EV-Ladebedarfsprognose auf Mikrostandort-Ebene

Das echte Ausmaß des Problems

Ladeinfrastruktur ist keine Software — sie ist Beton, Kabel und Trafostationen. Wer zu viel baut, hat Kapital gebunden. Wer zu wenig baut, hat Nutzerfrust und Nachbesserungskosten, die oft teurer sind als ein Neuaufbau: Tiefbauarbeiten müssen wiederholt werden, Netzanschlüsse können nicht ad hoc erweitert werden, Warteschlangen führen zu Produktivitätsverlusten in Betrieben und zu Reputationsschäden bei öffentlichen Standorten.

Laut der Studie der Nationalen Leitstelle Ladeinfrastruktur (NOW GmbH / Reiner Lemoine Institut, Neuauflage 2024) werden in Deutschland bis 2030 zwischen 380.000 und 680.000 öffentlich zugängliche Ladepunkte benötigt — zum 1. Januar 2024 waren 123.449 in Betrieb. Der Bestand muss sich bis 2030 also mindestens verdreifachen, im Maximalszenario mehr als verfünffachen. Dabei zeigt die Studie explizit: Der tatsächliche Bedarf an öffentlicher Ladeinfrastruktur schwankt je nach Verfügbarkeit privater Ladepunkte um bis zu 33 Prozent. Nationale Zahlen geben die Größenordnung. Sie geben nicht vor, wie viele Ladepunkte am Gewerbegebiet am Stadtrand von Regensburg oder auf dem Parkdeck eines Supermarkts in Hannover-Linden gebraucht werden.

Das ist das Grundproblem: Der Weg von der nationalen Bedarfszahl zur Investitionsentscheidung am konkreten Standort ist nicht geteert. Er führt über Annahmen, die für den jeweiligen Standort schlicht nicht zutreffen.

Drei Typen von Fehlinvestition sind die Folge:

• Überdimensionierung der Leistungsklasse: Ein Bürostandort mit 9-to-5-Beschäftigten braucht keine 150-kW-DC-Schnelllader. Die Fahrzeuge stehen 7–9 Stunden. 22-kW-AC-Laden reicht für ein volles Fahrzeug in dieser Zeit problemlos. Ein 150-kW-Schnelllader kostet das Vier- bis Sechsfache — Investition ohne Nutzen.

• Überdimensionierung der Anzahl: Wenn eine Branchenstudie sagt, ein Standort dieser Größe brauche 40 Ladepunkte, und der Standort hat untypische Rahmenbedingungen (kaum Pendler, hohes Dienstfahrzeug-Sharing-Verhältnis), landen 25 davon dauerhaft in der Unterauslastung.

• Falsche Priorisierung: In einem Netz aus 20 Standorten werden die falschen zuerst ausgebaut — weil ein pauschales Ranking nach Besucherzahl nicht die tatsächlichen Ladevorgänge widerspiegelt.

Eine Fehleinschätzung beim Hardware-Mix an einem mittelgroßen Unternehmensstandort (80–200 Ladepunkte) bewegt sich schnell im Bereich von 100.000 bis 500.000 Euro vermeidbarer Fehlinvestition — noch ohne Folgekosten für Netzanschluss-Upgrades, die iodynamics.de in seinem 2024 erschienenen Leitfaden zur E-Flottenplanung mit „sechsstelligen Summen und Wartezeiten von Monaten” beschreibt, wenn Kapazitäten falsch eingeschätzt werden.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Differenz in der Investitionspräzision ist nicht theoretisch — sie ist empirisch aus Praxisvergleichen zwischen Standorten mit ähnlichen Grundparametern aber unterschiedlichen Nutzungsmustern abgeleitet. Plattformen wie Localiser arbeiten mit täglichen Betriebsdaten aus über 2.000 CPO-Netzwerken europaweit und können strukturähnliche Standorte miteinander vergleichen. Ein Supermarktparkplatz in Hannover mit vergleichbarer Einwohnerdichte, ähnlichem Sortiment und ähnlicher Einzugsgebietsgröße hat ein anderes Ladeprofil als ein Supermarktparkplatz in der Münchner Innenstadt — auch wenn beide zur selben Kette gehören.

