufgrund der Heterogenität des Nutzerverhaltens ist ein derartiger „bottom-up“- Ansatz für die untersuchte Fragestellung zielführend (für eine Diskussion vgl. Kapitel 5.1), auch da dieser die Abbildung individuellen Fahrverhaltens und individueller Ladeentscheidungen erlaubt. Im Besonderen durch die Betrachtung des Einflusses individueller Fahrenergiebedarfe auf die Nutzbarkeit von Elektrofahrzeugen unterscheidet sich die vorliegende Arbeit von vergleichbaren Studien. Weiterhin erlaubt die Simulation auf Basis nutzerspezifischer Fahrdaten die Bewertung der unterschiedlichen fahrzeugseitigen Maßnahmen auf Technologieebene [90]. Hinsichtlich des öffentlichen Ladeinfrastrukturbedarfs können folgende beide Modellierungs- anforderungen abgeleitet werden (Modellteil 2; Literatur vgl. Kapitel 2.2.2): 4. Bestimmung benötigter Ladestandorte auf makroskopischer Ebene 5. Skalierung einzelner Ladestandorte basierend auf lokal differierender Ladebedarfe Für die Bestimmung der Gesamtzahl benötigter Ladesäulen eignet sich aufgrund der makroskopischen bzw. nationalen Ebene die Verwendung eines „top-down“-Ansatzes (vgl. Kapitel 5.1). Ein verbreiteter Ansatz zur Skalierung einzelner Ladestandorte basiert auf der Warteschlangentheorie [14, 112, 156]. Diese ermöglicht es, unter Kenntnis der allgemeinen Verteilung von Ladebedarfen verschiedener Fahrzeuge, Ladeinfrastrukturbedarfe derart zu skalieren, dass Wartezeiten an einzelnen Ladestationen begrenzt werden können. Die Skalierung einzelner Ladestandorte erfolgt anhand des lokalen Verkehrsaufkommens. Schließlich erfordert ein techno-ökonomischer Vergleich von Ladeinfrastruktur und fahrzeugseitigen Maßnahmen (Modellteil 3) eine gesamtumfassende ökonomische Perspektive, die in Studien mit technischem Fokus bisher oft ausgeklammert wird: 6. Analyse aller individueller und nicht-individueller Kosten Für die monetäre Bewertung von Elektrofahrzeugen sind Vollkostenrechnungen (TCO, englisch: Total Cost of Ownership) verbreitet – siehe z.B. in [3, 107, 332]. Diese umfassen sämtliche Kosten des Betriebs und erlauben über die Annuisierung der Anschaffungsausgaben den Vergleich von Investitionsgütern mit unterschiedlichen Anschaffungsausgaben und Nutzungsdauern (vgl. Kapitel 5.4). Zusammenfassend ergibt sich folgender Modellablauf. Das individuelle technische Potential von BEV (vgl. Kapitel 5.2) wird für verschiedene Fahrzeugspezifikationen (Kapitel 5.2.4) über Fahrsimulationen technisch bewertet (Kapitel 5.2.3). Die Verfügbarkeit von Ladeinfrastruktur wird hierbei in Abhängigkeit der Standzeiten und Standorte der einzelnen Fahrzeuge angenommen. Die Bewertung erfolgt nutzerspezifisch auf Basis realer Fahrdaten (Kapitel 4). Über Modellparameter und Ergebnisse werden die Analysen zum technischen Potential von BEV mit einer Analyse zur Quantifizierung des Ladeinfrastrukturbedarfs (Kapitel 5.3) verknüpft. Ladestationen werden mit Hilfe von Warteschlangenanalysen dimensioniert. Schließlich werden die unterschiedlichen Maßnahmen techno-ökonomisch miteinander verglichen. Die ökonomische Bewertung der Maßnahmen erfolgt auf Basis von Vollkostenrechnungen (Kapitel 5.4).

20 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

3 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen Ein techno-ökonomischer Vergleich unterliegt Parameterannahmen, deren Belastbarkeit entscheidend für die Qualität der Ergebnisse ist. Ziel dieses Kapitels ist daher die Darstellung und Diskussion ökonomischer und technischer Modellparameter dieser Arbeit mit Fokus auf den Komponenten Batterie (Kapitel 3.2), Leichtbau (Kapitel 3.3) und Ladeinfrastruktur (Kapitel 3.4). Diese Komponenten werden im Folgenden als „Reichweiten-Technologien“ bezeichnet. Weitere Fahrzeugparameter wie Elektromotor und Leistungselektronik sind hinsichtlich ihres Einflusses auf BEV-Reichweiten als weniger kritisch anzusehen und werden daher nicht explizit als Technologie zur Erhöhung der Tagesreichweite von BEV angesehen (vgl. Kapitel 3.3). Die technische Funktionsweise der dargestellten Komponenten ist nicht Fokus dieses Kapitels und wird, sofern für die Fahrzeugsimulation dieser Arbeit relevant, in Kapitel 5.2 vorgestellt. Zur Einordnung der technischen Parameterannahmen in den Status Quo erfolgt einleitend in Kapitel 3.1 eine kurze Beschreibung der technischen Rahmendaten heute am Markt erhältlicher BEV.

3.1 Technische Rahmendaten am Markt verfügbarer BEV Den Stand der Technik heute verfügbarer BEV (Stand 01/2017) zeigt Tabelle B 2 (Annex B) für die Parameter Schnellademöglichkeit, Batteriekapazität und Reichweite.43 Heutige Fahrzeugreichweiten sind begrenzt und begründen die Notwendigkeit der Analysen dieser Arbeit. Der Großteil heute verfügbarer BEV hat eine Batteriekapazität bis zu 30 kWh und ermöglicht Reichweiten von bis zu 180 km (nach dem US-amerikanischen Testzyklus, vgl. Fußnote 43). Eine Ausnahme bilden die Fahrzeuge Audi R8 e-Tron, Tesla Model S und Tesla Model X mit Batteriekapazitäten von über 90 kWh, die Reichweiten von über 300 km ermöglichen. Reichweiten unterscheiden sich innerhalb der einzelnen Fahrzeugsegmente auch aufgrund variierender Effizienz der Fahrzeuge (in kWh/100km). Der Großteil der Fahrzeuge verfügt – zumindest optional – über eine DC-Schnelllademöglichkeit. Für die vorliegende Arbeit werden folgende Annahmen abgeleitet: Fahrzeuge haben je nach Fahrzeuggröße Batteriekapazitäten von 20-32 kWh (Tabelle 14). Batteriekapazitäten bis 60-96 kWh werden als Reichweiten-erhöhende Maßnahme untersucht. Eine Schnelllademöglichkeit wird für jedes BEV als gegeben angenommen, mögliche fahrzeugseitige Zusatzkosten für Ladeelektronik werden nicht betrachtet44. Weiterhin wird angenommen, dass die Ladeleistung fahrzeugseitig nicht beschränkt wird45. Variationen in der Fahrzeugeffizienz werden in der vorliegenden Arbeit über die Annahme unterschiedlicher Fahrzeugmassen abgebildet (vgl. auch Kapitel 3.3).

43 Da Reichweiten nach dem Neuen Europäischen Fahrzyklus (NEFZ) die Reichweiten im Realbetrieb unterschätzen (vgl. z.B. [119, 229]), sind neben diesen auch Reichweiten nach den Testverfahren der US- amerikanischen Umweltbehörde EPA (Environmental Protection Agency) dargestellt, die aufgrund differenzierterer Testverfahren als realitätsnäher einzustufen sind (zu den Tests vgl. http://www.fueleconomy.gov/feg/fe_test_schedules.shtml). 44 Diese liegen in der Größenordnung von 500 - 1.000 Euro. Beispielsweise bietet BMW für den i3 das Schnellladen bis 50 kW als Sonderausstattung zu einem Nettopreis von 832 € an, vgl. [30]. 45 Dies stellt im Besonderen für kleine Fahrzeuge mit vergleichsweise geringen Batteriekapazitäten möglicherweise eine Vereinfachung dar, da sehr hohe Ladeleistungen bei geringen Batteriekapazitäten zu hohen C-Raten (vgl. z.B. [174]) führen, die durch die Hochenergiebatterien nicht unterstützt werden.

21 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

3.2 Traktionsbatterie Die Traktionsbatterie ist die kritische Komponente eines Elektrofahrzeugs. Der in ihr gespeicherte Energieinhalt bestimmt die elektrische Reichweite des jeweiligen Elektrofahrzeugs. Durch ihr sehr hohes Gewicht steigt die zu bewegende Masse des Fahrzeugs und somit der Fahrenergiebedarf. Darüber hinaus ist die Batterie einer der hauptsächlichen Kostentreiber eines Elektrofahrzeugs. Angesichts dieses großen Einflusses der Batterieparameter auf das technische Potential und die Wirtschaftlichkeit von BEV werden diese im Folgenden ausführlich diskutiert. Li-Ion Batteriesysteme haben sich aufgrund ihrer vergleichsweise hohen Energiedichte im BEV- Fahrzeugmarkt bereits durchgesetzt (vgl. Tabelle B 2: alle Fahrzeuge sind mit Li-Ion Batterien ausgestattet). In dieser Arbeit werden daher als aktuelle Technologie nur Li-Ion Batteriesysteme betrachtet. Li-Ionen-Batteriezellen unterscheiden sich einerseits in ihrer Form (Pouch, prismatisch oder zylindrisch), andererseits durch die Zellchemie [174], deren Kenndaten Bauart bedingt variieren46. Beispielsweise weisen NCA47-Batteriezellen eine hohe Energiedichte auf, sind aber mit hohen Kosten und erhöhten Anforderungen an Sicherheitssysteme verbunden. NMC48-Zellen hingegen haben vergleichsweise geringe Energiedichten, bieten aber eine höhere Sicherheit und Lebensdauer. Aufgrund der unterschiedlichen Anforderungen der einzelnen Batterie-Zelltypen an Sicherheitssysteme variiert das Zusatzgewicht für das Batteriemanagementsystem und das Gehäuse je nach Zelltyp. Da sich Literaturangaben jeweils auf einen speziellen Zelltyp beziehen, variieren die Angaben zu Energiedichten zum Teil sehr stark, sofern man allgemein von Li-Ionen Batterien spricht49. Weiterhin ist zu unterscheiden, ob sich Angaben auf Zellebene oder auf das gesamte Batteriesystem (inkl. Batteriemanagementsystem und Gehäuse) beziehen. Im Folgenden werden die Parameter Energiedichte und Kosten50 von Li-Ionen-Systemen für BEV dargestellt und Modellannahmen abgleitet. Diese sind aufgrund unterschiedlicher Anforderungen an Traktionsbatterien für PHEV mit kleineren Batteriekapazitäten [269] – beispielsweise erhöhte Anforderungen an die Leistungsdichte – nur bedingt auf diese übertragbar.

3.2.1 Energiedichte Aufgrund des hohen Zusatzgewichts von Batteriesystemen für Gehäuse und Batteriemanagement unterscheiden sich Angaben zu Energiedichten von Batteriezellen und Batteriesystemen deutlich. Die im Folgenden angegebenen Kenndaten gelten für komplette Batteriesysteme, sofern nicht weiter definiert.

46 Anforderungen an Traktionsbatterien beziehen sich auf die Kenndaten Energiedichte, Leistungsdichte, Kosten, Lebensdauer, Sicherheit sowie Umweltverträglichkeit [215, 300]. Auf Batteriesystemebene spielen weiterhin die Größe und Form der Batterie ein Rolle [38], da diese die Integrationsmöglichkeit ins Fahrzeug bestimmen

47 Lithium Nickel Kobalt Aluminium Oxid (LiNiCoO2), Namensgebung entsprechend der verwendeten Kathodenmaterialien, vgl. [174, 175].

48 Lithium Nickel Mangan Kobalt Oxid (LiNiMnCoO2). 49 Auf eine Ausführung der einzelnen Batteriesysteme wird in der vorliegenden Arbeit verzichtet. Eine detaillierte Darstellung findet sich beispielsweise in Ketterer et al. (2009a, 2009b) [174, 175] und Thielmann et al. (2015 a und b) [300, 301]. 50 Kosten aus Sicht der Fahrzeughersteller, vgl. Kapitel 1.

22 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

Batteriesysteme heutiger Fahrzeuge erreichen durchschnittlich Energiedichten von ca. 100 Wh/kg (vgl. Abbildung 1, blaue Punkte). Die Verbesserung der Energiedichte des Batteriesystems des Nissan Leaf von ca. 80 Wh/kg für das Modelljahr 2010 auf ca. 120 Wh/kg für das Modelljahr 2016 ist hervorzuheben, da sie das Entwicklungspotential von Li-Ionen Batterien unterstreicht. Energiedichten der einzelnen Li-Ion-Batteriezellen dieser Batteriesysteme erreichen 150-250 Wh/kg (Abbildung 1, rote Punkte), Energiedichten von bis zu über 400 Wh/kg (für Batteriezellen mit Festkörperelektrolyt, vgl. auch [265]) sind angekündigt (vgl. Annex B: Tabelle B 3).

Abbildung 1. Energiedichten von Li-Ionen-Batterien in automobilen Anwendungen (BEV). Eigene Auswertung auf Basis von Fahrzeugdaten und Herstellerankündigungen (vgl. Tabelle B 3).

Verbesserungen heutiger Li-Ionen-Batterietechnologien können einerseits durch Verwendung alternativer Anoden- und Kathodenmaterialen und andererseits durch Ersatz des organischen Flüssigelektrolyten erreicht werden [276]. Ein Beispiel für neuartige Elektrolytsysteme sind Festkörperelektrolyte, die unter Verbesserung der Batteriesicherheit höhere Batteriespannungen erlauben [303]. Neue Batteriesysteme, beispielsweise Lithium-Schwefel (Li-S) oder auch Lithium-Luft (Li-O2) Batteriesysteme, haben theoretisch eine über fünfmal so große Energiedichte wie heutige Li- Ionen-Batterietechnologien [44, 58] und potentielle geringere Kosten aufgrund des Wegfalls teurer Komponenten. Diese neuen Batteriesysteme sind kommerziell nicht verfügbar und befinden sich aktuell noch im Stadium der Grundlagenforschung51. Trotz technologischer Fortschritte ist die Verfügbarkeit neuer Batteriesysteme erst nach 2025 zu erwarten [58, 197, 299]. Die Analysen dieser Arbeit zu zukünftigen Batterieparametern fokussieren daher auf Verbesserungen heutiger Li-Ionen-Batteriesysteme, die mittelfristig zu erwarten sind (vgl. Abbildung 1). Literaturangaben von Querschnittsstudien zu Energiedichten von BEV-Traktionsbatterien reichen von 70 bis 120 Wh/kg (Tabelle 2) und stimmen mit den ermittelten empirischen Daten heutiger BEV (vgl. Abbildung 1) überein. Nach 2020 sind Energiedichten von Batteriezellen über 300 Wh/kg möglich (Samsung SDI 2015, Bosch 2015, Bruce et. al 2012, vgl. Thielmann et al. 2012), auf Systemebene können in Zukunft kompaktere Gehäuse angenommen werden (siehe z.B. Thielmann et al. 2012).

51 Beispielsweise ist die Verunreinigung der Anode durch Wasser bei Li-O2 Systemen eine Herausforderung, die mit hohen Sicherheitsrisiken verbunden ist. Nebenreaktionen in Li-S Systemen hingegen führen während der Zyklierung zu einem hohen Kapazitätsverlust [276].

23 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

In dieser Arbeit wird die Energiedichte von aktuellen Batteriesystemen mit 100 Wh/kg angenommen (vgl. auch [72, 278]). Zukünftige Entwicklungen werden mit einer Verdopplung der Energiedichte auf 200 Wh/kg (Systemebene) betrachtet.

Tabelle 2. Energiedichten [Wh/kg] von Li-Ionen-Batterien: Literaturangaben.

Quelle Kurzfristig Mittelfristig Langfristig Spezifikation (2017) (~2020) (~2025-2030) Großformatige LIB für BEV, Thielmann et al. (2015) 150-160 <200-250 250-300 Zellebene [300, 301] Großformatige LIB für BEV, 70-120 140-180 180-250 Systemebene Anderman (2013) [4] 73-101 BEV Systemebene

Die Leistungsfähigkeit von Batteriesystemen in Elektrofahrzeugen wird durch Umgebungsbedingungen beeinflusst. Beispielsweise sinkt die Batterieleistung bei sehr hohen und niedrigen Temperaturen [220]. Weiterhin können extreme Temperaturen die Batteriealterung, also die Abnahme der nutzbaren Batteriekapazität während der Nutzung [17, 43, 175], beschleunigen. Das Laden mit hohen Ladeleistungen kann die Batteriealterung ebenfalls verstärken [147, 222, 292]52. In dieser Arbeit werden eventuelle Kapazitätseinbußen aufgrund niedriger Temperaturen durch die Annahme eines Klimatisierungsbedarfs bei extremen Temperaturen abgebildet (vgl. Kapitel 5.2.4), aber nicht explizit analysiert53. Alterungseffekte werden analysiert, indem die nutzbare Kapazität der Batterie in den Simulationen auf 80% der ursprünglich nutzbaren Batteriekapazität beschränkt wird (Kapitel 5.1). Die nutzbare Kapazität eines Li-Ion Batteriesystems zu Lebensdauerbeginn wird mit 90% der Gesamtkapazität angenommen [60, 141]54.

3.2.2 Kosten Zukünftig werden neben steigenden Energiedichten auch sinkende Kosten heutiger Batterie- technologien erwartet (vgl. Tabelle 3 und [83]).

Die genannten Kosten beziehen sich auf unterschiedliche Kostenebenen und sind vor dem Forschungshintergrund der einzelnen Arbeiten zu interpretieren, wie im Folgenden dargestellt. Thielmann et al. (2015) [300, 301] erstellen Roadmaps zu Batterieentwicklungen und leiten aus umfassenden Recherchen Handlungsempfehlungen für mögliche Technologieförderpolitiken ab. Nykvist und Nilsson (2015) [236] analysieren eine Vielzahl aktueller Einkaufspreise von Fahrzeugherstellern (OEM55) sowie Literaturprognosen und kommen zu dem Schluss, dass Batteriekosten heute schon unter vor wenigen Jahren prognostizierten Batteriekosten liegen. General Motors gibt als Kostenziel (Einzelzellen) für den Chevrolet Bolt 145 $/kWh für 2017 an, zukünftig sollen

52 Der Einfluss des Schnellladens auf die Batteriealterung ist noch nicht vollständig verstanden. Beispielsweise sehen [222] negative Effekte nur unter extremen Witterungsbedingungen aufgrund hoher Batterietemperaturen. Andererseits sahen [339] sogar einen positiven Effekt des Schnellladens auf die Batteriekapazität von Lithium-Eisenphosphat-Zellen. 53 Unter der Annahme einer Wärmekapazität von 1000 J/(kg*K) (vgl. z.B. [219]) werden für die Aufheizung der Batterie um 25 Kelvin ca. 0.007 kWh/kg Energie benötigt (unter der Annahme vernachlässigbarer Wärmeverluste während des Aufheizvorgangs). Dies entspricht bei einer Energiedichte von 100 Wh/kg ca. 7% der Batteriekapazität. 54 Eine Auswertung heutiger BEV bestätigt die genannte Größenordnung, vgl. Tabelle B 4. 55 Original Equipment Manufacturer.

24 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen die Kosten bei 120 $/kWh im Jahr 2020 und bei 100 $/kWh im Jahr 2022 liegen [106]. Tesla Motors plant mit 100 $/kWh Zellkosten im Jahr 2020 [144]. Die bislang von Tesla Motors verwendeten 18650 Zellen haben gegenüber großformatigen Zellen, die von den anderen OEM verwendet werden, einen Kostenvorteil [300].

Tabelle 3. Kostenannahmen und Kostenprognosen für Li-Ion Batterien je kWh. Batteriekosten in 1/kWh ohne Mehrwertsteuer. Tabelle sortiert nach Jahr der jeweiligen Veröffentlichung.

Kurzfristig Mittelfristig Langfristig Kostenebene (2017) (~2020) (~2025-2030) McKinsey (2017) [206] 227 USD 190 USD 100 USD Batteriekosten Gesamtsystem IEA (2016) [144] - 100 USD - Kostenziel Tesla (Einzelzellen) NPE (2016) [233] - 130€ - Erwartete Grenzkosten einer Zelle Literatur Review Wolfram und Lutsey (2016) [328] 230-300 € 130-200€ 100-160 € Batteriesystemkosten Bain & Company (2015) [186] 260 € 150 € 110 € Batteriekosten Gesamtsystem GM (2015) [106] - 100-145 USD - Kostenziel GM (Einzelzellen) Laslau et al. (2015) [189] 350 USD 172-229 USD - Batteriekosten Gesamtsystem 410 USD 230 USD - OEM Einkaufspreis Gesamtsystem Nykvist und OEM (Marktführer) Einkaufspreis Nilsson (2015) [236] 300 USD Gesamtsystem Sakti et al. (2015) [269] - 230-300 USD - Batteriekosten Gesamtsystem Thielmann et al. (2015) [300, 301] 300-500 € 200-400 € <150-300 € Batteriekosten Gesamtsystem Großformatige Zellen; OEM 240 € 180 € 140 € Einkaufspreis Gesamtsystem Kochhan et al. (2014) [181] 18650 Zellen; OEM Einkaufspreis 150 € 100 € 100 € Gesamtsystem Anderman (2013) [4] 279 USD - - Batteriekosten Gesamtsystem Tesla Hensley et al (2012) [134] und 500 USD 200 USD 160 USD Batteriekosten Gesamtsystem Manyika et al. (2013) [201] Herstellkosten von Neubauer et al. (2012) [223] 280 USD 120 USD 120 USD Batteriesystemen Für diese Arbeit werden für die mittel- bis langfristige Analyse Batteriesystemkosten in Höhe von 100 und 250 €/kWh untersucht und als aktuelle Batteriesystemkosten 350 €/kWh verwendet.

3.3 Weitere fahrzeugseitige Maßnahme: Leichtbautechnologien Das hohe Zusatzgewicht von Traktionsbatterien bewirkt eine Verringerung der Fahrzeugeffizienz (vgl. Formel (2), Seite 50), sodass eine Verringerung des Fahrzeuggewichts mit Hilfe von Leichtbautechnologien die Gewichtszunahme kompensieren kann und daher für Elektrofahrzeuge von größerer Bedeutung sein könnte als für konventionelle Fahrzeuge, da sie zu einer Erhöhung der Fahrzeugeffizienz und somit der Fahrzeugreichweite führt56. Insgesamt kann aber die Anwendung von Leichtbautechnologien Fahrzeugreichweiten nur bedingt erhöhen, sodass diese Technologieoption zur Erhöhung der Reichweite von BEV ergänzend und nicht als Alternative zu den Optionen „Erhöhung der

56 Aufgrund hoher Batteriekosten und des hohen Batteriegewichts könnten daher – bislang ökonomisch nicht akzeptable – Leichtbaustrategien besonders in Elektrofahrzeugen eine hohe Priorität erlangen, vgl. [77, 78, 97]. Derartige strategische Entscheidungen werden in dieser Arbeit jedoch nicht analysiert.

25 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

Batteriekapazität“ sowie „Aus- und Aufbau öffentlicher Ladeinfrastruktur“ betrachtet wird. Daher werden techno-ökonomische Parameter im Folgenden vergleichsweise kurz beschrieben57. Weiterhin erfolgt die Analyse der Wirkung von Leichtbautechnologien stellvertretend für weitere fahrzeugseitige Effizienzmaßnahmen (vgl. z.B. [59, 71, 261, 293, 312]), die aufgrund ihrer ebenfalls beschränkten Wirkung auf die Tagesreichweite von BEV in dieser Arbeit nicht explizit als Technologie zur Steigerung der Reichweite von BEV analysiert werden. Beispielsweise haben der Einsatz effizienterer Motoren aufgrund der hohen Effizienz des elektrischen Antriebsstrangs bei BEV nur einen geringen Einfluss (vgl. auch [97]). Weiterhin kann man davon ausgehen, dass Maßnahmen wie die Verringerung des Rollwiderstands oder die Verbesserung der Aerodynamik58 bei Elektrofahrzeugen aufgrund der vergleichsweise geringen Kosten unabhängig von ihrer (beschränkt) positiven Wirkung auf die Fahrzeugreichweite eine hohe Verbreitung finden könnten (vgl. [131]). Für die vorliegende Analyse ist das Gesamtgewichtsreduktionspotential durch Kombination unterschiedlicher Leichtbaustrategien auf Fahrzeugbasis sowie die damit verbundenen Zusatzkosten relevant59. Daher wurden auf Basis einer Literaturrecherche Leichtbaupotentiale und -kosten auf Fahrzeug- bzw. Karosserieebene zusammengetragen (vgl. Annex B: Tabelle B 5). Ermittelte Gewichtsreduktionspotentiale liegen zwischen 10 und 25%, langfristig (ca. 2025-2030) auch bis zu 30%60. Für zukünftige Gewichtsreduktionen ist zu beachten, dass diese durch bereits gehobene Leichtbaupotentiale beschränkt sind. Besonders in höheren Fahrzeugklassen wurden Leichtbaupotentiale durch Einsatz von Aluminium bereits gehoben. Diese Technologien könnten in Zukunft in alle Fahrzeugkategorien diffundieren. Der BMW i3 ist ein Beispiel für aktuell erzielbare Leichtbaupotentiale durch den Einsatz von Kohlefaserverstärkten Kunststoffen (CFK), die in der Automobilindustrie noch keine weite Verbreitung gefunden haben. In der vorliegenden Arbeit werden Karosseriegewichte heutiger Fahrzeuge verwendet (Tabelle 14) und angenommen, dass bei Anwendung von Leichtbautechnologien eine Reduktion des Karosseriegewichts um 15% für alle Fahrzeugklassen möglich ist. Leichtbaukosten werden mit 5 €/kg angesetzt. Die angenommenen Kosten sind im Einklang mit Literaturangaben. Friedrich (2013) beziffert für die Automobilindustrie akzeptable Mehrkosten mit 5 €/kg. Viehweger (2011) nennt akzeptable Mehrkosten für Elektrofahrzeuge im Bereich von 2-18 €/kg, in Abhängigkeit spezifischer Batteriesystemkosten der jeweiligen Fahrzeughersteller. Aufgrund des technischen Fokus dieser Arbeit werden Emissionen bei der Fertigung von Leichtbaumaterialien (vgl. [183]), im Besonderen der energieintensiven Herstellung von CFK [18], nicht

57 Effekte einer Gewichtsspirale (vgl. [81]), also eine überproportionale Senkung des Fahrzeuggewichts durch Leichtbau – beispielsweise da leichtere Karosserien geringere Batteriekapazitäten ermöglichen, die wiederum leichtere Karosserien erlauben usw. – werden ebenfalls nicht berücksichtigt. 58 Die Verbesserung der Aerodynamik wirkt sich im Besonderen bei hohen Geschwindigkeiten positiv auf die Fahrzeugeffizienz aus. Sämtliche Simulationsschritte wurden für eine Verringerung des Luftwiderstandskoeffizienten (cw-Wert) und der Querspanfläche um jeweils 10% durchgeführt. Dies reduziert den Fahrenergiebedarf der untersuchten Fahrprofile (vgl. Kapitel 4.2.2) im gesamten Betrieb um durchschnittlich 5% und ist somit mit der Reduzierung des Fahrzeuggewichts vergleichbar. Für Details zur Fahrzeugsimulation vgl. Kapitel 5.2. 59 Aufgrund des hohen Batteriegewichts hat eine Steigerung der Energiedichte der Batterie ein hohes Potential zur Gewichtsreduktion. Eine Steigerung der Energiedichte der Batterie wird für diese Arbeit aber nicht als gegen Mehrkosten wählbare Option zur Steigerung der Fahrzeugeffizienz betrachtet, sondern in einer Sensitivitätsanalyse als mögliche zukünftige Entwicklung adressiert. 60 Reduktionspotentiale einzelner Fahrzeugkomponenten, wie Türen, können, bezogen auf das Bauteil, auch bis zu 50% betragen [66].

26 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen adressiert. Vor dem Hintergrund der Möglichkeit der CO2-armen Herstellung mittels erneuerbarer Energien [277] sowie aufgrund von Fortschritten im Recycling von CFK-Materialien [136, 277], wenn auch zu erhöhten Produktionskosten, scheint diese Annahme vertretbar.

3.4 Öffentliche Ladeinfrastruktur Der Einfluss öffentlicher Ladeinfrastruktur auf das technische Potential von BEV hängt hauptsächlich von der Ladeleistung, der zeitlichen und geographischen Verfügbarkeit der Ladeinfrastruktur sowie vom angenommenen Ladeverhalten ab (Kapitel 2.2.1). Nutzer können höhere Tagesreichweiten erreichen, wenn sie auch tagsüber häufiger laden können bzw. wollen. Das angenommene Ladeverhalten an öffentlicher Ladeinfrastruktur hat daher starken Einfluss auf die Analyse des technischen Potentials von BEV (vgl. Kapitel 5.2.3). Die zeitliche Verfügbarkeit von Ladeinfrastruktur (vgl. Kapitel 5.3.2) hingegen wird maßgeblich von der Nachfrage nach Ladevorgängen im Tagesverlauf sowie der Verteilung der Ladedauern beeinflusst. Daher wird in Kapitel 3.4.1 das beobachtete Ladeverhalten aus aktuellen Forschungsprojekten beschrieben, um auf dieser Datenbasis fundierte Modellannahmen sowohl zu Ladebedarfen als auch zu Lademengen je Ladevorgang abzuleiten. Ladeinfrastrukturkosten setzen sich aus mehreren Kostenkomponenten zusammen. Diese werden in Kapitel 3.4.2 dargestellt und ökonomische Parameter für Ladestationen abgeleitet.

3.4.1 Empirisches Ladeverhalten an öffentlicher Ladeinfrastruktur In dieser Arbeit wird angenommen, dass Nutzer nach Möglichkeit jede Nacht und hauptsächlich an privater Ladeinfrastruktur laden (vgl. Tabelle 15). Diese Annahme basiert auf folgenden Beobachtungen empirischen Ladeverhaltens: . Ein Großteil der Ladeereignisse privater Elektrofahrzeugnutzer (70-80%) sind Heimladeereignisse [92, 152, 216, 281]. . Ladeereignisse finden regelmäßig statt: Literaturergebnisse reichen durchschnittlich von 2,8 bis 3,1 Mal pro Woche [92] bis 1,05 Mal pro Fahrtag [281]. Öffentliche Ladeinfrastruktur wird in dieser Arbeit als zusätzliche Ladeoption betrachtet, die als Ergänzung zu privater Ladeinfrastruktur genutzt wird. Das Laden an öffentlicher Ladeinfrastruktur erfolgt daher vergleichsweise selten und nicht zwangsweise alle Elektrofahrzeugnutzer laden öffentlich. Empirisches Ladeverhalten61 erlaubt diesbezüglich folgende Erkenntnisse: . Laut [152] laden Elektrofahrzeugnutzer ca. 22 Mal pro Jahr an öffentlicher Ladeinfrastruktur. Hierbei handelt es sich vermutlich um Gelegenheitsladeereignisse. . Der Anteil öffentlich ladender Nutzer beträgt zwischen 20 und 30% [154, 273]. Nach [216] finden unter 5% der Ladeereignisse an öffentlicher Ladeinfrastruktur zum Gelegenheitsladen (Ladeleistungen unter 22 kW) statt. Die Nutzung des Gelegenheitsladens wird in dieser Arbeit beschränkt auf Parkereignisse mit einer Mindestdauer von 20 min, weiterhin wird angenommen dass Nutzer Gelegenheitsladen nur nutzen

61 Die dargestellten Erkenntnisse für empirisches Ladeverhalten basieren vor allem auf den in aggregierter Form veröffentlichten Ergebnissen des „EV projects“ aus den USA (vgl. theevproject.com), das die Errichtung von über 12.000 Ladepunkten in 20 Metropolregionen umfasste, sodass eine vergleichsweise hohe Verfügbarkeit von öffentlicher Ladeinfrastruktur gegeben ist. Dennoch ist bei der Interpretation der Aussagen die geringe absolute Verfügbarkeit von Elektrofahrzeugen und von öffentlichen Lademöglichkeiten zu beachten. Weiterhin handelt es sich um das Ladeverhalten von Early Adoptern, das nicht repräsentativ sein muss.

27 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

(müssen), wenn der Batterieladezustand (SOC) unter 50% liegt. Weiterhin werden maximal zwei Zwischenladevorgänge pro Tag sowie maximal 48 pro Jahr angenommen. Diese Annahmen basieren auf folgenden empirischen Erkenntnissen: . Übersteigt die Parkdauer 30 min, steigt die Wahrscheinlichkeit, dass das Parkereignis mit einem Ladestopp verbunden wird, stark an [319]. . Laut [228] halten 51% der von den Autoren befragten Elektrofahrzeugnutzer zwei gelegentliche Zwischenladestopps pro Tag für akzeptabel. Gelegentlich ein Ladestopp pro Tag war für alle befragten Fahrer akzeptabel. Die zeitliche Verfügbarkeit von Ladeinfrastruktur wird maßgeblich durch die Verteilung der Ladezeiten (vgl. Kapitel 5.3.2) bestimmt. Diese ergeben sich aus der Lademenge je Ladevorgang sowie der Ladeleistung. Heute übliche Ladeleistungen betragen bis zu 22 kW für Gelegenheitsladen sowie 50- 120 kW für Zwischenladen, perspektivisch sollen 350 kW möglich sein ([231], vgl. auch Kapitel 2.1.2). Für diese Arbeit werden 22 kW Ladeleistung zum Gelegenheitsladen sowie 150 kW Ladeleistung zum Zwischenladen unterstellt62. Empirische Daten zu Lademengen je Ladevorgang werden im Folgenden für Zwischen- und Gelegenheitsladen separat vorgestellt. Empirische Lademengen an öffentlichen Ladestationen (Gelegenheitsladen, Level 263) betragen im Durchschnitt ca. 7-10 kWh [88, 146, 152, 211], Verteilungen empirischer Lademengen sind in Abbildung 2 dargestellt. Unter der Annahme einer Batteriekapazität von 24 kWh64, betragen Lademengen an Unternehmensstandorten bezogen auf die Batteriekapazität ca. 25-75% SOC, während im öffentlichen Bereich Lademengen hauptsächlich unter 50% SOC liegen (vgl. auch [155]). Ein hoher Anteil geringer Lademengen im öffentlichen Bereich (Abbildung 2, links, vgl. auch [92, 155]) unterstreicht die Charakteristik des Gelegenheitsladens, d.h. dass Ladeereignisse nicht durch tatsächliche Ladebedarfe bedingt sind, sondern aufgrund eines Parkereignisses einfach stattfinden können [154]. Auch wurde nur ein geringer Teil (7%) der Parkereignisse mit einem Ladeereignis verbunden [154] und Ladestationen wurden seltener als ein Mal täglich benutzt [146, 154, 211]. Die Nutzung von Ladeinfrastruktur an Unternehmensstandorten ist in Abbildung 2 (rechts) ergänzend angegeben.

62 Der Einfluss einer geringeren Ladeleistung von 50 kW zum Zwischenladen auf den Ladeinfrastrukturbedarf wird in einer Sensitivitätsanalyse adressiert (vgl. Kapitel 6.2.7). 63 Der Nordamerikanische Standard SAE J1772 [268] spezifiziert für das Wechselstromladen zwei unterschiedliche Lademodi in Abhängigkeit von Ladespannung und Ladestrom. Der Lademodus SAE J1772 AC Level 2 erlaubt Ladeleistungen bis 19,2 kW (240 V, 80 A). Die in der [268] definierte Stecker-Spezifikation wurde als „Typ 1 Stecker“ in die Internationale Norm IEC 62196-2 – die in Deutschland als DIN EN 62196 [67] gilt, vgl. Kapitel 2.1.2 – aufgenommen. 64 Im EV Project waren hauptsächlich Nissan Leaf mit der genannten Batteriekapazität in Umlauf [152], sodass davon ausgegangen werden kann, dass diese für den Großteil der Ladeereignisse verantwortlich sind.

28 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

Abbildung 2. Verteilung empirischer Ladebedarfe an Ladestationen (Level 2) in den USA. Links: Lademengen an öffentlichen Ladestationen in Q4 2013 an Wochentagen mit einer durchschnittlichen effektiven Ladeleistung 3,5 kW. Rechts: Lademengen des Ladens an einem Unternehmensstandort mit einer effektiven Ladeleistung zwischen 3,3 und 3,8 kW. Eigene Darstellung nach: [146, 148].

Nach [281] liegt der Batterieladezustand bei Beginn eines Ladevorgangs an einer öffentlichen Ladestation in weniger als 3% der Fälle unterhalb von 30% und nie oberhalb von 90% der Batteriekapazität. Bei der Interpretation der empirischen Ladedaten ist zu beachten, dass es sich einerseits bei heutigen Elektrofahrzeugnutzern um Early Adopter65 handelt und das Ladeverhalten dieser Gruppe nicht repräsentativ sein muss, beispielsweise aufgrund einer hohen Verfügbarkeit von Heimlademöglichkeiten. Weiterhin ist der Aufbau öffentlicher Ladestationen subventioniert worden und ein Großteil der Ladestationen konnte und kann kostenlos genutzt werden [56]. Geringe Lademengen könnten daher in den empirischen Daten überrepräsentiert sein, da das Ausprobieren von Ladeereignissen im Vordergrund stand und nicht ein tatsächlicher Ladewunsch66. Für diese Arbeit werden für das Gelegenheitsladen unter den gegebenen Einschränkungen folgende Modellannahmen abgleitet: Die mittlere Lademenge betrage 35% der heute gebräuchlichen Brutto- Batteriekapazitäten67. Entsprechend der Annahmen in dieser Arbeit unterscheiden sich Lademengen daher in Abhängigkeit der Fahrzeuggröße. Als Mindest- und Maximallademenge werden 10% bzw. 70% der Batteriekapazität angenommen. Aufgrund des Gelegenheitscharakters dieser Ladeart wird zudem unterstellt, dass Lademengen für alle Fahrzeuggrößen konstant bleiben und sich auch nicht mit der Erhöhung der Batteriekapazitäten ändern. Weiterhin werden Lademengen – analog zum Zwischenladen (siehe folgend) – normalverteilt angenommen68. Die Verteilung der Lademengen an Schnellladestationen zum Zwischenladen unterscheidet sich aufgrund der unterschiedlichen Ladevoraussetzungen von denen des Gelegenheitsladens. Beispielsweise sind Batterieladestände laut [155] bei Ladebeginn an Schnellladestationen mehrheitlich

65 In der Gruppe der Early Adopter von Elektrofahrzeugen in Deutschland sind Männer, Personen mit hohem Einkommen und Bildungsstand überrepräsentiert, vgl. [324]. 66 Beispielsweise ist die Nutzungshäufigkeit von Schnellladeinfrastruktur mit der Einführung von Ladegebühren deutlich gesunken, vgl. [151]. 67 Heute gebräuchliche Batteriekapazitäten werden in dieser Arbeit durch einen definierten Referenzfall repräsentiert und betragen je nach Fahrzeuggröße 20 bis 32 kWh (vgl. Tabelle 14). 68 Für eine Diskussion zur Normalverteilungsannahme der Lademengen vergleiche Kapitel 5.3.

29 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen kleiner als 40% SOC und liegen so unter denen an Ladestationen mit geringerer Ladeleistung (Level 2). Die durchschnittliche Lademenge an Schnellladestationen (50 kW) beträgt 7-10 kWh [88, 151, 211, 216], 80% der Ladezeiten liegen unter 30 Minuten [112, 151, 211]. Lademengen an Schnellladesäulen liegen zwischen 25 und 75% der Batteriekapazität (vgl. Abbildung 3 und [211]). Lademengen werden normalverteilt angenommen (vgl. auch Abbildung 3), wie in Kapitel 5.3 kritisch diskutiert.

Abbildung 3. Verteilung der Lademengen je Ladeereignis an Schnellladestationen. Lademengen als Anteil der Batteriekapazität des Nissan Leaf (24 kWh). Eigene Darstellung nach: [151]. Die rote Linie zeigt den Fit einer Normalverteilung mit 휇 = 42% und 𝜎 = 14,1%. Für den Fit wurden Lademengen unter 10% der Batteriekapazität nicht berücksichtigt. Die Normalverteilung (rote Linie) dient zur Einordnung der Verteilung der Klassenhäufigkeiten und ist daher nicht normiert.

Die Daten zum empirischen Ladeverhalten an Schnellladesäulen basieren auf Ladeleistungen unter 60 kW. Eine Steigerung der Ladeleistungen könnte eine Steigerung der Lademengen je Ladevorgang bedeuten, wenn davon ausgegangen wird, dass empirische Lademengen durch die Dauer des Ladevorgangs begrenzt sind. In dieser Arbeit wird dieser Logik folgend davon ausgegangen, dass Lademengen je Zwischenladevorgang von den bereitgestellten Ladeleistungen sowie der Batteriekapazitäten der Fahrzeuge abhängen. Daher können Ladebedarfe und Ladezeiten nicht pauschal angegeben werden, sondern diese werden basierend auf den in diesem Kapitel vorgestellten empirischen Daten in Kapitel 5.3.2.3 abgeleitet. Für die Repräsentativität der gezeigten Daten gilt einschränkend, dass es sich um das Verhalten von Early Adoptern unter besonderen Bedingungen wie kostenlosen Lademöglichkeiten handelt (vgl. Gelegenheitsladen). Darüber hinaus sind Schnellladestationen in den USA mehrheitlich an Einkaufszentren errichtet worden [149] und Ladestopps nur bedingt mit heutigen Tankstopps vergleichbar. Auch wurden Schnellladestationen mit durchschnittlich ca. ein bis zwei Mal pro Tag [88, 151, 211] nicht häufig genutzt, sodass wartende Nutzer bei empirischem Ladeverhalten kaum eine Rolle gespielt haben dürften. Schließlich variiert die Nachfrage nach Ladebedarfen im öffentlichen Raum (Gelegenheits- und Zwischenladen) im Tagesverlauf und somit auch die Auslastung bzw. zeitliche Verfügbarkeit von Ladeinfrastruktur. Ladebedarfe in der Stunde des maximalen Bedarfs betragen zwischen 8 und 11% des täglichen Ladebedarfs ([112, 151]; eigene Auswertung in Abbildung 6). Langfristig wird in dieser Arbeit von einer ähnlichen Verteilung der Ladebedarfe im Tagesverlauf ausgegangen, da die Verteilung der Ankünfte von Wegstrecken über 100 km in Deutschland in der Stunde des höchsten Aufkommens ebenfalls ca. 8% des täglichen Aufkommens darstellen [145]. Hieraus folgernd wird in der vorliegenden Arbeit für beide Ladearten (Gelegenheits- und Zwischenladen) angenommen, dass die Stunde der maximalen Nachfrage nach Lademöglichkeiten zehn Prozent der täglichen Ladebedarfe umfasst.

30 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

3.4.2 Kosten Die Kosten für die Errichtung und den Betrieb von Ladeinfrastruktur lassen sich unterscheiden in Kosten für Ladehardware, Baukosten, Kosten für den Netzanschluss bzw. den Netzausbau sowie Betriebskosten69. Eine detaillierte Auflistung der Kostenelemente der Ladeinfrastrukturbereitstellung finden sich beispielsweise in [137]. Eine Zusammenfassung von Ladeinfrastrukturkosten sowie Prognosen aus der Literatur, sind – spezifiziert nach Ladeleistung – als Ergebnis einer eigenen umfassenden Literaturrecherche in Annex B (Tabelle B 6) dargestellt. Netzanschlusskosten variieren je nach Leistung eines Ladestandortes sowie aufgrund örtlicher Gegebenheiten. Der Anschluss einer Ladestation an das nächstgelegene Stromnetz erfolgt üblicherweise am Verteilnetz und kann an unterschiedlichen Spannungsebenen erfolgen70.

Die Errichtung von Ladeinfrastruktur zum Gelegenheitsladen ist aufgrund der Installation in städtischen Räumen und vergleichsweise geringen Ladeleistungen mit begrenzten Netz- anschlusskosten verbunden (Tabelle 4). Kostenannahmen zur Errichtung von Gelegenheits- ladeinfrastruktur (22 kW) werden daher auf Basis der Literaturangaben abgeleitet und sind je Ladepunkt in Tabelle 4 dargestellt. Kosten für Ladestationen mit geringeren Ladeleistungen liegen ca. 50% unter den dargestellten Kosten [232]. Aufgrund der Annahme einzelner Ladepunkte je Ladestation (Kapitel 5.3.2.3) wird von einer linearen Skalierung der Ladeinfrastrukturkosten mit der Anzahl der Ladestationen ausgegangen.

Tabelle 4. Angenommene Investitionen und jährliche Betriebskosten je Ladepunkt für Ladeinfrastruktur zum Gelegenheitsladen [22 kW]. Investitionen in €, Betriebskosten in €/a. Ohne Mehrwertsteuer.

2017 Mittelfristig (~2020) Gesamte Investitionen [€] 10.000 7.500 Betriebskosten [€/a] 1.500 750

Ladestationen zum Zwischenladen hingegen können hohe Gesamtleistungen erreichen und Annahmen zu Netzanschlusskosten variieren stark (vgl. Annex B: Tabelle B 6). Eine detaillierte Betrachtung der

69 Hardwarekosten umfassen die Kosten für Ladesäulen, Kosten für Kommunikationssoftware sowie Zählerkosten (vgl. auch NPE 2015 [232]). Den Baukosten werden in dieser Arbeit sämtliche mit der Errichtung einer Ladestation verbundenen baulichen Kosten zugeordnet, die nicht dem Netzanschluss zuzuordnen sind. Baukosten umfassen vor allem die Planung und Genehmigung der Ladestation, deren Montage inklusive Fundament sowie die Beschilderung und Beleuchtung. Netzanschlusskosten beschreiben alle mit dem Anschluss der Ladestation an das vorhandene Stromnetz verbundenen Kosten. Die Anforderungen und Kosten eines Netzanschlusses hängen neben der Gesamtleistung der Ladestation stark von den örtlichen Anschlussmöglichkeiten ab. Betriebskosten enthalten in der folgenden Darstellung Kosten für Wartung, Reparatur und Versicherungen. Kosten des Strombezugs werden in Kapitel 5.4.2 separat betrachtet. Weitere Kosten, im Besonderen Grundstücksmieten, werden nicht betrachtet. Diese variieren je nach Standort und können besonders im innerstädtischen Bereich hohe Werte annehmen. Das Ausklammern derartiger Kostenfaktoren wird angesichts der Betrachtungsweise dieser Arbeit als gerechtfertigt angesehen. 70 Spannungsnetzte können einerseits nach ihrer Aufgabe in Transport-, Übertragungs- und Verteilnetze unterschieden werden. Weiterhin können Spannungsnetze entsprechend der anliegenden Wechselspannung in Höchstspannungs- (bis 380 kV), Hochspannungs- (110 kV), Mittelspannungs- (üblicherweise 10, 20 oder 30 kV) sowie Niederspannungsnetz (0,4-0,69 kV) unterschieden werden. In Verteilnetzen sind Spannungen bis zur Mittelspannungsebene die Regel. [274]

31 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

Netzanschlusskosten und ihrer Komponenten ist daher notwendig, um Kostenparameter für Schnellladeinfrastruktur (Zwischenladen) abzuleiten. Für den Netzanschluss von Schnellladestationen, die mindestens an das Mittelspannungsnetz angeschlossen werden, können Kosten für Stromleitungen, Baukosten, Kosten für Transformatorstationen sowie Kosten der Netzverstärkung anfallen. Die Höhe dieser Kosten variiert aufgrund unterschiedlicher lokaler Rahmenbedingungen hinsichtlich des Bedarfs einer lokalen Netzverstärkung, der Entfernung zum nächstgelegenen Netzanschlusspunkt sowie Unsicherheiten über Anschlussmöglichkeiten an bestehende Transformatorstationen auch für Ladestationen vergleichbarer Leistungsklassen sehr stark. Beispielsweise steigen die Kosten des Netzanschlusses stark an, wenn vorhandene Transformatoren nicht genutzt werden können. Ist überdies die Kapazität des Stromnetzes lokal nicht auf die durch die Ladestation entnommenen Leistungen ausgelegt, fallen weiterhin Kosten der Netzverstärkung an. Folgende Aussagen zu durchschnittlichen Kosten sind daher im Rahmen der ganzheitlichen Perspektive zu betrachten und erlauben nur sehr begrenzt Aussagen zu Investitionsbedarfen einzelner, spezifischer Ladestandorte. Durchschnittliche Netzanschlusskosten einer Ladestation zum Zwischenladen werden im Folgenden anhand der Kosten für die einzelnen Komponenten abgeleitet. Kosten für Leitungen und Transformatoren sind in Annex B (Tabelle B 7 und Tabelle B 8) tabellarisch zusammengefasst. Diese Kosten steigen mit der Spannungsebene des Netzanschlusses. Laut Niederspannungs- anschlussverordnung kann ein Anschlussnehmer für Anlagen über 30 kW durch den Verteilnetz- betreiber mit bis zu 50% der Netzanschlusskosten in Form von Baukostenzuschüssen beteiligt werden (vgl. [137]). Diese können daher als Richtwert eines Netzanschlusses gelten und betragen nach [218] 18.750 € für den Anschluss einer 150 kW-Anlage ans Mittelspannungsnetz samt Umspannung von Mittel- auf Niederspannung71. Auf Grundlage der vorgestellten Netzanschlusskosten (vgl. auch Tabelle B 7 und Tabelle B 8) sowie auf Basis weiterer Kostenparameter72 werden folgende Kostenannahmen einer Schnellladestation mit Anschluss an die Mittelspannungsebene getroffen: . Hardwarekosten je Ladepunkt: 25.000 € . Montagekosten je Ladepunkt: 3.500 € . Kosten für Genehmigung/Planung (einmalig): 1.500 € . Netzanschlusskosten für 2 Ladepunkte (je 150 kW): 50.000 € . Netzanschlusskosten für 2 Ladepunkte (je 50 kW): 15.000 € . Kosten Transformatorstation: 40.000 € Zudem steigen die Kosten für die Errichtung einer Ladestation nichtlinear mit der Anzahl der Lade- punkte [137]. Beispielsweise fallen Kosten für die Verlegung von Stromleitungen ab dem ersten Ladepunkt an, diese Leitungen könnten aber zusätzliche Ladepunkte ebenfalls versorgen. Dieser Logik folgend ergeben sich Gesamtkosten einer Schnellladestation (Zwischenladen) entsprechend Tabelle 5. Die Angabe zur Leistung der Ladestation bezieht sich auf die Maximalleistung eines einzelnen Ladepunkts. Jährliche Betriebskosten werden für beide Leistungsklassen zu 3.000 € je Ladepunkt angenommen.

71 Sodass sich gesamte Netzanschlusskosten zu 37.500 € ergeben. 72 Tabelle B 6 (Annex B) zeigt das Ergebnis einer umfassenden Literaturrecherche.

32 Techno-ökonomische Modellparameter: Technologien zur Erhöhung der Tagesreichweite von batterieelektrischen Fahrzeugen

Tabelle 5. Angenommene Investitionen für Schnelladestationen zum Zwischenladen in Abhängigkeit der Stationsgröße und Ladeleistung (Zeithorizont 2017). Investitionen in 1.000 € ohne Mehrwertsteuer. # LP: Anzahl Ladepunkte pro Ladestation.

# LP 1 2 3 4 5 6 7 8 150 kW 120 148,5 227 255,5 374 402,5 481 509,5 50 kW 45 73,5 117 185,5 229 257,5 301 329,5

Die genannten Gesamtkosten setzen sich wie folgt zusammen. Genehmigungskosten fallen mit dem ersten Ladepunkt an, Netzanschlusskosten für Ladestationen mit 150 kW je Ladepunkt jeweils mit dem ersten von zwei Ladepunkten. Diese Annahme folgt der Überlegung, dass die Verlegung von Stromleitungen ab dem ersten Ladepunkt erfolgen muss und für weitere Ladepunkte dimensioniert wird, für die keine zusätzlichen Kosten anfallen. Daher betragen für den ersten Ladepunkt Netzanschlusskosten 50.000 €, basierend auf einer mittleren Entfernung von Autobahnen zum Hochspannungsnetz in Höhe von 1 km73 [119] und mittleren Leitungskosten in Höhe von 50 € je Meter. Ein zweiter Ladepunkt verursacht keine weiteren Netzanschlusskosten. Ab einem dritten Ladepunkt wird von einem Bedarf der Netzverstärkung ausgegangen und ebenfalls 50.000 € für den ersten von je zwei Ladepunkten angenommen. Zudem wird angenommen, dass eine Transformatorstation [630 kVA] für je vier Ladepunkte je 150 kW ausreichend ist und in vollem Umfang dem jeweils ersten Ladepunkt zugeordnet wird. Für den fünften Ladepunkt wird von einer Ertüchtigung der Transformatorstation zu Kosten der ersten Transformatorstation ausgegangen. Dieser Ansatz überschätzt voraussichtlich Transformatorkosten für große Ladestationen, da die Errichtung einer einzelnen Transformatorstation für acht Ladepunkte günstiger ist als die Kosten zweier Transformatorstationen für je vier Ladepunkte (vgl. Tabelle B 8). Weiterhin werden identische Kosten für jede Ladestation angenommen, ungeachtet möglicher Synergieeffekte aufgrund mehrerer Ladestationen an einem Ladestandort74. Die in dieser Arbeit verwendeten gesamten Investitionen für eine Ladestation mit acht Ladepunkten á 150 kW liegen mit 510 t€ in einer vergleichbaren Größenordnung mit den in der „Förderrichtlinie Ladeinfrastruktur Elektrofahrzeuge“ [29] unterstellten maximalen Kosten, die sich für die genannte Ladestation auf ca. 560 t€ summieren. Die Annahmen für Ladestationen mit 50 kW je Ladepunkt folgen analogen Überlegungen. Netzanschlusskosten betragen 15.000 € je zwei Ladepunkte, Transformatorkosten fallen je Ladestation einmalig für den vierten Ladepunkt an. Unsicherheiten der ökonomischen Parameter – im Besonderen hinsichtlich der relativen Kosten von Ladeinfrastruktur mit geringen (50 kW) und hohen (150 kW) Ladeleistungen – sowie mögliche zukünftige Kostensenkungen werden durch eine Sensitivitätsanalyse adressiert (Kapitel 5.4.2). Prognostizierte Kostensenkungen sind hauptsächlich hinsichtlich der Ladehardware zu erwarten. Entsprechend der Annahmen der NPE (15.000 € Hardwarekosten je Ladepunkt im Jahr 2020, vgl. [232]) könnten Investitionen in eine Ladestation mit 150 kW (50 kW) um bis zu 15% (25%) gesenkt werden.

73 Diese Angabe wird auf die Mittelspannungsebene übertragen und dürfte aufgrund der höheren Dichte an Mittelspannungsnetzen eher eine obere Grenze darstellen. 74 Zum Vergleich: die bislang größte Ladestation für Elektrofahrzeuge (Stand 12/2016) umfasst 24 Ladepunkte mit einer Gesamtanschlussleistung von 2 Megawatt, vgl. [188].

33 Reale Fahrdaten

4 Reale Fahrdaten Die Analysen dieser Arbeit basieren auf realen Fahrdaten des gewerblichen und privaten Verkehrs, wobei der gewerbliche Verkehr im Fokus dieser Arbeit steht. Die gewerblichen Fahrdaten wurden im Rahmen dieser Arbeit erhoben und aufbereitet [94]. In diesem Kapitel wird einleitend (Kapitel 4.1) die Bedeutung realer Fahrprofile für den Untersuchungsrahmen dieser Arbeit kurz zusammengefasst. Anschließend erfolgt die Darstellung der Datenerhebung und -aufbereitung (Kapitel 4.2.1) sowie eine Beschreibung des gewerblichen Datensatzes (Kapitel 4.2.2), der im Folgenden als REM 2030 Fahrprofile-Datenbank bezeichnet wird. In Kapitel 4.4 wird die REM 2030 Fahrprofile-Datenbank vergleichbaren Fahrdatenbanken gegenübergestellt und ihre Repräsentativität für heutiges Fahrverhalten überprüft. Das Fahrverhalten gewerblich gehaltener Fahrzeuge75 unterscheidet sich von dem privat gehaltener Fahrzeuge [111, 245, 251], sodass Unterschiede im technischen Potential von Elektrofahrzeugen (vgl. Kapitel 5) zwischen den Nutzergruppen zu erwarten sind. Um die Größenordnung dieses Unterschieds darstellen zu können, werden ergänzend zu den gewerblichen Fahrdaten öffentlich zugängliche private Fahrdaten untersucht, die in Kapitel 4.3 kurz beschrieben sind. Das Fahrverhalten einzelner Fahrzeuge ergibt sich aus den Daten Zeitpunkt, Fahrzeug- geschwindigkeit und Standort (Kapitel 4.2.2) und wird in dieser Arbeit als Fahrprofil bezeichnet.

4.1 Bedeutung realer Fahrprofildaten Für die Analyse individueller Nutzungspotentiale von Elektrofahrzeugen werden oft reale Fahrdaten verwendet (beispielsweise in [111, 117, 121, 221, 227, 283, 329, 330]). Zusammenfassend ergeben sich aus der Literaturanalyse (vgl. Kapitel 2.2) folgende Anforderungen an Erhebungsform und Umfang von Fahrdaten zur Modellierung des Fahr- und Ladeverhaltens von Elektrofahrzeugen. 1. Fahrdaten mit kurzen Aufzeichnungsdauern unterschätzen das Potential von Elektro- fahrzeugen, da Varianzen der Tagesdistanzen unterschätzt werden und längere Strecken unterrepräsentiert sind (vgl. z.B. [110], [318], [11] sowie [248]).76. 2. Lange Beobachtungsdauern sind neben der Darstellung des realen Fahrverhaltens ebenfalls für die Abschätzung von regelmäßigen Lademöglichkeiten eines Fahrprofils wesentlich. Die Häufigkeit und die Länge von Standzeiten sowie Standorte werden in der vorliegenden Arbeit als Information zur Abbildung von Lademöglichkeiten verwendet (vgl. Kapitel 5.2.3)77.

75 Gewerblich gehaltene Fahrzeuge werden weiterhin unterschieden in Flottenfahrzeuge und Dienstwagen. Während Flottenfahrzeuge rein gewerblich genutzt werden, werden Dienstwagen sowohl gewerblich als auch privat genutzt. Offizielle Statistiken zu Fahrzeugzahlen der beiden Nutzergruppen werden durch das Kraftfahrtbundesamt nicht getrennt erhoben, da dieses nur Informationen des Halters unterscheidet. Dienstwagen umfassen ca. 30% aller Neuzulassungen [245]. Die REM2030 Fahrprofile-Datenbank enthält fast ausschließlich Flottenfahrzeuge. Der Anteil gewerblich gehaltener Fahrzeuge am Bestand ist mit 10,3% vergleichsweise gering [172]. Diese Unterschiede basieren auf unterschiedlichen Haltedauern privat und gewerblich gehaltener Fahrzeuge [245]. 76 Laut [252] sollten Fahrprofile eine Beobachtungsdauer von sechs Tagen übersteigen, um Standardfehler der Schätzung elektrischer Fahranteile von PHEV einzugrenzen. Die Autoren untersuchen den Datensatz der REM 2030 Fahrprofile-Datenbank und erhalten einen mittleren Standardfehler (Median) von 12,3% für eine Beobachtungsdauer von 10 Tagen. 77 Eigene Analysen realer Nutzungsdaten von Chevrolet Volt aus den USA (vgl. [248, 249] und Kapitel 6.1.5.1) zeigen, dass mindestens sechs Prozent der Nutzer täglich mehr als einmal laden (vgl. auch [61]), sodass Simulationen unter der Annahme eines einzelnen Ladevorgangs pro Tag elektrische Fahranteile dieser PHEV unterschätzen.

34 Reale Fahrdaten

Weiterhin zeigen [304], dass Fahrenergiebedarfe konventioneller Fahrzeuge in einem Bereich von ca. 120% - 160% des Normverbrauchs (NEFZ) variieren. Da der Fahrenergiebedarf direkt die Fahrzeug- reichweite von Elektrofahrzeugen beeinflusst, ist seine Berechnung für diese Arbeit notwendig. Die Analyse individueller Elektrofahrzeugreichweiten erfordert daher die Nutzung hochaufgelöster Fahrdaten mit einer ausreichend langen Beobachtungsdauer sowie großer Stichprobengröße. Derartig hochaufgelöste Fahrdaten sind für Deutschland nicht öffentlich verfügbar78. Weiterhin wurde individuelles Nutzerverhalten bislang fast ausschließlich für den Privatverkehr untersucht (vgl. [220, 283]). Fahrdaten gewerblicher Halter, im Folgenden auch als Wirtschaftsverkehr bezeichnet, sind bislang wenig analysiert. Diese bilden aber u.a. aufgrund eines hohen Anteils an den Neuzulassungen (vgl. Kapitel 4.2), planbaren Routen, hohen Jahresfahrleistungen sowie steuerlichen Vorteilen [251] einen wichtigen Erstmarkt für alternative Antriebstechnologien. Fahrleistungen gewerblich gehaltener PKW liegen mit durchschnittlich 72,2 km pro Tag (Mo.-Fr.) deutlich über den Fahrleistungen privat gehaltener PKW (33,1 km) [177].

4.2 Die REM 2030 Fahrprofile-Datenbank Die Fahrdaten der REM 2030 Fahrprofile-Datenbank entstammen konventionellen Fahrzeugen und wurden im Rahmen des Projekts „Regional Eco Mobility 2030 (REM 2030)“ von Juni 2011 bis Juni 2014 per GPS-Tracking erhoben79 [94]. Unternehmen wurden per Telefon zur Teilnahme angefragt. Die teilnehmenden Unternehmen durften die Fahrzeuge, deren Fahrmuster aufgezeichnet wurden, selbst bestimmen. Nach Ablauf der Datenerhebung wurden die Unternehmen aufgefordert, Angaben zum regelmäßigen Standort sowie zur Größe des Fahrzeugs zu machen80. Die REM 2030 Fahrprofile- Datenbank ist gekennzeichnet von einer langen Beobachtungsdauer (durchschnittlich 22,5 Tage) und einer zeitlichen Auflösung von durchschnittlich drei Datenpunkten pro Minute. Die Fahrdaten der REM 2030 Fahrprofile-Datenbank wurden in aggregierter Form in [107, 251] für streckenbasierte Analysen genutzt, um den Markthochlauf von Elektrofahrzeugen abzuschätzen. Der in den genannten Studien genutzte Datensatz umfasst die Tagesstrecken einzelner Fahrzeuge sowie Start- und Endpunkte einzelner Fahrten81 und ist daher für die Berechnung individueller Fahrenergiebedarfe nicht geeignet. Der Datensatz in dieser Arbeit umfasst die Rohdaten der Originalmesspunkte (vgl. Kapitel 4.2.1) und unterscheidet sich daher grundlegend von den Fahrdaten in aggregierter Form. Die Aufbereitung der Rohdaten ist ein wesentlicher Bestandteil dieser Arbeit und wird im folgenden Teilkapitel vorgestellt.

78 In Deutschland öffentlich verfügbare Daten sind Verkehrserhebungen, die per Fragebogen erhoben wurden [145, 177, 210]. Diese Daten unterliegen aufgrund ihrer Erhebungsform subjektiven Verzerrungen [212]. Vor allem aber ist das streckenbasierte Aggregationsniveau zu hoch, um individuelle Fahrparameter, wie z.B. individuelle Fahrenergiebedarfe, zu bestimmen. 79 Es wird angenommen, dass sich das Fahrverhalten bei einem Umstieg von konventionellen auf batterieelektrische Fahrzeuge nicht ändert. Mögliche Anpassungen des Fahrverhaltens an die Reichweiten- Restriktionen von BEV oder höhere Fahrleistungen aufgrund von Rebound-Effekten (vgl. z.B. [284]) werden aufgrund mangelnder empirischer Datenbasis vernachlässigt. Diesbezüglich besteht weiterer Forschungsbedarf. 80 Für eine detaillierte Beschreibung der Rekrutierung von Teilnehmern und zur Datenerhebung siehe [107], Abschnitt A.3. 81 Die REM 2030 Fahrprofile-Datenbank ist in dieser aggregierten Form (streckenbasierte Auflösung) zur wissenschaftlichen Nutzung online unter http://www.rem2030.de/rem2030-de/REM-2030-Fahrprofile.php abrufbar.

35 Reale Fahrdaten

4.2.1 Datenerhebung und Datenaufbereitung Die Fahrprofildaten der REM 2030 Fahrprofile-Datenbank wurden mittels GPS-Tracking aufgezeichnet und umfassen folgende für diese Arbeit relevanten Informationen: . ID des GPS-Datenloggers, . Zeitpunkt jedes Datenpunktes, . Position des Fahrzeugs (Länge und Breite) und . Fahrzeuggeschwindigkeit. Die ID des GPS-Datenloggers dient der eindeutigen Zuordnung einzelner Fahrdaten zu den jeweiligen Fahrzeugen. Die Position des Fahrzeugs ist definiert durch die GPS-Koordinaten der geographischen Breite und Länge. Der Zeitstempel des Datenpunktes ist sekundengenau. Daten werden bei Positionsänderungen alle 500 Meter aufgezeichnet. Neben den technischen Fahrdaten enthält jedes Fahrprofil weiterhin die Information des Unternehmensstandorts sowie der Fahrzeuggröße82. Die Information des Unternehmensstandorts wird genutzt, um die Verfügbarkeit der Lademöglichkeit am Unternehmensstandort im zeitlichen Verlauf des Fahrprofils abzubilden (vgl. Kapitel 5.2.3). Die Fahrzeuggröße wird zur individuellen Parametrisierung und ökonomischen Bewertung der Fahrzeuge benötigt, beispielsweise hinsichtlich einer fahrzeuggrößenspezifischen Batteriekapazität (Tabelle 14). Die Datenaufzeichnung via GPS ist mit Datenfehlern und Datenausfällen verbunden. Datenausfälle ergeben sich, da in manchen Gebieten sowie Bereichen, wie in Tunneln, keine GPS-Daten empfangen werden können. Weiterhin können Störungen des Signals auftreten, die zu falschen Datenaufzeichnungen führen, sodass eine entsprechende Datenaufbereitung notwendig ist. Der Rohdatensatz der REM 2030 Fahrprofile-Datenbank wurde im Rahmen dieser Arbeit aufbereitet, wie im Folgenden dargestellt. Die Methodik der Datenaufbereitung orientiert sich am Vorgehen in [73] und umfasst das 1. Löschen von Daten mit nichtpositiven Zeitintervallen (∆T ≤ 0) 2. Löschen von Datenpunkten während Standzeiten

3. Ersetzen von unplausibel hohen Fahrzeuggeschwindigkeiten (v > vmax) 4. Ersetzen von unplausiblen Datenpunkten ohne Geschwindigkeit (v = 0  v > 0)

5. Ersetzen von unplausibel hohen Fahrzeugbeschleunigungen (|a| > amax) 6. Ersetzen von Datenpunkten mit falscher Standortinformation (Lat, Long = 0) 7. Ersetzen von unplausiblen Fahrten und Fahrtagen (v > 0  v = 0) 8. Einfügen fehlender Datenpunkte in Datenlücken Im ersten Schritt werden Datenpunkte, die eine negative Zeitdifferenz zu dem vorangegangenen Datenpunkt aufweisen, aus dem Datensatz entfernt. Weiterhin werden Datenpunkte mit identischem Zeitstempel entfernt. Unterscheiden sich die Geschwindigkeiten zweier Datenpunkte mit identischem Zeitstempel, wird die Geschwindigkeit des verbliebenen Datenpunkts auf die Durchschnittsgeschwindigkeit beider Datenpunkte gesetzt. Eine Entfernung von doppelten Datenpunkten ist notwendig, da die Fahrzeugbeschleunigung (siehe Kapitel 5.2.1) für nichtpositive Zeitintervalle nicht definiert ist.

82 Die Einteilung der Fahrzeuggrößen „Klein“, „Mittel“, „Groß“ wird anhand des Fahrzeughubraums vorgenommen. Weiterhin werden „leichte Nutzfahrzeuge (lNfz)“ bis 3,5 t Nutzlast unterschieden.

36 Reale Fahrdaten

Um die Datenmenge zu reduzieren, werden Datenpunkte ohne Fahrzeugbewegung aus dem Datensatz entfernt und nur die Zeitpunkte der Ankunft und Abfahrt beibehalten. Entsprechend der freiwilligen Selbstbeschränkung der deutschen Automobilhersteller Audi, BMW und Mercedes-Benz [204], die Fahrzeuggeschwindigkeiten werksmäßig über 250 km/h elektronisch abregelt (vgl. z.B. [10, 31, 61]), wird als Maximalgeschwindigkeit vmax = 250 km/h angenommen. Datenpunkte mit höheren Geschwindigkeiten werden als unplausibel betrachtet und auf die Maximalgeschwindigkeit gesetzt. Aufgrund der hohen angenommenen Maximalgeschwindigkeit ist dieser Aufbereitungsschritt als konservativ einzuschätzen. Liegt ein Datenpunkt ohne Geschwindigkeit zwischen zwei Datenpunkten mit positiver Ge- schwindigkeit und liegt die Zeitdifferenz der Datenpunkte jeweils unter 30 Sekunden, wird der Wert ohne Geschwindigkeit als Datenfehler angesehen und seine Geschwindigkeit auf den Mittelwert der vier angrenzenden (d.h. der zwei vorangegangenen und zwei nachfolgenden) Datenpunkte gesetzt. Die maximale Beschleunigung wird, [73] folgend, auf 80% der Erdbeschleunigung gesetzt (7.8 m/s²). Für Verzögerungen wird diese Grenze analog angenommen. Datenpunkte mit falscher Standortinformation – Geographische Länge und Breite sind 0 – werden entfernt. Ist der GPS-Datenlogger in Betrieb, sind Aufzeichnungen von positiven Geschwindigkeiten möglich, obwohl das Fahrzeug steht. Derartige Daten ergeben in einer Simulation des Fahrprofils kurze Wegstrecken, die real nicht zurückgelegt wurden. Die Geschwindigkeiten der entsprechenden Datenpunkte werden jeweils auf 0 gesetzt. Eine positive Geschwindigkeit von Datenpunkten wird als unplausibel angenommen, wenn a. auf einen Datenpunkt mit Geschwindigkeit v = 0 bis zu vier aufeinanderfolgende Datenpunkte mit v ≥ 150 km/h folgen, auf die wieder einen Datenpunkt mit v = 0 folgt. b. die zurückgelegte Strecke zwischen zwei Standphasen (Datenpunkte mit Geschwindigkeit 0) eine Distanz von 200 m unterschreitet. c. Tagesstrecken unter einem Kilometer liegen. Ist der zeitliche Abstand zweier aufeinanderfolgender Datenpunkte mit positiver Geschwindigkeit größer als 15 Minuten, wird eine Stillstandsphase – zwei Datenpunkte mit Geschwindigkeit 0 – zwischen diesen beiden Datenpunkten ergänzt, sodass die auf Basis der Positionsdaten des Fahrzeugs berechnete Distanz der beiden Datenpunkte erhalten bleibt. Die Distanz dDP [km] zwischen den beiden Datenpunkten wird berechnet als

dDP = 퐿퐹 ∗ [ 푅퐴 ∗ arcos(푠𝑖푛(푙푎푡1) ∗ sin(푙푎푡2) + cos(푙푎푡1) ∗ cos(푙푎푡2) (1) ∗ cos(푙표푛2 − 푙표푛1))]

Die Nutzung eines Labyrinthfaktors 퐿퐹 erlaubt eine Abschätzung der Fahrentfernung zwischen zwei Standorten entlang des Straßennetzes auf Basis der direkten Entfernung (Luftlinie). 퐿퐹 wird mit 1,3 angenommen (vgl. [287]). Der Term in eckigen Klammern beschreibt die direkte Entfernung zwischen den beiden Datenpunkten [279]. 푙푎푡 und 푙표푛 bezeichnen die geographische Breite und Länge des jeweiligen Datenpunktes, 푅퐴 bezeichnet den Äquatorradius des mittleren Erdellipsoids und beträgt 6378,137 km. Winkel sind im Bogenmaß angegeben. Die genannten Schritte wurden auf den Rohdatensatz angewandt. Statistiken der Datenverarbeitung sind in Tabelle 6 dargestellt und beziehen sich auf den jeweils bereinigten Datensatz, der sich nach den vorangegangenen Schritten der Datenverarbeitung ergibt.

37 Reale Fahrdaten

Tabelle 6: Statistiken der Datenaufbereitung.

Form der Datenaufbereitung Anteil angepasster Daten ∆T ≤ 0 17,6% -6 v > vmax 1,5 * 10 |a| > amax 1,2% v = 0  v > 0 0,4% Lat | Long = 0 0,15% v > 0  v = 0 1,0% Datenlücken 0,5%

Der Anteil gelöschter Daten aufgrund nichtpositiver Zeitintervalle ist auffallend hoch. Dies kann daran liegen, dass der Rohdatensatz eine hohe Anzahl an Datenfragmenten enthält, die die eigentlichen Fahrdaten nicht betreffen – beispielsweise Daten eines Geräte-Funktionstests – und daher diese Statistik verfälschen. Dieser hohe Anteil nichtpositiver Zeitintervalle ist bei der Interpretation der Ergebnisse zu beachten. Die Statistiken der anderen Datenfilter sind vergleichbar mit den Ergebnissen in [73] und sprechen für eine robuste Datenbasis. Fahrprofile mit einer Beobachtungsdauer unter sechs Tagen sowie einer Gesamtfahrdistanz von unter 50 km werden von der weiteren Betrachtung ausgeklammert, um einen Datensatz zu erhalten, der die Anforderungen an eine breite Datenbasis für alle untersuchten Fahrprofile erfüllt. Beispielsweise unterscheiden sich Fahrstrecken an Wochentagen von denen an Wochenendtagen [177]. Eine Betrachtung von Fahrprofilen mit sehr kurzen Beobachtungsdauern könnte aufgrund eines speziellen Beobachtungszeitraums (z.B. nur Wochenendtage) zu Verzerrungen führen. Die folgenden Ausführungen beziehen sich auf den finalen Datensatz nach allen in diesem Kapitel beschriebenen Schritten der Datenverarbeitung.

4.2.2 Beschreibung des Datensatzes Der nach den Ausführungen in Kapitel 4.2.1 bereinigte Datensatz enthält 467 Fahrprofile mit einer durchschnittlichen Beobachtungsdauer von 22,5 Tagen und durchschnittlich 17,2 Fahrtagen. Eine Übersicht über die relevanten Parameter des Datensatzes ist in Tabelle 7 gezeigt.

Tabelle 7: Fahrprofil-spezifische Parameter der REM 2030 Fahrprofile-Datenbank. SD = Standardabweichung.

Minimum Mittelwert Median Maximum SD # Datenpunkte (DP) 418 7.055 4.668 68.416 8.409 # DP/Minute während Fahrt 0,33 3,0 3,2 5,4 1,09 # Beobachtungstage 7 22,5 23 57 6,3 # Fahrtage 4 17,2 17 57 5,9 Anteil Fahrtage 0,20 0,76 0,77 1,00 0,15 Ø Fahrten pro Beobachtungstag 0,5 2,9 2,6 10,2 1,4 Ø Fahrten pro Fahrtag 1 3,8 3,5 10,2 1,5 Ø Fahrstrecke pro Fahrt [km] 1,6 23,2 17,6 102,0 18,2 Ø Tagesstrecke [km] 4,6 69,9 53,2 435,5 57,1

Mit durchschnittlich drei Datenpunkten pro Minute83 erlauben die Daten eine individuelle Abbildung des Fahrverhaltens, jedoch sind Aussagen zur Beschleunigung der Fahrzeuge nur sehr begrenzt möglich. Das durchschnittliche Fahrverhalten in der Datenbank ergibt sich wie folgt. Die Fahrzeuge

83 Diese Information bezieht sich auf die Fahrzeit des Fahrprofils.

38 Reale Fahrdaten werden durchschnittlich 2,9 Mal [2,8;3,0]84 pro Beobachtungstag bewegt. Da nicht an allen Tagen gefahren wird, steigt dieser Wert auf 3,8 [3,7;3,9] Fahrten pro Fahrtag. Die durchschnittliche Fahrstrecke beträgt 23,2 km [21,5 km; 24,9 km], die durchschnittliche Tagesstrecke 69,9 km [64,7 km;75,1 km]. Jahresfahrleistungen der gewerblichen Fahrprofile ergeben sich im Mittel85 zu ca. 22.400 km (Mittelwert) [20.600; 24.100] bzw. 16.700 km (Median), wenn man die durchschnittliche Tagesstrecke auf das Jahr hochrechnet86. Klammert man Tage ohne Fahrstrecken aus, beträgt die durchschnittliche gefahrene Tagesstrecke 77,7 km [75,6;79,7] pro Fahrtag (Durchschnitt aller 8.489 Fahrtage aller Nutzer, in Tabelle 7 nicht gezeigt). Das Fahrverhalten stimmt demnach mit dem Fahrverhalten gewerblich gehaltener Fahrzeuge gut überein [177] (vgl. Kapitel 4.4). Fahrstrecken – eine zusammenhängende Fahrtrajektorie mit Fahrtunterbrechungen unterhalb von 20 Minuten wird in dieser Arbeit als Fahrt definiert – liegen zu 77% unter 25 km (Abbildung 4).

Abbildung 4: Verteilung der Fahrstrecken in der REM 2030 Fahrprofile-Datenbank. 95%-Konfidenzbänder werden mit Hilfe der Greenwood-Formel (vgl. [124]) auf Basis der Varianz des Kaplan-Meier- Schätzers bestimmt und sind als gestrichelte Linie dargestellt.

Neben den Fahrdistanzen sind für das Potential von Elektrofahrzeugen besonders auch die Standzeiten eines Fahrprofils für die Abschätzung von Lademöglichkeiten wesentlich (Kapitel 5.2.3). Die Verteilung von Standzeiten länger als 20 Minuten ist in Abbildung 5 dargestellt.

84 Werte in Klammern zeigen 95%-Intervalle 퐶퐼 der Mittelwerte. Für großen Stichprobenumfang (n > 30) können diese für beliebig verteilte – also auch nicht normalverteilte – Merkmale aufgrund des zentralen 푆 푆 Grenzwertsatzes approximiert werden: 퐶퐼 = [푋̅ − 1,96 ∗ , 푋̅ − 1,96 ∗ ]. 푆 = √∑ (푋 − 푋̅)2/(푛 − 1) √푛 √푛 𝑖 𝑖 ist hierbei ein Schätzer für die unbekannte Standardabweichung 𝜎 der Grundgesamtheit (vgl. z.B. [86, S. 389 ff.]). Konfidenzintervalle bringen die statistische Unsicherheit zum Ausdruck, die mit der Schätzung von Lageparametern (z.B. Mittelwert) einer Grundgesamtheit aus einer begrenzten Stichprobe verbunden ist. Unter der Voraussetzung, dass die analysierte Stichprobe und die Grundgesamtheit identisch verteilt sind, enthält das Konfidenzintervall „in (1 − 훼) ∗ 100% der Fälle, in denen Konfidenzintervalle geschätzt werden, (…) den wahren Wert [der Grundgesamheit]“ [86, S. 387]. Vgl. auch Annex G. Die Konfidenzintervalle werden in dieser Arbeit als zusätzliche Information angegeben, eine weitere Berechnung auf ihrer Basis erfolgt nicht. 85 Ungewichteter Durchschnitt aller Nutzer. 86 Wochen- und Wochenendtage werden nicht unterschieden. Der Einfluss des genauen Beobachtungszeitraums, d.h. des Anteils an Wochenendtagen im Beobachtungszeitraum, wird aufgrund der Mindestbeobachtungsdauer von sieben Tagen vernachlässigt.

39 Reale Fahrdaten

Abbildung 5. Verteilungsfunktion der Standzeiten (>20 min) in der REM 2030 Fahrprofile-Datenbank. Das Inset zeigt einen vergrößerten Ausschnitt von Standzeiten bis 3h.

Die Verteilung der Ankunfts- und Abfahrtszeiten dieser Parkereignisse ist in Abbildung 6 gezeigt. Die tageszeitliche Verteilung der Parkereignisse wird genutzt, um die Verteilung potentieller Ladeereignisse im Tagesverlauf abzuschätzen und Aussagen über die zeitliche Verfügbarkeit von Ladestationen zu treffen (vgl. Kapitel 5.3.2). Aufgrund der hohen Anzahl an über 36.000 Parkereignissen beträgt die halbe Intervallbreite des 95%-Konfidenzintervalls für alle Tageszeiten weniger als 0,3 Prozentpunkte87.

Abbildung 6. Tageszeitliche Verteilung der Parkereignisse in der REM 2030 Fahrprofile-Datenbank. Links: Ankunftszeiten, rechts: Abfahrtszeiten. Parkereignisse mit Standzeiten > 20 min.

87 Das 95%-Konfidenzintervall ist für großen Stichprobenumfang (푛 ≥ 30) für den geschätzten Anteilswert 푝̂ approximativ gegeben als [86, S. 393]: [푝̂ − 1.96√푝̂(1 − 푝̂)/푛, 푝̂ + 1.96√푝̂(1 − 푝̂)/푛], vgl. auch Annex G.

