Die anhaltende Diskussion um die Einhaltung gesetzlicher Vorgaben und Grenzwerte von Emissionen in Großstädten veranlassen kommunale Verkehrsunternehmen zuneh-mend zur Umstellung ihrer Flotten von konventionellen Dieselbussen hin zu Elektro-bussen. Aufgrund des geringeren Energieinhalts, der begrenzten Lebensdauer und der oftmals zeitaufwändigen Nachladung der Traktionsbatterien erfordert die Einführung von Elektrobussen eine komplexe Systemauslegung, welche das Zusammenspiel aus Fahrzeug, Betrieb und Ladeinfrastruktur berücksichtigt. Der Fokus bisheriger Forschungsarbeiten zu diesem Thema liegt mehrheitlich auf einem grundlegenden Technologievergleich sowie der Berechnung der Total-Cost-of-Ownership. Dabei wird für die Systemauslegung oftmals ein heuristisches Vorgehen mit empirischen Energieverbrauchswerten auf Basis linearisierter Modellansätze an-gewendet. Besonders die Traktionsbatterien der Fahrzeuge weisen jedoch ein stark nichtlineares Betriebsverhalten auf. In der vorliegenden Arbeit wird eine Simulationsumgebung für einzelne Elektrobus-linien entwickelt. Diese ermöglicht es, das Betriebsverhalten unterschiedlicher System-konfigurationen aus Fahrzeug, Traktionsbatterie und Nachladestrategien zu berechnen und zu vergleichen. Kern der Simulation ist ein zweistufiges Batteriemodell. Eine innere Schleife berechnet auf Basis von Mikrozeitschritten die elektro-thermische Belastung der Batterie, auf deren Basis in der äußeren Schleife die resultierende Schädigung und Lebensdauererwartung ermittelt werden. Zusätzlich wird eine Optimierungsfunktion mit dem Ziel implementiert, die elektrobusspezifischen Systemkosten mittels einer wirtschaftlichen Systemauslegung und einer angepassten Nachladestrategie zu reduzieren. Dadurch wird die Ermittlung eines wirtschaftlich optimalen Systems ermöglicht, wobei die Minimierung der Systemkosten als Optimierungsziel dient. Der Modellansatz basiert auf einer Differenzkostenanalyse. In einem demonstrierten Anwendungsbeispiel beträgt das maximale Optimierungs-potential mehr als 13%, während das mittlere Potential mehr als 5% beträgt. Aus den absoluten Ergebnissen der Optimierungsrechnungen werden Sensitivitäten einzelner Kostenparameter abgeleitet. Daraus geht hervor, dass Energiekosten aktuell den größten Kostenbestandteil des Systems darstellen. Gleichzeitig weisen sie auch die höchste Sensitivität auf und bieten somit ein hohes Potential zur Kostenreduzierung von Elektrobussystemen. / The ongoing discussion about compliance with legal requirements and emission limits in major cities is increasingly encouraging public transport companies to convert their fleets from conventional diesel buses to electric buses. Due to the lower energy content, the limited lifetime and the often time-consuming process of recharging of the traction batteries, the introduction of electric buses requires a complex system design that takes into account the interaction of vehicle, operation and recharging infrastructure. The focus of previous work in this field has mainly focused on a fundamental technology comparison and the calculation of the total cost of ownership. For the system design, a heuristic procedure with empirical energy consumption values based on linearized model approaches is often applied. However, especially the traction batteries of the vehicles show a strongly non-linear operating behaviour. In this thesis a simulation framework for single electric bus lines is developed. This allows to calculate and compare the operating behaviour of different system configurations of vehicle, traction battery and recharging strategies. The core of the simulation is a two-stage battery model. An inner loop calculates the electro-thermal load on the battery on the basis of micro time steps. The resulting damage and life expectancy are then determined in the outer loop. In addition, an optimization function is implemented with the aim of reducing the electro-bus-specific costs by means of an efficient system design and an adapted recharging strategy. This enables the determination of an economically optimal system, whereby the minimization of system costs serves as the optimization goal. The model approach is based on a differential cost analysis. In a demonstrated application example, the maximum optimization potential is higher than 13%, while the average potential is higher than 5%. Sensitivities of individual cost parameters are derived from the absolute results of the optimization calculations. These show that energy costs currently represent the largest cost component of the system. At the same time, they also show the highest sensitivity and thus offer a high potential for cost reduction of electrical bus systems.