Einschätzung auf einen Blick

Zeitersparnis — kaum (1/5) Diese KI spart keine tägliche Arbeitszeit. Sie ist ein Planungswerkzeug, das einmal — oder einmal jährlich — für eine Investitionsentscheidung eingesetzt wird. Weder Planungsingenieure noch Standortmanager verbringen weniger Stunden pro Tag mit ihrer Kernarbeit, weil sie ein Ladebedarfsprognosetool nutzen. Unter den Anwendungsfällen in dieser Kategorie ist das der schwächste Hebel auf tägliche Zeitersparnis — und das ist keine Schwäche des Use Cases, sondern ein strukturelles Merkmal: Investitionsplanung findet selten statt, spart dafür viel Geld, wenn sie richtig gemacht wird.

Kosteneinsparung — stark (4/5) Das ist der zentrale Hebel. Wer 200 Ladepunkte plant und durch präzisere Dimensionierung 30 davon einspart, oder wer statt 150-kW-DC-Ladern die passenden 22-kW-AC-Lader einbaut, bewegt sich in Einspargrößenordnungen von 50.000 bis 500.000 Euro pro Standort — Einmalkosten, nicht jährliche Laufkosten. Dieser Effekt tritt ein, bevor die erste Kilowattstunde geladen wurde. Nicht ganz auf 5 bewertet, weil der Nutzen nur im Vergleich zum Alternativszenario sichtbar wird — nicht als direkt buchbare Einsparung.

Schnelle Umsetzung — gering (2/5) Drei bis sechs Monate Datenerhebung stehen am Anfang, wenn kein Vergleichsdatenpool existiert. Mit spezialisierten Plattformen wie Localiser, die auf historische Netzwerkdaten von Tausenden Standorten zurückgreifen, ist der Zeithorizont kürzer — aber die Modellvalidierung für den konkreten Standort braucht eigene Betriebsdaten oder sehr gute strukturelle Vergleichsstandorte. Das ist handhabbar, aber nicht in zwei Wochen erledigt.

ROI-Sicherheit — hoch (4/5) Investitionen, die nicht getätigt werden, sind messbar: Die Differenz zwischen geplantem und tatsächlich installiertem Hardware-Budget ist dokumentierbar. Wer die Planung mit und ohne Prognosemodell vergleicht — was jeder tun kann, der mit einer Branchenstudie und einem Standortmodell startet — hat einen direkten Vor-/Nachher-Vergleich. Das ist selten in der KI-Welt: kein indirekter Effizienzgewinn, sondern vermiedene Ausgaben.

Skalierbarkeit — kaum (1/5) Das ist der ehrlichste Teil der Bewertung — und der Grund, warum dieser Use Case am Ende einer Lernkurve steht, nicht am Anfang. Jeder neue Standort braucht eine eigene Datengrundlage, eine eigene Modellvalidierung und mindestens sechs Monate Betrieb, bevor die Prognose wirklich belastbar ist. Wer ein Modell für Hamburg-Barmbek trainiert, kann es nicht auf Hamburg-Altona kopieren — die Pendlerstruktur, die Gebäudenutzung, die Nähe zur Autobahn und die Parkgebühren unterscheiden sich. 50 Standorte bedeuten 50-fachen Validierungsaufwand. Unter den Anwendungsfällen dieser Kategorie ist das die klarste Ausnahme vom Prinzip “KI skaliert”.

Richtwerte — stark abhängig von Standorttyp, Datenverfügbarkeit und Prognosehorizont.

Was das Modell konkret macht

Hinter dem Begriff “Ladebedarfsprognose auf Mikrostandort-Ebene” stecken drei technische Schichten, die zusammenspielen müssen:

Schicht 1 — Standortcharakterisierung Das System nimmt den konkreten Standort und beschreibt ihn in Merkmalen, die für das Ladeverhalten relevant sind: Gebäudenutzungstyp (Büro, Produktion, Retail, Gastronomie, Logistik), Einzugsgebiet und Pendlerdistanzverteilung, Parkverhalten (Kurz- vs. Langzeitparker), vorhandene oder geplante EV-Flottengröße, Öffnungszeiten, Zugangssteuerung. Ein Betriebsgelände mit Dreischichtbetrieb produziert andere Merkmale als ein Supermarktparkplatz.