40 Reale Fahrdaten

4.3 Private Fahrdaten Das Fahrverhalten privat gehaltener Fahrzeuge unterscheidet sich von dem gewerblich gehaltener Fahrzeuge. Private Fahrprofile weisen durchschnittlich deutlich geringere Tagesstrecken und kürzere Einzelstrecken auf als gewerbliche Fahrzeuge (Tabelle 8) – die Fahrzeuge werden im Mittel 2,3 [2,0;2,6]88 Mal pro Beobachtungstag und 3,7 [3,5;3,9] Mal pro Fahrtag bewegt. Die mittlere Fahrstrecke beträgt 11,2 km [9,8 km; 12,6 km], die mittlere Tagesstrecke 35,4 km [31,7 km; 39,1 km]. Private Fahrzeuge haben demnach wahrscheinlich ein höheres technisches Potential von batterieelektrischen Fahrzeugen als gewerbliche Fahrzeuge und werden daher ergänzend analysiert. Aufgrund dieses ergänzenden Charakters privater Fahrprofile wird zu deren Untersuchung auf öffentliche Daten zurückgegriffen. Diese sind aber für Deutschland in der benötigten datenpunktgenauen Auflösung nicht verfügbar und es wird daher auf einen Datensatz aus Winnipeg, Kanada, zurückgegriffen, der diese Kriterien erfüllt und online verfügbar ist ([309], vgl. auch [283]). Der vom Autor aufbereitete Datensatz enthält 74 Fahrprofile.

Tabelle 8: Fahrprofil-spezifische Parameter privater Fahrdaten. Datenquelle: [309]. SD = Standardabweichung.

Min Mittelwert Median Max SD # Datenpunkte (DP) 35.754 584.013 481.813 2.451.234 500.434 # Beobachtungstage 17 222,6 241,0 449,0 114,3 # Fahrtage 9,0 136,2 136,0 318,0 85,0 Anteil Fahrtage 0,09 0,60 0,59 0,93 0,20 Ø Fahrten pro Beobachtungstag 0,3 2,3 2,1 5,7 1,1 # Fahrten pro Fahrtag 2,1 3,7 3,6 7,7 0,9 Ø Fahrstrecke pro Fahrt [km] 4,7 11,2 9,9 34,3 5,9 Ø Tagesstrecke [km] 16,0 35,4 31,6 93,7 16,3

Der Datensatz ist sekundenscharf und erlaubt genauere Analysen des Fahrenergiebedarfs als die REM 2030 Fahrprofile. Jedoch sind Informationen zu Fahrzeuggrößen in diesem Datensatz nicht verfügbar, Standortinformationen liegen anonymisiert vor (bezogen auf einen Referenzpunkt). Die Stichprobengröße (74 Fahrzeuge) erlaubt die Darstellung nutzerindividueller Unterschiede im Fahrverhalten. Die große Anzahl an Beobachtungstagen ist für die Analyse des technischen Potentials von Elektrofahrzeugen vorteilhaft. Die Nutzung dieses Datensatzes ist jedoch den technischen Anforderungen dieser Arbeit geschuldet und ist nicht für das Fahrverhalten privater Fahrzeuge in Deutschland repräsentativ. Beispielsweise unterscheiden sich rechtliche Rahmenbedingungen, wie die Höhe der Geschwindigkeitsbegrenzungen, die einen Einfluss auf die Ergebnisse haben könnten. Bei der Interpretation der Ergebnisse sind für private Nutzer aber vor allem die geringe Jahresfahrleistung der analysierten Fahrzeuge von durchschnittlich unter 9.000 km89 sowie die geringen maximalen Tagesfahrleistungen der einzelnen Nutzer zu beachten (vgl. [258]).

88 Werte in Klammern zeigen ± 1,96 Standardfehler, entspricht 95%-Intervall. Vgl. Fußnote 84. 89 95%-Konfidenzintervall [km]: [7.450;9.850]. Diese liegt deutlich unter der Jahresfahrleistung privater PKW in Kanada (durchschnittlich 15.600 km, [305]) und Deutschland (14.259 km, [170]).

41 Reale Fahrdaten

4.4 Einordnung der REM 2030 Fahrprofile-Datenbank Die REM 2030 Fahrprofile-Datenbank wurde erhoben, da hochaufgelöste Fahrdaten des Wirtschaftsverkehrs für Deutschland nicht öffentlich verfügbar sind. Aufgrund der fehlenden direkten Vergleichsmöglichkeit mit gleichartigen Datensätzen erfolgt daher die Einordnung der REM 2030 Fahrprofile-Datenbank in drei Schritten. Erstens wird die Größe der REM 2030 Fahrprofile-Datenbank mit Datensätzen anderer Studien zum Nutzungspotential von Elektrofahrzeugen verglichen (Tabelle 9). Zweitens wird die Aufteilung der Fahrzeuggrößen im Datensatz mit offiziellen Statistiken zu Neuzulassungen und Bestand gewerblicher Fahrzeuge verglichen (Tabelle 10 und Tabelle 11). Schließlich wird drittens das durchschnittliche Fahrverhalten der einzelnen Fahrzeuggrößenklassen dem in der Studie „Kraftfahrzeugverkehr in Deutschland 2010“ (KiD 2010) [177] gegenübergestellt. KiD 2010 [177] ist eine bundesweit flächendeckende fragebogenbasierte Erhebung auf Fahrtenebene zur Erfassung des Wirtschaftsverkehrs mit Schwerpunkt auf Personenkraftwagen und Lastkraftwagen bis einschließlich 3,5 Tonnen Nutzlast. [177] ist daher hinsichtlich der untersuchten Fahrzeuge vergleichbar mit der REM 2030 Fahrprofile-Datenbank. Der Beobachtungszeitraum der KiD 2010 [177] ist ein Tag, die Stichprobe liegt bei 70.249 Fahrzeugen. Für folgende Vergleiche wird ein Teildatensatz der KiD 2010 verwendet, der nur PKW und LKW bis 3,5 t Nutzlast sowie nur Fahrzeuge gewerblicher Halter umfasst. Dieser Teildatensatz umfasst 49.310 Fahrzeuge. Die REM 2030 Fahrprofile-Datenbank ist mit 10.508 beobachteten Fahrtagen vergleichbar mit Datensätzen aus der Literatur (Tabelle 9).

Tabelle 9: Größe des Datensatzes der REM 2030 Fahrprofile-Datenbank im Vergleich zu Datensätzen in der Literatur.

Merkmale Datensatz90 Datensatz Verwendet in Art N T N * T REM 2030 Fahrprofile-Datenbank GPS 467 22,5 Tage 10.508 Daten dieser Arbeit Puget Sound Regional Council´s 2007 419 341 Tage 143.004 [176] GPS Traffic Choices Study 317 365 Tage 115.705 [220–223, 329, 330] Seattle Traffic Choices Study GPS 382 >183 Tage 69.906 [69] Nicht spezifiziert GPS 363 357 Tage 129.591 [244] Austin/San Antonio Household GPS 229 1 Tag 229 [68] Travel Survey Nicht spezifiziert GPS 227 1 Tag 227 [117] Nicht spezifiziert GPS 166 35 Tage 5.810 [121] AUTO21 Winnipeg Driving Data GPS 76 365 27.740 [283] Nicht spezifiziert GPS 48 30 Tage 1.440 [227] Nicht spezifiziert GPS 25 7 Tage 175 [63] MOP 2010 [210] Frage- 6.629 7 Tage 46.403 [109, 250] bogen National Household Travel Survey Frage- 180.000 1 Tag 180.000 [110] (NHTS) bogen 20.295 1 Tag 20.295 [338]

Wenngleich einige Datensätze deutlich längere Beobachtungsdauern einzelner Fahrzeuge bis zu über einem Jahr aufweisen, ist deren Stichprobe beobachteter Fahrzeuge geringer. Insgesamt stellt die REM 2030 Fahrprofile-Datenbank eine gute Datenbasis für die vorliegende Arbeit dar, da sowohl die Stichprobe von über 400 nutzbaren Fahrprofilen ausreichend groß ist, um einzelne Fahrzeuggrößen als Untergruppe des Datensatzes zu untersuchen, als auch die Beobachtungsdauer von 22,5 Tagen eine gute Abschätzung des Nutzungspotentials von Elektrofahrzeugen erlaubt.

90 Die Datensätze wurden durch die Autoren der genannten Studien für die Untersuchungszwecke angepasst. Dargestellt sind die Kennzahlen der jeweiligen Datensätze nach Bearbeitung. Art = Form der Datenerhebung, N = Anzahl untersuchter Fahrzeuge, T = Beobachtungsdauer.

42 Reale Fahrdaten

Die Verteilung der Fahrzeuggrößen in der REM 2030 Fahrprofile-Datenbank bildet die Größenzusammensetzung gewerblicher Flotten in Deutschland gut ab (vgl. Tabelle 10). Hinsichtlich der Neuzulassungen gewerblicher Fahrzeuge sind Fahrzeuge der Mittelklasse in der REM 2030 Fahrprofile- Datenbank unter- und leichte Nutzfahrzeuge (lNfz) überrepräsentiert. Hinsichtlich des gewerblichen Bestands sind kleine Fahrzeuge leicht unterrepräsentiert und leichte Nutzfahrzeuge überrepräsentiert.

Tabelle 10: Vergleich der Fahrzeuggrößenklassen in der REM 2030 Fahrprofile-Datenbank mit KiD 2010 [177] sowie Statistiken zu Neuzulassungen und Bestand. Anteilswert plus/minus 1,96*Standardfehler, dies entspricht einem 95%-Konfidenzintervall.

Klein Mittel Groß lNfz/ Quelle Sonstige REM 2030 Fahrprofile- 24,4% 43,9% 12,2% 19,5% Daten dieser Datenbank ± 3,9% ± 4,9% ± 3,0% ± 3,6% Arbeit KiD 2010, gewerbliche Halter 7,1% 23,8% 14,9% 51,9% [177] ± 0,3% ± 0,4% ± 0,3% ± 0,4% Neuzulassungen gewerblich 20,7% 60,3% 12,9% 6,1% [165, 166]91 Bestand gewerblich 31,2% 49,6% 14,6% 4,5% [167]92 Bestand allgemein 27,6% 56,6% 10,3% 5,6% [172]91

Die Unterschiede in den Fahrzeuganteilen für die genannten Datensätze wurden auch mit Hilfe eines approximierten Binomialtests [86, S. 404 ff.] auf statistische Signifikanz geprüft93. Die resultierenden 푝-Werte der paarweisen Vergleiche zeigt Tabelle 11. Ein Wert 푝 < 0,05 zeigt hierbei einen statistisch signifikanten Unterschied der jeweiligen Anteilswerte an (95%-Konfidenzniveau). Man beachte, dass die Stichprobe nicht für alle Grundgesamtheiten (bspw. Neuzulassungen oder Bestand) gleichzeitig repräsentativ sein kann.

Tabelle 11: Statistischer Vergleich der Fahrzeuggrößenanteile der REM 2030 Fahrprofile-Datenbank mit KiD 2010 [177] sowie Statistiken zu Neuzulassungen und Bestand. Gezeigt ist der p-Wert des approximativen Binomialtests.

Klein Mittel Groß lNfz/ Sonstige REM 2030 vs. KiD 2010 0,000 0,000 0,114 0,000 REM 2030 vs. Neuzulassungen gewerblich 0,048 0,000 0,653 0,000 REM 2030 vs. Bestand gewerblich 0,001 0,013 0,142 0,000 REM 2030 vs. Bestand allgemein 0,124 0,000 0,177 0,000

Während der Anteil großer Fahrzeuge in der REM 2030 Fahrprofile-Datenbank konsistent ist mit denen der anderen Datensätze, bestehen für die anderen Fahrzeuggrößen signifikante Unterschiede. Lediglich der Anteil kleiner Fahrzeuge kann im Vergleich zum (allgemeinen) Bestand an Kleinfahrzeugen nicht als signifikant unterschiedlich betrachtet werden.

Unterschiedliches Fahrverhalten, auch innerhalb der einzelnen Fahrzeuggrößen, wird durch die REM 2030 Fahrprofile-Datenbank ebenfalls gut abgebildet. Das Fahrverhalten ist – mit Einschränkungen – mit dem Fahrverhalten der KiD 2010 [177] vergleichbar. Z.B. liegen die mittleren Tagesfahrleistungen

91 Eigene Zuordnung der Fahrzeugklassen nach Fahrzeugsegmenten entsprechend Tabelle B 1. 92 Eigene Zuordnung der Fahrzeugklassen nach Hubraum entsprechend Tabelle B 1. 93 Die Approximation beruht auf der Normalverteilungsnäherung der Binomial-Verteilung [86, S. 319]. Approximationsbedingungen sind nicht einheitlich in der Literatur. Beispielsweise nennt [86] als Faustregel 푛푝 ≥ 5, 푛(1 − 푝) ≥ 5 mit 푛 als Stichprobengröße und 푝 als untersuchtem Anteilswert. [317] hingegen nennt als Faustregel 푛푝(1 − 푝) > 9. Beide Bedingungen sind für alle hier untersuchten Datensätze erfüllt.

43 Reale Fahrdaten der beiden Datensätze für alle Fahrzeuggrößen in einer ähnlichen Größenordnung und Tagesreichweiten weisen in beiden Datensätzen hohe Streuungen auf (vgl. Tabelle 12).

Tabelle 12. Zusammenfassende Statistiken der Tagesfahrleistungen gewerblicher Fahrprofile (REM 2030 und KiD 2010) nach Fahrzeuggröße. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Fahrzeuggröße Datensatz N Mittelwert [km] Median [km] SD [km] Klein REM 2030 114 45 ± 9 33 49,0 KiD 2010 1.834 58 ± 4 36 77,8 Mittel REM 2030 205 77 ± 14 39 99,2 KiD 2010 7.288 113 ± 4 56 154,3 Groß REM 2030 57 114 ± 39 56 149,1 KiD 2010 3.699 105 ± 5 50 152,1 lNfz REM 2030 91 71 ± 14 50 69,9 KiD 2010 12.137 93 ± 2 49 132,6

Ein statistischer Vergleich der Mittelwerte und Mediane der Tagesfahrleistungen ergibt, dass nur der Mittelwert und der Median großer Fahrzeuge sowie der Median von leichten Nutzfahrzeugen nicht signifikant unterschiedlich sind (vgl. Tabelle 13).

Tabelle 13: Statistischer Vergleich der mittleren (Mittelwert und Median) Tagesfahrleistungen der REM 2030 Fahrprofile- Datenbank und der KiD 2010 [177] nach Fahrzeuggröße. Gezeigt ist der p-Wert des Welch-Tests (Mittelwert) sowie des Wilcoxon Rangsummentests (Median).

Klein Mittel Groß lNfz/ Sonstige Mittelwert 0,000 0,000 0,085 0,000 Median 0,000 0,000 0,697 0,056

Die Mittelwerte wurden anhand eines Welch-Tests (Zwei-Stichproben t-Test mit unbekannten Erwartungswerten und unbekannten Varianzen) unter Annahme der Normalverteilungs- approximation für die Mittelwerte beliebig verteilter, aber großer Stichproben verglichen. Der Vergleich der Mediane erfolgt anhand eines Wilcoxon-Rangsummen-Tests (vgl. z.B. [86, S. 457 ff.] und Annex G für beide Tests). Der Wilcoxon-Rangsummen-Tests ist ein parameterfreier Test und hat daher den Vorteil, dass er unabhängig von der Verteilung der Stichprobe ist, da der Test hierüber keine Annahme trifft.

Bei der Interpretation der Ergebnisse ist zu beachten, dass hier nur Fahrzeuge mit positiver Fahrstrecke betrachtet wurden. In die Berechnungen für die KiD gehen aufgrund der Beobachtungsdauer von nur einem Tag daher keine Tagesstrecken von Null ein. Nichtsdestotrotz ist aber die Größenordnung der Anteile und Fahrleistungen der einzelnen Fahrzeuggrößen sowie Tendenzen zwischen den einzelnen Fahrzeuggrößen in beiden Datensätzen vergleichbar. Abbildung 7 zeigt fahrzeuggrößenspezifisch die Streuung der Tagesfahrleistungen in den Datensätzen der REM Fahrprofile-Datenbank (links) und KiD 2010 [177] (rechts). Der Interquartilsabstand, d.h. der Bereich, in dem sich die mittleren 50% der Daten befinden und der durch den Kasten der Boxplots angezeigt wird, steigt mit zunehmender durchschnittlicher Tagesfahrleistung. Weiterhin sind die Interquartilsabstände der leichten Nutzfahrzeuge (lNfz) der beiden Datensätze vergleichbar, jedoch sind Fahrzeuge mit sehr hohen Tagesfahrleistungen in [177] häufiger und der Mittelwert der Tagesfahrleistungen ist daher höher. Kleinfahrzeuge weisen in beiden Datensätzen die geringsten Fahrleistungen und Streuungen auf (vgl. auch Tabelle 12).

44 Reale Fahrdaten

Abbildung 7: Vergleich der Tagesfahrleistungen der REM 2030 Fahrdaten und der KiD 2010 nach Fahrzeuggröße. Links: REM 2030 Fahrprofile-Datenbank. Rechts: KiD 2010, nur Fahrprofile mit positiven Tagesfahrleistungen. Boxplot zeigt den Median als Linie und den Mittelwert als ‚+‘. Die Whisker zeigen das 9%- bzw. 91%-Quantil. Boxplot nach J. C. Lansey.

Insgesamt unterscheidet sich die REM 2030 Fahrprofile-Datenbank von KiD 2010 [177] in folgenden Punkten. Tagesfahrleistungen (TFL) der REM 2030 Datenbank unterschreiten im Durchschnitt die TFL in KiD 2010, längere TFL treten ebenfalls seltener auf (vgl. Abbildung 4 und Tabelle 10). Die Unterschiede in den TFL sind möglicherweise auch auf Unterschiede in der Zusammensetzung der einzelnen Fahrzeuggrößen in den beiden Datensätzen zurückzuführen (vgl. Tabelle 10). Darüber hinaus ist der Anteil der Beobachtungstage mit positiv gefahrener Strecke in der REM 2030 Datenbank mit ca. 76% deutlich höher als in KiD 2010 (ca. 49%). Die kurze Beobachtungsdauer von einem Tag der KiD 2010 begünstigt wahrscheinlich diesen hohen Anteil. Die Standardabweichungen der Tagesfahrstrecken in der REM 2030 Fahrprofile-Datenbank ist in allen Fahrzeugklassen geringer als in KiD 2010 [177], was für einen Datensatz mit weniger starken Ausreißern spricht94. Insgesamt sind die REM 2030 Fahrprofile für die Analysen dieser Arbeit geeignet, da . die hochaufgelösten Daten eine individuelle Nutzenbestimmung erlauben, . die Stichprobe (# Fahrzeuge) in der Größenordnung vergleichbarer Studien liegt, . die durchschnittliche Beobachtungsdauer von 22,5 Tagen detaillierte Analysen des Potentials von Elektrofahrzeugen erlaubt, . die Zusammensetzung des Datensatzes bezüglich Fahrzeuggrößen mit Einschränkungen vergleichbar ist mit der Zusammensetzung neu zugelassener Fahrzeuge gewerblicher Halter, . sie unterschiedliches Fahrverhalten abbilden und (mit Einschränkungen) vergleichbar sind mit Fahrdaten der KiD 2010 [177]. Es wird daher unterstellt, dass die verwendeten Fahrdaten das untersuchte Fahrverhalten hinreichend genau beschreiben. Für die Darstellung eines möglichen Stichprobenfehlers werden in diesem Kapitel sowie in den Ergebnissen (Kapitel 6) für Anteils- und Durchschnittswerte als Zusatzinformation 95%- Konfidenzintervalle angegeben, eine weitere Berechnung auf ihrer Basis erfolgt nicht. Mögliche systematische Verzerrungen des Datensatzes bleiben hiervon unberührt.

94 Die beiden Datensätze unterscheiden sich weiterhin in der Nutzerrekrutierung und ein „selection bias“ für die Daten der REM 2030 Fahrprofile ist wahrscheinlich. Die Nutzer für die Aufzeichnung der KiD 2010 wurden ausgewählt, den Nutzern in der REM 2030 Fahrprofile Datenbank war es überlassen, ein Fahrzeug auszuwählen. Wahrscheinlich wurden Fahrzeuge mit hohen Fahrleistungen bevorzugt ausgewählt, sodass diese Arbeit das technische Potential von Elektrofahrzeugen im Mittel tendenziell unterschätzt. Bei der KiD 2010 könnte die Ergebungsform per Fragebogen zu Verzerrungen führen (vgl. auch Kapitel 2.2.1).

45 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite Ziel dieses Kapitels ist die methodische Darstellung des Modells zum techno-ökonomischen Vergleich der Reichweiten-verlängernden Maßnahmen. Analysierte Maßnahmen umfassen den Auf- bzw. Ausbau von öffentlicher Ladeinfrastruktur sowie fahrzeugseitig die Steigerung der Batteriekapazität und die Senkung des Fahrzeuggewichts (vgl. Kapitel 3). Die Bewertung der Maßnahmen hinsichtlich einer erhöhten Nutzbarkeit95 von Elektrofahrzeugen erfolgt mit Hilfe einer Längsdynamiksimulation der Fahrprofile für jeden Nutzer (Modellteil 1, Kapitel 5.2). Die mögliche Nutzung eines BEV für ein Fahrprofil wird in dieser Arbeit unterstellt, wenn dieses eine minimale Nutzbarkeit von 99% sowie einen maximalen Ladebedarf von 48 Zwischenladestopps pro Jahr aufweist (vgl. auch Kapitel 6.1.1). Die Erfüllung beider Kriterien wird als technisches BEV-Potential definiert. Der Bedarf an öffentlicher Ladeinfrastruktur wird auf Basis der Ladebedarfe aus Modellteil 1 vor dem Hintergrund bestimmt, dass diese sowohl eine geographische Mindesterreichbarkeit (Kapitel 5.3.1) sowie eine zeitliche Mindestverfügbarkeit (Kapitel 5.3.2) aufweisen muss. Eine zeitliche Mindestverfügbarkeit wird mittels Warteschlangensystemen bewertet, indem einzelne Ladestandorte derart skaliert werden, dass durchschnittliche Wartezeiten an allen Ladestandorten eine gewünschte Schwelle nicht überschreiten. Die Methodik, die die Anforderungen an eine geographische und zeitliche Mindestverfügbarkeit zusammenbringt, zeigt Kapitel 5.3. Weiterhin wird auf Basis von Markthochlaufszenarien nach [107] eine mögliche Entwicklung der deutschen BEV-Fahrzeugflotte definiert. Dieser Ansatz ermöglicht eine Analyse der sich im Zeitverlauf ändernden Ladebedarfe einer Fahrzeugflotte, beispielsweise aufgrund steigender Batteriekapazitäten, und erlaubt eine Aussage darüber, ob Ladeinfrastrukturbedarfe zukünftig sinken könnten. Schließlich zeigt Kapitel 5.4 das Vorgehen für den Vergleich der Gesamtkosten von öffentlicher Ladeinfrastruktur und fahrzeugseitigen Maßnahmen. Eine Modellübersicht sowie eine Begründung für die Auswahl der verwendeten Methodiken gibt Kapitel 5.1.

5.1 Modellübersicht und Begründung Modellierungsansatz Wie eingangs in Kapitel 2 beschrieben, umfasst die Beantwortung der Forschungsfrage folgende Teilaspekte: 1. Wie wirken sich die einzelnen Reichweiten-verlängernden Maßnahmen auf die individuelle Nutzbarkeit von Elektrofahrzeugen aus? 2. Welcher Bedarf an Ladestandorten ergibt sich aus individuellen Nutzungsmustern von Elektrofahrzeugen und wie müssen einzelne Ladestandorte skaliert werden? 3. Wie können die unterschiedlichen Maßnahmen ökonomisch miteinander verglichen werden? Bisherige Forschungsarbeiten fokussieren ihre Analysen auf einen dieser Teilaspekte (vgl. auch Tabelle 1). Interdependenzen zwischen und ein techno-ökonomischer Vergleich von Fahrzeugreichweiten und öffentlicher Ladeinfrastrukturverfügbarkeit werden mit bisherigen Modellen nicht adressiert. Diese Forschungslücke wird durch das in diesem Kapitel vorgestellte Modell geschlossen. In dieser Arbeit werden bisherige Ansätze zur Beantwortung der einzelnen Teilaspekte aus der Literatur aufgegriffen und diese zu einem integrierten Modell weiterentwickelt. Das Modell adressiert die oben genannten Teilaspekte in drei Modellteilen (vgl. Abbildung 8), die über den Austausch von Modellparametern verknüpft sind. Teilergebnisse einzelner Modellteile, die innerhalb des Modells als Modellparameter übergeben werden, sind in Abbildung 8 kursiv gekennzeichnet. Das Hauptergebnis dieser Arbeit wird

95 Die Nutzbarkeit von batterieelektrischen Fahrzeugen (BEV) ist in dieser Arbeit definiert als der Anteil an Tagen (im jeweiligen Beobachtungszeitraum eines Fahrprofils), an denen tägliche Fahrbedarfe durch ein Elektrofahrzeug abgedeckt werden können (vgl. Tabelle 19).

46 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite in Kosten-Potential-Kurven dargestellt. Hierzu werden, in Abhängigkeit des Anteils der Fahrzeuge mit technischem BEV-Potential („BEV-Anteil“), durchschnittliche, minimale Gesamtkosten bestimmt sowie die jeweiligen Maßnahmenkombinationen ausgewiesen.

Abbildung 8. Übersicht Gesamtmodell. Outputparameter eines Modellteils dienen – neben weiteren exogen vorgegebenen Parametern – als Input für mindestens ein weiteres Modellteil. Diese Übergabeparameter sind kursiv hervorgehoben.

In einer strukturierten Literaturanalyse wird in Kapitel 2.2.3 der Stand der Forschung zu den jeweiligen Teilaspekten dieser Arbeit dargestellt und es werden Anforderungen an das Modell dieser Arbeit abgeleitet, die durch den gewählten Methoden-Mix adressiert werden. Da es sich bei dem Modell um eine Kombination verschiedener Ansätze handelt, ist eine Einordnung in generelle Modellanforderungen mit Schwierigkeiten verbunden. Eine Kategorisierung von Modellen kann entsprechend verschiedener Parameter vorgenommen werden, beispielsweise anhand des Modellziels oder des methodischen Ansatzes [90]. Für diese Arbeit wird eine allgemeine Kategorisierung entsprechend des methodischen Ansatzes in „top-down“- Modelle einerseits sowie in „bottom-up“-Modelle andererseits unterschieden (z.B. [90, 108]). „Top- down“-Modelle bedienen sich des Prinzips der Dekomposition. Ausgehend von Grundannahmen auf makroökonomischer Ebene werden diese in der Analyse in ihre Subsysteme aufgegliedert, beispielsweise von der Sektorebene auf Unternehmensebene [90]. Der Vorteil von „top-down“- Modellen ist ihr gesamtökonomisches Verständnis [34]. „Bottom-up“-Modelle hingegen basieren auf dem Prinzip der Aggregation. Das Verhalten eines Gesamtsystems ergibt sich hierbei erst aus dem aggregierten Verhalten einzelner Akteure, ohne dass Annahmen zum systemischen Globalverhalten getroffen werden müssen [35]. Der „bottom-up“-Ansatz ist daher eine Methode, das tatsächliche (beobachtbare) Verhalten von Menschen bzw. Akteuren zu simulieren und den Zusammenhang zwischen dem Verhalten der Individuen (Mikro-Ebene) und dem Verhalten des Systems (Makro-Ebene) zu analysieren. Nach Fleiter et al. 2011 [90] ist ein Hauptcharakteristikum von „bottom-up“-Modellen die Möglichkeit, die Wirkung von einzelnen Technologien explizit zu modellieren, wohingegen der technologische Detailgrad in „top-down“-Modellen eher eingeschränkt ist (vgl. auch [34]).

47 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Die agentenbasierte Modellierung ist ein spezieller „bottom-up“-Ansatz und ein weit verbreitetes Instrument zur Modellierung beispielsweise der Diffusion von Elektrofahrzeugen [108]. Die Vorteile der agentenbasierten Modellierung lassen sich (in Teilen) auf allgemeine mikroskopische Simulationsmodelle übertragen96 – Bonabeau (2002) [35] beispielsweise nennt mikroskopische Modellierung ein Synonym zu agentenbasierter Simulation. Daher werden die Vorteile des mikroskopischen Modellansatzes auf Basis der Literatur zu agentenbasierten Modellen abgeleitet97. Mikroskopische Modelle sind insgesamt zur Beschreibung des zu modellierenden Systems besonders geeignet, wenn . analysiert werden soll, wie das aggregierte Verhalten auf Systemebene auf Basis von Einzelentscheidungen entsteht [35], . das Verhalten der Individuen sehr heterogen ist und Durchschnittswerte ungeeignet sind, da diese Durchschnittswerte Unterschiede im Verhalten ausglätten [35], . individuelles Verhalten nicht-linear ist, d.h. wenn eine Diskontinuität im individuellen Verhalten nur schwer mit Differentialgleichungen dargestellt werden kann [35]. Die mikroskopische Modellierung bietet daher insgesamt den Vorteil einer „natürlichen“ Beschreibung des Systems. Weiterhin sind diese Modelle flexibel, da beispielsweise einzelne Akteure dem Modell einfach hinzugefügt werden können und sie ebenfalls eine Analyse von Nutzer-Untergruppen erlaubt. Nachteilig sind hohe Datenanforderungen sowie dass der Modellierungsansatz rechen- und somit zeitintensiv ist. [35] Für die Analyse des individuellen technischen Potentials von Elektrofahrzeugen wird ein „bottom-up“- Ansatz gewählt, in Form einer mikroskopischen Simulation von individuellem Fahrverhalten auf Basis realer Fahrdaten98, um individuelles Fahrverhalten realitätsnah abzubilden. Dies ist notwendig, da individuelles Fahrverhalten sehr heterogen ist – sowohl hinsichtlich unterschiedlicher Tagesdistanzen einzelner Nutzer als auch stark unterschiedlicher Fahrenergiebedarfe zwischen den Nutzern (vgl. Kapitel 4) – und da weiterhin keine Nutzergruppen mit statistisch ähnlichen ökonomischen Rahmendaten gebildet werden können (für private Fahrzeuge vgl. [223]). Lademöglichkeiten einzelner Nutzer werden in dieser Arbeit über die Annahme von Laderestriktionen dargestellt99. Diese Vorgehensweise erlaubt auch die Analyse der Auswirkungen von einer Vielzahl von explizit definierten Technologieoptionen zur Erhöhung der Reichweite auf das nutzer-individuelle technische BEV- Potential (vgl. Kapitel 5.2.4). Die hohen Datenanforderungen der mikroskopischen Modellierung werden durch die verwendeten Datensätze adressiert [35]. Für die Analyse des technischen Potentials (Kapitel 5.2) werden reale Fahrprofildaten von 467 Fahrzeugen verwendet (vgl. Kapitel 4), die eine zeitliche Auflösung von mindestens drei Datenpunkten pro Minute aufweisen. Der Datensatz gewerblicher Fahrprofile enthält weiterhin Informationen zur Fahrzeuggröße100 einzelner Nutzer. Diese Information wird genutzt, um Fahrzeugparameter in der Simulation für jeden Nutzer entsprechend der Größe des aktuell genutzten Fahrzeugs zu wählen. Es wird davon ausgegangen, dass Fahrzeugnutzer bei einem Umstieg auf BEV die Größe des Fahrzeugs nicht ändern. Für private Fahrzeuge liegt diese Information nicht vor. Alle privaten Fahrprofile werden mit der Fahrzeuggröße

96 Der Modellansatz dieser Arbeit stellt ein mikroskopisches Simulationsmodell dar. 97 Bei dem hier gewählten Modellierungsansatz handelt es sich aufgrund fehlender Interaktion der Agenten untereinander bzw. mit ihrer Umwelt streng genommen nicht um eine agentenbasierte Modellierung. Zur agentenbasierten Simulation vgl. z.B. [15, 35, 129, 331]. 98 Für einen vergleichbaren Ansatz vgl. z.B. [121, 220, 221, 223]. 99 Vgl. z.B. auch [69, 121, 220, 227]. 100 Fahrzeuggrößen in der REM 2030 Fahrprofile-Datenbank sind: {Klein, Mittel, Groß, leichte Nutzfahrzeuge}, vgl. Kapitel 4.

48 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

„Mittel“ simuliert (vgl. 5.2.2.4), da diese den größten Anteil der Neuzulassungen sowie des Bestands ausmachen (vgl. Tabelle 10). Die Frage des öffentlichen Ladeinfrastrukturbedarfs (Modellteil 2) umfasst sowohl deren zeitliche als auch geographische Verfügbarkeit und eine eindeutige Modelleinordnung ist daher schwierig. Die geographische Verfügbarkeit wird unabhängig vom Nutzerverhalten vorausgesetzt. Ladestandorte werden nur auf Basis des einfachen Kriteriums ihrer Entfernung zu den nächstgelegenen Ladestandorten definiert und die Anzahl minimal notwendiger Ladestandorte wird bestimmt, sodass ein vorgegebener Abstand zwischen zwei benachbarten Ladestandorten nicht überschritten wird. Modellteil 2 weist diesbezüglich die Charakteristik eines „top-down“-Ansatzes auf. Jedoch werden die einzelnen Standorte entsprechend der lokalen Nachfrage skaliert. Lokale Ladebedarfe ergeben sich proportional zum Verkehrsaufkommen auf deutschen Autobahnen [19] bzw. zu Fahrzeugzulassungen in den einzelnen Gemeinden [21] sowie aus dem Parameter der durchschnittlichen Ladebedarfe von BEV, die in Modellteil 1 „bottom-up“ berechnet werden. Die zeitliche Verfügbarkeit öffentlicher Ladestationen wird mit Hilfe der Warteschlangentheorie analysiert, die ein Teilgebiet des Operations Research bzw. der Wahrscheinlichkeitstheorie ist [27]. Ein Warteschlangensystem ist ein mathematisches Modell zur Analyse des Systemverhaltens eines Bediensystems, das hauptsächlich charakterisiert ist durch den Ankunftsprozess der Kunden sowie ihrer Bedienzeit [27]. Auf Basis stochastischer Prozesse lassen sich Aussagen zu durchschnittlichen Wartezeiten der Kunden oder die Auslastung der Bedienschalter treffen. Für die Analyse der zeitlichen Verfügbarkeit von Ladeinfrastruktur muss daher nur die durchschnittliche Ankunftsrate von Elektrofahrzeugen an Ladestationen sowie die Verteilung der Ladezeiten bekannt sein. Diese Informationen können aus empirischen Fahr- und Ladedaten abgeleitet werden (vgl. Kapitel 5.3.2). Die Warteschlangentheorie ist ein anerkanntes Instrument zur Auslegung von Servicestationen [27]101 und im Besonderen auch ein verbreiteter Ansatz zur Skalierung einzelner Ladestandorte102. Der Vorteil dieses Vorgehens liegt in der hohen Flexibilität und geringen Rechenzeit des Modells, das daher die Untersuchung einer Vielzahl an Einflussfaktoren auf den öffentlichen Ladeinfrastrukturbedarfs erlaubt. Die Bestimmung optimaler Ladestandorte ist mit diesem Vorgehen nicht möglich, ist aber auch nicht Ziel dieser Arbeit. Die Anforderung der hohen Modellflexibilität spricht gegen komplexe Optimier- und Simulationsmodelle auf Basis von geographisch aufgelösten Fahrdaten, da diese mit einer vergleichsweise geringen Flexibilität und hohen Rechenzeiten verbunden sind [264]. Gesamte Ladeinfrastrukturbedarfe werden schließlich zu gleichen Anteilen allen Elektrofahrzeugen im Bestand zugeordnet, sodass ein direkter techno-ökonomischer Vergleich mit den fahrzeugseitigen Maßnahmen möglich ist. Der ökonomische Vergleich (Modellteil 3) der Maßnahmen erfolgt auf Basis der Annuitätenmethode, da es diese als dynamisches Verfahren der Investitionsrechnung erlaubt, die „finanziellen Auswirkungen einer Investitionsentscheidung übder den gesamten Zeitraum erfassen und auswerten“ [327, S. 482]. Weiterhin ist ein monetärer Vergleich von Investitionsgütern mit unterschiedlich hohen Investitionen, Betriebskosten und Nutzungsdauern – konkret: öffentlicher Ladeinfrastrukturen und Elektrofahrzeugen – möglich und die Annuitätenmethode ist ein weit verbreiteter Ansatz in Diffusionsmodellen für alternative Antriebe [107, 230, 251]. Das Vorgehen der ökonomischen Bewertung dieser Arbeit sowie techno-ökonomische Parameter zeigt Kapitel 5.4. Der dreiteilige Modellaufbau spiegelt sich in den folgenden Teilkapiteln 5.2 - 5.4 wider.

101 Beispielsweise haben derartige Analysen bewirkt, dass an Flug- bzw. Zugschaltern nicht mehr einzelne Warteschlangen zu finden sind, sondern eine gemeinsame Warteschlange, aus der alle Schalter gespeist werden, da diese durchschnittliche Wartezeiten minimiert [27]. 102 Vgl. z.B. [14, 112, 156, 159].

49 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.2 Fahrsimulation: Bestimmung der individuellen Nutzbarkeit und des technischen Potentials von batterieelektrischen Fahrzeugen Die Bestimmung der Nutzbarkeit von BEV erfolgt auf Basis individueller Fahrenergiebedarfe, die mit Hilfe eines längsdynamischen Modells103 für jeden Nutzer bestimmt werden (Kapitel 5.2.1). Durch die Modellierung von Fahrwiderständen können nutzerspezifische Variationen im individuellen Fahrenergiebedarf abgebildet werden104. Weiterhin ist es möglich, die Effekte veränderter Fahrzeugparameter, beispielsweise die Erhöhung der Fahrzeugmasse aufgrund größerer Batteriekapazitäten, auf den individuellen Fahrenergiebedarf abzubilden (vgl. z.B. [38]). Die Effizienz des elektrischen Fahrzeugantriebstrangs wird für jeden Datenpunkt lastpunktabhängig bestimmt, um auch die Abhängigkeit des Batteriewirkungsgrads von der jeweiligen Leistungsanforderung in die Betrachtungen einzubeziehen105. Die Modellierung der Fahrzeugkomponenten zeigt Kapitel 5.2.2. Für die Modellierung individueller BEV-Nutzbarkeit (Modellteil 1) ist im Rahmen dieser Arbeit neben der Bestimmung individueller Fahrenergiebedarfe auch die Abbildung individuellen Ladeverhaltens notwendig. Es wird unterstellt, dass Lademöglichkeiten allgemeinen Laderestriktionen unterliegen und dass einzelne Nutzer laden können, sobald diese erfüllt sind (vgl. Kapitel 5.2.3). Diese Laderestriktionen werden je nach angenommener Verfügbarkeit öffentlicher Ladeinfrastruktur variiert. Die Verwendung realer Fahrprofile erlaubt eine detaillierte Abbildung individuellen Ladeverhaltens. Modellteil 1 wurde in einem objektorientierten Programmieransatz in Matlab© umgesetzt. Der Einfluss der einzelnen Reichweiten-verlängernden Maßnahmen (fahrzeugseitig und öffentliche Ladeinfrastruktur) auf die Nutzbarkeit von Elektrofahrzeugen wird durch Parametervariationen adressiert, d.h. die einzelnen Parameter werden in unterschiedlichen Ausprägungen miteinander kombiniert (Kapitel 5.2.4). Dieser Ansatz erlaubt eine integrierte Bewertung fahrzeugseitiger Maß- nahmen und öffentlicher Ladeinfrastruktur zur Beantwortung der Forschungsfrage.

5.2.1 Modellierung der Längsdynamik Für den Vortrieb eines Fahrzeugs müssen der Luftwiderstand, der Rollwiderstand, der Be- schleunigungswiderstand sowie der Steigungswiderstand überwunden werden. Analog zum Vorgehen offizieller Verbrauchszyklen, wie dem NEFZ, wird der Steigungswiderstand nicht betrachtet. Die benötigte Antriebsleistung 푃퐷 [W] eines Fahrzeugs ergibt sich somit aus Fahrzeugparametern und individuellem Nutzerverhalten zu:

1 푃 = ( 푐 𝜌 퐴 푣2 + 푐 푚 푔 + 푚 푎) ∗ 푣. (2) 퐷 2 푤 푅

Der Einfluss der Fahrzeugeigenschaften ist durch die Parameter Stirnfläche 퐴 [m²], Luftwiderstands- beiwert 푐푤 [-], Rollwiderstandsbeiwert 푐푅 [-] sowie Fahrzeugmasse 푚 [kg] gegeben. Diese Fahrzeug- parameter unterscheiden sich in dieser Arbeit je nach Fahrzeuggröße (Tabelle 14) und Maßnahmen- kombination (Tabelle 16). Der Einfluss des Fahrverhaltens auf die benötigte Antriebsleistung ergibt sich aus den Fahrdaten Geschwindigkeit (푣 in ms-1) und Beschleunigung (푎 in ms-2). Die Luftdichte 𝜌 wird konstant mit 1,25 kg m-3 und die Gravitationsfeldstärke 푔 konstant mit 9,81 m s-2 angenommen (vgl. z.B. [334]). Für Verzögerungen (푎 < 0) fällt 푃퐷 unter null und es wird durch Rekuperation Energie in die Batterie zurückgespeist. Rekuperation wird ab einer Geschwindigkeit von 5 km/h unterstellt [139].

103 Zur Abgrenzung längsdynamischer Modelle vgl. Fußnote 34. 104 Der Einfluss der vergleichsweise geringen Auflösung der gewerblichen Fahrdaten auf die Berechnung individueller beschleunigungsbedingter Fahrenergiebedarfe wird in 5.5.1 diskutiert. 105 Zur Diskussion der höheren Genauigkeit durch lastpunktabhängige Simulation vgl. Kapitel 5.5.1.

50 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Unter Berücksichtigung des Gesamtfahrzeugwirkungsgrads 휂퐹푧푔 [-] ergibt sich die aus der Batterie benötigte Antriebsenergie 퐸퐷 (für 푃퐷 > 0) bzw. die in die Batterie zurückgespeiste Energie 퐸퐷 (für 푃퐷 < 0) [퐸퐷 in Ws] durch Integration der Antriebsleistung 푃퐷 [W] über die Zeit 푡 [s]:

∫ 휂퐹푧푔 푃퐷 푑푡 , 푃퐷 < 0 퐸퐷 = (3) 1 ∫ 푃퐷 푑푡 , 푃퐷 ≥ 0. { 휂퐹푧푔

Der Gesamtfahrzeugwirkungsgrad ergibt sich aus der Multiplikation der Einzelwirkungsgrade der Fahrzeugkomponenten Elektromotor 휂퐸푀, Getriebe 휂퐺, Leistungselektronik 휂퐿퐸, Batterie 휂퐵푎푡푡푒푟𝑖푒 und unter Einbezug sonstiger Verluste 휂푆:

휂퐹푧푔 = 휂퐸푀 ∗ 휂퐺 ∗ 휂퐿퐸 ∗ 휂퐵푎푡푡푒푟𝑖푒 ∗ 휂푆. (4)

5.2.2 Modellierung der Fahrzeugeffizienz106 Der Fahrzeugwirkungsgrad wird lastpunktabhängig für jeden Datenpunkt eines Fahrprofils bestimmt, wie im Folgenden für die einzelnen Komponenten dargestellt.

5.2.2.1 Batterie Das Gewicht der Batterie ergibt sich durch Multiplikation der jeweiligen Batteriekapazität (vgl. Tabelle 14) mit der angenommenen Energiedichte (vgl. Kapitel 3.2.1).

Die an die Batterie gestellte Leistungsanforderung 푃퐵푎푡푡푒푟𝑖푒 [W] entspricht der Summe aus Antriebs- leistung 푃퐷 [W] einschließlich aller Wirkungsgradverluste im Antriebstrang107 und des konstant angenommenen Leistungsbedarfs der Nebenverbraucher 푃푎푢푥 [W] (vgl. Tabelle 14) einschließlich der Wirkungsgradverluste der Leistungselektronik 휂퐿퐸. Für die Berechnung von 푃퐵푎푡푡푒푟𝑖푒 müssen die Fälle negative Antriebsleistung (푃퐷 < 0) und positive Antriebsleistung (푃퐷 < 0) unterschieden werden:

푃푎푢푥 휂퐸푀 ∗ 휂퐺 ∗ 휂퐿퐸 ∗ 휂푆 푃퐷 + , 푃퐷 < 0 휂퐿퐸 푃퐵푎푡푡푒푟𝑖푒 = (5) 1 푃푎푢푥 푃퐷 + , 푃퐷 ≥ 0. { 휂퐸푀 ∗ 휂퐺 ∗ 휂퐿퐸 ∗ 휂푆 휂퐿퐸

Für negative Antriebsleistung ist der Wirkungsgrad des Elektromotors 휂퐸푀 im Generatorbetrieb (vgl. Kapitel 5.2.2.3) anzuwenden. Mit 푃퐵푎푡푡푒푟𝑖푒 > 0 ergibt sich ein Leistungsfluss aus der Batterie, entsprechend ergibt sich für 푃퐵푎푡푡푒푟𝑖푒 < 0 ein Leistungsfluss in die Batterie. Für das Laden an Ladeinfrastruktur ergibt sich der Leistungsfluss in die Batterie aus der Nettoladeleistung (푃퐿푎푑푒푛 < 0) multipliziert mit dem Wirkungsgrad der Leistungselektronik 휂퐿퐸. Eventuelle Nebenverbraucher sind auch während des Ladevorgangs zu berücksichtigen. Die Berechnung des Batteriewirkungsgrads erfolgt über die Modellierung der Batterie als Ersatzschalt- bild, bestehend aus einer Gleichstromquelle, die stellvertretend für die Leerlaufspannung 푂퐶푉 [V] (englisch: open circuit voltage) der Batterie steht, und einem ohmschen Innenwiderstand 푅𝑖 [Ω], der alle elektrischen und elektrochemischen Widerstandselemente der Batterie umfasst [221]. Der

106 Dieser Abschnitt folgt eigenen Arbeiten in [98, 99]. 107 Da es sich um die Ausgangsleistung der Batterie handelt, muss der Batteriewirkungsgrad aus dem Fahrzeugwirkungsgrad heraus gerechnet werden.

51 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Batteriewirkungsgrad berechnet sich in Abhängigkeit des Batteriestroms 퐼 [A] als am Innenwiderstand 푅𝑖 anfallende Verlustleistung (Wärme)108. 푅𝑖 ist als Parameter der Batterie gegeben, der Batteriestrom 퐼 muss abhängig von der an der Batterie anliegenden Leistung 푃퐵푎푡푡푒푟𝑖푒 [W] bestimmt werden. Es wird angenommen, dass der Wirkungsgrad der Batterie für Lade- und Entladevorgänge bei gleichen Bedingungen identisch ist. Für 푃퐵푎푡푡푒푟𝑖푒 gilt:

푈퐿푎푑푒푛 ∗ 퐼, 푃퐵푎푡푡푒푟𝑖푒 < 0 푃퐵푎푡푡푒푟𝑖푒 = { 2 (6) 푂퐶푉 ∗ 퐼 − 푅𝑖 ∗ 퐼 , 푃퐵푎푡푡푒푟𝑖푒 ≥ 0.

Für die Parameter 푂퐶푉 und 푅𝑖 werden in dieser Arbeit Kennwerte aus [221] verwendet109, die die Abhängigkeit der Parameter vom Batterieladezustand 푆푂퐶 berücksichtigen. Für Ladevorgänge wird für die Ladespannung 푈퐿푎푑푒푛 stets von der maximal möglichen Batteriespannung ausgegangen. Weiterhin wird eine einheitliche Reaktion aller Einzelzellen des Batteriesystems unterstellt. Zur Berechnung der Verlustleistung wird der Batteriestrom 퐼 durch Lösen von Gleichung (6)110 mit bekannter Batterieleistung 푃퐵푎푡푡푒푟𝑖푒 (vgl. Formel (5)) bestimmt:

푃퐵푎푡푡푒푟𝑖푒 , 푃퐵푎푡푡푒푟𝑖푒 < 0 푈퐿푎푑푒푛 퐼 = 2 (7) 푂퐶푉 푂퐶푉 푃퐵푎푡푡푒푟𝑖푒 − √( ) − , 푃퐵푎푡푡푒푟𝑖푒 ≥ 0. { 2푅𝑖 2푅𝑖 푅𝑖

Der Batteriewirkungsgrad 휂퐵푎푡푡푒푟𝑖푒 berechnet sich schließlich durch Division der bekannten Batterieleistung 푃퐵푎푡푡푒푟𝑖푒 [W] sowie der Bruttoleistung der Batterie [W], die die Eingangs- bzw. Ausgangsleistung sowie die Verlustleistung der Batterie umfasst, als: 2 |푃퐵푎푡푡푒푟𝑖푒| − 푅𝑖 ∗ 퐼 , 푃퐵푎푡푡푒푟𝑖푒 < 0 |푃퐵푎푡푡푒푟𝑖푒| 휂퐵푎푡푡푒푟𝑖푒 = (8) 푃퐵푎푡푡푒푟𝑖푒 2 , 푃퐵푎푡푡푒푟𝑖푒 ≥ 0. { 푃퐵푎푡푡푒푟𝑖푒 + 푅𝑖 ∗ 퐼 Schließlich kann die Veränderung des Batterieladezustands 푆푂퐶 bestimmt werden. Der 푆푂퐶 wird zu Beginn der Simulation (푡 = 0) auf 100% der Gesamtbatteriekapazität 휅 [Ws] gesetzt. Er nimmt für Entladevorgänge ab und für Ladevorgänge entsprechend zu: ∫ 휂 |푃 | 푑푡 푆푂퐶(푡) + 퐵푎푡푡푒푟𝑖푒 퐵푎푡푡푒푟𝑖푒 , 푃 < 0 휅 퐵푎푡푡푒푟𝑖푒 푆푂퐶(푡 + 1) = 1 푃 푑푡 (9) ∫ 휂 퐵푎푡푡푒푟𝑖푒 푆푂퐶(푡) − 퐵푎푡푡푒푟𝑖푒 , 푃 ≥ 0. { 휅 퐵푎푡푡푒푟𝑖푒 Da die zugrundeliegenden Fahrprofile von konventionellen Fahrzeugen stammen, existieren Fahrtage, die mit einem BEV auch unter Berücksichtigung von Lademöglichkeiten während des Tags nicht bewältigt werden können, da die in der Batterie speicherbare Energie die Energiebedarfe aller Fahrten eines solchen Tages nicht decken kann. Der Anteil dieser Tage am Beobachtungszeitraum eines Fahrprofils entspricht der Differenz der individuellen Nutzbarkeit zu 100% (vgl. Tabelle 19).

108 Weitere Verlustmechanismen, wie beispielsweise Verluste durch Aktivierungspolarisation oder Diffusions- polarisation, werden nicht betrachtet. Für die Einordnung von Batteriemodellen vgl. z.B. [5, 160]. 109 Die Größenordnung der angenommenen Parameter wurde in einer Literaturrecherche und Analyse von Datenblättern bestätigt, vgl. z.B. [184, 238, 316, 320] und [12, 240].

2 110 Die Lösbarkeit der Gleichung erfordert 푂퐶푉 > 4 ∗ 푅𝑖 ∗ 푃퐵푎푡푡푒푟𝑖푒 (für 푃퐵푎푡푡푒푟𝑖푒 > 0). Die Gleichung liefert zwei Ergebnisse, von denen nur eine die plausible Lösung ist.

52 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.2.2.2 Getriebe, Leistungselektronik und sonstige Verluste Der Wirkungsgrad des Getriebes wird in Abhängigkeit von Leistungs- und Drehmomentintervallen nach [203] bestimmt. Unter der Annahme einer festen Gangübersetzung wird eine Gesamtübersetzung von 10:1 unterstellt (vgl. z.B. [337]) und das Gewicht des Getriebes mit 30 kg [196] angesetzt. Der Wirkungsgrad der Leistungselektronik wird statisch mit 95% angenommen [62], bei einem Gewicht von 25 kg einschließlich des Ladegeräts [196]. Sonstige Verluste, die nicht durch die einzelnen Komponenten repräsentiert sind, werden in Summe mit 5% der Gesamtantriebsenergie angenommen.

5.2.2.3 Elektromotor Der Wirkungsgrad des Elektromotors ergibt sich als Funktion aus Drehmoment und Drehzahl pro Minute. Diese Parameter werden über die Gesamtübersetzung des Fahrzeugs, dessen Geschwindigkeit und den Reifenradius111 aus der Gesamtantriebsleistung berechnet. Für Mittelklassefahrzeuge wird ein Wirkungsgradkennfeld eines Asynchronmotors mit einer maximalen Leistung von 70 kW und 65 kg Masse verwendet [313]. Für die anderen Fahrzeuggrößen wird dieses Kennfeld entsprechend der angenommenen Motorleistung mit dem Drehmoment skaliert. Die Motorleistung des Kleinwagens wird mit 55 kW und das Gewicht mit 50 kg angenommen. Analog gilt für große Fahrzeuge eine Motorleistung von 110 kW sowie ein Motorgewicht von 100 kg112 und für leichte Nutfahrzeuge (lNfz) eine Motorleistung von 85 kW (vgl. [65, 105]) bei einem Gewicht von 80 Kilogramm. Im Generatorbe- trieb wird die Spitzenleistung auf die Hälfte der Motorspitzenleistung gesetzt113.

5.2.2.4 Fahrzeugspezifikationen Allgemeine Fahrzeugparameter sind, spezifiziert nach Fahrzeuggröße, in Tabelle 14 zusammengefasst.

Tabelle 14. Allgemeine Fahrzeugparameter (Modellannahmen).

Fahrzeuggröße Parameter Einheit Quelle Klein Mittel Groß lNfz Fahrzeuggewicht114 kg 1.000 1.300 1.500 1.650 Eigene Annahmen auf Basis Komponentengewicht [42, 168, 196]. (ohne Batterie) kg 105 120 170 150 Luftwiderstandsbeiwert cw - 0,33 0,29 0,29 0,32 Stirnfläche A m2 2,04 2,24 2,35 4,00 Rollwiderstandsbeiwert cR - 0,015 [334] Batteriekapazität kWh 20 24 28 32 vgl. Tabelle B 2 Batteriegewicht kg 200 240 280 320 vgl. Kapitel 3.2.1 Nutzbare Batteriekapazität - 90% [98] Leistung der Neben- [334] verbraucher W 500 Heizen / Kühlen W 1.500 [121]

Das Fahrzeuggewicht ist ohne das Gewicht der zuvor dargestellten Komponenten angegeben. Das Leergewicht wurde mit Hilfe des Future Automotive Systems Technology Simulators [42] bestimmt,

111 Für alle Fahrzeuggrößen wird ein Reifenradius von 30 cm angenommen. 112 Daten zur Motorleistung stehen im Einklang mit aktuellen Fahrzeugdaten und Literaturannahmen (z.B. [196, 278]). 113 Diese liegt somit unter der in [285] genannten maximal möglichen Rekuperationsleistung. 114 Ohne Gewicht der Einzelkomponenten.

53 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite basierend auf dem durchschnittlichen Leergewicht der in Deutschland meist verkauften Fahrzeugmodelle je Fahrzeuggröße [168]115. Obgleich der Leistungsbedarf der Nebenaggregate in Abhängigkeit von Umgebungsbedingungen wie Temperaturen oder Lichtverhältnissen variiert [39], wird der Leistungsbedarf mit konstant 500 W angenommen [121, 221]. Für die Klimatisierung in extremen Wettersituationen wird ein zusätzlicher Leistungsbedarf von durchschnittlich 1,5 kW unterstellt116. Fahrer und Gepäck werden entsprechend Richtlinie 92/21/EG mit 75 kg angenommen.

5.2.3 Modellierung Verfügbarkeit Ladeinfrastruktur Lademöglichkeiten werden für jeden Nutzer in Abhängigkeit seines Fahrverhaltens bestimmt. Es werden drei Arten an Ladeinfrastruktur unterschieden117: 1. Private Ladeinfrastruktur 2. Öffentliche Ladeinfrastruktur zum Gelegenheitsladen 3. Öffentliche Ladeinfrastruktur zum Zwischenladen Ein Nutzer kann eine Lademöglichkeit wahrnehmen, sobald bestimmte Laderestriktionen erfüllt sind. Diese sind für alle Nutzer identisch. Die angenommenen Laderestriktionen basieren auf den Ausführungen in Kapitel 3.4 und sind in Tabelle 15 zusammengefasst. Die Ladeleistung bezieht sich auf einen Ladepunkt. Weiterhin wird von einer Ladung mit konstanter Leistung ausgegangen118.

Tabelle 15: Laderestriktionen zur Abbildung der Ladeinfrastrukturverfügbarkeit.

Ladeinfrastrukturart Ladeleistung Laderestriktionen . Private Ladeinfrastruktur 3,7 kW Nur zwischen 22 und 5 Uhr („Über Nacht“) . Standzeiten Fahrzeug ≥ 30 min. . Standzeit Fahrzeug ≥ 20 min. Öffentliche Ladeinfrastruktur . SOC bei Ladebeginn ≤ 50%. (Gelegenheitsladen) 22 kW . (Lademenge ≥ 5 kWh) . SOC nach Ladeende ≤ 80%. . Umweg zu Ladepunkt: 500 Meter. . Standzeit Fahrzeug ≥ 60 min. . SOC bei Ladebeginn ≤ 50%. 3,7 kW . Lademenge ≥ 5 kWh . SOC nach Ladeende ≤ 100%. . Umweg zu Ladepunkt: 500 Meter. . Laden, sobald SOC ≤ 10%. Öffentliche Ladeinfrastruktur . Maximale Ladezeit ≤ 15 min. 150 kW (Zwischenladen) . SOC nach Ladeende ≤ 80%. . Maximal 2 Ladevorgänge pro Tag.

115 Die ermittelten Fahrzeugparameter stimmen mit Literaturangaben überein, vgl. z.B. [142, 196, 223, 247]. 116 Basierend auf einem Heiz- bzw. Kühlleistungsbedarf von 3 kW (z.B. [45]) und dem Einsatz einer reversiblen Wärmepumpe mit mittlerem Coefficient of Performance COP = 2, vgl. z.B. [121]. Vereinfachend wird für das Heizen und Kühlen derselbe Leistungsbedarf angesetzt, obgleich die bereitzustellende Wärmeleistung durchschnittlich über der bereitzustellenden Kälteleistung liegt, vgl. z.B. [126] . 117 Zu der Unterscheidung der einzelnen Ladearten vgl. Kapitel 2.1.2. 118 Daher wird der maximale Batterieladezustand nach Ladeende für das Laden mit hohen Ladeleistungen auf 80% begrenzt, vgl. z.B. [227].

54 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Ein privater Ladepunkt und dessen regelmäßige Nutzung ist eine Bedingung für einen ökonomischen Betrieb von Elektrofahrzeugen (Kapitel 2.1.2). Daher wird angenommen, dass Nutzer immer über Nacht laden können. Die Beschaffung eines privaten Ladepunkts wird entsprechend in der Kostenbetrachtung berücksichtigt (vgl. Kapitel 5.4). Für die Nutzung einer Gelegenheitslademöglichkeit wird ein entsprechender Ladebedarf unterstellt, der durch die Annahme einer minimalen Lademenge berücksichtigt wird. Die Annahme eines maximalen Batterieladezustands bei Ladebeginn (SOC ≤ 50%) begründet sich darin, dass unter diesen Umständen der Rückweg zum privaten Ladepunkt ohne einen Ladestopp eventuell nicht möglich wäre und daher von einem notwendigen Ladevorgang auszugehen ist. Bei kurzen Standzeiten wird von einem Ladevorgang mit einer Ladeleistung von 22 kW ausgegangen, die eine Aufladung der Batterie bis 80% SOC erlaubt (vgl. [333]). Bei längeren Standzeiten kann die Batterie mit geringeren Ladeleistungen (3,7 kW) vollständig geladen werden. Weiterhin wird angenommen, dass zu jedem Ladepunkt ein Umweg von 500 Metern119 zusätzlich zur ursprünglichen Fahrstrecke zurückgelegt werden muss. Für Umwegfahrten120 wird für alle Fahrzeugklassen ein durchschnittlicher Verbrauch von 18 kWh/100 km121 angenommen. Ein Zwischenladevorgang wird in den Simulationsrechnungen angenommen, sobald der Batterieladezustand unter 10% fällt, da hier die verbliebene Reichweite gleich Null ist. Da lange Fahrstrecken vorwiegend auf Schnellstraßen stattfinden (vgl. [340]) und ca. 75% der Einwohner in Deutschland eine Bundesautobahn (BAB) innerhalb von 20 km [226] bzw. innerhalb von 15 Minuten [20] erreichen, wird in Übereinstimmung mit den Annahmen zum flächendeckenden Ladeinfrastrukturaufbau (vgl. Kapitel 5.3.1.2) unterstellt, dass Zwischenladeinfrastruktur in unmittelbarer Nähe von Bundesautobahnen errichtet wird und ein Umweg daher nicht in Kauf genommen werden muss, um einen Ladestandort zu erreichen. In Modellteil 1 wird eine Wartezeit von 5 min unterstellt (vgl. Kapitel 5.3.2), bei angeschalteten Nebenaggregaten. Die Zusatzzeit für einen Zwischenladevorgang ist entsprechend die Summe aus Warte- und Ladezeit. In dieser Arbeit werden maximal zwei derartige Ladevorgänge pro Tag angenommen (vgl. Kapitel 3.4).

5.2.4 Parametervariationen Die Bewertung des Potentials einzelner Maßnahmen auf die Nutzbarkeit von BEV wird anhand von Parametervariationen adressiert, d.h. die Simulation der BEV-Nutzbarkeit wird für jeden Nutzer mit unterschiedlichen Parameterkombinationen wiederholt. Die untersuchten Parameterkombinationen sind in Tabelle 16 zusammengefasst.

Durch Kombination aller Parameter ergeben sich 12 untersuchte Parametervariationen je Ladeinfrastruktur-Ausprägung. Der Einfluss fahrzeugseitiger Maßnahmen wird in den Ergebnissen (Kapitel 6) detailliert für gewerbliche Fahrprofile dargestellt. Da aber aus makroskopischer Sicht nur die Erhöhung von Batteriekapazitäten sowie die Errichtung von Zwischenladeinfrastruktur von Bedeutung ist und weiterhin die Ergebnisse zu den weiteren fahrzeugseitigen Maßnahmen für private und gewerbliche Fahrprofile qualitativ vergleichbar sind, erfolgt die Analyse für private Fahrprofile aus Gründen der Übersichtlichkeit nur für unterschiedliche Batteriekapazitäten sowie öffentliche Ladeinfrastruktur zum Zwischenladen.

119 Analog der mittleren Erreichbarkeit von Tankstellen in Agglomerationsräumen, vgl. [225]. 120 Entsprechend auch die in Sensitivitätsrechnungen untersuchten Umwegfahrten. 121 Vgl. z.B. den Normverbrauch nach EPA (United States Environmental Protection Agency) des 2016 Volkswagen e-Golf (https://www.fueleconomy.gov/feg/Find.do?action=sbs&id=36834).

55 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Tabelle 16. Untersuchte Reichweiten-verlängernde Technologien: Parametervariationen.

Reichweiten-verlängernde Technologie Untersuchte Ausprägungen Batteriekapazität . 100%; 200%; 300% (vgl. Tabelle 12) Leichtbautechnologien . Keine;-15% Karosseriegewicht (vgl. Tabelle 12) Batterie-Energiedichte . 100 Wh/kg; 200 Wh/kg Ladeinfrastruktur . Über Nacht . Über Nacht, Gelegenheitsladen . Über Nacht, Zwischenladen . Über Nacht, Gelegenheitsladen, Zwischenladen Als Variation der Rahmenbedingungen werden extreme Temperaturen, gealterte Batterien und für gewerbliche Fahrprofile das Laden am Unternehmensstandort betrachtet (Tabelle 17). Die Variation der Ladeleistung und weiterer Annahmen wird in separaten Sensitivitätsrechnungen adressiert (Kapitel 6.1.4), da diese eine Variation von Annahmen darstellt und nicht, wie die Betrachtung von Parametervariationen, die Applikation von Reichweiten-verlängernden Maßnahmen repräsentiert.

Tabelle 17. Variation von Rahmenbedingungen.

Rahmenbedingung Beschreibung Extreme Temperaturen Erhöhter Leistungsbedarf durch Klimatisierungsbedarf (Tabelle 14). Gealterte Batterien Nutzbare Batteriekapazität sinkt auf 80% der ursprünglich nutzbaren Batteriekapazität zu Lebensdauerbeginn. Laden am Standortinformation der Unternehmen wird genutzt, um Lademöglichkeiten Unternehmensstandort am Unternehmensstandort abzubilden. Ersetzt Laden „über Nacht“.

5.2.5 Bestimmung jährlicher Ladebedarfe Die vorangegangenen Teilkapitel dieses Kapitels 5.2 stellen die Methodik dar, das technische Nutzungspotential von Elektrofahrzeugen auf Basis des beobachteten Fahrverhaltens einzelner Nutzer zu analysieren. Jedoch erlaubt der kurze Beobachtungszeitraum der Fahrprofile nur eingeschränkt Aussagen zu Nutzungspotentialen während eines ganzen Jahres, da seltene lange Fahrten durch diese unterschätzt werden (vgl. Kapitel 2.2). Daher wird hier eine Methodik vorgestellt, die Plötz 2014 [248] folgt und nachgelagert zu den Simulationen die Anzahl benötigter Ladestopps pro Jahr für jeden Nutzer abschätzt. Die Grundlegende Annahme des Ansatzes ist, dass Tagesfahrleistungen generell und aller Fahrer im Speziellen log-normalverteilt sind. Die Normalverteilungsannahme der logarithmierten Tagesfahrleistungen in der REM 2030 Fahrprofildatenbank wurde anhand eines Kolmogorow- Smirnow-Anpassungstests sowie eines Chi-Quadrat-Anpassungstests überprüft. Der Kolmogorow- Smirnow-Test prüft, ob die empirische Verteilungsfunktion der geordneten Stichprobe mit der Verteilungsfunktion der unterstellten Verteilung folgt (vgl. [198, S. 337 ff.]). Der Chi-Quadrat Test hingegen setzt nur nominales Skalenniveau voraus und ist daher auch auf gruppierte Daten anwendbar. Dieser Test prüft, wie stark die Anzahl tatsächlicher Beobachtungen je Gruppe von der Häufigkeit abweicht, die aufgrund der unterstellten Verteilung zu erwarten gewesen wäre (vgl. [ [86], S. 449 ff.] und Annex G). Zwar führen beide Tests zur Ablehnung der Nullhypothese, dass die Daten log-normalverteilt sind (vgl. Tabelle G 1 und G 2)122. Bei der Interpretation ist jedoch zu beachten, dass Anpassungstests teilweise sehr sensitiv auf Abweichungen reagieren. Auch wird ein Unterschied im Fahrverhalten während des Jahres oder in Abhängigkeit des Wochentags (vgl. z.B. [116]) nicht unterschieden. Derartige möglichen

122 Die Tests wurden auch auf die Tagesfahrleistungen der KiD 2010 angewendet und führten ebenfalls zur Ablehnung der Log-Normalverteilungsannahme.

56 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Unterschiede könnten ein Grund für die Ablehnung der Normalverteilungshypothese sein. Eine weitergehende statistische Untersuchung erscheint vor diesem Hintergrund nicht sinnvoll. Wie Abbildung 9 zeigt, ist die Annahme log-normalverteilter Tagesfahrleistungen insgesamt vertretbar, obgleich sie Häufigkeiten langer Fahrten wahrscheinlich überschätzt, wie in einer Sensitivitätsanalyse in Kapitel 6.1.4 adressiert.

Abbildung 9. Verteilung der logarithmierten Tagesfahrleistungen der REM 2030 Fahrprofile. Der Fit der Normalverteilung (rote Linie) dient zur Einordnung der Verteilung der Klassenhäufigkeiten und ist daher nicht normiert.

Auch werden log-normalverteilte Tagesfahrleistungen in der Literatur ausführlich diskutiert (vgl. z.B. [70, 122, 161, 258]). Auf Basis von vier Datensätzen mit unterschiedlichen Beobachtungsdauern aus vier Ländern folgern beispielsweise Plötz et al. 2017 [258], dass die Verteilung von Tagesfahrleistungen in guter Näherung durch die Log-Normalverteilung beschrieben werden kann. Die Autoren vergleichen die Weibull-, die Log-normal- sowie die Gamma-Verteilung mit Hilfe von vier Fehlermaßen und folgern, dass die Log-Normalverteilung robuste und konservative Vorhersagen liefert. Insgesamt wird daher angenommen, dass die Tagesstrecken eines Jahres und Fahrzeugs einer Log- Normalverteilung folgen. Die Anzahl der Tage 푇(퐿), die die Reichweite 퐿 eines Fahrzeugs im Jahr überschreiten, wird, [248] folgend, abgeschätzt mit: 훼365 푇(퐿) = 휋 . (10) 퐿 1 + ( )휂퐿√3 푒휇퐿

Die Parameter 훼, 휇퐿 und 휂퐿 werden für jeden Nutzer auf Basis seines Fahrverhaltens wie folgt bestimmt (vgl. [248]):

Tabelle 18. Parameterschätzer zur Bestimmung jährlicher Zwischenladebedarfe.

Parameter Beschreibung Schätzer 푛 휶 Anteil Fahrtage 훼 = 푁 1 흁푳 Mittlere logarithmierte Tagesfahrleistung 휇 = ∑ ln (푇퐹퐿 ) 퐿 푛 푑 푑 휼 Standardabweichung der logarithmierten 1 푳 휂 = √ ∑ (ln 푇퐹퐿 − 휇 )2 Tagesfahrleistungen 퐿 푛−1 푑 푑 퐿

Hierbei bezeichnet 푛 die Anzahl der Fahrtage, 푁 die Anzahl Beobachtungstage sowie 푇퐹퐿푑 die Tagesfahrleistung an Tag 푑. In dieser Arbeit entspricht 푇(퐿) der Anzahl der Tage mit Mietwagenbedarf für den Fall, dass öffentliche Ladeinfrastruktur nicht verfügbar ist. Die für die Berechnung notwendige

57 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Fahrzeugreichweite 퐿 wird in dieser Arbeit individuell für jeden Nutzer auf Basis seines individuellen Fahrenergiebedarfs bestimmt (vgl. Tabelle 19). Für die Verfügbarkeit von öffentlicher Ladeinfrastruktur zum Zwischenladen und unter der Annahme von maximal zwei Ladestopps pro Tag ergeben sich jährliche Ladebedarfe (Anzahl pro Jahr benötigter Zwischenladestopps) 휆푍퐿 als:

푍퐿 훼365 휆 = 푇(퐿) + 휋 . (11) 1,8퐿 1 + ( )휂퐿√3 푒휇퐿 Der zweite Term beschreibt die Anzahl der Tage, an denen zwei Ladestopps notwendig sind, da sie die Reichweite des Fahrzeugs inklusive einem Ladestopp überschreiten. Es wird angenommen, dass durch einen Zwischenladestopp die Fahrzeugreichweite um maximal 80%123 verlängert werden kann, sodass sich eine Gesamtreichweite von 1,8퐿 ergibt. Weitere Ladebedarfe werden nicht angenommen. Die durchschnittliche Lademenge pro Ladevorgang an öffentlicher Ladeinfrastruktur, im Besonderen von Zwischenladevorgängen, hat direkten Einfluss auf die Skalierung der Ladeinfrastruktur zur Gewährleistung einer hohen zeitlichen Verfügbarkeit (Kapitel 5.3.2). Empirische Ladedaten (vgl. Kapitel 3.4.1) gelten aber für heute erhältliche Fahrzeuge, deren Batteriekapazitäten denen des Referenzfahrzeugs dieser Arbeit entsprechen. Für Fahrzeuge mit höheren Batteriekapazitäten liegen aktuell (Stand 06/2017) keine empirischen Daten vor, da Fahrzeuge mit derart hohen Batteriekapazitäten bislang kaum erhältlich waren. Um aber eine Abschätzung zu Lademengen bei höheren Batteriekapazitäten treffen zu können, wird angenommen, dass Nutzer die öffentlich geladene Energiemenge je Ladestopp an den Strecken ausrichten, die sie durch den Ladestopp zusätzlich bewältigen können bzw. wollen. Hierfür wird für jeden Nutzer individuell die Strecke bestimmt, die an Tagen mit Ladebedarf im Mittel zusätzlich zur Fahrzeugreichweite notwendig ist. Tagesfahrleistungen werden wieder log-normalverteilt angenommen und die „Strecke nach Zwischenladevorgängen“ 푍푆푍퐿 wird direkt mit Hilfe der Mean Excess Function der Log- Normalverteilung [50] bestimmt: 2 휂퐿 퐿 푍푆푍퐿 = {1 + 표(1)}. (12) ln 퐿 − 휇퐿 Der Term 표(1) tendiert gegen Null für Tagesstrecke 푇퐹퐿 → ∞ und wird in den Berechnungen vereinfachend vernachlässigt.

5.2.6 Output Modellteil 1: technisches Potential von BEV Die zentralen Ergebnisse von Modellteil sind in Tabelle 19 zusammengefasst und werden im Folgenden kurz beschrieben. Einzelne Parameter ergeben sich direkt aus der Simulation, während andere Parameter auf Basis von Simulationsergebnissen berechnet werden. 푒푙 Die maximale elektrische Tagesreichweite 푅푚푎푥 ist definiert als maximale Tagesfahrleistung (TFL) eines Fahrprofils, die ein Fahrzeug inklusive Ladevorgänge vollelektrisch bewältigen kann. Im Gegensatz hierzu entspricht die Fahrzeugreichweite 퐿 der Strecke, die zwischen zwei Ladestopps maximal möglich ist. Die BEV-Nutzbarkeit 푈 wurde bereits in Kapitel 2 definiert als Anteil an Be- obachtungstagen am Beobachtungszeitraum eines Fahrprofils, an denen ein BEV die Fahrbedarfe erfüllen kann (auch Tage ohne Fahrten). Für die Simulation wird angenommen, dass Tage, die nicht durch ein BEV bewältigt werden können, zum Aufladen des BEV genutzt werden und dieses am Folgetag voll aufgeladen zur Verfügung steht.

123 Bei maximaler Lademenge in Höhe von 70% der Batteriekapazität entspricht dies bei einer nutzbaren Batteriekapazität von 90% ca. 80% der ursprünglichen Fahrzeugreichweite.

58 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Tabelle 19. Nutzerspezifische Zwischenergebnisse: technisches Potential von BEV.

Parameter Bezeichnung Berechnung Parameter Fahrenergiebedarf [kWh/100km] 퐹퐸 Simulationsergebnis - Maximale elektrische Tagesreichweite 푒푙 [km] 푅푚푎푥 Simulationsergebnis - Lademenge öffentlich [kWh] 퐷퐿 퐺퐿/푍퐿 Simulationsergebnis - Anzahl Gelegenheitsladebedarfe pro Jahr 휆퐺퐿 Simulationsergebnis - Elektrischer Fahranteil BEV/REEV 푒퐵퐸푉/푅퐸퐸푉 Simulationsergebnis - 124 #푣표푙푙푒푙푒푘푡푟𝑖푠푐ℎ 푚ö푔푙𝑖푐ℎ푒 푇푎푔푒 Nutzbarkeit von BEV [%] 푈 - #퐵푒표푏푎푐ℎ푡푢푛푔푠푡푎푔푒 푛푢푡푧푏푎푟푒 퐵푎푡푡푒푟𝑖푒푘푎푝푎푧𝑖푡ä푡 Fahrzeugreichweite [km] 퐿 s.o. 퐹퐸 훼365

Anzahl Tage mit Mietwagenbedarf 휋 푇(퐿) 퐿 Vgl. Formel (10) 1 + ( )휂퐿√3 푒휇퐿 훼365 푇(퐿) + Anzahl Zwischenladebedarfe pro Jahr 푍퐿 휋 휆 1,8퐿 Vgl. Formel (11) 1 + ( )휂퐿√3 푒휇퐿 2 휂퐿 퐿 Strecke nach Zwischenladevorgängen [km] 푍푆푍퐿 Vgl. Formel (12) ln 퐿 − 휇퐿

Technisches Potential BEV - 푈 ≥ 99% & 휆푍퐿 ≤ 48 s.o.

Die Abschätzung der Anzahl Tage mit Mietwagenbedarf pro Jahr 푇(퐿), die Anzahl pro Jahr benötigter Zwischenladestopps 휆푍퐿 sowie die „Strecke nach Zwischenladevorgängen“ 푍푆푍퐿 wird entsprechend des vorangegangenen Abschnitts 5.2.5 bestimmt. Als Kriterien für eine komfortable Nutzung eines BEV werden eine minimale Nutzbarkeit 푈 von 99% sowie eine maximale jährliche Anzahl an 48 Zwischenladevorgängen (bzw. Tagen mit Mietwagen- bedarf) angenommen und als technisches Potential definiert. Eine Sensitivitätsanalyse dieser Kriterien wird am Ende dieses Kapitels durchgeführt. Die Ergebnisse des in diesem Kapitel dargestellten Modellteils sind nutzerspezifisch. Für die Skalierung des öffentlichen Ladeinfrastrukturbedarfs (vgl. Kapitel 5.3.2), d.h. als Schnittstelle zum zweiten 퐺퐿/푍퐿 Modellteil, ist aber der durchschnittliche jährliche Bedarf an Ladestopps 휆Ø,𝑖 (Gelegenheitsladen GL oder Zwischenladen ZL) der gesamten Fahrzeugflotte relevant (vgl. Abbildung 8). Der Ladebedarf einer für eine Parametervariation 𝑖 charakteristischen Fahrzeugflotte wird als fahrzeuggrößengewichteter 퐺퐿/푍퐿 125 Durchschnitt der Ladebedarfe 휆Ø,𝑖,푔 der einzelnen Fahrzeuggrößen 푔 berechnet :

퐺퐿/푍퐿 퐺퐿/푍퐿 휆Ø,𝑖 = ∑ 푎푔 ∗ 휆Ø,𝑖,푔 . (13) 푔 Der Anteil der einzelnen Fahrzeuggrößen 푔 = {klein, mittel, groß, lNfz} am Gesamtsample wird entsprechend aktueller Zulassungszahlen gewerblicher Fahrzeuge [165, 166] angenommen und

124 Anteil vollelektrisch möglicher Tage. Ein vollelektrisch möglicher Tag ist definiert als Tag, an dem der Batterieladezustand 푆푂퐶 zu keinem Zeitpunkt 푡 den minimalen Ladezustand 푆푂퐶 = 0,1 unterschreitet. 125 Zu den Fahrzeugparametern siehe Kapitel 5.2.5. Tägliche Ladebedarfe ergeben sich aus Division der jährlichen Ladebedarfe durch 365.

59 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite beträgt 푎푔 = [20,7%, 60,3%, 12,9%, 6,1%].126 Mit Formel (13) sind Aussagen zum Ladeinfrastrukturbedarf nur getrennt nach gewerblichen oder privaten Fahrprofilen möglich. Für die Planung öffentlicher Ladeinfrastruktur sind aber durchschnittliche Ladebedarfe einer aus privaten und gewerblichen Fahrzeugen gemischten Fahrzeugflotte entscheidend. Dieser Aspekt wird adressiert, indem in Kapitel 5.3.4 gemischte Fahrzeugflotten im zeitlichen Verlauf definiert werden.