Die zukünftige Entwicklung der Elektromobilität bringt für den Standort Deutschland große Möglichkeiten. Allerdings stellt eine so tiefgreifende Innovation alle Akteure auch vor Herausforderungen. Um Maßnahmen für den Ausbau der Elektromobilität beurteilen zu können, hatte die Nationale Plattform Elektromobilität (NPE) bereits im Jahr 2011 Ergebnisse eines Simulationsmodells vorgelegt, aus dem sich Szenarien für den Markthochlauf in Abhängigkeit von wichtigen Parametern ermitteln lassen. Im NPE Fortschrittsbericht 2012 wurde empfohlen, dieses Modell durch ein neutrales wissenschaftliches Institut fortschreiben zu lassen. Im Rahmen eines Ausschreibungsprozesses wurde im Januar 2013 das Fraunhofer-Institut für System- und Innovationsforschung (Fraunhofer ISI) mit der Fortschreibung des Modells beauftragt. Die NPE-Partner wurden über eine Serie von Workshops in den Prozess der Weiterentwicklung und Verbesserung des Modells eingebunden. Detaillierte Ergebnisse der Studie wurden vom Fraunhofer ISI am 17. September 2013 publiziert. Insgesamt bestätigen die vorliegenden Ergebnisse der Studie im Rahmen gesetzter Annahmen die bisherigen Prognosen der NPE. Sie ermöglichen zudem eine detaillierte Einschätzung zu möglichen Szenarien des Markthochlaufs, zu bedeutenden Einflussfaktoren für das Marktgeschehen und zur Wirkweise einzelner politischer Maßnahmen.

Kategorie Fahrzeugtechnik Attraktive und zuverlässige Elektrofahrzeuge sind verfügbar | Geschäftsmodelle für das zweite Leben der Batterien sind etabliert (Sicherstellung hoher Restwert von Fahrzeugbatterien durch Wiederverwendung bzw. Recycling) Kategorie Energie & Umwelt Elektromobilität nutzt ausschließlich zusätzlichen „grünen Strom“ | Besondere Tarifstrukturen für Ladevorgänge fördern die Elektromobilität | Das Elektrofahrzeug ist Teil von „Smart Grid“ und „Smart Home“ | Die Batterie als Energiespeicher dient der Netzstabilisierung Kategorie Ladeinfrastruktur Systemoffener Zugang zu Ladeinfrastruktur ist gewährleistet | Eine bedarfsdeckende Ladeinfrastruktur – in Abhängigkeit von Siedlungs und Fahrzeugdichte – ist aufgebaut | Ladeinfrastruktur ist zuverlässig, kompatibel und leicht zu bedienen | Eine ergänzende Grundversorgung mit DC-Schnellladesäulen (CCS-Standard) ist gewährleistet | Unproblematische, private Nutzung von Dienstfahrzeugen hinsichtlich Laden und Abrechnen ist sichergestellt | Laden von Elektrofahrzeugen ist im grenzüberschreitenden Verkehr möglich | Induktives Laden ist technisch etabliert und im Markt sichtbar | Innovative Konzepte und Geschäftsmodelle existieren am Markt Kategorie Stadtplanung & Intermodalität Elektromobilität ist in der Verkehrs- und Stadtplanung sowie in der Straßenverkehrsordnung berücksichtigt | Park & Ride Stationen haben erweiterte Angebote für Elektrofahrzeuge | Elektrofahrzeuge sind in Ballungsräumen Teil des intermodalen Verkehrs | Elektrofahrzeuge sind selbstverständlicher Bestandteil von Carsharing Flotten | Neue Nutzungsmodelle haben sich für Elektrofahrzeuge etabliert