Schicht 2 — Look-alike-Matching Das Modell sucht in der Datenbasis nach Standorten mit ähnlichem Merkmalprofil, für die echte Ladedaten vorliegen. “Ähnlich” bedeutet hier: Standorttyp, Nutzungsintensität, Umgebungsmerkmale und Pendler-/Besucherstruktur. Plattformen wie Localiser greifen dabei auf Betriebsdaten von über 2.000 CPO-Netzwerken zurück — das ermöglicht den Vergleich auch für neue Standorte ohne eigene Nutzungshistorie.

Schicht 3 — Prognosemodell mit Unsicherheitsquantifizierung Auf Basis der Look-alike-Standorte und standortspezifischer Merkmale berechnet das Modell eine Nachfragekurve mit Konfidenzintervall: Wie viele Ladevorgänge täglich, zu welchen Tageszeiten, mit welcher Ladedauer, mit welchem Leistungsbedarf? Das Ergebnis ist kein einzelner Wert, sondern eine Bandbreite — und die Bandbreite ist die eigentliche Information. Sie sagt: “Bei diesem Standorttyp haben wir Erfahrungen mit 3 bis 8 Ladevorgängen täglich je Punkt, mit einem Schwerpunkt zwischen 7 und 10 Uhr.”

Was das in der Praxis bedeutet: Das Modell entscheidet nicht. Es informiert. Die Planungsingenieurin weiß danach, ob die Standortcharakteristik eher für 22-kW-AC-Lader spricht (Langzeitparker, Bürogebäude, volle Ladung in 6–8 Stunden möglich) oder für 50–150-kW-DC-Schnelllader (Rastplatz, Schnell-Service-Besuch, 20–45 Minuten Parkdauer). Sie weiß, ob die Morgenspitze oder die Mittagsspitze das dimensionierende Ereignis ist.

Machine Learning-Modelle in diesem Bereich nutzen typischerweise Zeitreihenansätze (LSTM, Transformer-Architekturen) oder Ensemble-Methoden (XGBoost mit standortspezifischen Features). Für neue Standorte ohne eigene Ladedaten dominiert Transfer Learning: ein allgemeines Basismodell wird mit den Look-alike-Daten und den Standortmerkmalen des Zielstandorts feinjustiert — auch als Fine-Tuning bekannt.

Datengrundlage: Was du mindestens brauchst

Das ist der Abschnitt, den Anbieter gerne überspringen — und der in der Praxis über Erfolg oder Misserfolg entscheidet.

Ein Ladebedarfsprognosemodell ist nur so gut wie die Daten, auf denen es basiert. Es gibt zwei Wege, an diese Daten zu kommen:

Weg 1 — Eigene Nutzungsdaten (Goldstandard) Du hast bereits Ladeinfrastruktur am Standort oder an einem strukturell vergleichbaren Standort im gleichen Portfolio. Das System kann aus echten Ladevorgangsdaten (Zeitstempel, Dauer, verbrauchte Energie, gegebenenfalls anonymisiertes Nutzeridentifier) lernen. Mindestens 3 Monate, besser 6 Monate Daten sind nötig, um saisonale Muster zu erkennen und das Wochentagsmuster zu validieren. Wer auf Monatsdurchschnitte angewiesen ist, hat keine belastbare Prognose.

Weg 2 — Look-alike-Netzwerkdaten (häufig der praktische Weg) Du hast noch keine eigene Infrastruktur. Spezialisierte Plattformen wie Localiser greifen auf aggregierte, anonymisierte Betriebsdaten aus Tausenden Standorten zurück. Das ist kein Ersatz für eigene Daten, aber eine valide Grundlage für Erstinvestitionen — vorausgesetzt, die strukturelle Ähnlichkeit der Vergleichsstandorte ist hoch.