5.3 Bedarfsbestimmung Ladeinfrastruktur Das in Kapitel 5.2 bestimmte technische Potential127 von BEV basiert auf individuellen Fahrzeug- und Fahrparametern. Die Verfügbarkeit von öffentlicher Ladeinfrastruktur wird dabei unter bestimmten Voraussetzungen als gegeben angenommen (vgl. Tabelle 15). Für die Beantwortung der Forschungsfrage ist eine ökonomische Bewertung der Errichtung und des Betriebs der (auf nationaler Ebene) insgesamt benötigten Infrastruktur notwendig. Die Annahme einer hohen Verfügbarkeit von Ladeinfrastruktur für einzelne BEV-Nutzer – wie sie durch die getroffenen Laderestriktionen (vgl. Tabelle 15) impliziert wird – bedingt sowohl (1) eine geographische Mindestabdeckung als auch (2) eine hohe zeitliche Verfügbarkeit von Ladeinfrastruktur128. Die Annahme einer geographischen Mindestabdeckung stellt sicher, dass BEV eine nächstgelegene Ladestation mit einem begrenzten Umweg erreichen können. Zur Gewährleistung einer hohen zeitlichen Verfügbarkeit von Ladeinfrastruktur müssen einzelne Ladestandorte entsprechend einer möglichen Nachfrage dimensioniert werden. Um beide Aspekte abzubilden, wird ein zweistufiger Modellansatz gewählt. Das Vorgehen zeigt Abbildung 10. Modellparameter, die innerhalb des Modells berechnet und an andere Modellteile weitergegeben werden, sind kursiv hervorgehoben. Im ersten Schritt wird die Anzahl an Ladestandorten bestimmt, die eine Mindesterreichbarkeit eines nächstgelegenen Ladestandortes abbildet (Kapitel 5.3.1). Im zweiten Schritt werden zur Abbildung der zeitlichen Verfügbarkeit von Ladeinfrastruktur zunächst lokale Ladebedarfe bestimmt, die an vorher definierten Ladestandorten nachgefragt werden. Mittels eines Warteschlangensystems wird anschließend die notwendige Anzahl an Ladepunkten je Ladestandort bestimmt, um Wartezeiten an diesen Ladestandorten zu beschränken. Eine begrenzte Wartezeit an Ladestandorten wird in dieser Arbeit als hinreichendes Kriterium für die zeitliche Verfügbarkeit von Ladeinfrastruktur angenommen. Aufgrund der unterschiedlichen Zielsetzungen einer geographischen Mindestabdeckung von Ladeinfrastruktur einerseits und einer zeitlich hoch verfügbaren Ladeinfrastruktur andererseits [100] müssen beide Ansätze schließlich zusammengeführt werden (Kapitel 5.3.3). Die Bestimmung der Anzahl benötigter Ladepunkte entsprechend beider genannter Ansätze wird im folgenden Verlauf der Arbeit als Ladeinfrastrukturbedarfsbestimmung bezeichnet. Schließlich erfolgt eine Bestimmung des dynamischen Ladeinfrastrukturbedarfs für eine Elektrofahrzeugflotte, deren Ladebedarfe sich im

126 Daraus folgt, dass die tatsächliche Aufteilung der Fahrzeuggrößen g in der Fahrzeugflotte nicht zwangsweise den eigenen Modellergebnissen entspricht. Dies wird damit begründet, dass die vorliegende Arbeit technisch motiviert ist. Eine Aussage zu Kaufentscheidungen und somit zur Zusammensetzung nationaler Fahrzeugflotten wird nicht getroffen. Daher wird von einer Aufteilung der Fahrzeugflotte entsprechend des Status Quo ausgegangen und heutige Fahrzeugzulassungen des gewerblichen Verkehrs nach [165] und [166] angenommen. In allen Modellergebnissen waren Informationen zu sämtlichen Fahrzeuggrößen enthalten und somit eine Bestimmung des Flottenmittels anhand der beschriebenen Vorgehensweise möglich. 127 Entsprechend Tabelle 19. 128 Eine eigene Untersuchung der verschiedenen Kriterien, die öffentliche Ladeinfrastrukturbedarfe beeinflussen, findet sich in Funke et al. 2015 [100].

60 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Zeitverlauf ändern (Kapitel 5.3.4). Diese werden als Ergänzung zum Modellansatz untersucht und sind daher nicht in Abbildung 10 integriert.

Abbildung 10. Überblick Bestimmung Ladeinfrastrukturbedarf.

GL: Gelegenheitsladen, ZL: Zwischenladen. Da sich die Rahmenbedingungen des Gelegenheitsladens stark von denen des Zwischenladens unterscheiden (vgl. Kapitel 2.1.2), werden diese getrennt voneinander modelliert und dargestellt.

5.3.1 Geographische Mindesterreichbarkeit von Ladeinfrastruktur

5.3.1.1 Öffentliche Infrastruktur zum Gelegenheitsladen Gelegenheitsladen erfordert eine hohe Verfügbarkeit von Ladeinfrastruktur an Orten, an denen Fahrzeuge häufig im öffentlichen Raum geparkt werden. Laden erfolgt, wie der Name dieser Ladeoption impliziert, sobald sich die Gelegenheit während des Parkens dazu bietet. Die Bereitschaft von BEV-Nutzern, hohe Umwege zu nächstgelegenen Ladestandorten auf sich zu nehmen, dürfte daher gering sein, auch da das Parken am Zielort im Vordergrund steht. Hiermit verbunden ist eine hohe geographische Verbreitung dieser Ladeinfrastruktur, da sich Lademöglichkeiten in Gehweite zu allen potentiellen Zielorten befinden sollten. Für dichter besiedelte Bereiche wird, analog zur Erreichbarkeit von Tankstellen (vgl. [225]) eine höhere geographische Erreichbarkeit angenommen als für weniger dicht besiedelte (vgl. auch [100]), wie in Tabelle 20 gezeigt.

61 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Tabelle 20: Annahmen zur geographischen Erreichbarkeit von Gelegenheitsladeinfrastruktur. Eigene Annahmen, Gemeindedaten nach BBSR [21].

Bezeichnung nach Einwohner je Anzahl Flächen- Anteil Maximale Entfernung BBSR 2013 Gemeindetyp anteil Einwohner zum nächstgelegenen Ladestandort [km] Große Großstadt >500.000 15 1,4% 17,1% 0,5 Kleinere Großstadt 100.000 – 500.000 61 2,3% 13,9% 0,8 Größere Mittelstadt 50.000 – 100.000 106 2,9% 9,1% 1,5 Kleinere Mittelstadt 20.000 – 50.000 497 12,4% 19,3% 3 Größere Kleinstadt 10.000 – 20.000 871 17,8% 15,9% 3 Kleine Kleinstadt 5.000 – 10.000 1.234 27,1% 13,7% 5 Landgemeinde <5.000 1.783 36,1% 11,1% 5

Die Untersuchung der Ladeinfrastrukturverfügbarkeit erfolgt auf Gemeindeverbandebene und folgt der Klassifizierung „Stadt-/Gemeindetyp differenziert“ nach BBSR (2013) [21]. Die Anzahl der pro Gemeindeverband benötigten Ladepunkte #퐿푃퐿푆푡,푔푒표 zur Deckung des geographischen Mindest- bedarfs ergibt sich aus der Fläche des Gemeindeverbandes 퐴퐺푉 [km²] und der maximalen Entfernung zum nächsten Ladestandort 푟 [km] aus

퐴퐺푉 #퐿푃퐿푆푡,푔푒표 = (14) 푟2 ∗ 1.5 ∗ √3 Der geographischen Abdeckung liegt die Annahme einer idealisierten, maximalen Abdeckung je Ladestandort zu Grunde (vgl. [267]), die sich aus der minimalen Überlappung der Radien 푟 einzelner Ladestandorte ergibt (vgl. Abbildung 11).

Abbildung 11. Geographische Abdeckung einer idealisierten, maximalen Abdeckung je Ladestandort

Die abgedeckte Fläche je Ladestation ergibt sich aus der Fläche des in Abbildung 11 grau markierten Sechsecks und entspricht dem Nenner in Formel (14). Die Anzahl benötigter Ladepunkte #퐿푃퐿푆푡,푔푒표 stellt also eine untere Grenze für die angenommene geographische Abdeckung dar.

5.3.1.2 Öffentliche Infrastruktur zum Zwischenladen Zwischenladen ist notwendig, wenn Fahrdistanzen oberhalb der Fahrzeugreichweite zurückgelegt werden sollen. Es ist mit einer Fahrtunterbrechung verbunden und ähnelt einem heutigen Tankvorgang. Die Dauer des Zwischenladens erhöht die Fahrtdauer und sollte daher beschränkt sein. Die Prämissen des Zwischenladens unterscheiden sich insgesamt sehr stark von denen des Gelegenheitsladens. Es wird angenommen, dass Zwischenladen zur Ermöglichung einzelner langer Fahrstrecken dient. Diese finden vorwiegend auf Schnellstraßen statt – beispielsweise ermitteln Zhang et al. (2015) [340] für die USA, dass lange Strecken zu ca. 75% auf Schnellstraßen erfolgen. Zudem erreichen über 75% der Einwohner in Deutschland eine Bundesautobahn (BAB) innerhalb von 20 km

62 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

[226] bzw. innerhalb von 15 Minuten [20]. Aufgrund der hohen Erreichbarkeit von BAB erscheint die Beschränkung von Schnellladeinfrastruktur auf die unmittelbare Nähe von Bundesautobahnen angemessen. Für die geographische Erreichbarkeit von Zwischenladeinfrastruktur wird entlang jeder BAB ein durchschnittlicher Abstand 퐷퐿푆푡 zwischen zwei Ladestandorten unterstellt129,130. Dieser wird in dieser Arbeit als konstant vorgegeben angenommen und sollte elektrische Fahrzeugreichweiten nicht übersteigen. Ein geeigneter Abstand zur Minderung der Reichweitenangst bei gleichzeitiger Optimierung der Kosten kann in dieser Arbeit nicht bestimmt werden.

Die Anzahl an Ladestandorten je BAB 푁퐿푆푡,퐵퐴퐵 errechnet sich aus der Länge der BAB 푙퐵퐴퐵 [km] und dem durchschnittlichen Abstand zwischen zwei Ladenstandorten 퐷퐿푆푡 [km] entsprechend:

푙퐵퐴퐵 푁퐿푆푡,퐵퐴퐵 = ⌈ ⌉ (15) 퐷퐿푆푡 In Deutschland gibt es 121 BAB mit insgesamt 2.570 Streckenabschnitten [19]. Das Autobahnnetz weist eine Gesamtlänge von über 12.949 km auf131 [290]. Ein hoher Anteil an BAB weist kurze Gesamtlängen auf: 44% der BAB sind kürzer als 25 km (eigene Auswertung auf Basis von [19], vgl. Annex B: Tabelle B 9). Ca. 8% der BAB haben ein über alle BAB-Abschnitte gemitteltes durchschnittliches Verkehrsaufkommen (DTV) kleiner als 15.000 Fahrzeuge pro 24h (vgl. Annex B: Abbildung B 1). In dieser Arbeit wird es als zielführend erachtet, Zwischenladeinfrastruktur zunächst nur an ausgewählten BAB zu errichten, die eine angenommene Mindestlänge und/oder ein minimales durchschnittliches Verkehrsaufkommen aufweisen, in der Annahme, dass Ladebedarfe von BAB ohne Schnellladeinfrastruktur auf nächstgelegene BAB ausweichen können. Für den weiteren Verlauf der Arbeit wird angenommen, dass Zwischenladeinfrastruktur nur an BAB mit einer Mindestlänge von 25 km und einer minimalen gemittelten DTV von 15.000 Fahrzeugen/24h errichtet wird. Diese ausgewählten BAB umfassen zwar nur 55% aller BAB, jedoch 95% der Gesamtstrecke aller BAB. Die Gesamtanzahl an Schnellladestandorten in Deutschland 푁퐿푆푡 ergibt sich schließlich als Summe der Ladestandorte an allen BAB, die diese vorher definierten Kriterien erfüllen.

Der Abstand DLSt zwischen zwei Ladestandorten wird mit 100 km angenommen132 und liegt unter allen in dieser Arbeit errechneten mittleren Reichweiten (Kapitel 6.1). Hieraus ergibt sich ein geographisch bedingter Bedarf an 156 Ladestandorten (ohne Beschränkung auf ausgewählte BAB: 211 Ladestandorte). Entsprechend Formel (14) beträgt die durchschnittliche räumliche Entfernung zum nächsten Ladestandort bei 156 Ladestandorten maximal ca. 30 km (ca. 26 km bei 211 Ladestandorten). Diese Zahlen können nur als Anhaltspunkt dienen. Aufgrund von regionalen Unterschieden in der geographischen Abdeckung des deutschen Autobahnnetzes können diese Entfernungen vor allem zu autobahnfernen Standorten höher sein.

129 Folgende Ausführungen gelten für beide Fahrtrichtungen, d.h. beide Fahrtrichtungen einer BAB werden von einem Ladestandort bedient. 130 Ein Pilotprojekt in Estland verfolgte einen vergleichbaren Ansatz zum flächendeckenden Infrastrukturaufbau, vgl. [311]. Ebenso umfasst das „West Coast Electric Highway“ ein Schnellladenetz mit Schnellladesäulen alle 25 bis 50 Meilen (ca. 40 - 80 km) entlang der Interstate 5, vgl. [315]. 131 Die genannte Gesamtlänge bezieht sich auf beide Richtungen jeder BAB. Bei Betrachtung der einzelnen Fahrtrichtungen ergibt sich dementsprechend die doppelte Gesamtlänge. 132 Der Einfluss dieser Annahme auf die Ergebnisse wird über Sensitivitäten analysiert (vgl. Kapitel 6.2.7).

63 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.3.2 Zeitliche Mindestverfügbarkeit von Ladeinfrastruktur Die zeitliche Verfügbarkeit von Ladeinfrastruktur hängt ab von örtlichen Ladebedarfen sowie der Dimensionierung des Ladestandortes. Während aktuell (Stand 11/2016) nennenswerte Ladebedarfe und somit Kapazitätsengpässe der Ladestandorte nur an vereinzelten Standorten auftreten (vgl. Kapitel 3.4), ist eine ausreichende Dimensionierung von Ladestandorten zur Deckung örtlicher Ladebedarfe bei stärkerer Verbreitung von EV von zunehmender Bedeutung. Die Dimensionierung der Ladestandorte erfolgt mit Hilfe eines Warteschlangenmodells mit normalverteilten Bedienzeiten. Da in Warteschlangensimulationen die Verwendung exponentialverteilter Bedienzeiten gebräuchlich ist [27, 130], werden die methodischen Besonderheiten des eigenen Ansatzes in Kapitel 5.3.2.2 kurz zusammengefasst. Kapitel 5.3.2.3 zeigt schließlich die Anwendung der Methodik zur Skalierung einzelner Ladestandorte.

5.3.2.1 Bestimmung lokaler Ladebedarfe Die Dimensionierung einzelner Ladestandorte zur Gewährleistung eines vorgegebenen Servicelevels (Kapitel 5.3.2.3) basiert auf örtlichen Ladebedarfen 휆퐿푆푡. Diese Kapitel stellt die Methodik dar, um örtliche Ladebedarfe, die an einzelnen Stationen anfallen, abzuleiten.

Durchschnittliche tägliche Ladeereignisse je Elektrofahrzeug 휆Ø,𝑖 sind Ergebnis der Nutzbarkeitsanalyse von BEV („Modellteil 1“) entsprechend Kapitel 5.2.5 (vgl. Formel (13)) und unterscheiden sich je nach Parametervariation 𝑖 (Kapitel 5.2.4). Unter der Annahme, dass sich eine Fahrzeugflotte zu den Anteilen 푓푎𝑖 aus verschiedenen Fahrzeugen zusammensetzt, die jeweils durch die Parametervariation 𝑖 charakterisiert sind, ergibt sich der durchschnittliche Ladebedarf dieser Fahrzeugflotte 휆Ø (je Elektrofahrzeug und Tag) zu:

퐺퐿/푍퐿 퐺퐿/푍퐿 휆Ø = ∑ 푓푎𝑖 ∗ 휆Ø,𝑖 . (16) 𝑖 Es wird unterstellt, dass die Zusammensetzung der Fahrzeugflotte an allen Ladestandorten identisch ist. Die Anzahl an einem Ladestandort täglich nachgefragter Ladestopps 휆퐿푆푡 [Ladevorgänge(LV)/d] berechnet sich demnach aus der Anzahl an Elektrofahrzeugen #퐸푉퐿푆푡, die einen Ladestopp am Ladestandort 퐿푆푡 nachfragen, und dem durchschnittlichen Ladebedarf 휆Ø [LV/d] zu: 휆 = #퐸푉 ∗ 휆퐺퐿/푍퐿. 퐿푆푡 퐿푆푡 Ø (17)

Weiterhin wird angenommen, dass die Anzahl an Fahrzeugen #퐸푉퐿푆푡, die an einem Ladestandort laden wollen, sich als Anteil %퐸푉퐿푆푡 am gesamten Elektrofahrzeugbestand133 #퐸푉 ergibt (#퐸푉퐿푆푡 = #퐸푉 ∗ %퐸푉퐿푆푡). Da sich die Methodik für die Bestimmung des Fahrzeuganteils je Ladestandort %퐸푉퐿푆푡 für die beiden Ladearten Gelegenheits- und Zwischenladen unterscheidet, wird diese im Folgenden für beide Ladearten separat dargestellt.

133 Bezogen auf den Betrachtungsraum Deutschland. Der Bestand wird als Parameter vorgegeben.

64 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.3.2.1.1 Gelegenheitsladen Die Bestimmung des Anteils an Ladeereignissen je Ladestandort bedingt die Definition der Systemgrenzen einzelner Ladestandorte. Als einzelne Ladestandorte des Gelegenheitsladens werden Gemeindeverbände entsprechend der Klassifizierung „Stadt-/Gemeindetyp differenziert“ nach BBSR (2013) [21] definiert. Der Gelegenheitscharakter dieser Ladeart impliziert, dass sie potentiell von allen Elektrofahrzeugen genutzt wird. Der Anteil der in einem Gemeindeverband ladenden Fahrzeuge wird daher als proportional zum Anteil des Bestands von Elektrofahrzeugen je Gemeindeverband betrachtet134. Da Bestandsdaten für Elektrofahrzeuge nicht auf Gemeindeverbandebene vorliegen, werden diese Daten über die Verschneidung verschiedener Datensätze abgeschätzt (für Details vgl. Annex B: Tabelle B 10). Das Vorgehen ist wie folgt: 1. Der angenommene Elektrofahrzeugbestand #퐸푉 wird entsprechend der heutigen Verteilung des Elektrofahrzeugbestands nach kba (2015) [171] auf einzelne Bundesländer aufgeteilt. 2. Der in 1. ermittelte EV-Bestand je Bundesland wird auf die einzelnen Gemeindetypen aufgeteilt, proportional zu ihrem Anteil am Fahrzeugbestand im jeweiligen Bundesland. Daten zum Anteil am Fahrzeugbestand der Gemeindetypen in den einzelnen Bundesländern sind „Mobilität in Deutschland 2008“ (MiD 2008) [145] entnommen. 3. Der in 2. ermittelte EV-Bestand je Gemeindetyp und Bundesland wird über die Anzahl der Gemeindeverbände je Gemeindetyp und Bundesland nach BBSR (2013) [21] auf die einzelnen Gemeindeverbände, also Ladestandorte, verteilt. Ergebnis: Anzahl Elektrofahrzeuge je 퐺퐿 Ladestandort #퐸푉퐿푆푡.

5.3.2.1.2 Zwischenladen Schnellladeinfrastruktur zum Zwischenladen wird an Bundesautobahnen (BAB) angenommen. Ein Ladestandort befindet sich am Ende von Autobahnabschnitten in einem vorher definierten maximalen Abstand 퐷퐿푆푡 (vgl. Kapitel 5.3.1). Der Aufbau von Ladeinfrastruktur kann hierbei auf BAB mit einer Mindestlänge oder mit einem minimalen Verkehrsaufkommen beschränkt sein (vgl. Kapitel 5.3.1). Jedem Ladestandort 퐿푆푡 wird der vor ihm liegende Autobahnabschnitt seit dem vorangegangenen Ladestandort zugeordnet und das maximale Fahrzeugaufkommen dieses Abschnitts 퐹퐴퐿푆푡 [PKW/24h] nach BASt (2010) [19] bestimmt. 푍퐿 Die Anzahl an Elektrofahrzeugen je Ladestandort #퐸푉퐿푆푡 ergibt sich hieraus zu:

푍퐿 퐹퐴퐿푆푡 #퐸푉퐿푆푡 = ∗ #퐸푉. (18) ∑퐿푆푡 퐹퐴퐿푆푡 Eine Aussage zur optimalen Platzierung der Ladepunkte am Ladestandort wird für beide Ladearten nicht getroffen.

134 Jeweils bezogen auf den gesamten Elektrofahrzeugbestand #EV.

65 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.3.2.2 Bedarfsorientierte Dimensionierung von Ladeinfrastruktur: Warte- schlangentheorie Die Modellierung von Warteschlangen zur Dimensionierung einzelner Bedienstationen [27, 125] und im Speziellen von Ladestandorten ist ein gängiges Verfahren (vgl. z.B. [112, 156, 158]). Kundenankünfte werden standardmäßig poisson-verteilt angenommen [125]135. Diese Annahme ist statistisch aufgrund der Unabhängigkeit bzw. „Zufälligkeit“ einzelner Kundenankünfte gerechtfertigt136. Die Annahme exponentialverteilter Bedienzeiten wird oft verwendet, um analytische Lösungen zu erhalten (z.B. in [112, 156]), sie stellt aber im Besonderen für Ladestationen eine Vereinfachung der Realität dar137 (vgl. auch [127, 185]), wie aus dem Histogramm empirischer Ladezeiten an Schnellladestationen gefolgert wurde (vgl. Kapitel 3.4.1, Abbildung 3). Die Normalverteilungsannahme der Verteilung der Lademengen wurde anhand eines Chi-Quadrat- Anpassungstests geprüft, da dieser nur nominales Skalenniveau der Merkmale voraussetzt und daher auch für gruppierte Daten durchgeführt werden kann (vgl. [86] und Annex G). Die zu Grunde liegenden Daten liegen jedoch nicht vor und die Parameter Erwartungswert sowie die Varianz mussten daher aus dem Histogramm geschätzt werden138, was eine große Unsicherheit bedeutet. Insgesamt führt der Test auch zur Ablehnung der Normalverteilungsannahme (vgl. Tabelle G 1). Im Besonderen aufgrund der Datenbasis – Tests auf Basis der detaillierten Stichprobe waren nicht möglich, da diese Daten nur in aggregierter Form vorliegen – wird von weiteren statistischen Untersuchungen abgesehen und dennoch eine Normalverteilung angenommen, da auf Basis des Histogramms der Ladedaten an Schnellladesäulen (Abbildung 3) davon ausgegangen wird, dass (zukünftiges) Ladeverhalten besser durch eine Normal- als durch eine Exponentialverteilung139 beschrieben wird. Weiterhin ist zu beachten, dass aufgrund der verwendeten Näherungsformel (19) nicht die tatsächliche Form der Verteilung der Ladezeiten relevant ist, sondern nur deren Erwartungswert und Varianz. Der Erwartungswert hat hierbei deutlich höheren Einfluss auf die Ergebnisse (vgl. Formel (19) und Tabelle 21). Für die Skalierung von Ladestandorten werden daher M/G/s140-Systeme mit normalverteilten Bedienzeiten betrachtet. Deren methodische Besonderheiten werden im Folgenden kurz erläutert. Der Nachteil von M/G/s-Systemen gegenüber M/M/s-Systemen ist, dass für M/G/s-Systeme keine geschlossenen analytischen Lösungen vorliegen, da für nicht exponentialverteilte Bedienzeiten die Markov-Eigenschaft nicht erfüllt ist [127]. Während für M/G/1-Systeme mit nur einer Bedienstelle

135 Entsprechende Zwischenankunftszeiten sind exponential-verteilt [182, 185]. 136 Die statistische Unabhängigkeit einzelner Ankünfte fußt auf der Gedächtnislosigkeit der Exponentialverteilung [125]. 137 Exponentiell verteilte Bedienzeiten bedeuten in diesem Zusammenhang, dass die verbleibenden Ladezeiten unabhängig sind von bisher vergangenen Ladezeiten der einzelnen Elektrofahrzeuge. Da diese Restbedienzeit Wartezeiten folgender Kunden direkt beeinflusst, sind Wartezeiten entsprechend der Restbedienzeit ebenfalls unabhängig von historischen Ereignissen. Entsprechend bezeichnet Haviv (2013) [130] Warteschlangensysteme mit exponentialverteilten Bedienzeiten (M/M/s entsprechend Kendall- Notation, vgl. [173]) „als eigenständige Modelle und nicht nur als Spezialfälle von M/G/s Systemen“. Im Original: “memoryless queues (…) as a model in their own right (and not merely as special cases of the M/G/1 and G/M/1)”. M/G/s-Systeme sind Systeme mit allgemein verteilten Bedienzeiten. G: englisch für General, vgl. auch [27].

138 Der Erwartungswert wurde aus den Parametern relative Klassenhäufigkeit 푝푘, obere Klassengrenze 푂푘 sowie untere Klassengrenze 푈푘 geschätzt als 푋̅ = ∑푘 푝푘 ∗ 0,5 ∗ (푂푘 + 푈푘) und die Varianz entsprechend 2 𝜎 = √∑푘 푝푘 ∗ (0,5 ∗ (푂푘 + 푈푘) − 푋̅) . 139 In M/M/s-Systemen werden exponentialverteilte Bedienzeiten unterstellt. 140 Für Warteschlangensysteme wird die gebräuchliche Kendall-Notation verwendet (vgl. [173]).

66 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite exakte Lösungen angegeben werden können141, beispielsweise über die Pollaczek–Khinchine Formel (vgl. [27]), sind geschlossene Lösungen von M/G/s-Systemen unbekannt und mit offenen Fragen verbunden [178]. Zur Bestimmung der Kennzahlen eines M/G/s-Systems können aber Näherungen auf Basis von M/M/s-Systemen verwendet werden. Formel (19) ist eine Erweiterung der Pollaczek- Khinchine-Formel auf M/G/s-Systeme [190] und stellt für Verteilungen mit quadriertem Variationskoeffizienten142 퐶2 < 1 eine ausreichend gute Abschätzung143 [322, 323] dar144. Diese Bedingung ist für die im folgenden Verlauf der Arbeit angenommenen Verteilungen der Ladezeiten gegeben, sodass Formel (19) daher als ausreichend genau angenommen und für die Analysen dieser Arbeit verwendet wird. Es ergeben sich durchschnittliche Wartezeiten, die aufgrund 퐶2 < 1 unter denen eines M/M/s-Systems liegen145. 퐶2 + 1 푊 푀|퐺|푠 = ∗ 푊 푀|푀|푠 (19) 푞 2 푞 Da die verwendete Näherung auf M/M/s-Systemen basiert, sind Kenngrößen eines M/M/s-Systems in Tabelle 21 zusammengefasst. Diese gelten für eine durchschnittliche Auslastung ρWS < 1, da in diesem Fall die Warteschlange immer (Zeitintervall t → ∞) endlich bleibt und das Warteschlangensystem eine stationäre Verteilung besitzt [27].

Tabelle 21: Kennzahlen eines M/M/s-Warteschlangensystems. Nach [27].

Parameter Berechnungsformel λμ−1 α Durchschnittliche Auslastung / Verkehrsintensität [%] ρ = : = WS s s s α p0 Durchschnittliche Wartezeit [min] W = q s! s휇(1 − ρ)2 −1 s−1 αr αs 1 Wahrscheinlichkeit eines leeren Systems [%] p0 = [∑ + α] r! s! 1 − r=0 s

Die Auslastung bzw. Verkehrsintensität ρWS des Warteschlangensystems ergibt sich aus der mittleren Bedienzeit 휇−1 [min], der durchschnittlichen Ankunftsrate λ [min-1] sowie der Anzahl der Bedienschalter 푠. Sie ist eine wichtige Kenngröße, da sie direkt alle in Tabelle 21 gezeigten Kenngrößen beeinflusst. Sie gibt weiterhin Aufschluss darüber, ob eine Warteschlange eine stationäre Verteilung

141 Für M/G/1-Systeme können eingebettete Markov-Ketten konstruiert werden: das System wird zu den Zeiten eines Nutzeraustritts betrachtet. Die Restservicezeit beträgt dementsprechend 0 und die Warteschlange kann unabhängig von der Restservicezeit analysiert werden. M/G/s-Systeme hingegen stellen keine impliziten Markov-Ketten dar.

퐸(푋2)−[퐸(푋)]2 142 Der quadrierte Variationskoeffizient ist dimensionslos und definiert als 퐶2 = . [퐸(푋)]2

143 Abweichungen <10%, wenn 𝜌푊푆 hinreichend groß, vgl. [323]. 144 [127] zeigen, dass diese Abschätzung für hohe C2 nicht exakt sein kann, da sie nur die ersten beiden Momente der Verteilung betrachtet. Das dritte Moment kann den Analysen der Autoren zu Folge ebenfalls starken Einfluss auf die mittlere Wartezeit haben. Sie simulieren Verteilungen der Bedienzeit mit hohen C2, deren mittlere Wartezeiten konsistent kleiner sind als analytische Approximationen. 145 Beispielsweise liegt 퐶2 für die Ladeannahmen dieser Arbeit zwischen 0,01 und 0,06 und durchschnittliche Wartezeiten von M/G/s-Systemen liegen demnach bei sonst gleichen Bedingungen knapp 50% unter denen eines M/M/s-Systems.

67 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite hat und erlaubt eine ökonomische Bewertung des Systems. Die durchschnittliche Auslastung einer Bedienstation ist unabhängig von der Verteilung der Bedienzeiten und hängt nur von deren Mittelwerten ab. Die dargestellten Kennzahlen von M/M/s-Systemen gelten mit s = 1 für M/M/1-Systeme ohne Einschränkung. Ist die Systemkapazität des Warteschlangensystems auf K beschränkt (M/M/s/K- Systeme), werden Kunden abgewiesen, die das Warteschlangensystem mit K Kunden vorfinden. Die Wahrscheinlichkeit für mehr als K Kunden im System ist demzufolge pn = 0 für alle n > 퐾 [27, 125, 185]146. Dies bedeutet aber, dass Formel (19) für beschränkte Systeme nicht gilt, da die Länge der Schlange nicht unabhängig von der Verteilung der Bedienzeiten ist [130] und sich daher der Anteil abgewiesener Kunden für M/G/1/2- und M/M/1/2-Systemen auch bei gleicher mittlerer Bedienzeit unterscheidet. Da aber für die zeitliche Verfügbarkeit von Gelegenheitsladeinfrastruktur M/G/1/2-Systeme betrachtet werden sollen, wurden in dieser Arbeit als Ergänzung zum analytischen Vorgehen Warteschlangen auch simuliert (vgl. Annex F – Matlab© Code) und anhand der analytischen Lösungen von M/M/s-Systemen validiert147. Hierdurch konnte die Gültigkeit von Formel (19) für unbeschränkte Wartesysteme durch ergänzende Simulationsläufe bestätigt werden (Ergebnisse unterscheiden sich um weniger als 10%).

5.3.2.3 Skalierung einzelner Ladestandorte zur Deckung örtlicher Ladebedarfe Die Skalierung einzelner Ladestandorte hat zum Ziel, auf Basis der diesen zugeordneten lokalen Ladebedarfen ein vorgegebenes Servicelevel einzuhalten. Als Servicelevel wird hier die durchschnittliche Wartezeit aller Nutzer einer Ladestation definiert, die einen definierten Maximal- wert nicht überschreiten darf. Bei gegebenen täglichen Ladebedarfen (vgl. Kapitel 5.3.2.1) kann die Wartezeit durch eine Verringerung der Bedienzeiten und/oder durch die Erhöhung der Anzahl an Ladepunkten gesenkt werden. Die Skalierung einzelner Ladestandorte erfolgt in dieser Arbeit über die Veränderung der Anzahl der Ladepunkte, bei konstant angenommener Ladeleistung und somit vorgegebenen Bedienzeiten148. Es wird unterstellt, dass die Ausgangsladeleistung für alle Ladepunkte derselben Ladeinfrastrukturart149 identisch ist. Der Gesamtladewirkungsgrad 휂 wird für die Bestimmung des Ladeinfrastrukturbedarfs für alle Ladearten mit 90% (z.B. [45]) angenommen.

146 Und Lösungen für beschränkte Systeme ergeben sich aus obigen Kennzahlen (Tabelle 21) entsprechend K durch Normierung auf ∑n=0 pn = 1. 147 Die Simulation der Warteschlange ist zudem mit dem Vorteil verbunden, dass diese, im Gegensatz zur Näherungsformel (19), eine Aussage zur kumulierten Verteilung (cdf) der Wartezeiten erlaubt. Diese ist als ergänzende Information interessant, um die Annahme zu bestätigen, dass hohe Wartezeiten für einzelne Nutzer ebenfalls selten sind, wenn die durchschnittliche Wartezeit auf fünf Minuten beschränkt ist. Simulationsergebnisse zeigen, dass bei einer durchschnittlichen Wartezeit von 5 min ca. 94% der Wartezeiten unter 15 min liegen und maximale Wartezeiten ca. 30 min betragen. Simulationsergebnisse für ein M/G/8-Warteschlangensystem mit einer durchschnittliche Bedienzeit von 5,4 min – bei normalverteilten Bedienzeiten mit einer Varianz von 1,4 min², entsprechend einer Ladeleistung von 150 kW und Referenz-Batteriekapazitäten (Tabelle 14). Warteschlangensysteme mit abweichenden Bedienzeiten bzw. weniger Ladepunkten ergaben ähnliche Ergebnisse. 148 Der Einfluss der Ladeleistung auf Ladeinfrastrukturbedarfe wird über Sensitivitätsrechnungen adressiert. 149 Gelegenheitsladen bzw. Zwischenladen.

68 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Die Bedienzeit 휇−1 [min] an einem Ladepunkt ergibt sich aus der Ausgangsladeleistung eines Ladepunkts 푃퐿퐼푆 [kW], der Lademenge 퐸 [kWh] und des Ladewirkungsgrads 휂 durch150:

−1 퐸 휇 = ∗ 60 (20) 푃퐿퐼푆 휂 Aufgrund unterschiedlicher Ladecharakteristika und Anforderungen der beiden Ladeinfrastrukturtypen Gelegenheitsladen und Zwischenladen werden diese getrennt voneinander betrachtet. Das Vorgehen zur Skalierung umfasst für beide Ladeinfrastrukturtypen folgende Schritte: 1. Definition der Zielgrößen für das Servicelevel, 2. Bestimmung der Ladezeiten in Abhängigkeit der Lademenge und Ladeleistung, 3. Bestimmung der maximalen Aufnahmekapazität je nach Ladepunkt und Ladestandort in Abhängigkeit des Servicelevels (Kapitel 5.3.2.3), 4. Bestimmung des regional aufgelösten maximalen Ladebedarfs pro Stunde (vgl. Kapitel 5.3.2.1) und schließlich 5. die Skalierung aller Ladestandorte entsprechend der zugeordneten Ladebedarfe mit dem Ergebnis der benötigten Anzahl an Ladepunkten je Ladestandort. Ein wesentlicher Einflussfaktor auf die zeitliche Verfügbarkeit von Ladeinfrastruktur ist die Verteilung der Ladezeiten der unterschiedlichen BEV. Beispielsweise steigt die durchschnittliche Wartezeit mit der Varianz der Ladezeiten (vgl. Formel (19)). Es wird davon ausgegangen, dass die an der Ladestation zur Verfügung stehende Ladeleistung nicht durch die Leistungselektronik der Fahrzeuge begrenzt wird. Lademengen sind fahrzeuggrößenspezifisch.

5.3.2.3.1 Gelegenheitsladen Ladestationen des Gelegenheitsladens werden in dieser Arbeit als M/G/1/2-System151 modelliert. Die Charakteristik des Gelegenheitsladens sowie die Annahme erforderlicher Standzeiten über 20 Minuten (Tabelle 15) legt die Annahme nahe, dass je Ladesäule höchstens zwei Parkplätze bereitgestellt werden und der Warteraum somit beschränkt ist. Weiterhin sind die Parkplätze und somit auch die entsprechende Warteschlange diesen festen Ladesäulen zugeordnet. Daher ist die Annahme eines M/G/1/2-Systems naheliegend. Hinsichtlich der Ladecharakteristik wird unterstellt, dass eine einzelne Ladesäule zwei Ladeanschlüsse hat und das wartende Fahrzeug zu Beginn des Parkvorgangs mit der Ladesäule verbunden wird, aber erst zu laden anfängt, sobald das vor ihm ladende Fahrzeug den Ladevorgang beendet hat. Diese Annahme erscheint durch Nutzung intelligenter Ladetechnik gerechtfertigt und wurde technisch bereits umgesetzt [326]152. Als Zielgröße für den Servicelevel des Gelegenheitsladens wird eine durchschnittliche Wartezeit von 15 Minuten angesetzt. Lademengen werden normalverteilt angenommen (für eine Diskussion vgl. Kapitel 5.3.2.2). Als mittlere Lademenge des Gelegenheitsladens werden 35%, als Mindest- und Maximallademenge 10% bzw. 70%

150 Eine zusätzliche Rüstzeit wird vernachlässigt. 151 Eine Bedienstation mit beschränkter Systemkapazität (2 Plätze, davon eines im Warteraum). 152 Dennoch wird implizit unterstellt, dass Nutzer nach Beendigung des Ladevorgangs das System verlassen. Bei sehr langen Standzeiten (vgl. auch Abbildung 5) wird diese Annahme verletzt.

69 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite der fahrzeuggrößenspezifischen Batteriekapazitäten angesetzt (vgl. Kapitel 3.4.1)153. Die Verteilung einzelner Lademengen wird nach [36] bestimmt (vgl. Annex B: Abbildung B 2 mit Lademengen entsprechend der fahrzeuggrößenspezifischen Batteriekapazitäten nach Tabelle 14) und hieraus die Parameter mittlere Ladezeit 퐸(푋) sowie die Varianz der Verteilung der Ladezeiten bestimmt154. Es wird für das Gelegenheitsladen die Annahme getroffen, dass für alle Parametervariationen dieselben Lademengen gelten wie im Referenzfall und Lademengen mit steigender Batteriekapazität nicht zunehmen, da aufgrund des Gelegenheitscharakters dieser Ladeart Lademengen vermutlich weniger von der Gesamtbatteriekapazität abhängen werden als von der Ladeleistung, der Standzeit sowie der durch die Batterie aufnehmbare Energiemenge155, d.h. den Ladezustand der Batterie (SOC) bei Ladebeginn. Bedienzeiten ergeben sich aus der Verteilung der Lademengen nach Formel (20). Die Skalierung der Ladeinfrastruktur erfolgt für die Stunde der höchsten Ladebedarfe (Stoßzeit), in der 푎휆 = 10% (vgl. Kapitel 3.4) des täglichen Ladebedarfs 휆퐿푆푡 unterstellt werden (vgl. Formel (17)).

Die maximale Aufnahmekapazität eines Ladepunktes 휆푚푎푥 [EV/h] wird mit Hilfe der Simulation von M/G/1/2-Wartesystemen iterativ bestimmt. Aufgrund der begrenzten Warteschlange werden Nutzer abgewiesen und abgewiesene Nutzer werden nicht bedient. Um den Einfluss des Effekts nicht bedienter, da abgewiesener Kunden auf den Ladeinfrastrukturbedarf zu quantifizieren, werden die Ergebnisse dieser beschränkten Wartesysteme den Ergebnissen für unbeschränkte Wartesysteme (M/G/1) gegenübergestellt (vgl. Kapitel 6.2.5). Weiterhin wird unterstellt, dass Ladebedarfe gleich- mäßig im Jahr anfallen156. Der Bedarf an Ladepunkten #퐿푃퐿푆푡,퐵퐴157 eines einzelnen Ladestandortes ergibt sich für den bedarfsorientieren Ansatz (BA) durch Division des regional aufgelösten Ladebedarfs 휆퐿푆푡 [LV/d] (Kapitel 5.3.2.1) zur Stoßzeit (Faktor 푎휆 [d/h]) durch die maximale Aufnahmekapazität einer Ladesäule 휆푚푎푥 [LV/h]:

푎휆 ∗ 휆퐿푆푡 (21) #퐿푃퐿푆푡,퐵퐴 = ⌈ ⌉. 휆푚푎푥 퐺퐿 Der regional aufgelöste Ladebedarf 휆퐿푆푡 ergibt sich mit der Anzahl Elektrofahrzeuge #퐸푉퐿푆푡 der einzelnen Ladestandorte aus Formel (17).

153 Die Annahmen über das Ladeverhalten für die Bestimmung des Ladeinfrastrukturbedarfs unterscheiden sich von denen für die Bestimmung der Nutzbarkeit von BEV (Tabelle 19). Dies begründet sich darin, dass für den einzelnen Nutzer vergleichsweise hohe Lademengen notwendig sind, um die BEV-Nutzbarkeit zu steigern, wohingegen aus Sicht eines Ladeinfrastrukturbetreibers Nutzer mit geringen Lademengen nicht auszuschließen sind und diese Einfluss auf den Ladeinfrastrukturbedarf haben. 154 Vgl. Formel (19). 155 Einschränkend gilt, dass diese möglicherweise doch mit der Batteriekapazität steigt. 156 Analysen schwedischer Ladedaten (in einem eigenen als Koautor geschriebenen Paper [113]) zeigen, dass Ladebedarfe (Zwischenladen) in Monaten mit hohem Bedarf ca. 30% über dem Jahresdurchschnitt liegen. 157 Eine Ladesäule hat entsprechend vorheriger Ausführungen zwei Ladeanschlüsse. Da aber ein gleichzeitiges Laden nicht angenommen wird, wird von einer Ladesäule mit einem Ladepunkt ausgegangen (vgl. auch [326]) und die Begriffe Ladepunkt und Ladesäule sind daher (nur) in diesem Zusammenhang synonym verwendbar.

70 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.3.2.3.2 Zwischenladen Ladestationen zum Zwischenladen werden aufgrund ihrer Charakteristik (vgl. Kapitel 2.1.2) als Analogon zu Autobahntankstellen angesehen. Für eine derartige Station werden bis zu acht parallele Ladepunkte mit einer gemeinsamen Warteschlange angenommen. Übersteigt der regionale Bedarf die Kapazität einer einzelnen Ladestation mit acht Ladepunkten, wird von mehreren identisch dimensionierten Ladestationen pro Ladestandort ausgegangen, die aus separaten Warteschlangen gespeist werden. Hierdurch wird der Tatsache Rechnung getragen, dass ab einer hohen Anzahl an Ladepunkten eine einzige Warteschlange für alle Ladepunkte nicht realistisch sein könnte. Weiterhin wird für die Warteschlange keine Kapazitätsbeschränkung angenommen158, sodass Ladestationen zum Zwischenladen als M/G/s-System mit normalverteilten Bedienzeiten definiert werden. Als mittlere Lademenge der Referenz-Batteriekapazität (Tabelle 14) wird 50% der Batteriekapazität angenommen, Mindest- und Maximallademenge betragen 30% bzw. 70% der Batteriekapazität (Kapitel 3.4.1). Für größere Batteriekapazitäten sind aktuell (Stand 07/2017) keine empirischen Daten verfügbar. Simulationsergebnisse (vgl. Abbildung 22) sowie eigene Auswertungen auf Basis von [210] zeigen, dass mit steigender Batteriekapazität die durch Ladestopps ermöglichte Strecken in begrenztem Umfang steigen (Annex C)159. Eine Bestimmung der Lademengen für größere Batteriekapazitäten erfolgt in Kapitel 6.2.2. Für die Skalierung eines Ladestandortes (Zwischenladen) auf Basis lokaler Ladebedarfe wird als Zielgröße für das Servicelevel eine durchschnittliche Wartezeit von fünf Minuten zu Stoßzeiten angesetzt. Die maximale Aufnahmekapazität einer Ladestation 휆푠,푚푎푥 in Abhängigkeit der Anzahl ihrer Ladepunkte 푠 wird mit Hilfe der Näherungsformel (19) bestimmt. In einem zweiten Schritt werden einzelne Ladestandorte so skaliert, dass sie lokale Ladebedarfe komplett aufnehmen können. Da in dieser Arbeit unterstellt wird, dass die Anzahl an Ladepunkten auf acht je Ladestation beschränkt ist, muss zunächst die Anzahl benötigter Ladestationen pro Ladestandort #퐿푆퐿푆푡 bestimmt werden. Diese berechnet sich aus lokalen Ladebedarfen 휆퐿푆푡 [LV/d] (vgl. Formel (17)) zur Stoßzeit (Faktor 푎휆 [d/h]) und der maximalen Aufnahmekapazität einer Ladestation mit acht Ladepunkten 휆8,푚푎푥 [LV/h] zu:

푎휆 ∗ 휆퐿푆푡 #퐿푆퐿푆푡 = ⌈ ⌉. (22) 휆8,푚푎푥 Es wird angenommen, dass die Ladestationen eines Ladestandorts gleich dimensioniert werden. Die Anzahl der Ladepunkte je Ladestation #퐿푃퐿푆 wird unter Einhaltung des angestrebten Servicelevels minimal gewählt:

#퐿푃퐿푆 = min 푠 (23)

Unter der Nebenbedingung: −1 푎휆 ∗ 휆퐿푆푡 휆푠,푚푎푥 ∗ ( ) ≥ 1 #퐿푆퐿푆푡 푠 Є {1,2,3,4,5,6,7,8}.

Für die Anzahl an Ladepunkten eines Ladestandortes #퐿푃퐿푆푡 folgt:

#퐿푃퐿푆푡 = #퐿푆퐿푆푡 ∗ #퐿푃퐿푆. (24)

158 D.h. dass der Warteraum unbeschränkt ist und wartende Kunden nicht abgewiesen werden. 159 Vgl. Kapitel 5.2.5 für die Berechnung der Strecke nach Zwischenladevorgängen.

71 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.3.3 Kombination einer geographischen und zeitlichen Mindestverfügbarkeit von Ladeinfrastruktur In den vorangegangenen Kapiteln wurde aufgezeigt, wie Ladeinfrastrukturbedarfe auf Basis einer geographischen oder zeitlichen Mindestverfügbarkeit bestimmt werden können. In diesem Abschnitt werden die beiden Ladeinfrastrukturbedarfe zu einem Gesamtbedarf an Ladeinfrastruktur zusammengefasst, um sowohl eine geographische („geo“) als auch eine zeitliche Mindestverfügbarkeit („ZV“)160 sicherzustellen. Für das Gelegenheitsladen ergibt sich der Gesamtbedarf an Ladeinfrastruktur in jedem Gemeindeverband 퐿푆푡 aus dem jeweiligen Maximum der beiden Ansätze. Die deutschlandweite Gesamtanzahl an Ladepunkten ergibt sich zu:

#퐿푃퐺푒푙푒푔푒푛ℎ푒𝑖푡푠푙푎푑푒푛 = ∑ max (#퐿푃퐿푆푡,푔푒표, #퐿푃퐿푆푡,푍푉 ). (25) 퐿푆푡 Die Bestimmung des Ladeinfrastrukturbedarfs zum Zwischenladen umfasst bereits beide Ansätze, sodass hier kein weiterer Abgleich notwendig ist. Die Gesamtzahl an Ladepunkten ergibt sich als Summe der Ladepunkte aller Ladestandorte 퐿푆푡:

#퐿푃푍푤𝑖푠푐ℎ푒푛푙푎푑푒푛 = ∑ #퐿푃퐿푆푡. (26) 퐿푆푡

5.3.4 Ladebedarfe einer sich dynamisch ändernden Elektrofahrzeugflotte Die Entwicklung des Bedarfs an Ladeinfrastruktur ist, neben der Gesamtzahl an Elektrofahrzeugen, von den technischen Eigenschaften der Elektrofahrzeuge abhängig. Diese Eigenschaften verändern sich mit der Zeit. Beispielsweise ist zukünftig von einer steigenden Energiedichte der Batterien auszugehen (vgl. Kapitel 3), die wahrscheinlich zu höheren Batteriekapazitäten und somit potentiell zu veränderten Ladeinfrastrukturbedarfen führt. Weiterhin hat, aufgrund unterschiedlicher Ladebedarfe, die Zusammensetzung der Fahrzeugflotte aus privaten und gewerblichen Fahrprofilen ebenfalls einen hohen Einfluss auf Ladeinfrastrukturbedarfe. Vor dem Hintergrund der Fragestellung, ob Ladeinfrastrukturbedarfe zukünftig rückläufig sein könnten und somit bereits errichtete Ladepunkte obsolet würden, werden zukünftige Fahrzeugflotten unter Annahme technologischer Weiterentwicklungen sowie unterschiedlicher Anteile gewerblicher Fahrzeuge zu bestimmten Zeitpunkten definiert. Die Vorgehensweise ist wie folgt: 1. Für zukünftige Zeitpunkte werden jährliche Zulassungszahlen von BEV entsprechend der Markthochlaufszenarien in Gnann (2015) [107] angenommen. 2. Neuzugelassene Elektrofahrzeuge eines Jahres werden auf Basis der Verfügbarkeit der einzelnen Technologien (vgl. Kapitel 3) technologische Merkmale entsprechend der untersuchten Parametervariationen (vgl. Kapitel 5.2.4) zugewiesen, wie in Tabelle 22 gezeigt. 3. Die Zusammensetzung des Elektrofahrzeugbestands wird bestimmt als Summe der aller zuvor neuzugelassenen Fahrzeuge, abzüglich stillgelegter Fahrzeuge. Die Stilllegung von Fahrzeugen erfolgt in den Analysen dieser Arbeit einheitlich nach einer Lebensdauer von 11,9 Jahren (Tabelle 27).

160 Zum Zweck der übersichtlichen Darstellung erfolgte in den vorausgegangenen Ausführungen keine Indexierung für die beiden Ansätze, da diese im jeweiligen Kontext eindeutig sind.

72 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Tabelle 22. Mögliche techno-ökonomische Entwicklungspfade des Elektrofahrzeugbestands. Eigene Darstellung auf Basis Kapitel 3 und [107].

Zeithorizont 2017 2020 2025 2030 langfristig Markthochlauf: Bestand BEV161 95.000 250.000 865.000 1.910.000 5.000.000 (Annahme) Anteil gewerbliche Fahrzeuge161 60% 70% 70% 70% 55% Batteriegröße 100% 100% 200% 300% 300% Energiedichte [Wh/kg] 100 100 200 200 200 Gewichtsreduktion 0 0 -15% -15% -15%

Der untersuchte Entwicklungspfad hat explorativen Charakter, die Nennung des Zeithorizonts dient der zeitlichen Einordnung der betrachteten Fahrzeugzahlen. Im Folgenden werden Ladeinfrastrukturbedarfe in Abhängigkeit des Fahrzeugbestands angegeben. Es ergeben sich die in Tabelle C 1 (Annex C) gezeigten Flottenzusammensetzungen. Für die jeweiligen Flotten werden durchschnittliche Ladebedarfe ermittelt, die aufgrund der unterschiedlichen Fahrzeugzusammensetzungen variieren. Aus diesen Flottenladebedarfen werden entsprechende Ladeinfrastrukturbedarfe bestimmt (vgl. Kapitel 5.3). Die Entwicklung des Bedarfs an Ladeinfrastruktur zum Zwischenladen (sowohl für dynamische als auch statische Fahrzeugflotten) wird in der jährlichen Abfolge durch den Zubau von Ladepunkten an bestehenden Stationen abgebildet. Investitionsbedarfe des ladepunktgenauen Zubaus entsprechen Tabelle 5. Ein Rückbau bestehender Ladepunkte wird nicht angenommen, um den möglichen Effekt einer überdimensionierten Ladeinfrastruktur abzubilden.

5.4 Vergleich der Gesamtkosten Die Methodik zur Analyse des erhöhten technischen Potentials von BEV durch Anwendung der analysierten Maßnahmen wurde in den vorangegangenen Kapiteln 5.2 und 5.3 dargestellt. Die Bewertung und der Vergleich der Wirtschaftlichkeit der Maßnahmen folgt den Ausführungen dieses Kapitels. Das Ziel dieser Arbeit ist es, Maßnahmen zu identifizieren, die gegenüber einem definierten Referenzfall (vgl. Tabelle 16) die Tagesreichweite von Elektrofahrzeugen zu möglichst geringen Mehrkosten steigern können. Der Vergleich der einzelnen Maßnahmen erfolgt daher unter der Prämisse einer Elektrofahrzeugnutzung. Da der Fokus dieser Arbeit außerdem auf der techno- ökonomischen Bewertung der einzelnen Maßnahmen liegt, werden die einzelnen Maßnahmen zu Implementierungskosten bewertet. Batterie- und Leichtbaukosten entsprechen demnach Kosten, die einem Automobilhersteller (OEM) für deren Implementation in das Fahrzeug entstehen, wohingegen Kosten für die Errichtung und den Betrieb von (öffentlicher) Ladeinfrastruktur aus Sicht eines Ladeinfrastrukturbetreibers – der auch ein OEM sein kann – bewertet werden. Vereinfachend wird angenommen, dass Kosten für die Implementierung der Batterie den in Kapitel 3.2.2 ermittelten Kosten entsprechen und dem OEM keine weiteren Kosten, beispielsweise erhöhte Personal- oder Gemeinkosten, entstehen. Im Rahmen dieser Arbeit werden schließlich die Gesamtkosten einer Maßnahme definiert als die Summe aller Kosten und Erlöse der Akteure Fahrzeughersteller, Ladeinfrastrukturbetreiber sowie Fahrzeugnutzer, wie in Abbildung 12 dargestellt. Kosten eines Akteurs, dem Erlöse eines anderen Akteurs gegenüberstehen, heben sich innerhalb der Systemgrenzen auf. Beispielsweise stehen erhöhten Gewinnmargen von Fahrzeugherstellern für größere Batterien höhere Kosten des Fahrzeugnutzers in gleicher Höhe gegenüber. Daher werden diese nicht betrachtet (in Abbildung 12 gestrichelt umrandet). Kosten für die Nutzung öffentlicher Ladeinfrastruktur (aus Sicht der Fahrzeug-

161 Daten bis 2030 aus [107].

73 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite nutzer) hingegen werden in die Berechnungen mit einbezogen, um eine Aussage über die Rentabilität öffentlicher Ladeinfrastruktur treffen zu können. Nichtsdestotrotz heben sich diese innerhalb der Systemgrenzen auf und sind daher hinsichtlich der Gesamtkosten neutral. Die genannten Kostenebenen folgen der Logik, dass die Bewertung der Maßnahmen im Fokus dieser Arbeit steht und nicht die ökonomischen Verhältnisse einzelner Akteure. Auch entsprechen die Kostenannahmen denjenigen Kosten, die beispielsweise ein Hersteller von BEV hat, der vor der Entscheidung steht, in höhere Fahrzeugreichweiten oder in ein eigenes Ladeinfrastrukturnetz zu investieren (vgl. auch Kapitel 1), um seinen Kunden durch höhere Tagesreichweiten Nutzervorteile zu bieten. Da weiterhin die hohen Anschaffungsausgaben von BEV ihre Verbreitung bislang beschränken [74], könnten Hersteller von BEV die strategische Entscheidung treffen, die Reichweiten- verlängernden Maßnahmen zu Selbstkosten anzubieten, um die erhöhten Nutzervorteile nicht durch weiter erhöhte Anschaffungsausgaben gewissermaßen zu konterkarieren. Das Angebot zu Selbstkosten könnte hierbei Teil einer Durchdringungsstrategie [327, S. 425] sein, um im neuen Markt von BEV (weitere) Marktanteile zu gewinnen162.

Abbildung 12. Ökonomische Systemgrenzen dieser Arbeit. Dargestellt sind die Gesamtkosten und -erlöse von fahrzeugseitigen Maßnahmen sowie des Aufbaus von öffentlicher Ladeinfrastruktur, differenziert nach den drei Akteuren Fahrzeughersteller (OEM), Ladeinfrastrukturbetreiber sowie Fahrzeugnutzer. Gewinnmargen einzelner Akteure werden nicht betrachtet, da sich diese innerhalb der Systemgrenzen aufheben. LIS: Ladeinfrastruktur.

162 Beispielsweise werden aktuell großformatige Batteriezellen teilweise sogar unter Selbstkosten verkauft (vgl. z.B. [295, 296]).

74 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Die Annahme des Angebots zu Selbstkosten beschränkt sich auf die analysierten Reichweiten- verlängernden Maßnahmen. Weitere ökonomische Parameter, z.B. der Basispreis des Referenz- fahrzeugs, bleiben von dieser Annahme unberührt, auch da Analysen zur genauen Preisgestaltung von Elektrofahrzeugen nicht Teil dieser Arbeit sind163. Die Ausgestaltung von Abrechnungsmodellen öffentlicher Ladeinfrastruktur sowie die Betrachtung einer optimalen Wertschöpfungstiefe des Herstellers von BEV, beispielsweise durch eigene Batteriesystem- oder Batteriezellproduktion, sind entsprechend ebenfalls nicht Teil dieser Arbeit. Die analysierten Maßnahmen können Nutzungskosten und somit individuelle Nutzervorteile beeinflussen. Zum Beispiel führen gesteigerte Batteriekapazitäten (bei gleicher Energiedichte) aufgrund der gestiegenen Fahrzeugmasse zu erhöhten Fahrenergiebedarfen. Zur Abbildung dieser Effekte erfolgt die ökonomische Bewertung der einzelnen Maßnahmen in Abhängigkeit der Fahrzeugnutzung auf Basis von Vollkostenrechnungen (Total Cost of Ownership, TCO) aus Fahrzeugnutzersicht. Kosten für gewerbliche Fahrzeuge (sowie für Ladeinfrastrukturbetreiber) enthalten entsprechend der gesetzlichen Regelungen keine Mehrwertsteuer, Kosten für Privatfahrzeuge werden mit Mehrwertsteuer betrachtet. Die Annahme einheitlicher Batteriekosten (vgl. Tabelle 23) impliziert die Annahme eines vollkommenen Marktes für Traktionsbatterien, der u.a. geprägt ist durch das Angebot homogener Produkte sowie vollständige Markttransparenz [327, S. 409] und daher zu einem einheitlichen Marktpreis führt. In der Realität unterscheiden sich Batteriekosten einzelner Hersteller [236]. Diese Unterschiede können in dieser Arbeit nicht adressiert werden, jedoch kann die Variation der Kostenannahmen (vgl. Kapitel 3) in Sensitivitätsanalysen Hinweise auf mögliche Effekte geben. Kapitel 5.4.1 zeigt die ökonomische Bewertungsmethodik (Annuitätenmethode) sowie den Bewertungsrahmen dieser Arbeit, Parameterannahmen zeigt Kapitel 5.4.2. Für eine Diskussion der gewählten finanziellen Bewertungsmethodik vgl. Kapitel 5.5.3.

5.4.1 Kostenbestimmung

Die jährlichen Gesamtkosten 푇퐶푂푎 [€/a] („Total Cost of Ownership“) eines Investitionsguts setzen sich zusammen aus den annuisierten Anschaffungsausgaben 푎푐푎푝푒푥 [€/a] und den operativen Kosten 푎표푝푒푥 [€/a].

푇퐶푂푎 = 푎푐푎푝푒푥 + 푎표푝푒푥. (27)

Investitionen einschließlich der Kapitalkosten eines Investitionsguts werden über die Annuitätenmethode gleichmäßig auf dessen Nutzungsdauer verteilt („annuisiert“)164. Diese annnuisierten Investitionen 푎푐푎푝푒푥, auch Annuität genannt, ergeben sich aus den Investitionen 퐼푛푣 [€] und der Nutzungsdauer 푇퐼 [a] des Investitionsguts sowie dem Zinssatz 𝑖 [-] entsprechend Formel (28) zu: (1 + 𝑖)푇퐼 ∗ 𝑖 푎푐푎푝푒푥 = ∗ 퐼푛푣. (28) (1 + 𝑖)푇퐼 − 1 Aufgrund des einheitlichen Bezugsrahmens von einem Jahr lassen sich über Annuitäten daher auch Investitionsgüter mit unterschiedlichen Nutzungsdauern und Investitionsbedarfen vergleichen. Die Bewertung von Fahrzeugen mit alternativen Antrieben gegenüber konventionellen Fahrzeugen mittels

163 Denkbar wäre z.B. – ergänzend oder als Alternative zu den untersuchten technischen Reichweiten- verlängernden Maßnahmen – eine noch aggressivere Preispolitik durch Senkung der Fahrzeugpreise unter Herstellkosten, um noch schneller höhere Marktanteile zu erreichen. 164 Für eine Einführung in die Investitionsrechnung vgl. z.B. [327, S. 482 ff.]

75 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

TCO ist daher ein weit verbreiteter Ansatz [245], um die Amortisation der höheren Anschaffungsausgaben von Fahrzeugen mit alternativen Antrieben durch geringere operative Kosten im Vergleich zu konventionellen Fahrzeugen abzubilden. Die Gesamtkosten (TCO) von Elektrofahrzeugen werden in dieser Arbeit für jedes Fahrprofil abzüglich der Gesamtkosten konventioneller Fahrzeuge dargestellt. Dies ist notwendig, um eine einheitliche Vergleichsbasis für die Bewertung aller Fahrprofile zu schaffen, da sich die Zusammensetzung der Nutzerstichprobe entsprechend der Fahrzeuge mit technischem Potential für die einzelnen Maßnahmen unterscheidet165. Für jedes Fahrprofil wird die kostengünstigere (TCO) konventionelle Antriebsart – Benzin oder Diesel – bestimmt und als konventionelle Referenz benutzt.

5.4.1.1 Fahrzeugkosten

Die Anschaffungsausgaben eines Fahrzeugs 퐼퐹푎ℎ푟푧푒푢푔 setzen sich zusammen aus dem Basispreis166 des 푅퐸퐸푋 Fahrzeugs, den möglichen Zusatzkosten eines Range Extenders 푎푝,푔 , den Kosten der Batterie167, den Kosten für den Einsatz von Leichtbautechnologien168 sowie den Kosten für private Ladeinfrastruktur 푊푎푙푙푏표푥 푎푝 . In allen folgenden Formeln unterscheiden sich die einzelnen Kostenkomponenten für private und gewerbliche Nutzer, da diese für private Fahrzeugnutzer Mehrwertsteuer enthalten, während gewerbliche Fahrzeugnutzer von dieser befreit sind. 퐼퐹푎ℎ푟푧푒푢푔 = (퐵푎푠𝑖푠푝푟푒𝑖푠퐹푎ℎ푟푧푒푢푔 + 푎푅퐸퐸푋 + 푎퐵푎푡푡푒푟𝑖푒 ∗ 푐퐵푎푡푡푒푟𝑖푒 + 푝,푔 푝,푔 푝,푔 푝,푔 (29) 퐿푒𝑖푐ℎ푡푏푎푢 퐿푒𝑖푐ℎ푡푏푎푢 푊푎푙푙푏표푥 푎 ∗ 푐푔 + 푎푝 ). Die Kostenparameter unterscheiden sich nach Antriebsart p und Fahrzeuggröße g. Einzelne Parameter können hierbei für bestimmte Antriebsarten entfallen, beispielsweise Kosten für einen Range Extender. Um eine regelmäßige Lademöglichkeit abzubilden, werden für jeden Elektrofahrzeugnutzer Kosten eines privaten Ladepunkts angenommen (vgl. auch [253]). Unter impliziter Annahme einer Garagenverfügbarkeit aller analysierten Nutzer werden Anschaffungsausgaben einer Wallbox unterstellt. Anschaffungsausgaben für einen Straßenladepunkt liegen mindestens um ca. 50% höher169, deren Einfluss auf die Fahrzeuggesamtkosten ist aber insgesamt gering [107] und wird daher nicht weiter untersucht. Ein Verkauf des Fahrzeugs während seiner Nutzung wird in dieser Arbeit nicht betrachtet, da, wie eingangs erläutert, individuelle Kaufentscheidungen nicht Fokus dieser Arbeit sind. Kostenreduktionen für gewerbliche Halter durch mögliche Abschreibungen werden ebenfalls nicht betrachtet. Die jährlichen operativen Fahrzeugkosten eines Nutzers u mit Antriebstechnologie p und Fahrzeuggröße g bestehen aus den Kosten des elektrischen und/oder des konventionellen Fahrens sowie Steuern und gegebenenfalls Kosten für ein konventionelles Ersatzfahrzeug. Operative 표푝푒푥,퐹푎ℎ푟푧푒푢푔 Fahrzeugkosten 푎푝,푔 [€/a] berechnen sich aus der nutzerspezifischen Jahresfahrleistung

165 Dies ist vor allem für die Bewertung von Fahrprofilen bedeutend, die im Referenzfall keine BEV-Nutzbarkeit aufweisen und für die daher eine einheitliche Bezugsgröße fehlt. Die Parameter der konventionellen Referenzfahrzeuge entsprechen den Fahrzeugparametern im Referenzfall (Tabelle 14). 166 Im Gegensatz zu den Reichweiten-verlängernden Maßnahmen werden für das Fahrzeug Endkundenpreise und nicht reine Fahrzeugkosten betrachtet, da diese für alle Fahrzeugnutzer identisch und für die Bewertung der Reichweiten-verlängernden Maßnahmen irrelevant sind.

퐵푎푡푡푒푟𝑖푒 퐵푎푡푡푒푟𝑖푒 167 Batteriekapazität des Fahrzeugs 푐푝,푔 multipliziert mit spezifischen Kosten 푎 .

퐿푒𝑖푐ℎ푡푏푎푢 퐿푒𝑖푐ℎ푡푏푎푢 퐿푒𝑖푐ℎ푡푏푎푢 168 푎 = 푎 푐푔 . Spezifische Leichtbaukosten multipliziert mit der realisierten Gewichtsreduktion. 169 Für die günstigste Alternative einer in eine Straßenlaterne integrierte Lademöglichkeit, vgl. [251].

76 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

퐽퐹퐿푢 [km], dem nutzerindividuellen elektrischen Fahranteil 푒푢, dem nutzerindividuellen elektrischen 푒 푆푡푟표푚,퐹푎ℎ푟푒푛170 Fahrenergiebedarf 푐푢 [kWh/km], den Stromkosten 푎 [€/kWh], dem 푘 nutzerindividuellen konventionellen Fahrenergiebedarf 푐푢 [l/km], den Treibstoffkosten 푇푟푒𝑖푏푠푡표푓푓 푂푀 푎 [€/l], den kilometerspezifischen operativen Kosten 푎푝,푔 [€/km], den Zusatzkosten für 퐺퐿 푍퐿 öffentliches Gelegenheits- und Zwischenladen, ∆푎푢 und ∆푎푢 [€/a], sowie den Kosten für ein 푀𝑖푒푡푤푎푔푒푛 푆푡푒푢푒푟 Ersatzfahrzeug 푎퐵퐸푉,푠 [€/a] und Steuern 푎푝,푔 [€/a] zu: 푎표푝푒푥,퐹푎ℎ푟푧푒푢푔 = 퐽퐹퐿 [푒 푐푒 푎푆푡푟표푚,퐹푎ℎ푟푒푛 + (1 − 푒 ) 푐푘 푎푇푟푒𝑖푏푠푡표푓푓 + 푎푂푀] 푝,푔 푢 푢 푢 푢 푢 푝,푔 (30) 퐺퐿 푍퐿 푀𝑖푒푡푤푎푔푒푛 푆푡푒푢푒푟 + ∆푎푢 + ∆푎푢 + 푎퐵퐸푉,푔 + 푎푝,푔 . Operative Kostenparameter unterscheiden sich ebenfalls nach Antriebsart p und Fahrzeuggröße g. Weitere Parameter, wie der elektrische Fahranteil oder Zusatzkosten des öffentlichen Ladens, variieren mit der Antriebsart, können für einzelne Nutzer aber auch ganz entfallen. Zusatzkosten für öffentliches Laden (Gelegenheitsladen GL und Zwischenladen ZL) ergeben sich aus der jeweiligen 퐺퐿/푍퐿 nutzerspezifischen jährlichen Lademenge an öffentlicher Infrastruktur 푂퐿푢 [kWh/a] sowie der Differenz öffentlicher und privater Ladekosten je kWh Strom [€/kWh]. ∆푎퐺퐿/푍퐿 = 푂퐿퐺퐿/푍퐿 ∗ (푎퐺퐿/푍퐿 − 푎푆푡푟표푚,퐹푎ℎ푟푒푛). 푢 푢 (31)

Der konventionelle Fahranteil (1 − 푒) bei REEV wird durch den Range Extender abgedeckt, für welchen die Parameter für Benzinfahrzeuge angenommen werden. Die Bestimmung nutzer-spezifischer 푘 푒 konventioneller Fahrenergiebedarfe 푐푢 erfolgt analog zu elektrischen Fahrenergiebedarfen 푐푢 über die Simulation von Fahrwiderständen (vgl. Kapitel 5.2), jedoch unter Verwendung einer statischen Fahrzeugeffizienz171. Da BEV nicht konventionell betrieben werden können, entfällt dieser Anteil für BEV in Formel (30). An Tagen 푇(퐿)푢, an denen Tagesstrecken eines Nutzers 푢 nicht durch ein BEV bewerkstelligt werden können, fallen Kosten für ein konventionelles Ersatzfahrzeug an, die sich aus 푇푎푔푒푠푚𝑖푒푡푒 푘푚,푀𝑖푒푡푤푎푔푒푛 einem Tagespreis 푎푔 [€/d] und einem kilometerspezifischen Preis 푎푔 [€/km] zusammensetzen: 푎푀𝑖푒푡푤푎푔푒푛 = (퐽퐹퐿 (1 − 푒 ) 푎푘푚,푀𝑖푒푡푤푎푔푒푛 + 푇(퐿) 푎푇푎푔푒푠푚𝑖푒푡푒). 퐵퐸푉,푔 푢 푢 푔 푢 푔 (32)

Für den Heimladepunkt (vgl. Formel (29)) werden keine operativen Kosten angenommen.

5.4.1.2 Ladeinfrastrukturkosten

Gesamte Investitionen 퐼퐿푆푇,푠 einer Ladestation zum Zwischenladen hängen von ihrer Größe ab (Anzahl Ladepunkte 푠). Da ein Ladestandort aus mehreren einzelnen Ladestationen bestehen kann (vgl. Kapitel 5.3.2), ergeben sich Investitionsbedarfe eines Ladestandorts 퐿푆푡 als Summe der Investitionsbedarfe aller Ladestationen dieses Ladestandorts #퐿푆퐿푆푡,푠. Gesamte Investitionsbedarfe für öffentliche Ladeinfrastruktur (Gelegenheitsladen GL und Zwischenladen ZL) 퐼퐺퐿/푍퐿 entsprechen also der Summe der Investitionsbedarfe aller Ladestandorte 퐿푆푡:

퐺퐿/푍퐿 퐼 = ∑ ∑ #퐿푆퐿푆푡,푠 ∗ 퐼퐿푆푇,푠. (33) 퐿푆푡 푠

170 Kosten für Fahrstrom unterscheiden sich für private und gewerbliche Kunden. Zur Diskussion der Strompreisannahme vgl. Kapitel 5.4.2.

171 ηBenzin = 18%, ηDiesel = 20%. Energieinhalt Benzin: 8,9 kWh/l und Diesel 9,9 kWh/l, vgl. [133, 302].

77 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Für Infrastruktur zum Gelegenheitsladen werden nur Ladestationen mit einem Ladepunkt angenommen und Formel (33) vereinfacht sich dementsprechend. Ladeinfrastrukturbetreiber als gewerbetreibende sind von der Mehrwertsteuer befreit. Die jährlichen TCO öffentlicher Ladeinfrastruktur 푇퐶푂 퐺퐿/푍퐿 setzen sich zusammen den Annuitäten 퐺퐿/푍퐿 표푝푒푥,퐺퐿/푍퐿 푎푐푎푝푒푥 (vgl. Formel (33)), aus operativen Kosten eines Ladepunkts 푎퐿푃 (für Wartung, Instandhaltung, etc.) sowie dem durch Ladeinfrastrukturbetreiber erwirtschafteten Deckungsbeitrag, wie in Formel (34) als Summe über alle Ladestationen angegeben.

퐺퐿/푍퐿 퐺퐿/푍퐿 표푝푒푥,퐺퐿/푍퐿 푇퐶푂 = 푎푐푎푝푒푥 + ∑ #퐿푃퐿푆푡 ∗ 푎퐿푃 (34) 퐿푆푡 − [#퐸푉 ∗ 퐷퐿푀퐺퐿/푍퐿 ∗ (푎 퐺퐿/푍퐿 − 푎 푆푡푟표푚,퐿퐼푆)].

Operative Kosten werden jährlich fix angenommen. Der Deckungsbeitrag errechnet sich als Summe über alle Ladestandorte aus der durchschnittlichen jährlichen Lademenge je Elektrofahrzeug 퐷퐿푀 퐺퐿/푍퐿 [kWh], dem angenommenen Elektrofahrzeugbestand #퐸푉 sowie aus der Differenz der Netto-Kosten des öffentlichen Ladens172 푎 퐺퐿/푍퐿 [€/kWh] und des Industriestrompreises173 푎 푆푡푟표푚,퐿퐼푆 [€/kWh]. Ferner bezeichnet #퐿푃퐿푆푡 die Anzahl der Ladepunkte je Ladestandort. Den erwirtschafteten Deckungsbeiträgen stehen individuelle Zusatzkosten öffentlich ladender Fahrzeuge in identischer Größenordnung gegenüber (vgl. Formel (31)), sodass diese innerhalb der Systemgrenzen neutral sind. Die den Berechnungen zugrunde liegenden Kostenannahmen sind im folgenden Abschnitt 5.4.2 tabellarisch zusammengefasst. Der Einfluss einzelner Modellparameter auf die Ergebnisse wird in den Ergebnissen (Kapitel 6) durch Sensitivitätsanalysen gezeigt.

5.4.2 Techno-ökonomische Modellparameter Im folgenden Teilkapitel sind die in dieser Arbeit verwendeten Modellannahmen ohne Mehrwertsteuer dargestellt, wie sie für gewerbliche Nutzer anfallen. Für private Fahrzeugnutzer liegen die folgenden Kosten um die zu addierende Mehrwertsteuer höher. Spezifische Batteriekosten (in €/kWh) sowie Leichtbaukosten (in €/kg) werden fahrzeug- größenunabhängig angenommen. Diese Kostenparameter werden in Kapitel 3 hergeleitet und sind in Tabelle 23 zusammengefasst. Die Bezeichnung der Kostenparameter folgt Kapitel 5.4.1.

Tabelle 23. Kostenparameter Batterie und Leichtbautechnologien. Ohne Mehrwertsteuer.

Parameter Einheit Niedrig Hoch aBatterie (Zeithorizont 2016) €/kWh 350 aBatterie (mittelfristiger Zeithorizont) €/kWh 100 250 aLeichtbau €/kg 5

푊푎푙푙푏표푥 Investitionen in private Ladeinfrastrukturhardware 푎푝 betragen 404 €, operative Kosten fallen nicht an (vgl. z.B. [107]). Ökonomische Parameter öffentlicher Ladeinfrastruktur werden in Kapitel 3.4 hergeleitet und sind für Gelegenheitsladen in Tabelle 5 und für Zwischenladen in Tabelle 4 dargestellt.

172 Aus Sicht des Ladeinfrastrukturbetreibers ist dies der Verkaufspreis. 173 Aus Sicht des Ladeinfrastrukturbetreibers ist dies der Einkaufspreis.

78 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.4.2.1 Fahrzeugparameter Fahrzeuggrößenspezifische Kosten (Tabelle 24) basieren auf den in [107] genannten Nettokosten für das Jahr 2015.

Tabelle 24. Kostenparameter Fahrzeuge. Quelle: [107]. Alle Kosten und Preise ohne Mehrwertsteuer. lNfz: leichte Nutzfahrzeuge.

Fahrzeuggröße Parameter Klein Mittel Groß lNfz BEV BasispreisFahrzeug [€] 10.923 17.613 30.932 38.215 aOM [€/km] 0,018 0,033 0,051 0,034 aSteuer [€/a] 0 0 0 0 REEV BasispreisFahrzeug [€] 10.923 17.613 30.932 38.215 aREEX[€]174 4.068 4.064 4.054 4.638 aOM [€/km] 0,023 0,043 0,066 0,044 aSteuer [€/a] 26 34 46 161 Dieselfahrzeug BasispreisFahrzeug [€] 12.666 19.485 32.987 40.200 aOM [€/km] 0,026 0,048 0,074 0,05 aSteuer [€/a] 139 226 349 161 Benzinfahrzeug BasispreisFahrzeug [€] 10.477 17.298 30.755 38.000 aOM [€/km] 0,026 0,048 0,074 0,05 aSteuer [€/a] 65 125 229 161

Nettokosten für ein konventionelles Ersatzfahrzeug werden entsprechend den Kosten für stationsgebundenes Carsharing angenommen (vgl. Tabelle 25).

Tabelle 25. Kostenparameter konventionelles Ersatzfahrzeug. Datenquelle: [286]. Ohne Mehrwertsteuer.

Fahrzeuggröße Parameter Klein Mittel Groß lNfz aTagesmiete [€/d] 19 21 30 35 akm,Mietwagen [€/km] 0,12 0,13 0,18 0,19

Treibstoff- und Strompreise werden auf Basis von Endkundenpreisen für unterschiedliche Nutzergruppen bestimmt und sind ohne MwSt. in Tabelle 26 gezeigt175.

174 Differenz des Nettolistenpreises eines PHEV und eines BEV in [107]. Zum Vergleich: Die Zusatzkosten des Range Extender im BMW i3 betragen 4.500 € netto (BMW AG 2016). 175 Brutto-Preise inkl. Mehrwertsteuer liegen für Strom- sowie Treibstoffpreise um ca. 16% (und nicht um 19%) höher, da die Mehrwertsteuer für diese nicht auf den Endkundenpreis – der weitere Strom- bzw. Kraftstoffsteuern enthält – erhoben werden [26, 32].

79 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Tabelle 26. Treibstoff- und Stromkosten. Ohne Mehrwertsteuer.

Parameter Einheit Wert Quelle Stromkosten privates Laden (private Nutzer) aStrom,Fahren €/kWh 0,24 [22], [46], [107]. Stromkosten privates Laden (gewerbliche Nutzer) aStrom,Fahren €/kWh 0,21 [289], [46], [107]. Kosten Gelegenheitsladen aGL €/kWh 0,36 Eigene Rechnung. Kosten Zwischenladen aZL €/kWh 0,48 Eigene Rechnung, vgl. auch [88]. Stromkosten Industriekunden aStrom,LIS €/kWh 0,13 [22]. Benzin (aTreibstoff) €/l 1,28 [107]. Diesel (aTreibstoff) €/l 1,22 [107].

5.4.2.2 Stromkosten Stromkosten in Deutschland können sich aufgrund unterschiedlicher Preismodelle für einzelne Privat- bzw. Gewerbekunden voneinander unterscheiden176 [46]. Beispielsweise unterscheiden sich Stromkosten je nach Kunden, da einzelne Komponenten des Strompreises, wie Stromsteuern oder Umlagen, nach jährlich abgenommener Strommenge variieren bzw. ganz entfallen (vgl. z.B. [46])177. Preisspannen für Industriekunden mit hohen Energiemengen (Anschluss an Mittelspannungs- ebene178) liegen je nach abgenommener Menge zwischen 11,3 ct/kWh (jährliche Strommenge > 70.000 MWh/a) und 28,04 ct/kWh (< 20 MWh/a) [85]179. Vergleichbare Spannweiten ergab eine empirische Untersuchung des Sektors Gewerbe, Handel, Dienstleistungen (GHD). Durchschnittliche Strompreise variieren zwischen 15,1 ct/kWh (für Krankenhäuser) und 22,0 ct/kWh (im Backgewerbe) [272]. Der Monitoringbericht 2015 der Bundesnetzagentur [46] nennt einen mittleren Strompreis für Gewerbekunden (50 MWh/Jahr, Anschluss an Niederspannungsebene) von 21,47 ct/kWh, [289] nennt Stromkosten für Gewerbekunden von 21,08 ct/kWh. Die Fahrdaten der REM 2030 Fahrprofile-Datenbank stammen aus Unternehmen mit stark unterschiedlichen Mitarbeiterzahlen (<10 bis >5.000) und aus unterschiedlichen Sektoren (vgl. [107]). Da die von den Unternehmen bezogenen Strommengen unbekannt sind, ist eine unter- nehmensspezifische Abschätzung der Stromkosten nicht exakt möglich. Daher erfolgt in dieser Arbeit eine pauschale Abschätzung der Stromkosten von 21 ct/kWh (ohne MWSt.). Ladeinfrastrukturanbieter werden, je nach Anzahl eigener Ladestationen, bei einer hohen Verbreitung von Elektrofahrzeugen große Strommengen abnehmen180. Für diese werden daher Industriestrompreise mit 13 ct/kWh nach BDEW (2016) [22] angesetzt (Jahresverbrauch von 160 bis 20.000 MWh).

176 Beispielsweise werden in dieser Arbeit fixe und variable Preisbestandteile bzw. Arbeits- und Leistungspreise nicht unterschieden (vgl. z.B. [46]). 177 Für einen internationalen Vergleich siehe [120]. 178 Vgl. z.B. [46]. 179 Inklusive aller Steuern und Abgaben. Ohne MwSt. und erstattungsfähige Steuern und Abgaben: 7,96 bis 22,03 ct/kWh (<20 MWh/a). Zum Vergleich (Preisangaben in Eurocent ohne Mehrwertsteuer): [46] gibt eine Spanne für Industriekunden von 13,45 - 16,48 ct/kWh an, mit einer weiteren maximalen Vergünstigung in Abhängigkeit der abgenommenen Strommenge von 9,75 ct/kWh. [22] nennt 9,8 – 15,04 ct/kWh. 180 Bei einer Verbreitung von 500.000 Elektrofahrzeugen mit einem durchschnittlichen jährlichen öffentlichen Zwischenladebedarf von 100 kWh/a (10 Ladevorgänge je 10 kWh) ergibt sich ein jährlicher Zwischenladebedarf von 50.000 MWh. Bei angenommenen zwei bis drei Ladeinfrastrukturanbietern entspricht dies 15.000 – 25.000 MWh je Anbieter und Jahr.

80 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Die Kosten für öffentliches Gelegenheitsladen (Zwischenladen) folgen der Annahme eines 50%igen (100%igen) Aufschlags auf den Strompreis für privates Laden gewerblicher Nutzer und liegen in der Größenordnung aktueller kommerzieller Angebote zum Zwischenladen (z.B. [88]181). Treibstoffkosten für Benzin und Diesel liegen aktuell unter den angenommenen Kosten, langfristig ist aber eine Steigerung des Ölpreises wahrscheinlich [143].