Elektromobilität ist ein Schlüssel zur klimafreundlichen und nachhaltigen Umgestaltung der Mobilität. Für Deutschland bedeutet Elektromobilität die Chance und Herausforderung, seine Spitzenposition als Industrie-, Wissenschafts- und Technologiestandort zu sichern und auszubauen. Die in der Nationalen Plattform Elektromobilität (NPE) auf Einladung der Bundesregierung versammelten Vertreter von Industrie, Wissenschaft, Politik, Gewerkschaften und Gesellschaft in Deutschland haben sich auf einen systemischen, markt orientierten und technologieoffenen Ansatz verständigt, mit dem Ziel, Deutschland zum Leitanbieter und zum Leitmarkt für Elektromobilität bis 2020 zuentwickeln. Mit dem vorliegenden Bericht verfolgt die NPE den Umsetzungsstand ihrer Empfehlungen seit der Vorlage des Zweiten Berichts im Mai 2011.:1 Executive Summary 2 Motivation 3 Systemischer Ansatz 4 Auf dem Weg zur Leitanbieterschaft 4.1 Leuchttürme der Forschung und Entwicklung 4.1.1 Leuchtturm Batterie 4.1.2 Leuchttürme Antriebstechnologie und Fahrzeugintegration 4.1.3 Leuchtturm Leichtbau 4.1.4 Leuchtturm Recycling 4.1.5 Leuchtturm IKT (Informations- und Kommunikationstechnologie) und Infrastruktur 4.2 Akademische und berufliche Bildung 4.3 Normung und Standardisierung 5 Auf dem Weg zum Leitmarkt 5.1 Nutzerakzeptanz als Schlüssel zum Leitmarkt 5.2 Modellregionen und -projekte der Bundesregierung 5.3 Schaufenster Elektromobilität 5.4 Status der Maßnahmen zur Marktstimulation 5.5 Lösungsansätze für die Infrastruktur 6 Elektromobilität im internationalen Vergleich 7 Kernbotschaften und Empfehlungen 8 Ausblick 9 Glossar und Fußnoten 10 Publikationen der NPE

Der Früherkennung und dem Monitoring technologischer, marktlicher, politischer und gesellschaftlicher Entwicklungen kommt – in diesem Fall bei der Elektromobilität – eine große Bedeutung für den Innovationserfolg zu. Das gilt in besonderer Weise auch für die Fachkräfte – ob Ingenieure oder Facharbeiter: „Ausbildung und Qualifizierung“ müssen vorausschauend geplant werden und so geht es im Kern um die Fragen: Welche Veränderungen sind zu erwarten? Welche Chancen und Herausforderungen erwachsen daraus? Welcher Handlungsbedarf stellt sich für die akademische und berufliche Bildung? Welcher Zeitraum steht für die Umsetzungsmaßnahmen zu Verfügung? Ein leistungsfähiges Instrument zur Beantwortung dieser Kernfragen ist eine Kompetenz- Roadmap. Sie ist im erweiterten Sinne eine Art Landkarte, die viele Einzelthemen bündelt, Handlungsoptionen identifiziert und Prioritäten benennt. Eine solche Roadmap entsteht in einem mehrschrittigen Prozess, der mit der Definition der Ziele beginnt und mit den Aktivitäten zum Transfer der Ergebnisse endet.:Einführung Kompetenz-Roadmap 1.0 Definitionen 1.1 Arbeitsziele 1.2 Handlungsfelder 1.3 Akteure – Vorgehensweise 2.0 Analysen 2.1 Anpassungsbedarf 2.2 Benchmarking vergleichbarer Volkswirtschaften 2.3 Herausforderungen 3.0 Perspektiven 3.1 Rahmenbedingungen 3.2 Entwicklungslinien 4.0 Empfehlungen 4.1 Handlungsziele 4.2 Umsetzungsempfehlungen 4.3 Empfehlungen an die Bundesregierung – Projektvolumen 5.0 Transfer 5.1 Aktivitätenplanung 5.2 Maßnahmepakete 5.3 Koordinierung 5.4 Monitoring 5.5 Förderbekanntmachung Aus- und Weiterbildung Elektromobilität

Am 6. Mai 2020 nahmen am Fachaustausch Baustellendaten der mFUND-Begleitforschung des WIK mehr als 30 Fachleute teil. Der große Bedarf an einem Austausch zu Baustellendaten zeigte sich in der intensiven Diskussion und zahlreichen Fragen an die Vertreter der Bundesanstalt für Straßenwesen als Betreiberin des MDM, die die Veranstaltung mit einem Fachvortrag unterstützten.