Was nie als Datengrundlage ausreicht:

• EV-Zulassungsdaten der Bundesnetzagentur (sagen nichts über Ladeort und -zeitpunkt)
• Haushaltsbefragungen (zeigen Absicht, nicht Verhalten)
• Nationale Ladeprognosen ohne Standortzuweisung
• Fahrzeugzahl × Nationaler Durchschnittsladeaufwand

Drei Mindestanforderungen an die Datenbasis:

1. Zeitstempel auf Vorgangsebene, nicht aggregierte Tagessummen
2. Unterscheidung zwischen Wochentagen, Wochenenden und Feiertagen
3. Mindestens ein vollständiges Quartal — besser zwei (Sommer und Winter unterscheiden sich erheblich)

Fehlt eine dieser drei Anforderungen, rät jedes seriöse System zur Prognose mit breitem Konfidenzintervall — oder zur Empfehlung, zunächst mit einer Pilotinstallation Daten zu erheben, bevor skaliert wird.

Konkrete Werkzeuge — was wann passt

Für diesen Use Case gibt es drei Kategorisierungen: Spezialisierte Standortplanungsplattformen, generische Predictive Analytics-Werkzeuge und Infrastruktur-Management-Plattformen mit Analytics-Modulen.

Localiser — Spezialist für EV-Standortplanung. Echtzeit-Betriebsdaten aus über 2.000 CPO-Netzwerken, strukturelle Look-alike-Analyse, Unterstützung für AC-, DC- und HPC-Dimensionierung. 740+ Unternehmenskunden darunter Vattenfall, TotalEnergies und HochTief. Kostenloser Probeaccount für bis zu fünf Standorte. Vollversion: Preise auf Anfrage, B2B-Jahresvertrag. Datenhaltung EU. Wenn: Du planst neue Standorte oder bewertest ein Portfolio, hast keine oder wenige eigene Historiedaten, und willst eine datengestützte erste Orientierung.

WirelaneOS — Deutsche CPO-Betriebssoftware für Ladeinfrastruktur aus München. Eichrechtskonforme Abrechnung, OCPP-Herstellerunabhängigkeit, Roaming-Integration. Stärker im Betrieb als in der Vorplanung, aber das Analytics-Modul liefert belastbare Nutzungsdaten für bestehende Standorte — ideal als Datenlieferant für ein nachgelagertes Prognosemodell. Wenn: Du bereits Ladeinfrastruktur betreibst und die Nutzungsdaten systematisch auswerten willst.

Power BI + eigene Python-Modelle — Maximale Flexibilität für Teams mit Data-Science-Kapazität. Python-Bibliotheken wie Prophet (Meta), scikit-learn oder LSTM-Modelle aus TensorFlow/Keras können auf eigene Betriebsdaten trainiert werden. Power BI visualisiert die Ergebnisse für das Management. Vorteil: volle Kontrolle über Modellarchitektur und Datenquellen. Nachteil: erfordert 2–4 Monate Aufbauzeit und ein Team mit ML-Kenntnissen. Wenn: Du ein datengetriebenes Team hast, 10+ Standorte, und willst langfristig eine interne Kompetenz aufbauen.

StandortTOOL der Nationalen Leitstelle (NOW GmbH) — Kostenloses Web-Tool für kommunale und regionale Ladebedarfsplanung. Makroebene: gibt Orientierung nach Gemeindegröße und EV-Zulassungsdaten. Wenn: Du erste Größenordnungen für ein Neubauprojekt oder eine Fördermittelbeantragung brauchst — aber als alleinige Entscheidungsgrundlage für konkrete Standortdimensionierungen nicht ausreichend.

Zusammenfassung:

• Neue Standorte, keine eigenen Daten → Localiser
• Bestehende Infrastruktur, Datenauswertung → WirelaneOS + Analytics-Modul
• Eigenes Data-Science-Team, mehrere Standorte → Python + Power BI
• Erste Orientierung, kein Budget → StandortTOOL NOW GmbH (kostenlos)

Datenschutz und Datenhaltung

Ladeinfrastrukturdaten sind im Kontext von Unternehmensflotten datenschutzrechtlich nicht trivial — auch wenn Ladevorgang-Logs auf den ersten Blick harmlos wirken.