5.4.2.3 Allgemeine Kostenparameter Die für die Annuisierung der Investitionen relevanten Parameter Zinssatz und Lebensdauer der Komponenten sind in Tabelle 27 gezeigt. Es wird unterstellt, dass Kosten der Genehmigung und Montage (vgl. Kapitel 3.4.2) entsprechend der Nutzungsdauer der Ladeinfrastrukturhardware annuisiert werden. Für alle Kosten wird ein einheitlicher Zinssatz verwendet.

Tabelle 27. Allgemeine Kostenparameter.

Parameter Ausprägung Quelle Nutzungsdauer Fahrzeug 11,9 Jahre [251] Nutzungsdauer Batterie 11,9 Jahre Entsprechend Fahrzeug Nutzungsdauer Ladeinfrastrukturhardware 15 Jahre [107], [273] Nutzungsdauer Netzkomponenten (Leitungen, Kabel) 35 Jahre [48] (StromNEV) Zinssatz 5% [107], [246]

Aufgrund geringer empirischer Batteriedegradation (vgl. Kapitel 3.2 und [259]) wird die Lebensdauer der Batterie entsprechend der Fahrzeuglebensdauer angenommen. Kürzere Lebensdauern werden nicht adressiert, ein entsprechender Einfluss lässt sich aber aus einer Steigerung der Batteriekosten ableiten182. Restwerte von Batterien am Ende der Fahrzeuglebensdauer werden ebenfalls nicht betrachtet, obwohl diese für stationäre Anwendungen noch genutzt werden könnten (vgl. z.B. [89]).

181 Das kommerzielle Angebot gilt in Verbindung mit einem monatlichen Grundpreis. 182 Beispielsweise liegen annuisierte Kapitalkosten einer Batterie mit einer Lebensdauer von acht Jahren und einem Batteriepreis von 350 €/kWh in der Größenordnung einer Batterie mit einer angenommenen Lebensdauer von 11,9 Jahren und höheren Kosten von 450 €/kWh.

81 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.5 Zusammenfassung und Diskussion Gesamtmodell In dieser Arbeit wird ein dreistufiger Modellaufbau vorgeschlagen, um die Maßnahmen „Aufbau öffentlicher Ladeinfrastruktur“ sowie „Erhöhung der elektrischen Fahrzeugreichweite“ techno- ökonomisch miteinander zu vergleichen. In den einzelnen Modellteilen werden Modellansätze aus der Literatur weiterentwickelt und Schnittstellen zwischen den einzelnen Modellteilen geschaffen (vgl. Kapitel 5.1), die es erlauben, die individuelle Sicht eines BEV-Nutzers (Kapitel 5.2) mit der makroskopischen Sicht des Ladeinfrastrukturaufbaus (Kapitel 5.3) zusammenzubringen und techno- ökonomisch in einem integrierten Modellansatz gemeinsam zu bewerten. Das Modell zeichnet sich im Besonderen durch folgende Punkte aus: 1. Die Nutzung realer Fahrdaten mit hoher zeitlicher Auflösung und langer Beobachtungsdauer (vgl. Kapitel 4) erlaubt eine detaillierte Analyse individuellen Fahrverhaltens. Dieses ist für eine akkurate Bewertung individueller BEV-Nutzbarkeit wesentlich. 2. Basierend auf den hochaufgelösten Daten wird über eine Simulation der Fahrwiderstände individuelles Fahrverhalten abgebildet. Individuelle Lademöglichkeiten ergeben sich aus dem Fahr- und Standverhalten der einzelnen Fahrprofile in Verbindung mit angenommenen Laderestriktionen. 3. Individuelle Ladebedarfe, die sich aus der Analyse individuellen Fahrverhaltens ergeben, dienen als Modellinput für ein Warteschlangenmodell. Dieses nutzt, im Gegensatz zu vergleichbaren Studien183, normalverteilte und nicht exponentialverteilte Bedienzeiten, da diese empirisches Ladeverhalten besser abbilden. Im Zusammenhang mit einer im Modell abgebildeten geographischen Ladeinfrastrukturverfügbarkeit ist es möglich, den Bedarf an öffentlicher Ladeinfrastruktur zu quantifizieren, der für die Deckung individueller Ladebedarfe notwendig ist. Hierdurch unterscheidet sich das vorliegende Modell von vielen Studien zur Analyse der BEV-Nutzbarkeit, die Kapazitätsbeschränkungen öffentlicher Ladeinfrastruktur aus den Betrachtungen ausklammern und öffentliche Ladeinfrastrukturbedarfe nur bedingt quantifizieren können. 4. Eine detaillierte Analyse der Gesamtkosten erlaubt die techno-ökonomische Bewertung von Interdependenzen zwischen dem Bedarf an öffentlicher Ladeinfrastruktur und der Erhöhung individueller Fahrzeugreichweiten. Hierin unterscheidet sich die vorliegende Arbeit von vergleichbaren Studien (vgl. Kapitel 2.2). Dieses Teilkapitel diskutiert schließlich die mit dem Modellierungsansatz und dem Untersuchungsrahmen verbundenen Einschränkungen sowie den Einfluss der getroffenen Parameterannahmen. Die Diskussion erfolgt für die drei Modellteile separat (Kapitel 5.5.1-5.5.3).

5.5.1 Modellteil 1: Technisches Potential von BEV Die Bestimmung der Nutzbarkeit von BEV erfolgt in dieser Arbeit mittels nutzerspezifischer Simulation der Fahrwiderstände. Dieses auf der Simulation einzelner Fahrzeuge basierende Modell erfordert sowohl eine hohe Daten- als auch eine hohe Rechenintensität [35]184. Insbesondere die lastpunktabhängige Berechnung individueller Fahrenergiebedarfe und -reichweiten ist rechenintensiv. Ein Rechenlauf der 467 gewerblichen Fahrprofile erfordert für alle Parametervariationen (n=54, Tabelle 16) ca. 96 Stunden mit einem Laptop-PC (2 Kerne, 4 GB RAM). Dieses Vorgehen erlaubt neben der Bestimmung individueller Fahrenergiebedarfe ebenfalls eine Simulation nutzerspezifischer Fahrzeugwirkungsgrade, die für gewerbliche Fahrprofile zwischen 0,72 und 0,82 und im Mittel bei 0,78

183 Vgl. z.B. [14, 112, 156]. 184 Für eine methodische Diskussion des Modellansatzes vgl. Kapitel 5.1.

82 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite liegen (Standardabweichung 0,01). Insgesamt ist der Effekt auf den Fahrenergiebedarf mit maximal fünf Prozent Abweichung vom Mittelwert vergleichsweise gering. Eine Vernachlässigung dieses Effekts zur Reduktion der Modellkomplexität wäre vertretbar, auch vor dem Hintergrund, dass Effekte, wie beispielsweise das Verhalten gealterter Batterien, im Modell nicht abgebildet werden. Die Simulation der Fahrwiderstände basiert auf realen Fahrdaten konventioneller Fahrzeuge. Die Erhebung und Bearbeitung hochaufgelöster Daten ist aufwändig (vgl. z.B. [244]), jedoch erlauben nur diese eine Abbildung aktuellen Nutzerverhaltens (vgl. Kapitel 2.2.1). GPS-Fahrdaten gewerblicher Fahrzeuge sind öffentlich nicht verfügbar, diese Fahrzeuggruppe ist aber aufgrund des hohen Anteils an Neuzulassungen in Deutschland für die Verbreitung von Fahrzeugen mit alternativen Antrieben von besonderer Bedeutung. Daher wurden im Rahmen der vorliegenden Arbeit gewerbliche Fahrdaten mit einem Beobachtungshorizont von durchschnittlich 22,5 Tagen erhoben und aufbereitet (Kapitel 4). Diese Daten bilden den Fokus der Arbeit. Da das Fahrverhalten privater Fahrzeuge sich von gewerblichen Fahrzeugen unterscheidet (Kapitel 4.3), wurden in dieser Arbeit private Fahrdaten ergänzend betrachtet, um eine differenzierte Aussage zum techno-ökonomischen Potential der einzelnen Maßnahmen für diese beiden Nutzergruppen zu treffen. Eine Erhebung von GPS-Daten privater Fahrzeuge konnte im Rahmen dieser Arbeit nicht erfolgen. Daher wurde auf öffentlich verfügbare Daten des Privatverkehrs zurückgegriffen. Da für Deutschland derartige Daten in der geforderten Auflösung nicht verfügbar sind, wurden sekündlich aufgelöste Daten aus Kanada mit einem durchschnittlichen Beobachtungszeitraum von 222,6 Tagen [309] verwendet und die eingeschränkte Übertragbarkeit der Ergebnisse auf deutsches Fahrverhalten in Kauf genommen. Die sekündliche Auflösung der privaten Fahrdaten erlaubt eine realistische Darstellung individuellen Fahrverhaltens auf Basis längsdynamischer Betrachtungen. Hingegen weisen die gewerblichen Fahrdaten eine durchschnittliche Auflösung von 20 Sekunden auf. Effekte kurzer Beschleunigungs- und Bremsphasen, die innerhalb dieses Zeitintervalls ablaufen, können mit diesen Daten nicht berücksichtigt werden. Zur Abschätzung dieses Effekts wurde der Anteil des Fahrenergiebedarfs, der durch den Beschleunigungswiderstand verursacht wird, für gewerbliche und private Fahrdaten bestimmt und verglichen. Dieser beträgt für die gewerblichen Fahrprofile im Mittel 10%, während dieser für private Fahrdaten, die aufgrund der sekündlichen Auflösung präzise Aussagen erlauben, bei durchschnittlich ca. 35% liegt. Der letztgenannte Wert stimmt mit durchschnittlichen Verbrauchsanteilen im Neuen Europäischen Fahrzyklus (NEFZ) überein (vgl. [266]). Auch wenn die Anteile des durch Beschleunigungswiderstände verursachten Fahrenergiebedarfs von der jeweiligen Fahrsituation abhängen und diese für die beiden Datensätze unterschiedlich sein könnten, sind die Unterschiede deutlich. Unter der Annahme, dass die weitere Datenqualität der Datensätze (wie Genauigkeit der Geschwindigkeitsangabe o.ä.) begrenzten Einfluss auf individuelle Fahrenergiebedarfe hat, bedeutet dies insgesamt, dass simulierte Fahrenergiebedarfe gewerblicher Fahrprofile in Einzelfällen bis zu 30% zu niedrig sein könnten und Modellergebnisse elektrische Fahrzeugreichweiten und Potentiale überschätzten. Nichtsdestotrotz stimmen die simulierten Fahrenergiebedarfe im Mittel gut mit offiziellen Normverbräuchen (EPA Rating) aktueller BEV überein (vgl. Tabelle 28). Die Qualität der Datenbasis ist bei der Interpretation der Ergebnisse zu beachten. Für das Hauptziel der Arbeit – die Analyse von Unterschieden im individuellen Fahrverhalten – ist der Umfang und die Auflösung der gewerblichen Fahrdaten, unter den genannten Einschränkungen, zielführend. Die Bewertung des technischen Potentials von BEV basiert auf dem Fahrverhalten einzelner Fahrzeuge. Es wird unterstellt, dass BEV alle Fahrmuster185 der analysierten Fahrprofile erfüllen müssen. Eine Anpassung des Nutzungsverhaltens wird nicht angenommen186. In Fahrzeugflotten [252] oder für Haushalte mit mehreren Fahrzeugen [176, 297] kann das Potential von BEV durch gezielten

185 Bei 99%iger Nutzbarkeit, vgl. Kapitel 5 und 6.1. 186 Mit Ausnahme der angenommenen zusätzlichen Ladestopps zum Zwischenladen.

83 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Fahrzeugeinsatz höher sein als für Einzelfahrzeuganalysen, wie in dieser Arbeit dargestellt. Eine Quantifizierung dieser Effekte ist im Rahmen dieser Arbeit nicht möglich. Fahrenergiebedarfe zur Überwindung des Steigungswiderstands wurden in dieser Arbeit nicht betrachtet, um, analog zur Berechnung von offiziellen Verbrauchsangaben in Testzyklen wie dem NEFZ, von lokal spezifischen Streckentopologien unabhängige Aussagen zu treffen. Weiterhin sind die hierfür notwendigen geographischen Informationen für die analysierten privaten Profile nicht verfügbar. Die Überwindung von Steigungen sind aber mit hohen Leistungsbedarfen verbunden [334]. Da aber BEV bergab rekuperieren können, ist der Einfluss des Steigungswiderstands auf den mittleren Fahrenergie- bedarf begrenzt. Beispielsweise zeigte sich in Forschungsprojekten, dass Temperaturbedingungen auf mittlere Fahrenergiebedarfe von Elektrobussen in Deutschland einen höheren Einfluss haben als unterschiedlichen Streckentopologien [87]. Daher wird unterstellt, dass Aussagen zur Erhöhung der Reichweite von BEV auch ohne Berücksichtigung des Steigungswiderstands allgemeine Gültigkeit besitzen bzw. dass Analysen eines erhöhten Leistungsbedarfs aufgrund extremer Temperaturen einen Anhaltspunkt für erhöhte Fahrenergiebedarfe einzelner Nutzer in topologisch anspruchsvollen Gebieten darstellen. In den konventionellen Fahrprofilen sind naturgemäß keine Informationen zu möglichem Ladeverhalten vorhanden. Weiterhin ist aufgrund der geringen Verbreitung von BEV individuelles Ladeverhalten an öffentlicher Ladeinfrastruktur noch nicht gänzlich verstanden (vgl. auch Kapitel 3.4). Ein Ansatz in der Literatur [227, 330] ist es, Ladestandorte vorzugeben und individuelle Lademöglichkeiten über die Nähe zu diesen Standorten abzubilden. Dieser Ansatz ist aber mit der Verfügbarkeit lokaler Daten verbunden. In dieser Arbeit wird ein Ansatz gewählt, der über die Definition allgemein gültiger Ladekriterien unabhängig von lokalen Gegebenheiten individuelle Lademöglichkeiten unterstellt. Entsprechende Ladekriterien werden aus der Analyse empirischer Ladedaten abgeleitet, diese sind jedoch aufgrund der genannten Gründe mit Unsicherheiten behaftet. Die Abhängigkeit der Ergebnisse von einzelnen Ladeannahmen wird daher in Kapitel 6 analysiert. Die Anzahl jährlicher Zwischenladebedarfe wird über die Annahme log-normalverteilter Tagesfahrleistungen einzelner Nutzer aus den jeweiligen Fahrdaten bestimmt, um auch seltene lange Fahrten, die in kurzen Beobachtungsdauern unterrepräsentiert sind (vgl. Kapitel 2.2.1), in die Analysen einzubeziehen. Die Annahme log-normalverteilter Tagesfahrleistungen liefert im Vergleich zu anderen Verteilungsannahmen höhere Zwischenladebedarfe (vgl. [258]) und ist daher für die Bestimmung des technischen Potentials von BEV als konservativ einzustufen. Eine Abschätzung dieses Effekts erfolgt im Vergleich zu der Annahme weibull-verteilter Tagesfahrleistungen in Kapitel 6.1.4. Das Modell zur Berechnung individueller Fahrenergiebedarfe wird durch Simulation des Neuen Euro- päischen Fahrzyklus (NEFZ) validiert. Hierzu wird der Fahrenergiebedarf des NEFZ für Fahr- zeugparameter aktueller BEV (Masse, cw-Wert und Stirnfläche, Modelljahr 2014 der Fahrzeuge Smart ed, BMW i3, Mercedes Benz B-Klasse ed, Nissan Leaf, VW e-Golf, Renault Zoe und Tesla Model S) in Verbindung der in Kapitel 5.2.2 dargestellten Antriebstrangkomponenten modelliert und mit den offiziellen Fahrenergiebedarfen der jeweiligen BEV verglichen. Der modellierte Energiebedarf liegt im Durchschnitt zwei Prozent unter den offiziellen Werten. Dies ist aufgrund der im Fahrzeugmodell sehr effizienten Betriebskomponenten als plausibel einzuschätzen und erscheint mit Blick auf zukünftige Entwicklungen angemessen. Diese Annahme wird gestützt durch die Tatsache, dass der Volkswagen e-Golf bereits aktuell effizienter ist (NEFZ) als die angenommenen Modellwerte. Auch ein fahrzeuggrößenspezifischer Vergleich der Simulationsergebnisse der gewerblichen und privaten

84 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Fahrprofile (mittlere Fahrenergiebedarfe) mit US-amerikanischen Normverbräuchen (EPA Rating187) zeigt eine gute Übereinstimmung (vgl. Tabelle 28). Für die Fahrzeuggröße klein liegen die Fahrenergiebedarfe der untersuchten BEV (EPA Rating) in der Größenordnung mittlerer Fahrzeuggrößen und sind deshalb mit der simulierten Fahrzeuggröße klein nur bedingt vergleichbar. Die simulierten Fahrenergiebedarfe variieren stark. Dies ist im Einklang mit Analysen empirischen Fahrverhaltens [123, 235, 256, 257, 304] und die simulierten Fahrenergiebedarfe erlauben insgesamt eine realitätsnahe Abschätzung aktuellen Fahrverhaltens. Da repräsentative Vergleichsdaten nicht vorliegen, im Besonderen nicht als Verteilung nutzerindividueller Kennwerte, ist eine weitergehende statistische Bewertung der (Repräsentativität der) Fahrdaten, beispielsweise über Homogenitäts- oder Verteilungstests wie den Chi-Quadrat-Test, im Rahmen dieser Arbeit nicht möglich.

Tabelle 28. Vergleich der Simulationsergebnisse mit Normverbräuchen (EPA) aktueller BEV. In kWh/100km. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Simulierte Fahrenergiebedarfe (PK1188) EPA Rating Fahrzeuggröße Min Mittelwert Median Max SD aktueller BEV Klein 10,9 13,8 ± 0,4 12,9 22,4 2,3 17,4-19,9 Mittel gew. (priv.) 13,0 (14,3) 18,7 ± 0,6 17,8 (16,2) 32,2 (19,5) 4,4 (1,1) 15,5-19,9 (16,4 ± 0,3) Groß (PK3188) 15,0 (18,0) 21,6 ± 1,4 20,2 (22,7) 37,6 (40,0) 5,2 (4,4) 21,1 (23,6) (23,8 ± 1,5) lNfz 15,7 21,6 ± 0,9 20,4 38,4 4,5 30,0 - 35,5

5.5.2 Modellteil 2: Ladeinfrastrukturbedarfsbestimmung Aufgrund fehlender empirischer Ladedaten für hoch ausgelastete Ladestandorte (Stand 11/2016) ist eine Validierung der Modellaussagen zur zeitlichen Verfügbarkeit von Ladeinfrastruktur nicht möglich. Daher erfolgt eine kritische Diskussion der Modellannahmen. Die Verwendung von Warteschlangensystemen zur Dimensionierung von Bedienschaltern ist gebräuchlich [27, 125, 190] und wurde bereits auf die Problematik der Dimensionierung von Ladestandorten übertragen [112, 156, 159]. In dieser Arbeit werden zur Dimensionierung einzelner Ladestandorte Warteschlangensysteme mit normalverteilten Bedienzeiten modelliert, da diese empirisches Ladeverhalten besser abbilden als exponentialverteilte Bedienzeiten, die für die Dimensionierung von Warteschlangen häufig verwendet werden (z.B. [156, 159]). Weiterhin ist anzumerken, dass aufgrund der verwendeten Näherungsformel (Formel (19)) nicht die Form der Verteilung der Ladezeiten in die Berechnungen eingeht, sondern nur deren Mittelwert und Varianz und eine kritische Diskussion der Verteilungsannahme der Ladezeiten vor diesem Hintergrund zu interpretieren ist. Da außerdem der Mittelwert der Ladezeiten einen deutlich höheren Einfluss auf Ladeinfrastrukturbedarfe hat als deren Varianz (vgl. Formel (19) und Tabelle 21), ist bei der Warte- schlangenmodellierung auf den Mittelwert der zu erwartenden Ladezeit der Hauptfokus zu legen.

187 EPA Ratings der einzelnen Fahrzeuge nach fueleconomy.gov (Stand 11.2016). Untersuchte BEV: Klein: 2016 Chevrolet Spark EV, 2016 Mitsubishi i-MiEV, 2016 Fiat 500e, 2016 smart fortwo electric drive coupe; Mittel: 2017 Hyundai Ioniq Electric, 2016 BMW i3 BEV, 2016 Volkswagen e-Golf, 2016 Nissan Leaf, 2016 Ford Focus Electric. Der Normverbrauch des 2016 Mercedes-Benz B250e weicht mit 24,9 kwh/100km stark von den anderen Fahrzeugdaten ab und ist daher nicht dargestellt; Groß: 2016 Tesla Model S (90 kWh Batterie), 2016 Tesla Model X AWD - P90D; lNfz: Kreisel Electric Transporter, German E-cars Plantos (lNfz: herstellereigene Angaben). 188 PK1: Referenzfahrzeug, PK3: dreifache Batteriekapazität, vgl. Tabelle 29. SD: Standardabweichung.

85 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Die Dimensionierung einzelner Ladestandorte basiert auf dem Zielkriterium der durchschnittlichen Wartezeit. Dieses erlaubt auch für M/G/s-Warteschlangensysteme analytische Lösungen (vgl. Näherungsformel (19)). Alternative Zielkriterien, wie die Unterschreitung einer Wartezeit mit einer bestimmten Wahrscheinlichkeit [112] sind möglich, erfordern aber für M/G/s-Warteschlangen- systeme rechenintensive Simulationen, da diese keine geschlossenen Lösungen erlauben. Für das Gelegenheitsladen werden M/G/1/2-Warteschlangensysteme angenommen, abgewiesene Fahrzeuge werden aus der Betrachtung ausgeklammert. Vor dem Hintergrund des Gelegenheitscharakters dieser Ladeart erscheint diese Annahme vertretbar. Die Auslegung der Ladeinfrastruktur erfolgt für Stoßzeiten. Dies führt zu geringer Auslastung der Ladeinfrastruktur außerhalb dieser. Andererseits wird implizit von einer Gleichverteilung der Ladebedarfe über Wochentage und über das Jahr ausgegangen. Im Hinblick auf ein höheres Fahrzeugaufkommen an Freitagen [112, 158] sowie zu Urlaubszeiten [113] werden Wartezeiten für diese Zeiträume unterschätzt. Die Nutzung von Informations- und Kommunikationstechnologien, beispielsweise die Reservierung von Ladepunkten, könnte derartige Lastspitzen nivellieren und zu einer gleichmäßigeren Auslastung von Ladeinfrastruktur beitragen. Derartige Effekte wurden nicht untersucht. Schließlich wird der Ausfall einzelner Ladepunkte nicht berücksichtigt. Dieser würde an einzelnen Ladestandorten zu entsprechend höheren Wartezeiten führen (vgl. auch Abbildung E 1, rechts). Aufgrund der empirisch hohen Verfügbarkeit einzelner Ladepunkte von 98-99% [55, 88] dürften Unsicherheiten bezüglich des tatsächlichen örtlichen Ladebedarfs Wartezeiten stärker beeinflussen als die vergleichsweise geringe Wahrscheinlichkeit189 eines ausgefallenen Ladepunkts. Die Anzahl benötigter Ladepunkte hängt stark von der angenommenen Ladeleistung ab, da diese maßgeblich Bedien- und Wartezeiten beeinflusst. In der vorliegenden Arbeit wurde die Ladeleistung je Ladepunkt an allen Ladestandorten identisch angenommen. Ladestationen mit unterschiedlichen Ladeleistungen, beispielweise aufgrund unterschiedlicher Anbieter, führen zu unterschiedlichen Ergebnissen. Der Einfluss der Ladeleistungen auf den Ladeinfrastrukturbedarf wird in Sensitivitätsanalysen adressiert (vgl. Kapitel 6). Die Verteilung lokaler Ladebedarfe wurde entsprechend der Verkehrsstärken (Fahrzeuge/24h) einzelner Autobahnabschnitte nach BASt (2010) [19] bestimmt. Es wird angenommen, dass sich BEV entsprechend auf die einzelnen Autobahnabschnitte verteilen. Heutiges Fahrverhalten – und somit der BASt-Datensatz – ist durch einen hohen Anteil privater Fahrzeuge im heutigen Fahrzeugbestand geprägt, wohingegen in dieser Arbeit hauptsächlich gewerbliche Fahrzeuge untersucht werden (vgl. Kapitel 4.2). Hierdurch ergeben sich möglicherweise Unterschiede im lokalen Fahrverhalten, die dementsprechend die Bestimmung lokaler Ladebedarfe beeinflussen. Der Einfluss einer veränderten Verteilung von Ladebedarfen auf den gesamten Infrastrukturbedarf aufgrund möglicher regionaler Unterschiede von gewerblichem und privatem Fahrverhalten wird aber als gering eingestuft. Eine Quantifizierung dieses Effekts kann im Rahmen dieser Arbeit nicht erfolgen. Aussagen zur Platzierung einzelner, spezifischer Ladestandorte werden in dieser Arbeit nicht getroffen und bedürfen einer detaillierten Analyse lokaler Verkehrsflüsse (vgl. z.B. [158]). Weiterhin werden in der vorliegenden Analyse existierende Ladestandorte nicht betrachtet. Während existierende Ladestandorte Einfluss auf die Platzierung neuer Ladestandorte haben, ist deren Einfluss bei vergleichbaren Annahmen zu Ladeleistungen auf die Modellergebnisse dieser Arbeit gering und diese reduzieren den Ladeinfrastrukturbedarf entsprechend.

189 Die Wahrscheinlichkeit 푝퐴, dass maximal einer von 푠 = 8 Ladepunkten ausfällt, ist für die Verfügbarkeit 푠−1 1 푠 eines Ladepunkts von 푝퐿푉 = 98% (99%): 푝퐴 = [푝퐿푉 ∗ (1 − 푝퐿푉) ] + 푝퐿푉 ~ 87% (93%).

86 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

5.5.3 Modellteil 3: Kostenvergleich Die Ergebnisse des wirtschaftlichen Vergleichs unterliegen dem angenommenen Unter- suchungsrahmen, der kritisch beleuchtet wird. Das Grundmodell der dynamischen Investitionsrechnung basiert auf der Annahme eines vollkommenen Kapitalmarktes, d.h. der Annahme eines konstanten Zinssatzes über den gesamten Planungszeitraum unabhängig vom Investitionsvolumen [327, S. 483]. Weiterhin wird in dieser Arbeit für alle Akteure derselbe Zinssatz verwendet. Da der Fokus dieser Arbeit nicht die Bewertung von Investitionsentscheidungen einzelner Akteure ist und da veränderte Zinsbelastungen wahrscheinlich Batteriekosten sowie Ladeinfrastrukturkosten in einer ähnlichen Größenordnung beeinflussen und somit die die Ergebnisse dieser Arbeit qualitativ nicht ändern, wird dieses Vorgehen als zielführend für diese Arbeit betrachtet. Für die Reichweiten-verlängernden Maßnahmen werden Kosten unterstellt, die z.B. einem Fahrzeughersteller entstehen würden (vgl. Kapitel 5.4). Dieses Vorgehen ist adäquat für diese Arbeit, da ihr Ziel nicht die Bewertung der Wirtschaftlichkeit einzelner Akteure ist, beispielsweise um Kaufentscheidungen von Fahrzeugnutzern zu analysieren190. Für Fragestellungen des veränderten Kundennutzens hingegen ist der hier gewählte Ansatz nicht zielführend, da sich der ökonomische Rahmen dieser Arbeit von einer Vollkostenbewertung (TCO) aus Endkundensicht in folgenden Punkten unterscheidet: 1) In dieser Arbeit werden keine Endkundenpreise inklusive der Gewinnmargen der Hersteller angenommen, sondern unterstellt, dass Preise den jeweiligen Implementierungskosten entsprechen. 2) Kosten für den Aus- und Aufbau von Ladeinfrastruktur – und die Erlöse ihres Betriebs – werden gleichmäßig auf die einzelnen Fahrzeugnutzer aufgeteilt, um einen direkten Vergleich mit fahrzeugseitigen Maßnahmen zu ermöglichen. Real werden diese Kosten und Erlöse aber durch den Ladeinfrastrukturbetreiber getragen werden. 3) Es werden reine Kosten der Maßnahmen betrachtet, mögliche Abschreibungseffekte von gewerblichen Fahrzeugkunden werden nicht betrachtet. Nach [251] führt die Möglichkeit der Abschreibungen für gewerbliche Kunden dazu, dass die kumulative Dichtefunktion der Differenz-TCO zu konventionellen Fahrzeugen für diese im Vergleich zu privaten Fahrzeugen flacher verläuft. Jedoch ändert die Außerachtlassung von Abschreibungen die Gesamtkosten aller Maßnahmenkombinationen näherungsweise linear und beeinflusst daher die Auswahl der Reichweiten-verlängernder Maßnahmen nicht. Den obigen Ausführungen entsprechend werden für den Betrieb von Ladeinfrastruktur keine Kosten für Pacht von Grund und Boden betrachtet. Diese variieren vor allem im Innenstadtbereich stark und die Angabe von Durchschnittskosten für öffentliche Ladeinfrastruktur ist daher stark von den getroffenen Annahmen zu deren Position abhängig. Eine reine techno-ökonomische Betrachtung, wie in dieser Arbeit, vernachlässigt psychologische Effekte. Beispielsweise könnten Fahrzeugnutzer höhere Fahrzeugreichweiten aufgrund von Reichweitenängsten präferieren, obwohl diese techno-ökonomisch nicht sinnvoll sind [93]. Derartige Effekte können im Rahmen dieser Arbeit nicht untersucht werden. Eine Bewertung des zusätzlichen Zeitbedarfs für Zwischenladestopps erfolgt für gewerbliche Anwendungen in einer Sensitivitätsanalyse über erhöhte Personalkosten. Basierend auf einem Stundenlohn von 50 € [336] und einem durchschnittlichen Zeitbedarf eines Ladevorgangs inklusive Anfahrt und Handhabung von 25 Minuten wird ein Ladevorgang für gewerbliche Fahrzeuge mit zusätzlichen Kosten von 20 € bewertet (vgl. Kapitel 6.3.2.4).

190 Die Bewertung der Maßnahmen erfolgt zwar als Differenzkosten zu konventionellen Fahrzeugen. Die Betrachtung konventioneller Fahrzeuge dient aber hauptsächlich dazu, eine gemeinsame Vergleichsbasis für alle Fahrprofile zu schaffen, im Besonderen für Fahrprofile, die im definierten Referenzfall nicht durch ein BEV ersetzt werden können, vgl. Abschnitt 5.4.1.

87 Modellentwicklung: Vergleich von Ladeinfrastrukturverfügbarkeit und Fahrzeugreichweite

Für die ökonomischen Parameter wird keine Inflation oder sonstige Preisentwicklung angenommen. Zwar könnten sich einzelne Kostenkomponenten191 zukünftig unterschiedlich entwickeln und die relativen Kostendifferenzen der einzelnen Reichweiten-verlängernden Maßnahmen verändern. Diese Effekte dürften aber einen geringen Einfluss auf die Auswahl der Maßnahmen haben. Da weiterhin der Fokus dieser Arbeit der Vergleich unterschiedlicher Reichweiten-verlängernder Technologien ist und nicht ein Vergleich von Elektrofahrzeugen mit konventionellen Fahrzeugen, ist die wahrscheinlich zunehmende ökonomische Attraktivität von Elektrofahrzeugen gegenüber konventionellen Fahrzeugen aufgrund langfristig (nach 2025) steigender Benzin- und Dieselpreise (sowie sinkender bzw. stagnierender Strompreise) [143, 260] für die Kernaussagen dieser Arbeit nicht maßgeblich. Analog sind Fragestellungen hinsichtlich der Kompensation von Mindereinnahmen der öffentlichen Hand aus der Mineralölsteuer für diese Arbeit nicht relevant. Insgesamt wird der Einfluss dieser Entwicklungen auf die Ergebnisse dieser Arbeit als gering eingestuft.

191 Beispielsweise Hardwarekosten von Ladeinfrastruktur oder Batteriekosten.

88 Ergebnisse

6 Ergebnisse Ziel dieses Kapitels 6 ist die Darstellung der Ergebnisse dieser Arbeit. Entsprechend des in Kapitel 2 identifizierten Forschungsbedarfs liegt der Fokus der vorliegenden Arbeit auf der Analyse, inwieweit individuelle Fahrzeugreichweiten und der Auf- bzw. Ausbau von Ladeinfrastruktur das technische Potential von Elektrofahrzeugen erhöhen können und wie sich Ladeinfrastrukturbedarfe aufgrund steigender Fahrzeugreichweiten verändern. Die entwickelte Methodik zeigt Kapitel 5. Der Aufbau dieses Kapitels folgt dem Aufbau des 5. Kapitels. Zunächst werden in Kapitel 6.1 nutzerspezifische elektrische Tagesreichweiten abgeleitet und das Potential von Elektrofahrzeugen bestimmt. Die Anzahl benötigter Ladepunkte als Ergebnis der Ladeinfrastrukturbedarfsanalyse zeigt Kapitel 6.2. Schließlich erfolgt in Kapitel 6.3 der techno-ökonomische Vergleich der analysierten Maßnahmen. Aufgrund der unterschiedlichen Charakteristika des gewerblichen und privaten Fahrverhaltens – Fahrleistungen gewerblicher Fahrzeuge übersteigen im Durchschnitt Fahrleistungen privater Fahrzeuge deutlich – und aufgrund der Spezifika der einzelnen Datensätze192 erfolgt die Darstellung der Ergebnisse zu privaten und gewerblichen Fahrprofilen getrennt in den einzelnen Kapiteln. Die Analyse von veränderten Rahmenbedingungen, wie erhöhten Leistungsbedarfen aufgrund der Fahrzeugklimatisierung, sowie Sensitivitätsanalysen bezüglich der Modellannahmen erfolgen ebenfalls in den einzelnen Teilkapiteln. Die einzelnen Teilkapitel schließen mit einer Zusammenfassung und Schlussfolgerung der Ergebnisse und umfassen eine Einordnung in die Erkenntnisse anderer Arbeiten.

6.1 Nutzbarkeit und technisches Potential von batterieelektrischen Fahrzeugen Die Nutzbarkeit von Elektrofahrzeugen ist fahrprofilspezifisch, da das Fahrverhalten und die Verfügbarkeit potentieller Lademöglichkeiten individuell variieren. Ziel dieses Teilkapitels 6.1 ist die Darstellung fahrprofilspezifischer Parameter. Zunächst werden fahrprofilspezifische Fahrzeug- und Tagesreichweiten für die untersuchten Parameterkombinationen (vgl. Tabelle 29) dargestellt. Die Nutzung öffentlicher Ladeinfrastruktur zum Zwischenladen ist mit Stopps verbunden, die für die Fahrzeugnutzer einen zusätzlichen zeitlichen Aufwand bedeuten. Als Indikator für diesen zusätzlichen Aufwand werden jährlich benötigte Ladestopps je Fahrprofil berechnet und in diesem Kapitel diskutiert. Schließlich wird das technische Potential von Elektrofahrzeugen aus den Kriterien Nutzbarkeit und Anzahl Ladebedarfe abgeleitet, die eine unkomplizierte Nutzung von Elektrofahrzeugen implizieren (sollen). Der Einfluss der gewählten Kriterien auf die Ergebnisse dieser Arbeit wird anschließend diskutiert. Die Darstellung des technischen Potentials von Elektrofahrzeugen für die einzelnen Reichweiten-verlängernden Maßnahmen bildet das Hauptergebnis dieses Teilkapitels. In der folgenden Darstellung werden die fahrzeugseitigen Parameterkombinationen mit Hilfe der in Tabelle 29 definierten Abkürzungen bezeichnet. Eine Benennung der Ladeoptionen erfolgt explizit.

192 Unterschiedliche Stichprobengröße und keine Informationen zu Fahrzeuggrößen im privaten Datensatz (vgl. Kapitel 4).

89 Ergebnisse

Tabelle 29. Verwendete Abkürzungen zur Benennung der untersuchten Parameterkombinationen

Abkürzung Batterie- Gewichts- Energiedichte Kurzbezeichnung kapazität reduktion Batterie PK1 100%193 Keine 100 Wh/kg Referenzfahrzeug PK2 200% 200% Batteriekapazität PK3 300% 300% Batteriekapazität PK4 100% -15% 100% BK Leichtbau PK5 200% 200% BK Leichtbau PK6 300% 300% BK Leichtbau PK7 100% Keine 200 Wh/kg PK1@200Wh/kg PK8 200% PK2@200Wh/kg PK9 300% PK3@200Wh/kg PK10 100% -15% PK4@200Wh/kg PK11 200% PK5@200Wh/kg PK12 300% PK6@200Wh/kg

6.1.1 Gewerbliche Nutzer Individuelle Fahrzeugreichweiten – als Quotient aus nutzbarer Batteriekapazität und individuellem Fahrenergiebedarf – werden in dieser Arbeit über die Simulation von Fahrwiderständen auf Basis realer Fahrprofile bestimmt (vgl. Kapitel 5.2 bzw. Parameter L in Tabelle 19). Wie Abbildung 13 zeigt, bestätigen die Ergebnisse die Wichtigkeit der Simulation von individuellen Fahrzeugreichweiten, da diese in einem weiten Bereich variieren194. Eine Vernachlässigung dieser Streuung in individuellen Fahrenergiebedarfen (vgl. auch Tabelle 30) führt dazu, dass die Nutzbarkeit von batterieelektrischen Fahrzeugen (BEV) überschätzt wird (vgl. auch Tabelle 39). Die individuelle Simulation von Fahrzeugreichweiten potentieller BEV-Nutzer dieser Arbeit kann daher technische Potentiale von BEV genauer abbilden als Analysen auf Basis durchschnittlicher und für alle Nutzer identischer Fahr- energiebedarfe.

Abbildung 13. Verteilung (cdf) individueller elektrischer Fahrzeugreichweiten (gewerblich) in Abhängigkeit der analysierten fahrzeugseitigen Maßnahmen, ohne öffentliche Ladeoptionen.

193 24 kWh für die Fahrzeuggröße „Mittel“, vgl. Tabelle 14. 194 Konfidenzintervalle der Verteilungen wurden mit Hilfe der Greenwood-Formel bestimmt. Auf ihre Darstellung wurde aus Gründen der Übersichtlichkeit verzichtet, da sie die Qualität der Aussagen nicht ändert. Weiterhin wurde auf eine Fahrzeuggrößen-spezifische Darstellung verzichtet. Eine solche findet sich – unter Angabe der Konfidenzintervalle – beispielhaft für PK1 in Abbildung C 2.

90 Ergebnisse

Zudem zeigt sich der Einfluss des Batteriegewichts auf den Fahrenergiebedarf deutlich: die Fahrzeugreichweite steigt unterproportional mit der Batteriekapazität195. Eine Verdopplung der Referenz-Batteriekapazität bewirkt eine Steigerung der Fahrzeugreichweite um den Faktor 1,90, eine Verdreifachung um den Faktor 2,65 (vgl. Tabelle 30).

Tabelle 30. Zusammenfassende Statistiken: Fahrzeugreichweite [km] gewerblicher Fahrprofile. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall. Parameterkombination Minimum Median Mittelwert Maximum SD PK1: Referenzfahrzeug 67 131 129 ± 2 183 24,9 PK2: 200% Batteriekapazität 137 249 245 ± 4 331 41,8 PK3: 300% Batteriekapazität 200 348 342 ± 5 450 53,5

Das technische Potential von Elektrofahrzeugen hängt neben den reinen Fahrzeugreichweiten auch von den nutzerspezifischen Tagesreichweiten sowie potentiellen Lademöglichkeiten während des Tags ab. Beispielsweise könnte ein Nutzer mit geringen und gleichmäßigen Tagesfahrleistungen hohe elektrische Fahranteile erreichen, wohingegen ein Nutzer mit sich wiederholenden längeren Fahrten wahrscheinlich geringere elektrische Fahranteile erreicht. Als Indikator für die Passfähigkeit eines Elektrofahrzeugs auf die nutzerindividuelle Fahrbedarfe wurde daher für jeden Nutzer die maximale Tagesstrecke bestimmt, die vollelektrisch zurückgelegt werden kann. Ohne öffentliche Ladeinfrastruktur kann diese Strecke, im Folgenden als Tagesreichweite bezeichnet, die individuelle Fahrzeugreichweite nicht überschreiten. Für die analysierten Fahrprofile liegen Tagesreichweiten im Mittel bei ca. 45% (Mittelwert) der Fahrzeugreichweite (vgl. Abbildung 14). Während die Steigerung der Batteriekapazität Tagesreichweiten deutlich erhöht196, haben weitere fahrzeugseitige Maß- nahmen, wie die Verringerung des Fahrzeuggewichts, nur begrenzt Einfluss: bei Batteriekapazitäten von 300% erhöht die Senkung des Karosseriegewichts um 15% (PK6 im Vergleich zu PK3) die mittlere Tagesreichweite um im Mittel 3,5% (Mittelwert) bzw. 1,6% (Median).

Abbildung 14. Potentielle individuelle Tagesreichweiten von gewerblichen Nutzern für unterschiedliche Fahrzeugparameter ohne öffentliche Ladeinfrastruktur (links) und bei unterschiedlicher Ladeinfrastrukturverfügbarkeit für das Referenzfahrzeug (PK1, rechts).

Die Verfügbarkeit von öffentlicher Ladeinfrastruktur wird als Substitut zu erhöhten Batteriekapazitäten betrachtet, die elektrische Tagesreichweiten ebenfalls steigern kann, da Lademöglichkeiten während des Tages potentiell die Strecke zwischen zwei Ladestopps verkürzen. Abbildung 14 (rechts) zeigt den Einfluss der untersuchten Ladeinfrastrukturvarianten (vgl. Tabelle 16) auf erzielbare Tagesreichweiten.

195 Aufgrund des höheren Batteriegewichts bei gleichbleibender Energiedichte der Batterie. 196 Tagesreichweiten steigen bei der Verdopplung der Referenzbatteriekapazität um 39% (Mittelwert) bzw. 30% (Median).

91 Ergebnisse

Tabelle 31. Zusammenfassende Statistiken: Tagesreichweite [km] gewerblicher Fahrprofile. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall. Maßnahme Ladeinfrastruktur- Min Median Mittel- Max SD verfügbarkeit wert PK1: Referenzfahrzeug Über Nacht 12 89 89 ± 3 181 33,8 PK2: 200% Batteriekapazität 12 116 124 ± 5 314 60,4 PK3: 300% Batteriekapazität 12 124 145 ± 7 417 82,6

PK1: Referenzfahrzeug Gelegenheitsladen 12 103 113 ± 6 404 61,7 PK1: Referenzfahrzeug Zwischenladen 12 122 141 ± 7 417 80,0 PK1: Referenzfahrzeug Alle Ladeoptionen 12 125 152 ± 9 529 94,7

Die Verfügbarkeit von Gelegenheitsladeinfrastruktur197 kann insbesondere hohe Tagesreichweiten (über 100 km im Referenzfall) weiter steigern. Im Mittel steigt die Tagesreichweite im Vergleich zum Referenzfall um 27% (Mittelwert) bzw. 16% (Median). Hingegen steigert die Verfügbarkeit von Zwischenladeinfrastruktur Tagesreichweiten im Vergleich zur Referenz auch für geringere Tagesreichweiten (vgl. Abbildung 14). Die gemeinsame Verfügbarkeit von Gelegenheits- und Zwischenladeinfrastruktur kann im Vergleich zur alleinigen Verfügbarkeit von Zwischenladeinfrastruktur Tagesreichweiten über ca. 150 km weiter steigern, im Mittel ist der Effekt aber gering. Tabelle 31 stellt die mittleren Änderungen dar. Als Kennzahl, wie sich die ermittelten Fahrzeugreichweiten und Tagesreichweiten auf die mögliche Nutzung von Elektrofahrzeugen auswirken, wird in dieser Arbeit der Anteil der Tage am Beobachtungszeitraum eines Fahrprofils verwendet, an dem Fahrten vollelektrisch möglich sind. Diese Kennzahl wird als Nutzbarkeit definiert. Diese ist als kumulative Verteilungsfunktion für gewerbliche Fahrzeuge für unterschiedliche Fahrzeugparameter ohne öffentliche Ladeinfrastruktur in Abbildung 15 (links) und für unterschiedliche Ladeinfrastrukturverfügbarkeit und das Referenzfahrzeug in Abbildung 15 (rechts) dargestellt. Die Nutzbarkeit ist auf der Abszisse von 1 bis 0 aufgetragen, da der Anteil an Nutzern von Interesse ist, der mindestens die entsprechende Nutzbarkeit aufweist. Erkennbar ist der hohe Anteil an Fahrzeugen, die alle ihre Tage im Beobachtungszeitraum vollelektrisch bewältigen können. Der anschließende waagrechte Verlauf der einzelnen Verteilungsfunktionen zwischen 100% und ca. 95% Nutzbarkeit ist auf die Beobachtungsdauer von durchschnittlich 21 Tagen zurückzuführen. Da bei 21 Tagen Beobachtungszeitraum ein einzelner Tag ca. 5% entspricht, muss die Nutzbarkeit im Durchschnitt diskret in 5%-Schritten steigen. Weiterhin steigt die Nutzbarkeit in der betrachteten Stichprobe für Werte <0.95 stark an. Als ein Kriterium für das Potential von BEV wird eine minimale Nutzbarkeit von 99% unterstellt. Da das Potential von BEV der Wahl eines schwächeren Kriteriums ansteigen würde (vgl. Abbildung 15), wird die Abhängigkeit des Potentials von der Wahl der Kriterien in einer Sensitivitätsanalyse in Kapitel 6.1.4 gezeigt und diskutiert.

197 Diese schließt in dieser Arbeit implizit das Laden von Privatpersonen am Arbeitsplatz ein, vgl. Kapitel 2.

92 Ergebnisse

Abbildung 15. Anteil vollelektrisch möglicher Beobachtungstage („Nutzbarkeit“) gewerblicher Fahrprofile für unterschiedliche Fahrzeugparameter ohne öffentliche Ladeinfrastruktur (links) und für unterschiedliche Ladeinfrastrukturverfügbarkeit für das Referenzfahrzeug (PK1, rechts).

Analog zu den Ergebnissen zu elektrischen Tagesreichweiten ist ersichtlich, dass fahrzeugseitig nur die Erhöhung der Batteriekapazität makroskopisch von Bedeutung ist. Der Einfluss öffentlicher Ladeinfrastruktur auf die Nutzbarkeit von Elektrofahrzeugen ist analog zu den Ausführungen zu elektrischen Tagesreichweiten (s.o.). Neben der Nutzbarkeit von BEV wird für deren Potential ebenfalls die Anzahl jährlich benötigter Zwischenstopps angesehen. Da diese mit einem zusätzlichen zeitlichen Aufwand für BEV-Nutzer verbunden sind, sollten diese so gering wie möglich sein. Die empirische Verteilungsfunktion der Anzahl benötigter Ladestopps für die gewerblichen Fahrprofile zeigt Abbildung 16. Ladebedarfe sinken mit der Batteriegröße merklich (vgl. auch Tabelle 32), die Senkung des Fahrzeuggewichts hat keinen hohen Einfluss. Weiterhin haben manche Nutzer mehr als 100 jährliche Ladebedarfe, im Besonderen für die Referenzkapazität (PK1). Dieser Anteil an gewerblichen Fahrzeugen wird kurz- bis mittelfristig nicht durch Elektrofahrzeuge ersetzt werden können.

Abbildung 16. Anzahl benötigter Zwischenladestopps gewerblicher Fahrprofile für unterschiedliche Fahrzeugparameter.

Als zweites Kriterium für das Potential von BEV wird eine maximale Anzahl von jährlich 48 Ladestopps unterstellt, da die Annahme von vier Ladestopps pro Monat als akzeptabel angesehen wird. Die Abhängigkeit des Potentials von der Wahl dieses Kriteriums zeigt Kapitel 6.1.4.

93 Ergebnisse

Tabelle 32: Anzahl benötigter Zwischenladestopps aller gewerblicher Fahrprofile nach Batteriekapazität. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Minimum Mittelwert Median Maximum SD Referenzfahrzeug (PK1) 1 71,8 ± 9 26,5 581,6 99,5 200% Batteriekapazität (PK2) 1 30,1 ± 5 6,8 372,8 50,9 300% Batteriekapazität (PK3) 1 18,3 ± 3 3,6 296,9 32,9

In den Parameterkombinationen ohne öffentliche Zwischenladeinfrastruktur erfolgt die Abdeckung der Fahrten nicht durch Zwischenladestopps, sondern durch konventionelle Ersatzfahrzeuge. Um aber in allen Parameterkombinationen ein konsistentes Auswahlkriterium für das technische Potential von Elektrofahrzeugen sicherzustellen, wird auch für Parameterkombinationen ohne öffentliche Zwischenladeinfrastruktur das Kriterium der potentiell notwendigen Zwischenladestopps verwendet. Da täglich bis zu zwei Ladestopps angenommen werden, entspricht das Kriterium von 48 Zwischenladestopps nicht der Anzahl an Tagen mit Mietwagenbedarf. Je nach Parameterkombination entsprechen 48 Zwischenladebedarfe im Mittel 35 bis 38 Tagen mit Mietwagenbedarf pro Jahr. Aus den Parametern Nutzbarkeit und jährliche Zwischenladebedarfe wird schließlich für alle Parameterkombinationen der Anteil an Fahrprofilen mit technischem BEV-Potential (mindestens 99% Nutzbarkeit, maximal 48 jährliche Zwischenladestopps) bestimmt. Das Ergebnis ist in Abbildung 17 dargestellt. Für jede fahrzeugseitige Parameterkombination (PK1 – PK12) ist der Anteil möglicher BEV in der Stichprobe dargestellt, unterschieden nach Ladeinfrastrukturverfügbarkeit. Die halbe Intervallbreite des 95%-Konfidenzintervalls beträgt je nach Parameterkombination zwischen 2,9 und 4,5 Prozentpunkte198.

Abbildung 17. Technisches Potential von Elektrofahrzeugen gewerblicher Fahrprofile für alle untersuchten Parameterkombinationen und unterschiedliche Ladeinfrastrukturverfügbarkeit.

Man erkennt, dass Batteriekapazitäten hohen Einfluss auf das technische Potential von BEV haben199, wohingegen Maßnahmen zur Reduktion des Fahrzeuggewichts relativ wenig Einfluss haben. Relative Veränderungen des Potentials für die Erhöhung der Batteriekapazitäten im Vergleich zum Referenzfall zeigt Tabelle 33.

198 Zur Berechnung vgl. Fußnote 87. 199 Jeweils drei aufeinander folgende Balken repräsentieren steigende Batteriekapazitäten, vgl. Tabelle 29.

94 Ergebnisse

Tabelle 33: Relative Erhöhung des technischen Potentials ausgewählter Reichweiten-verlängernder Maßnahmen im Vergleich zum Referenzfahrzeug ohne Ladeinfrastruktur.

Über Nacht Gelegenheits- Zwischenladen Alle Lade- Laden laden optionen Referenzfahrzeug (PK1) 100% 112% 134% 136% 200% Batteriekapazität (PK2) 149% 160% 184% 185% 300% Batteriekapazität (PK3) 170% 177% 199% 202%

Hervorzuheben ist, dass maximal – bei größter Batteriekapazität und flächendeckender Ladeinfrastruktur – über 80% der Fahrprofile als Elektrofahrzeuge betrieben werden könnten, was ca. einer Verdopplung des Anteils (202%) im Referenzfall ohne Ladeinfrastruktur entspricht. Weiterhin ist der zusätzliche Nutzen von öffentlicher Ladeinfrastruktur deutlich erkennbar. Allerdings ist das technische Potential einer doppelten Batteriekapazität (PK2) ohne öffentliche Ladeinfrastruktur höher als der ausschließliche Aufbau von öffentlicher Ladeinfrastruktur (PK1). Insgesamt sind maximale Potentiale – unter den getroffenen Annahmen – nur durch die Kombination größerer Batterien und der Verfügbarkeit öffentlicher Ladeinfrastruktur erreichbar. Ein Vergleich der Ergebnisse dieser Arbeit zum technischen Potential mit Literaturwerten erfolgt in Kapitel 6.1.7.

6.1.2 Private Nutzer Der Aufbau dieses Teilkapitels folgt dem Aufbau des vorangegangenen Kapitels. Bei der Interpretation der Ergebnisse ist zu beachten, dass die analysierten privaten Fahrprofile sehr geringe Fahrleistungen aufweisen (vgl. Kapitel 4.3) und vermutlich das Potential von BEV überschätzen. Die Analyse der gewerblichen Fahrprofile hat gezeigt, dass Fahrzeugeffizienzmaßnahmen aus makroskopischer Sicht nicht interessant sind. Für private Fahrprofile gilt dies analog. Die folgende Darstellung privater Fahrprofile konzentriert sich daher auf Unterschiede zu gewerblichen Fahrzeugen und aus Gründen der Übersichtlichkeit wird im Folgenden für private Fahrprofile nur der Einfluss veränderter Batteriekapazitäten (PK1 – PK3) gezeigt. Derselben Logik folgend wird als öffentliche Ladeinfrastrukturoption ausschließlich das Zwischenladen gezeigt. Statistiken individueller elektrischer Fahrzeugreichweiten privater Fahrprofile sind in Tabelle 34 dargestellt. Mittelwerte der Fahrzeugreichweiten privater und gewerblicher Fahrprofile weichen weniger als 2,5% voneinander ab (gewerbliche Fahrzeugreichweiten vgl. Tabelle 30). Hingegen weisen private Fahrzeugreichweiten geringere Varianzen auf als gewerbliche. Dies deutet auf ein inhomogeneres Fahrverhalten der gewerblichen Fahrprofile hin, wenn auch bei der Interpretation dieser Unterschiede die Verschiedenheit der Datensätze (Stichprobenumfang, Messfrequenz) zu beachten ist. Der über alle Fahrzeuggrößen gemittelte Fahrenergiebedarf ergibt sich für das Referenzfahrzeug entsprechend aus den jeweiligen Batteriekapazitäten200 zu 16,5 kWh/100km. Dieser steigt auf durchschnittlich 19,0 kWh/100km bei dreifacher Batteriekapazität

Tabelle 34. Zusammenfassende Statistiken der Fahrzeugreichweiten [km] privater Fahrprofile nach Batteriekapazität. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Parameterkombination Minimum Median Mittelwert Maximum SD Referenzfahrzeug (PK1) 111 133 132 ± 2 151 8,6 200% Batteriekapazität (PK2) 212 249 247 ± 3 277 14,1 300% Batteriekapazität (PK3) 300 347 343 ± 4 383 17,5

Elektrische Tagesreichweiten privater Fahrprofile sind in Abbildung 18 gezeigt. Diese betragen für das Referenzfahrzeug ohne Ladeinfrastruktur im Mittel ca. 100 km und steigen auf ca. 150 km bei

200 24 kWh für das Referenzfahrzeug der Größe „Mittel“, vgl. Tabelle 14.

95 Ergebnisse

Verdopplung der Batteriekapazität. Eine weitere Steigerung der Batteriekapazität (PK3) hat auf mittlere elektrische Tagesreichweiten nur begrenzt Einfluss201. Tagesreichweiten, die aber bereits mit mittleren Batteriekapazitäten (PK2) hoch sind, können durch PK3 um bis zu 100 km weiter gesteigert werden. Interessant ist weiterhin die gute Übereinstimmung der empirischen Verteilungsfunktionen für PK3 ohne öffentliche Ladeinfrastruktur und für PK1 mit öffentlicher Zwischenladeinfrastruktur, die darauf hindeutet, dass die angenommenen zwei Ladebedarfe pro Tag für private Fahrzeugnutzer einen äquivalenten technischen Nutzen haben wie eine entsprechende Steigerung der Fahrzeugreichweite durch Verdreifachung der Batteriekapazität. Dies bedeutet, dass hohe elektrische Fahrzeugreichweiten direkt durch öffentliche Ladebedarfe ersetzt werden können. Das Ergebnis des techno-ökonomischen Gesamtvergleichs der beiden Alternativen hängt daher entscheidend von ihren relativen Kosten ab202 (vgl. Kapitel 6.3).

Abbildung 18. Potentielle individuelle Tagesreichweiten von privaten Nutzern für unterschiedliche Fahrzeugparameter und unterschiedliche Ladeinfrastrukturverfügbarkeit.

Eine gute technische Übereinstimmung der Parameterkombinationen PK1 mit öffentlicher Zwischenladeinfrastruktur und PK3 ohne öffentliche Zwischenladeinfrastruktur bestätigt sich in der Nutzbarkeit von BEV (Abbildung 19): Die BEV-Nutzbarkeit ist für alle privaten Nutzer in den beiden genannten Parameterkombinationen nahezu identisch. Die Hypothese gleicher Verteilungs- funktionen kann auf Basis eines Kolmogorov-Smirnov-Tests nicht verworfen werden. Vgl. Annex G. Für private Fahrprofile lässt sich weiterhin feststellen, dass der Anteil möglicher BEV203 von ca. 50% im Referenzfall ohne öffentliche Ladeinfrastruktur durch die gezeigten Maßnahmen bedeutend gesteigert werden kann. Die Kombination gesteigerter Batteriekapazität (PK2 und PK3) und öffentlicher Zwischenladeinfrastruktur führt zu fast vollständiger Nutzbarkeit von BEV aller Nutzer an allen Fahrtagen.

201 Der Mittelwert elektrischer Tagesreichweiten für PK3 liegt ca. 13% über dem für PK2, der Median steigt um ca. 4%. 202 Unter Annahme, dass Zeitkosten eines Zwischenladestopps keine Rolle spielen. Bei Berücksichtigung von Zeitkosten bedeutet dies – eine Wahlmöglichkeit unterstellend –, dass Nutzer abwägen müssen, ob sie Zwischenladestopps in Kauf nehmen, oder ob sie größere Batterien wählen, die eine komfortablere Nutzung des BEV ohne Ladestopps erlauben, die aber auch mit höheren Anschaffungsausgaben sowie erhöhten Fahrenergiebedarfen verbunden sind (vgl. auch Kapitel 6.3.2.4). 203 Nutzbarkeit mindestens 99%.

96 Ergebnisse

Abbildung 19. Anteil vollelektrisch möglicher Beobachtungstage („Nutzbarkeit“) privater Fahrprofile für unterschiedliche Fahrzeugparameter und unterschiedliche Ladeinfrastrukturverfügbarkeit.

Jährliche Zwischenladestopps liegen mit maximal 89 im Referenzfall (PK1) deutlich unter denen gewerblicher Fahrprofile. Mit größeren Batterien (PK2 und 3) benötigen alle privaten Nutzer bereits nicht mehr als zwei monatliche Zwischenladestopps (vgl. Tabelle 35). Der Anteil privater und gewerblicher Fahrzeuge in einer Elektrofahrzeugflotte hat daher direkten Einfluss auf öffentliche Ladeinfrastrukturbedarfe (vgl. auch Kapitel 6.2.8).

Tabelle 35: Anzahl jährlich benötigter Zwischenladestopps aller privater Fahrprofile. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Minimum Mittelwert Median Maximum SD Referenzfall (PK1) 1 12,3 ± 3,5 7 89 15,3 200% Batteriekapazität (PK2) 1 4,1 ± 1,1 3 24 4,7 300% Batteriekapazität (PK3) 1 2,4 ± 0,6 2 16 2,6

Die hohe Nutzbarkeit von BEV durch private Fahrzeuge in Kombination mit einem hohen Anteil an Nutzern mit weniger als zwei monatlichen Ladestopps führt dazu, dass das Potential für die analysierten privaten Fahrdaten sowohl durch Aufbau öffentlicher Zwischenladeinfrastruktur als auch durch Erhöhung der Batteriekapazität im Vergleich zum Referenzfall204 (Potential 50%) um mehr als 50% gesteigert werden kann. Das Potential von BEV mit öffentlicher Zwischenladeinfrastruktur (PK1) ist mit 87% vergleichbar mit dem Potential von Fahrzeugen mit großer Batterie (PK3) ohne öffentliche Ladeinfrastruktur (90%; PK2 = 73%). Die Verfügbarkeit von öffentlicher Zwischenladeinfrastruktur und gesteigerten Batteriekapazitäten (PK2 und 3) bewirkt, dass alle bis auf ein Fahrzeug als BEV betrieben werden könnten. Aufgrund der sehr geringen Fahrleistungen der privaten Fahrdaten (vgl. Kapitel 4.3) wurden ergänzend durchschnittliche Zwischenladebedarfe für Fahrdaten aus MOP (2010) [210] bestimmt. Da hier die Information individueller Fahrzeugreichweiten fehlt, wurden statische Reichweiten in Höhe der mittleren Reichweiten (Median und Mittelwert, vgl. Tabelle 34) verwendet. Das Ergebnis zeigt Tabelle 36.

204 PK1 ohne öffentliche Ladeinfrastruktur.

97 Ergebnisse

Tabelle 36: Anzahl jährlich benötigter Zwischenladestopps privater Fahrprofile in MOP (2010) für konstante Fahrzeugreichweiten. Eigene Auswertung auf Basis [210]. SD = Standardabweichung. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Fahrzeugreichweite Minimum Mittelwert Median Maximum SD 135 km 0 38,8 ± 1,4 16 520 55,2 150 km 0 33,4 ± 1,2 13 472 49,2 250 km 0 16,6 ± 0,7 5 322 27,9 350 km 0 10,7 ± 0,5 2 242 19,3

Zwischenladebedarfe liegen durchschnittlich deutlich über den Modellergebnissen. Hingegen liegen Mediane für beide Analysen in vergleichbaren Größenordnungen. Überdies bestätigen die Ergebnisse für die Daten der MOP (2010) [210] eine deutliche Abnahme mittlerer Ladebedarfe mit steigenden Batteriekapazitäten. Schließlich sind für die Interpretation der Abweichungen in den Ergebnissen die stark unterschiedlichen Beobachtungszeiträume der beiden Datensätze zu beachten: diese liegen in der MOP (2010) [210] bei sieben Tagen, für die Daten der University of Winnipeg (2011) [309] bei durchschnittlich 222,6 Tagen. Zusammenfassend verdeutlichen die gezeigten Ergebnisse trotz der im privaten Datensatz sehr geringen Fahrleistungen die unterschiedlichen Mobilitätsbedarfe gewerblicher und privater Nutzer.

6.1.3 Technisches Potential von BEV unter veränderten Rahmenbedingungen Die gezeigten Ergebnisse basieren auf der Annahme der voll verfügbaren angenommenen Netto- Batteriekapazität zu Lebensdauerbeginn sowie auf der Annahme, dass das Fahrzeug nicht klimatisiert werden muss. Zusätzliche Energiebedarfe zur Fahrzeugklimatisierung sowie gealterte Batterien können Fahrzeugreichweiten sehr stark verkürzen (um bis mehr als 20%, vgl. z.B. [221]). In diesem Kapitel wird – basierend auf den gewerblichen Fahrprofilen – daher dargestellt, wie sich das technische Potential von Elektrofahrzeugen verändert, wenn 1) die nutzbare Batteriekapazität abnimmt (auf 80% der anfänglich nutzbaren Kapazität) 2) sowie Außentemperaturen eine Fahrzeugklimatisierung notwendig machen205. Tabelle 37 zeigt das veränderte Potential von BEV ohne öffentliche Ladeinfrastruktur. Die Abnahme der Batteriekapazität zu Lebensende („Batterie EOL“) reduziert das Potential für alle Parameterkombinationen um ca. sieben Prozentpunkte. Ein zusätzlicher Klimatisierungsbedarf, beispielsweise im „Winter“, reduziert das Potential um drei bis zehn Prozentpunkte. Zwar führen halbe 95%-Konfidenzintervallbreiten von 4,1 bis 4,5 Prozentpunkten zu einer teilweisen Überlappung der Konfidenzbänder der Anteilswerte des Referenzfalls und des Falls gealterter Batterien. Jedoch kann auf Basis eines Binomialtests (vgl. Annex G) die Hypothese einer Gleichheit der Anteilswerte abgelehnt werden (p < 0,014 für PK1 und PK2, p < 0,001 für alle anderen Kombinationen).

Tabelle 37. Technisches Potential von BEV in Abhängigkeit der Rahmenbedingungen für ausgewählte Parameterkombinationen ohne öffentliche Zwischenladeinfrastruktur. PK1: Referenzfahrzeug. PK2/PK3: 200/300% Batteriekapazität. PK7-9: Analog PK1-3 mit höherer Energiedichte. Gewerbliche Fahrprofile.

PK1 PK2 PK3 PK7 PK8 PK9 Referenz 42% 63% 71% 44% 64% 74% Gealterte Batterie (EOL) 35% 56% 64% 36% 58% 67% Winterbedingungen 32% 58% 69% 34% 60% 71%

205 Der Leistungsbedarf der Nebenaggregate steigt um 1.500 W, vgl. Tabelle 14.

98 Ergebnisse

Öffentliche Ladeinfrastruktur kann potentiell die reduzierte Fahrzeugreichweite durch zusätzliche Ladebedarfe206 kompensieren, wie in Tabelle 38 für ausgewählte Parameterkombinationen unter Verfügbarkeit öffentlicher Zwischenladeinfrastruktur gezeigt.

Tabelle 38. Technisches Potential von BEV in Abhängigkeit der Rahmenbedingungen für ausgewählte Parameterkombinationen und öffentliche Zwischenladeinfrastruktur. PK1: Referenzfahrzeug. PK2/PK3: 200/300% Batteriekapazität. PK7-9: Analog PK1-3 mit höherer Energiedichte. Gewerbliche Fahrprofile.

PK1 PK2 PK3 PK7 PK8 PK9 Referenz 56% 77% 84% 57% 79% 86% Gealterte Batterie (EOL) 50% 71% 80% 52% 74% 82% Winterbedingungen 49% 73% 86% 51% 75% 82% Batterie EOL und Winterbedingungen 40% 66% 76% 42% 69% 79%

Die Kombination widriger Rahmenbedingungen senkt demnach elektrische Tagesreichweiten deutlich, sodass Fahrzeuge mit gealterten Batterien unter Winterbedingungen ein im Vergleich zur Referenz bis zu fünfzehn Prozentpunkte geringeres Potential aufweisen. Die Hypothese einer statistischen Gleichheit der Anteilswerte des Referenzfalls und der jeweiligen anderen Fälle kann auf Basis eines Binomialtests abgelehnt werden (für alle Werte: p < 0,001).

6.1.4 Sensitivitäten Das vorangegangene Teilkapitel analysiert die Veränderung der Modellergebnisse aufgrund veränderter Rahmenbedingungen. Dieses Kapitel unterscheidet sich vom vorangegangenen Teilkapitel dadurch, dass es die Sensitivität von technischen Modellannahmen untersucht, die nicht veränderte Rahmenbedingungen darstellen. Folgende Ausführungen stellen folglich die Robustheit der Modellergebnisse in Abhängigkeit veränderter Modellannahmen dar. Die Analysen basieren auf den Fahrprofilen gewerblicher Halter. Da Fahrzeugparameter im Rahmen der Parameterkombinationen variiert werden, werden diese hier nicht separat analysiert. Diese Arbeit betrachtet nutzerindividuelle Fahrzeugreichweiten. Eine Betrachtung konstanter Reichweiten würde technische Potentiale überschätzen, wie eigene Analysen in Tabelle 39 für die unterschiedlichen Batteriekapazitäten zeigen. Bei der Interpretation der Ergebnisse ist die statistische Unsicherheit aufgrund der begrenzten Stichprobe zu beachten.

Tabelle 39: Technisches Potential von BEV: Modellannahmen im Vergleich zu konstanten Reichweiten. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Modellannahmen Konstante Fahrzeugreichweite

PK1: PK2: 200% PK3: 300% 135km 150km 250km 350km Referenz- Batterie- Batterie- fahrzeug kapazität kapazität

Technisches 48% ± 52% ± 69% ± 79% ± 42% ± 4,5% 63% ± 4,4% 71% ± 4,1% Potential von BEV 4,5% 4,5% 4,2% 4,5%

Eine Abbildung individuellen Fahrverhaltens ist demnach notwendig, um technische Potentiale von BEV realistisch abzuschätzen.

206 Dargestellt in Kapitel 6.2.

99 Ergebnisse

Stellvertretend für alle Ladeoptionen zeigt Tabelle 40, wie sich das Potential von BEV verändert, wenn Zwischenladeannahmen variiert werden sowie wenn regelmäßiges privates Laden nur am Unternehmensstandort stattfinden kann und nicht automatisch über Nacht. In diesem Fall kann am Ende von Tagesstrecken, die nicht am Unternehmensstandort enden, nicht geladen werden und das Potential kann um bis zu mehr als zehn Prozentpunkte sinken. Bei der Interpretation der Ergebnisse ist zu berücksichtigen, dass beispielsweise Dienstfahrzeuge auch am Heimatort des Fahrzeugnutzers stattfinden könnten, was durch die Ladeannahme am Unternehmensstandort nicht dargestellt werden kann.

Tabelle 40. Technisches Potential von BEV in Abhängigkeit ausgewählter Ladeannahmen für unterschiedliche Batteriekapazitäten unter Verfügbarkeit öffentlicher Zwischenladeinfrastruktur. LD = Ladedauer. P = Ladeleistung. LE: Ladeevents. Unt.-St.: Unternehmensstandort.

Referenz P = 50 kW, P = 50 kW, Umweg = Max. 4 LE Laden am LD <20 min LD <30 min 1km pro Tag Unt.-St. Referenzfahrzeug (PK1) 56% 54% 56% 54% 59% 50% Batteriekapazität 200% (PK2) 77% 71% 74% 70% 79% 66% Batteriekapazität 300% (PK3) 84% 78% 82% 78% 86% 72%

Die Verringerung der Ladeleistung auf 50 kW senkt das Potential in der Stichprobe um bis zu 8 Prozentpunkte. Geht man aber davon aus, dass BEV-Nutzer bei geringeren Ladeleistungen bereit sind, Ladedauern bis 30 Minuten zu akzeptieren, sinkt das Potential um maximal 3 Prozentpunkte. Ein notwendiger Anfahrtsweg („Umweg“) zur Ladestation von einem Kilometer (einfach)207 verringert Potentiale um bis zu sieben Prozentpunkte, wenn man davon ausgeht, dass sich Ladezeiten um notwendige An- und Abfahrtszeiten verkürzen. Eine Verdoppelung der maximal angenommenen täglichen Ladeereignisse hingegen wirkt sich kaum auf das technische Potential aus (Zunahme <3%). Die Änderungen der Modellergebnisse sind insgesamt gering, vor allem unter Einbezug statistischer Unsicherheiten. Die Modellergebnisse sind daher als robust gegenüber Ladeannahmen einzustufen. Weiterhin hat die Annahme der Kriterien zum technischen Potential von BEV einen direkten Einfluss auf die Ergebnisse dieser Arbeit. Für diese Arbeit wird für das technische Potential von BEV von einer minimalen Nutzbarkeit von 99% und einer maximalen Anzahl jährlicher Zwischenladestopps von 48 ausgegangen. Die Ergebnisse einer Sensitivitätsanalyse mit bis zu 100 jährlichen Ladestopps und einer minimalen Nutzbarkeit von 90% zeigt Tabelle 41.

207 In den Referenzannahmen wird unterstellt, dass Zwischenladeinfrastruktur ohne Umwege erreicht werden kann, da diese sich in unmittelbarer Autobahnnähe befinden (vgl. Kapitel 5.3.1.2).

100 Ergebnisse

Tabelle 41: Technisches Potential von BEV in Abhängigkeit der Kriterien für unterschiedliche Batteriegrößen und Ladeinfrastrukturverfügbarkeit. Gezeigt ist das Potential im Vergleich zu Referenzannahmen: Min. 99% Nutzbarkeit, max. 48 jährliche Zwischenladestopps.

Über Nacht Gelegenheits- Zwischen- Alle Lade- Laden laden laden optionen Min. 99% Nutzbarkeit & max. 100 jährliche Zwischenladestopps Referenzfahrzeug (PK1) 104% 106% 114% 115% 200% Batteriekapazität (PK2) 102% 103% 110% 111% 300% Batteriekapazität (PK3) 102% 102% 107% 108% Min. 90% Nutzbarkeit & max. 48 jährliche Zwischenladestopps Referenzfahrzeug (PK1) 133% 122% 106% 105% 200% Batteriekapazität (PK2) 119% 114% 102% 101% 300% Batteriekapazität (PK3) 117% 115% 104% 103% Min. 90% Nutzbarkeit & max. 100 jährliche Zwischenladestopps Referenzfahrzeug (PK1) 144% 138% 128% 126% 200% Batteriekapazität (PK2) 126% 122% 117% 116% 300% Batteriekapazität (PK3) 121% 121% 113% 112%

Nimmt man bis zu 100 Ladestopps pro Jahr an („Min 99% Fahrtage, max 100 Ladestopps“) erhöht sich das Potential von BEV unter Verfügbarkeit von Zwischenladeinfrastruktur um bis zu neun Prozentpunkte bzw. vier Prozent gegenüber der Referenz. Eine Abschwächung des Kriteriums der minimalen Nutzbarkeit auf 90% („Min 90% Fahrtage, max 48 Ladestopps“) erhöht das Potential von BEV um bis zu 14 Prozentpunkte bzw. 33%. Ein erhöhtes Potential ergibt sich vor allem für Parameterkombinationen ohne die Verfügbarkeit von Zwischenladeinfrastruktur. Dies lässt sich dadurch erklären, dass eine geringere minimale Nutzbarkeit von 90% entsprechend höhere Zwischenladebedarfe impliziert. Das Kriterium der maximalen Anzahl an Zwischenladestopps wurde aber nicht verändert, sodass dieses Kriterium das Potential begrenzt. Werden beide Kriterien abgeschwächt („Min 90% Fahrtage, max 100 Ladestopps“), steigt das technische Potential von BEV in der Stichprobe um bis zu 18 Prozentpunkte bzw. 44%. Für private Fahrprofile steigt das Potential bei Absenkung der Mindestnutzbarkeit stärker an: im Referenzfall von 50% auf ca. 90% (nicht gezeigt). Die Anzahl benötigter Zwischenladebedarfe pro Jahr ist für private Fahrprofile derart gering208, dass eine Abschwächung dieses Kriteriums auf 100 Lademöglichkeiten pro Jahr keinen Effekt auf das technische Potential von BEV hat. Die angenommenen Kriterien sind insgesamt als konservativ hinsichtlich einer möglichen Ersetzbarkeit konventioneller Fahrzeuge durch BEV anzusehen. Die Annahme einer hohen minimalen Nutzbarkeit impliziert, dass das BEV für nahezu alle Fahrten eines Fahrprofils genutzt werden muss und ein Ersatzfahrzeug, beispielsweise in Fahrzeugflotten oder ein Zweitwagen in Haushalten, für längere Fahrten nicht zur Verfügung steht. Die Forderung einer hohen minimalen Nutzbarkeit von BEV könnte daher deren Potential unterschätzen. Andererseits eignen sich für Fahrprofile mit wiederkehrenden längeren Tagesstrecken Plug-In Hybrid bzw. Range-Extender Elektrofahrzeuge (PHEV bzw. REEV), da sie hohe elektrische Fahranteile erlauben, aber gleichzeitig nicht auf Ladeinfrastruktur angewiesen sind (vgl. z.B. [256, 257]). Geht man daher davon aus, dass nur Nutzer, die mit einem BEV fast alle ihre Fahrtage bewältigen können, ein solches nutzen werden und Nutzer mit einer geringeren Nutzbarkeit PHEV bzw. REEV präferieren, erscheint die Annahme konservativer Kriterien für das technische Potential von BEV angemessen. Der Fokus dieser Arbeit liegt auf der Analyse von Reichweiten-verlängernden Maßnahmen von BEV. Plug-In-Hybrid-Fahrzeuge (PHEV) im Allgemeinen und Range-Extender-Elektrofahrzeuge (REEV) im

208 Fahrprofile mit technischem BEV-Potential weisen für das Referenzfahrzeug im Mittel weniger als 10 Ladebedarfe pro Jahr auf. Für Batteriekapazitäten von 300% sinkt dieser Wert auf < 3.

101 Ergebnisse

Besonderen sind aber wegen des zusätzlichen konventionellen Antriebsstrangs vor allem in einer frühen Marktphase, in der öffentliche Ladeinfrastruktur noch nicht ausgebaut ist, eine Alternative zu BEV. Eine detaillierte Betrachtung von PHEV ist aber mit Besonderheiten verbunden – wie im folgenden Abschnitt aufgezeigt – und übersteigt daher den Rahmen dieser Arbeit. Um aber eine Aussage zur Nutzbarkeit von Elektrofahrzeugen treffen zu können, die die Antriebskonzepte PHEV und REEV einschließt, werden diese im Folgenden in einem für sich stehenden Exkurs dargestellt.

6.1.5 Exkurs: PHEV und REEV PHEV stellen ein (imperfektes) Substitut zu BEV und öffentlicher Ladeinfrastruktur dar. Eine detaillierte Analyse von PHEV kann im Rahmen dieser Arbeit aufgrund folgender Besonderheiten nicht erfolgen. PHEV besitzen neben dem elektrischen einen konventionellen Antriebsstrang (vgl. Kapitel 2.1.1). Dieser erlaubt es, auch bei leer gefahrener Batterie weitere Strecken zurückzulegen209. D.h. entsprechende Ladebedarfe, die für ein BEV zwingend wären, können im PHEV durch konventionelles Fahren vollständig substituiert werden. Da aber elektrisches Fahren günstiger ist als der konventionelle Fahrbetrieb, kann man nicht unterstellen, dass PHEV nicht öffentlich laden würden, da öffentliche Ladevorgänge Betriebskosten senken können [40]. Insgesamt sind daher Ladebedarfe von PHEV nicht eindeutig definierbar und die Modellierung elektrischer Fahranteile von PHEV ist direkt von Ladeannahmen abhängig (vgl. auch Tabelle 44). Für BEV stellt sich die Frage, ob sie Tagesstrecken überhaupt elektrisch zurücklegen können, wohingegen die Frage bei PHEV lautet, welchen Teil der Tagesstrecke diese elektrisch zurücklegen können. Der elektrische Fahranteil eines PHEV ist dementsprechend definiert als der Anteil elektrisch zurückgelegter Strecken in Bezug auf alle gefahrenen Strecken. Der elektrische Fahranteil steigt mit der verfügbaren rein elektrischen Reichweite des PHEV und ist daher ein entscheidender Indikator für den Nutzungsgrad eines PHEV als Elektrofahrzeug. Die Auslegung der Batteriekapazität ist für PHEV insgesamt komplexer, da Batteriekapazitäten einerseits hinsichtlich minimaler Betriebskosten und andererseits hinsichtlich minimaler Treibhausgasemissionen optimiert werden können. Diese beiden Fälle sind nicht deckungsgleich [278]. Eine Optimierung der Batteriekapazität hängt von vielen Faktoren, wie den Emissionen des Fahrstroms oder auch der Lebensdauer des Fahrzeugs ab. Beispielsweise ermöglichen bereits relativ kleine Batterien hohe elektrische Fahranteile (vgl. Tabelle 45). Da weiterhin die Herstellung von Batterien mit hohen Treibhausgasemissionen verbunden ist, sind elektrische Reichweiten von PHEV über 300 km aus ökologischer Sicht nicht sinnvoll, da höhere elektrische Fahranteile die gestiegenen Treibhausgasemissionen der Batterieproduktion nicht kompensieren können [257]. Daher stellt dieses Kapitel PHEV und REEV ergänzend zu BEV dar. Kapitel 6.1.5.1 zeigt die Ergebnisse einer Analyse des realen Fahrverhaltens von mehr als 2.000 PHEV210. Weiterhin wurde im Rahmen dieser Arbeit, unter der Annahme, dass REEV sich von BEV nur durch den zusätzlichen konventionellen Antriebsstrang unterscheiden, auch das Fahrverhalten von REEV simuliert (vgl. Kapitel 5). Simulationsergebnisse zeigt Kapitel 6.1.5.2.

209 Im Folgenden wird angenommen, dass ein PHEV zunächst elektrisch fährt, bis die Batterie einen niedrigen Ladezustand erreicht hat (charge depleting mode) und anschließend der Verbrennungsmotor die Batterie auf dem entsprechenden Ladezustand hält (charge sustaining mode). PHEV haben bei gleichen Batteriegrößen daher ein höheres Potential zur Elektrifizierung von Strecken als BEV (vgl. [249]). 210 Der Begriff PHEV schließt im Folgenden REEV mit ein, wenn nicht explizit anders angegeben.

102 Ergebnisse

6.1.5.1 Analyse realen Fahrverhaltens von PHEV211 Der nutzerspezifische elektrische Fahranteil von PHEV ist sowohl vom individuellen Fahr- als auch vom individuellen Ladeverhalten eines Nutzers abhängig. Individuelles Ladeverhalten von PHEV-Nutzern lässt sich, im Gegensatz zu BEV, aufgrund der Möglichkeit des konventionellen Fahrens nicht direkt aus dem Fahrverhalten ableiten, sodass Simulationen nur begrenzt Aufschluss über die Nutzung von PHEV geben können. Ebenfalls ungeeignet ist die Nutzung offizieller Fahrzyklen (z.B. Neuer Europäischer Fahrzyklus, NEFZ), da diese von durchschnittlichem Fahr- und Ladeverhalten ausgehen. Der NEFZ nutzt beispielsweise die pauschale Annahme einer konventionell gefahrenen Strecke von 25 km zwischen zwei Ladevorgängen212 [308]. Reale Fahrkenndaten von PHEV sind daher notwendig, um individuelles Fahr- und Ladeverhalten von PHEV abzubilden und PHEV als Substitut zu BEV zu analysieren. Aufgrund der geringen Verbreitung von PHEV sind reale Fahrdaten von PHEV ebenfalls selten und selten analysiert worden (z.B. in [193]) und das reale Fahrverhalten von PHEV ist daher noch nicht ausreichend untersucht. In [256, 257] wurden unter Mitarbeit des Autors reale Fahrdaten von PHEV aus den USA und Deutschland ausgewertet. Die Analysen des Fahrverhaltens von PHEV basieren auf realen Fahrdaten, die online frei verfügbar sind: voltstats.net und spritmonitor.de. Eine Zusammenfassung der Daten und Datenquellen zeigt Tabelle 42. Weitere Details zur Datenverarbeitung siehe [256, 257].