Ziel der vorliegenden Studie war es, eine Typologie von RadfahrerInnen in Deutschland zu erarbeiten und diese zu beschreiben. Zu diesem Zweck wurde auf Basis einer umfassenden Literaturrecherche eine groß angelegte Online-Befragung vom 20.11.2017 bis 07.01.2018 durchgeführt. Insgesamt wurden dabei 10.294 auswertbare Datensätze gewonnen. Durch Hauptkomponenten- und Faktorenanalyse wurden neun Faktoren (symbolische Motive, affektive Motive, instrumentelle Motive, subjektive Sicherheit, Identifikation als RadfahrerIn, zeitliche Distanz, Nutzungshäufigkeit, Wetter/Komfort und Regeltreue) extrahiert, die anschließend zur Clusterung der RadfahrerInnen genutzt wurden. Mit Hilfe dieser Faktoren ließen sich vier Typen von RadfahrerInnen identifizieren: passionierter, pragmatischer, funktioneller und ambitionierter Radfahrtyp. Die Typen unterscheiden sich dabei sowohl hinsichtlich der Typologisierungsfaktoren als auch bezüglich infrastruktureller Präferenzen, Unfallhistorie und der Radfahrhäufigkeit für bestimmte Wegezwecke. Die Einbeziehung motivationaler Faktoren erbrachte wichtige Einblicke in die Eigenschaften von RadfahrerInnen. Für den passionierten Radfahrtyp spielen sowohl Faktoren, wie die soziale Anerkennung bzw. Identifikation mit dem Umfeld, die Freude am Fahren als auch Faktoren wie Flexibilität oder Umweltschutz eine wichtige Rolle. Der Pragmatische wird dagegen v.a. instrumentell motiviert, d.h. das Rad wird genutzt, weil es flexibel ist, gut für die eigene Fitness und man damit schnell vorankommt. Insgesamt am wenigsten zum Radfahren motiviert ist der/die funktionelle RadfahrerIn. Für diesen Typ stehen z.B. ökonomische Gründe bei der Radnutzung im Vordergrund und das Fahrrad wird eher als „Mittel zum Zweck“ gesehen. Der Spaß am Fahren sowie die Zugehörigkeit zu oder das Kennenlernen von Personen sind für die ambitionierten RadfahrerInnen Hauptmotive für die Radnutzung. Aus den Kenntnissen der Eigenschaften der vier Radfahrtypen lassen sich u.a. Implikationen für die Radverkehrsförderung ableiten. So könnten z.B. Kampagnen vermitteln, dass das Fahrrad mehr sein kann als nur „Mittel zum Zweck“, um funktionelle und pragmatische Typen zu einer (Mehr-) Nutzung zu ermutigen. Die Arbeit schließt mit einem Ausblick auf Teil 2 des Projektes, bei dem die gewonnenen Erkenntnisse über die Radfahrtypen mit realem Fahrverhalten verknüpft wurden.

Ein Gespräch mit Rebecca Litauer, Forschungs- und Innovationszentrum Kognitive Dienstleistungssysteme am Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO, und Mitarbeiterin im mFUND-Projekt Urbane Mobilitäts- und Logistikdienste durch flexibles und daten-basiertes Parkraummanagement (Park_up).

Ein Gespräch mit Dr. Antje-Mareike Dietrich, Leiterin des mFUND-Projekts Ermittlung der Fahrgastnachfrage aus AFZS-, WLAN-, Bluetooth- und Verbindungsdaten (Mobile Data Fusion).

Ein Gespräch mit Ingo Schwarzer, DB Systel, und Prof. Tim Fingscheidt, TU Braunschweig, mFUND-Projekt Automatisch generierte Erklärungen maschineller Entscheidungen (AGEME).