Das Problem beginnt bei der Auflösung: Wenn ein Fahrzeug mit einem eindeutigen Kennzeichen oder einer Fahrzeug-ID einem Mitarbeiter zugeordnet werden kann, ist der Zeitstempel des Ladevorgangs ein Bewegungsdatenpunkt. Wer täglich um 6:23 Uhr lädt und täglich um 15:12 Uhr wieder, hat damit ein Arbeitszeitprofil, das unter das Mitbestimmungsrecht fällt. Art. 88 DSGVO i.V.m. § 26 BDSG regelt die Verarbeitung von Beschäftigtendaten — eine Betriebsvereinbarung ist in den meisten Betrieben vor der Einführung eines datenbasierten Lademonitorings rechtlich erforderlich.

Für öffentliche oder halböffentliche Standorte (Kundenparkplätze, Raststätten) gilt: Wenn die Ladevorgang-Logs mit Zahlungsdaten oder App-Nutzerkonten verknüpft werden, entsteht ein Profil des Fahrenden. Dann ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit dem Plattformanbieter Pflicht.

Tool-Bewertung nach Datenschutz:

• Localiser: Datenhosting EU, DSGVO-kompatibel für die Standortanalyse. Die Plattform verarbeitet aggregierte Netzwerkdaten, keine individuellen Fahrenden-Profile.
• WirelaneOS: Deutsches Unternehmen, Datenhaltung in Deutschland, DSGVO-konform, deutschsprachiger Support. Für Unternehmensflotten mit Mitarbeiterdaten die sicherste Wahl.
• Power BI: On-premises-Deployment möglich — wenn die Python-Modelle auf eigenen Servern laufen und keine Rohdaten in die Microsoft-Cloud übertragen werden, kein AVV-Bedarf für die Analyseschicht.

Praktische Empfehlung: Trenne in der Architektur sauber zwischen aggregierten Nutzungsstatistiken (Anzahl Ladevorgänge, Dauer, Energie — ohne Fahrzeug-ID) und individualisierten Flottenberichten. Aggregierte Daten brauchen keinen Betriebsrat-Beschluss. Individualdaten schon.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Spezialisierte Planungsplattform (z.B. Localiser): Vollzugang typisch 10.000–30.000 €/Jahr Lizenzkosten; für einzelne Standorte ist der kostenlose Trial ein sinnvoller Einstieg
• Eigenes ML-Modell auf Basis eigener Betriebsdaten: 2–4 Monate Data-Science-Aufwand, extern vergeben typisch 15.000–40.000 € einmalig
• Datenintegration (WirelaneOS → Analytics): typisch 5.000–15.000 € einmalige Integrationskosten je nach bestehender IT-Infrastruktur

Laufende Kosten

• Localiser Vollversion: Preise auf Anfrage; Richtwert für mittelgroße Portfolios (10–50 Standorte): 1.500–5.000 €/Monat (eigene Schätzung auf Basis veröffentlichter Kundengrößen)
• WirelaneOS: B2B-SaaS, Preise auf Anfrage
• Eigenes Modell: Infrastruktur + Retraining-Aufwand typisch 1.000–3.000 €/Monat ab 5+ Standorten

Wie du den ROI misst Der Vergleichsmaßstab ist einfach: Was hätte das Unternehmen ohne das Modell gebaut, und was wurde tatsächlich gebaut?

Ein 22-kW-AC-Lader kostet typisch 2.000–5.000 € (Hardware + Installation). Ein 50-kW-DC-Schnelllader kostet 15.000–35.000 €. Ein 150-kW-DC-HPC-Lader kostet 50.000–80.000 € (Hardware). Wenn das Modell an einem mittelgroßen Standort aufzeigt, dass statt 20 DC-Schnelladern 20 AC-22-kW-Lader ausreichen, liegt die Einsparung bei 200.000–600.000 € Einmalkosten — plus vermiedene Netzanschluss-Upgrades, die bei DC-Schnellladern erheblich aufwendiger sind.