Tabelle 42: Übersicht über die PHEV-Datenquellen. Quelle: Eigene Arbeiten in [256].

voltstats.net spritmonitor.de Verfügbare Daten- Gesamtstrecke in Meilen, elektrische Kraftstoffverbrauch und Entfernung parameter Meilen, Daten zu Fahrenergiebedarf, zwischen Tankvorgängen Zulassungsstandort der Fahrzeuge Abgeleitete Daten Jahresfahrleistung, elektrischer Fahranteil Jahresfahrleistung, elektrischer Fahranteil PHEV Modelle und Chevrolet Volt (푁 = 1,831) Toyota Prius PHEV (푁 = 89), Mitsubishi Stichprobengröße Outlander PHEV (푁 = 46), Opel Ampera (푁 = 25), Volvo V60 PHEV (푁 = 15). Datenerfassung Mittels Schnittstelle zu OnStar Treibstoffmenge und Tachostand nach (Telematik-System) Tankvorgang. Berichtet durch Nutzer Datenverfügbarkeit 2012-2014 2007-2015 (PHEV Subset) Flottenstruktur Hauptsächlich Privatfahrzeuge Hauptsächlich Privatfahrzeuge

Voltstats.net umfasst Fahrdaten von Chevrolet Volt, hauptsächlich aus den USA, die über eine Telematik-Schnittstelle erhoben werden. Spritmonitor.de ist eine online-Plattform zur Bestimmung des Realverbrauchs von einzelnen Nutzern. Die Datenbank umfasst Realverbräuche verschiedener Fahrzeuge, darunter auch von PHEV. Spritmonitor.de basiert auf von Nutzern selbst eingegebenen Daten zu Tankmengen und Distanzen zwischen Tankvorgängen. Das Datensample umfasst mehr als zwei Prozent aller PHEV der jeweiligen Märkte zum Zeitpunkt der Erhebung.

Zusammenfassende Statistiken zum Fahrverhalten der einzelnen Fahrzeuge zeigt Tabelle 43. Einerseits unterstreicht die hohe Streuung der individuellen Werte die Bedeutung realer nutzerspezifischer Analysen. Andererseits weisen die Fahrzeuge Opel Ampera sowie Chevrolet Volt aufgrund hoher

211 Dieses Kapitel basiert wesentlich auf eigenen Analysen in [256, 257]. 212 Die Formel gilt für Fahrzeuge, die den NEFZ vollständig rein elektrisch fahren können.

103 Ergebnisse elektrischer Reichweiten (AER nach EPA213, vgl. Tabelle 43) auch hohe elektrische Fahranteile auf, die mit durchschnittlich ca. 75% deutlich über den elektrischen Fahranteilen der anderen PHEV liegen.

Tabelle 43: Statistik realer PHEV-Fahrparameter (voltstats.net und spritmonitor.de). Quelle: Eigene Arbeiten in [256]. AER: elektrische Reichweite (englisch: All Electric Range).

PHEV Variable Min Median Mittel- SD Max wert Chevrolet Volt JFL [km] 660 16.317 17.422 8.269 106.286 N = 1.831 El. Fahranteil 11,7% 81,9% 78,5% 15,4% 100% Verbrauch [l/100km] 0,00 1,23 1,45 1,02 6,55 AER: 60 km Beobachtungstage 17 382 442 310 1.327 Opel Ampera JFL [km] 6.927 13.744 16.209 9.399 49.228 N = 25 El. Fahranteil 27% 77% 72% 21% 100% Verbrauch [l/100km] 0,00 1,74 1,91 1,58 6,81 AER: 60 km Beobachtungstage 31 459 521 356 1.159 Mitsubishi JFL [km] 7.648 21.649 21.937 9.238 50.584 Outlander El. Fahranteil 0% 47% 47% 21% 94% N = 46 Verbrauch [l/100km] 0,37 4,31 4,31 1,56 8,06 Beobachtungstage 29 267 278 160 576 Toyota Prius JFL [km] 1.903 18.129 20.859 11.894 63.906 N = 89 El. Fahranteil 2% 28% 30% 19% 80% Verbrauch [l/100km] 0,84 4,13 4,01 1,36 6,60 AER: 0-10 km Beobachtungstage 18 363 475 462 2.794 Volvo V60 JFL [km] 9.820 23.052 23.127 8.969 40.552 N = 15 El. Fahranteil 29% 47% 49% 14% 73% Verbrauch [l/100km] 2,72 4,31 4,51 1,02 6,84 Beobachtungstage 75 385 387 196 843

Die Fahrzeuge unterscheiden sich in ihren elektrischen Reichweiten. Daher sind die elektrischen Fahranteile nicht direkt miteinander vergleichbar. Als gemeinsame Vergleichsbasis wurde daher die Abweichung vom jeweiligen Testzykluswert (NEFZ) betrachtet (Abbildung 20). Je höher die elektrische Reichweite der Fahrzeuge ist, desto höher sind reale elektrische Fahranteile und desto weniger weichen diese von Testzykluswerten ab. Dies legt die Vermutung nahe, dass PHEV sich in ihrer Anwendung je nach rein elektrischer Reichweite unterscheiden und nur REEV, also PHEV mit ausreichend langen elektrischen Reichweiten214, als Substitut zu BEV angesehen werden können.

213 Vgl. http://fueleconomy.gov/. Mitsubishi Outlander PHEV sowie Volvo V60 sind in den USA nicht erhältlich, daher erfolgt keine Angabe des AER nach EPA. 214 Zur Diskussion der nicht spezifizierten Mindestreichweite von REEV siehe Kapitel 2.1.

104 Ergebnisse

Abbildung 20. Reale elektrische Fahranteile verschiedener PHEV-Modelle im Vergleich zum Testzykluswert (NEFZ). Boxplot zeigt den Median als durchgezogene Linie. Das Ende der Linien zeigt den 1,5-fachen Interquartilsabstand. Testzykluswert dargestellt als Stern. Quelle: [256].

Die untersuchten Fahrprofile haben im Mittel höhere Jahresfahrleistungen als der europäische bzw. US-amerikanische Flottendurchschnitt. Elektrische Fahranteile wurden in [256] hinsichtlich dieses Effekts angepasst215 und es ergeben sich für alle Fahrzeuge geringere Abweichungen von Testzyklus- Werten, die qualitativen Unterschiede zwischen den Fahrzeug-Modellen bleiben aber bestehen.

6.1.5.2 Simulationsergebnisse Zusätzlich wurden PHEV simuliert, unter der Annahme identischer Batteriekapazitäten von BEV und PHEV, um Simulationsergebnisse direkt miteinander vergleichen zu können. Die Modellierung des elektrischen Antriebsstrangs ist identisch mit dem Vorgehen für BEV (vgl. Kapitel 5.2), der konventionelle Antriebsstrang wird unter Annahme eines konstanten Wirkungsgrads (vgl. Fußnote 171) sowie unter Vernachlässigung des Zusatzgewichts für den konventionellen Antriebstrang abgebildet216. Schließlich wird der individuelle elektrische Fahranteil aller Fahrzeuge bestimmt. Die Analyse fokussiert auf gewerbliche Fahrprofile. Die folgenden Ergebnisse enthalten nur Fahrprofile, die eine maximale Nutzbarkeit <99% aufweisen – da Zusatzkosten eines Range Extenders gegenüber einem batterieelektrischen Fahrzeug (BEV) sich vermutlich nicht amortisieren würden. Eine weitere Beschränkung des technischen Potentials durch Zwischenladebedarfe wie bei BEV erfolgt nicht. Abbildung 21 zeigt Boxplots der simulierten elektrischen Fahranteile, die je nach Batteriekapazität im Mittel bei 73-85% liegen und somit in derselben Größenordnung wie die analysierten realen elektrischen Fahranteile von PHEV (vgl. Kapitel 6.1.5.1). Auch die Streuung der Daten ist vergleichbar217.

215 Die genannten Analysen gehen auf den Erstautor Dr. Patrick Plötz zurück. 216 Auch konventionelle Fahrenergiebedarfe werden individuell berechnet (Fußnote 171). Auch in der Simulation wird unterstellt, dass PHEV zunächst rein elektrisch fahren (charge depleting mode) und die Batterie nach Erreichen der elektrisches Reichweite mit Hilfe eines Verbrennungsmotors auf einem definierten Ladezustand gehalten wird (charge sustaining mode), vgl. z.B. [40]. 217 Die Standardabweichung SD der realen elektrischen Fahranteile des Chevrolet Volt (vgl. Abbildung 20, [256]) beträgt 0,1579, im Vergleich zu SD = 0,1991 der für PK1 simulierten elektrischen Fahranteile (SD = 0,1447 für PK2 und SD = 0,1206 für PK3).

105 Ergebnisse

Abbildung 21. Simulierte elektrische Fahranteile von PHEV gewerblicher Fahrprofile für unterschiedliche Batteriekapazitäten. Boxplot zeigt Median als durchgezogene Linie und Mittelwert als ‚+‘. Die Whisker zeigen das 9%- bzw. 91%-Quantil. PK1: Referenzfahrzeug. PK2/PK3: 200/300% Batteriekapazität.

Schließlich erfolgt eine Einordnung der Simulationsergebnisse anhand eines Vergleichs mit Literaturdaten. Zu beachten ist, dass sich Literaturwerte in Tabelle 44 auf private Fahrzeuge beziehen, in dieser Arbeit aber gewerbliche Fahrprofile simuliert wurden, die durchschnittlich höhere Fahr- leistungen aufweisen. Jedoch weisen REEV privater Fahrzeuge auch überdurchschnittlich hohe Fahrleistungen auf, um höhere Investitionen im Vergleich zu konventionellen Fahrzeugen amortisieren zu können [254].

Tabelle 44. Vergleich der Simulationsergebnisse des elektrischen Fahranteils von PHEV mit Simulationsergebnissen aus der Literatur. AER = Rein Elektrische Reichweite („All Electric Range“). Ø T = Durchschnittliche Beobachtungsdauer in Tagen. N = Nutzerstichprobe. UF = Elektrischer Fahranteil („Utility Factor“). mi = Meilen („miles“).

Quelle: N Ø T AER UF Eigene Arbeit 467 22,5 130-350km218 73-85% Elgowainy et al. (2009) [80] 180.000 (NHTS) 1 ~100km (60mi) 74,9% Neubauer et al. (2013) [224] 398 90 ~55 km (35mi) 70-80% Moawad et al. (2009)[208] 100 1 ~85 km219 88% Axsen et al. (2011) [13] 877 1 ~65km(40mi) 70% (79%)220 Bradley und Quinn (2010) [40] 180.000 (NHTS) 1 ~70km(42mi) 64% (86%)221 Gonder et al. (2007) [117] 227 1 ~65km(40mi) 66%

Trotz der geringeren Batteriekapazitäten realer Fahrzeuge bestätigen Analysen des realen Fahrverhaltens von PHEV bzw. REEV deren hohe elektrische Fahranteile (vgl. Tabelle 45).

218 In Anlehnung an die Medianwerte der entsprechenden BEV, vgl. Tabelle 30. 219 Die Autoren nehmen eine Batteriekapazität von 16 kWh an. Mit den mittleren Fahrenergiebedarfen dieser Arbeit ergibt sich die angegebene Reichweite von ca. 85 km. 220 Wert in Klammern: zusätzliche Lademöglichkeit während der Arbeit. 221 Wert in Klammern: Laden vor jeder Fahrt.

106 Ergebnisse

Tabelle 45. Ergebnisse aus der Literatur zu realen elektrischen Fahranteilen von PHEV. AER = Rein Elektrische Reichweite („All Electric Range“). Ø T = Durchschnittliche Beobachtungsdauer in Tagen. N = Nutzerstichprobe. UF = Elektrischer Fahranteil („Utility Factor“). N.V.: Nicht verfügbar.

Quelle: Nutzer N Ø T Fahrzeuge222 AER UF Smart et al. (2014) [282] Privat 1.405 162,8 Chevrolet Volt 61km 72,4-73,9% Toyota Prius PHEV 18- Ligterink und Eijik (2014) [193] Gewerblich N.V. N.V. 18-31% Chevrolet Volt 61km Umgebaute Toyota 30% Davies und Kurani (2013) [63] Privat 25 7 24km Prius (50%)223 Toyota Prius PHEV 18- Eigene Analysen in [257] Privat 1.831224 442 39%-78,4% Chevrolet Volt 61km

Zusammenfassend kann man festhalten, dass REEV hohe elektrische Fahranteile über 70% aufweisen, im Besonderen bei mit BEV vergleichbaren Batteriekapazitäten. Diese Annahme gleicher Batteriegrößen ist gerechtfertigt, wenn der konventionelle Antriebsstrang als Zusatzoption eines BEV interpretiert wird, wie z.B. für den BMW i3 angeboten [30]. REEV sind wegen ihrer hohen elektrischen Fahranteile hinsichtlich ihres Potentials, Strecken zu elektrifizieren, eine Alternative zu BEV, vor allem vor dem Hintergrund, dass Tagesstrecken, die durch BEV nicht bewältigt werden können, einen überproportionalen Streckenanteil an der Gesamtfahrleistungen ausmachen [227]. Eine Analyse des Potentials von BEV sollte daher für eine umfassende Bewertung auch einen Vergleich zu REEV enthalten.

6.1.6 Zusammenfassung der Ergebnisse In Kapitel 6.1 wird untersucht, inwiefern gewerbliche und private Fahrprofile ohne Änderung des Mobilitätsverhaltens durch BEV ersetzt werden können. Als ein Zielparameter wurde die Nutzbarkeit von BEV bestimmt, die definiert wird als Anteil der Tage im Simulationszeitraum, an dem ein BEV alle Mobilitätsbedarfe erfüllen kann (vgl. Tabelle 19). Für das technische Potential von BEV durch einzelne Fahrprofile wurde angenommen, dass die Nutzbarkeit mindestens 99% betragen muss und dass weiterhin maximal 48 Zwischenladevorgänge pro Jahr notwendig sind. Der direkte Einfluss dieser Annahmen auf das technische Potential von BEV wurde durch Sensitivitätsanalysen adressiert. Beispielsweise ergibt die Forderung schwächerer Kriterien (90% Nutzbarkeit, max. 100 Zwischen- ladebedarfe) eine Steigerung des Potentials von BEV für gewerbliche Fahrprofile im Referenzfall ohne öffentliche Ladeinfrastruktur von ca. 40% auf ca. 60%. Private Fahrprofile erreichen tendenziell schneller eine höheres technisches Potential als gewerbliche Fahrprofile (vgl. auch [107])225. Für private Fahrprofile ist daher die Abhängigkeit des Potentials von den Annahmen stärker (dieses steigt bei Relaxation der Annahmen im Referenzfall von 50% auf ca. 90%). Die Analysen dieser Arbeit zeigen, dass ein bedeutender Teil heutiger Fahrmuster technisch durch BEV bewältigt werden kann. Das technische Potential von BEV beträgt im Referenzfall bereits ca. 40% für gewerbliche (sowie 50% für private) Fahrprofile. Die Verfügbarkeit von Zwischenladeinfrastruktur

222 Dargestellt sind nur die Fahrzeuge mit der kleinsten und größten AER. 223 Wert in Klammern: zusätzliche Lademöglichkeit während der Arbeit. 224 Dargestellt sind die Stichprobenzahlen für die größte Nutzerstichprobe des Chevrolet Volt, vgl. Tabelle 43. 225 Der Datensatz der analysierten privaten Fahrprofile weist zwar sehr geringe Jahresfahrleistungen auf und überschätzt daher wahrscheinlich das technische Potential von BEV. Die Tatsache, dass private Fahrprofile aufgrund geringerer Fahrleistungen ein höheres technisches BEV-Potential aufweisen als gewerbliche Fahrprofile (vgl. auch Kapitel 4), bleibt hiervon unberührt.

107 Ergebnisse steigert diesen Anteil auf ca. 55% (85%)226, die Verdopplung der Batteriekapazitäten (PK2, ohne öffentliche Ladeinfrastruktur) erreicht Potentiale von ca. 65% (73%) bzw. ca. 70% (90%) bei Verdreifachung der Batteriekapazitäten (PK3). Das maximale technische Potential beträgt bei dreifacher Batteriekapazität und Verfügbarkeit öffentlicher Ladeinfrastruktur ca. 85% (99%). Schließlich werden ergänzend zu BEV auch PHEV und REEV untersucht. REEV erreichen bereits bei nutzbaren Batteriekapazitäten von 15-17 kWh hohe elektrische Fahranteile von über 70% im Realbetrieb227 und stellen daher eine Alternative zu BEV und den Aufbau öffentlicher Zwischenladeinfrastruktur dar. Aufgrund ihrer Unabhängigkeit von öffentlicher Ladeinfrastruktur sind sie potentiell eine sehr gute Übergangslösung zu vollständiger Elektromobilität (vgl. z.B. auch [82]).

6.1.7 Diskussion der Ergebnisse Die Ersetzbarkeit von konventionellen Fahrzeugen durch BEV wird in dieser Arbeit individuell für alle Fahrzeuge der analysierten Datensätze bestimmt. Durch Simulation von Fahrwiderständen ist eine Betrachtung individueller Fahrenergiebedarfe möglich. Diese wurden in vergleichbaren Studien bislang nicht adressiert (vgl. Kapitel 2 und Annex A). Eigene Analysen zeigen, dass eine Vernachlässigung von Variationen der Fahrenergiebedarfe technische Potentiale um fünf bis zehn Prozentpunkte überschätzt (Tabelle 39). Weiterhin erlaubt der gewählte Ansatz, erhöhte Fahrenergiebedarfe durch gestiegene Batteriekapazitäten zu berücksichtigen. Eine Vernachlässigung dieses Effekts überschätzt das Potential für gestiegene Batteriekapazitäten, da Fahrzeugreichweiten aufgrund des höheren Batteriegewichts unterproportional mit der Batteriekapazität steigen (vgl. Tabelle 30 und Fußnote 231). Schließlich werden im Rahmen dieser Forschungsarbeit erstmalig elektrische Fahranteile einer großen Anzahl realer Fahrdaten von PHEV ausgewertet. Im Besonderen ist für PHEV die Betrachtung realer Fahr- und Ladedaten entscheidend, da sich Ladebedarfe – im Gegensatz zu BEV – nicht direkt aus Fahrstrecken ableiten lassen. Wie im Folgenden für private Fahrzeuge228 dargestellt, liegen Ergebnisse dieser Arbeit zum technischen Potential von BEV in einer vergleichbaren Größenordnung mit Literaturergebnissen (vgl. Tabelle 46). Die Erkenntnisse dieser Arbeit werden daher als robust eingestuft. Zwar unterscheidet sich die Definition der Nutzbarkeit bzw. des technischen Potentials der einzelnen Studien, dennoch lassen sich allgemeine Aussagen ableiten, die in dieser Arbeit bestätigt werden konnten. . Das technische Potential von BEV ist mit mindestens 35% (bzw. 29% für gewerbliche) in allen untersuchten Studien auch unter der Annahme heutiger Fahrzeugkonfigurationen und ohne öffentliche Ladeinfrastruktur bereits hoch. . Das technische Potential steigt mit öffentlicher Ladeinfrastruktur deutlich an. . Das technische Potential von gewerblichen Fahrzeugen (vgl. Tabelle 46, Werte in Klammern) ist tendenziell geringer als für private Fahrzeuge.

226 Daten in Klammern: Angaben für private Fahrprofile. 227 In dieser Arbeit wird beispielsweise der Chevrolet Volt untersucht, der im aktuellen Modelljahr 2017 eine nutzbare Batteriekapazität von 16,9 kWh hat (vgl. [103] – ältere Modelljahre mit geringeren Batteriekapazitäten). Für elektrische Fahranteile im Realbetrieb vgl. Tabelle 43. 228 Da gewerbliche Fahrzeuge bislang in der Literatur wenig untersucht sind (vgl. Kapitel 2), erfolgt der Literaturvergleich auf Basis der privaten Fahrprofile.

108 Ergebnisse

Tabelle 46. Vergleich der Ergebnisse zum technischen Potential privater Fahrprofile mit Literaturergebnissen. TP = Technisches Potential. LIS = Ladeinfrastruktur. Ø T = Durchschnittliche Beobachtungsdauer in Tagen.

Quelle: Ø T Definition Nutz- TP ohne TP mit barkeit229 öffentliche LIS öffentlicher LIS Eigene Arbeit 222,6 Anteil Tage 50% (PK1) 75% (PK1) (22,5)230 (42%)230 (56%)230 Dong und Lin (2014) [69] 1 Anteil Tage 35% 75% Gnann et al. (2012) [109] 7 Volle Ersetzbarkeit <70% >90% Gnann (2015) [107] 7 (21) 230 Volle Ersetzbarkeit 57% (29%)230 7 (21) 230 Anteil Strecke 97% (90%)230 Greaves et al. (2014) [121] 35 Anteil Fahrten 98% Neubauer und Wood (2014) [220] 365 Anteil Strecke 75% 90% Nicholas et al. (2012) [227] 30 Anteil Strecke <60% Wood et al. (2015a+b) [329, 330] 365 Anteil Strecke 79-82% ~90%

Hervorzuheben ist die Tatsache, dass technische Potentiale privater Fahrzeuge unter Verfügbarkeit öffentlicher Ladeinfrastruktur in dieser Arbeit vergleichbar sind mit Potentialen bei Batteriekapazitäten von 300%. Öffentliche Lademöglichkeiten können demnach deutlich größere Batteriekapazitäten direkt ersetzen, wenn entsprechende Ladestopps in Kauf genommen werden. Wood et al. [330] finden einen ähnlichen Effekt: Die Verfügbarkeit von Zwischenladeinfrastruktur bei Batteriekapazitäten von 30 kWh (22 kWh) führt zu vergleichbaren technischen Potentialen von BEV wie Batteriekapazitäten von 60 kWh (38 kWh) ohne öffentliche Ladeinfrastruktur231. Die Analysen dieser Arbeit ergeben weiterhin, dass das technische Potential von BEV stark mit den angenommenen Schwellen variiert (vgl. Abschnitt 6.1.6). Einen ähnlichen Effekt finden Khan und Kockelman (2012) [176]. Die Autoren untersuchen die Ersetzbarkeit konventioneller Fahrzeuge durch BEV für private Fahrdaten aus Seattle, USA232, und erhalten, dass ca. 40% der Haushalte ihr Fahrzeug durch ein BEV mit 90 Meilen Reichweite (ca. 145 km) ersetzen können, bei einer minimalen Nutzbarkeit von 99%. Dieser Anteil steigt für eine minimale Nutzbarkeit von 95% (90%) auf ca. 90% (~100%). Unter der Annahme, dass Haushalte mit mehreren Fahrzeugen das BEV optimal einsetzen, ist dieser Effekt aufgrund hoher Potentiale weniger stark: der Anteil an Haushalten steigt von 75% bei 99% Nutzbarkeit auf ~100% bei 95% Nutzbarkeit.

229 Vgl. Kapitel 2.2. In den anderen Arbeiten wird nicht zwischen technischem Potential und Nutzbarkeit unterschieden und das technische Potential entspricht der Definition des Nutzbarkeitsanteils der jeweiligen Arbeit. 230 Daten in Klammern: gewerbliche Fahrprofile. 231 Obgleich Batteriekapazitäten aufgrund unterschiedlicher Modellannahmen - Wood et al. (2015b) unterstellen Ladeleistungen von 50 kW, Fahrenergiebedarfe variieren nicht mit Batteriekapazitäten und Ladedauern sind durch Beibehaltung aktueller Fahrmuster begrenzt – nicht in derselben Größenordnung liegen, zeigen die Ergebnisse beider Arbeiten dennoch, dass Batteriekapazitäten um ca. 100% gesteigert werden müssen, um mit dem Aufbau öffentlicher Zwischenladeinfrastruktur vergleichbare technische Potentiale zu erreichen. 232 419 GPS-Fahrprofile aus 255 Haushalten mit einer durchschnittlichen Beobachtungsdauer von 341 Tagen je Fahrprofil, vgl. auch Tabelle 9.

109 Ergebnisse

6.2 Ladeinfrastrukturbedarf Das technische Potential von BEV wurde, auf Basis individueller Fahrzeugsimulationen im vorangegangenen Kapitel 6.1 bestimmt. Die Ergebnisse erlauben eine technische Bewertung des Einflusses Reichweiten-verlängernder Maßnahmen aus Nutzersicht. Zu diesem Zweck wurden Kriterien definiert, die die Verfügbarkeit öffentlicher Ladeinfrastruktur aus Nutzersicht repräsentieren, und auf Basis derer individuelle Ladebedarfe bestimmt werden. Für einen techno-ökonomischen Gesamtvergleich zur Beantwortung der Forschungsfrage ist aber darüberhinausgehend die Bestimmung der Anzahl an öffentlichen Ladepunkten notwendig, die zur Deckung dieser individuellen Ladebedarfe notwendig sind. Hauptergebnis dieses Kapitels 6.2 ist die Darstellung der Anzahl an öffentlichen Ladepunkten, die in Abhängigkeit der in Kapitel 6.1 analysierten Parameterkombinationen zur Deckung der errechneten individuellen Ladebedarfe notwendig ist. Die Ausgangsbasis dieser Berechnungen bilden durchschnittliche öffentliche Ladebedarfe pro Elektrofahrzeug (vgl. z.B. Abbildung 16) für alle untersuchten Parameterkombinationen (Kapitel 6.2.1)233. Für die Bewertung der zeitlichen Mindestverfügbarkeit von öffentlicher Ladeinfrastruktur ist die Kenntnis der Verteilung der Lademengen während eines Ladevorgangs für die Dimensionierung öffentlicher Ladestandorte entscheidend. Da empirische Daten für hohe Batteriekapazitäten nicht verfügbar sind (vgl. Kapitel 3.4.1), wird angenommen, dass Ladebedarfe aus Streckenlängen abgeleitet werden können, die durch entsprechende Ladevorgänge ermöglicht werden sollen. Diese Strecken werden in Kapitel 6.2.2 berechnet und hieraus die Verteilung der Lademengen abgeleitet. Mit Hilfe dieser Verteilung lässt sich anschließend die zeitliche Verfügbarkeit öffentlicher Ladeinfrastruktur bestimmen. Diese Analyse basiert auf der Berechnung einer maximalen Aufnahmekapazität einer Ladestation (in Anzahl Ladevor- gänge pro Stunde), um durchschnittliche Wartezeiten an dieser zu begrenzen. Aufnahmekapazitäten von Ladestationen mit einer unterschiedlichen Anzahl an Ladepunkten werden in Kapitel 6.2.3 für unterschiedliche Ladeleistungen bestimmt. Die Skalierung der Ladestandorte erfolgt mittels Warteschlangensystemen (vgl. Kapitel 5.3.2). Die Berechnung der Anzahl benötigter Ladepunkte erfolgt schließlich in Kapitel 6.2.4 (Zwischenladen) und 6.2.5 (Gelegenheitsladen). In diesem Zusammenhang stellt sich die Frage, ob öffentliche Ladeinfrastrukturbedarfe im zeitlichen Verlauf sinken könnten und errichtete Ladeinfrastruktur obsolet würde, da Ladebedarfe mit der Weiterentwicklung von Elektrofahrzeugen (z.B. zunehmende Batteriekapazitäten) abnehmen könnten. Diese Fragestellung wird in Kapitel 6.2.8 untersucht. Schließlich führen veränderte Rahmenbedingungen, wie beispielsweise extreme Temperaturen, zu erhöhten Ladebedarfen (vgl. Kapitel 6.1.3). Der resultierende Effekt auf Ladeinfrastrukturbedarfe wird in Kapitel 6.2.6 untersucht. Über Sensitivitätsanalysen wird darüber hinaus die Robustheit der Ergebnisse gegenüber Modellannahmen adressiert (Kapitel 6.2.7).

6.2.1 Durchschnittliche öffentliche Ladebedarfe je Elektrofahrzeug Gewerbliche Fahrprofile müssen im Mittel je nach Parameterkombination zwischen 8,3 und 11,1 Mal pro Jahr zwischenladen (Tabelle 47 und Tabelle 54), um das in Kapitel 6.1 gezeigte Potential zu erreichen. Im Besonderen sehr große Batteriekapazitäten (PK3) senken Ladebedarfe deutlich, ein geringeres Fahrzeug- bzw. Batteriegewicht (PK4-PK6 bzw. PK7-PK12) hingegen senkt Ladebedarfe weniger stark (um ca. 22%). Mit Spannweiten von 5,2 bis 14,1 variieren durchschnittliche Gelegenheitsladebedarfe pro Jahr stärker als Zwischenladebedarfe (vgl. Tabelle 47). Sind sowohl Zwischenladeinfrastruktur als auch Gelegenheitsladeinfrastruktur gemeinsam verfügbar, sinken Zwischenladebedarfe gegenüber den gezeigten Werten um maximal 6% (nicht dargestellt). Dieses

233 Modelltechnisch ist die Bestimmung durchschnittlicher Ladebedarfe Kapitel 6.1 zuzuordnen. Aufgrund des engen thematischen Zusammenhangs werden diese aber hier beschrieben.

110 Ergebnisse

Ergebnis stützt die Hypothese (vgl. Kapitel 2), dass Zwischenladebedarfe nur sehr begrenzt durch Gelegenheitsladebedarfe substituiert werden können. Zwar überschneiden sich die Konfidenzintervalle der Mittelwerte für „benachbarte“ Batteriegrößen. Die Hypothese gleicher Mittelwerte kann aber für beide Ladearten für alle „benachbarten“ Batteriegrößen auf Basis eines Welch-Tests (vgl. Annex G) abgelehnt werden (für alle Kombinationen: 푝 < 0,001).

Tabelle 47. Mittlere jährliche Ladebedarfe gewerblicher Fahrprofile je nach Parameterkombination. Mittelwerte plus/minus 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

Abkürzung Batterie- Gewichts- Energiedichte Zwischen- Gelegenheits- kapazität reduktion Batterie ladebedarfe ladebedarfe PK1 100%234 Keine 100 Wh/kg 11,1 ± 1,4 14,1 ± 3,7 PK2 200% 10,7 ± 1,2 10,4 ± 2,8 PK3 300% 8,7 ± 1,0 5,2 ± 1,9 PK4 100% -15% 10,6 ± 1,3 12,2 ± 3,2 PK5 200% 10,2 ± 1,2 9,2 ± 2,3 PK6 300% 8,3 ± 1,0 5,2 ± 1,8 PK7 100% Keine 200 Wh/kg 10,9 ± 1,4 14,0 ± 3,5 PK8 200% 10,3 ± 1,1 8,3 ± 2,4 PK9 300% 8,5 ± 1,0 5,5 ± 1,7 PK10 100% -15% 11,0 ± 1,4 15,5 ± 3,9 PK11 200% 10,2 ± 1,1 7,5 ± 1,9 PK12 300% 8,9 ± 1,0 6,0 ± 1,6

Zwischenladebedarfe privater Fahrprofile sind im Vergleich zu gewerblichen Ladebedarfen mit jährlich durchschnittlich 5,4 im Referenzfall (PK1) deutlich geringer und größere Batteriekapazitäten senken diese Ladebedarfe relativ betrachtet stärker als für gewerbliche Fahrzeuge: diese betragen 2,5 (1,5) Ladevorgänge pro BEV und Jahr für PK2 (PK3). Im Besonderen ist bei der Interpretation dieser sehr geringen Ladebedarfe aber die nicht repräsentativ geringe Jahresfahrleistung des untersuchten Datensatzes zu beachten (vgl. Kapitel 4.3). Zum Vergleich: Für Daten der MOP 2010 [210] – unter Annahme konstanter Fahrzeugreichweiten, die den durchschnittlichen Reichweiten in Tabelle 34 entsprechen und unter Berücksichtigung der Kriterien zum technischen Potential von BEV –, ergeben sich durchschnittlich 9,8 (150 km Reichweite), 7,3 (250 km) und 6,0 (350 km) Zwischenladebedarfe pro BEV und Jahr für private Fahrzeuge. Bei der Betrachtung durchschnittlicher Ladebedarfe ist zu beachten, dass diese von der jeweils betrachteten Fahrzeugflotte bzw. den jeweils unterstellten Kriterien zur Adoption von BEV abhängen. In dieser Arbeit werden alle technisch möglichen Fahrprofile betrachtet. Eine Beschränkung auf Fahrzeuge, die ökonomisch als BEV betrieben werden könnten (im Vergleich zu konventionellen Fahrzeugen), führt wahrscheinlich zu höheren Ladebedarfen, da BEV zur Amortisation der hohen Investitionen hohe Fahrleistungen benötigen.

6.2.2 Durch Zwischenladebedarfe bereitzustellende Strecke Zwischenladeereignisse sind im Vergleich zum privaten Laden mit finanziellem und zeitlichem Aufwand verbunden. Daher wird unter Annahme ökonomisch rational handelnder Fahrzeugnutzer („homo oeconomicus“) unterstellt, dass sich Energiemengen, die an öffentlicher Zwischenladeinfrastruktur nachgeladen werden, nach den Strecken richten, die durch die entsprechenden Ladestopps ermöglicht werden sollen235. Da empirische Ladedaten für große Batteriekapazitäten (PK2 und PK3) nicht

234 24 kWh für die Fahrzeuggröße „Mittel“. 235 Eine Vollladung der Batterie erfolgt aufgrund von Kostenvorteilen nach Möglichkeit im privaten Bereich.

111 Ergebnisse verfügbar sind, werden für diese die durch Zwischenladestopps ermöglichten Zusatzstrecken bestimmt und aus diesen Strecken entsprechende Ladeannahmen abgeleitet. Diese durch Zwischenladestopps ermöglichten Strecken, im Folgenden Zusatzstrecken genannt, sind nutzerspezifisch und hängen von der jeweiligen Tagesstrecke sowie der individuellen elektrischen Fahrzeugreichweite ab. Zur Bestimmung der Zusatzstrecken wird auf Basis des Ansatzes in [248] eine eigene Methodik entwickelt und für jeden Nutzer der Durchschnitt aller benötigten Zusatzstrecken auf Basis der Mean Excess Funktion der Log-Normalverteilung berechnet (vgl. Kapitel 5.2.5). Die empirische Verteilungsfunktion der durchschnittlichen nutzerspezifischen Zusatzstrecken ist in Abbildung 22 dargestellt236 – jeweils für alle Profile, die für die entsprechende Parameterkombination die Kriterien zum technischen BEV-Potential erfüllen. Durchschnittliche Zusatzstrecken nehmen mit steigender Batteriekapazität zu. Dieser Effekt konnte auch für die Annahme weibull-verteilter Tagesfahrleistungen gezeigt werden (vgl. Tabelle C 2)237.

Abbildung 22. Empirische Verteilungsfunktion der nutzerindividuellen Zusatzstrecke. Dargestellt ist der nutzerspezifische Durchschnitt positiver Zusatzstrecken.

Der Effekt der steigenden Zusatzstrecke ist kontraintuitiv, da man davon ausgehen würde, dass zusätzliche Strecken mit steigender Batteriekapazität sinken sollten. Steigende Zusatzstrecken können aber wie folgt begründet werden: 1. Mit einer zusätzlichen Fahrzeugreichweite können Nutzer weitere Tagesstrecken fahren und es werden weniger Zwischenladestopps notwendig. Einzelne Tagesstrecken können daher mit größeren Batterien vollständig ohne Zwischenladestopp zurückgelegt werden, für die mit kleineren Batterien ein Zwischenladestopp notwendig war. Ein Wegfall dieser vergleichsweise geringen Zusatzstrecken bewirkt eine Erhöhung des Durchschnitts an Zusatzstrecken. 2. Dargestellt sind die Daten aller Fahrprofile, die für die jeweiligen Batteriekapazitäten die Kriterien des technischen Potentials erfüllen. Mit steigenden Batteriekapazitäten erhöht sich die Anzahl möglicher Fahrprofile und mit steigender Anzahl an Fahrprofilen steigt auch die

236 Für die durchschnittlichen nutzerspezifischen Zusatzstrecken werden nur positive Zusatzstrecken betrachtet. An Beobachtungstagen, an denen kein Zwischenladestopp notwendig ist, ist die Zusatzstrecke Null. Diese geht nicht in die Berechnung der durchschnittlichen nutzerspezifischen Zusatzstrecken ein. 237 Standardmäßig werden in dieser Arbeit log-normalverteilte Tagesfahrleistungen unterstellt, vgl. Kapitel 5.2.5.

112 Ergebnisse

durchschnittliche Jahresfahrleistung des Datensamples238. Zusatzstrecken steigen entsprechend. Der Effekt ist modelltechnisch interessant, da steigende Batteriekapazitäten einerseits die Anzahl an Ladebedarfen pro Jahr von 11,1 für PK1 auf 8,7 (10,7) für PK3 (PK2) senken, andererseits aber zu höheren Ladezeiten führen. Steigende Batteriekapazitäten könnten sich demnach theoretisch sowohl positiv als auch negativ auf den Ladeinfrastrukturbedarf auswirken. Der Mittelwert der durchschnittlichen Zusatzstrecken steigt von 56 km (± 4 km239) für PK1 um den Faktor 1,7 auf 93 km (± 6 km) für PK2 bzw. um den Faktor 2,2 auf 122 km (± 8 km) für PK3. Aus diesen Ergebnissen (Abbildung 22 und Annex C) wird die Verteilung der Lademengen an öffentlicher Ladeinfrastruktur (Zwischenladen) abgeleitet und für die Dimensionierung einzelner Ladestandorte verwendet. Es wird angenommen, dass Lademengen bei doppelten Batteriekapazitäten (PK2) im Vergleich zum Referenzfahrzeug steigen und mindestens 25%, im Mittel 40% und maximal 60% der Batteriekapazität betragen. Für PK3 betragen Lademengen entsprechend mindestens 20%, im Mittel 30% und maximal 50% der Batteriekapazität. Die Normalverteilungsannahme (vgl. Kapitel 5.3) wird auch für größere Batteriekapazitäten beibehalten.

6.2.3 Maximale Aufnahmekapazität einzelner Ladestationen Die gewünschte zeitliche Verfügbarkeit einer Ladestation wird unterstellt, wenn ihre Auf- nahmekapazität die durchschnittliche Wartezeit aller ihrer Nutzer entsprechend des gewünschten Servicelevels begrenzt (vgl. Kapitel 5.3.2). Diese maximale Aufnahmekapazität wird in dieser Arbeit mittels Warteschlangenmodellen bestimmt. Lademengen werden entsprechend empirischer Ladedaten (vgl. Kapitel 3.4.1) als normalverteilt angenommen240. Für das Zwischenladen werden Ladestationen mit maximal acht Ladepunkten betrachtet (M/G/s), die Auslegung einzelner Ladestandorte erfolgt auf eine durchschnittliche Wartezeit von fünf Minuten. Für das Ge- legenheitsladen wird pro Ladestandort ein Ladepunkt angenommen (M/G/1) und eine maximale durchschnittliche Wartezeit von 15 Minuten unterstellt. Tabelle 48 zeigt die resultierende maximale Aufnahmekapazität einer Ladestation zum Zwischenladen in Abhängigkeit der Anzahl ihrer Ladepunkte (Lademengen entsprechend der Annahmen für die Referenzbatteriekapazität).

238 Unter Einbezug der Zwischenladeoption beträgt die durchschnittliche Jahresfahrleistung für PK1 11.300 km ± 700 km, für PK2 15.000 km ± 950 km und für PK3 16.600 km ± 1.100 km (vgl. auch Abbildung C 6; Mittelwerte plus/minus 1,96 Standardfehler, entspricht 95%-Konfidenzintervall). Der gezeigte Effekt der steigenden Zusatzreichweite für größere Batteriekapazitäten ergibt sich aber auch für die Betrachtung des gesamten Datensatzes, vgl. Abbildung C 8. 239 95%-Konfidenzintervall. 240 Für eine Diskussion der Normalverteilungsannahme vgl. Kapitel 5.3.2.2.

113 Ergebnisse

Tabelle 48. Maximale Aufnahmekapazität [Anzahl Ladevorgänge pro Stunde] einer M/G/s-Ladestation (Zwischenladen) mit bis zu acht Ladepunkten.

In Abhängigkeit der Anzahl Ladepunkte sowie der Ladeleistung, ausgelegt auf eine durchschnittliche Wartezeit tw = 5 min. Eigene Berechnung.

Anzahl Ladepunkte je Ladestation

Ladeleistung 1 2 3 4 5 6 7 8 150 kW 7,3 18,0 29,0 40,0 51,1 62,2 73,3 84,4 100 kW 4,1 11,1 18,3 25,6 32,9 40,2 47,6 55,0 50 kW 1,4 4,6 8,0 11,6 15,1 18,7 22,4 26,0

Die Aufnahmekapazität eines Ladestandorts steigt überproportional mit der Anzahl seiner Ladepunkte, da durchschnittliche Wartezeiten aller Kunden überproportional sinken241. Dies ist besonders für den Übergang von einem zu zwei Ladepunkten deutlich (vgl. Tabelle 49). Hinsichtlich des Verhältnisses Elektrofahrzeuge pro Ladepunkt sind demnach Ladestationen mit einer hohen Anzahl an Ladepunkten vorteilhaft242. Weiterhin bewirkt eine Absenkung der Ladeleistung über die Steigerung der Bedienzeit eine überproportionale Abnahme der Aufnahmekapazität einzelner Ladestationen243. Höhere Lademengen, beispielsweise aufgrund von höheren Batteriekapazitäten, hat aufgrund einer Erhöhung von Bedienzeiten einen analogen Effekt.

Tabelle 49. Relative Veränderung der maximalen Aufnahmekapazität einer M/G/s-Ladestation (Zwischenladen). Dargestellt ist die Aufnahmekapazität der jeweiligen Ladestandorte relativ zur Aufnahmekapazität eines Ladestandorts mit einem Ladepunkt und einer Ladeleistung von 150 kW. Ausgelegt auf eine durchschnittliche Wartezeit tw = 5 min. Eigene Berechnung.

Anzahl Ladepunkte je Ladestation

Ladeleistung 1 2 3 4 5 6 7 8 150 kW 100% 247% 397% 548% 700% 852% 1004% 1156% 100 kW 56% 152% 251% 351% 451% 551% 652% 753% 50 kW 19% 63% 110% 159% 207% 256% 307% 356%

241 Daher werden beispielsweise (mehrere parallele) Schalter der Deutschen Bahn nicht mehr aus einzelnen Warteschlangen gespeist, sondern aus einer einzelnen, gemeinsamen Warteschlange, da diese durchschnittliche Wartezeiten minimiert (vgl. auch [27, Abschnitt 1.1]). 242 Dies zeigt sich entsprechend in der durchschnittlichen Auslastung ρ bei maximalem Aufkommen je Ladepunkt (vgl. auch Abbildung E 1): diese beträgt für P =150 kW ρ = 65% bei einem Ladepunkt und steigt auf ρ = 95% bei acht Ladepunkten. 243 Vgl. die einzelnen Reihen in Tabelle 49. Während eine Ladestation mit 150 kW Ladeleistung je Ladepunkt unter den getroffenen Annahmen vier Ladepunkte benötigt, um 40 Fahrzeuge pro Stunde aufzunehmen, werden sechs Ladepunkte je 100 kW Ladeleistung benötigt. Eine Ladestation mit 50 kW je Ladepunkt kann diesen Ladebedarf mit acht Ladepunkten unter Einhaltung des Servicelevels nicht mehr decken.

114 Ergebnisse

6.2.4 Ladeinfrastrukturbedarf Zwischenladen In diesem Teilkapitel werden Zwischenladeinfrastrukturbedarfe in Abhängigkeit des Bestands von Elektrofahrzeugen244 dargestellt. Die Darstellung erfolgt für die unterschiedlichen Para- meterkombinationen. Ergebnisse werden für gewerbliche (Kapitel 6.2.4.1) und private (Kapitel 6.2.4.2) Fahrprofile separat aufgezeigt, eine Synthese beider Teilergebnisse erfolgt durch Betrachtung einer gemischten Fahrzeugflotte aus gewerblichen und privaten BEV (Kapitel 6.2.4.3) bzw. im Rahmen der Betrachtung einer dynamischen Flottenbetrachtung (Kapitel 6.2.8). Die Ladeinfrastrukturbetrachtung erfolgt nur für heutige Energiedichten (PK1 bis PK6), da sich Ladeinfrastrukturbedarfe für zukünftige Energiedichten (PK7 bis PK12) nur unbedeutend (Abweichung durchschnittlich < 5%) unterscheiden.

6.2.4.1 Gewerbliche Fahrzeuge Die Annahme einer minimalen geographischen Erreichbarkeit bedingt einen festen Bedarf an öffentlicher Zwischenladeinfrastruktur unabhängig von der Verbreitung von BEV. Dieser beträgt 156 Ladestandorte mit jeweils einem Ladepunkt, entsprechend der Annahmen in Kapitel 5.3.1. Der absolute Ladeinfrastrukturbedarf steigt mit der Anzahl an Elektrofahrzeugen linear an – je eine Million Elektrofahrzeuge besteht ein zusätzlicher Bedarf an 282-462 (PK1-PK3) Ladepunkten245 (vgl. auch Abbildung C 3). Der Bedarf an öffentlicher Zwischenladeinfrastruktur steigt für gewerbliche Fahrprofile mit der Batteriekapazität an. D.h., dass Ladebedarfe gewerblicher Fahrprofile (vgl. Tabelle 47) mit steigender Batteriekapazität nicht stark genug sinken, um längere Ladezeiten auszugleichen. Insgesamt aber ist die notwendige Anzahl an Ladepunkten relativ zum Bestand an EV für alle Parameterkombinationen gering, wie Abbildung 23 verdeutlicht.

Abbildung 23. Zwischenladeinfrastrukturbedarf (P = 150 kW) gewerblicher Fahrprofile (Ladepunkte pro 10.000 Elektrofahrzeuge) in Abhängigkeit des Elektrofahrzeugbestands.

Deutlich wird, dass aufgrund des geographischen Mindestbedarfs bei geringen EV-Bestandszahlen vergleichsweise eine hohe Anzahl an ca. 31 Ladepunkten je 10.000 Elektrofahrzeuge notwendig ist. Bei

244 In diesem Kapitel wird allgemein von Elektrofahrzeugen (EV) gesprochen, da für die Betrachtung des Ladeinfrastrukturbedarfs die genaue Antriebsform eines ladenden Elektrofahrzeugs unerheblich ist. Vereinfachend wird davon ausgegangen, dass alle ladenden EV dieselben Ladebedarfe haben wie in Kapitel 6.1 bestimmt. 245 Bestimmtheitsmaße linearer Regressionen sind für alle Parameterkombinationen R² > 0,999.

115 Ergebnisse ca. 1.000.000 EV ist ein Verhältnis von weniger als fünf Ladepunkten pro 10.000 EV erreicht, das für einen weiter steigenden EV-Bestand nur noch unbedeutend weiter abnimmt.

Die maximale Stationsgröße beträgt acht Ladepunkte, die Entwicklung des Ladeinfrastrukturbedarfs (für PK1) in Abhängigkeit des EV-Bestands nach einzelnen Stationsgrößen zeigt Abbildung 24.

Abbildung 24. Bedarf öffentliche Zwischenladeinfrastruktur in Abhängigkeit des Elektrofahrzeugbestands nach Stationsgröße. Ladeleistung 150kW. Lademengen entsprechend Referenzfahrzeug. LP = Ladepunkt.

Man erkennt, dass die Anzahl der Ladestandorte bis zu einem Bestand von zwei Millionen gewerblichen Elektrofahrzeugen konstant bleibt, die Stationsgrößen sich aber mit zunehmendem Bestand verändern. Ladestandorte mit nur einem Ladepunkt sind für gewerbliche Fahrprofile bis zu 150.000 EV ausreichend, bei geringeren Ladeleistungen von P = 50 kW für bis zu 30.000 EV246. Ladestationen mit mehr als vier Ladepunkten werden erst ab ca. einer Million EV benötigt, bei einem Bestand ab 3,5 Millionen EV dominieren große Ladestationen.

6.2.4.2 Private Fahrzeuge Private Fahrprofile weisen geringere durchschnittliche Ladebedarfe pro EV auf als gewerbliche und die Anzahl notwendiger öffentlicher Zwischenladepunkte je EV ist für private Fahrprofile daher ebenfalls geringer (vgl. Abbildung 25)247. Im Gegensatz zu gewerblichen Fahrprofilen nehmen Ladebedarfe für private Fahrprofile für steigende Batteriekapazitäten so stark ab, dass sie längere Ladezeiten kompensieren und der Zwischenladeinfrastrukturbedarf mit steigender Batteriekapazität abnimmt.

246 Für private Fahrprofile sind diese Werte aufgrund geringerer Ladeinfrastrukturbedarfe (vgl. auch nächster Abschnitt) ca. doppelt so hoch. 247 Bis 50.000 EV dominiert der geographische Ladeinfrastrukturbedarf und das Verhältnis Ladepunkte pro EV ist für 50.000 EV mit der Kennzahl für gewerbliche Fahrprofile (vgl. Abbildung 23) identisch. Zur besseren Übersichtlichkeit ist daher in Abbildung 25 der Ladeinfrastrukturbedarf erst ab 250.000 EV dargestellt.

116 Ergebnisse

Abbildung 25. Zwischenladeinfrastrukturbedarf (P = 150 kW) privater Fahrprofile (Ladepunkte pro 10.000 Elektrofahrzeuge) in Abhängigkeit des Elektrofahrzeugbestands.

6.2.4.3 Mischflotten: gewerblich und privat Bislang wurde der Ladeinfrastrukturbedarf für private und gewerbliche Fahrprofile getrennt untersucht. Reale Elektrofahrzeugflotten werden sich aber sowohl aus privaten als auch aus gewerblichen Fahrzeugen zusammensetzen und es stellt sich die Frage, ob der Ladeinfrastrukturbedarf proportional mit der Flottenzusammensetzung variiert. Daher wurden für unterschiedliche Flottenzusammensetzungen (gewerblich und privat) durchschnittliche Ladebedarfe bestimmt und resultierende Ladeinfrastrukturbedarfe ermittelt. Die Ergebnisse sind für einen Elektrofahrzeugbestand von 250.000 EV (Abbildung 26, links) und 1 Million EV (Abbildung 26, rechts) gezeigt.

Der Bedarf an Ladeinfrastruktur steigt mit dem Anteil gewerblicher Fahrzeuge an, da diese höhere Ladebedarfe haben. Anhand der gestrichelten Linie, die einen zum Flottenanteil gewerblicher Fahrzeuge proportionalen Zuwachs des Ladeinfrastrukturbedarfs anzeigt, erkennt man, dass der Ladeinfrastrukturbedarf für 250.000 EV mit dem Anteil gewerblicher Fahrprofile bis zu einem Anteil von ca. 80% unterproportional steigt. Der unterproportionale Anstieg kann vermutlich dadurch erklärt werden, dass aufgrund der vergleichsweise geringen Anzahl an Elektrofahrzeugen der geographische Ladeinfrastrukturbedarf überwiegt und daher die für eine rein private Fahrzeugflotte errichtete

117 Ergebnisse

Ladeinfrastruktur freie Kapazitäten aufweist, die ausreichend sind, um weitere Ladebedarfe ohne nennenswerten Zubau aufzunehmen. Bei einer größeren Zahl an Elektrofahrzeugen (Abbildung 26, rechts: 1 Mio. EV) ist öffentliche Ladeinfrastruktur stärker ausgelastet und eine Erhöhung der Ladebedarfe, z.B. durch die Erhöhung des Flottenanteils gewerblicher Fahrzeuge, bewirkt einen entsprechenden direkten Anstieg des Ladeinfrastrukturbedarfs. Bei einem hohen Elektrofahrzeugbestand ist also eine genaue Kenntnis lokaler Ladebedarfe notwendig, um den Bedarf an Ladeinfrastruktur z.B. entsprechend des Anteils gewerblicher Fahrprofile anzupassen, da der Ladeinfrastrukturbedarf proportional zu den Ladebedarfen steigt.

6.2.5 Ladeinfrastrukturbedarf Gelegenheitsladen Ladeinfrastrukturbedarfe für das Gelegenheitsladen werden ebenfalls kombiniert für eine zeitliche und geographische Mindesterreichbarkeit ausgelegt (vgl. Kapitel 5.3.3). Ladeinfrastrukturbedarfe werden in dieser Arbeit individuell für alle 4.567 Gemeindeverbände („Stadt- /Gemeindetyp differenziert“, siehe [21]) bestimmt. Geographische Ladeinfrastrukturbedarfe wurden auf Basis der Gemeindeverbandsflächen bestimmt und es ergibt sich nach Formel (14) und den Annahmen in Tabelle 20 eine Gesamtzahl an 24.902 Ladestandorten in Deutschland. Zur Bestimmung der zeitlichen Ladeinfrastrukturverfügbarkeit wurde eine Methodik entwickelt, um Fahrzeugbestände in jedem Gemeindeverband abzuschätzen (vgl. Kapitel 5.3.2.1.1) und hieraus lokale Ladebedarfe abzuleiten. Die maximale Aufnahmekapazität einer Ladestation mit einer Ladeleistung 푃퐿퐼푆 = 22푘푊 und begrenztem Warteraum (M/G/1/2) beträgt 휆푚푎푥 = 3,77 Fahrzeuge pro Ladepunkt und Stunde, um durchschnittliche Wartezeiten von maximal 15 min sicherzustellen. Der Anteil abgewiesener Nutzer beträgt ca. 50%. Unter der Annahme, dass Nutzer nicht abgewiesen werden, sondern bereit sind zu warten – der Warteraum also unbeschränkt ist (M/G/1) –, reduziert sich die Aufnahmekapazität eines Ladepunkts auf 1,16 Fahrzeuge pro Stunde, da nun mehr Ladepunkte notwendig sind, um auch für die zusätzlichen – da nicht abgewiesenen – Fahrzeuge durchschnittliche Wartezeiten zu begrenzen. Unter den Ladeannahmen dieser Arbeit (vgl. Kapitel 5.3.2.3) bedeutet dies, dass pro 1.000 Elektrofahrzeuge mindestens ca. 3,8 Ladepunkte mit unbeschränktem bzw. 1,6 Ladepunkte mit beschränktem Warteraum benötigt werden. Dieser Ladeinfrastrukturbedarf, der sich für die Gewährleistung einer zeitlichen Mindestverfügbarkeit ergibt, ist in Abbildung 27 für Ladestationen mit unbeschränktem Warteraum (M/G/1) dargestellt (gestrichelte Linie). Neben dem reinen Nutzerbedarf zeigt die Abbildung auch den Gesamtbedarf an Ladepunkten, der sich aus der Kombination aus zeitlicher und geographischer Mindestverfügbarkeit ergibt (Punkte mit durchgezogener Linie). Dieser rein nutzerbasierte Ladeinfrastrukturbedarf steigt für M/G/1-Systeme kontinuierlich von ca. 5.000 Ladepunkten bei 500.000 EV auf ca. 20.000 bei fünf Millionen EV an. Für beschränkte Wartesysteme (M/G/1/2) steigt der Nutzerbedarf weniger schnell – auf ca. 8.000 bei fünf Millionen EV –, Gesamtbedarfe sind aber vergleichbar. Daher werden aus Gründen der Übersichtlichkeit Ergebnisse für beschränkte Warteschlangensysteme nicht separat gezeigt.

118 Ergebnisse

Abbildung 27. Anzahl benötigter Gelegenheitsladepunkte in Abhängigkeit des Elektrofahrzeugbestands. Unterschieden nach rein nutzerbasierten (gestrichelt) sowie kombiniertem geographischen und nutzerbasierten (durchgezogene Linie) Ladeinfrastrukturbedarf für Ladestationen mit unbeschränktem Warteraum (M/G/1).

Der gesamte Ladeinfrastrukturbedarf (als Punkte dargestellt) wird stark durch die angenommene geographische Mindesterreichbarkeit (vgl. Tabelle 20) dominiert248 und steigt daher erst ab einem Elektrofahrzeugbestand von ca. zwei bis drei Millionen Fahrzeugen merklich an. Die Anzahl benötigter Ladestandorte ist aufgrund des quadratischen Einflusses der maximalen Entfernung (Formel (14)) stark abhängig von den Annahmen der maximalen Erreichbarkeit. Eine Halbierung der maximalen Entfernung für alle Gemeindetypen bewirkt fast eine Vervierfachung der Anzahl an benötigten Ladestandorten auf 92.635, eine Verdoppelung der Distanzen reduziert die Anzahl benötigter Ladestandorte um 65% auf 8.708. Aber auch bei Verdopplung der Distanzen wird der gesamte Infrastrukturbedarf auch für einen hohen Elektrofahrzeugbestand stark von der geographischen Mindesterreichbarkeit dominiert249. Aufgrund der Besonderheit, dass Gemeindeverbände mit weniger als 50.000 Einwohnern zwar einen Flächenanteil von ca. 60% aufweisen und daher den Ladeinfrastrukturbedarf in Abhängigkeit der geographischen Erreichbarkeit stark beeinflussen, in diesen gleichzeitig aber weniger als 10% der Einwohner leben250 (vgl. Tabelle 20), zeigt Tabelle 50 außerdem den gesamten Ladeinfrastruktur- bedarf (Gelegenheitsladen), wenn die geographische Erreichbarkeit differenziert nach Großstädten (>50.000 EW, vgl. Tabelle 20) und kleineren Gemeinden (<50.000 EW) variiert wird.

248 Die Entfernung zur nächsten Ladestation wurde in Landgemeinden mit 5 km sehr hoch angesetzt. Würde man die mittlere Entfernung zur nächsten Ladestation in kleineren Gemeinden (<50.000 EW) halbieren, so würde die Anzahl benötigter Ladestationen auf ca. 50.000 steigen und der Ladeinfrastrukturbedarf wäre noch stärker durch die geographische Erreichbarkeit dominiert, vgl. Abbildung C 5 (Annex C). 249 Vgl. Tabelle 50 „Doppelte Entfernung“. Eine Aufteilung der Ladestandorte auf einzelne Gemeinde- verbandstypen in Abhängigkeit der angenommenen Erreichbarkeit zeigt Abbildung C 4 (Annex C). 250 Ca. 60% der genannten Ladestandorte befinden sich aufgrund der angenommenen höheren Infrastrukturdichte in Städten mit über 50.000 Einwohnern.

119 Ergebnisse

Insgesamt wird aus den Analysen gefolgert, dass sich Infrastrukturbedarfe für öffentliches Gelegenheitsladen aus der gewünschten geographischen Erreichbarkeit ergeben und die zeitliche Verfügbarkeit dieser Infrastruktur aus makroskopischer Sicht251 eine untergeordnete Rolle spielt.

Tabelle 50. Ladeinfrastrukturbedarf (Gelegenheitsladen) für 1 Millionen EV in Abhängigkeit der gewünschten geographischen Erreichbarkeit. Der Zusätzliche Nutzerbedarf zeigt den Ladeinfrastrukturbedarf, der zusätzlich zum geographischen Bedarf notwendig ist, um eine hohe zeitliche Verfügbarkeit der Ladeinfrastruktur zu gewährleisten (M/G/1). Kleinere Gemeinden bis 50.000 EW, Großstädte ab 50.000 EW.

Referenz Halbe Entfernung Maximale Doppelte Doppelte in kleinen Entfernung Entfernung in Entfernung Gemeinden konstant 2 km Großstädten Bedarf geographische Abdeckung 24.902 49.146 36.630 14.035 8.708 Zusätzlicher Nutzerbedarf 121 5 196 172 689

Der im Referenzfall angenommene Gelegenheitsladeinfrastrukturbedarf liegt in derselben Größenordnung wie die 30.000 Normalladepunkte, die laut Ladesäulenverordnung des BMWi [314] bis 2020 schätzungsweise benötigt werden. Hingegen sieht die geplante „Förderrichtlinie zur Ladeinfrastruktur Elektrofahrzeuge“ [29] eine Förderung von nur 10.000 Ladepunkten vor, was für eine geringere geographische Erreichbarkeit spräche.

6.2.6 Ladeinfrastrukturbedarfe unter veränderten Rahmenbedingungen Klimatisierungsbedarfe und Batteriealterungsprozesse senken elektrische Fahrzeugreichweiten. Diese wirken sich negativ auf die Nutzbarkeit und das technische Potential von Elektrofahrzeugen aus (vgl. Kapitel 6.1.3). Der Effekt der durchschnittlich geringeren Nutzbarkeit kann aber bei Verfügbarkeit öffentlicher Zwischenladeinfrastruktur durch eine gestiegene Anzahl benötigter Ladestopps kompensiert werden. Diese Zunahme der Ladebedarfe ist in Tabelle 51 für den Referenzfall (PK1) und verdreifachte Batteriekapazitäten (PK3) quantifiziert. Zwischenladebedarfe nehmen bei extremen Temperaturen („Winter“) für den Referenzfall (PK1) um bis 40% zu, für Fahrzeuge mit gealterten Batterien nehmen Ladebedarfe unter diesen winterlichen Bedingungen („Winter und Batterie EOL“) durchschnittlich sogar um über 80% zu. Für größere Batteriekapazitäten ist diese Zunahme weniger stark ausgeprägt: Zwischenladebedarfe steigen maximal um 30%.

Tabelle 51. Zunahme an Zwischenladebedarfen aufgrund veränderter Rahmenbedingungen für das Referenzfahrzeug (PK1) und verdreifachte Batteriekapazitäten (PK3).

Referenz Winter Batterie Winter und EOL Batterie EOL Zwischenladebedarfe Referenzfahrzeug (PK1) 11,1 15,6 13,7 20,1 Zwischenladebedarfe 300% Batteriekapazität (PK3) 8,7 10,2 10,5 11,3

Der Effekt der gestiegenen Ladebedarfe aufgrund extremer Temperaturen übersetzt sich direkt in höhere Infrastrukturbedarfe. Während bei geringen Fahrzeugzahlen (50.000 EV) die vorhandene Ladeinfrastruktur die zusätzlichen Ladebedarfe aufnehmen kann, steigt der Bedarf an Zwischenladeinfrastruktur bereits ab 250.000 EV proportional mit der höheren Anzahl an

251 Die Auslegung einzelner Ladestandorte ist nicht Teil dieser Arbeit. Die getroffene Aussage kann daher nicht auf einzelne Standorte übertragen werden.

120 Ergebnisse

Ladebedarfen um bis zu 25%. Für höhere Fahrzeugzahlen (BEV-Bestand zwei Mio.) können Ladeinfrastrukturbedarfe um bis zu 40% steigen. Für größere Batteriekapazitäten (PK2 und PK3) ist dieser Effekt mit zusätzlichen Bedarfen von 10% (geringer BEV-Bestand) bis 15% (hoher BEV-Bestand) geringer. Während extreme Temperaturen für alle Nutzer Ladebedarfe erhöhen und proportional zu einem höheren Ladebedarf führen, ist ein erhöhter Ladeinfrastrukturbedarf aufgrund degradierter Batterien vom Flottenanteil an Fahrzeugen mit degradierten Batterien abhängig. Da die Batteriedegradation nichtlinear verläuft [43, 291] und weiterhin von individuellen Rahmenbedingungen wie Häufigkeit an Schnellladevorgängen und Temperaturen, denen die Batterie ausgesetzt ist, abhängt [17, 147, 292], ist eine Bestimmung eines zusätzlichen Ladebedarfs durch degradierte Batterien komplex. Da weiterhin Ladebedarfe von weiteren Faktoren abhängen, wie der durchschnittlichen Jahresfahrleistung der analysierten Fahrzeugflotte (vgl. auch Abbildung 26), wird auf eine isolierte Analyse von Flotten mit degradierten Batterien unter extremen Temperaturen verzichtet und der Einfluss erhöhter Ladebedarfe auf den Infrastrukturbedarf in einer Sensitivitätsanalyse adressiert (vgl. nächster Absatz).

6.2.7 Sensitivitäten Die Anzahl benötigter Zwischenladestopps pro Jahr sind in dieser Arbeit von der Annahme log- normalverteilter Tagesfahrleistungen abhängig. Die durchschnittliche Abweichung jährlicher Zwischenladebedarfe von der Referenzannahme ist in Tabelle 52 für Berechnungen auf Basis weibull- verteilter Tagesfahrleistungen sowie für die Extrapolation der Simulationsergebnisse auf ein Jahr dargestellt.

Tabelle 52: Abweichung der Anzahl benötigter Zwischenladestopps bei geänderten Modellannahmen. Dargestellt ist die über alle gewerblichen Fahrprofile mit technischem BEV-Potential gemittelte absolute Abweichung der Zwischenladebedarfe vom Referenzfall für (1) die Annahme weibull-verteilter Tagesfahrleistungen sowie (2) die Extrapolation der in der Fahrdynamikbetrachtung simulierten Ladeevents (vgl. 5.2).

Mittelwert Median Weibull-verteilte Referenzfall (PK1) -8,2 -7,0 Tagesfahrleistungen 200% Batteriekapazität (PK2) -6,8 -4,0 300% Batteriekapazität (PK3) -5,6 -2,0 Extrapolation der Referenzfall (PK1) -3,2 -3,0 Simulationsergebnisse 200% Batteriekapazität (PK2) +18,8 -1,0 300% Batteriekapazität (PK3) +29,8 -1,0

Zwar sinken jährliche Ladebedarfe bei veränderten Annahmen. Das technische Potential von BEV erhöht sich für gewerbliche Fahrprofile aber maximal um einen Prozentpunkt, wenn man jährliche Zwischenladebedarfe auf Basis weibull-verteilter Tagesfahrleistungen bestimmt. Zwischenladeinfrastrukturbedarfe reagieren sensitiv auf Modellannahmen (vgl. Tabelle 53). In dieser Arbeit wird angenommen, dass der Ladeinfrastrukturaufbau auf Bundesautobahnen (BAB) mit einer minimalen Länge und einem minimalen Verkehrsaufkommen (vgl. Kapitel 5.3.1) stattfindet. Ohne diese Beschränkung („Alle BAB“) liegt der Ladeinfrastrukturbedarf bei einem BEV-Bestand von 250.000 je nach Batteriekapazität um ca. 15 – 20% höher. Mit steigendem BEV-Bestand sinkt die Differenz auf unter 3%. Die Erhöhung der geographischen Erreichbarkeit (maximaler Abstand zwischen zwei Ladestationen DLS = 50 km) sowie der zeitlichen Verfügbarkeit (Durchschnittliche Wartezeit = 3 min252) wirken analog. Eine Verringerung der Ladeleistung hat einen sehr starken, fast proportionalen Effekt auf den Ladeinfrastrukturbedarf (vgl. auch Tabelle 48). Für Ladeleistungen von 50 kW je Ladepunkt

252 Für die Änderung der Aufnahmekapazität einer Ladestation in Abhängigkeit der durchschnittlichen Wartezeit vgl. Abbildung E 1 (Annex E).

121 Ergebnisse steigt die Anzahl benötigter Ladepunkte im Vergleich zu Ladeinfrastruktur mit 150 kW um bis zu über 200% bei hohen BEV-Beständen253. Ladestationen mit geringeren Ladeleistungen führen zwar zu einem erhöhten Infrastrukturbedarf, sind aber auch mit geringeren Investitionen je Ladestation verbunden (vgl. Kapitel 3.4.2). Daher erfolgt eine ökonomische Bewertung von Ladeinfrastruktur in Abhängigkeit der Ladeleistung in Kapitel 6.3 separat.

Tabelle 53. Zwischenladeinfrastrukturbedarf gewerblicher Fahrzeuge bei Variation ausgewählter Modellannahmen nach BEV-Bestand. Relativ zum Referenzfall. Spannweiten wegen unterschiedlicher Batteriekapazitäten (PK1-PK3).

Variation der Modellannahme Delta #LP absolut Delta #LP absolut # BEV = 250.000 # BEV = 5.000.000 Alle BAB + 15 bis + 21% + 1,6 bis + 2,9%

DLS = 50 km +34 bis + 53% +3,5 bis + 6,0% DLS = 150 km - 12 bis + 15% - 0,0 bis - 1,5% Wartezeit = 3 min + 9 bis + 13% +4,2 bis + 6,5% Wartezeit = 10 min - 13 bis - 9% - 2,7 bis - 3,5% P = 50 kW + 113 bis + 123% + 215 bis + 228% P = 100 kW + 27,3 bis + 36,0% + 49 bis + 54% Gleichverteilte Ladebedarfe an allen Ladestandorten -15% bis +23% + 1,1% bis + 3,3% 30 Ladebedarfe pro EV und Jahr (PK1) +72,8% +160%

In dieser Arbeit werden Ladezeiten aus der Ladeleistung der öffentlichen Ladeinfrastruktur sowie aus angenommenen Lademengen abgeleitet. Wie eben gezeigt, hat die Variation der Ladeleistungen einen großen Effekt auf den Ladeinfrastrukturbedarf. Eine Veränderung der Lademengen hat einen proportionalen Effekt (vgl. Formel (20) und Abbildung E 1). Der Einfluss der Ladeannahmen auf das Gesamtergebnis ist daher bei der Interpretation zu beachten und kann durch die Sensitivitäts- rechnungen für unterschiedliche Ladeleistungen abgeleitet werden. In dieser Arbeit werden lokale Ladebedarfe einzelner Ladestationen anhand der Verkehrsflüsse nach BASt [19] bestimmt. Werden Ladebedarfe gleichmäßig auf alle Ladestationen („gleichverteilte Ladebedarfe“) verteilt, kann bei geringem BEV-Bestand der Ladeinfrastrukturbedarf sinken (um 15% für PK1), da lokale Nachfragespitzen nicht abgebildet werden. Für PK2 und PK3 werden bei gleichverteilten Ladebedarfen jeweils zwei Ladepunkte je Ladestation benötigt, da die Aufnahmekapazität einzelner Ladepunkte mit höheren Ladezeiten sinkt, und der Ladeinfrastruktur- bedarf steigt um 23 bzw. 19%. Für eine hohe Verbreitung von BEV (5 Mio. Fahrzeuge) weichen die Ergebnisse um weniger als fünf Prozent ab, da alle Ladestationen hoch ausgelastet sind und nur an einzelnen Ladestationen weitere Ladepunkte benötigt werden. Schließlich steigen Ladeinfrastruktur- bedarfe proportional mit Ladebedarfen. Beispielsweise steigt der Ladeinfrastrukturbedarf (#EV = 1 Mio.) bei durchschnittlich 30 Ladebedarfen pro EV und Jahr um bis zu 160%. Der Ladeinfrastrukturbedarf des Gelegenheitsladens wird durch die geographische Mindest- erreichbarkeit dominiert, wie bereits in Kapitel 6.2.5 gezeigt. Daher haben weitere Modellannahmen einen unbedeutenden Einfluss auf den Gesamtbedarf an Ladeinfrastruktur und folglich werden diese in diesem Teilkapitel nicht weiter adressiert.

253 Eine Entwicklung des Ladeinfrastrukturbestands als Funktion der Ladeleistung zeigt Kapitel 6.2.8.

122 Ergebnisse

6.2.8 Dynamische Entwicklung Ziel der dynamischen Betrachtung ist es, Ladeinfrastrukturbedarfe in Abhängigkeit sich ändernder Fahrzeugparameter zu bewerten. Technisch dient diese Analyse der Beantwortung der Frage, ob bereits errichtete Ladepunkte mit steigenden Batteriekapazitäten obsolet werden. Unter den getroffenen Annahmen (vgl. Tabelle 22) ist dies weder für Ladeleistungen von P = 150 kW noch für Ladeleistungen von P = 50 kW der Fall (vgl. Abbildung 28).254

Abbildung 28. Zwischenladeinfrastrukturbedarf gewerblicher Fahrprofile für einen dynamischen Entwicklungspfad in Abhängigkeit des Elektrofahrzeugbestands und nach Ladeleistung.

Die Basis für die Berechnungen bilden Ladebedarfe einer Fahrzeugflotte, die sowohl aus gewerblichen als auch privaten Fahrzeugen besteht. Die Zunahme privater Fahrzeuge in der Fahrzeugflotte führt zu sinkenden durchschnittlichen Ladebedarfen und die Anzahl benötigter Ladepunkte je EV sinkt analog255. Die sehr geringen Ladebedarfe der analysierten privaten Fahrprofile wirken sich entsprechend stark aus. Dennoch führt dies nicht zu einem Einbruch des Gesamtbedarfs an Ladeinfrastruktur256. Daher wurden dynamische Ladebedarfe für weitere Flottenzusammensetzungen nicht untersucht und dynamische Ladebedarfe werden im folgenden Verlauf der Arbeit nicht weiter betrachtet. Nichtsdestotrotz besteht, im Besonderen aufgrund der Abhängigkeit der Ladebedarfe von den betrachteten (Untergruppen von) Fahrzeugflotten, weiterer Forschungsbedarf hinsichtlich der Entwicklung von Elektrofahrzeugen und deren Flotten sowie des resultierenden Ladeinfrastrukturbedarfs.

254 Für die Darstellung der dynamischen Ladebedarfe werden aufgrund von Unsicherheiten des Markthochlaufs von Elektrofahrzeugen die Ladeinfrastrukturbedarfe in Abhängigkeit des Bestands von Elektrofahrzeugen gezeigt und auf eine Darstellung in Abhängigkeit von Jahreszahlen verzichtet, vgl. Kapitel 5.3.4. 255 Die Anzahl benötigter Ladepunkte je 10.000 EV sinkt für Ladeleistungen von 150 kW kontinuierlich von 13,6 bei einem Bestand von 100.000 EV, auf 4,8 (1 Mio. EV) bzw. 3,4 (5 Mio. EV). Bei Ladeleistungen von 50 kW sinkt dieses Verhältnis insgesamt von 23,5 (100.000 EV) auf 10,9 (5 Mio. EV) Ladepunkte je 10.000 EV. Absolute Ladeinfrastrukturbedarfe steigen kontinuierlich. 256 Betrachtung der Entwicklung des Elektrofahrzeugbestands in Schritten von 250.000 Fahrzeugen.

123 Ergebnisse

6.2.9 Zusammenfassung der Ergebnisse In diesem Kapitel wurden Ladeinfrastrukturbedarfe bestimmt, die notwendig sind, um technische Potentiale entsprechend Kapitel 6.1 zu ermöglichen. Die Analysen zeigen, dass insgesamt eine vergleichsweise geringe Anzahl an zwei bis zehn Zwischenladepunkten je 10.000 BEV bei einem BEV- Bestand ab 1.000.000 Fahrzeuge ausreichend ist – bei geringeren Bestandszahlen sind Ladeinfrastrukturbedarfe aufgrund der geographischen Mindesterreichbarkeit höher. Da private Fahrprofile geringere Ladebedarfe aufweisen als gewerbliche, ist eine Kenntnis der Zusammensetzung der Fahrzeugflotte notwendig, um Ladeinfrastrukturbedarfe akkurat bestimmen zu können. Steigende Batteriekapazitäten zeigen zwei gegenläufige Auswirkungen auf den Ladeinfra- strukturbedarf: I. Ladeinfrastrukturbedarfe sinken mit größeren Batteriekapazitäten, da durchschnittliche Ladebedarfe abnehmen (ceteris paribus). II. Ladeinfrastrukturbedarfe steigen mit größeren Batteriekapazitäten, da durchschnittliche Lademengen je Ladevorgang steigen (ceteris paribus). Welcher dieser beiden Effekte überwiegt, hängt von den Rahmenbedingungen ab. Beispielsweise weisen die analysierten Fahrprofile des Privatverkehrs so geringe Fahrleistungen auf (vgl. Kapitel 4.3), dass Ladebedarfe mit zunehmender Batteriekapazität stark sinken und Ladeinfrastrukturbedarfe insgesamt ebenfalls sinken. Bei den gewerblichen Fahrprofilen sinken Ladebedarfe mit steigender Batteriekapazität nur moderat, sodass der Effekt steigender Ladezeiten überwiegt und Ladeinfrastrukturbedarfe insgesamt mit der Batteriekapazität steigen. Ladeinfrastrukturbedarfe müssen daher vor der zugrunde gelegten Fahrzeugflotte interpretiert werden. Erhöhte Fahrenergiebedarfe aufgrund von Klimatisierungsbedarfen („Winterbedingungen“) erfordern einen um bis zu 20% erhöhten Ladeinfrastrukturbedarf. Alternativ könnten unter diesen Bedingungen erhöhte Wartezeiten toleriert werden, um einem gestiegenen Ladeinfrastrukturbedarf entgegenzuwirken. Niedrigere Ladeleistungen bedingen einen höheren Bedarf an Ladepunkten: durch Senkung der Ladeleistung von 150 kW auf 50 kW kann der Bedarf an Ladepunkten um bis zu mehr als 300% steigen, allerdings sind Kosten je Ladepunkt geringer. Eine ökonomische Bewertung öffentlicher Ladeinfrastruktur in Abhängigkeit der Ladeleistung erfolgt im nächsten Kapitel. Der Bedarf an Gelegenheitsladeinfrastruktur wird fast ausschließlich durch die gewünschte geographische Erreichbarkeit definiert. Die zeitliche Ladeinfrastrukturverfügbarkeit kann an einzelnen Ladestandorten für dessen Dimensionierung entscheidend sein, spielt aber für makroskopische Ladeinfrastrukturbedarfe eine untergeordnete Rolle.

6.2.10 Diskussion der Ergebnisse Lokale Ladebedarfe einzelner Ladestandorte werden proportional zu Verkehrsflüssen der entsprechenden Autobahnabschnitte nach [19] bestimmt. Diese Verteilung beeinflusst die Dimensionierung der einzelnen Standorte und somit den Bedarf an Ladepunkten insgesamt. Geht man beispielsweise von einer gleichmäßigen Verteilung der Ladebedarfe auf alle Ladestandorte aus, veränderte sich der Bedarf an Ladepunkten um -15% bis +23%, je nach BEV-Bestand. Bei der Interpretation der Ergebnisse ist daher zu beachten, dass die zur Verteilung der Ladebedarfe verwendeten Verkehrsflussdaten [19] für den heutigen Bestand konventioneller Fahrzeuge mit einem hohen Anteil privater Fahrzeuge charakteristisch ist, wohingegen gewerbliche Fahrzeuge Fokus dieser Arbeit sind.

124 Ergebnisse

Die Dimensionierung von Ladeinfrastruktur erfolgt anhand des Verkehrsaufkommens in einer angenommenen Stoßzeit. Es wird angenommen, dass in der Stunde der maximalen Nachfrage zehn Prozent der täglichen Ladebedarfe stattfinden. Eine Variation von Ladebedarfen zwischen Wochentagen oder im Jahr wird aber nicht unterstellt. Entsprechende Variationen könnten aber zu Ladebedarfen führen, die bis zu 40% über durchschnittlichen Ladebedarfen liegen (vgl. [113, 116]) und somit höhere Ladeinfrastrukturbedarfe bedingen bzw. zu höheren Wartezeiten führen. Ladebedarfe steigen durchschnittlich mit der Jahresfahrleistung (vgl. Abbildung C 7, Annex C). Weiter- hin sind hohe Jahresfahrleistungen notwendig, um die hohen Investitionen von BEV gegenüber konventionellen Fahrzeugen zu amortisieren. Daher weisen BEV-Flotten, die nur ökonomisch attraktive Fahrprofile umfassen, überdurchschnittlich hohe Jahresfahrleistungen auf (vgl. z.B. [107]). Dass in dieser Arbeit aber alle technisch möglichen Fahrprofile betrachtet werden, könnte eine Erklärung für die im Vergleich zu anderen Studien relativ geringen Ladebedarfe sein (vgl. Tabelle 54). Weiterhin sind Jahresfahrleistungen der untersuchten privaten Fahrprofile unterdurchschnittlich gering, sodass im Besonderen diese sehr geringe Ladebedarfe haben.

Tabelle 54. Vergleich der Ergebnisse zum Ladeinfrastrukturbedarf (Zwischenladen) mit Literaturergebnissen. LIS = Ladeinfrastruktur, LP = Ladepunkt.

Quelle: Serviceniveau Fahr- Ø Ladebedarfe Bedarf an LIS (#LP) Ø Lade- profile pro Jahr energie Eigene Arbeit Ø Wartezeit ≤ 5 min gewerblich 11,1 17 pro 10.000 BEV 12-15 kWh (P = 50 kW)257 privat 5,4 3,7 pro 10.000 BEV 12-15 kWh (P = 50 kW)257 Jochem et al. (2015) 17 Ladeereignisse pro privat 10,8 16 pro 10.000 BEV 18,0 kWh [158] Ladepunkt und Tag (P = 80 kW)258 Jabbari und P(freier Ladepunkt) - - > 2,3 - 4,6 20,0 kWh MacKenzie (2016) =80% pro 10.000 BEV [156] (P = 40 kW)259

Gnann et al. (2016) (PW ≤ tw) = 80 % mit privat und 30 18 (39;100) pro 21,6 kWh

[112] tw = 5 min260 gewerblich 10.000 BEV261 P = 150 (100; 50) kW

Die Studien in Tabelle 54 unterscheiden sich in ihren Ladeannahmen sowie im angenommenen Serviceniveau, auf das die Ladestationen dimensioniert werden. Die Ergebnisse sind daher nicht direkt vergleichbar262.