Konservatives Rechenbeispiel Ein Gewerbestandort plant 60 Ladepunkte. Das Modell empfiehlt: 45 AC-22kW + 5 DC-50kW statt der ursprünglich geplanten 30 AC-22kW + 30 DC-50kW. Differenz: 25 DC-Lader weniger × 20.000 € (Mittelwert Hardware) = 500.000 € vermiedene Hardware-Investition. Minus Kosten für das Prognosemodell (angenommen 25.000 € für Lizenz und Integration): ROI ~1.900 Prozent im ersten Jahr — wenn die Prognose stimmt. Das “wenn” ist das eigentliche Risikothema (→ Einstiegsfehler).

Drei typische Einstiegsfehler

1. Das nationale Modell als Validierung missbrauchen. Der häufigste Fehler ist nicht, kein Modell zu haben — sondern das falsche. “Die Branchenstudie sagt 0,15 Ladepunkte je Fahrzeug, unser Modell kommt auf 0,17 — also passt es.” Diese Logik verwirft den eigentlichen Wert der Standortanalyse. Nationale Studien aggregieren über alle Standorttypen, alle Branchen, alle Regionen. Sie können definitionsgemäß nicht vorhersagen, was auf einem spezifischen Standort passiert. Wer die nationale Zahl als Benchmark nutzt, hat nichts gewonnen.

2. Das Modell einmal bauen und nie aktualisieren. Das ist der gefährlichste Fehler — weil er stille Folgen hat.

EV-Ladenutzerverhalten ist keine stabile Größe. Es verändert sich mit der Zusammensetzung der EV-Fahrer: Die frühen Adopter (Technologiebegeisterte, Dienstwagenfahrende, hohe Einkommen) haben andere Ladegewohnheiten als die breite Masse, die ab 2026–2028 auf E-Mobilität umsteigt. Ein Modell, das 2024 auf Early-Adopter-Daten trainiert wurde, unterschätzt 2027 systematisch die Nachfrage nach flexiblen Ladezeiten und überschätzt die Bereitschaft zum planmäßigen Laden. Akademische Forschung bezeichnet dieses Phänomen als Konzeptdrift (concept drift) — die statistischen Eigenschaften der Daten verschieben sich, das Modell passt nicht mehr. Ohne Retraining schleicht sich der Fehler über 12–18 Monate ein.

Wer ein Modell baut oder einkauft, braucht einen definierten Retraining-Rhythmus: quartalsweise bei aktiven Standorten, mindestens jährlich für Planungsmodelle. Und eine Person, die das verantwortet.

3. Den Datenhunger des Modells unterschätzen. Ein Planungsmodell für einen Standort ohne Vergleichsdaten und ohne eigene Betriebshistorie ist ein Modell mit sehr breiten Konfidenzintervallen. “50–180 Ladevorgänge täglich” ist keine Planungsgrundlage. Dieser Fehler entsteht, wenn das Tool zu früh eingesetzt wird: bevor Betriebsdaten existieren, bevor Look-alike-Standorte identifiziert wurden, bevor Grundlagendaten (Parkbelegungsprofile, Pendlerdaten, Besucherfrequenzen) erhoben wurden. Die Lösung ist keine KI — sondern vorgelagerte Datenerhebung. Manchmal bedeutet das: Erst eine kleine Pilotinstallation (8–12 Punkte), 3 Monate laufen lassen, dann skalieren.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Enttäuschung: Das Modell wird bestellt, die Standortdaten werden eingespeist, und die Ausgabe ist ein breites Band mit einem Disclaimer. “Je nach Vergleichbarkeit der Look-alike-Standorte.” “Konfidenzintervall ±40 Prozent.” Das ist nicht das, was die Planungsabteilung erwartet hatte.

Das liegt nicht am Tool. Es liegt daran, dass ein Prognosemodell für Standorte ohne Betriebshistorie keine Scheinpräzision liefern kann — und gute Tools liefern sie auch nicht. Wer diese Erwartung im Vorfeld nicht klärt, hat ein Adoptionsproblem: Das Management vertraut der Ausgabe nicht, weil es sich Punktwerte gewünscht hätte.