257 PK1, Bestand BEV: 500.000. 258 Fahrzeugreichweite: 100 km, 80% abgedeckte Verkehrsflüsse. Bestand BEV: 500.000. 259 Die Autoren bestimmen die Anzahl an Elektrofahrzeugen, die durchschnittlich pro Ladestation notwendig ist, um diese Ladeinfrastruktur wirtschaftlich betreiben zu können. Sie erhalten eine Anzahl an 4.000 Fahrzeugen bzw. Ladevorgängen pro Monat. Bezogen auf 11,1 (5,4) Ladebedarfe pro Jahr (Ergebnisse dieser Arbeit) ergeben sich 2,3 (4,6) Ladepunkte pro 10.000 BEV. 260 80% der Nutzer müssen nicht mehr als fünf Minuten warten. 261 Bestand BEV: 1,5 Millionen 262 Beispielsweise bestimmen Jochem et al. (2015) [158] optimale Ladestandorte, die von der Anzahl Ladepunkte unbeschränkt sind (im Schnitt 24 Ladepunkte pro Ladestandort), während in dieser Arbeit von maximal acht Ladepunkten je Ladestandort ausgegangen wird. Gnann et al. (2016) [112] hingegen nehmen einen Ladepunkt pro Ladestandort an (sowie exponential-verteilte Bedienzeiten).

125 Ergebnisse

Die Unterschiede in den Ansätzen führen zu unterschiedlichen Ladeinfrastrukturbedarfen und es lässt sich zusammenfassend Folgendes festhalten: . Die durchschnittliche Anzahl an Ladebedarfen pro Jahr unterscheidet sich in den einzelnen Studien stark und hat bedeutenden Einfluss auf den resultierenden Ladeinfrastrukturbedarf. . Ladeannahmen (z.B. Servicelevel oder Verteilung der Bedienzeiten) wirken sich ebenfalls direkt auf Ladeinfrastrukturbedarfe aus. Mögliche Gründe für Unterschiede in durchschnittlichen jährlichen Ladebedarfen wurden eingangs erläutert. Bezogen auf die Ergebnisse dieser Arbeit bedeutet dies, dass private Ladebedarfe aufgrund der geringen Fahrleistungen im privaten Datensatz eine untere Grenze möglicher Ladebedarfe darstellen. Hinsichtlich der untersuchten Fahrzeuggruppe – alle technisch möglichen oder ökonomisch attraktive – ist anzumerken, dass die Betrachtung ökonomisch attraktiver Fahrzeuge Ladebedarfe in einer frühen bis mittleren Phase des Markthochlaufs von Elektrofahrzeugen abbildet, wohingegen die Betrachtung aller technisch möglicher Fahrprofile langfristige Ladebedarfe abbildet, auch da davon auszugehen ist, dass mit sinkenden Batteriekosten (vgl. [236]) der Anteil ökonomisch attraktiver Fahrprofile ansteigt und langfristig dem Anteil technisch möglicher Fahrzeuge entspricht (vgl. auch Abbildung 34). Da die geographische Verfügbarkeit anfängliche Ladeinfrastrukturbedarfe dominiert und Ladeinfrastrukturbedarfe erst bei hohen Fahrzeugzahlen von Ladebedarfen abhängen, wird der Fokus auf technisch mögliche Fahrprofile in dieser Arbeit als zielführend angesehen. Die Annahmen zur geographischen Verfügbarkeit in dieser Arbeit – eine hohe Entfernung von 100 km zwischen zwei aufeinanderfolgenden Ladestationen, die Konzentration auf Bundesautobahnen sowie die Annahme eines Ladestandorts für beide Fahrtrichtungen einer Autobahn – bedingen vergleichsweise geringe Ladeinfrastrukturbedarfe. Beispielsweise nehmen Plötz et al. (2016) [255], in Anlehnung an durchschnittliche Entfernungen zwischen zwei Raststätten, einen Abstand von 40 km zwischen zwei Ladestandorten je Fahrtrichtung an und erhalten mit 650 dementsprechend eine höhere Zahl an notwendigen Ladestandorten. Für Bundesstraßen errechnen die Autoren einen zusätzlichen Bedarf an 170 Ladestandorten. Die Auslegung öffentlicher Ladeinfrastruktur auf durchschnittliche Wartezeiten wird in dieser Arbeit als hinreichendes Kriterium für die zeitliche Verfügbarkeit von Ladeinfrastruktur angesehen, auch da diese maximale Ladezeiten implizit begrenzt (vgl. Kapitel 5.3.2.2). Die Annahme normalverteilter Lademengen wurde aus empirischen Ladedaten abgeleitet. Nichtsdestotrotz sind besonders wegen der geringen Verbreitung von Elektrofahrzeugen empirische Daten nur bedingt belastbar. Dies ist bei der Interpretation der Ergebnisse zu beachten. Die Ergebnisse dieser Arbeit ergeben ca. 11 Ladebedarfe pro Jahr (für gewerbliche Fahrzeuge) und bedingen einen Ladeinfrastrukturbedarf (P = 50 kW) von ca. 15 – 20 Ladepunkten je 10.000 BEV. Diese liegen somit in der Größenordnung der Ergebnisse in Jochem et al. (2015) [158] (für private Fahrprofile). Weiterhin ist zu bemerken, dass die Ladeinfrastrukturbedarfe der verschiedenen Studien die in Jabbari und MacKenzie (2016) [156] für einen wirtschaftlichen Betrieb von Ladeinfrastruktur berechneten minimalen Verhältnisse von Elektrofahrzeugen zu Anzahl Ladepunkten erreichen, sodass ein wirtschaftlicher Betrieb von Zwischenladeinfrastruktur möglich ist. Die errechneten Ladeinfrastrukturbedarfe dieser Arbeit sind daher insgesamt unter den getroffenen Annahmen als belastbar einzustufen.

126 Ergebnisse

6.3 Kostenbewertung Ziel dieses Kapitels ist die techno-ökonomische Zusammenführung der in Kapitel 6.1 bestimmten individuellen technischen BEV-Potentiale sowie der in Kapitel 6.2 gezeigten (makroskopischen) Ladeinfrastrukturbedarfe. Zunächst werden in Kapitel 6.3.1 durchschnittliche Ladeinfrastrukturkosten pro BEV bestimmt unter der Annahme, dass Kosten auf alle BEV im Bestand verteilt werden. Hierbei wird von statischen Fahrzeugparametern ausgegangen. Das Hauptergebnis dieser Arbeit bilden Kosten-Potential-Kurven aller Maßnahmen (vgl. Kapitel 6.3). Diese geben in Abhängigkeit des technischen Potentials von BEV die minimalen Investitionen263 und Gesamtkosten (TCO) an, die notwendig sind, um die entsprechenden Potentiale zu erreichen. In der Darstellung der Gesamtkosten (TCO) werden zwei Fälle unterschieden: 1. alle Fahrzeuge haben dieselben Spezifikationen (Kapitel 6.3.2.2) sowie 2. Nutzer wählen ihre Fahrzeuge gesamtkostenminimierend (Fahrzeug und Ladeinfrastruktur) (Kapitel 6.3.2.3). Der 1. Fall bildet den Umstand ab, dass Elektrofahrzeuge in standardisierter Form angeboten werden könnten (beispielsweise mit einer festgelegten Batteriekapazität) und einzelne Nutzer nicht die Möglichkeit haben, das für sie optimale Fahrzeug zu wählen, wie es im 2. Fall für die untersuchten Varianten angenommen wird. Der Einfluss der ökonomischen Parameter wird durch deren Variation in den einzelnen Teilkapiteln adressiert. Eine gesonderte Sensitivitätsanalyse am Ende dieses Kapitels erfolgt daher nicht.

6.3.1 Ökonomische Bewertung Ladeinfrastruktur In Kapitel 6.2.4 und 6.2.8 wurden Ladeinfrastrukturbedarfe ermittelt. Die mit diesen Ladeinfra- strukturbedarfen verbundenen Investitionen und Kosten werden in folgenden beiden Teilkapiteln aufgezeigt. Die ökonomische Bewertung erfolgt für einen Ladestandort in Abhängigkeit der Anzahl seiner Ladepunkte (vgl. Kapitel 3.4.2). Fahrzeugspezifische Investitionen in Ladeinfrastruktur ergeben sich entsprechend aus den fahrzeugspezifischen Ladeinfrastrukturbedarfen (vgl. auch Abbildung 23).

6.3.1.1 Statische Fahrzeugflotten: Zwischenladen Wenn Investitionen in Zwischenladeinfrastruktur auf alle Elektrofahrzeuge im Bestand umgelegt werden, können diese langfristig (für gewerbliche Fahrprofile ab einem Bestand von 2 Mio. EV) durchschnittlich 20 € pro Elektrofahrzeug unterschreiten. Anfänglich sind diese spezifischen Investitionen aufgrund der angenommenen geographischen Mindestverfügbarkeit von Ladeinfrastruktur deutlich höher (für PK1 vgl. Abbildung 29264, Aussagen für PK3 vergleichbar).

263 Betriebswirtschaftlich stellen Investitionen keine Kosten dar [237, 327]. Im weiteren Verlauf der Arbeit wird dennoch auch für Investitionen von Kosten-Potential-Kurven gesprochen, da dies ein stehender Begriff ist. 264 Dargestellt sind durchschnittliche Investitionen der gesamten öffentlichen Ladeinfrastruktur, bezogen auf den Fahrzeuggesamtbestand. Eine Darstellung der durchschnittlichen zusätzlichen Investitionen für sukzessive neu errichtete Ladeinfrastruktur zeigt Abbildung C 9 (Annex C).

127 Ergebnisse

Abbildung 29. Spezifische Investitionen in Zwischenladeinfrastruktur [in EUR pro EV] in Abhängigkeit des Elektrofahrzeugbestands und der Ladeleistung für gewerbliche Fahrprofile (Referenzfahrzeug: PK1).

Investitionen für Ladeinfrastruktur mit geringen Ladeleistungen (50 kW) liegen zunächst unter den Investitionen für Ladeinfrastruktur mit hohen Ladeleistungen (150 kW), überschreiten diese aber ab einem Bestand von 500.000 gewerblichen Elektrofahrzeugen265. Da anfänglich die geographische Abdeckung die Anzahl benötigter Ladepunkte bestimmt, ist diese für hohe (150 kW) und niedrige (50 kW) Ladeleistungen identisch und Ladeinfrastruktur mit geringen Ladeleistungen aufgrund geringerer Investitionsbedarfe je Ladestation (vgl. Tabelle 5) günstiger266. Mit zunehmendem BEV- Bestand aber steigen die Anforderungen an die zeitliche Verfügbarkeit öffentlicher Ladeinfrastruktur und die Anzahl benötigter Ladepunkte nimmt für geringere Ladeleistungen überproportional zu. Dieser überproportionale Anstieg im Ladebedarf kann durch die geringeren Investitionsbedarfe nicht kompensiert werden, sodass Ladeinfrastruktur mit geringeren Ladeleistungen insgesamt mit höheren Investitionen verbunden ist. Entsprechend der Sensitivitätsanalysen zum Ladeinfrastrukturbedarf (vgl. Tabelle 53) müssten Investitionen von Ladestationen mit geringen Ladeleistungen unter 30% der Investitionen mit hohen Ladeleistungen liegen, um den Mehrbedarf an Ladepunkten ökonomisch ausgleichen zu können. Eine Reduktion der notwendigen Investitionen in Ladeinfrastruktur (vgl. Jahr 2020 in Tabelle 4) hat einen geringen Einfluss auf die Ergebnisse dieser Arbeit und wird daher im Folgenden nicht weiter betrachtet. Gesamte Investitionen in Zwischenladeinfrastruktur zur Gewährleistung der geographischen Mindestabdeckung sind unabhängig vom Elektrofahrzeugbestand. Diese sind, differenziert nach maximaler Entfernung zwischen zwei Ladestationen DLS, in Tabelle 55 dargestellt. Weiterhin wird die Ladeleistung unterschieden, sowie ob Zwischenladeinfrastruktur an allen Bundesautobahnen (BAB) oder nur an ausgewählten BAB267 errichtet wird.

265 Investitionen in Ladeinfrastruktur für gemischte Flotten (privat und gewerblich) skalieren proportional zum Bedarf an Ladepunkten (vgl. Abbildung 26 und Abbildung 28). Demnach können je nach Batteriekapazität durchschnittliche Investitionen in Ladeinfrastruktur für ausschließlich private Flotten weniger als 50% der für gewerbliche Flotten genannten Investitionen liegen. 266 Die Berücksichtigung von Zeitkosten gestiegener Ladezeiten könnte aber dazu führen, dass Ladeinfrastruktur mit 50 kW insgesamt teurer würde als Ladeinfrastruktur mit 150 kW. 267 BAB mit einer Mindestlänge von 25 km und einer minimalen gemittelten DTV in Höhe von 15.000 PKW/24h. Diese umfassen 55% aller BAB und 95% der Gesamtstrecke, vgl. Kapitel 5.3.1.

128 Ergebnisse

Tabelle 55. Investitionen in Zwischenladeinfrastruktur zur Gewährleistung einer geographischen Abdeckung. Investitionen in Mio. € ohne Mehrwertsteuer. DLS: Entfernung zwischen zwei Ladestandorten. BAB: Bundesautobahn. Ausgewählte BAB: vgl. Fußnote 267.

DLS = 50 km DLS = 100 km DLS = 150 km Alle BAB 50 kW 15,2 9,5 7,7 Alle BAB 150 kW 40,4 25,3 20,5 Ausgewählte BAB 50 kW 12,6 7,2 5,2 Ausgewählte BAB 150 kW 33,6 18,7 13,9

6.3.1.2 Statische Fahrzeugflotten: Gelegenheitsladen Durchschnittliche Investitionen in Gelegenheitsladeinfrastruktur sind für den Referenzfall (PK1) in Abbildung 30 dargestellt. Die Ergebnisse sind aufgrund des geringen Einflusses individueller Ladebedarfe – Ladebedarfe hängen hauptsächlich von der geographischen Mindesterreichbarkeit ab – auf den Infrastrukturbedarf (Gelegenheitsladen) für die weiteren Parameterkombinationen vergleichbar.

Abbildung 30. Spezifische Investitionen in Gelegenheitsladeinfrastruktur [EUR/EV] in Abhängigkeit des Elektrofahrzeugbestands für gewerbliche Fahrprofile und das Referenzfahrzeug.

Investitionen in Gelegenheitsladeinfrastruktur zur Gewährleistung von geographischer Abdeckung sind, in Abhängigkeit der gewünschten Erreichbarkeit 268, in Tabelle 56 dargestellt269.

Tabelle 56. Investitionen in Gelegenheitsladeinfrastruktur zur Gewährleistung einer geographischen Abdeckung. Investitionen in Mio. € ohne Mehrwertsteuer.

Ladeleistung Referenz Doppelte Doppelte Entfernung in Maximale Entfernung Entfernung Großstädten (> 50.000 EW) konstant 2 km 3,7 kW 55 19 31 81 22 kW 249 87 140 366

268 Vgl. Tabelle 20. 269 In dieser Arbeit wurde das technische Potential von BEV für Gelegenheitsladeinfrastruktur mit Ladeleistungen von 22 kW betrachtet. Da diese Infrastruktur mit hohen Anfangsinvestitionen verbunden ist, sind ergänzend Kostenannahmen für Ladeleistungen von 3,7 kW als untere Abschätzung der Investitionen angegeben.

129 Ergebnisse

Je nach installierter Ladeleistung und gewünschter minimaler Erreichbarkeit fallen hohe Investitionen über 100 Millionen Euro an. Diese überschreiten daher schon teilweise das komplette Fördervolumen, das in der „Förderrichtlinie Ladeinfrastruktur Elektrofahrzeuge“ [29] für öffentlich zugängliche Normallladeinfrastruktur vorgesehen ist. Daher ist eine Abwägung der geplanten geographischen Verfügbarkeit gegen die gewünschte Ladeleistung von Gelegenheitsladeinfrastruktur notwendig.

6.3.2 Kosten-Potential-Kurven der analysierten Maßnahmen Die im Folgenden dargestellten Kosten-Potential-Kurven sind das Hauptergebnis dieser Arbeit. Diese zeigen minimale Investitionen bzw. Gesamtkosten (TCO) auf, die notwendig sind, um einen bestimmten Flottenanteil an Elektrofahrzeugen technisch zu ermöglichen. Hierfür wird zunächst der Anteil möglicher Fahrprofile270 für die einzelnen Maßnahmenkombinationen bestimmt und diese entsprechend dieses Kriteriums aufsteigend sortiert. Anschließend werden die einzelnen Maßnahmenkombinationen monetär bewertet und für alle möglichen Flottenanteile an Elektrofahrzeugen die jeweils minimalen TCO bzw. Investitionen bestimmt. Investitionen werden abzüglich der Investitionen im Referenzfall (Referenzfahrzeug ohne Ladeinfrastruktur) angegeben. Diese Darstellung folgt der Logik, dass der Referenzfall die heutige Situation widerspiegelt und keine Investitionen in Reichweiten-verlängernde Maßnahmen notwendig sind, um den Flottenanteil dieses Referenzfalls zu ermöglichen. Alle weiteren Maßnahmen sind daher im Verhältnis zu diesem Referenzfall zu bewerten. Die Berechnung der Investitionen je Maßnahmenkombination erfolgt als Durchschnitt der Investitionen aller Fahrprofile, die für die entsprechende Maßnahmenkombination die Kriterien des technischen BEV-Potentials erfüllen (vgl. Kapitel 6.1). Investitionen sind für alle Nutzer identisch und unterscheiden sich nur aufgrund der jeweiligen Fahrzeuggröße (vgl. Tabelle 19). Durchschnittliche Investitionen einer Maß- nahmenkombination werden daher als unabhängig von der jeweiligen Nutzergruppe angesehen und eine Darstellung durchschnittlicher Investitionen in Abhängigkeit von Nutzerteilgruppen, wie im Folgenden für TCO dargestellt, ist daher nicht notwendig. Die TCO eines Nutzers steigen mit dessen Jahresfahrleistung (vgl. Formel (30)), sodass durchschnittliche TCO einer Nutzergruppe von ihrer Zusammensetzung abhängen. Beispielsweise liegt die durchschnittliche Jahresfahrleistung (JFL) aller Nutzer im Referenzfall (PK1) mit öffentlicher Zwischenlademöglichkeit bei 11.300 km, für PK2 bei 15.000 km und für PK3 bei 16.600 km271. Aufgrund der Abhängigkeit der TCO von der Zusammensetzung der jeweiligen Nutzergruppe werden zwei Fälle analysiert: . Im 1. Fall wird unterstellt, dass Fahrzeuge standardisiert sind und Nutzer nicht aus unterschiedlichen Fahrzeugvarianten wählen können (beispielsweise die Batteriekapazität). Die Berechnung der durchschnittlichen TCO einer Maßnahmenkombination erfolgt analog zu Investitionen auf Basis aller Fahrprofile, die für die entsprechende Maßnahmenkombination die Kriterien des technischen BEV-Potentials erfüllen. Dieser Fall wird im Folgenden als „einheitlicher Maßnahmeneinsatz“ bezeichnet. . Im 2. Fall wird angenommen, dass Nutzer Maßnahmenkombinationen kostenoptimal (nutzerminimale Gesamtkosten) wählen können. Der Anteil möglicher Fahrprofile sowie durchschnittliche TCO einer Maßnahmenkombination werden in diesem Fall auf Basis derjenigen Fahrprofile gebildet, für welche die entsprechende

270 Anteil Fahrprofile mit technischem BEV-Potential im Verhältnis zur Gesamtstichprobe. 271 Der Anteil an Nutzern mit vergleichsweise hohen Jahresfahrleistungen (JFL) nimmt mit steigenden Batteriekapazitäten zu, da diese hohe elektrische JFL erst ermöglichen.

130 Ergebnisse

Maßnahmenkombination gesamtkostenminimal ist. Daher wird dieser Fall im Folgenden als „kostenoptimaler Maßnahmeneinsatz“ bezeichnet. TCO werden in dieser Arbeit als Differenz-TCO zu konventionellen Fahrzeugen dargestellt272. Dies ermöglicht eine einheitliche Vergleichsbasis aller Maßnahmenkombinationen unabhängig vom Potential der einzelnen Fahrprofile im Referenzfall (PK1 ohne öffentliche Ladeinfrastruktur, vgl. Kapitel 5.4). Die TCO öffentlicher Ladeinfrastruktur, angegeben als spezifische Kosten je Elektrofahrzeug und Jahr, beinhalten neben den annuisierten Investitionen sowie jährlichen Betriebskosten ebenfalls die durch Ladeinfrastrukturbetreiber erwirtschafteten Deckungsbeiträge (vgl. Formel (34)). Gewerbliche Fahrzeuge sind aufgrund des hohen Anteils an Neuzulassungen in Deutschland (vgl. Kapitel 4) für die Verbreitung von Elektrofahrzeugen von besonderer Bedeutung. Gewerblich gehaltene Fahrzeuge haben geringe Haltedauern von 3,8 Jahren [107] und könnten daher über den Gebrauchtwagenmarkt in den privaten Bereich diffundieren und die Verbreitung von Elektrofahrzeugen maßgeblich positiv beeinflussen. Daher werden Kosten-Potential-Kurven von gewerblichen Fahrzeugen ausführlich diskutiert und private Fahrprofile in den einzelnen Kapiteln ergänzend betrachtet. Der Untersuchungsgegenstand dieser Arbeit sind reine Elektrofahrzeuge (BEV), da für diese erhöhte Batteriekapazitäten und der Aufbau öffentlicher Ladeinfrastruktur imperfekte Substitute hinsichtlich der Erhöhung der elektrischen Reichweiten darstellen. Ein Vergleich der beiden genannten Maßnahmen ist für Elektrofahrzeuge mit Range Extender (REEV) hingegen von geringerer Bedeutung, da diese nicht zwingend auf öffentliche Ladeinfrastruktur angewiesen sind. Diese Fahrzeuge stehen daher nicht im Hauptfokus dieser Arbeit. Nichtsdestotrotz stellen REEV wiederum ein Substitut zu BEV und öffentlicher Ladeinfrastruktur dar – auch aufgrund hoher elektrischer Fahranteile im realen Betrieb (vgl. Kapitel 6.1.5.1) – und eine Gesamtbewertung von Maßnahmen zur Erhöhung der Reichweite von BEV sollte daher im Vergleich zu REEV stehen. Ein Vergleich der Ergebnisse mit REEV als zusätzliche Option erfolgt daher abschließend in Kapitel 6.3.2.4.

272 Konventionelle Fahrzeuge sind Benzin oder Diesel, die je Fahrprofil gesamtkostenminimierend ausgewählt werden, vgl. Kapitel 5.4.

131 Ergebnisse

6.3.2.1 Kosten-Potential-Kurven: Investitionen Die Kosten-Potential-Kurve für fahrzeugseitige Investitionen273 ist in Abbildung 31 für den Fall ohne öffentliche Ladeinfrastruktur dargestellt. Stufen der Kosten-Potential-Kurven repräsentieren Maßnahmen, die tabellarisch unter den jeweiligen Kosten-Potential-Kurven dargestellt sind (vgl. Abbildung 31, unten). Investitionen sind im Folgenden generell abzüglich der Investitionen im Referenzfall (PK1) ohne Ladeinfrastruktur dargestellt. Daher ergibt sich, dass das Potential von BEV im Referenzfall (42%) mit Null Euro bewertet wird. Die fahrzeugseitige Maßnahme mit den geringsten zusätzlichen Investitionen, die Reduzierung des Fahrzeuggewichts (PK4), ermöglicht mit durchschnittlichen Zusatzinvestitionen von 745 € ein um ca. zwei Prozentpunkte höheres technisches Potential.

Anteil 42% 44% 63% 63,5% 71% 73% Maßnahme PK1: PK4: PK2: PK5: PK3: PK6: Referenz- Leichtbau 200% 200% BK 300% 300% BK fahrzeug Batterie- Leichtbau Batterie- Leichtbau kapazität kapazität

Abbildung 31. Kosten-Potential-Kurve: Fahrzeugseitige Investitionen gewerblicher Fahrprofile zur Erhöhung des technischen Potentials von BEV ohne öffentliche Ladeinfrastruktur.

Die Verdopplung der Batteriekapazität ermöglicht eine hohes maximales Potential von ca. 63%, ist aber mit Zusatzinvestitionen von durchschnittlich 8.000 € verbunden274. Maximal ist unter den getroffenen Annahmen bei Verdreifachung der Batteriekapazität sowie Reduktion des Fahrzeuggewichts (PK6) ein Potential von 73% möglich, das mit Zusatzinvestitionen in Höhe von 17.000 € verbunden ist. Durch die Erhöhung der Energiedichten der Traktionsbatterie (PK7 – PK12) sind entsprechend Abbildung 17 höhere Potentiale möglich. Da die Erhöhung der Energiedichte der Batterien als langfristige technologische Entwicklung angesehen wird, werden diese nicht mit zusätzlichen Kosten bewertet und es ergibt sich eine Kostenpotentialkurve, die in der Höhe der Investitionen mit Abbildung 31 identisch und in ihrem Verlauf vergleichbar ist. Unterscheidet man nach untersuchten Ladeoptionen und addiert zu den fahrzeugseitigen Investitionen die spezifischen Investitionen für öffentliche Ladeinfrastruktur, erhält man Abbildung 32. Die Kurve für das Übernachtladen (blau) entspricht der Kurve in Abbildung 31, da keine

273 Zur Verwendung des Begriffs Kosten-Potential-Kurve in diesem Zusammenhang vgl. Fußnote 263. 274 Bei spezifischen Batteriekosten von 350 €/kWh, vgl. Kapitel 3.2.2.

132 Ergebnisse

Zusatzinvestitionen für öffentliche Ladeinfrastruktur anfallen. Für die öffentlichen Ladeoptionen sind jeweils „niedrige“ Investitionen (durchgezogene Linie, Annahme BEV-Bestand: 5.000.000) sowie „hohe“ Investitionen (gestrichelte Linie, Annahme BEV-Bestand: 50.000) dargestellt.

Die durch öffentliche Ladeinfrastruktur ermöglichten höheren Flottenanteile werden in Abbildung 32 durch eine Verschiebung der Kurven nach rechts deutlich. Die Reihenfolge der fahrzeugseitigen Maßnahmen ist für alle Ladeoptionen identisch und ändert sich aufgrund der im Vergleich zu Investitionen in größere Batteriekapazitäten geringen spezifischen Investitionen in Ladeinfrastruktur275 auch nicht bei Unterscheidung „niedriger“ und „hoher“ Investitionen in Ladeinfrastruktur.

Anteil ÜL 42% 44% 63% 63,5% 71% 73% Anteil GL 47% 48,5% 67% 68% 74% 76% Anteil ZL 56% 57% 77% 78% 83,5% 84% Anteil AL 57% 58% 78% 78,5% 85% 86% Maßnahme PK1: PK4: PK2: PK5: PK3: PK6: Referenz- Leichtbau 200% Batterie- 200% BK 300% Batterie- 300% BK fahrzeug kapazität Leichtbau kapazität Leichtbau

Abbildung 32. Kosten-Potential-Kurve: Investitionen (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV nach Ladeinfrastrukturoption. Niedrige (durchgezogene) und hohe (gestrichelte Linie) spezifische Investitionen in Ladeinfrastruktur. ÜL = Über Nacht laden. GL = Gelegenheitsladen. ZL = Zwischenladen. AL = Alle Ladeoptionen.

Vergleicht man allerdings die einzelnen Ladeoptionen untereinander, ändert sich die relative Vorteilhaftigkeit der Ladeoptionen gegeneinander, je nachdem ob man „niedrige“ oder „hohe“ spezifische Investitionen in öffentliche Ladeinfrastruktur betrachtet. Vergleicht man beispielsweise die Ladeoption „Gelegenheitsladen“ (rot) und „Über Nacht Laden“ (blau), ist ein Potential von 44% bei „niedrigen“ spezifischen Investitionen in Ladeinfrastruktur mit „Gelegenheitsladen“ zu geringeren Zusatzinvestitionen zu erreichen. Sind spezifische Investitionen in Ladeinfrastruktur aber „hoch“, ist die Ladeoption „Über Nacht Laden“ in Verbindung mit PK4 mit weniger Investitionen verbunden. Aufgrund der geringen Spannen in den spezifischen Investitionen für Zwischenladeinfrastruktur (vgl. Abbildung 29) tritt dieser Effekt für diese Ladeoption nicht auf.

275 Sowohl zum Zwischen- als auch für Gelegenheitsladen.

133 Ergebnisse

Diesen Überlegungen folgend, zeigt Abbildung 33 eine Kosten-Potential-Kurve, in der die fahrzeugseitigen Maßnahmen und die Verfügbarkeit öffentlicher Ladeinfrastruktur als kombinierte Maßnahme gemeinsam bewertet werden. Während die Darstellung in Abbildung 31 unterstellt, dass Kosten-Potential-Kurven einzig Fahrzeugparameter in Abhängigkeit der als gegeben angenommenen öffentlichen Ladeinfrastruktur bewerten, wird in Abbildung 32 das Zusammenwirken aus Fahrzeugparameter und Verfügbarkeit öffentlicher Ladeinfrastruktur als eine kombinierte Maßnahme bewertet.276.

Anteil277 42% 56% 63% 67% 77% 84% 85% (86%) 350 €/kWh LIS max PK1;ÜL PK1;ZL PK2; ÜL PK2; GL PK2; ZL PK3;ZL PK3;GL (PK6;AL) 350 €/kWh LIS min PK1;ÜL PK1;ZL PK2; ÜL - PK2; ZL PK3;ZL PK3;GL 250 €/kWh PK1;ÜL PK1;ZL - - PK2; ZL PK3;ZL (PK6;AL) 100 €/kWh PK1;ÜL PK1;ZL - - PK2; ZL PK3;ZL PK3;GL

Abbildung 33. Kosten-Potential-Kurve: Investitionen (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten. Niedrige (durchgezogene Linie) und hohe (gestrichelte Linie) spezifische Investitionen in Ladeinfrastruktur. PK1: Referenzfahrzeug. PK2 /PK3: 200/300% Batteriekapazität. PK6: 300% Batteriekapazität und Leichtbau. ÜL = Über Nacht laden. GL = Gelegenheitsladen. ZL = Zwischenladen. AL = Alle Ladeoptionen.

Fahrzeugseitige Maßnahmen, die nicht die Erhöhung der Batteriekapazität betreffen, sind aus techno- ökonomischer Gesamtsicht unbedeutend. Zusätzliches Potential278 kann nur durch die Erhöhung der Batteriekapazität sowie durch Aufbau von öffentlicher Infrastruktur zum Zwischenladen erreicht werden. Gelegenheitsladeinfrastruktur ist nur bei geringen Ladeinfrastrukturkosten sowie hohen Batteriekosten interessant. Dieser Fall ist aber als nicht realistisch einzuschätzen, da die benötigten

276 Die Darstellung der Maßnahmenkombinationen erfolgt als kombinierte Angabe der fahrzeugseitigen Parameterkombination sowie der Angabe der Ladeinfrastrukturoption, getrennt durch ein Semikolon. 277 Die Maßnahmenkombinationen für hohe Ladeinfrastrukturkosten sind nur für Batteriekosten von 350 €/kWh ausgewiesen, da sich die Reihenfolge für die anderen Batteriekosten nicht ändert. Es sind nur Maßnahmenkombinationen mit mindestens einem Prozentpunkt zusätzlichem Potential angegeben. 278 Von mindestens einem Prozentpunkt.

134 Ergebnisse niedrigen spezifischen Investitionen in Ladeinfrastruktur vermutlich erst zu einem Zeitpunkt erreicht sein werden, wenn Batteriekosten bereits gesunken sind. Die Analyse privater Fahrprofile erlaubt analoge Schlussfolgerungen, mit der Einschränkung, dass ein hoher Anteil an Fahrprofilen (50%) bereits im Referenzfall BEV-Potential besitzt. Weiterhin erhöht die Verfügbarkeit öffentlicher Zwischenladeinfrastruktur BEV-Flottenanteile auf ca. 85% zu geringen spezifischen Investitionen in Ladeinfrastruktur von 11 bis 75 € je Elektrofahrzeug, je nach Elektrofahrzeugbestand279 (vgl. Abschnitt 6.3.1.1). Aufgrund der geringen spezifischen Investitionen von öffentlicher Ladeinfrastruktur (Zwischenladen) und des hohen möglichen BEV-Flottenanteils sind größere Batteriekapazitäten als Alternative zu öffentlicher Zwischenladeinfrastruktur nicht interessant. Größere Batteriekapazitäten können aber in Verbindung mit der Verfügbarkeit öffentlicher Ladeinfrastruktur den Flottenanteil möglicher BEV weiter steigern. Eine Verdopplung der Batteriekapazität in Verbindung mit öffentlicher Zwischenladeinfrastruktur ermöglicht bereits den maximalen BEV-Flottenanteil von 98% zu Zusatzinvestitionen in Höhe von 10.000 €. Eine Verdrei- fachung der Batteriekapazität ist daher aus rein techno-ökonomischer Sicht nicht mehr sinnvoll.

6.3.2.2 Kosten-Potential-Kurven (Gesamtkosten): einheitlicher Maßnahmeneinsatz Abbildung 34 zeigt Kosten-Potential-Kurven der kombinierten Bewertung der TCO von öffentlicher Ladeinfrastruktur sowie fahrzeugseitigen Maßnahmen und ist analog zu Abbildung 33 zu interpretieren. Die annuisierten Gesamtkosten (TCO) der untersuchten gewerblichen Fahrprofile liegen durchschnittlich mindestens ca. 500 €/a über den TCO eines vergleichbaren konventionellen Fahrzeugs (vgl. Ordinatenabschnitt in Abbildung 34). Als kostengünstigste Option ergibt sich das Referenzfahrzeug in Verbindung mit öffentlicher Ladeinfrastruktur zum Zwischenladen. Diese Kombination ermöglicht technisch bereits einen Elektro- fahrzeuganteil von 56% zu den oben genannten Mehrkosten von 500 €/a gegenüber konventionellen Fahrzeugen. Höhere technische Potentiale sind bei heutigen Batteriekosten mit deutlichen Mehrkosten verbunden. Diese sind in Abbildung 34 als deutliche Stufen erkennbar. Der für gewerbliche Fahrprofile errechnete maximale BEV-Flottenanteil von 86% kann nur unter Einsatz aller Maßnahmen (Leichtbau, dreifache Batteriekapazität und Verfügbarkeit aller Ladeoptionen) erreicht werden. Diese sind mit zusätzlichen TCO von durchschnittlich über 2,000 € pro Jahr und EV verbunden, sofern Infrastruktur zum Gelegenheitsladen ebenfalls hoch ausgelastet werden kann. Erst sehr geringe Batteriekosten (100 €/kWh) bewirken, dass höhere technische Potentiale gegenüber dem kostengünstigsten Fall nicht mit deutlichen Mehrkosten verbunden sind. Dies zeigt sich in der Abflachung der Kosten-Potential-Kurve. In den folgenden Darstellungen sind mittlere Gesamtkosten der jeweiligen Teilstichprobe dargestellt. Abbildung C 10 (Annex C) zeigt die empirische Verteilungs- funktion der individuellen Gesamtkosten. Besonders auffallend ist die hohe Steigung der Verteilungs- funktion, die darauf hindeutet, dass Mehrkosten für einen hohen Nutzeranteil in einem engen Intervall liegen. Für Details sei auf den Anhang verwiesen. Die Maßnahme mit minimalen TCO beinhaltet die Verfügbarkeit öffentlicher Infrastruktur zum Zwischenladen (vgl. Tabelle in Abbildung 34). Entsprechend der Modellergebnisse kann diese bereits früh ausgelastet werden und erwirtschaftet so Deckungsbeiträge (in der Abbildung nicht separat ausgewiesen): 65 € pro Elektrofahrzeug und Jahr bei Ladeannahmen entsprechend des Referenzfahrzeugs (PK1) bzw. 140 Euro pro EV und Jahr für dreifache Batteriekapazitäten (PK3). Gesamtkosten liegen daher unter den Kosten des Referenzfalls ohne öffentliche Ladeinfrastruktur, auch da im Referenzfall Kosten für ein konventionelles Ersatzfahrzeug anfallen.

279 75 € bei einem Fahrzeugbestand von 250.000 privaten EV und 11-17 € für 5 Mio. private EV. Diese liegen aufgrund der geringen Ladebedarfe potentiell noch unter den Ladeinfrastrukturkosten gewerblicher Fahrzeuge.

135 Ergebnisse

Allgemein ist ebenfalls ein einheitlicher Einsatz von Leichtbautechnologien aus techno-ökonomischer Sicht nicht zwingend, da diese zwar geringfügig höhere BEV-Flottenanteile erlauben (vgl. Abbildung 32), aber ebenfalls zu einer Erhöhung der durchschnittlichen TCO um ca. 50 € pro EV und Jahr führen. TCO steigen, da die Gesamtflotte durchschnittlich zu geringe Jahresfahrleistungen aufweist, um höhere Investitionen zu amortisieren. Auf Nutzerebene können Leichtbautechnologien aber vorteilhaft sein, da diese bei hohen Jahresfahrleistungen jährliche TCO senken sowie geringfügig höhere elektrische Reichweiten ermöglichen. Die Bedeutung von Leichtbautechnologien auf Nutzerebene wird im nächsten Abschnitt 6.3.2.3 diskutiert.

Anteil280 56% 77% 84% 85% (86%) 350 €/kWh LIS max PK1;ZL PK2; ZL PK3;ZL PK3;GL (PK6;AL) 350 €/kWh LIS min PK1;ZL PK2; ZL PK3;ZL (PK6;AL) 250 €/kWh PK1;ZL PK2; ZL PK3;ZL (PK6;AL) 100 €/kWh PK1;ZL PK2; ZL PK3;ZL (PK3;AL)

Abbildung 34. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten. Niedrige (durchgezogene) und hohe (gestrichelte Linie) spezifische TCO von öffentlicher Ladeinfrastruktur. PK1: Referenzfahrzeug. PK2 /PK3: 200/300% Batteriekapazität. PK6: 300% Batteriekapazität und Leichtbau. ÜL = Über Nacht laden. GL = Gelegenheitsladen. ZL = Zwischenladen. AL = Alle Ladeoptionen.

Eine hohe Auslastung von Infrastruktur zum Gelegenheitsladen ist aber erst ab einer hohen Anzahl an Elektrofahrzeugen möglich. Bei geringer Auslastung steigen jährliche TCO um durchschnittlich ca. 800 € pro EV und Jahr. Weiterhin liegt der zusätzliche BEV-Flottenanteil, der durch Gelegenheitsladeinfrastruktur ermöglicht wird, unter einem Prozentpunkt. Aus techno-ökonomischer Sicht ist der Aufbau von Gelegenheitsladeinfrastruktur zu diesem Zweck folglich nicht zu empfehlen. Insgesamt bestätigen die Analysen auf Basis von TCO-Berechnungen das Ergebnis des vorangegangenen Kapitels, dass nur die Erhöhung der Batteriekapazitäten sowie ein Aufbau öffentlicher Ladeinfrastruktur zum Zwischenladen einen wesentlichen Einfluss auf das technische Potential von Elektrofahrzeugen besitzen (vgl. auch Abbildung 34, Tabelle unten). Allerdings ist die Erhöhung von Batteriekapazitäten mit hohen Kosten verbunden. Doppelte (dreifache) Batteriekapazitäten sind, auch bei Senkung heutiger Batteriekosten auf 250 €/kWh, noch mit jährlichen Mehrkosten von durchschnittlich 650 € (1300 €) gegenüber konventionellen Fahrzeugen verbunden. Erst eine Reduktion der Batteriekosten auf 100 €/kWh ermöglicht einen Kostenvorteil von

280 Vgl. Fußnote 277.

136 Ergebnisse

BEV gegenüber konventionellen Fahrzeugen für einen hohen BEV-Flottenanteil bis zu 80%. Bei der Interpretation der Kostenangaben gegenüber konventionellen Fahrzeugen sind die Rahmen- bedingungen dieser Arbeit, d.h. die Bewertung der Maßnahmen zu Implementationskosten, zu beachten. Die Aussagen zur Abhängigkeit der Wirtschaftlichkeit von EV in Abhängigkeit der Batteriekosten gelten für private Fahrprofile analog. Weiterhin ist der Aufbau öffentlicher Zwischenladeinfrastruktur für alle Nutzer kostenminimal, sofern Ladeinfrastruktur mit niedrigen spezifischen Kosten bewertet wird. Wird diese mit hohen Kosten bewertet, ist es für Nutzer mit kleinen Batteriekapazitäten (PK1) günstiger, auf ein Ersatzfahrzeug zurückzugreifen. Der Aufbau öffentlicher Zwischenladeinfrastruktur ist für einen BEV-Flottenanteil bis 86% kostenminimal (durchschnittliche jährliche Zusatzkosten gegenüber einem konventionellen Fahrzeug in Höhe von ca. 650 €), höhere BEV-Flottenanteile können kostenminimal mit größeren Batterien in Verbindung mit öffentlicher Zwischenladeinfrastruktur erreicht werden – zu Zusatzkosten von durchschnittlich 1670 € pro EV und Jahr. Das jährliche TCO-Delta von privaten Fahrzeugen liegt über dem TCO-Delta gewerblicher Fahrzeuge. Neben den Zusatzkosten durch die Mehrwertsteuer für private Fahrzeuge ist dies einerseits auf die geringen JFL privater Fahrprofile zurückzuführen, die eine Amortisierung der hohen Investitionen von EV erschweren. Andererseits ist öffentliche Ladeinfrastruktur aufgrund des geringeren Ladebedarfs weniger ausgelastet und die durch öffentliche Ladeinfrastruktur erwirtschafteten Deckungsbeiträge sind mit sechs bis acht Euro je Elektrofahrzeug und Jahr geringer als für gewerbliche Fahrprofile (Deckungsbeitrag von 65 bis 140 Euro je gewerbliches Elektrofahrzeug und Jahr).

6.3.2.3 Kosten-Potential-Kurven (Gesamtkosten): kostenoptimaler Maßnahmeneinsatz Im Folgenden Abschnitt werden die einzelnen Maßnahmen vor dem Hintergrund des kostenminimalen Einsatzes bewertet, d.h. dass durchschnittliche Kosten einer Maßnahmenkombination nur auf Basis der TCO jener Fahrprofile berechnet werden, für welche die entsprechende Maßnahmenkombination kostenminimal ist. Die Zusammensetzung der Teilnutzergruppen ändert sich jeweils bei Variation der Kostenparameter und Kostenangaben sind in Abhängigkeit der jeweiligen Nutzerteilgruppe zu interpretieren. Auf Nutzerebene sind Leichtbaupotentiale von Bedeutung, da diese TCO senken können. Beispielsweise werden minimale Kosten281 (TCO) bei kostenoptimalem Maßnahmeneinsatz in der Maßnahmenkombination Leichtbau, einfache Batteriekapazität und Verfügbarkeit öffentlicher Zwischenladeinfrastruktur (Maßnahmenkombination 4,3; vgl. Abbildung 35) erreicht. Während diese Maßnahmenkombination bei einheitlichem Maßnahmeneinsatz aus zuvor genannten Gründen unbedeutend ist (vgl. 6.3.2.2), bewirkt die kostenminimale Betrachtungsweise die Beschränkung auf eine Teilnutzergruppe, die ausreichend hohe Jahresfahrleistungen aufweist, sodass der geringere Fahrenergiebedarf laufende Kosten und somit TCO senkt. Die genannte Maßnahmenkombination erreicht daher ein relativ geringes jährliches TCO-Delta in Höhe von ca. 150 Euro gegenüber konventionellen Fahrzeugen (vgl. Abbildung 35), während das minimale TCO-Delta bei durchschnittlicher Betrachtungsweise bzw. einheitlichem Maßnahmeneinsatz (Kapitel 6.3.2.2) ca. 500 Euro beträgt. Alle in Abbildung 35 gezeigten Maßnahmenkombinationen mit einem BEV-Flottenanteil von mindestens einem Prozentpunkt beinhalten die Verfügbarkeit öffentlicher Zwischenladeinfrastruktur, da diese unter dem angenommenen Ladeverhalten Deckungsbeiträge erwirtschaften kann und daher auf Basis der Gesamtkosten zu bevorzugen ist, auch weil Nutzer hierdurch nicht auf konventionelle Ersatzfahrzeuge zurückgreifen müssen. Der Einfluss der Kostenannahmen des konventionellen Ersatzfahrzeugs auf dieses Ergebnis wurde nicht untersucht, auch wenn diese die Ergebnisse dieser

281 Als minimale Differenzkosten zu konventionellen Fahrzeugen.

137 Ergebnisse

Arbeit beeinflussen könnte282. Beispielsweise könnten Haushalte mit zwei Fahrzeugen, von denen eins ein BEV ist, leicht auf ein Ersatzfahrzeug zurückgreifen, sodass für den Haushalt durch einen Fahrzeugwechsel keine zusätzlichen Kosten entstehen. Hinsichtlich der Ergebnisse dieser Arbeit besteht diesbezüglich weiterer Forschungsbedarf.

Anteil 9% 57% 66% 77% 81% 84% 85% (86%) 350 €/kWh PK4;ZL PK1;ZL PK5;ZL PK2; ZL PK6;AL PK3; ZL PK6;AL (PK3;AL) 250 €/kWh 9% 57% 66% 78% 81% 84% 85% (86%) PK4;ZL PK1;ZL PK5;ZL PK2; ZL PK6;AL PK3; ZL PK6;AL (PK3;AL) 100 €/kWh 6% 17% 24% 36% 81% 84% 85% (86%) PK4;ZL PK5;ZL PK6;ZL PK2; ZL PK1;ZL PK3; ZL PK6;AL (PK3;AL)

Abbildung 35. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten. Hohe spezifische TCO von öffentlicher Ladeinfrastruktur. PK1: Referenzfahrzeug. PK2 /PK3: 200/300% Batteriekapazität. PK6: 300% Batteriekapazität und Leichtbau. ÜL = Über Nacht laden. GL = Gelegenheitsladen. ZL = Zwischenladen. AL = Alle Ladeoptionen.

Die Verfügbarkeit von Ladeinfrastruktur zum Gelegenheitsladen ist aus techno-ökonomischer Sicht nur in Kombination mit öffentlichem Zwischenladen sowie in Verbindung mit großen Batteriekapazitäten (PK3) interessant, um sehr hohe BEV-Flottenanteile zu erreichen. Diese Maßnahmenkombination ist aber bei heutigen Batteriepreisen mit einem TCO-Delta von deutlich über 2.000 Euro pro EV und Jahr verbunden. Auch bei kostenoptimalem Einsatz zeigt sich, analog zu den Ergebnissen für einen gleichmäßigen Maßnahmeneinsatz (vgl. Abbildung 34), eine Abflachung der Kosten-Potential-Kurve erst mit sehr geringen Batteriekosten (100 €/kWh). Der Verlauf der Kosten-Potential-Kurve (TCO) privater Profile bei kostenoptimalem Maß- nahmeneinsatz ist mit dem Kurvenverlauf bei einheitlichem Maßnahmeneinsatz vergleichbar. BEV- Flottenanteile bis 86% können mit Hilfe von öffentlicher Ladeinfrastruktur kostenminimal erreicht werden (Zusatzkosten ebenfalls ca. 650 €/a), höhere BEV-Flottenanteile sind mit Zusatzkosten von durchschnittlich 1.440 € pro EV und Jahr verbunden.

282 Für eine derartige Analyse vgl. z.B. [223].

138 Ergebnisse

6.3.2.4 Range-Extender-Elektrofahrzeuge als zusätzliche Option Elektrofahrzeuge mit Range-Extender (REEV) verfügen über einen konventionellen Antriebstrang, der Tagesstrecken über der elektrischen Fahrzeugreichweite ermöglicht. REEV sind daher nicht von öffentlicher Ladeinfrastruktur abhängig und wurden daher aus den bisherigen Betrachtungen ausgeklammert. De facto bildet der konventionelle Antriebstrang des REEV aber ein Substitut zum Aufbau öffentlicher Ladeinfrastruktur. Dieser wurde daher gleichwertig zu öffentlicher Ladeinfrastruktur als Reichweiten-verlängernde Maßnahme untersucht. Fahrzeugparameter werden identisch wie für BEV verändert, Batteriekosten werden mit 350 €/kWh angenommen. Abbildung 36 (blaue Kurve: Referenz) zeigt die resultierende Kostenpotentialkurve (TCO, kostenminimaler Maßnahmeneinsatz) mit Range-Extender als „Ladeoption RE“. Zum Zwecke des nutzerorientierten Vergleichs zu REEV werden Deckungsbeiträge öffentlicher Ladeinfrastruktur aus dieser Betrachtung ausgeklammert. Öffentliche Ladeinfrastruktur wird zu hohen spezifischen Kosten bewertet283. In dieser Arbeit wird unterstellt, dass Nutzer heutiger Fahrzeuge bei einem Umstieg auf ein reines Elektrofahrzeug den Zeitaufwand für Zwischenladestopps in Kauf nehmen. Zusätzliche Zeitkosten werden bislang nicht betrachtet. Da aber ein maßgeblicher Vorteil eines REEV die Unabhängigkeit von öffentlicher Ladeinfrastruktur ist und ein zusätzlicher Zeitaufwand für Zwischenladebedarfe bei REEV nicht anfällt284, werden obige Analysen wiederholt und Zwischenladestopps mit Zeitkosten von 20 €285 belegt (vgl. Abbildung 36, rote Kurve: „Stundenlohn Ladezeit“). Während Range-Extender-Fahrzeuge bereits im Referenzfall für bestimmte Fahrprofilanteile kostenminimal sind und günstiger als ein konventionelles Fahrzeug sein können (beispielsweise bis 11%, vgl. Abbildung 36), sind diese bei Einbeziehung der Zeitkosten von Ladestopps für einen Großteil der Fahrzeugnutzer kostenminimal. Neben diesen ist nur das Referenzfahrzeug ohne öffentliche Ladeinfrastruktur für einen bedeutenden Nutzeranteil kostenminimal. Zwar könnten Ladestopps zum Zwischenladen eines BEV weitere Fahrpausen – die potentiell ohnehin benötigt werden – ersetzen, sodass Zeitkosten als weniger kritisch zu betrachten sind. Dennoch zeigt diese Analyse, dass Zeitkosten von Zwischenladestopps Ergebnisse maßgeblich beeinflussen können. Insgesamt sind Range-Extender-Fahrzeuge daher für Nutzer mit hohen Zeitkosten aus techno- ökonomischer Sicht gegenüber BEV vorzuziehen. Aufgrund der vergleichbaren TCO für REEV und BEV im Flottendurchschnitt (vgl. Annex C: Abbildung C 12), ist eine allgemeine Empfehlung für eines der beiden Antriebskonzepte aus techno-ökonomischer Sicht nicht sinnvoll.

283 Die Ergebnisse einer Bewertung zu niedrigen spezifischen Kosten sind qualitativ vergleichbar. 284 Der zusätzliche Zeitbedarf eines Tankvorgangs für den Range-Extender wird aufgrund der geringen Tankdauern sowie hohen konventionellen Fahrzeugreichweiten vernachlässigt. 285 Bei 25 Minuten Zeitbedarf und einem Stundenlohn von 50 Euro, vgl. Kapitel 5.5.3.

139 Ergebnisse

Anteil 4% 8% 11% 46% 54% 61% Referenz PK4;RE PK5;RE PK4; ÜL PK1; ÜL PK1;ZL PK1;RE 64% 68% 74% 78% 83% 86% PK5;ÜL PK2;ZL PK2; ZL PK2;RE PK6;RE PK3;RE

Anteil 4% 9% 12 % 15 % 45 % 63 % Stundenlohn PK4;RE PK5;RE PK4; ÜL PK1; ZL PK1;ÜL PK1;RE Ladezeit 76% 78% 82% 86% PK2;RE PK2;ZL PK6; RE PK3;RE

Abbildung 36. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV mit REEV als zusätzliche Option. Hohe spezifische TCO von öffentlicher Ladeinfrastruktur ohne Betrachtung des Deckungsbeitrags. RE: Range Extender. ÜL: Über Nacht laden. ZL: Zwischenladen.

6.3.3 Zusammenfassung der Ergebnisse In diesem Teilkapitel wurde der techno-ökonomische Gesamtvergleich vorgestellt, der die einzelnen Maßnahmen hinsichtlich ihres technischen Potentials – in Form des Anteils möglicher Fahrprofile mit technischem Potential (vgl. Kapitel 6.1) – sowie ökonomisch unter Einbeziehung der Kosten für öffentliche Ladeinfrastrukturbedarf (vgl. Kapitel 6.2) bewertet. Die Kosten für die Errichtung von Zwischenladeinfrastruktur mit Ladeleistungen von 150 kW zur Gewährleistung einer geographischen Erreichbarkeit sind unter den getroffenen Annahmen mit ca. 25 Mio. Euro zu erreichen. In einer frühen Marktphase von Elektrofahrzeugen ist die Installation von Ladeinfrastruktur mit Ladeleistungen von 50 kW günstiger (ca. 9,5 Mio. Euro), da die geographische Mindesterreichbarkeit zu ähnlichen Ladeinfrastrukturbedarfen führt und der Anschluss bei geringeren Ladeleistungen kostengünstiger möglich ist. Jedoch könnte eine ökonomische Bewertung von Ladezeiten, die umgekehrt proportional zu den Ladeleistungen steigen, dazu führen, dass insgesamt Ladeinfrastruktur mit hohen Ladeleistungen vorzuziehen ist. Unabhängig von den diskutierten an- fänglichen Ladeleistungen sind mit steigenden Elektrofahrzeugzahlen höhere Ladeleistungen techno- ökonomisch günstiger, da wegen der geforderten zeitlichen Mindestverfügbarkeit die Anzahl benötigter Ladepunkte für geringe Ladeleistungen (50 kW) im Vergleich zu Ladepunkten mit hohen Ladeleistungen (150 kW) so stark ansteigt, dass Ladeinfrastruktur mit geringen Ladeleistungen insgesamt teurer ist als Ladeinfrastruktur mit hohen Ladeleistungen. Insgesamt kann Zwischenladeinfrastruktur (sowohl 150 kW als auch 50 kW) früh hohe Auslastungen erreichen und hat

140 Ergebnisse wegen des relativ geringen Ladeinfrastrukturbedarfs je Elektrofahrzeug ein hohes techno- ökonomisches Potential. Gelegenheitsladeinfrastruktur ist mit hohen spezifischen Kosten je Elektrofahrzeug verbunden. Vor allem bei der Annahme anfänglich geringer Auslastung ist diese Ladeinfrastrukturart aufgrund sehr hoher Kosten als Reichweiten-verlängernde Maßnahme uninteressant. Die Kosten für die Errichtung von Gelegenheitsladeinfrastruktur zur Gewährleistung einer geographischen Erreichbarkeit hängen stark vom gewünschten Servicelevel und den angenommenen Ladeleistungen ab. Diese Kosten liegen aber insgesamt deutlich höher als die Kosten für Zwischenladeinfrastruktur. Das hohe technische Potential größerer Batteriekapazitäten ist mit hohen Kosten verbunden. Die Senkung heutiger Batteriekosten kann hier ein bedeutender Hebel zur Einschränkung der Zusatzkosten sein. Nichtdestotrotz hat die Veränderung von Kostenannahmen, im Besonderen aufgrund der geringen spezifischen Kosten von öffentlicher Zwischenladeinfrastruktur, keinen merklichen Einfluss auf die Reihenfolge286 der techno-ökonomisch sinnvollen Maßnahmen. Für den techno-ökonomischen Gesamtvergleich wurden außerdem zwei Fälle unterschieden: (1) BEV sind standardisiert und einzelne Maßnahmen wurden vor dem Hintergrund bewertet, dass diese in allen Fahrzeugen eingesetzt werden und (2) Fahrzeugnutzer können ihr Fahrzeug kostenminimal wählen. Für den Einsatz von Leichtbautechnologien ist diese Unterscheidung bedeutend: während Leichtbautechnologien für Nutzer mit hohen Fahrleistungen das Potential haben, TCO zu senken, weisen durchschnittliche Fahrzeugflotten zu geringe Fahrleistungen auf, um höhere Investitionen durch geringere Nutzungskosten zu amortisieren. Makroskopisch gesehen bleibt daher das zusätzliche technische Potential von BEV durch Leichtbautechnologien begrenzt. In dieser Arbeit wurde der Fokus auf reine Elektrofahrzeuge (BEV) gelegt. Die Analysen dieser Arbeit zeigen aber, dass Range-Extender Elektrofahrzeuge im realen Betrieb hohe elektrische Fahranteile aufweisen und der Vorteil dieser Fahrzeuge, nicht auf Zwischenladebedarfe angewiesen zu sein, entscheidend sein kann, wenn Zeitkosten von Zwischenladevorgängen monetär bewertet werden. In diesem Fall liegen Gesamtkosten auf Nutzerebene für REEV geringer als für BEV und öffentliche Zwischenladeinfrastruktur. Abschließend ist anzumerken, dass Kostenangaben (TCO) der relativen Bewertung der einzelnen Maßnahmen dienen. Vor diesem Hintergrund werden Kostenfaktoren, die Kaufentscheidungen beeinflussen können, aber auf den relativen Vergleich der Maßnahmen wenig bedeutend sind – beispielsweise Abschreibungsmöglichkeiten für gewerbliche Nutzer –, ausgeklammert. Ein Vergleich mit Gesamtkosten von konventionellen Fahrzeugen ist daher aus Nutzersicht nur eingeschränkt möglich.

286 Reihenfolge entsprechend der sortierten Kosten-Potential-Kurven in Abhängigkeit des technisch möglichen Anteils an Elektrofahrzeugen.

141 Ergebnisse

6.3.4 Diskussion der Ergebnisse Eine Verringerung der Batteriekosten hat aufgrund hoher nutzerspezifischer Kosten einen proportionalen Effekt auf die minimalen Kosten, die notwendig sind, um hohe Flottenanteile von Elektrofahrzeugen zu erreichen. Erst sehr geringe Kosten von 100 Euro je kWh287 erlauben hohe Flottenanteile von Elektrofahrzeugen zu geringen Mehrkosten288. Eine Reduktion der Kosten öffentlicher Ladeinfrastruktur hingegen verändert deren techno-ökonomisches Potential nicht merklich, da im Verhältnis wenige Ladepunkte je Elektrofahrzeug notwendig und daher spezifische Kosten je Elektrofahrzeug gering sind. Nie und Ghamami (2013) [229] gelangen ebenfalls zu der Erkenntnis, dass die Veränderung der Kosten von öffentlicher Ladeinfrastruktur vernachlässigt werden kann, da diese Gesamtkosten289 wenig beeinflussen, aber eine Verringerung der Batteriekosten einen bedeutenden Effekt auf die Gesamtkosten und daher auf optimale Batteriekapazitäten habe. Die Autoren nutzen Verkehrsflussdaten und bestimmen analytisch ein wirtschaftliches Optimum aus Batteriegröße und Ladeinfrastrukturaufbau, um BEV entlang einer Strecke vollelektrisch betreiben zu können. Die Analysen der Autoren ergeben zudem, dass öffentliche Ladeinfrastruktur sich erst ab Ladeleistungen oberhalb von 20 kW positiv auf das Potential von Elektrofahrzeugen auswirkt und der Einfluss mit zunehmenden Ladeleistungen steigt. Diese Ergebnisse unterstützen daher die Aussage, dass Zwischenladeinfrastruktur mit hohen Ladeleistungen (150 kW) das technische und ökonomische Potential von BEV stark erhöhen kann, wohingegen Gelegenheitsladeinfrastruktur (22 kW) technisch nur begrenzt interessant ist und zu vergleichsweise hohen Kosten führt, wenn man von einer geographischen Mindestabdeckung ausgeht.290 Geringe spezifische Infrastrukturkosten je Elektrofahrzeug im Bestand zeigen auch die Analysen von Gnann et al. (2012) [109] für halb-öffentliche Ladeinfrastruktur (ca. 230 Euro pro BEV). Die Autoren untersuchen zwar Gelegenheitsladeinfrastruktur mit 11,1 kW Ladeleistung, sodass Ergebnisse nicht direkt mit den Analysen dieser Arbeit vergleichbar sind. Nichtsdestotrotz erlauben beide Arbeiten die Schlussfolgerung, dass Kosten von Ladeinfrastruktur unter den Kosten für erhöhte Batterie- kapazitäten291 liegen, unter der Annahme, dass Ladeinfrastrukturkosten auf alle EV im Bestand aufgeteilt werden. Vor dem Hintergrund, dass Ladeinfrastruktur prinzipiell von allen EV genutzt werden kann (und da alle untersuchten Fahrprofile mindestens einen jährlichen Zwischenladestopp benötigen, vgl. Tabelle 32 und Tabelle 35), erscheint diese Annahme angemessen. Geringe Gesamtkosten öffentlicher Ladeinfrastruktur ergeben sich in dieser Arbeit auch aufgrund der Tatsache, dass Zwischenladeinfrastruktur Deckungsbeiträge erwirtschaftet und bereits ab einem Bestand von 50.000 BEV mit entsprechenden Ladebedarfen wirtschaftlich betrieben werden kann. Ein wirtschaftlicher Betrieb von Zwischenladeinfrastruktur ist im Einklang mit den Ergebnissen in [116, 156, 158, 273].

287 Reine Batteriekosten ohne Mehrwertsteuer. 288 Im Vergleich zum Referenzfahrzeug. 289 Entsprechend der Definition dieser Arbeit, vgl. Kapitel 1. 290 Ein weiterer detaillierter Abgleich der Ergebnisse mit den Analysen in [229] ist aufgrund des theoretischen Ansatzes der genannten Arbeit nicht zielführend. 291 Die Autoren unterstellen Batteriekosten in Höhe von 300 €/kWh.

142 Zusammenfassung, Schlussfolgerungen und Ausblick

7 Zusammenfassung, Schlussfolgerungen und Ausblick

7.1 Hintergrund und Zielsetzung Tagesstrecken, die mit Elektrofahrzeugen vollelektrisch zurückgelegt werden können („elektrische Tagesreichweite“), sind beschränkt und ihre Erhöhung ist mit der Erwartung einer stärkeren Verbreitung von Elektrofahrzeugen verbunden [157, 192]. Da höhere Tagesreichweiten sowohl durch höhere Fahrzeugreichweiten als auch durch den Aufbau öffentlicher Ladeinfrastruktur erreicht werden können, ist ein techno-ökonomischer Vergleich dieser Maßnahmen notwendig, um eine Aussage zur kosteneffizienten Erhöhung elektrischer Tagesreichweiten treffen zu können. Dieser Vergleich ist in der Literatur bislang nicht ausreichend adressiert worden. Vor diesem Hintergrund ist die inhaltliche Forschungsfrage dieser Arbeit: Durch welche Maßnahmen oder Maßnahmenkombinationen lässt sich die Tagesreichweite von batterieelektrischen Fahrzeugen steigern und welche Potentiale sowie Gesamtkosten sind damit verbunden? Für die Beantwortung der Forschungsfrage ist sowohl die Bewertung der Maßnahmen auf individueller Nutzerebene sowie, im Falle öffentlicher Ladeinfrastruktur, auf makroskopischer Ebene notwendig. Beispielsweise kann der Effekt größerer Fahrzeugreichweiten auf die Ersetzbarkeit konventioneller Fahrzeuge durch Elektrofahrzeuge (sowohl technisch als auch ökonomisch) auf Basis individuellen Fahrverhaltens isoliert für einzelne Nutzer bzw. Fahrzeuge betrachtet werden. Hingegen ist für die techno-ökonomische Bewertung des Aufbaus öffentlicher Ladeinfrastruktur eine makroskopische Sicht notwendig, die Ladebedarfe einer gesamten Elektrofahrzeugflotte betrachtet, und ebenfalls Effekte einer geographischen Mindesterreichbarkeit von Ladeinfrastruktur einbezieht. Eine direkte Bestimmung von Ladeinfrastrukturkosten kann daher nicht isoliert für einzelne Nutzer erfolgen. Insgesamt ergeben sich für die Kombination der beiden Bewertungsebenen hieraus methodische Anforderungen, die in folgender Forschungsfrage zusammengefasst sind: Wie können Maßnahmen zur Erhöhung der Fahrzeugreichweite von batterieelektrischen Fahrzeugen (BEV) mit dem Aufbau öffentlicher Ladeinfrastruktur techno-ökonomisch vergleichbar gemacht werden? Die Beantwortung der methodischen Forschungsfrage impliziert, dass eine einheitliche Vergleichsbasis für alle analysierten Maßnahmen geschaffen werden muss. Dies wird durch die Entwicklung eines Simulationsmodells gelöst, das im Folgenden zusammenfassend dargestellt wird. Die Analysen dieser Arbeit beziehen sich auf Deutschland. Durch die Identifikation kosteneffizienter Maßnahmen zur Erhöhung der Tagesreichweiten von Elektrofahrzeugen leisten die Ergebnisse dieser Arbeit einen Beitrag zur Diskussion über die Auswahl geeigneter Investitionsstrategien bzw. Förderpolitiken und sind daher beispielsweise für politische und industrielle Entscheidungsträger von potentiellem Interesse.

143 Zusammenfassung, Schlussfolgerungen und Ausblick

7.2 Methodisches Vorgehen Zur Beantwortung der Forschungsfragen wird ein dreistufiger Modellansatz gewählt. Dieser umfasst die Bewertung von erhöhten Tagesreichweiten hinsichtlich der technischen Ersetzbarkeit heutiger konventioneller Fahrzeuge auf nutzerindividueller Ebene (Modellteil 1), die Quantifizierung des öffentlichen Ladeinfrastrukturbedarfs in Deutschland (Modellteil 2) sowie den ökonomischen Gesamtvergleich der Maßnahmen (Modellteil 3). Die Kopplung der unterschiedlichen Analysen in einem integrierten Ansatz stellt eine einheitliche Bewertungsbasis dar, die einen techno- ökonomischen Vergleich erhöhter Fahrzeugreichweiten sowie des Aufbaus öffentlicher Ladeinfrastruktur entsprechend der Forschungsfrage ermöglicht. Diese Kopplung ist eine wesentliche Entwicklung dieser Arbeit und in der Literatur bislang nicht erfolgt. Für die Bewertung individueller Tagesreichweiten auf Nutzerebene (Modellteil 1) ist es notwendig, sowohl Varianzen der Tagesstrecken und individueller Fahrenergiebedarfe als auch nutzerspezifische Lademöglichkeiten zu berücksichtigen. Daher werden individuelle Fahrenergiebedarfe mittels Fahrwiderstandssimulationen abgebildet. Im Besonderen die Quantifizierung des Einflusses individueller Fahrenergiebedarfe auf das Potential von BEV wurde bislang in vergleichbaren Studien vernachlässigt (vgl. Kapitel 2.2) und ist daher ein besonderes Merkmal dieser Arbeit. Der Bedarf an öffentlicher Ladeinfrastruktur (Modellteil 2) wird auf Basis der Annahme einer geographischen sowie zeitlichen Mindestverfügbarkeit bestimmt. Für die geographische Mindestverfügbarkeit wird als maximale Entfernung zwischen zwei Ladestandorten 100 km definiert, die zeitliche Mindestverfügbarkeit wird mit Warteschlangensystemen abgebildet. Die Warteschlangentheorie bildet stochastisch die Gleichzeitigkeit von Ladebedarfen ab und ist für die Fragestellung öffentlichen Ladeinfrastrukturbedarfs ein geeignetes Instrument (vgl. Kapitel 5.3.2). Öffentliche Ladeinfrastruktur wird in dieser Arbeit unterschieden in Ladeinfrastruktur zum Zwischenladen (mit Ladeleistung 150 kW; im allgemeinen Sprachgebrauch oft als Schnellladen bezeichnet) sowie zum Gelegenheitsladen (22 kW) (vgl. [314] und Kapitel 2.1.2). Der techno-ökonomische Vergleich (Modellteil 3) erfolgt schließlich auf Basis einer Gesamtkostenrechnung (Total Cost of Ownership, TCO). Insgesamt kann mit der entwickelten Methodik die methodische Forschungsfrage adäquat beantwortet werden, da sie sowohl individuelle als makroskopische Ansätze miteinander kombiniert. Die analysierten Maßnahmen werden auf Basis der Kosten ihrer Implementierung betrachtet. Parameter für Batterien und für Leichtbauoptionen spiegeln Kosten ihrer Integration in Elektrofahrzeuge wider, die Kosten für öffentliche Ladeinfrastruktur umfassen alle Kosten, die für ihre Errichtung und ihren Betrieb anfallen. Die Bewertung aller Maßnahmen und Maßnahmenkombinationen erfolgt aus Gesamtkostensicht der betrachteten Akteure Fahrzeughersteller, Ladeinfrastrukturbetreiber und Fahrzeugnutzer. D.h. alle Kosten und mögliche Erlöse einer Maßnahme werden miteinander verrechnet, unabhängig davon, an welcher Kostenstelle diese anfallen. Heutige Batteriekosten (Bezugsjahr 2017) werden mit 350 €/kWh, mittel- bis langfristige Kosten werden mit 250 bzw. 100 €/kWh angenommen. Für die mikroskopische Simulation zur Bestimmung individueller Tagesreichweiten werden Fahrdaten gewerblicher und privater Fahrzeuge benötigt. Gewerbliche Fahrprofile waren in der für die Simulation notwendigen Auflösung von mehreren Datenpunkten pro Minute öffentlich nicht verfügbar. Daher wurden für diese Arbeit 467 Fahrprofile gewerblich gehaltener Fahrzeuge aus Deutschland erhoben und aufbereitet. Diese weisen eine durchschnittliche Beobachtungsdauer von 22,5 Tagen auf. Für die Analyse privater Fahrprofile wird, da Fahrdaten aus Deutschland in der notwendigen Auflösung öffentlich nicht verfügbar sind, auf Daten der University of Winnipeg [309] zurückgegriffen. Diese haben eine Beobachtungsdauer von 222,6 Tagen. Aufgrund der geringen Fahrleistungen (vgl. Kapitel 4.3) sind diese Daten nicht repräsentativ für das Fahrverhalten privater Fahrzeuge in Deutschland, sodass die technische Ersetzbarkeit heutiger Privatfahrzeuge durch BEV tendenziell überschätzt wird. Dies ist bei der Interpretation der Ergebnisse für Privatfahrzeuge zu beachten.

144 Zusammenfassung, Schlussfolgerungen und Ausblick

7.3 Zusammenfassung der Ergebnisse und inhaltliche Schluss- folgerungen Durch den Einsatz der untersuchten Maßnahmen zur Verlängerung der Tagesreichweiten kann ein Großteil heutiger konventioneller Fahrzeuge durch BEV technisch ersetzt werden. Bereits für das Referenzfahrzeug (vgl. Tabelle 14292) ohne öffentliche Ladeinfrastruktur können 42% der gewerblichen Fahrprofile mit BEV bewältigt werden (privat 50%). Mit dreifachen Batteriekapazitäten sowie der Verfügbarkeit öffentlicher Ladeinfrastruktur zum Zwischenladen steigt dieser Wert auf maximal ca. 85% für gewerbliche Fahrprofile bzw. auf 99% für private Fahrprofile. Gesteigerte Batteriekapazitäten erlauben hohe technische Potentiale von BEV, sind aber bei heutigen Batteriekosten (350 €/kWh) mit deutlichen Mehrkosten verbunden. Beispielsweise können für gewerbliche Fahrzeuge durch Verdreifachung der Batteriekapazitäten BEV-Potentiale von 71% erreicht werden. Im Vergleich zum Referenzfahrzeug, das Potentiale von 42% erlaubt, steigen jährliche Gesamtkosten (Vollkosten) um durchschnittlich 1.500 € pro Fahrzeug. Erst sehr geringe Batteriekosten (100 €/kWh) bewirken, dass höhere Potentiale gegenüber dem Referenzfahrzeug nicht mit deutlichen Mehrkosten verbunden sind. Der Aufbau einer flächendeckenden öffentlichen Zwischenladeinfrastruktur mit hohen Ladeleistungen (150 kW) ist langfristig mit Investitionen von ca. 20-50 Euro pro Elektrofahrzeug verbunden. Genannte Werte können bereits ab einem Fahrzeugbestand von 500.000 Elektrofahrzeugen erreicht werden. Bei geringer Verbreitung von Elektrofahrzeugen (50.000 Fahrzeuge) sind aufgrund der angenommenen geographischen Mindestverfügbarkeit – max. 100 Autobahnkilometer zwischen zwei Ladestandorten – die spezifischen Investitionen von Zwischenladeinfrastruktur deutlich höher (ca. 400 Euro pro Elektrofahrzeug bei einer Ladeleistung von 150 kW). Ladeinfrastruktur mit geringeren Ladeleistungen (50 kW) ist langfristig mit höheren Investitionen verbunden, da für diese die Anzahl an Ladepunkten mit steigenden Fahrzeugzahlen im Vergleich überproportional zunimmt, um durchschnittliche Wartezeiten auf fünf Minuten zu begrenzen (vgl. hierzu Kapitel 5.3.2 und 6.2.3). Öffentliche Zwischenladeinfrastruktur ermöglicht für gewerbliche Fahrzeuge ein technisches Potential von 56%. In Verbindung mit doppelten (dreifachen) Batteriekapazitäten sind Potentiale von 77% (84%) erreichbar. Für private Fahrprofile ergibt sich aufgrund der geringen Fahrleistungen bereits für das Referenzfahrzeug und öffentliche Zwischenladeinfrastruktur ein technisches Potential von 87%. Ladeinfrastrukturbedarfe für das Gelegenheitsladen werden stark dominiert von der geographischen Erreichbarkeit, aktuelle Nutzerbedarfe spielen bei deren Dimensionierung eine geringe Rolle. Die Analysen ergeben, dass der Aufbau öffentlicher Ladeinfrastruktur zum Gelegenheitsladen als Reichweiten-verlängernde Maßnahme techno-ökonomisch wenig interessant ist. Dies deckt sich mit Ergebnissen anderer Arbeiten [107, 137, 251]. Insgesamt lässt sich folgern, dass sich Förderpolitiken für öffentliche Ladeinfrastruktur vorrangig auf Zwischenladeinfrastruktur fokussieren könnten sowie auf potentielle Elektrofahrzeugnutzer ohne privaten Stellplatz, sogenannte Laternenparker (vgl. Kapitel 2). Der Aufbau von Gelegenheits- ladeinfrastruktur könnte ergänzend hierzu durch private Investoren erfolgen, wie er beispielsweise an Supermärkten bereits begonnen wurde (vgl. auch [325]). Die Errichtung von öffentlicher Zwischen- sowie Gelegenheitsladeinfrastruktur zur Gewährleistung der geographischen Erreichbarkeit ist mit dem in der geplanten Förderrichtlinie Ladeinfrastruktur vorgesehenen Gesamtfördervolumen von 300 Mio. Euro möglich (vgl. [29] sowie Tabelle 55 und Tabelle 56). Für den langfristigen Zwischenladeinfrastrukturbedarf ergeben die Analysen dieser Arbeit den Bedarf an 1.000 Zwischenladepunkten für eine Million Elektrofahrzeuge. Diese liegen deutlich unter den politischen Forderungen der Ladesäulenverordnung des BMWi [314], die 7.000 Schnellladepunkten nennt.

292 Die Batteriekapazität des Referenzfahrzeugs beträgt 24 kWh für die mittlere Fahrzeuggröße.

145 Zusammenfassung, Schlussfolgerungen und Ausblick

7.4 Methodische Schlussfolgerungen Individuelle Fahrenergiebedarfe variieren stark und sollten daher in Modellen zur Bestimmung des technischen Potentials von BEV berücksichtigt werden. Eine Vernachlässigung dieser Streuung führt dazu, dass das technische Potential von batterieelektrischen Fahrzeugen (BEV) überschätzt wird (vgl. auch Tabelle 39). Für die Abbildung individueller Fahrenergiebedarfe in Modellen eignet sich die Simulation von Fahrwiderständen auf Basis hochaufgelöster GPS-Fahrdaten. Eine sekündliche Auflösung erlaubt eine genaue Einbeziehung von kurzen Beschleunigungseffekten auf den Fahrenergiebedarf. Da aber weiterhin für die Berücksichtigung der Varianz der Tagesfahrleistungen einzelner Nutzer Fahrdaten mit einer hohen Beobachtungsdauer wichtig sind (vgl. Kapitel 2), ergeben sich bei sekündlicher Auflösung sehr hohe Datenmengen und Rechenzeiten. Da Fahrdaten mit geringerer Auflösung Beschleunigungseffekte weniger genau abbilden (vgl. Kapitel 5.5.1), aber Rechenvorteile bieten, ist hier eine Abwägung notwendig. Für den Rahmen dieser Arbeit erscheint die Modellierung der gewerblichen Fahrzeuge mit einer Auflösung von Datenpunkten alle 20 Sekunden angemessen. Für die Abbildung der zeitlichen Verfügbarkeit von Ladeinfrastruktur eignet sich die Modellierung von Warteschlangensystemen unter der Annahme normalverteilter Lademengen. Empirische Ladedaten legen die Annahme normalverteilter Lademengen nahe und die Verwendung von exponentialverteilten Lademengen, wie sie in der Warteschlangentheorie üblich ist (vgl. [27, 130]), führt daher zu einer Überschätzung des Ladeinfrastrukturbedarfs. Die Verwendung normalverteilter Ladezeiten stellt in diesem Zusammenhang ein besonderes Merkmal dieser Arbeit dar. In dieser Arbeit werden Ladestationen mit mehreren Ladepunkten modelliert (M/G/s-Systeme). Die Modellierung von Ladestationen mit je einem Ladepunkt überschätzt Ladeinfrastrukturbedarfe, da die Aufnahme- kapazität einzelner Ladestationen überproportional mit der Anzahl ihrer Ladepunkte wächst. Gesteigerte Batteriekapazitäten haben zwei gegenläufige Auswirkungen auf den Bedarf an öffentlicher Ladeinfrastruktur: (1) Die durchschnittliche Anzahl benötigter Ladestopps je BEV und Jahr sinkt, da lange Einzelstrecken aufgrund höherer Fahrzeugreichweiten mit weniger Ladestopps verbunden sind. (2) Hingegen steigen Lademengen je Ladevorgang mit der Batteriekapazität an, da Strecken, die durch Ladebedarfe ermöglicht werden, ebenfalls steigen. Gestiegene Lademengen führen aufgrund der angenommenen zeitlichen Mindestverfügbarkeit zu höheren Ladeinfrastrukturbedarfen. Insgesamt hängt der Einfluss gesteigerter Batteriekapazitäten auf Ladeinfrastrukturbedarfe demnach davon ab, welcher der beiden Effekte überwiegt. Hieraus folgt, dass für die Quantifizierung des Ladeinfrastrukturbedarfs einer Elektrofahrzeugflotte sowohl die Kenntnis des Fahrverhaltens dieser Fahrzeugflotte als auch die Kenntnis des Ladeverhaltens bzw. der benötigten Lademengen notwendig ist. Beispielsweise nehmen jährliche Ladebedarfe mit steigenden Fahrzeugreichweiten für die analysierten privaten Fahrprofile so stark ab, dass sie den Effekt gestiegener Ladezeiten kompensieren und insgesamt Ladeinfrastrukturbedarfe mit gestiegenen Fahrzeugreichweiten abnehmen. Gewerbliche Fahrzeuge hingegen benötigen mehr Ladebedarfe pro Jahr und diese Ladebedarfe sinken mit höheren Fahrzeugreichweiten auch weniger stark als für private Fahrprofile. Insgesamt steigen Ladeinfrastrukturbedarfe für gewerbliche Fahrprofile mit steigenden Batteriekapazitäten. Dieser gegenläufige Effekt ist bei der Modellierung von Ladeinfrastrukturbedarfen zu beachten. Range-Extender Elektrofahrzeuge (REEV) als Alternative zu batterieelektrischen Fahrzeugen (BEV) sind nicht auf öffentliche Ladeinfrastruktur angewiesen. Besonders bei Berücksichtigung von Zeitkosten für Zwischenladebedarfe (vgl. nächster Abschnitt 7.5) sind REEV – bei Inkaufnahme nichtelektrischer Streckenanteile – eine finanziell attraktive Alternative zu BEV. Eine techno-ökonomische Bewertung von BEV sollte daher stets unter Einbezug eines Vergleichs zu REEV erfolgen (vgl. Kapitel 6.1.5), da diese den Bedarf an öffentlicher Ladeinfrastruktur maßgeblich beeinflussen könnten.

146 Zusammenfassung, Schlussfolgerungen und Ausblick

7.5 Kritische Würdigung und Ausblick Die Ergebnisse dieser Arbeit sind vor dem Hintergrund der gewählten Methodik, der getroffenen Annahmen sowie der verwendeten Daten zu interpretieren. Im Folgenden werden daher die wichtigsten Einflussfaktoren auf die Ergebnisse dargestellt und schließlich Anknüpfungspunkte für weitere Forschungsarbeiten dargelegt. Eine ausführliche kritische Würdigung der Modellannahmen findet sich in Kapitel 5.5, eine Diskussion der Ergebnisse in Kapitel 6.2.10. Lademöglichkeiten einzelner Nutzer werden auf Basis von Ladeannahmen unterstellt, da Fahrdaten konventioneller Fahrzeuge analysiert werden und daher empirisches Ladeverhalten nicht abgebildet werden kann. Im Besonderen wird die Verfügbarkeit einer Über-Nacht-Lademöglichkeit für alle Fahrzeuge unterstellt. In Deutschland ist die Verfügbarkeit von Stellplätzen auf Firmengeländen hoch (vgl. [177]) und auch für private Early Adopter von Elektrofahrzeugen [324] kann eine hohe Verfügbarkeit von privaten Stellplätzen (auch aufgrund einer hohen Garagenverfügbarkeit) unterstellt werden. Dennoch werden bei einem Umstieg auf Elektrofahrzeuge langfristig Nutzer ohne eigenen Stellplatz ihre Über-Nacht-Ladebedarfe an (halb-) öffentlicher Ladeinfrastruktur decken müssen. Hieraus ergeben sich hohe Ladeinfrastrukturbedarfe, die in dieser Arbeit nicht adressiert wurden, aber von politisch hoher Relevanz sind, da regelmäßige Ladebedarfe eine Voraussetzung für den Betrieb von batterieelektrischen Elektrofahrzeugen sind [137]. Für die Bestimmung des Ladeinfrastrukturbedarfs werden verschiedene Ladeannahmen aus empirischen Ladedaten abgeleitet. Beispielsweise wird die Verteilung der Ladezeiten normalverteilt angenommen. Da aufgrund des weltweit geringen Elektrofahrzeugbestands empirische Ladedaten bislang nicht ausreichend belastbar sind, könnten zukünftige Arbeiten hier anschließend die in dieser Arbeit getroffenen Ladeannahmen kritisch prüfen und fortlaufend mit neuen empirischen Daten abgleichen. Die Ergebnisse dieser Arbeit sind direkt von der Güte der verwendeten Fahrdaten abhängig. Beispielsweise können aufgrund der Auflösung von einem Datenpunkt alle 20 Sekunden kurzfristige Beschleunigungseffekte nicht abgebildet werden. Dies führt dazu, dass Fahrenergiebedarfe tendenziell unterschätzt werden (vgl. auch Kapitel 5.5.1). Dieser Einfluss der Datenauflösung auf die Qualität der Ergebnisse ist weiter zu untersuchen. Weiterhin sind in Deutschland Daten mit hoher Auflösung weder für den privaten noch für den gewerblichen Verkehr öffentlich verfügbar. Diese Daten bilden aber die Basis für die Abbildung heutigen Fahrverhaltens. Zukünftige Arbeiten könnten daher darauf fokussieren, hoch aufgelöste Fahrdaten mit einem langen Beobachtungszeitraum zu sammeln und öffentlich zur Verfügung zu stellen, um eine breite empirische Datenbasis zu schaffen, die – neben der Analyse variierender Tagesfahrleistungen der einzelnen Nutzer – auch die Bestimmung individueller Fahrenergiebedarfe erlaubt. Die identifizierten technischen Potentiale von Elektrofahrzeugen könnten in dieser Arbeit unterschätzt werden, da unterstellt wird, dass einzelne Fahrzeuge einen hohen Anteil ihrer Fahrtage vollelektrisch bewältigen können müssen und dass sich heutiges Fahrverhalten nicht ändert. Speziell in Flottenanwendungen könnte das Potential von Elektrofahrzeugen höher liegen als in dieser Arbeit dargestellt, da durch das Fahrzeugpooling vergleichsweise einfach auf weitere Fahrzeuge zurückgegriffen werden kann [252]. Für private Haushalte mit mehreren Fahrzeugen gilt dies analog [176, 297]. Im Besonderen in der frühen Phase des Markthochlaufs von Elektrofahrzeugen ist eine Analyse des Einsatzes von Elektrofahrzeugen in Fahrzeugflotten wegen ihrer vergleichsweise einfach möglichen Implementierung im Vergleich zu technischen Maßnahmen (wie der Erhöhung von Batteriekapazitäten) interessant. Die Analysen dieser Arbeit beschränken sich auf den Betrachtungsraum Deutschland. Da der deutsche Fahrzeugmarkt nicht entkoppelt von anderen Märkten betrachtet werden kann, ist eine Übertragbarkeit der Analysen dieser Arbeit auf andere Länder wünschenswert, um internationale Maßnahmenempfehlungen abzuleiten. Diese könnten helfen, geeignete standardisierte

147 Zusammenfassung, Schlussfolgerungen und Ausblick

Fahrzeugspezifikationen zu bestimmen. Weiterhin basieren die Analysen dieser Arbeit auf statischen Kostenannahmen. Kostenannahmen für Batterien und Ladeinfrastruktur werden zwar variiert, um zukünftige Entwicklungen abzubilden, Kostenentwicklungen sowie Kostenunsicherheiten weiterer Parameter, wie des Strom- oder Ölpreises, werden aber nicht betrachtet. Zukünftige Arbeiten könnten daher darauf fokussieren, die Analysen dieser Arbeit auf eine dynamische Betrachtung auszuweiten, um im Besonderen auch den zeitlichen Verlauf von Kostenunterschieden zwischen Elektrofahrzeugen mit gesteigerten Tagesreichweiten sowie konventionellen Fahrzeugen herauszustellen. Die Verfügbarkeit von alternativen Fahrzeugen, wie Range-Extender-Elektrofahrzeugen, kann die Wahl und Konfiguration eines BEV beeinflussen (vgl. Kapitel 6.3.2.4). Da REEV nicht auf öffentliche Ladeinfrastruktur angewiesen sind, könnten diese besonders bei unterstellten Zeitkosten von Zwischenladevorgängen oder aufgrund von Reichweitenängsten von Nutzern gegenüber BEV bevorzugt werden. REEV sollten daher als Alternative zu BEV in Analysen einbezogen werden. Erste Analysen von REEV wurden im Rahmen dieser Arbeit durchgeführt, die einen Ansatzpunkt für zukünftige Arbeit darstellen, um detailliertere Analysen durchzuführen. Der Fokus dieser Arbeit ist eine techno-ökonomische Bewertung der Reichweiten-verlängernden Maßnahmen. Obgleich durch die Annahme einer geographischen Mindesterreichbarkeit öffentlicher Zwischenladeinfrastruktur sowie durch die Analyse möglicher Zeitkosten von Ladevorgängen psychologische Aspekte wie Reichweitenangst einerseits sowie die Frage nach der Akzeptanz des zusätzlichen Zeitaufwands von Zwischenladevorgängen andererseits adressiert werden, erlaubt diese Arbeit keine Aussage über den Einfluss dieser psychologischen Aspekte auf den öffentlichen Ladeinfrastrukturbedarf. Zukünftige Arbeiten könnten derartige Fragestellungen adressieren, um ein umfassenderes Verständnis öffentlicher Ladeinfrastrukturbedarfe zu ermöglichen.

148

149 Annex A – Literaturübersicht Forschungsstand

Annex A – Literaturübersicht Forschungsstand

Tabelle A 1. Zusammenfassung der Forschungsinhalte der analysierten Studien

Quelle Forschungsfrage Daten Methodik Für die vorliegende Arbeit relevante Ergebnisse

Gnann et al. (2012) Einfluss von LIS und strecken- Streckensimulation. LIS kosteneffizient, wenn Batteriegröße auf die basierte Kosten auf alle EV Nutzer [109] Nutzbarkeit von EV. Daten [210]. umgelegt werden. 60% der Nutzer als BEV möglich mit Batterie- kapazitäten von 20 kWh. Weitere 6% durch Aufbau halb-öffentlicher Ladeinfra- struktur. Ein vergleichbares Potential mit Batterie- kapazitäten von 23 kWh. Plötz (2014) Schätzung der GPS Daten, Statistischer Vergleich 80% deutscher Verteilung von strecken- von Fahrzeugnutzer fahren [248] Tagesstrecken im Jahr basierte Verteilungsannahmen maximal an 20 Tagen pro anhand von Fahrdaten Daten [210]. von Tagesstrecken auf Jahr mehr als 150 km. mit beschränktem Basis ganzjähriger Die Güte der Abschätzung Beobachtungs- Fahrdaten. skaliert mit zeitraum. √#퐵푒표푏푎푐ℎ푡푢푛푔푠푡푎푔푒. Weiss et al. (2014) Modellierung der strecken- Verschneidung 13% der deutschen Verteilung von basierte verschiedener Privatfahrzeugflotte fahren [318] Tagesstrecken im Jahr. Daten [210], Datensätze mit nicht mehr als 100 km pro Tank- unterschiedlichem Tag. Als BEV geeignete tagebücher, Beobachtungszeitraum Fahrzeuge weisen häufig Fern- und unterschiedlicher geringe JFL auf und können verkehrs- Granularität. nicht ökonomisch betrieben daten. werden. Neubauer und Wie beeinflusst die GPS Daten Streckensimulation von Öffentliches Laden Verfügbarkeit von BEV. Öffentliche ermöglicht BEV mit geringer Wood (2014) Ladeinfrastruktur die Ladeinfrastruktur überall JFL fast 100% Nuzbarkeit. [220] Reichweitenangst von verfügbar. Der elektrische Fahranteil BEV-Nutzern? von BEV steigt mit öffentlicher Schnellladeinfrastruktur von 75% auf 90%. Nicholas et al. (2012) Was ist der Nutzen GPS Daten Streckensimulation von 1. Potenzial von von öffentlicher BEV. Ladeinfrastruktur- Schnellladeinfrastruktur [227] Schnellladeinfra- verfügbarkeit: hängt ab von täglich struktur auf die (1) überall, benötigten (und Nutzbarkeit von BEV? (2) standortspezifisch akzeptierten) Schnellladestopps 2. Strecken mit Anpassungs- bedarf sind nicht häufig (~10%), umfassen aber ~45% der gefahrenen Strecken. 3. 7% der Touren benötigen Schnelladeinfrastruktur bei einer Fahrzeugreichweite von 80 km, 4.5% (3.5%) bei einer Fahrzeugreichweite von 100 km (120 km).

150 Annex A – Literaturübersicht Forschungsstand

Wood et al. (2015a) Was ist der Nutzen GPS Daten Streckensimulation von Zielkonflikt: LIS für BEV, die von öffentlicher BEV. Positionierung der viel Laden oder um BEV [329] Ladeinfrastruktur LIS auf Basis von Potenzial zu maximieren. (6,6 kW) auf die Fahrzeugstandorten. Stark fallender Grenznutzen Nutzbarkeit von BEV? mit steigender Anzahl an Ladestandorten. 87% elektrischer Fahranteil von BEV bei ubiquitärer Ladeinfrastruktur. Wood et al. (2015b) Was ist der Nutzen GPS Daten Streckensimulation mit Fahrzeuge nutzten im von öffentlicher Möglichkeit des Schnitt weniger als 10 Mal [330] Schnellladeinfra- Rerouting. im Jahr Schnelllade- struktur auf die Positionierung infrastruktur. Nutzbarkeit von BEV? Ladeinfrastruktur mittels Durch Schnellladen Heuristiken und ermöglichte jährliche Methoden des Zusatzreichweite liegt Operations Research. mehrheitlich <1000 Meilen. Diese sinkt mit zunehmender Fahrzeug- reichweite. Fahrzeugflotte mit 22 kWh und Schnellladeinfrastruktur hat vergleichbares BEV-Potential (ca. 90% elektrischer Fahranteil) wie eine Fahrzeugflotte mit 38 kWh ohne Ladeinfrastruktur. Anpassung bisherigen Fahrverhaltens Bedingung für hohen Zusatznutzen von Schnellladeinfrastruktur. Jochem et al. (2015) Standortoptimierte Verkehrs- Methoden des Die vollständige Abdeckung Verteilung von LIS. flussdaten Operations Research zur aller Strecken durch BEV und [158] optimalen Schnellladeinfrastruktur Positionierung von führt bei einer Ladestationen an Fahrzeugreichweite von 100 Autobahnen auf Basis km zur Verdoppelung der einer Verkehrsfluss- Anzahl der Ladestationen für modellierung. die letzen 30% zu elektrifizierender Strecken. Gnann (2015) Wie beinflussen sich Verkehrs- Parkbedarf in Öffentliches der Markthochlauf flussdaten, Kombination mit Gelegenheitsladen ist ohne [107] von EV und LIS GPS Daten geographischer Subventionen nicht gegenseitig? [94] Abdeckung. wirtschaftlich. Gnann et al. (2016) Wie viele Ladesäulen MOP 2010 Auslegung von Bei steigender Ladeleistung werden benötigt? [210] M/M/1/2- sinkt die Anzahl benötigter [112] Warteschlangen- Ladesäulen systemen mit Wartezeit überproportional: bei 50 kW als Zielparameter. Ladeleistung werden 10 Ladestationen pro 1.000 BEV benötigt, bei 100 kW (150 kW) 3,9 (1,8). Bae und Wie sieht die zeitliche Verkehrs- Auslegung von M/M/s Modellentwicklung zur und geographische flussdaten Warteschlangen; Vorhersagbarkeit von Kwasinksi (2012) Verteilung von Untersuchung der Lastspitzen durch [14] Ladebedarfen aus? Stationaritäts- Ladebedarfe. bedingung.

151 Annex A – Literaturübersicht Forschungsstand

Jabbari und Wie hängen Kosten - M/M/s-Warteschlangen; Mit einer geringen Anzahl an und die Verfügbarkeit Untersuchung der Säulen ist es schwierig, eine MacKenzie (2016) von Ladesäulen Wahrscheinlichkeit für hohe Verfügbarkeit bei [156] voneinander ab? einen freien Ladepunkt gleichzeitig hoher und Bestimmung der Auslastung zu erreichen. Bei Auslastung. einer Ladeinfrastruktur- verfügbarkeit von 80% sind 4.000 Fahrzeuge pro Monat und Ladestation für einen ökonomischen Betrieb notwendig.

Tabelle A 2. Untersuchung der Forschungsfrage in der Literatur.

Quelle Nutzbarkeitsanalyse Quantifizierung Kosten- Weiterer von BEV Ladeinfrastruktur- betrachtung Forschungsbedarf bedarf hinsichtlich Forschungsfrage Gnann et al. (2012) Streckenbasierte BEV- Ladeinfrastrukturbedarf Ökonomischer LIS ohne Kapazitäts- Nutzbarkeit mit festen proportional zur Anzahl Vergleich von LIS begrenzung, [109] Reichweiten. an BEV. und Batterie- einheitliche kapazität. Fahrzeugparameter für alle Nutzer. Plötz (2014) Berechnung der Anzahl Aus dem Ansatz lassen Nein. Fokus auf Tage mit der Tage, an denen die sich Schnellladebedarfe langen Fahrstrecken. [248] & Tagesfahrstrecke einen bei gegebenen Individuelle Weiss et al. (2014) Schwellenwert Fahrzeugreichweiten Parameter sowie übersteigt. ableiten. Kosten sind nicht Teil [318] der Analysen. Neubauer und Streckenbasierte BEV- Nein. Nein. Kapazität und Nutzbarkeit mit Verfügbarkeit von LIS Wood (2014) nutzerspezifischen unbegrenzt, keine [220] durchschnittlichen Betrachtung von Fahrverbräuchen. Kosten. Nicholas et al. (2012) Streckenbasierte BEV- Ladestandorte gegeben. Nein. Kapazität LIS Nutzbarkeit mit festen unbegrenzt, keine [227] Reichweiten. Betrachtung von Kosten. Wood et al. (2015a) Nutzbarkeit von BEV Ladestandorte vor Nein. Kapazität LIS für verschiedene Nutzbarkeitsrechnung unbegrenzt, keine [329] Langsamladeinfra- bestimmt anhand von Betrachtung von struktur- Fahrzeugstandorten. Kosten, LIS < 100kW. Ausbauszenarien. Wood et al. (2015b) Nutzbarkeit von BEV Ladestandorte vor Nein. Effekte von Fahrzeug- für verschiedene Nutzbarkeitsrechnung mehrgewicht [330] Ausbauszenarien von bestimmt mittels vernachlässigt, Schnellladeinfra- Heuristiken und Kapazität LIS struktur sowie Methoden des unbegrenzt, keine unterschiedliche Operations Research. Betrachtung von Batteriekapazitäten. Kosten, LIS < 100 kW. Jochem et al. (2015) Streckenbasierte BEV- Optimierung von Abschätzung der Keine individuelle Nutzbarkeit mit festen Ladestandorten und Kosten für Fahrzeug- [158] Reichweiten. Kapazitätsauslegung Ladeinfra- betrachtung. anhand der Annahme struktur. einer Auslastung von 25%.

152 Annex A – Literaturübersicht Forschungsstand

Gnann (2015) Streckenbasierte BEV- Gelegenheitsladen: Detaillierte TCO- Individuelles Nutzbarkeit mit festen agentenbasierte Betrachtung Fahrverhalten nicht [107] Reichweiten. Modellierung. sowohl der abgebildet, Zwischenladen: Fahrzeugseite als Kapazitäts- basierend auf [248], auch der beschränkungen von ohne Ladeinfrastruktur. Schnellladeinfra- Kapazitätsbeschränk- struktur nicht ungen. abgebildet, LIS < 100 kW. Gnann et al. (2016) Greift auf Ergebnisse Bestimmung der Anzahl Nein. Keine Betrachtung aus [107] zurück. von Ladestationen auf der Fahrzeugseite. [112] Basis von M/M/1/2- Systemen Bae und Nein. Bestimmung des Nein. Keine Betrachtung Ladebedarfs an der Fahrzeugseite. Kwasinski (2012) Ladestandorten mittels [14] M/M/S-Warteschlangen- systeme. Jabbari und Nein. Bestimmung der Kosten- Keine Betrachtung Auslastung und betrachtung der der Fahrzeugseite. MacKenzie (2016) Verfügbarkeit von Ladeinfra- [156] Ladestationen auf Basis struktur. von M/M/s- Systemen.

153 Annex B – Weiterführende Daten

Annex B – Weiterführende Daten In Kapitel 4.4 wurde die REM 2030 Fahrprofile-Datenbank mit heutigen Fahrzeugzahlen verglichen. Da offizielle Fahrzeugstatistiken eine detailliertere Aufgliederung der Fahrzeuggrößen aufweisen als die REM 2030 Fahrprofile-Datenbank, ist eine Zuordnung zu den verwendeten Fahrzeuggrößen „klein, mittel, groß und leichtes Nutzfahrzeug“ nach Fahrzeugsegmenten sowie nach Hubraum notwendig (vgl. Tabelle B 1).

Tabelle B 1. Zuordnung der kba-Daten zu den in dieser Arbeit verwendeten Fahrzeuggrößen.

Fahrzeugsegment nach [165, 166] Zuordnung Fahrzeuggröße Minis Klein Kleinwagen Klein Kompaktklasse Mittel Mittelklasse Mittel Obere Mittelklasse Groß Oberklasse Groß SUVs Mittel Geländewagen Mittel Sportwagen Sonstige / Leichtes Nutzfahrzeug Vans 50% zu Mittel 50% zu Groß Utilities Sonstige / Leichtes Nutzfahrzeug Wohnmobile Keine Zuordnung Sonstige Sonstige / Leichtes Nutzfahrzeug

Hubraum nach [165, 166] Zuordnung Fahrzeuggröße <1.400 Klein 1.400 - 2.000 Mittel >2.000 Groß LKW mit zulässigem Gesamtgwicht bis 3,5 t Leichtes Nutzfahrzeug

154 Annex B – Weiterführende Daten

In Kapitel 3.1 werden die technische Rahmendaten am Markt verfügbarer BEV vorgestellt. Folgende Tabelle fasst die Ergebnisse der Literaturrecherche zusammen, auf Basis derer die abgeleiteten Annahmen fußen.

Tabelle B 2. Reichweiten und Schnelllademöglichkeiten von im Jahr 2016 erhältlichen BEV. Quelle: [75, 137].

Modell293 Reichweite Reichweite DC AC3 Lade- Nutzbare kWh/ EPA [km] NEFZ [km] Lade- möglich- Batterie- 100km295 möglich- keit kapazität keit294 Peugeot iOn Mitsubishi I-Miev 100 160 Chademo Nein 16 16,0 Citroen C-Zero Smart Fortwo ED 110 145 Nein 22kW 17,6 16,0 Volkswagen e-Up! 120 160 CCS opt. Nein 18,7 15,6 Fiat 500e 120 140 Nein 24 20,0 Nissan e-NV200 Evalia 120 170 Chademo Nein 24 20,0 Ford Focus Electric 121 162 Nein Nein 23 19,0 BMW i3 130 180 CCS opt. Nein 18,8 14,5 Volkswagen e-Golf 134 190 CCS opt. Nein 24,2 18,1 Mercedes B250e 140 200 Nein 11kW 28 20,0 Kia Soul EV 150 210 Chademo Nein 27 18,0 Bollore Blue Car 155 250 Nein 30 19,4 Nissan Leaf 170 250 Chademo Nein 30 17,6 Hyundai Ioniq Electric 180 250 CCS opt. 28 15,6 Renault Zoe 180 240 Nein 22kW 22 12,2 Audi R8 e-Tron 300 400 CCS 90 30,0 Tesla Model X 410 489 Tesla SC 22kW 90 22,0 Tesla Model S 440 550 Tesla SC 22kW 90 20,5

293 Es werden keine Fahrzeugumbauten aufgeführt (z.B. Plantos der German E-Cars GmbH). 294 Zu den einzelnen Ladestandards vgl. Kapitel 2.1.2. Opt. = Optional. 295 Berechnet aus der Reichweite nach EPA unter der Annahme, dass die angegebene Batteriekapazität zu 100% genutzt werden kann.

155 Annex B – Weiterführende Daten

Tabelle 2 (vgl. Kapitel 3.2) zeigt Energiedichten heute verfügbarer und zukünftig angekündigter Traktionsbatterien. Eigene Auswertungen basieren auf Daten und Ankündigungen der Hersteller, vgl. Tabelle B 3.

Tabelle B 3. Energiedichten von Li-Ionen-Batterien für Fahrzeuganwendungen.

Jahr Energiedichte Fahrzeug/ Energiedichte Hersteller Datenquelle (vgl. Systemebene Batterietyp Zellebene nachfolgend) 2009 80 Mitsubishi EV 108,1 Lithium Energy [13] Japan 2010 82 Nissan Leaf 141,4 AESC [13]

2016 119,2 [13] 2011 101,4 Focus Electric 158,4 LG Chem [13] 2011 92 Renault Kangoo 158,6 AESC [13] 2012 100,6 Smart ED 152,4 AccuMotive [6], [7], [13] 2012 134,9 Tesla S85 240,9 Panasonic [13], [14]

2013 93,9 BMW i3 Samsung SDI [8] 2013 93 Renault Zoe 157,6 LG Chem [13] 2014 163,6 MB B-class ED 244,2 Panasonic [9], [10], [13] 2015 83,3 VW eGolf 170,0 Panasonic [15]

2015 Seeo Cell 300,0 Seeo [4]

2016 Seeo Cell 400,0 Seeo [2]

2019 Samsung SDI Cell 250,0 Samsung SDI [11]

2020 Samsung SDI Cell 300,0 Samsung SDI [11]

2020 Hitachi Cell 330,0 Hitachi [1]

2012 A123 131,0 A123 [18]

2012 NCR 18650 232,0 Panasonic [17]

2012 NCR 18650B 243,0 Panasonic [16]

156 Annex B – Weiterführende Daten

Quellenangaben in Tabelle B 3 beziehen sich auf nachfolgend genannte Internetquellen.

Quelle Online-Adresse Zuletzt abgerufen [1] http://www.japan.ahk.de/news/jmenergie/e-mobility/e-mobility-sv/artikel/hitachi- 14.10.2015 kuendigt-neue-entwicklung-bei-lithium-ionen-batterie-an-

j/?cHash=3758507394b6a997fbfda922872c3513 [2] http://www.forbes.com/sites/aarontilley/2014/12/09/samsung-leads-17m-investment- 11.12.2014 in-battery-startup-for-more-efficient-less-flammable-electric-vehicles/ [3] http://www.bosch- 13.10.2015

presse.de/presseforum/details.htm?txtID=7363&tk_id=166&locale=de [4] http://cleantechnica.com/2014/12/28/will-seeos-400-whkg-battery-fulfil-expectations/ 14.10.2015 [6] http://www.auto-news.de/test/einzeltest/anzeige_Elektro-Smart-im-Test-Wie-gut-ist- 26.01.2015

er_id_32459 [7] https://www.smart.com/de/de/index/smart-fortwo-electric-drive.html 27.01.2015

[8] http://www.bmw.com/com/de/newvehicles/i/i3/2013/showroom/technical_data.html 01.12.2014 [9] http://www.mein-elektroauto.com/2014/06/elektroauto-mercedes-benz-b-klasse-ed- 27.01.2015 verfuegt-ueber-ein-range-plus-optionen/14276/ [10] http://www.autozeitung.de/auto-fahrbericht/mercedes-b-klasse-electric-drive-2013- 27.01.2015

elektroauto [11] http://www.samsungsdi.com/automotive-battery/battery-cells 14.10.2015 [12] http://www.auto-news.de/test/einzeltest/anzeige_Test-Nissan-Leaf-mit-30-kWh- 16.10.2015

Batterie-Preise-und-technische-Daten_id_37391 [13] https://www.advancedautobat.com/industry-reports/xEV-Industry-report/Executive- 29.10.2015

Summary-Selections.pdf [14] http://www.world-nuclear.org/info/Non-Power-Nuclear- 29.10.2015

Applications/Transport/Electricity-and-Cars/

[15] http://www.greencarcongress.com/2014/07/20140721-egolf.html 27.01.2015

[16] http://www.fcbat.eu/resources/Tesla_Report-FCBAT-06Dec2013.pdf 28.01.2015

[17] http://industrial.panasonic.com/www-data/pdf2/ACI4000/ACI4000CE17.pdf 29.01.2015

[18] http://www.a123systems.com/prismatic-cell-amp20.htm 30.01.2015

In dieser Arbeit wird die nutzbare Kapazität der Batterie mit 90% der Nettokapazität angenommen (vgl. Kapitel 3.2). Literaturangaben (vgl. [60, 141]) konnten durch eigene Analysen heutiger Traktionsbatterien bestätigt werden (vgl. Tabelle B 4).

Tabelle B 4. Entladetiefen heutiger BEV. Eigene Auswertung. Datenquellen: vgl. Tabelle B2.

Fahrzeug Entladetiefe BMW i3 87% Mercedes B-Klasse ed 78% Nissan Leaf 88% Peugeot iOn 81% Renault Twizy 76% Renault Zoe 85% Smart ED 87% Tesla S85 93% VW eGolf 91%

157 Annex B – Weiterführende Daten

In Kapitel 3.3 werden die Annahmen zu Leichtbaupotentialen und -kosten vorgestellt. Folgende Tabelle fasst die Ergebnisse der Literaturrecherche zusammen, auf Basis derer die abgeleiteten Annahmen fußen.

Tabelle B 5. Gewichtsreduktionspotentiale und Kosten von Leichtbauoptionen. Kosten in 1/kg ohne Mehrwertsteuer.

Mögliche Kosten [1/kg] Fahrzeugebene Zeithorizont Quelle 296 Gewichtsreduktion 17-22%297 Gesamtfahrzeug 2015 [33], [140] 22% 3.50 $ Gesamtfahrzeug 2015 [104] 20% <5 €/kg Gesamtfahrzeug kurzfristig [199] 10-20% 1.50-3.50 $ Gesamtfahrzeug 2017 [131]

28-35% Gesamtfahrzeug mittelfristig [247] 20-35% <10 €/kg Gesamtfahrzeug mittelfristig [199] 20-25% 6-7 € Gesamtfahrzeug 2020 [280]

15-30% Gesamtfahrzeug 2020-2035 [142]

26% Gesamtfahrzeug 2030 [196] 18-30% (35%) 3-4 € (8-10 €) Gesamtfahrzeug 2030 [136] 20-25% 2-3.50 $ Gesamtfahrzeug 2035 [16]

36% Karosserie 2015 [183]

36% Karosserie mittelfristig [114]

10-20% Karosserie und Anbauteile 2020 [138] 5% kostenneutral Karosserie 2020 [81]

10-20% Karosserie 2020 [81]

Für weitere Details zur Realisation der Gewichtsreduktionen vgl. die in Tabelle B 5 genannten Forschungsarbeiten sowie [97] oder [191]298.

296 Maximal mögliche Gewichtseinsparung im Verhältnis zum ursprünglichen Gewicht. Die Angaben unterscheiden sich in der Bezugsgröße, die in der Spalte „Fahrzeugebene“ angegeben ist. 297 Erreichte Gewichtsreduktion beim BMW i3. 298 Zur Senkung des Karosseriegewichts lassen sich unter anderem die Leichtbaustrategien Formleichtbau und Werkstoffleichtbau unterscheiden [97]. Die Optimierung der Materialverteilung in einem Bauteil, beispielsweise durch Einbringen von Sicken, wird als Formleichtbau bezeichnet, wohingegen unter Werkstoffleichtbau die Verwendung alternativer Materialen verstanden wird [97]. Diese unterschiedlichen Leichtbaustrategien sind mit unterschiedlichen Kosten und Gewichtsreduktionspotentialen verbunden und tragen in Kombination zur gesamten Gewichtsreduktion des Fahrzeugs bei. Die realisierbare Gewichtsreduktion ist durch Kundenwünsche, Sicherheitsbestimmungen sowie durch akzeptierte Mehrkosten begrenzt.

158 Annex B – Weiterführende Daten

In Kapitel 3.4.2 werden die Annahmen zu Ladeinfrastukturkosten vorgestellt. Folgende Tabelle fasst die Ergebnisse der Literaturrecherche zusammen, auf Basis derer die abgeleiteten Annahmen fußen. Dargestellt sind durchschnittliche Kosten, bezogen auf einen Ladepunkt.

Tabelle B 6. Investitionen und Betriebskosten von Ladeinfrastruktur für unterschiedliche Ladeleistungen: Literaturangaben. Investitionen in €, Betriebskosten in €/a. Ohne Mehrwertsteuer.

Lade- Hardware Baukosten [€] Netzanschluss- Gesamte Betriebs- Quelle leistung komplett [€] kosten [€] Investitionen [€] kosten [kW] [€/Jahr] 22 4.400-7.500 730 1.350 6.480-9.580 825 [326] 22299 5.000 3.000 2.000 10.000 1.500 [232] 22 2.800300 [153] 50 32.500 [328] 50 25.000 5.000 5.000 35.000 3.000 [232] 50 40.000 -75.000 10.000 50.000-85.000 4.000 [273] 50 7.600-50.000301 [150] 50 215.000302 [88] 62,5 40.000- 75.000 15.000- 50.000 55.000-125.000 4.000 [273] 120 45.000303 [163] 150 25.000 5.000 50.000 80.000 3.000 [232] 200 70.000 [234] 200 41.350 21.000 15.400 77.750 [102] 250 60.000 55.000 115.000 1.000 [273]

299 Kosten einer Ladesäule mit zwei Ladepunkten. 300 Umrechnung in Euro mit durchschnittlichem Wechselkurs des Jahres 2015: 1 EUR = 1,109 USD, vgl. [310]. 301 Durchschnittliche Kosten betragen ca. 20.500 €. Umrechnung USD/EUR vgl. Fußnote 300. 302 Kosten für eine Ladestation mit zwei Ladepunkten je 50 kW incl. verstärktem Netzanschluss für die nächste Generation an Schnellladern mit vier Ladepunkten je 150 kW. 303 Durchschnittlicher Buchwert eines Tesla-Ladepunkts. Umrechnung USD/EUR vgl. Fußnote 300.

159 Annex B – Weiterführende Daten

Folgende Tabellen fassen Kosten für Stromleitungen und Transformatoren zusammen (vgl. Kapitel 3.4.2).

Tabelle B 7. Investitionen für den Bau von Stromleitungen nach Spannungsebene. Quelle: [95]. Investitionen in 1.000 €/km ohne Mehrwertsteuer.

Investitionen Quelle [1.000 €/km] Niederspannungskabel 40-50 [164] 55 [135] 60-100 [1] 90 [101] Mittelspannungskabel 50-80 [164] 70 [135] 80-140 [1] 110 [101] Hochspannung: Freileitung 410 [164] 250 [135] 400 [1] 220 [101] 150 [217] Hochspannung: Erdkabel 800-1300 [1]

Tabelle B 8. Investitionen in Transformatoren nach Spannungsebene.

Nach: [95]304. Investitionen in 1.000 € ohne Mehrwertsteuer. MVA: Megavoltampere.

Investitionen [1.000 €] Quelle Mittelspannung/ 30 [164] Niederspannung 16+12 * [1 MVA] [135] 30-40 [1] 28 [101] 35 [273] 40;43 [0,4 MVA;1 MVA] [288] Regelbarer Ortsnetztransformator 26;31 [0,4 MVA; 0,63 MVA] [95] Hochspannung/ 25 [1/MVA] [164] Mittelspannung 1.000-2.000 [1] 2.500 [101]

304 Darstellung entnommen aus [95] und ergänzt um weitere Literaturangaben. Angabe der Leistungsklasse der Transformatoren in Megavoltampere [MVA].

160 Annex B – Weiterführende Daten

In Kapitel 5.3.1.2 wird davon ausgegangen, dass Ladeinfrastruktur zum Zwischenladen zunächst nicht an allen Bundesautobahnen errichtet wird, sondern an „ausgewählten“ Bundesautobahnen, die eine minimale Länge sowie ein minimales Durchschnittliches Tägliches Verkehrsaufkommen (DTV) aufweisen. Der Einordnung dienen Tabelle B 9 sowie Abbildung B 1. Tabelle B 9 zeigt für angenommene Mindestlängen von Bundesautobahnen (BAB) den Anteil dieser BAB an der Gesamtzahl aller BAB, sowie deren Streckenanteile.

Tabelle B 9. Länge von Bundesautobahnen. Quelle: [19].

Mindestlänge BAB Anteil # BAB Anteil Strecke BAB 0 km 100% 100% 10 km 74% 99% 25 km 56% 96% 50 km 47% 93% 75 km 36% 87% 100 km 30% 81% 150 km 21% 72% 200 km 16% 63%

Abbildung B 1 zeigt die Verteilungsfunktion (cdf) des Anteils von BAB je nach angenommenen minimalen Durchschnittlichen Täglichen Verkehrsstärken (DTV).

Abbildung B 1. Verkehrsintensitäten je Bundesautobahn (BAB). Gezeigt ist die kumulierte Dichtefunktion an BAB mit entsprechenden Durchschnittlichen Täglichen Verkehrsstärken (DTV), gemittelt über alle Autobahnabschnitte einer BAB (blaue Linie) und als DTV des meistfrequentierten Streckenabschnitts einer BAB (rote Linie). Eigene Darstellung, Datenbasis: [19].

161 Annex B – Weiterführende Daten

Ladeinfrastruktur zum Gelegenheitsladen wird hinsichtlich des Nutzerbedarfs für jeden Gemeindeverband proportional zu dessen Fahrzeugbestand bestimmt. Da Bestandszahlen nicht auf Gemeindeverbandsebene vorliegen, wurde ein Vorgehen entwickelt, um diese zu bestimmen (vgl. Kapitel 5.3.1.1). Die für das Vorgehen verwendeten Datensätze sind im Folgenden gezeigt (vgl. Tabelle B 10).

Tabelle B 10. Daten zur Berechnung des Elektrofahrzeugbestands je Gemeindeverband. Bestand an Elektrofahrzeugen je Bundesland. Quelle: [171].

# EV # PKW % EV Baden-Württemberg 4.042 6.171.168 0,07% Berlin 849 1.165.215 0,07% Brandenburg 303 1.353.356 0,02% Freie Hansestadt Bremen 258 280.107 0,09% Freie und Hansestadt Hamburg 673 750.510 0,09% Freistaat Bayern 4.053 7.427.661 0,05% Freistaat Sachsen 591 2.094.414 0,03% Freistaat Thüringen 199 1.163.737 0,02% Hessen 1.426 3.483.965 0,04% Mecklenburg-Vorpommern 126 825.797 0,02% Niedersachsen 2.006 4.451.016 0,05% Nordrhein-Westfalen 2.976 9.478.829 0,03% Rheinland-Pfalz 622 2.374.497 0,03% Saarland 164 608.463 0,03% Sachsen-Anhalt 150 1.189.962 0,01% Schleswig-Holstein 500 1.555.863 0,03%

Summe 18.938 44.374.560 0,04%

162 Annex B – Weiterführende Daten

Anteil Fahrzeugbestand je Gemeindetyp nach Bundesländern. Quelle: Wermuth (2012, Tabellenband Autos; Tabelle A 24 B) [177].

Land- Kleine Größere Kleinere Größere Kleinere Große gemeinden Klein- Klein- Mittel- Mittel- Groß- Groß- städte städte städte städte städte städte Baden-Württemberg 2,7% 18,7% 35,9% 20,8% 5,3% 10,6% 6,0% Berlin 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 100,0% Brandenburg 3,2% 0,1% 51,2% 23,9% 6,1% 15,5% 0,0% Freie Hansestadt Bremen 0,0% 0,0% 0,0% 0,0% 0,0% 18,1% 81,9% Freie und Hansestadt Hamburg 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 100,0% Freistaat Bayern 7,4% 25,2% 35,2% 8,3% 7,6% 8,7% 7,6% Freistaat Sachsen 11,8% 9,6% 29,3% 16,4% 11,0% 13,1% 8,8% Freistaat Thüringen 13,9% 40,9% 14,4% 10,7% 0,0% 20,1% 0,0% Hessen 0,0% 6,2% 47,9% 23,2% 6,7% 10,0% 6,0% Mecklenburg-Vorpommern 20,5% 21,8% 12,9% 0,0% 23,7% 21,2% 0,0% Niedersachsen 5,1% 13,2% 35,0% 28,3% 4,5% 9,0% 4,8% Nordrhein-Westfalen 0,0% 0,0% 19,8% 37,4% 11,2% 19,7% 11,9% Rheinland-Pfalz 26,4% 19,5% 14,3% 6,5% 25,5% 7,7% 0,0% Saarland 0,0% 0,0% 57,0% 23,9% 0,0% 19,1% 0,0% Sachsen-Anhalt 10,9% 23,3% 5,4% 43,0% 0,0% 17,4% 0,0% Schleswig-Holstein 7,6% 21,8% 24,3% 19,9% 13,4% 13,0% 0,0%

Anzahl Gemeindeverbände je Bundesland. Quelle: [21]. Kleinst. = Kleinstadt. Mittelst. = Mittelstadt. Großst. = Großstadt.

Land- Kleine Größere Kleinere Größere Kleinere Große gemeinde Kleinst. Kleinst. Mittelst. Mittelst. Großst. Großst. Baden-Württemberg 62 161 141 76 13 8 1 Berlin 0 0 0 0 0 0 1 Brandenburg 75 58 41 22 3 1 0 Freie Hansestadt Bremen 0 0 0 0 0 1 1 Freie Hansestadt Hamburg 0 0 0 0 0 0 1 Freistaat Bayern 874 329 152 55 8 6 2 Freistaat Sachsen 150 100 42 19 3 1 2 Freistaat Thüringen 137 49 14 15 2 2 0 Hessen 127 138 107 46 7 4 1 Mecklenburg- 68 29 12 4 4 1 0 Vorpommern Niedersachsen 114 130 109 70 12 5 1 Nordrhein-Westfalen 3 54 133 132 46 23 5 Rheinland-Pfalz 79 86 24 12 4 4 0 Saarland 0 12 30 9 0 1 0 Sachsen-Anhalt 19 47 34 21 1 2 0 Schleswig-Holstein 75 41 32 16 3 2 0

163 Annex B – Weiterführende Daten

In Kapitel 5.3.2.3.1 wird beschrieben, dass die Verteilung der Ladezeiten sich aus den Ladezeiten für die unterschiedlichen Fahrzeuggrößen ergibt. Diese wird nach [36] bestimmt und ist in der folgenden Abbildung gezeigt.

Abbildung B 2. Verteilung der Lademengen des Gelegenheitsladens für die Referenz-Batteriekapazität.

164 Annex C – Weitere Auswertungen

Annex C – Weitere Auswertungen In Kapitel 4 wird die REM 2030 Fahrprofile-Datenbank vorgestellt und Tagesfahrstrecken in Relation zu den Tagesfahrleistungen in KiD 2010 [177] gesetzt. In Kapitel 4.4 erfolgt diese Darstellung für alle Fahrprofile in einer Verteilungsfunktion. Abbildung C 1 zeigt die Verteilung der Tagesstrecken spezifiziert nach Fahrzeuggröße.

Abbildung C 1. Verteilung (cdf) individueller Tagesfahrstrecken gewerblicher Fahrprofile in Abhängigkeit der Fahrzeuggröße. Gestrichelte Linien zeigen 95%-Konfidenzbänder. Zur Berechnung vgl. Annex G. lNfz: leichtes Nutzfahrzeug.

Die Analysen dieser Arbeit bestätigen die hohe Streuung individueller Fahrenergiebedarfe und somit möglicher individueller elektrischer Fahrzeugreichweiten. Kapitel 6.1 zeigt die Fahrzeugreichweiten aller Fahrprofile. Abbildung C 2 zeigt Fahrzeugreichweiten gewerblicher Fahrprofile, spezifiziert nach Fahrzeuggröße.

Abbildung C 2. Verteilung (cdf) individueller elektrischer Fahrzeugreichweiten (gewerblicher Fahrprofile) in Abhängigkeit der Fahrzeuggröße, Referenzfahrzeug (PK1) ohne öffentliche Ladeoptionen. Gestrichelte Linien zeigen 95%-Konfidenzbänder. Zur Berechnung vgl. Annex G. lNfz: leichtes Nutzfahrzeug.

165 Annex C – Weitere Auswertungen

In Kapitel 6.2.4.1 sind Ladeinfrastrukturbedarfe gewerblicher Fahrprofile als spezifischer Bedarf je 10.000 BEV gezeigt (vgl. Abbildung 23). Absolute Ladebedarfe zeigt Abbildung C 3.

Abbildung C 3. Zwischenladeinfrastrukturbedarf (P = 150 kW) gewerblicher Fahrprofile (absolut) in Abhängigkeit des Elektrofahrzeugbestands für unterschiedliche Parameterkombinationen. Gestrichelte Linien zeigen lineare Regressionen. Bestimmtheitsmaße sind für alle Parameterkombinationen R² > 0,999.

Kapitel 6.2.5 zeigt die Summe aller deutschlandweit benötigten Ladepunkte zum Gelegenheitsladen. Eine Aufgliederung der benötigten Ladeinfrastrukturbedarfe zur Gewährleistung einer geographischen Erreichbarkeit nach einzelnen Gemeindeverbänden entsprechend der Annahmen in Tabelle 20 zeigt Abbildung C 4.

Abbildung C 4. Aufteilung der Gelegenheitsladestandorte auf Gemeindeverbände in Abhängigkeit der geographischen Erreichbarkeit. Kleine Gemeinden bis 50.000 Einwohner. Großstädte ab 50.000 Einwohner, vgl. Tabelle 20.

166 Annex C – Weitere Auswertungen

Die Analysen dieser Arbeit zeigen, dass die Ladeinfrastrukturbedarfe für das Gelegenheitsladen sehr stark dominiert werden von der geographischen Erreichbarkeit und dass aktuelle Nutzerbedarfe bei deren Dimensionierung eine geringere Rolle spielen (vgl. Kapitel 6.2.5). Für kleine Gemeinden (weniger als 50.000 Einwohner) wurde allerdings eine vergleichsweise hohe maximale Entfernung zum nächsten Ladepunkt angenommen (5 km, vgl. Tabelle 20). Würde man diese Entfernung auf 2,5 km halbieren, ergäbe sich Abbildung C 5.

Abbildung C 5. Ladeinfrastrukturbedarf (Gelegenheitsladen) in Abhängigkeit des Elektrofahrzeugbestands, unterschieden nach reinem nutzerbasierten sowie kombiniertem geographischen und nutzerbasierten Ladeinfrastrukturbedarf für Ladestationen mit beschränktem und unbeschränktem Warteraum. Im Vergleich zur Referenz halbe Entfernung zur nächsten Ladesäule in Gemeinden mit weniger als 50.000 EW.

Abbildung C 6 zeigt die durchschnittliche Jahresfahrleistung (JFL) aller Fahrzeuge mit technischem Potential für unterschiedliche Batteriekapazität und Ladeinfrastrukturverfügbarkeit. Jahresfahr- leistungen steigen mit zunehmendem technischen Potential, da vor allem Fahrzeuge mit hohen Jahresfahrleistungen in die Flotte gelangen. Es sind nur die unterschiedlichen Batteriekapazitäten gezeigt, da die Anwendung der Leichtbauoption (PK7 bis PK9) die mittlere JFL um weniger als 3% ändert.

Abbildung C 6. Jahresfahrleistung in Abhängigkeit der Batteriekapazität sowie verfügbarer Ladeoptionen.

PK1: Referenzfahrzeug. PK2: Doppelte Batteriekapazität. PK3: Dreifache Batteriekapazität. Whisker zeigen ± 1,96*Standardfehler, entspricht 95%-Konfidenzintervall.

167 Annex C – Weitere Auswertungen

Abbildung C 7 zeigt, dass Ladebedarfe durchschnittlich mit der Jahresfahrleistung steigen. Dass in dieser Arbeit alle technisch möglichen Fahrprofile betrachtet werden, könnte daher eine Erklärung für die im Vergleich zu anderen Studien relativ geringen Ladebedarfe sein (vgl. Kapitel 6.2.10), da z.B. BEV- Flotten, die nur ökonomisch attraktive Fahrprofile umfassen, überdurchschnittlich hohe Jahresfahrleistungen aufweisen (vgl. z.B. [107]).

Abbildung C 7. Anzahl benötigter Zwischenladebedarfe in Abhängigkeit der Jahresfahrleistung.

Kapitel zeigt die Methodik zur Ableitung der Ladebedarfe einer sich dynamisch ändernden Fahrzeug- flotte. Die sich aus den Annahmen ergebende Flottenzusammensetzung zeigt folgende Tabelle C 1.

Tabelle C 1. Anteile Elektrofahrzeuge im Bestand mit technischen Spezifikationen nach Tabelle 22.

#BEV Spezifikation 2017/ 2020 Spezifikation 2025 Spezifikation 2030 100.000 100% 0% 0% 250.000 100% 0% 0% 500.000 100% 0% 0% 750.000 81% 19% 0% 1.000.000 66% 34% 0% 1.250.000 54% 46% 0% 1.500.000 44% 56% 0% 1.750.000 37% 63% 0% 2.000.000 30% 56% 15% 3.500.000 0% 0% 100% 5.000.000 0% 0% 100%

168 Annex C – Weitere Auswertungen

Kapitel 6.2.2 zeigt, dass die Strecke, die durch Zwischenladebedarfe zusätzlich zur Fahrzeugreichweite ermöglicht werden muss („Zusatzstrecke“), mit der Batteriekapazität steigt. Während Abbildung 22 (vgl. Kapitel 6.2.2) Zusatzstrecken aller Fahrprofile mit technischem BEV-Potential zeigt, bestätigt Abbildung C 8, dass die Aussage auch für die gesamte gewerbliche Nutzerstichprobe und die Annahme log-normalverteilter Tagesfahrleistungen gilt.

Abbildung C 8. Nutzerspezifische durchschnittliche Strecken, die zusätzlich zur Fahrzeugreichweite in Abhängigkeit der Batteriekapazität benötigt werden („Zusatzstrecke“). Verteilungsfunktion aller gewerblichen Fahrprofile unter der Annahme log-normalverteilter Tagesdistanzen.

Tabelle C 2 zeigt, dass die Aussage, dass Zusatzstrecken mit der Batteriekapazität steigen, auch unter der Annahme weibull-verteilter Tagesfahrleistungen gültig sind, wenn man alle gewerblichen Fahrprofile mit technischem BEV-Potential betrachtet.

Tabelle C 2: Zusatzstrecke [km] für log-normalverteilte (Referenz) sowie weibull-verteilte Tagesstrecken gewerblicher Fahrprofile mit Potential.

Min Mittelwert Median Max SD Log-Normal Referenzfall (PK1) 1,6 56,2 51,4 188 34,9 Log-Normal 200% Batteriekapazität (PK2) ~0 93,2 82,2 289 58,8 Log-Normal 300% Batteriekapazität (PK3) ~0 121,7 107,5 648,7 84,5 Weibull Referenzfall (PK1) 0 4,5 0,3 100 12,2 Weibull 200% Batteriekapazität (PK2) 0 6,7 0,5 188 17,4 Weibull 300% Batteriekapazität (PK3) 0 9,7 0,7 205 23,2 In Kapitel 6.3.1.1 werden Investitionen in öffentliche Ladeinfrastruktur spezifisch auf alle Elektrofahrzeuge im Bestand betrachtet (vgl. z.B. Abbildung 29). Im Gegensatz dazu zeigt Abbildung C 9 spezifische Kosten je zusätzliches Elektrofahrzeug. Man erkennt, dass zunächst aufgrund der geographischen Mindesterreichbarkeit spezifische Investitionen je Elektrofahrzeug vergleichsweise hoch sind, diese vorhandene Ladeinfrastruktur aber weitere Elektrofahrzeuge abdecken kann – für Ladeleistungen von 150 kW sind spezifische Kosten gleich Null beim Übergang von 50.000 auf 250.000

169 Annex C – Weitere Auswertungen

EV – und Kosten sich langfristig auf bestimmte Werte einpendeln, da Ladeinfrastruktur proportional zu Nutzerbedarfen steigt.

Abbildung C 9. Spezifische Investitionen in neu errichtete Ladeinfrastruktur [EUR/EV] in Abhängigkeit des Elektrofahrzeugbestands und der Ladeleistung für gewerbliche Fahrprofile für das Referenzfahrzeug (PK1).

170 Annex C – Weitere Auswertungen

In Kapitel 6.3.2 sind Gesamtkosten der Maßnahmen als Durchschnitt für die jeweilige Teilstichprobe gezeigt. Jedoch variieren individuelle Gesamtkosten stark für einzelne Nutzer, wie die empirische Verteilungsfunktionen der individuellen Gesamtkosten in Abbildung C 10 zeigen. Besonders auffallend ist der steile Anstieg der Verteilungsfunktionen im mittleren Bereich. Dies deutet darauf hin, dass die in Kapitel 6.3.2 angegebenen Mittelwerte der Teilstichproben charakteristisch sind für den Großteil der Fahrprofile. Beispielsweise liegen für ca. 80% der Nutzer die individuellen Gesamtmehrkosten für das Referenzfahrzeug (PK1 BEV 350 €) zwischen 0 und 760 € pro Jahr. Mehrkosten steigen mit größeren Batteriekapazitäten aufgrund der zunehmenden jährlichen Fahrleistung der größeren Teilstichprobe mit BEV-Potential.

Abbildung C 10. Verteilungsfunktion der nutzerindividuellen Gesamtmehrkosten gegenüber einem konventionellen Fahrzeug [EUR/a] für gewerbliche Fahrprofile.

Gezeigt sind die Mehrkosten bei minimalen Kosten für Ladeinfrastruktur für Fahrzeuge mit technischem BEV-Potential für Batteriekosten von 350 € (Referenz, durchgezogene Linie), für 250 € (gestrichelt) und 100 € (gepunktet).

171 Annex C – Weitere Auswertungen

In Kapitel 6.3.2.3 zeigt Abbildung 35 minimale TCO von BEV und Ladeinfrastruktur bei hohen Ladeinfrastrukturkosten. Folgende Abbildung C 11 zeigt zum Vergleich minimale TCO bei niedrigen Ladeinfrastrukturkosten.

Anteil 4% 9% 48% 58% 62% 66% 73% 78% 82% 84% 85% (86%) 350 PK4; PK4; PK1; PK1; PK5; PK2; PK5; PK2; PK6; PK3; PK6;AL €/kWh AL ZL AL ZL AL AL ZL ZL ZL ZL (PK3;AL) 250 4% 9% 12% 18% 52% 61% 67% 72% 78% 82% 85% (86%) €/kWh PK4; PK4; PK5; PK1; PK1; PK5; PK2; PK2; PK6; PK3; PK6;AL AL ZL AL ZL ZL ZL AL ZL ZL ZL (PK3;AL) 100 2% 7% 10% 17% 21% 27% 35% 41% 79% 81% 85% (86%) €/kWh PK4; PK6; PK4; PK5; PK5; PK2; PK1; PK2; PK1; PK3; PK6;AL ZL ZL AL ZL AL AL ZL ZL ZL ZL (PK3;AL)

Abbildung C 11. Kosten-Potential-Kurve: TCO (Fahrzeug und öffentliche Ladeinfrastruktur) gewerblicher Fahrprofile zur Erhöhung des Potentials von BEV für unterschiedliche Batteriekosten. Niedrige spezifische TCO von öffentlicher Ladeinfrastruktur. PK1: Referenzfahrzeug. PK2 /PK3: 200/300% Batteriekapazität. PK6: 300% Batteriekapazität und Leichtbau. ÜL = Über Nacht laden. GL = Gelegenheitsladen. ZL = Zwischenladen. AL = Alle Ladeoptionen.

172 Annex C – Weitere Auswertungen

In Kapitel 6.3.2.4 zeigt Abbildung 36 minimale TCO von Range-Extender Elektrofahrzeugen (REEV) im Vergleich zu BEV und Ladeinfrastruktur bei kostenminimalem Maßnahmeneinsatz. Folgende Abbildung C 12 zeigt zum Vergleich minimale TCO bei einheitlichem Maßnahmeneinsatz. Man erkennt, dass REEV vor allem bei Betrachtung der Zeitkosten („Stundenlohn Ladezeit“) ökonomisch mit BEV vergleichbar sind, obgleich REEV bei standardmäßigem Einsatz in der Gesamtflotte tendenziell am teuersten sind.

Anteil 42% 44% 56% 63% 77% 84% (86%) Referenz PK1;ÜL PK4;ÜL PK1; ZL PK2; ÜL PK2;ZL PK3;ZL (PK6;AL) Anteil 42% 44% 56% 63% 77% 84% (86%) Stundenlohn PK1;ÜL PK4;ÜL PK1; ZL PK2;ÜL PK2;ZL PK3;ZL (PK6;AL) Ladezeit Anteil 57% 78% 84% (86%) REEV PK1;ÜL PK2;ÜL PK3; ÜL (PK6;ÜL)

Abbildung C 12. Kosten-Potential-Kurve: TCO gewerblicher Fahrprofile (Fahrzeug und öffentliche Ladeinfrastruktur) zur Erhöhung des Potentials von BEV mit Range-Extender Fahrzeugen als zusätzliche Option. Hohe spezifische TCO von öffentlicher Ladeinfrastruktur ohne Betrachtung des Deckungsbeitrags; einheitlicher Maßnahmeneinsatz. ÜL = Über Nacht Laden. ZL = Zwischenladen. AL = Alle Ladeoptionen. Zu den einzelnen Parameterkombinationen (PK) vgl. Tabelle 16.

173 Annex D – Marktdaten von Elektrofahrzeugen und ihrer Ladeinfrastruktur

Annex D – Marktdaten von Elektrofahrzeugen und ihrer Ladeinfrastruktur Status quo: Zulassungszahlen und Marktprognosen von Elektrofahrzeugen (EV) Marktzahlen von Elektrofahrzeugen sind in Tabelle D 1 für das Jahr 2015 dargestellt. Die Daten basieren auf [144], deren Datensatz 98% des Elektrofahrzeugmarktes in über 40 Ländern umfasst [144].

Tabelle D 1. Marktzahlen Elektrofahrzeuge 2015 Quelle: [144]. Absolutzahlen in Tausend. EV umfassen BEV und PHEV. CAN = Kanada, CHN = China, FRA = Frankreich, DEU = Deutschland, JPN = Japan, NLD = Niederlande, NOR = Norwegen, GBR = Vereinigtes Königreich, USA = Vereinigte Staaten von Amerika. CAGR = Compound Annual Growth Rate, siehe Fußnote 305.

CAN CHN DEU FRA GBR JPN NLD NOR USA Welt EV Marktanteil 0,4% 1,0% 0,7% 1,2% 1,0% 0,6% 9,7% 23% 0,7% 0,9% EV Bestand 18,5 312,3 49,2 54,3 49,7 126,4 87,5 70,8 404,1 1256,9 BEV Anteil am EV- 54% 72% 62% 83% 43% 56% 11% 86% 52% 59% Bestand CAGR EV Bestand 2005- 144% 194% 118% 136% 153% 121% 266% 124% 80% 94% 2015 EV Neuzulassungen 7,0 207,4 23,2 22,8 27,8 24,7 43,8 35,6 113,9 550,6 BEV Anteil an 63% 71% 52% 76% 34% 42% 6% 78% 62% 60% Neuzulassungen Die in Tabelle D 1 dargestellten Fahrzeugmärkte umfassen 93% des weltweiten EV-Gesamtbestandes. Mit Ausnahme von Norwegen und den Niederlanden haben Elektrofahrzeuge in den dargestellten Ländern Marktanteile von ca. 1%. Nichtsdestotrotz hat sich der Elektrofahrzeugbestand weltweit in den Jahren 2005-2015 jährlich nahezu verdoppelt (CAGR305 = 94%). Die hohen Zulassungszahlen in den beiden genannten Ländern sind auf eine elektrofahrzeugfreundliche Förderpolitik zurückzuführen. Entsprechende Unterschiede in den Anteilen von BEV und PHEV sind ebenfalls auf unterschiedliche Förderpolitiken zurückzuführen [144]. Mit einem Anteil von 4% am weltweiten EV Bestand und 5% an Neuzulassungen 2015 ist Deutschland bislang ein vergleichsweise kleiner Markt.

.305 Die Compound Annual Growth Rate (CAGR) gibt einen hypothetischen mittleren jährlichen Prozentsatz einer Zeitreihe an, um den ein Anfangswert wächst, um einen vorgegebenen Endwert zu erreichen [8].

174 Annex D – Marktdaten von Elektrofahrzeugen und ihrer Ladeinfrastruktur

Status quo: Aufbau und Nutzung von Ladeinfrastruktur Der aktuelle Bestand an öffentlichen Ladesäulen im Jahr 2015 ist in Tabelle D 2 dargestellt. Die Unterscheidung in Langsam- und Schnellladesäulen folgt [144], wonach Langsamladesäulen Leistungen bis 22 kW bereitstellen.

Tabelle D 2. Marktzahlen öffentliche Ladeinfrastruktur für Elektrofahrzeuge 2015. Quelle: [144]. Anzahl Ladestandorte in Tausend.

CAN CHN DEU FRA GBR JPN NLD NOR USA Welt

# Langsamladestationen 3,4 46,7 4,8 10,1 8,7 16,1 17,8 6,4 28,2 161,8 # Schnellladestationen 0,2 12,1 0,8 0,5 1,2 6,0 0,5 0,7 3,5 27,7 # Ladestationen 3,5 58,8 5,6 10,7 9,9 22,1 18,3 7,1 31,7 189,5

Der Anteil öffentlicher Ladeinfrastruktur beträgt ca. 13% unter der Annahme eines privaten Ladepunktes pro Elektrofahrzeug im Markt. In den Ländern Kanada, Deutschland, Japan, Schweden und dem Vereinigten Königreich hat sich der Bestand öffentlicher Schnellladestationen im Jahr 2015 mehr als verdoppelt. In Deutschland gab es zum Ende des Jahres 2015 ca. 5.500 Ladestandorte [76, 115, 144] mit durchschnittlich drei Ladepunkten je Standort [115]. Der Anteil der Schnellladestandorte an der gesamten öffentlichen Ladeinfrastruktur beträgt ca. 14% und liegt damit im weltweiten Schnitt306. Der Anteil der Schnellladepunkte liegt laut [54] bei 7%.

Tabelle D 3. Elektrofahrzeuge je öffentliche Ladesäule 2015. Quelle: [144].

CAN CHN DEU FRA GBR JPN NLD NOR USA Welt EV pro Ladesäule 5 5 9 5 5 6 5 10 13 7 BEV pro Ladesäule 3 4 5 4 2 3 1 9 7 4 EV pro Schnellladesäule 121 26 63 100 43 21 188 101 115 45 BEV pro Schnellladesäule 66 19 39 83 18 12 20 87 60 27 EV pro Langsamladesäule 5 7 10 5 6 8 5 11 14 8 BEV pro Langsamladesäule 3 5 6 4 2 4 1 10 7 5

Die Anzahl Elektrofahrzeuge pro Ladestandort ist in Tabelle D 3 gezeigt. Diese bildet eine wichtige Kennzahl der Ladeinfrastrukturdichte (siehe auch Kapitel 5.3). In Deutschland kommen auf jeden Ladestandort im Schnitt neun Elektrofahrzeuge, hiervon 5 BEV. Intuitiv erscheint die Tatsache, dass relativ weniger Schnellladestandorte als Langsamladestandorte notwendig sind. Während auf einen Schnellladestandort in Deutschland 63 Elektrofahrzeuge entfallen (hiervon 39 BEV), sind es zehn Elektrofahrzeuge (6 BEV) je Langsamladestandort.

306 Laut [76] beträgt der Anteil an Schnellladeinfrastruktur ca. 18%.

175 Annex E – Weitere Sensitivitätsanalysen

Annex E – Weitere Sensitivitätsanalysen Abbildung E 1 quantifiziert den Einfluss der Parameter mittlere Bedienzeit μ-1 und Anzahl Serviceschalter s auf die Kennzahlen des Wartesystems307. Die Wartezeit Wq steigt überproportional mit der mittleren Bedienzeit. Der Einfluss der angenommenen Ladezeit auf den Ladeinfrastrukturbedarf ist stark und wird in Kapitel 6 über eine Sensitivitätsanalyse adressiert. Die zeitliche Verfügbarkeit einer Ladestation steigt mit dem zweiten Ladepunkt stark an und steigt für weitere Ladepunkte anschließend weniger stark.

Abbildung E 1. Sensitivität der durchschnittlichen Kennzahlen eines Warteschlangensystems (M/M/s) auf Variation der mittleren Bedienzeit μ-1=5min (links, λ=10 Fzge/h, s=2) und der Anzahl Bedienschalter (rechts, λ = 35 Fzge/h).

Eigene Berechnung. Rho: Auslastung, Wq: durchschnittliche Wartezeit, W: durchschnittliche Verweildauer im System, p0: Wahrscheinlichkeit eines leeren Systems.

Die Sensitivität der Aufnahmekapazität 휆푠,푚푎푥 hinsichtlich des angenommenen Serviceniveaus 푡푤 für Ladestationen (Zwischenladen) mit ein bis acht Ladepunkten zeigt Tabelle E 1. Angaben beziehen sich auf den Referenzfall (durchschnittliche Bedienzeit 5,4 min) für eine Ladestation mit einer Ladeleistung von 150 kW je Ladepunkt. Der Einfluss der Aufnahmekapazität auf die Ergebnisse wird in Kapitel 6.2 durch Sensitivitätsanalysen adressiert.

Tabelle E 1. Maximale Aufnahmekapazität λ [Fahrzeuge/h] einer Ladestation (M/G/s, μ-1 = 5,4 min) in Abhängigkeit der

Anzahl ihrer Ladepunkte und der durchschnittlichen Wartezeit tw. Eigene Berechnung.

Anzahl Ladepunkte Durchschnittliche Wartezeit (tw) 3 min 5 min 10 min

1 5,9 7,3 8,8 2 16,2 18,0 19,8 3 26,9 29,0 30,9 4 37,8 40,0 42,0 5 48,8 51,1 53,2 6 59,8 62,2 64,3 7 70,8 73,3 75,5 8 81,9 84,4 86,6

−1 307 Für μ = 5 min, s = 2 und λ = 10 Fahrzeuge/h sind Wq = 1,05 min und Lq = 0,18.

Annex F – Matlab© Code Warteschlangensimulation In Kapitel 5.3.2.2 wird vorgestellt, wie auf Basis analytischer Lösungen Ladestandorte dimensioniert werden können, um die durchschnittliche Wartezeite aller Nutzer zu begrenzen. Ergänzend zum analytischen Vorgehen werden Warteschlangen entsprechend des folgenden Codes simuliert.

Matlab©-Code Warteschlangensimulation. Eigene Entwicklung nach R. Gaigalas and I. Kaj308 Nicht angegebene Parameter sind Eingabeparameter. arrivalTime=-log(rand)/lambda; % Poisson arrivals i=1; while (min(arrivalTime(i,:))<=tmax) arrivalTime = [arrivalTime; arrivalTime(i, :)-log(rand)/lambda]; i=i+1; end n=length(arrivalTime); % arrival times t_1,...,t_n timeStationGettingFree = zeros(1,s); departureTime = zeros(n,1); systemSize = 0; for arrivalIndex = 1:n try vehiclesLeft = length(find(departureTime(1:arrivalIndex-1) <= arrivalTime(arrivalIndex) & ... departureTime(1:arrivalIndex-1) > arrivalTime(arrivalIndex-1)));

catch vehiclesLeft = 0; end if isempty(vehiclesLeft) vehiclesLeft = 0; end systemSize = systemSize + 1 - vehiclesLeft;

if systemSize <= K timeStationGettingFree = max(arrivalTime(arrivalIndex).*ones(1,s), timeStationGettingFree); departureTime(arrivalIndex) = min(timeStationGettingFree) + serviceTime(arrivalIndex); [~,stationIndex] = min(timeStationGettingFree); timeStationGettingFree(stationIndex) = departureTime(arrivalIndex); else systemSize = systemSize - 1; departureTime(arrivalIndex) = 0; end end shareVehiclesLeft = length(find(departureTime == 0))/length(departureTime); arrivalTime(departureTime == 0) = []; serviceTime = serviceTime'; serviceTime(departureTime == 0) = []; departureTime(departureTime == 0) = [];

B=[ones(length(departureTime),1) arrivalTime ; -ones(length(departureTime),1) departureTime]; Bsort=sortrows(B,2); % sort jumps in order jumps=Bsort(:,1); jumptimes=[0;Bsort(:,2)]; systsize=[0;cumsum(jumps)]; % size of M/G/s queue systtime=departureTime-arrivalTime; % system times waitingTime = systtime - serviceTime; averageWaitingTime = mean(waitingTime); utilization = (sum(serviceTime)-departureTime(end)+tmax)/(s*tmax);

308 Vgl. https://de.mathworks.com/matlabcentral/fileexchange/2494-simulation-of-queuing- processes/content/service/simmg1.m

177 Annex G – Statistische Auswertungen in dieser Arbeit

Annex G – Statistische Auswertungen in dieser Arbeit

Konfidenzintervall für Erwartungswert Die Bestimmung eines Konfidenzintervalls (Konfidenzwahrscheinlichkeit (1 − 훼)) für den unbekannten Parameter 휇 einer normalverteilten Grundgesamtheit 풩(휇, 𝜎2) mit unbekannter Varianz erfolgt auf Basis des arithmetischen Mittelwerts 푋̅ der realisierten Stichprobe. Dieser lässt sich ̅̅̅̅2 – mit 푆̂ = √∑𝑖(푋𝑖 − 푋) /(푛 − 1) als Schätzer für die unbekannte Standardabweichung 𝜎 – standardisieren und es gilt [86, S. 389 ff.]: 푋̅ − 휇 √푛 ~ 푡(푛 − 1). 푆̂ Die standardisierte Pivot-Variable ist also 푡-verteilt mit (푛 − 1) Freiheitsgraden und das Konfidenzintervall ergibt sich zu 푆̂ 푆̂ ̅ 훼( ) ̅ 훼( ) [푋 − 푡1− 푛 − 1 ; 푋 + 푡1− 푛 − 1 ]. 2 √푛 2 √푛 훼 푡 (푛 − 1) bezeichnet hierbei das (1 − )-Quantil der 푡-Verteilung mit (푛 − 1) Freiheitsgraden. 1−훼/2 2 Aufgrund des zentralen Grenzwertsatzes (vgl. z.B. [86, S. 317]) gilt dies entsprechend approximativ auch für Stichproben mit unbekannter Verteilung, aber großer Stichprobenzahl. Da weiterhin die Dichtekurve der 푡-Verteilung mit zunehmender Anzahl an Freiheitsgraden 푛 gegen die Dichtekurve der Normalverteilung konvergiert, kann das Konfidenzintervall durch die entsprechenden Quantile der Normalverteilung approximiert werden. Die Approximation ist bereits für 푛 > 30 sehr gut [86, S. 304]. Aufgrund der hohen Fallzahlen der Datensätze wird diese Approximation in dieser Arbeit verwendet, sodass sich 95%-Konfidenzintervalle für den Erwartungswert 휇 approximativ ergeben zu: 푆̂ 푆̂ [푋̅ − 1,96 ; 푋̅ + 1,96 ]. √푛 √푛 Die Bestimmung der Konfidenzintervalle beruht auf der Annahme, dass die realisierte Stichprobe eine zufällige Stichprobe ist und daher der Verteilung der Grundgesamtheit folgt. Systematische Abweichungen der Stichprobe von der Grundgesamtheit – beispielsweise ein möglicher „selection bias“ bei der Auswahl der zu vermessenden Fahrzeuge (vgl. Kapitel 4) – wird hierdurch nicht adressiert.

Konfidenzintervall für die empirische Verteilungsfunktion Konfidenzintervalle für die empirische Verteilungsfunktion werden in dieser Arbeit mit Hilfe der „Greenwood-Formel“ auf Basis des Kaplan-Meier-Schätzers 퐹̂(푥) über die Schätzung der Varianz des Schätzers 푉푎푟̂ {퐹̂(푥)} bestimmt [124]. Diese ergibt sich mit der Anzahl an Beobachtungen 푑𝑖, die kleiner sind als der jeweilige Schwellenwert 푥 und allen Beobachtungen 푛 zu:

푑𝑖 푉푎푟̂ {퐹̂(푥)} = 퐹̂(푥)2 ∑ . 푛(푛 − 푑𝑖) 𝑖:푥푖≤푥

Das 95%-Konfidenzintervall ergibt sich mit 푆̂ = √푉푎푟̂ {퐹̂(푥)} aus oben genannter Formel.

178 Annex G – Statistische Auswertungen in dieser Arbeit

Konfidenzintervall für Anteilswert

Für großen Stichprobenumfang 푛 ist der Anteilswert 푋̅ = ∑𝑖 푋𝑖/푛 dichotomer Merkmale approximativ normalverteilt und es ergibt sich das approximative 95%-Konfidenzintervall für den Anteilswert 푝̂ [84, S. 392 f.]: [푝̂ − 1,96√푝̂(1 − 푝̂)/푛; 푝̂ + 1,96√푝̂(1 − 푝̂)/푛].

Welch-Test Der Welch-Test (t-Test mit ungleicher Stichprobengröße und unbekannten Varianzen) vergleicht Erwartungswerte zweier Stichproben 푋 und 푌 mit unbekannter, aber identischer Verteilung. Variablenbezeichnungen und Testvoraussetzungen bezüglich der Stichprobe sind entsprechend obiger Ausführungen zum Konfidenzintervall des Erwartungswerts. Es ergibt sich als Teststatistik [86, S. 458]: 푋̅ − 푌̅ 푇 = . 푆 2 푆 2 √ 푋 + 푌 푛푋 푛푌

Diese folgt näherungsweise einer t-Verteilung (mit modifizierter Anzahl an Freiheitsgraden), die für große Stichprobenumfänge (푛푋, 푛푌 ≥ 30) wiederum durch die Normalverteilung approximiert werden kann, sodass sich als Ablehnungsbereich für einen zweiseitigen Test ergibt (95% Konfidenzniveau): |푇| > 1,96.

Wilcoxon-Rangsummen-Test Beim Wilcoxon-Rangsummen-Test handelt es sich um einen nichtparametrischen Test, der keine Annahmen über die Verteilung der zu testenden Stichproben trifft. Die Voraussetzung dieses Tests ist aber, dass die zwei untersuchten Stichproben 푋 und 푌 Verteilungen derselben Form besitzen, jedoch möglicherweise um einen Betrag verschoben sind. Unter dieser Voraussetzung ist die Gleichheit der Mediane äquivalent zur Gleichheit der Verteilungsfunktionen [86, S. 459 f.].

Die Teststatistik berechnet sich auf Basis der Ränge der einzelnen Stichprobenbeobachtungen 푋𝑖 der geordneten und gepoolten Gesamtstichprobe aus beiden Stichproben zu 푛+푚 푇푊 = ∑ 𝑖 푉𝑖 𝑖

푚𝑖푡 푉𝑖 = 1 (퐵푒표푏푎푐ℎ푡푢푛푔 𝑖 𝑖푠푡 푇푒𝑖푙 푑푒푟 푆푡𝑖푐ℎ푝푟표푏푒 푥𝑖) 0 푠표푛푠푡. Der Ablehnungsbereich ergibt sich für einen beidseitigen Test mit dem 훼-Quantil der tabellierten Verteilung 푤훼 zu:

푇푊 > 푤1−훼/2(푛, 푚) 표푑푒푟 푇푊 < 푤훼/2(푛, 푚). 푛(푛+푚+1) 푛푚(푛+푚+1) Für große Stichproben (푚 표푑푒푟 푛 > 25) gilt approximativ 푊 ~ 푁 ( , ). 푚,푛 2 12

179 Annex G – Statistische Auswertungen in dieser Arbeit

Test der Normalverteilungsannahmen der logarithmierten Tagesfahrleistungen sowie der Verteilung der Lademengen an öffentlichen Ladestationen Die Normalverteilungsannahmen wurden auf Basis folgender zwei Tests überprüft.

Chi-Quadrat-Anpassungstests Der Chi-Quadrat-Anpassungstest bietet den Vorteil, dass er auf Merkmale mit nominalem Skalenniveau anwendbar ist. Er eignet sich daher auch zum Testen von Daten, die nur in gruppierter Form vorliegen, wie beispielsweise die Verteilung der Lademengen an öffentlichen Ladestationen (vgl. Abbildung 3). Dieser Test bewertet die Differenzen der beobachteten Gruppenhäufigkeiten mit den Häufigkeiten, die unter der Nullhypothese gleicher Verteilungen zu erwarten wären. Mit den Häufigkeiten ℎ𝑖 je Klasse (Anzahl Klassen: 푘) sowie des Stichprobenumfangs 푛 und der erwarteten relativen Häufigkeit je Klasse 푝𝑖 ergibt sich folgende Teststatistik [86, S. 449 ff.]: 푘 2 (ℎ𝑖 − 푛푝𝑖) χ2 = ∑ . 𝑖=1 푛푝𝑖 Diese ist χ2 – verteilt mit (k − 1) Freiheitsgraden. Müssen Parameter der Grundgesamtheit geschätzt werden, verringert sich die Anzahl der Freiheitsgrade um die Anzahl geschätzter Parameter. In dieser Arbeit wurden sowohl der Erwartungswert als auch die Standardabweichung geschätzt, sodass sich (k − 3) Freiheitsgerade ergeben. Der Ablehnungsbereich ist dann: 2 2 χ > χ1−α(k − 3).

Kolmogorow-Smirnow-Anpassungstests Der Kolmogorow-Smirnow-Test vergleicht die empirische Verteilungsfunktion der (geordneten) Stichprobe mit der Verteilungsfunktion der unterstellten Verteilung. Die Teststatistik ergibt sich als Differenz der empirischen Verteilungsfunktion S(xi) und dem Wert der Verteilungsfunktion 퐹0(푥𝑖) an der Stelle 푥𝑖. Die Teststatistik 푑 ist für stetiges F0 [198, S. 337 ff.]:

푑표 = max |S(xi) − F0(xi)|; 푑푢 = max |S(xi−1) − F0(xi)|. i=1…n i=1…n

푑 = max (do, du). i=1…n Der Ablehnungsbereich ergibt sich zu

푑 > 푑훼 mit √0,5 ∗ ln (2/훼) 푑훼 = √푛 näherungsweise für 푛 > 35. Für einen Zweistichprobentest – zur Überprüfung der Gleichverteilungshypothese der beiden Stichproben – ist das Vorgehen analog (mit 푑 = 푑0 und 퐹0 als empirische Verteilungsfunktion der zweiten Stichprobe), die Ablehnung der Nullhypothese ergibt sich jedoch für 푛푚 √ 푑 > 퐾 ≈ √0,5 ∗ ln (2/훼) 푛 + 푚 훼 mit den beiden Stichprobengrößen 푛 und 푚.

180 Annex G – Statistische Auswertungen in dieser Arbeit

Ergebnisse der durchgeführten Tests In Kapitel 5.2.5 wurde dargelegt, dass Tests durchgeführt wurden, um die Log-Normal- verteilungsannahme der Tagesfahrleistungen der Fahrdaten zu testen. Die Normal- verteilungsannahme der logarithmierten Tagesfahrleistungen wurde durch die Tests verworfen, wie in den folgenden beiden Tabellen dargestellt. Ebenfalls wurde auch die Annahme normalverteilter Lademengen an öffentlichen Ladestationen (vgl. Kapitel 5.3.2) durch die Tests abgelehnt, wie ebenfalls in der ersten Tabelle dargestellt. Insgesamt führen alle Tests zur Ablehnung der Normalverteilungsannahme (gezeigt sind Teststatistiken für α = 5%; für alle Tests: 푝 < 0.001). Aufgrund von Testunsicherheiten (z.B. die aggregierte Datenbasis) und da diese Tests teilweise sehr sensitiv auf Abweichungen reagieren (z.B. diskrete Berichterstattung von Tagesstrecken), wird die Normalverteilungsannahme für die jeweiligen Modellteile als angemessen betrachtet. Für eine Diskussion vgl. die jeweiligen Kapitel.

Tabelle G 1. Ergebnisse der durchgeführten Chi-Quadrat-Anpassungstests. Normalverteilungshypothese. Für die Bedeutung der Parameter vgl. vorherige Ausführungen. α = 5%.

ퟐ ퟐ Untersuchte Stichprobe Anzahl 횾 횾ퟏ−훂(퐤 − ퟑ) Testergebnis Klassen 퐤 Positive Tagesfahrleistungen REM 2030 30 436,3 40,1 Ablehnung Positive Tagesfahrleistungen KiD 2010 30 1138 40,1 Ablehnung Verteilung Lademengen (> 10% SOC) an 7 2749 12,6 Ablehnung öffentlichen Ladestationen

Tabelle G 2. Ergebnisse der durchgeführten Kolmogorow-Smirnow-Anpassungstests. Normalverteilungshypothese. Für die Bedeutung der Parameter vgl. vorherige Ausführungen. α = 5%.

Untersuchte Stichprobe 퐝 퐝훂 Testergebnis Positive Tagesfahrleistungen REM 2030 0,04 0,01 Ablehnung Positive Tagesfahrleistungen KiD 2010 0,02 0,01 Ablehnung Ein Ergebnis der Arbeit ist, dass der Aufbau öffentlicher Zwischenladeinfrastruktur (ZL) und die Verdreifachung der Batteriekapazitäten (PK3) einen vergleichbaren Effekt auf das technische Potential von Elektrofahrzeugen haben, da sich die Verteilung der Tagesreichweiten für beide Optionen nicht voneinander unterscheiden (vgl. Kapitel 6.1.2), wie auch ein Kolmogorov-Smirnow-Test zeigt (vgl. Tabelle G 3).

Tabelle G 3. Ergebnisse der durchgeführten Kolmogorow-Smirnow-Tests. Zweistichprobentest. Für die Bedeutung der Parameter vgl. vorherige Ausführungen. α = 5%.