Was hilft:

• Vor der ersten Ausgabe kommunizieren, was das Modell kann und was nicht. “Bandbreiten, keine Punktwerte” ist eine legitime und ehrliche Ausgabe für neue Standorte.
• Den Look-alike-Ansatz aktiv erklären: “Wir schauen, was an vergleichbaren Standorten passiert ist” ist intuitiv verständlich und schafft mehr Vertrauen als eine Black-Box-Zahl.
• Pilotstandorte für den Aufbau eigener Datenbasis priorisieren. Ein Standort, der seit 6 Monaten Betriebsdaten liefert, reduziert die Prognoseunsicherheit für alle strukturell ähnlichen Standorte im Portfolio erheblich.

Die technische Seite — Datenintegration, Modellkonfiguration, Ausgabe-Visualisierung — ist das Lösbarste an diesem Use Case. Das Schwierigere ist das Erwartungsmanagement nach oben (Management will Punktwerte, bekommt Bandbreiten) und nach außen (Netzbetreiber und Baugenehmigungsbehörden wollen konkrete Leistungsangaben, keine Konfidenzintervalle).

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der Zeitplan gilt für den Erstaufbau. Ab dem dritten Standort gleichen Typs sinkt der Validierungsaufwand deutlich — das Look-alike-Modell wird mit jedem neuen Betriebsdatenpunkt belastbarer.

Häufige Einwände — und was dahintersteckt

“Das machen wir schon mit einer Branchenstudie und Expertengesprächen.” Das stimmt — und es reicht manchmal. Für einen einzigen Standort mit unkritischer Dimensionierung (unter 20 Punkte, klarer Nutzungstyp) ist der Mehraufwand einer standortspezifischen Prognose tatsächlich schwer zu rechtfertigen. Das Argument bricht zusammen, wenn es um Portfolios mit 50+ Standorten geht, wenn die Standorttypen heterogen sind, oder wenn die Leistungsklassenentscheidung (AC vs. DC) erhebliche Kostendifferenzen erzeugt. Wer an einem Standort 200.000 Euro zu wenig für Ladeinfrastruktur ausgibt und dann nachbessern muss, hat die Tiefbauarbeiten zweimal bezahlt.

“Die KI kann nicht wissen, wie sich das Fahrverhalten bei uns entwickelt.” Das stimmt auch — teilweise. Prognosemodelle für neue Standorte ohne vergleichbare Referenzen arbeiten mit breiten Bändern. Aber “ich weiß es nicht” ist keine bessere Entscheidungsgrundlage als “das Modell sagt 8–20 Ladevorgänge täglich mit einem Schwerpunkt nach dem Schichtende.” Das erste Konfidenzintervall, auch wenn es breit ist, erlaubt eine Entscheidung: Ich baue für das obere Ende des Intervalls, weil Nachrüsten teurer wäre als zu viel zu bauen. Das ist eine rational fundierte Entscheidung als “ich nehme, was der Hersteller empfiehlt.”

“Datenschutz macht das unmöglich.” Nein. Aggregierte Nutzungsdaten auf Standortebene — Anzahl Ladevorgänge, Durchschnittsdauer, Energiemenge, ohne Fahrzeug-ID — sind datenschutzrechtlich unproblematisch. Der Aufwand für eine standortbezogene Prognoseanalyse liegt nicht bei DSGVO-Compliance, sondern bei der Datenqualität. Die DSGVO-Frage stellt sich erst, wenn du individuelle Fahrerprofile oder fahrzeugbezogene Bewegungsdaten analysieren willst — was für die Prognoseplanung nicht nötig ist.

Woran du merkst, dass das zu dir passt

• Du planst mehr als 30 Ladepunkte an einem Standort — darunter ist die Toleranz gegenüber einer Fehleinschätzung gering genug, dass der Prognoseaufwand den ROI nicht rechtfertigt
• Du hast mehrere Standorte mit unterschiedlichen Nutzungstypen — Büro, Produktionshalle und öffentlicher Parkplatz im selben Portfolio sind ein gutes Zeichen, dass pauschale Dimensionierung nicht funktioniert
• Die Leistungsklassenentscheidung ist noch offen — wenn du noch nicht weißt, ob AC 22 kW oder DC-Schnellladung benötigt wird, ist das der wichtigste Hebel für das Prognosemodell
• Du hast oder wirst bald Betriebsdaten aus einer Pilotinstallation haben — dann ist die Qualität der Prognose signifikant besser als bei null eigenen Daten
• Dein Investitionsvolumen für Ladeinfrastruktur liegt über 500.000 Euro — ab dieser Größenordnung rechtfertigt die Präzisionsverbesserung die Planungskosten klar

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 20 geplanten Ladepunkten oder unter 200.000 Euro Investitionsvolumen. Das Prognosemodell verbessert die Entscheidung, aber die absolute Fehlertoleranz ist zu klein, um die Analysekosten zu rechtfertigen. Hier reicht eine gute Standortbegehung und ein Gespräch mit dem Netzbetreiber.

2. Kein Betriebsdatenzugang und keine strukturell vergleichbaren Referenzstandorte. Ein Modell, das nur auf nationalen Durchschnittswerten basiert, ist keine Verbesserung gegenüber einer Branchenstudie. Wer keine eigenen Daten hat und keine vergleichbaren Standorte im Netzwerk findet, sollte erst eine Pilotinstallation aufbauen und 3–6 Monate laufen lassen.

3. Elektrik und Netzanschluss noch nicht geplant. Wer noch nicht weiß, welche Netzanschlusskapazität am Standort verfügbar ist, sollte diese Grundlagenfrage zuerst klären. Das Prognosemodell sagt, wie viel Ladekapazität du brauchst — es kann aber keine Leistung aus dem Netz beschaffen, die nicht vorhanden ist. Die Netzfrage bestimmt die Obergrenze, das Prognosemodell bestimmt, wo innerhalb dieser Obergrenze du am wirtschaftlichsten bist.

Das kannst du heute noch tun

Öffne den kostenlosen Probeaccount von Localiser — dieser erlaubt die Analyse von bis zu fünf Standorten für zwei Wochen ohne Kosten. Falls du noch keinen konkreten Standort hast, nutze ChatGPT oder Claude, um mit deinem Standortprofil eine erste strukturierte Analyse zu starten: Welcher Standorttyp liegt vor, welche Betriebsdaten sind vorhanden, welche Look-alike-Standorte kämen in Frage?

Der folgende Prompt ist dafür direkt nutzbar:

Quellen & Methodik

• Nationale Leitstelle Ladeinfrastruktur / NOW GmbH / Reiner Lemoine Institut: „Ladeinfrastruktur nach 2025/2030: Szenarien für den Markthochlauf”, Neuauflage 2024 (now-gmbh.de). Zitierte Werte: 123.449 öffentliche Ladepunkte zum 1.1.2024; Bedarf bis 2030: 380.000–680.000 Punkte; Schwankungsbreite durch private Ladeinfrastrukturverfügbarkeit: bis zu 33 % Unterschied im Bedarf.
• MDPI Energies / Springer Nature (2025): Systematische Literaturübersicht zu ML-basierter EV-Ladebedarfsprognose; 87,5 % Anstieg veröffentlichter Studien 2023; Empfehlung periodisches Retraining (quartalsweise) für Standortmodelle. DOI: 10.3390/en18174779.
• iodynamics.de (2024): Blog-Beitrag „Die Netzkapazitäts-Falle — der teuerste Fehler bei der E-Flotten-Planung.” Zitiertes Kostenrisiko: sechsstellige Summen und Wartezeiten von Monaten bei falsch geplanten Netzanschlüssen.
• Localiser GmbH (2025): Produktbeschreibung und Kundenbasis (740+ Unternehmen, darunter Vattenfall, TotalEnergies, HochTief). Datenpool: über 2.000 CPO-Netzwerke mit täglicher Aktualisierung. Quelle: localiser.de.
• Hardware-Kostenbenchmarks: Erfahrungswerte aus Ausschreibungen für EV-Ladeinfrastruktur in Deutschland (2024); AC-22kW: 2.000–5.000 €/Port; DC-50kW: 15.000–35.000 €/Port; HPC-150kW: 50.000–80.000 €/Port (Hardware ohne Tiefbau und Netzanschluss).

Du willst für einen konkreten Standort die Datenlage einschätzen und weißt nicht, ob eine Prognoseanalyse den Aufwand rechtfertigt? Das klären wir in einem kurzen Gespräch.