Untersuchte Stichprobe 퐧퐦 퐊 Testergebnis √ 퐝 훂 퐧 + 퐦 Verteilungsfunktion der Tagesreichweiten privater 0,17 1,36 Hypothese gleicher Fahrzeuge: PK1 mit ZL und PK3 ohne ZL Verteilungen kann nicht abgelehnt werden

181 Literaturverzeichnis

Literaturverzeichnis 1. Agricola, A.-C., Höflich, B., Richard, P., Völker, J., Rehtanz, C., Greve, M., et al.: Ausbau- und Innovationsbedarf der Stromverteilnetze in Deutschland, Deutsche Energie-Agentur GmbH (2012) 2. Akkermans, L., Vanherle, K., Moizo, A., Raganato, P., Schade, B., Leduc, G., Wiesenthal, T., Shepherd, S., Tight, M., Guehnemann, A., et al.: Ranking of measures to reduce GHG emissions of transport: reduction potentials and qualification of feasibility. Deliverable D2.1 of GHG- TransPoRD: Project co-funded by European Commission 7th RTD Programme., Transport & Mobility (2010) 3. Al-Alawi, B.M., Bradley, T.H.: Review of hybrid, plug-in hybrid, and electric vehicle market modeling Studies. Renewable and Sustainable Energy Reviews 21, 190–203 (2013). doi: 10.1016/j.rser.2012.12.048 4. Anderman, M.: Assessing the future of hybrid and electric vehicles: The 2014 xEV industry insider report (2013) 5. Andre, F., Winkler, D.: Modellierung einer Li-Ionen Batterie für Hybridfahrzeug-Simulationen. Projektarbeit, Technische Universität Berlin (2008) 6. Andrews, M., Dogru, M.K., Hobby, J.D., Jin, Y., Tucci, G.H.: Modeling and optimization for electric vehicle charging infrastructure. In: 2013 IEEE PES Innovative Smart Grid Technologies (ISGT) Conference, Washington, DC, USA, 24.-27.02.2013 (2013) 7. Anegawa, T.: Characteristics of CHAdeMO quick charging system. World Electric Vehicle Journal 4, 818–822 (2011) 8. Anson, M.J.P., Fabozzi, F.J., Jones, F.J.: The handbook of traditional and alternative investment vehicles: investment characteristics and strategies. The Frank J. Fabozzi series, vol. 194. John Wiley & Sons, Hoboken, N.J. USA (2011) 9. ASA: ASA Ruling on Tesla Motors Ltd. https://www.asa.org.uk/Rulings/Adjudications/2016/7/Tesla-Motors- Ltd/SHP_ADJ_316424.aspx#.V6Ba_npp2M8 (2016). Accessed 2 August 2016 10. Audi AG: Technische Daten. A6 Avant 2.0 TFSI quattro S tronic. https://www.audi.de/de/brand/de/neuwagen/a6/a6- avant.html#layer=/de/brand/de/neuwagen/a6/a6- avant.engine_compare.4GD0DC0,4GD08Y0.techdata.html (2017). Accessed 5 January 2017 11. Aultman-Hall, L., Sears, J., Dowds, J., Hines, P.: Travel Demand and Charging Capacity for Electric Vehicles in Rural States. Transportation Research Record: Journal of the Transportation Research Board 2287, 27–36 (2012). doi: 10.3141/2287-04 12. Automotive Energy Supply Corporation (AESC): Cell, Module, and Pack for EV Applications. http://www.eco-aesc-lb.com/en/product/liion_ev/ (2013). Accessed 4 October 2016 13. Axsen, J., Kurani, K.S., McCarthy, R., Yang, C.: Plug-in hybrid vehicle GHG impacts in California. Integrating consumer-informed recharge profiles with an electricity-dispatch model. Energy policy 39(3), 1617–1629 (2011). doi: 10.1016/j.enpol.2010.12.038 14. Bae, S., Kwasinski, A.: Spatial and temporal model of electric vehicle charging demand. IEEE Transactions on Smart Grid 3(1), 394–403 (2012) 15. Bandini, S., Manzoni, S., Vizzari, G.: Agent based modeling and simulation: an informatics perspective. Journal of Artificial Societies and Social Simulation 12(4), 4 (2009)

182 Literaturverzeichnis

16. Bandivadekar, A., Bodek, K., Cheah, L., Evans, C., Groode, T., Heywood, J., Kasseris, E., Kromer, M., Weiss, M.: On the Road in 2035. Reducing transportations petroleum consumption and GHG emissions, Massachusetts Institute of Technology (2008) 17. Barré, A., Deguilhem, B., Grolleau, S., Gérard, M., Suard, F., Riu, D.: A review on lithium-ion battery ageing mechanisms and estimations for automotive applications. Journal of power sources 241, 680–689 (2013). doi: 10.1016/j.jpowsour.2013.05.040 18. Bartos, R.: Material ökologisch betrachtet. In: Müller, K. (ed.) Mobility 2.0. Das Kompendium. Die wichtigsten Technologie-Trends der wichtigsten Anbieter, 2. Jahrgang. publish industry Verlag, München (2014) 19. BASt: Manuelle Straßenverkehrszählung 2010. Ergebnisse auf Bundesautobahnen, Bundesanstalt für Straßenwesen. http://www.bast.de/DE/Statistik/Verkehrsdaten/2010/zaehlung-2010- BAB.pdf?__blob=publicationFile&v=1 (2011). Accessed 19 August 2016 20. BBSR: Anteil der Bevölkerung nach Erreichbarkeit des nächsten Autobahnanschlußes 1992 und 2012. http://www.bbsr.bund.de/BBSR/DE/Raumentwicklung/Verkehrspolitik/Projekte/Archiv/Erreichb arkeiten/Erreichbarkeit_grafik.pdf?__blob=publicationFile&v=2 (2012). Accessed 4 August 2016 21. BBSR: Raumgliederungen auf Gemeindebasis - Gemeinden und Gemeindeverbände. http://www.bbsr.bund.de/BBSR/DE/Raumbeobachtung/Downloads/downloads_node.html (2013). Accessed 1 August 2016 22. BDEW: BDEW-Strompreisanalyse Mai 2016. Haushalte und Industrie, BDEW Bundesverband der Energie- und Wasserwirtschaft e.V. (2016) 23. Becker, T.A., Sidhu, I., Tenderich, B.: Electric vehicles in the United States: a new model with forecasts to 2030. Center for Entrepreneurship and Technology, University of California, Berkeley (2009) 24. Behrends, S., Kott, K.: Zuhause in Deutschland‐Ausstattung und Wohnsituation privater Haushalte‐Ausgabe 2009. Statistisches Bundesamt, Wiesbaden (2009) 25. Bertram, M., Bongard, S.: Elektromobilität im motorisierten Individualverkehr. Grundlagen, Einflussfaktoren und Wirtschaftlichkeitsvergleich. Springer Fachmedien, Wiesbaden (2014) 26. bft: Zusammensetzung des Benzin-/Dieselpreises. http://www.bft.de/daten-und- fakten/benzinpreis-zusammensetzung/ (2014). Accessed 20 September 2016 27. Bhat, U.N.: An introduction to queueing theory. Modeling and analysis in applications. Statistics for industry and technology. Birkhäuser, Boston, MA, USA (2015) 28. BMVI: Öffentliche Ladeinfrastruktur für Städte, Kommunen und Versorger. Kompendium für den interoperablen und bedarfsgerechten Aufbau von Infrastruktur für Elektrofahrzeuge., Bundesministerium für Verkehr und digitale Infrastruktur und Nationale Organisation Wasserstoff- und Brennstoffzellentechnologie (NOW) (2014) 29. BMVI: Bekanntmachung Förderrichtlinie Ladeinfrastruktur für Elektrofahrzeuge in Deutschland. https://www.bav.bund.de/SharedDocs/Downloads/DE/Foerderung_Ladeinfrastruktur/Foerderri chtlinie.pdf?__blob=publicationFile&v=5 (2017). Accessed 9 December 2016 30. BMW AG: Der BMW i3. Preisliste. www.bmw.de/dam/brandBM/marketDE/countryDE/newvehicles/allfacts/pricelist/BMW_i3_Prei sliste.pdf.download.1473760556514.pdf (2016). Accessed 20 September 2016 31. BMW AG: Technische Daten. BMW 550i Limousine. http://www.bmw.de/de/neufahrzeuge/5er/limousine/2013/technische-daten.html (2017). Accessed 5 January 2017

183 Literaturverzeichnis

32. BMWI: Der Strompreis. Woraus besteht der Strompreis? http://www.bmwi.de/DE/Themen/Energie/Energiemarkt-und- Verbraucherinformationen/preise.html (2016). Accessed 20 September 2016 33. Boeriu, H.: BMW i3 – Official Specs. http://www.bmwblog.com/2013/07/10/bmw-i3-official- specs/ (2013). Accessed 16 September 2016 34. Böhringer, C., Rutherford, T.F.: Combining bottom-up and top-down. Energy economics 30(2), 574–596 (2008). doi: 10.1016/j.eneco.2007.03.004 35. Bonabeau, E.: Agent-based modeling: methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences of the United States of America 99 Suppl 3, 7280–7287 (2002). doi: 10.1073/pnas.082080899 36. Botev, Z.I.: The normal law under linear restrictions. Simulation and estimation via minimax tilting. J. R. Stat. Soc. B(Volume 79, Issue 1), 125–148 (2017). doi: 10.1111/rssb.12162 37. Bozem, K., Nagl, A., Rath, V., Haubrock, A.: Elektromobilität: Kundensicht, Strategien, Geschäftsmodelle. Ergebnisse der repräsentativen Marktstudie FUTURE MOBILITY. Springer Fachmedien Wiesbaden, Wiesbaden (2013) 38. Brabetz, L., Ayeb, M., Tellmann, D., Wang, J.: Automotive Battery Requirements in Vehicles with electrical drives. In: AABC Europa 2010 (ed.) 10. Advanced Automotive Battery Conference Europa 2010, Mainz, 2.-3.2.2010 (2010) 39. Brabetz, L., Kerner, T., Ayeb, M.: A Statistical Analysis of Electrical Power Requirements in Vehicles. SAE Int. J. Passeng. Cars – Electron. Electr. Syst. 8(2) (2015). doi: 10.4271/2015-01-0243 40. Bradley, T.H., Quinn, C.W.: Analysis of plug-in hybrid electric vehicle utility factors. Journal of power sources 195(16), 5399–5408 (2010). doi: 10.1016/j.jpowsour.2010.02.082 41. Brauner, G., Geringer, B., Schrödl, M.: Forschungsbedarf für das Elektrofahrzeug der Zukunft. Elektrotech. Inftech. 129(3), 110–117 (2012). doi: 10.1007/s00502-012-0088-y 42. Brooker, A., Gonder, J., Wang, L., Wood, E., Lopp, S., Ramroth, L.: FASTSim: A Model to Estimate Vehicle Efficiency, Cost and Performance. In: SAE 2015 World Congress & Exhibition, Warrendale, PA, United States, 21.04.2015 (2015). doi: 10.4271/2015-01-0973 43. Broussely, M., Biensan, P., Bonhomme, F., Blanchard, P., Herreyre, S., Nechev, K., Staniewicz, R.J.: Main aging mechanisms in Li ion batteries. Journal of power sources 146(1-2), 90–96 (2005). doi: 10.1016/j.jpowsour.2005.03.172 44. Bruce, P.G., Freunberger, S.A., Hardwick, L.J., Tarascon, J.-M.: Li-O2 and Li-S batteries with high energy storage. Nature materials 11(1), 19–29 (2012). doi: 10.1038/nmat3191 45. Büchner, S.: Energiemanagement Strategien für elektrische Energiebordnetze in Kraftfahrzeugen. Dissertation, Technische Universität Dresden (2008) 46. Bundesnetzagentur, Bundeskartellamt: Monitoringbericht 2015, Bundesnetzagentur für Elektrizität, Gas, Bundeskartellamt (2015) 47. Bundesrat: Beschluss des Bundesrates. Mitteilung der Kommission an das Europäische Parlament, den Rat, den Europäischen Wirtschafts-und Sozialausschuss und den Ausschuss der Regionen: Eine europäische Strategie für emissionsarme Mobilität (2016) 48. Bundesregierung: Verordnung über die Entgelte für den Zugang zu Elektrizitätsversorgungsnetzen (Stromnetzentgeltverordnung - StromNEV). StromNEV (2005) 49. Bundesregierung: Nationaler Entwicklungsplan Elektromobilität der Bundesregierung. https://www.bmbf.de/files/nationaler_entwicklungsplan_elektromobilitaet.pdf (2009). Accessed 5 October 2016

184 Literaturverzeichnis

50. Burnecki, K., Misiorek, A., Weron, R.: Loss Distributions. In: Čižek, P., Härdle, W., Weron, R. (eds.) Statistical tools for finance and insurance, pp. 289–317. Springer, Berlin, New York (2005) 51. CARB: Final Statement of Reasons for Rulemaking, Including Summary of Comments and Agency Responses. 2012 Amendments to the Zero Emission Vehicle Regulations, State of California, Air Resources Board (2012) 52. CHAdeMO: CHAdeMO announces High Power (150kW) Version of the Protocol. http://www.chademo.com/wp/wp-content/uploads/2016/06/2016-06- 01_High_power_CHAdeMO.pdf (2016). Accessed 3 July 2016 53. Chan, C.C.: The State of the Art of Electric, Hybrid, and Fuel Cell Vehicles. Proc. IEEE 95(4), 704– 718 (2007). doi: 10.1109/JPROC.2007.892489 54. chargemap: Statistics regarding charging points in Germany. https://chargemap.com/stats/germany (2016). Accessed 19 September 2016 55. chargepoint: ChargePoint Assure. http://www.chargepoint.com/service/ (2016). Accessed 19 September 2016 56. chargepoint: The World’s Largest and Most Open Electric Vehicle Charging Network. https://na.chargepoint.com/charge_point (2016). Accessed 19 September 2016 57. CharIN e. V.: What is the Combined Charging System (CCS)? http://www.charinev.org/ccs-at-a- glance/what-is-the-ccs/ (2016). Accessed 17 July 2016 58. Chen, L., Shaw, L.L.: Recent advances in lithium–sulfur batteries. Journal of power sources 267, 770–783 (2014). doi: 10.1016/j.jpowsour.2014.05.111 59. Chinthavali, M., Ayers, C., Campbell, S., Wiles, R., Ozpineci, B. (eds.): A 10-kW SiC inverter with a novel printed metal power module with integrated cooling using additive manufacturing. Wide Bandgap Power Devices and Applications (WiPDA), 2014 IEEE Workshop, Knoxville, Tennessee, USA, 13.-15.10.2014 (2014) 60. Da Costa, A., Kim, N., Le Berr, F., Marc, N., Badin, F., Rousseau, A.: Fuel Consumption Potential of Different Plug-in Hybrid Vehicle Architectures in the European and American Contexts. In: EVS26 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Los Angeles, USA, 06.- 09.05.2012 (2012) 61. Daimler AG: Technische Daten der neuen E-Klasse Limousine. http://www.mercedes- benz.de/content/germany/mpc/mpc_germany_website/de/home_mpc/passengercars/home/n ew_cars/models/e-class/w213/facts/technicaldata/models.html (2017). Accessed 5 January 2017 62. Dallinger, D.: Plug-in electric vehicles integrating fluctuating renewable electricity. Dissertation, Universität Kassel (2013) 63. Davies, J., Kurani, K.S.: Moving from assumption to observation. Implications for energy and emissions impacts of plug-in hybrid electric vehicles. Energy policy 62, 550–560 (2013). doi: 10.1016/j.enpol.2013.06.126 64. dena: Verkehr. Energie. Klima. Alles Wichtige auf einen Blick., Deutsche Energie-Agentur GmbH (dena) (2012) 65. Deppe, P.: Sprinter E-CELL-Prototyp : Abgasfrei und leise mit hoher Nutzlast. http://blog.mercedes-benz-passion.com/2012/09/sprinter-e-cell-prototyp-abgasfrei-und-leise- mit-hoher-nutzlast/ (2012). Accessed 16 June 2016

185 Literaturverzeichnis

66. Deptula, L., Noah, A.: Estimating the Cost Impact of Lightweighting Automotive Closures. In: SAE 2015 World Congress & Exhibition, Warrendale, PA, United States, 21.04.2015 (2015). doi: 10.4271/2015-01-0581 67. Deutsches Institut für Normung e.V.: DIN EN 62196 - Stecker, Steckdosen, Fahrzeugkupplungen und Fahrzeugstecker - Konduktives Laden von Elektrofahrzeugen - Teil 1 (DIN EN 62196-1:2015- 06; VDE 0623-5-1:2015-06): Allgemeine Anforderungen; Teil 2 (DIN EN 62196-2:2015-03; VDE 0623-5-2:2015-03 - Entwurf): Anforderungen und Hauptmaße für die Kompatibilität und Austauschbarkeit von Stift- und Buchsensteckvorrichtungen für Wechselstrom (IEC 23H/310/CD:2014). Beuth Verlag, Berlin DIN EN 62196 (2015) 68. Dong, J., Lin, Z.: Within-day recharge of plug-in hybrid electric vehicles. Energy impact of public charging infrastructure. Transportation Research Part D: Transport and Environment 17(5), 405– 412 (2012). doi: 10.1016/j.trd.2012.04.003 69. Dong, J., Lin, Z.: Stochastic Modeling of Battery Electric Vehicle Driver Behavior: Impact of Charging Infrastructure Deployment on the Feasibility of Battery Electric Vehicles. Transportation Research Record: Journal of the Transportation Research Board(2454), 61–67 (2014) 70. Dong, J., Liu, C., Lin, Z.: Charging infrastructure planning for promoting battery electric vehicles. An activity-based approach using multiday travel data. Transportation Research Part C: Emerging Technologies 38, 44–55 (2014). doi: 10.1016/j.trc.2013.11.001 71. Dorrell, D., Parsa, L., Boldea, I.: Automotive electric motors, generators, and actuator drive systems with reduced or no permanent magnets and innovative design concepts. Industrial Electronics, IEEE Transactions on 61(10), 5693–5695 (2014) 72. Duke, M., Andrews, D., Anderson, T.: The feasibility of long range battery electric cars in New Zealand. Energy policy 37(9), 3455–3462 (2009). doi: 10.1016/j.enpol.2008.10.047 73. Duran, A., Earleywine, M.: GPS Data Filtration Method for Drive Cycle Analysis Applications. In: SAE 2012 World Congress & Exhibition, Warrendale, PA, United States, 24.04. 2012 (2012). doi: 10.4271/2012-01-0743 74. Dütschke, E., Schneider, U., Sauer, A., Wietschel, M., Hoffmann, J., Domke, S.: Roadmap zur Kundenakzeptanz: Zentrale Ergebnisse der sozialwissenschaftlichen Begleitforschung in den Modellregionen, Fraunhofer-Institut für System- und Innovationsforschung ISI (2012) 75. eafo: BEV. http://www.eafo.eu/fuel/bev?field_car_category_tid_selective=2272&field_car_fuel_tid=2261& field_car_world_e_range_value_selective=All (2016). Accessed 27 August 2016 76. eafo: Electric vehicle charging infrastructure. http://www.eafo.eu/electric-vehicle-charging- infrastructure (2016). Accessed 3 July 2016 77. Eckstein, L., Hartmann, B., Schmitt, F.: Kosteneinsparpotenzial durch Leichtbau bei Elektrofahrzeugen. Lightweight Des 3(5), 36–43 (2010). doi: 10.1007/BF03223623 78. Eckstein, L., Schmitt, F., Hartmann, B.: Leichtbau bei Elektrofahrzeugen. ATZ Automobiltech Z 112(11), 788–795 (2010). doi: 10.1007/BF03222207 79. Egbue, O., Long, S.: Barriers to widespread adoption of electric vehicles: An analysis of consumer attitudes and perceptions. Energy policy 48, 717–729 (2012). doi: 10.1016/j.enpol.2012.06.009 80. Elgowainy, A., Burnham, A., Wang, M., Molburg, J., Rousseau, A.: Well-To-Wheels Energy Use and Greenhouse Gas Emissions of Plug-in Hybrid Electric Vehicles. SAE Int. J. Fuels Lubr. 2(1), 627–644 (2009). doi: 10.4271/2009-01-1309

186 Literaturverzeichnis

81. Ellenrieder, G., Friedrich, H.E., Kienzle, S.: Leichtbaukonzepte für heute und morgen. In: Friedrich, H.E. (ed.) Leichtbau in der Fahrzeugtechnik. ATZ/MTZ-Fachbuch, pp. 767–818. Springer Vieweg, Wiesbaden (2013) 82. Ernst, C.-S., Hackbarth, A., Madlener, R., Lunz, B., Uwe Sauer, D., Eckstein, L.: Battery sizing for serial plug-in hybrid electric vehicles. A model-based economic analysis for Germany. Energy policy 39(10), 5871–5882 (2011). doi: 10.1016/j.enpol.2011.06.038 83. Europäische Kommission: SET-Plan ACTION n°7 ‐ Draft Declaration of Intent: "Become competitive in the global battery sector to drive e-mobility forward", Europäische Kommission (2016) 84. Europäisches Parlament, Rat der Europäischen Union: Verordnung (EG) Nr. 443/2009 des Europäischen Parlaments und des Rates vom 23. April 2009 zur Festsetzung von Emissionsnormen für neue Personenkraftwagen im Rahmen des Gesamtkonzepts der Gemeinschaft zur Verringerung der CO 2-Emissionen von Personenkraftwagen und leichten Nutzfahrzeugen. EG Nr. 443/2009, vol. 5 (2009) 85. eurostat: Preise Elektrizität für Industrieabnehmer, ab 2007 - halbjährliche Daten, Statistisches Amt der Europäischen Union, Eurostat. http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=nrg_pc_205&lang=de (2016). Accessed 10 October 2016 86. Fahrmeir, L., Künstler, R., Pigeot, I., Tutz, G.: Statistik. Der Weg zur Datenanalyse, 7th edn. Springer-Verlag Berlin Heidelberg, Berlin (2012) 87. Faltenbacher, M., Vetter, O., Rock, A., Grafetstätter, J.: Hybrid- und Elektrobus-Projekte in Deutschland. Statusbericht 2015 / 16, NOW GmbH – Nationale Organisation Wasserstoff und Brennstoffzellentechnologie (2016) 88. Fastned: Annual report 2015, FASTNED BV (2016) 89. Fischhaber, S., Regett, A., Schuster, S.F., Hesse, H.: Studie: Second-Life-Konzepte für Lithium- Ionen-Batterien aus Elektrofahrzeugen. Analyse von Nachnutzungsanwendungen, ökonomischen und ökologischen Potenzialen. Ergebnispapier der Begleit- und Wirkungsforschung (2012) 90. Fleiter, T., Worrell, E., Eichhammer, W.: Barriers to energy efficiency in industrial bottom-up energy demand models—A review. Renewable and Sustainable Energy Reviews 15(6), 3099– 3111 (2011). doi: 10.1016/j.rser.2011.03.025 91. Franke, T., Krems, J.F.: Interacting with limited mobility resources. Psychological range levels in electric vehicle use. Transportation Research Part A: Policy and Practice 48, 109–122 (2013). doi: 10.1016/j.tra.2012.10.010 92. Franke, T., Krems, J.F.: Understanding charging behaviour of electric vehicle users. Transportation Research Part F: Traffic Psychology and Behaviour 21, 75–89 (2013). doi: 10.1016/j.trf.2013.09.002 93. Franke, T., Krems, J.F.: What drives range preferences in electric vehicle users? Transport Policy 30, 56–62 (2013). doi: 10.1016/j.tranpol.2013.07.005 94. Fraunhofer ISI: REM 2030 Fahrprofile-Datenbank, Fraunhofer-Institut für System- und Innovationsforschung ISI (2015) 95. Fraunholz, D.: Identifikation von Kostenfunktionen für Kapazitätserweiterungsmaßnahmen im Stromverteilnetz. Bachelorarbeit, Hochschule Heilbronn (2014) 96. Frenzel, I., Jarass, J., Trommer, S., Lenz, B.: Erstnutzer von Elektrofahrzeugen in Deutschland. Nutzerprofile, Anschaffung, Fahrzeugnutzung, Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) (2015)

187 Literaturverzeichnis

97. Friedrich, H.E. (ed.): Leichtbau in der Fahrzeugtechnik. ATZ/MTZ-Fachbuch. Springer Vieweg, Wiesbaden (2013) 98. Funke, S.Á., Plötz, P.: A Comparison of Different Means to Increase Daily Range of Electric Vehicles: The Potential of Battery Sizing, Increased Vehicle Efficiency and Charging Infrastructure. In: Vehicle Power and Propulsion Conference (VPPC), 2014 IEEE. Spreading E- Mobility Everywhere, Coimbra, Portugal, 28.-30.10.2014, pp. 1–6 (2014) 99. Funke, S.Á., Plötz, P.: Comparison of higher vehicle ranges and public fast-charging availability for a widespread electrification of commercial driving in Germany, Eingereicht bei Transportation Research Part C. (2017) 100. Funke, S.Á., Gnann, T., Plötz, P.: Addressing the Different Needs for Charging Infrastructure: An Analysis of Some Criteria for Charging Infrastructure Set-up. In: Leal Filho, W., Kotter, R. (eds.) E- Mobility in Europe. Trends and good practice. Green energy and technology, pp. 73–90. Springer, Cham (2015) 101. Fürstenwerth, D.: Kostenoptimaler Ausbau der Erneuerbaren Energien in Deutschland. Ein Vergleich möglicher Strategien für den Ausbau von Wind- und Solarenergie in Deutschland bis 2033, Agora Energiewende. (2013) 102. Gauger, F.: Potentialanalyse des Einsatzes eines batterieelektrischen Linienbusses am Beispiel des Karlsruher Nahverkehrs. Masterarbeit, Karlsruher Institut für Technologie (KIT) (2013) 103. General Motors: The new Chevrolet Volt. 2017 Volt. http://www.chevrolet.com/volt-electric- car.html (2017). Accessed 7 January 2017 104. German, J.: Vehicle Technology for 2020 and Beyond: Potential and US/EU Evaluation Methods. Vortrag. International Council on Clean Transportation ICCT, 30 November 2012 105. German e-cars: Plantos. Technische Daten. www.german-e- cars.de/app/download/13911100325/PLANTOS_Flyer_A5_2012_deutsch.pdf?t=1466429546 (2015). Accessed 27 November 2016 106. GM: General Motors Company 2015 Global Business Conference, General Motors. http://www.gm.com/content/dam/gm/events/docs/5194074-596155-ChartSet-10-1-2015 (2015). Accessed 29 August 2016 107. Gnann, T.: Market Diffusion of Plug-in Electric Vehicles and their Charging Infrastructure. Dissertation, Karlsruher Institut für Technologie (KIT) (2015) 108. Gnann, T., Plötz, P.: A review of combined models for market diffusion of alternative fuel vehicles and their refueling infrastructure. Renewable and Sustainable Energy Reviews 47, 783– 793 (2015). doi: 10.1016/j.rser.2015.03.022 109. Gnann, T., Plötz, P., Wietschel, M.: Range limits of electric vehicles: Invest in charging infrastructure or buy larger batteries: A techno-economic comparison. In: Enerday 2012 - 11th Conference on Energy Economics and Technology. Infrastructure for the Energy Transformation, Dresden, 27.04.2012 (2012) 110. Gnann, T., Plötz, P., Kley, F.: Vehicle charging infrastructure demand for the introduction of plug- in electric vehicles in Germany and the US. In: EVS26 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Los Angeles, USA, 06.-09.05.2012 (2012) 111. Gnann, T., Plötz, P., Funke, S.Á., Wietschel, M.: What is the market potential of plug-in electric vehicles as commercial passenger cars? A case study from Germany. Transportation Research Part D: Transport and Environment 37, 171–187 (2015)

188 Literaturverzeichnis

112. Gnann, T., Goldbach, D., Jakobsson, N., Plötz, P., Bennehag, A., Sprei, F.: A Model for Public Fast Charging Infrastructure Needs. In: EVS29 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Montreal, Kanada, 19.-22.06.2016 (2016) 113. Gnann, T., Funke, S.Á., Jakobsson, N., Plötz, P., Bennehag, A., Sprei, F.: Fast charging infrastructure for electric vehicles: today’s situation and future needs. Angenommen zur Veröffentlichung. Transportation Research Part D: Transport and Environment (2017) 114. Goede, M., Stehlin, M., Rafflenbeul, L., Kopp, G., Beeh, E.: Super Light Car—lightweight construction thanks to a multi-material design and function integration. Eur. Transp. Res. Rev. 1(1), 5–10 (2009). doi: 10.1007/s12544-008-0001-2 115. goingelectric: Stromtankstellen Statistik für Deutschland. https://www.goingelectric.de/stromtankstellen/statistik/Deutschland (2016). Accessed 3 July 2016 116. Goldbach, D.: Entwicklung eines stochastischen Modells zur Bedarfsprognose von Schnellladepunkten für batterieelektrische Fahrzeuge auf Basis von Fahrprofilen. Bachelorarbeit, Karlsruher Institut für Technologie (KIT) (2016) 117. Gonder, J., Markel, T., Thornton, M., Simpson, A.: Using Global Positioning System Travel Data to Assess Real-World Energy Use of Plug-In Hybrid Electric Vehicles. Transportation Research Record: Journal of the Transportation Research Board 2017, 26–32 (2007). doi: 10.3141/2017-04 118. Google Developers: Google Maps API Web Services. The Google Directions API. https://developers.google.com/maps/documentation/directions/ (2016). Accessed 28 June 2016 119. Gras, M.: Netzanschlusskosten für Schnellladesäulen entlang süddeutscher Autobahnen. Bachelorarbeit, Karlsruher Institut für Technologie (KIT) (2016) 120. Grave, K., Hazrat Mandana, Boeve, S., Blücher, F. von, Bourgault, C., Bader, N., Breitschopf, B., Friedrichsen, N., Arens, M., Aydemir, A., Pudlik, M., Duscha, V., Ordonez, J., Lutz, C., Großmann, A., Flaute, M.: Stromkosten der energieintensiven Industrie. Ein internationaler Vergleich. Im Auftrag des deutschen Bundesministeriums für Wirtschaft und Energie, ECOFYS Germany GmbH; Fraunhofer-Institut für System- und Innovationsforschung ISI; GWS (2015) 121. Greaves, S., Backman, H., Ellison, A.B.: An empirical assessment of the feasibility of battery electric vehicles for day-to-day driving. Transportation Research Part A: Policy and Practice 66, 226–237 (2014). doi: 10.1016/j.tra.2014.05.011 122. Greene, D.L.: Estimating daily vehicle usage distributions and the implications for limited-range vehicles. Transportation Research Part B: Methodological 19(4), 347–358 (1985). doi: 10.1016/0191-2615(85)90041-4 123. Greene, D.L., Khattak, A., Liu, J., Hopson, Janet L.: Wang, Xiu, Goeltz, R.: How do Motorists’ Own Fuel Economy Estimates Compare with Official Government Ratings? A Statistical Analysis, Howard H. Baker, Jr. Center for Public Policy, The University of Tennessee (2015) 124. Greenwood, M.: The natural duration of cancer. Reports of Public Health and Medical Subjects 33: 1926. Her Majesty’s Stationery Office: London 125. Gross, D.: Fundamentals of queueing theory, 4th edn. Wiley series in probability and statistics. John Wiley & Sons, Hoboken, N.J., USA (2008) 126. Grube, T.: Potentiale des Strommanagements zur Reduzierung des spezifischen Energiebedarfs von Pkw. Schriften des Forschungszentrums Jülich : Reihe Energie & Umwelt, Bd. 216. Forschungszentrum Jülich, Jülich (2014)

189 Literaturverzeichnis

127. Gupta, V., Harchol-Balter, M., Dai, J.G., Zwart, B.: On the inapproximability of M/G/K. Why two moments of job size distribution are not enough. Queueing Syst 64(1), 5–48 (2010). doi: 10.1007/s11134-009-9133-x 128. Hannan, M.A., Azidin, F.A., Mohamed, A.: Hybrid electric vehicles and their challenges. A review. Renewable and Sustainable Energy Reviews 29, 135–150 (2014). doi: 10.1016/j.rser.2013.08.097 129. Hare, M., Deadman, P.: Further towards a taxonomy of agent-based simulation models in environmental management. Mathematics and computers in simulation 64(1), 25–40 (2004) 130. Haviv, M.: Queues. A course in queueing theory. International series in operations research & management science, v.191. Springer, New York, NY (2013) 131. He, H., Bandivadekar, A.: Passenger car fuel-efficiency, 2020-2025 Comparing stringency and technology feasibility of the Chinese and US standards. The International Council on Clean Transportation (2013) 132. Heißing, B., Ersoy, M., Gies, S.: Fahrdynamik. In: Heißing, B. (ed.) Fahrwerkhandbuch. Grundlagen, Fahrdynamik, Komponenten, Systeme, Mechatronik, Perspektiven. Praxis ATZ/MTZ- Fachbuch, 3rd edn., pp. 37–154. Vieweg+Teubner Verlag / Springer Fachmedien Wiesbaden GmbH Wiesbaden, Wiesbaden (2011) 133. Helms, H., Jöhrens, J., Hanusch, J., Höpfner, U., Lambrecht, U., Pehnt, M., et al.: UMBReLA Umweltbilanzen Elektromobilität. Wissenschaftlicher Grundlagenbericht, Heidelberg (2011) 134. Hensley, R., Newman, J., Rogers, M.: Battery technology charges ahead. http://www.mckinsey.com/business-functions/sustainability-and-resource-productivity/our- insights/battery-technology-charges-ahead (2012). Accessed 29 August 2016 135. Heuck, K., Dettmann, K.-D., Schulz, D.: Elektrische Energieversorgung: Erzeugung, Ubertragung und Verteilung elektrischer Energie für Studium und Praxis, 8th edn. Vieweg + Teubner, Wiesbaden (2010) 136. Heuss, R., Müller, N., van Sintern, W., Starke, A., Tschiesner, A.: Lightweight, heavy impact-How carbon fiber and other lightweight materials will develop across industries and specifically in automotive. Advanced Industries-Mc Kinsey (2012) 137. Hildebrandt, J.: Bereitstellung von Ladeinfrastruktur für Elektrofahrzeuge unter Berücksichtigung idealtypischer Ladebedarfe. Dissertation, Technische Universität Berlin (2016) 138. Hillebrecht, M., Begert, M., Reul, W., Kiel, B.: Technik für Mischbauweisen ab 2020. ATZ Automobiltech Z 116(5), 48–51 (2014). doi: 10.1007/s35148-014-0405-3 139. Hofer, C.: Rein elektrisches Bremsen von hybrid- und batterieelektrischen Fahrzeugen. Diplomarbeit, Technische Universtität Wien (2014) 140. Howard, B.: BMW i3: Cheap, mass-produced carbon fiber cars finally come of age. http://www.extremetech.com/extreme/162582-bmw-i3-will-bmws-new-ev-finally-be-the- breakthrough-for-carbon-fiber-cars (2013). Accessed 15 June 2016 141. Howell, D.: Battery status and cost reduction prospects. In: EV Everywhere Grand Challenge Battery Workshop, Chicago, Illinois, USA, 26.07.2012 (2012) 142. Hurtig, O.: Techno-ökonomischer Vergleich des Einsatzes von Strom, SNG und FT-Diesel aus Waldrestholz im Pkw-Bereich. KIT Scientific Publishing (2014) 143. IEA: World Energy Outlook 2015, International Energy Agency (2015) 144. IEA: Global EV outlook 2016. Beyond one million electric cars, International Energy Agency (2016)

190 Literaturverzeichnis

145. Infas, DLR: Mobilität in Deutschland 2008. Ergebnisbericht, infas Institut für angewandte Sozialwissenschaft GmbH; Deutsches Zentrum für Luft- und Raumfahrt e. V. (DLR) (2008) 146. INL: ChargePoint America Vehicle Charging Infrastructure Summary Report, Idaho National Laboratory (2013) 147. INL: DC Fast Charge Effects on Battery Life and Performance Study – 50,000 Mile Update, Idaho National Laboratory (2014) 148. INL: Workplace Charging Case Study: Charging Station Utilization at a Work Site with AC Level 1, AC Level 2, and DC Fast Charging Units, Idaho National Laboratory (2014) 149. INL: Analyzing Public Charging Venues: Where are Publicly Accessible Charging Stations Located and How Have They Been Used?, Idaho National Laboratory (2014) 150. INL: What were the Cost Drivers for the Direct Current Fast Charging Installations?, Idaho National Laboratory (2015) 151. INL: Characterize the Demand and Energy Characteristics of Direct Current Fast Chargers, Idaho National Laboratory (2015) 152. INL: Demand and Energy Characteristics of Non-Residential Alternating Current Level 2 Electric Vehicle Supply Equipment, Idaho National Laboratory (2015) 153. INL: What Were the Cost Drivers for Publicly Accessible Charging Installations?, Idaho National Laboratory (2015) 154. INL: Characterize Plug-In Electric Vehicle Drive Away-From-Home Parking Behavior in The EVProject, Idaho National Laboratory (2015) 155. INL: What Use Patterns Were Observed for Plug-In Electric Vehicle Drivers at Publicly Accessible Alternating Current Level 2 Electric Vehicle Supply Equipment Sites?, Idaho National Laboratory (2015) 156. Jabbari, P., MacKenzie, D.: EV Everywhere or EV Anytime? Co-locating multiple DC fast chargers improves both operator cost and access reliability. In: EVS29 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Montreal, Kanada, 19.-22.06.2016 (2016) 157. Jin, L., Searle, S., Lutsey, N.P.: Evaluation of state-level U.S. electric vehicle incentives, International Council on Clean Transportation ICCT (2014) 158. Jochem, P., Brendel, C., Reuter-Oppermann, M., Fichtner, W., Nickel, S.: Optimizing the allocation of fast charging infrastructure along the German autobahn. J Bus Econ 86(5), 513–535 (2016). doi: 10.1007/s11573-015-0781-5 159. Jochem, P., Landes, P., Reuter-Oppermann, M., Fichtner, W.: Workload Patterns of Fast Charging Stations Along the German Autobahn. In: EVS29 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Montreal, Kanada, 19.-22.06.2016 (2016) 160. Jongerden, M.R., Haverkort, B.R.: Which battery model to use? IET Softw. 3(6), 445 (2009). doi: 10.1049/iet-sen.2009.0001 161. Kagerbauer, M.: Mikroskopische Modellierung des Außenverkehrs eines Planungsraums. Schriftenreihe des Instituts für Verkehrswesen, 70/2010. KIT Scientific Publishing (2010) 162. Kahn Ribeiro, S., Kobayashi, S., Beuthe, M., Gasca, J., Greene, D.L., Lee, D.S., Muromachi, Y., Newton, P.J., Plotkin, S., Sperling, D., others: Transport and its infrastructure. In: Metz, B., Davidson, O.R., Bosch, P.R., Dave, R., Meyer, L.A. (eds.) Climate Change 2007: Mitigation. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, pp. 323–385. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA

191 Literaturverzeichnis

163. Kane, M.: Net Book Value Of Tesla Supercharger Network Is $152.4 Million. http://insideevs.com/net-book-value-of-tesla-supercharger-network-is-152-4-million/ (2015). Accessed 15 September 2016 164. Katzfey, J., Nick, W., Moser, A., Schuster, H., Wittenberg, P., Kremp, R., Michels, A.: Abschätzung des EEG-bedingten Ausbaubedarfs in deutschen Verteilungsnetzen bis 2020-BDEW-Studie. EW- Magazin fur die Energiewirtschaft 110(11), 22 (2011) 165. KBA: Neuzulassungen von Personenkraftwagen im Dezember 2012 nach Segmenten und Modellreihen. http://www.kba.de/SharedDocs/Publikationen/DE/Statistik/Fahrzeuge/FZ/2012_monatlich/FZ11 /fz11_2012_12_pdf.pdf?__blob=publicationFile&v=6 (2012) 166. KBA: Privat und gewerblich zugelassene Personenkraftwagen (Pkw) - der kleine Unterschied. http://www.kba.de/DE/Statistik/Fahrzeuge/Neuzulassungen/Halter/2012/2012_n_firmenwagen _tabelle1.html (2012). Accessed 19 August 2016 167. KBA: Fahrzeugzulassungen FZ 23. Bestand an Kraftfahrzeugen und Kraftfahrzeuganhängern nach Haltern, Wirtschaftszweigen; 1. Januar 2013. http://www.kba.de/SharedDocs/Publikationen/DE/Statistik/Fahrzeuge/FZ/2013/fz23_2013_pdf. pdf?__blob=publicationFile&v=6 (2013) 168. KBA: Die Nummer 1 der Segmente im Berichtsmonat Juni 2014. http://www.kba.de/SharedDocs/Pressemitteilungen/DE/2014/pm_20_14_nr1_seg_06_14_pdf.h tml (2014). Accessed 2 October 2016 169. KBA: Neuzulassungen von Pkw im Jahr 2014 nach privaten und gewerblichen Haltern. http://www.kba.de/DE/Statistik/Fahrzeuge/Neuzulassungen/Halter/2014_n_halter_dusl.html?n n=652344 (2014). Accessed 27 June 2016 170. KBA: 14.259 Kilometer: Die jährliche Fahrleistung deutscher Pkw. https://www.kba.de/SharedDocs/Pressemitteilungen/DE/2015/pm_15_15_jaehrliche_fahrleistu ng_deutscher_pkw_pdf.pdf?__blob=publicationFile&v=5 (2015). Accessed 30 September 2016 171. KBA: Bestand an Pkw am 1. Januar 2015 nach ausgewählten Kraftstoffarten. http://www.kba.de/DE/Statistik/Fahrzeuge/Bestand/Umwelt/2015/2015_b_umwelt_dusl_absol ut.html?nn=1378446 (2015). Accessed 19 September 2016 172. KBA: Bestand an Pkw am 1. Januar 2015 nach privaten und gewerblichen Haltern. http://www.kba.de/DE/Statistik/Fahrzeuge/Bestand/Halter/2015_b_halter_dusl.html?nn=65800 8 (2015). Accessed 19 August 2016 173. Kendall, D.G.: Stochastic processes occurring in the theory of queues and their analysis by the method of the imbedded Markov chain. The Annals of Mathematical Statistics, 338–354 (1953) 174. Ketterer, B., Karl, U., Möst, D., Ulrich, S.: Lithium-Ion Batteries: State of the Art and Application Potential in Hybrid-, Plug-In Hybrid-and Electric Vehicles. Forschungszentrum Karlsruhe, Karlsruhe (2009) 175. Ketterer, B., Karl, U., Möst, D., Ulrich, S.: Lithium-Ionen Batterien: Stand der Technik und Anwendungspotenzial in Hybrid-, Plug-In Hybrid-und Elektrofahrzeugen. Wissenschaftliche Berichte FZKA 7503 (2009) 176. Khan, M., Kockelman, K.M.: Predicting the market potential of plug-in electric vehicles using multiday GPS data. Energy policy 46, 225–233 (2012). doi: 10.1016/j.enpol.2012.03.055 177. KiD: Mobilitätsstudie „Kraftfahrzeugverkehr in Deutschland 2010 “(KiD 2010)‐Ergebnisse im Überblick. Braunschweig.

192 Literaturverzeichnis

https://www.bmvi.de/SharedDocs/DE/Anlage/VerkehrUndMobilitaet/kid- 2010.pdf?__blob=publicationFile (2010) 178. Kingman, J.F.C.: The first Erlang century—and the next. Queueing Syst 63(1-4), 3–12 (2009). doi: 10.1007/s11134-009-9147-4 179. Kley, F.: Ladeinfrastruktur für Elektrofahrzeuge: Entwicklung und Bewertung einer Ausbaustrategie auf Basis des Fahrverhaltens. Dissertation, Karlsruher Institut für Technologie (KIT) (2011) 180. Kley, F., Lerch, C., Dallinger, D.: New business models for electric cars—A holistic approach. Energy policy 39(6), 3392–3403 (2011). doi: 10.1016/j.enpol.2011.03.036 181. Kochhan, R., Fuchs, S., Reuter, B., Burda, P., Matz, S., Lienkamp, M.: An Overview of Costs for Vehicle Components, Fuels and Greenhouse Gas Emissions, Technische Universität München (2014) 182. Krengel, U.: Einführung in die Wahrscheinlichkeitstheorie und Statistik. [für Studium, Berufspraxis und Lehramt], 8th edn. Vieweg Studium : Aufbaukurs Mathematik. Vieweg, Wiesbaden (2005) 183. Krinke, S., Koffler, C., Deinzer, G., Heil, U.: Automobiler Leichtbau unter Einbezug des gesamten Lebenszyklus. ATZ Automobiltech Z 112(6), 438–445 (2010). doi: 10.1007/BF03222177 184. Kroeze, R.C., Krein, P.T.: Electrical battery model for use in dynamic electric vehicle simulations. In: IEEE Power Electronics Specialists Conference - PESC 2008, Rhodes, Greece, pp. 1336–1342 (2008). doi: 10.1109/PESC.2008.4592119 185. Kulkarni, V.G.: Modeling, Analysis, Design, and Control of Stochastic Systems. Springer texts in statistics. Springer-Verlag, New York (1999) 186. Kunstmann-Seik, L.: Eine Million E-Autos in Deutschland bis 2020 nicht zu schaffen. http://www.bain.de/press/press-archive/bain-analyse-zur-elektromobilitaet.aspx (2015). Accessed 30 August 2016 187. Lam, A., Leung, Y.-W., Chu, X.: Electric vehicle charging station placement: Formulation, complexity, and solutions. Smart Grid, IEEE Transactions on 5(6), 2846–2856 (2014) 188. Lambert, F.: Tesla opens its first 20-stall Supercharger at now the world’s largest fast-charging station. https://electrek.co/2016/09/02/tesla-20-stall-supercharger-world-largest-fast-charging- station/ (2016). Accessed 19 September 2016 189. Laslau, C., Gandolfo, A., See, K., Frankel, D.: Crossing the Line: Li-ion Battery Cost Reduction and Its Effect on Vehicles and Stationary Storage, Lux Research (2015) 190. Lee, A.M., Longton, P.A.: Queueing Processes Associated with Airline Passenger Check-in. J Oper Res Soc 10(1), 56–71 (1959). doi: 10.1057/jors.1959.5 191. Lei, F., Chen, X., Xie, X.P., Zhu, J.: Research on Three Main Lightweight Approaches for Automotive Body Engineering Considering Materials, Structural Performances and Costs. In: SAE 2015 World Congress & Exhibition, Warrendale, PA, United States, 21.04.2015 (2015). doi: 10.4271/2015-01-0580 192. Li, S., Tong, L., Xing, J., Zhou, Y.: The Market for Electric Vehicles. Indirect Network Effects and Policy Impacts. SSRN Journal 2515037 (2014). doi: 10.2139/ssrn.2515037 193. Ligterink, N.E., Eijk, A.R.A.: Update analysis of real-world fuel consumption of business passenger cars based on Travelcard Nederland fuelpass data, Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO (2014)

193 Literaturverzeichnis

194. Ligterink, N.E., Smokers, R.T.M., Bolech, M.: Fuel-electricity mix and efficiency in Dutch plug-in and range-extender vehicles on the road. In: EVS27 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Barcelona, Spain, 17.-20.11.2013., pp. 1–4 (2013). doi: 10.1109/EVS.2013.6914979 195. Lin, Z., Greene, D.L.: Assessing Energy Impact of Plug-In Hybrid Electric Vehicles. Transportation Research Record: Journal of the Transportation Research Board 2252, 99–106 (2011). doi: 10.3141/2252-13 196. Linssen, J., Bickert, S., Hennings, W., others: Netzintegration von Fahrzeugen mit elektrifizierten Antriebssystemen in bestehende und zukünftige Energieversorgungsstrukturen. NET-ELAN ; Endbericht ; Advances in Systems Analyses 1. Schriften des Forschungszentrums Jülich Reihe Energie & Umwelt, vol. 150. Forschungszentrum Jülich; Technische Informationsbibliothek u. Universitätsbibliothek, Jülich, Hannover (2012) 197. Liu, T., Leskes, M., Yu, W., Moore, A.J., Zhou, L., Bayley, P.M., Kim, G., Grey, C.P.: Cycling Li-O(2) batteries via LiOH formation and decomposition. Science (New York, N.Y.) 350(6260), 530–533 (2015). doi: 10.1126/science.aac7730 198. Lothar Sachs, Jürgen Hedderich: Angewandte Statistik. Methodensammlung mit R, 12th edn. Springer-Verlag Berlin Heidelberg (2006) 199. Lutsey, N.P.: Review of technical literature and trends related to automobile mass-reduction technology, International Council on Clean Transportation ICCT (2010) 200. Lutsey, N.P., Searle, S., Chambliss, S., Bandivadekar, A.: Assessment of leading electric vehicle promotion activities in United State cities, International Council on Clean Transportation ICCT (2015) 201. Manyika, J., Chui, M., Bughin, J., Dobbs, R., Bisson, P., Marrs, A.: Disruptive technologies: Advances that will transform life, business, and the global economy, vol. 12. McKinsey Global Institute San Francisco, CA (2013) 202. Mattrisch, G., Hoffmann, C.: Future aspects of sustainable urban mobility. WIT Transactions on The Built Environment 60 (2002) 203. Matz, S., Fuchs, J., Lienkamp, M.: Beschreibung der Modellierungsart sowie der Modellierungsparameter von Elektrofahrzeugen in der Konzeptphase, Technische Universität München (2014) 204. Maurer, M.: 250 reicht vielen nicht. http://www.sueddeutsche.de/auto/hoechstgeschwindigkeit- reicht-vielen-nicht-1.547054 (2010). Accessed 5 January 2017 205. McKinsey & Company: A portfolio of power-trains for Europe: A fact-based analysis. The role of Battery Electric Vehicles, Plug-in Hybrids and Fuel Cell Electric Vehicles, McKinsey & Company (2010) 206. McKinsey & Company: Electrifying insights: How automakers can drive electrified vehicle sales and profitability, McKinsey & Company (2017) 207. Melaina, M., Bremson, J., Solo, K.: Consumer Convenience and the availability of retail stations as a market barrier for alternative fuel vehicles. In: 31st USAEE/IAEE North American Conference, pp. 4–7 (2012) 208. Moawad, A., Singh, G., Hagspiel, S., Fellah, M., Rousseau, A.: Impact of real world drive cycles on PHEV fuel efficiency and cost for different powertrain and battery characteristics. In: EVS-24 International Electric Vehicle Symposium and Exposition, Stavanger, Norway, 13.-16.05.2009, pp. 13–16 (2009)

194 Literaturverzeichnis

209. Mock, P., Tietge, U., Franco, V., German, J., Bandivadekar, A., Lambrecht, U., Kühlwein, J., Riemersma, I.: From laboratory to road, International Council on Clean Transportation ICCT (2013) 210. MOP: Mobilitätspanel Deutschland 1994-2010, Projektbearbeitung durch das Institut für Verkehrswesen der Universität Karlsruhe (TH) (2010) 211. Morrissey, P., Weldon, P., O’Mahony, M.: Future standard and fast charging infrastructure planning. An analysis of electric vehicle charging behaviour. Energy policy 89, 257–270 (2016). doi: 10.1016/j.enpol.2015.12.001 212. Murakami, E., Wagner, D.P.: Can using global positioning system (GPS) improve trip reporting? Transportation Research Part C: Emerging Technologies 7(2-3), 149–165 (1999). doi: 10.1016/S0968-090X(99)00017-0 213. Nagl, C., Moosmann, L., Kurzweil, A., Lichtblau, G., Reitschuler, G., Baumann-Stanzer, K.: Assessment of Plans and Programmes reported under 1996/62/EC - Final Report. Service contract to the European Commission - DG Environment. Contract No. 070402/2005/421167/MAR/C1. (2006) 214. Nagpure, A.S., Gurjar, B.R., Martel, J.: Human health risks in national capital territory of Delhi due to air pollution. Atmospheric Pollution Research 5(3), 371–380 (2014). doi: 10.5094/APR.2014.043 215. Naunin, D.: Hybrid-, Batterie-und Brennstoffzellen-Elektrofahrzeuge: Technik, Strukturen und Entwicklungen; mit 8 Tabellen, vol. 255. expert verlag (2007) 216. Neaimeh, M., Graeme Hill, Weihong Guo, Josey Wardle, Anya Bramich, Phil Blythe: Understanding the role of a rapid charging infrastructure on urban and interurban mobility patters. In: EVS29 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Montreal, Kanada, 19.-22.06.2016 (2016) 217. NEP: Netzentwicklungsplan Strom. Zweiter Entwurf der Übertragungsnetzbetreiber., 50Hertz Transmission GmbH; Amprion GmbH; TenneT TSO GmbH; TransnetBW GmbH (2013) 218. Netzservice Stadtwerke Karlsruhe: Preisblatt - Preise für Baukostenzuschuss. https://www.netzservice-swka.de/netze/PDF/Strom/Netzanschluss/2014_01_01-Preisblatt-BKZ- Strom.pdf (2014). Accessed 15 September 2016 219. Neubauer, J., Pesaran, A.: The ability of battery second use strategies to impact plug-in electric vehicle prices and serve utility energy storage applications. Journal of power sources 196(23), 10351–10358 (2011). doi: 10.1016/j.jpowsour.2011.06.053 220. Neubauer, J., Wood, E.: The impact of range anxiety and home, workplace, and public charging infrastructure on simulated battery electric vehicle lifetime utility. Journal of power sources 257, 12–20 (2014) 221. Neubauer, J., Wood, E.: Thru-life impacts of driver aggression, climate, cabin thermal management, and battery thermal management on battery electric vehicle utility. Journal of power sources 259, 262–275 (2014) 222. Neubauer, J., Wood, E.: Will Your Battery Survive a World With Fast Chargers? In: SAE 2015 World Congress & Exhibition, Warrendale, PA, United States, 21.04.2015 (2015). doi: 10.4271/2015-01-1196 223. Neubauer, J., Brooker, A., Wood, E.: Sensitivity of battery electric vehicle economics to drive patterns, vehicle range, and charge strategies. Journal of power sources 209, 269–277 (2012). doi: 10.1016/j.jpowsour.2012.02.107

195 Literaturverzeichnis

224. Neubauer, J., Brooker, A., Wood, E.: Sensitivity of plug-in hybrid electric vehicle economics to drive patterns, electric range, energy management, and charge strategies. Journal of power sources 236, 357–364 (2013). doi: 10.1016/j.jpowsour.2012.07.055 225. Neumeier, S.: Modellierung der Erreichbarkeit von Straßentankstellen: Untersuchung zum regionalen Versorgungsgrad mit Dienstleistungen der Grundversorgung, Johann Heinrich von Thünen-Institut, Bundesforschungsinstitut für Ländliche Räume, Wald und Fischerei (2012) 226. Nexiga: Erreichbarkeit der Autobahnen. http://www.nexiga.com/cms/wp- content/uploads/2015/03/BAB_Erreichbarkeit.pdf (2015). Accessed 4 August 2016 227. Nicholas, M.A., Tal, G., Davies, J., Woodjack, J.: DC Fast as the Only Public Charging Option? Scenario Testing from GPS-Tracked Vehicles. In: Transportation Research Board 91st Annual Meeting, Washington, D.C., USA, 22.-26.01.2012 (2012) 228. Nicholas, M.A., Tal, G., Woodjack, J.: California statewide charging survey: What do drivers want? In: Transportation Research Board 92nd Annual Meeting, Washington, D.C., USA, 13.- 17.01.2013 (2013) 229. Nie, Y., Ghamami, M.: A corridor-centric approach to planning electric vehicle charging infrastructure. Transportation Research Part B: Methodological 57, 172–190 (2013). doi: 10.1016/j.trb.2013.08.010 230. NPE: Zweiter Bericht der Nationalen Plattform Elektromobilität, Nationale Plattform Elektromobilität (2011) 231. NPE: Die Deutsche Normungs-Roadmap Elektromobilität – Version 3.0, Nationale Plattform Elektromobilität (2014) 232. NPE: Ladeinfrastruktur für Elektrofahrzeuge in Deutschland. Statusbericht und Handlungsempfehlungen 2015, Nationale Plattform Elektromobilität. AG 3 – Ladeinfrastruktur und Netzintegration (2015) 233. NPE: Roadmap integrierte Zell- und Batterieproduktion Deutschland, Nationale Plattform Elektromobilität. AG 2 – Batterietechnologie (2016) 234. nr-kurier: SWN bauen zukunftsweisende Ladestation für Elektroautos. http://www.nr- kurier.de/artikel/49733-swn-bauen-zukunftsweisende-ladestation-fuer-elektroautos (2016). Accessed 15 September 2016 235. Ntziachristos, L., Mellios, G., Tsokolis, D., Keller, M., Hausberger, S., Ligterink, N.E., Dilara, P.: In- use vs. type-approval fuel consumption of current passenger cars in Europe. Energy policy 67, 403–411 (2014). doi: 10.1016/j.enpol.2013.12.013 236. Nykvist, B., Nilsson, M.: Rapidly falling costs of battery packs for electric vehicles. Nature Climate change 5(4), 329–332 (2015). doi: 10.1038/nclimate2564 237. Olfert, K.: Investition, 13th edn. Kompendium der praktischen Betriebswirtschaft. NWB Verlag, Herne, Westfahlen (2015) 238. Omar, N., Verbrugge, B., Mulder, G., van den Bossche, P., van Mierlo, J., Daowd, M., Dhaens, M., Pauwels, S.: Evaluation of performance characteristics of various lithium-ion batteries for use in BEV application. In: IEEE Vehicle Power and Propulsion Conference (VPPC), Lille, France, pp. 1–6 (2010). doi: 10.1109/VPPC.2010.5729083 239. Pagerit, S., Sharer, P., Rousseau, A.: Fuel Economy Sensitivity to Vehicle Mass for Advanced Vehicle Powertrains. In: SAE 2006 World Congress & Exhibition, Warrendale, PA, United States, 03.04.2006 (2006). doi: 10.4271/2006-01-0665

196 Literaturverzeichnis

240. Panasonic: Panasonic NCR18650B - Data Sheet. http://industrial.panasonic.com/www- cgi/jvcr13pz.cgi?E+BA+3+ACI4002+NCR-18650B+7+EU (2012). Accessed 5 October 2015 241. Park+Charge e.V.: Park + Charge - der einfache, günstige, robuste und grenzübergreifende Strom-Zugang für alle E-Mobilisten. http://www.park-charge.de/. Accessed 10 October 2016 242. Pasaoglu, G., Zubaryeva, A., Fiorello, D., Thiel, C.: Analysis of European mobility surveys and their potential to support studies on the impact of electric vehicles on energy and infrastructure needs in Europe. Technological Forecasting and Social Change 87, 41–50 (2014). doi: 10.1016/j.techfore.2013.09.002 243. Pasaoglu, G., Fiorello, D., Martino, A., Zani, L., Zubaryeva, A., Thiel, C.: Travel patterns and the potential use of electric cars – Results from a direct survey in six European countries. Technological Forecasting and Social Change 87, 51–59 (2014). doi: 10.1016/j.techfore.2013.10.018 244. Pearre, N.S., Kempton, W., Guensler, R.L., Elango, V.V.: Electric vehicles. How much range is required for a day’s driving? Transportation Research Part C: Emerging Technologies 19(6), 1171–1184 (2011). doi: 10.1016/j.trc.2010.12.010 245. Peters, A., Doll, C., Plötz, P., Sauer, A., Schade, W., Thielmann, A., Wietschel, M., Zanker, C.: Konzepte der Elektromobilität. Ihre Bedeutung für Wirtschaft, Gesellschaft und Umwelt. edition sigma (2013) 246. Pfahl, S.: Alternative Antriebskonzepte: Stand der Technik und Perspektiven - Die Sicht der Automobilindustrie. In: Jochem, P. (ed.) Alternative Antriebskonzepte bei sich wandelnden Mobilitätsstilen. Tagungsbeiträge vom 08. und 09. März 2012 am KIT, Karlsruhe, pp. 81–108. KIT Scientific Publishing, Karlsruhe (2013) 247. Pinto, A.: Evolution of weight, fuel consumption and CO2 of automobiles. Dissertation, Universidade Tecnica de Lisboa (2009) 248. Plötz, P.: Estimating the probability of long-distance car trips from daily driving data, Fraunhofer- Institut für System- und Innovationsforschung ISI (2014) 249. Plötz, P., Funke, S.Á.: Mileage electrification potential of different electric vehicles in Germany. In: EEVC 2017. European Battery, Hybrid & Fuel Cell Electric Vehicle Congress, Genf, 14.-16.März, 2017, Genf, Schweiz (2017) 250. Plötz, P., Kley, F., Gnann, T.: Optimal battery sizes for plug-in-hybrid electric vehicles. In: EVS26 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Los Angeles, USA, 06.- 09.05.2012 (2012) 251. Plötz, P., Gnann, T., Kühn, A., Wietschel, M.: Markthochlaufszenarien für Elektrofahrzeuge. Studie im Auftrag der acatech – Deutsche Akademie der Technikwissenschaften und der Arbeitsgruppe 7 der Nationalen Plattform Elektromobilität (NPE), Fraunhofer-Institut für System- und Innovationsforschung ISI (2013) 252. Plötz, P., Gnann, T., Ullrich, S., Händel, M., Globisch, J., Dütschke, E., Wietschel, M., Held, M.: Elektromobilität in gewerblichen Flotten, Fraunhofer-Institut für System- und Innovationsforschung ISI (2014) 253. Plötz, P., Gnann, T., Wietschel, M.: Modelling market diffusion of electric vehicles with real world driving data — Part I. Model structure and validation. Ecological Economics 107, 411–421 (2014). doi: 10.1016/j.ecolecon.2014.09.021 254. Plötz, P., Funke, S.Á., Jochem, P.: Real-world fuel economy and CO2 emissions of plug-in hybrid electric vehicles, Fraunhofer-Institut für System- und Innovationsforschung ISI (2015)

197 Literaturverzeichnis

255. Plötz, P., Kagerbauer, M., Soylu, T.: Öffentliche Ladeinfrastruktur in Baden-Württemberg. Gutachten im Auftrag der e-mobil BW GmbH, Fraunhofer-Institut für System- und Innovationsforschung ISI; Karlsruher Institut für Technologie (KIT) (2016) 256. Plötz, P., Funke, S.Á., Jochem, P.: What influences fuel economy and CO2 emissions of plug-in hybrid electric vehicles?, Eingereicht in Transportation Research Part A: Policy and Practice. (2016) 257. Plötz, P., Funke, S.Á., Jochem, P.: Empirical fuel economy and CO2 emissions of plug-in hybrid electric vehicles. Journal of Industrial Ecology (2017). doi: 10.1111/jiec.12623 258. Plötz, P., Jakobsson, N., Sprei, F.: On the distribution of individual daily driving distances. Transportation Research Part B: Methodological 101, 213–227 (2017). doi: 10.1016/j.trb.2017.04.008 259. Plug In America: Model S Battery Survey. https://survey.pluginamerica.org/model-s/charts.php (2016). Accessed 23 September 2016 260. Prognos, EWI, GWS: Entwicklung der Energiemärkte‐Energiereferenzprognose, Prognos AG, EWI - Energiewirtschaftliches Institut an der Universität zu Köln, Gesellschaft für Wirtschaftliche Strukturforschung mbH (GWS) (2014) 261. Propfe, B., Friedrich, H., Schmid, S., Beeh, E., Brückmann, S., Schier, M., Dittus, H., Braig, T., Philipps, F.: Strukturanalyse von Automobilkomponenten für zukünftige elektrifizierte Fahrzeugantriebe (AELFA). DLR-Forschungsbericht, Stuttgart (2011) 262. Rauh, N., Franke, T., Krems, J.F.: Understanding the Impact of Electric Vehicle Driving Experience on Range Anxiety. Human Factors: The Journal of the Human Factors and Ergonomics Society 57(1), 177–187 (2015). doi: 10.1177/0018720814546372 263. Reinke, J.: Bereitstellung öffentlicher Ladeinfrastruktur für Elektrofahrzeuge. Dissertation, Technische Universität Berlin (2014) 264. Reuter-Oppermann, M., Funke, S.Á., Jochem, P.: How Many Fast Charging Stations Do We Need Along the German Highway Network? Angenommenes Paper. In: EVS30 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Stuttgart, Deutschland, 9.-11.10.2017 (2017) 265. Rob Matheson: Doubling battery power of consumer electronics. New lithium metal batteries could make smartphones, drones, and electric cars last twice as long. http://news.mit.edu/2016/lithium-metal-batteries-double-power-consumer-electronics-0817 (2016). Accessed 29 August 2016 266. Rohde-Brandenburger, K.: Bewertungsansätze zu Verbrauch und Fahrleistung. In: Liebl, J., Lederer, M., Rohde-Brandenburger, K., Biermann, J.-W., Roth, M., Schäfer, H. (eds.) Energiemanagement im Kraftfahrzeug. Optimierung von CO2-Emissionen und Verbrauch konventioneller und elektrifizierter Automobile, pp. 163–241. Springer Vieweg, Wiesbaden (2014) 267. Rune, J.: Internet system and method for selecting a closest server from a plurality of alternative servers. Google Patents (2001) 268. SAE International: SAE Electric Vehicle and Plug in Hybrid Electric Vehicle Conductive Charge Coupler, 201602nd edn. SAE International(SAE J1772). http://standards.sae.org/j1772_201602/ (2016). Accessed 11 October 2016 269. Sakti, A., Michalek, J.J., Fuchs, E.R.H., Whitacre, J.F.: A techno-economic analysis and optimization of Li-ion batteries for light-duty passenger vehicle electrification. Journal of power sources 273, 966–980 (2015). doi: 10.1016/j.jpowsour.2014.09.078

198 Literaturverzeichnis

270. Santos, G., Fraser, G.: Road pricing. Lessons from London. Economic Policy 21(46), 264–310 (2006). doi: 10.1111/j.1468-0327.2006.00159.x 271. Sathaye, N., Kelley, S.: An approach for the optimal planning of electric vehicle infrastructure for highway corridors. Transportation Research Part E: Logistics and Transportation Review 59, 15– 33 (2013). doi: 10.1016/j.tre.2013.08.003 272. Schlomann, B., Wohlfarth, K., Kleeberger, H., Hardi, L., Geiger, D.-I.B., Pich, A., Gruber, E., Gerspacher, A., Holländer, E., Roser, A.: Energieverbrauch des Sektors Gewerbe, Handel, Dienstleistungen (GHD) in Deutschland für die Jahre 2011 bis 2013. Schlussbericht an das Bundesministerium für Wirtschaft und Energie (BMWi), Fraunhofer-Institut für System- und Innovationsforschung ISI; Lehrstuhl für Energiewirtschaft und Anwendungstechnik (IfE), Technische Universität München (TUM); GfK Retail and Technology GmbH; IREES GmbH Institut für Ressourceneffizienz und Energiestrategien (2015) 273. Schroeder, A., Traber, T.: The economics of fast charging infrastructure for electric vehicles. Energy policy 43, 136–144 (2012). doi: 10.1016/j.enpol.2011.12.041 274. Schwab, A.J.: Elektroenergiesysteme. Erzeugung, Transport, Übertragung und Verteilung elektrischer Energie, 2nd edn. Springer, Berlin, Heidelberg (2009) 275. Schwela, D.: Air Pollution and Health in Urban Areas. Reviews on Environmental Health 15(1-2) (2000). doi: 10.1515/REVEH.2000.15.1-2.13 276. Scrosati, B., Garche, J.: Lithium batteries. Status, prospects and future. Journal of power sources 195(9), 2419–2430 (2010). doi: 10.1016/j.jpowsour.2009.11.048 277. SGL: We stand for sustainable production. http://www.sglacf.com/en/production.html (2013). Accessed 21 September 2016 278. Shiau, C.-S.N., Samaras, C., Hauffe, R., Michalek, J.J.: Impact of battery weight and charging patterns on the economic and environmental benefits of plug-in hybrid vehicles. Energy policy 37(7), 2653–2663 (2009) 279. Siefen, K.: Simulation und Optimierung der Standort-und Kapazitätsauswahl in der Planung von Ladeinfrastruktur fur batterieelektrische Fahrzeugflotten. Dissertation, Universität Paderborn (2012) 280. Singh, H.: Economic light-weighting options for high volume production vehicle structures for year 2020. In: 11th Annual Great Designs in Steel Seminar, Livonia, Michigan, USA, 16.5.2012 (2012) 281. Smart, J., Schey, S.: Battery electric vehicle driving and charging behavior observed early in the EV project. SAE International Journal of Alternative Powertrains 1(2012-01-0199), 27–33 (2012) 282. Smart, J., Bradley, T., Salisbury, S.: Actual Versus Estimated Utility Factor of a Large Set of Privately Owned Chevrolet Volts. SAE Int. J. Alt. Power. 3(1), 30–35 (2014). doi: 10.4271/2014- 01-1803 283. Smith, R., Shahidinejad, S., Blair, D., Bibeau, E.L.: Characterization of urban commuter driving profiles to optimize battery size in light-duty plug-in electric vehicles. Transportation Research Part D: Transport and Environment 16(3), 218–224 (2011). doi: 10.1016/j.trd.2010.09.001 284. Sorrell, S., Dimitropoulos, J., Sommerville, M.: Empirical estimates of the direct rebound effect. A review. Energy policy 37(4), 1356–1371 (2009). doi: 10.1016/j.enpol.2008.11.026 285. Spichartz, P., Dost, P., Sourkounis, C.: On examination and measurement for recuperation modes targeting range extension in electric vehicles. In: IECON 2014 - 40th Annual Conference of the IEEE Industrial Electronics Society, Dallas, TX, USA, 29.10.-01.11.2014, pp. 3036–3042 (2014). doi: 10.1109/IECON.2014.7048942

199 Literaturverzeichnis

286. stadtmobil Karlsruhe: CarSharing mit stadtmobil ‒ günstiger fahren. https://karlsruhe.stadtmobil.de/geschaeftskunden/tarife/nutzungskosten/ (2016). Accessed 20 September 2016 287. Stahlschmidt, R., Boblenz, K., Krzack, S., Meyer, B.: Ermittlung spezifizierter Kosten und ökologischer Auswirkungen der Erzeugung von BtL-Kraftstoffen. Erdöl, Erdgas, Kohle 126(10), 346 (2010) 288. Starkstromanlagenbau Lobenstein eG: Mittelspannungsanlagen bis 30 kV. http://www.starkstrom-lobenstein.de/mittelspannung.php (2016). Accessed 15 September 2016 289. statista: Strompreise für Gewerbe- und Industriekunden in Deutschland in den Jahren 2006 bis 2015 (in Euro-Cent pro Kilowattstunde), Statista GmbH. https://de.statista.com/statistik/daten/studie/154902/umfrage/strompreise-fuer-industrie-und- gewerbe-seit-2006. Accessed 10 October 2016 290. Statistische Ämter des Bundes und der Länder: Verkehr – Straßen des überörtlichen Verkehrs. http://www.statistik-portal.de/Statistik-Portal/de_jb16_jahrtab36.asp (2015). Accessed 19 August 2016 291. Steinbuch, M.: Tesla Model S battery degradation data. https://steinbuch.wordpress.com/2015/01/24/tesla-model-s-battery-degradation-data/ (2015). Accessed 22 November 2016 292. Stella, K., Wollersheim, O., Fichtner, W., Jochem, P., Schücking, M., Nastold, M., Ensslen, A., Wietschel, M., Held, M., Gnann, T., Friedmann, M., Graf, R., Wohlfath, K.: Über 300.000 Kilometer unter Strom : Physikalisch-technische, ökonomische, ökologische und sozialwissenschaftliche Begleitforschung des Schaufensterprojektes RheinMobil: Grenzüberschreitende, perspektivisch wirtschaftliche elektrische Pendler- und Dienstwagenverkehre im deutsch-französischen Kontext, Karlsruher Institut für Technologie (KIT) (2015) 293. Stevic, Z., Radovanovic, I.: Energy Efficiency of Electric Vehicles. In: Stević, Z. (ed.) New generation of electric vehicles, pp. 93–134. InTech, Rijeka, Croatia (2012) 294. Stroband, A., Koopmann, S., Sowa, T., Schnettler, A.: Platzierung und Dimensionierung von öffentlicher Ladeinfrastruktur für Elektrofahrzeuge. In: ETG-Fachbericht-Internationaler ETG- Kongress 2013‐Energieversorgung auf dem Weg nach 2050 (2013) 295. Takeshita, H.: B3 report 15-16. Chapter 5 LIB Cell Materials Market Bulletin (15Q3), B3 Corporation (2015) 296. Takeshita, H.: B3 report 15-16. Chapter 11 LIB Cell Materials Market Bulletin (16Q1), B3 Corporation (2016) 297. Tamor, M.A., Milačić, M.: Electric vehicles in multi-vehicle households. Transportation Research Part C: Emerging Technologies 56, 52–60 (2015). doi: 10.1016/j.trc.2015.02.023 298. Tesla Motors: Supercharger. https://www.teslamotors.com/de_DE/supercharger (2016). Accessed 3 July 2016 299. Thielmann, A., Isenmann, R., Wietschel, M.: Technologie-Roadmap Energiespeicher für die Elektromobilität 2030, Fraunhofer-Institut für System- und Innovationsforschung ISI (2012) 300. Thielmann, A., Sauer, A., Wietschel, M.: Gesamt-Roadmap Energiespeicher für die Elektromobilität 2030, Fraunhofer-Institut für System- und Innovationsforschung ISI (2015) 301. Thielmann, A., Sauer, A., Wietschel, M.: Produkt-Roadmap Energiespeicher für die Elektromobilität 2030, Fraunhofer-Institut für System- und Innovationsforschung ISI (2015)

200 Literaturverzeichnis

302. Thomas, J.: Drive Cycle Powertrain Efficiencies and Trends Derived from EPA Vehicle Dynamometer Results. SAE Int. J. Passeng. Cars - Mech. Syst. 7(4), 1374–1384 (2014). doi: 10.4271/2014-01-2562 303. Tian, J., Jin, Y., Guan, Y., Su, Y., Bao, L., Chen, S., Wu, F.: Application prospects of high-voltage cathode materials in all-solid-state lithium-ion batteries. Chin. Sci. Bull. 59(17), 1950–1963 (2014). doi: 10.1007/s11434-014-0212-y 304. Tietge, U., Zacharof, N., Mock, P., Franco, V., German, J., Bandivadekar, A., Ligterink, N., Lambrecht, U.: From laboratory to road: a 2016 update of official and “real-world” fuel consumption and CO2 values for passenger cars in Europe, International Council on Clean Transportation ICCT (2016) 305. Transport Canada: Annual 2014. https://www.tc.gc.ca/eng/policy/annual-2014-3141.html (2014). Accessed 30 September 2016 306. Trantow, M., Franke, T., Günther, M., Krems, J.F., Rauh, N.: Range comfort zone of electric vehicle users – concept and assessment. IET Intelligent Transport Systems 9(7), 740–745 (2015). doi: 10.1049/iet-its.2014.0169 307. Traut, E.J., Cherng, T.C., Hendrickson, C., Michalek, J.J.: US residential charging potential for electric vehicles. Transportation Research Part D: Transport and Environment 25, 139–145 (2013). doi: 10.1016/j.trd.2013.10.001 308. UNECE: Regulation No. 101. United Nations Economic Commission for Europe (2013) 309. University of Winnipeg: Monitoring Driving Behaviour for Plug-in Hybrid Electric Vehicle (PHEV) Research. http://auto21.uwinnipeg.ca/research.html. Accessed 30 September 2016 310. USForex: Yearly Average Rates. http://www.usforex.com/forex-tools/historical-rate-tools/yearly- average-rates (2016). Accessed 15 September 2016 311. van der Pas, J.-W.: ELMO: Estonia's innovative national quick-charging EV network. http://www.eltis.org/discover/case-studies/elmo-estonias-innovative-national-quick-charging- ev-network (2015). Accessed 22 August 2016 312. Varaticeanu, B.D., Minciunescu, P., Matei, S.: Design of permanent magnet assisted synchronous reluctance motor for light urban electric vehicle. In: 2014 International Symposium on Fundamentals of Electrical Engineering (ISFEE), Bukarest, Rümanien, 28.-29.11.2014, pp. 1–6 (2014) 313. Veigel, M.: Simulierte Wirkungsgradkennfeld einer Asynchronmaschine. Persönliche Mitteilung per E-Mail (2015) 314. Verordnung über technische Mindestanforderungen an den sicheren und interoperablen Aufbau und Betrieb von öffentlich zugänglichen Ladepunkten für Elektromobile -. Ladesäulenverordnung – LSV. In: Bundesgesetzblatt, vol. 2016, pp. 457–458 (2016) 315. Washington State Department of Transportation: West Coast Electric Highway. http://www.westcoastgreenhighway.com/electrichighway.htm (2014). Accessed 3 September 2016 316. Wei, X., Zhu, B., Xu, W.: Internal Resistance Identification in Vehicle Power Lithium-Ion Battery and Application in Lifetime Evaluation. In: International Conference on Measuring Technology and Mechatronics Automation, Zhangjiajie, Hunan, China, pp. 388–392 (2009). doi: 10.1109/ICMTMA.2009.468 317. Weiß, C. (ed.): Basiswissen medizinische Statistik, 3rd edn. Springer-Lehrbuch. Springer, Heidelberg (2005)

201 Literaturverzeichnis

318. Weiss, C., Chlond, B., Heilig, M., Vortisch, P.: Capturing the Usage of the German Car Fleet for a One Year Period to Evaluate the Suitability of Battery Electric Vehicles – A Model based Approach. Transportation Research Procedia 1(1), 133–141 (2014). doi: 10.1016/j.trpro.2014.07.014 319. Wen, Y., MacKenzie, D., Keith, D.: Modeling charging choices of BEV owners using stated preference data. In: EVS28 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium, Kintex, Korea, 03-06.05.2015 (2015) 320. Weng, C., Sun, J., Peng, H.: A unified open-circuit-voltage model of lithium-ion batteries for state-of-charge estimation and state-of-health monitoring. Journal of power sources 258, 228– 237 (2014). doi: 10.1016/j.jpowsour.2014.02.026 321. Wheeler, D.R., Deichmann, U., Pandey, K.D., Hamilton, K.E.: Air Pollution in World Cities (PM10 Concentrations), The World Bank, Development Economics Research Group Estimates. http://econ.worldbank.org/WBSITE/EXTERNAL/EXTDEC/EXTRESEARCH/0,,contentMDK:2078564 6~pagePK:64214825~piPK:64214943~theSitePK:469382,00.html (2000). Accessed 6 October 2016 322. Whitt, W.: Comparison conjectures about the M/G/s queue. Operations Research Letters 2(5), 203–209 (1983) 323. Whitt, W.: Approximations for the GI/G/m queue. Production and Operations Management 2(2), 114–161 (1993) 324. Wietschel, M., Dütschke, E., Funke, S.Á., Peters, A., Plötz, P., Schneider, U., Roser, A., Globisch, J.: Kaufpotenzial für Elektrofahrzeuge bei sogenannten „Early Adoptern “. Studie im Auftrag des Bundesministeriums für Wirtschaft und Technologie (BMWi), durchgeführt von Fraunhofer ISI und IREES GmbH, Karlsruhe (2012) 325. Wietschel, M., Gnann, T., Plötz, P., Funke, S.Á.: Wie sieht ein bedarfsgerechter Ladeinfrastrukturaufbau für Elektrofahrzeuge in Deutschland aus? Energiewirtschaftliche Tagesfragen 65(12), 78–82 (2015) 326. Wirges, J.: Planning the Charging Infrastructure for Electric Vehicles in Cities and Regions. Dissertation (2016) 327. Wöhe, G., Kaiser, H., Döring, U., Brösel, G.: Einführung in die allgemeine Betriebswirtschaftslehre, 26th edn. Vahlen, München (2016) 328. Wolfram, P., Lutsey, N.P.: Electric vehicles: Literature review of technology costs and carbon emissions, International Council on Clean Transportation ICCT (2016) 329. Wood, E., Neubauer, J., Burton, E.: Measuring the Benefits of Public Chargers and Improving Infrastructure Deployments Using Advanced Simulation Tools. SAE Technical Paper 2015-01- 1688 (2015). doi: 10.4271/2015-01-1688 330. Wood, E., Neubauer, J., Burton, E.: Quantifying the Effect of Fast Charger Deployments on Electric Vehicle Utility and Travel Patterns via Advanced Simulation. SAE Technical Paper 2015- 01-1687 (2015) 331. Wooldridge, M., Jennings, N.R.: Intelligent agents: Theory and practice. The knowledge engineering review 10(02), 115–152 (1995) 332. Wu, G., Inderbitzin, A., Bening, C.: Total cost of ownership of electric vehicles compared to conventional vehicles. A probabilistic analysis and projection across market segments. Energy policy 80, 196–214 (2015). doi: 10.1016/j.enpol.2015.02.004

202 Literaturverzeichnis

333. Young, K., Wang, C., Wang, L.Y., Strunz, K.: Electric Vehicle Battery Technologies. In: Garcia-Valle, R., Peças Lopes, J.A. (eds.) Electric vehicle integration into modern power networks. Power electronics and power systems, pp. 15–56. Springer, New York (2013) 334. Zacharias, P., Brabetz, L.: Stromrichter für Elektrofahrzeuge. In: Fraunhofer IWES (ed.) 15. Kasseler Symposium Energie-Systemtechnik. Erneuerbare Energien und E-Mobilität, Kassel, 23. – 24. September 2010, pp. 101–126, Kassel (2010) 335. Zambroni de Souza, A.C., Oliveira, D.Q., Ribeiro, P.F.: Overview of Plug-in Electric Vehicles Technologies. In: Rajakaruna, S., Shahnia, F., Ghosh, A. (eds.) Plug in electric vehicles in smart grids. Energy management. Power Systems, pp. 1–24. Springer, Singapore, New York (2015) 336. Zech, K., Grasemann, E., Oehmichen, K., Kiendl, I., Schmersahl, R., Rönsch, S., Weindorf, W., Funke, S.Á., Michaelis, J., Wietschel, M., et al.: Hy-NOW Evaluierung der Verfahren und Technologien für die Bereitstellung von Wasserstoff auf Basis von Biomasse. Endbericht, Deutsches Biomasseforschungszentrum gGmbH (DBFZ) (2013) 337. ZF Friedrichshafen AG: ZF's Electric Axle Drive to Enter Volume Production in 2018. http://www.zf.com/corporate/en_de/press/list/release/release_18319.html (2016). Accessed 2 October 2016 338. Zhang, L., Brown, T., Samuelsen, S.: Evaluation of charging infrastructure requirements and operating costs for plug-in electric vehicles. Journal of power sources 240, 515–524 (2013). doi: 10.1016/j.jpowsour.2013.04.048 339. Zhang, X., van Hulzen, M., Singh, D.P., Brownrigg, A., Wright, J.P., van Dijk, N.H., Wagemaker, M.: Direct view on the phase evolution in individual LiFePO4 nanoparticles during Li-ion battery cycling. Nature communications 6, 8333 (2015). doi: 10.1038/ncomms9333 340. Zhang, L., Shaffer, B., Brown, T., Scott Samuelsen, G.: The optimization of DC fast charging deployment in California. Applied Energy 157, 111–122 (2015). doi: 10.1016/j.apenergy.2015.07.057

203