Dreischichtige Ladeoptimierung für Elektrofahrzeuge
Die rasante Verbreitung von Elektrofahrzeugen (EVs) verändert nicht nur die Automobilindustrie, sondern stellt auch die bestehende Infrastruktur vor immense Herausforderungen. Mit der steigenden Zahl an Elektrofahrzeugen auf den Straßen wächst nicht nur die Nachfrage nach Energie, sondern auch der Druck auf die Stromnetze und das Verkehrssystem. Unkoordiniertes Laden, insbesondere während Spitzenzeiten, kann zu erheblichen Lastspitzen im Stromnetz führen, was wiederum zu Spannungsschwankungen, erhöhten Netzverlusten und einer Überlastung der Transformatorstationen führt. Gleichzeitig konzentrieren sich Fahrer oft auf die nächstgelegenen oder bekanntesten Ladestationen, was zu Staus und langen Wartezeiten an diesen Standorten führt. Diese Doppelbelastung – auf das Stromnetz und das Verkehrsnetz – erfordert einen ganzheitlichen Lösungsansatz, der über die traditionellen, isolierten Optimierungsstrategien hinausgeht.
In einer bahnbrechenden Studie haben Forscher der China Jiliang University eine innovative dreischichtige Optimierungsstrategie entwickelt, die genau diese Herausforderungen adressiert. Die Arbeit, verfasst von Wang Haodong, Yu Jiangtao und Zheng Di vom College of Mechanical and Electrical Engineering, wurde in der renommierten Fachzeitschrift Modern Electronics Technique veröffentlicht. Ihr Modell, das als „Fahrzeug-Straße-Netz“-Framework bezeichnet wird, verbindet erstmals die Interessen des Stromverteilungsnetzes, des städtischen Straßennetzes und der Fahrer selbst in einem einzigen, integrierten System. Anstatt diese drei kritischen Dimensionen getrennt zu betrachten, wie es in der bisherigen Forschung oft der Fall war, schafft dieser Ansatz eine Synergie, die zu einer nachhaltigeren und effizienteren Zukunft für die Elektromobilität führen kann.
Die Kernidee hinter dieser dreischichtigen Struktur ist die Erkenntnis, dass das Laden eines Elektrofahrzeugs kein isoliertes Ereignis ist, sondern ein komplexer Prozess, der tief in das Energiesystem und das Verkehrsverhalten eingebettet ist. Frühere Ansätze haben oft nur einen Aspekt optimiert. Einige Studien konzentrierten sich ausschließlich auf das Stromnetz und verwendeten Methoden wie die zeitabhängige Tarifgestaltung, um das Laden in die Nachtstunden zu verlagern und so die Lastspitzen zu glätten. Andere Forschungsarbeiten optimierten hingegen die Routenplanung für Fahrer, um ihnen den kürzesten Weg zu einer verfügbaren Ladestation zu zeigen. Doch diese fragmentierten Ansätze führen häufig zu unerwünschten Nebeneffekten. Eine Route, die den Fahrer zu einer nahegelegenen Station führt, könnte ihn in eine lange Schlange bringen, was seine Gesamtkosten – gemessen in Zeit und Geld – erhöht. Umgekehrt könnte eine netzoptimierte Strategie, die viele Fahrzeuge zu einer einzigen Station lenkt, um den lokalen Stromverbrauch zu konzentrieren, das umliegende Straßennetz komplett blockieren. Die Forscher der China Jiliang University haben erkannt, dass eine wirklich effektive Lösung alle drei Elemente – Netz, Straße und Fahrer – gleichzeitig berücksichtigen muss.
Das von Wang, Yu und Zheng vorgestellte Modell ist in drei aufeinander aufbauende Schichten unterteilt, die wie ein Orchester miteinander kommunizieren. Die oberste Schicht, die Netzschicht, hat das übergeordnete Ziel, die Stabilität und Effizienz des gesamten Stromverteilungsnetzes zu gewährleisten. Ihr primäres Ziel ist die Minimierung der Varianz der äquivalenten Last über einen Zeitraum von 24 Stunden. Dieses Ziel, auch bekannt als „Lastglättung“ oder „Peak Shaving“, ist entscheidend, um die Belastung des Netzes zu reduzieren und die Notwendigkeit für teure Spitzenlastkraftwerke zu verringern. Die Forscher verwenden dazu einen sogenannten Kuckuck-Suchalgorithmus (Cuckoo Search, CS), einen intelligenten, von der Natur inspirierten Optimierungsalgorithmus, der besonders gut darin ist, in komplexen Suchräumen nach globalen Optima zu suchen und nicht in lokalen Minima stecken zu bleiben. Die Ausgabe dieser Schicht ist ein optimierter Zeitplan für die Gesamtladeleistung aller Elektrofahrzeuge im Netz, der als Leitplanke für die unteren Schichten dient.
Die mittlere Schicht, die Verteilnetzschicht, nimmt diesen Gesamtplan und verteilt die Last auf die individuellen Ladestationen innerhalb des Stromnetzes. Hier liegt ein entscheidender technischer Fortschritt: Im Gegensatz zu vielen Modellen, die sich nur auf die aktive Leistung (Wirkleistung) konzentrieren, berücksichtigt dieses Modell auch die reaktive Leistung (Blindleistung). Diese Differenzierung ist von entscheidender Bedeutung, da Blindleistung zwar nicht direkt in Arbeit umgewandelt wird, aber einen erheblichen Einfluss auf die Spannungsstabilität und die Netzverluste hat. Indem das Modell beide Leistungsarten gleichzeitig optimiert, kann es die Spannungsprofile im Netz viel präziser steuern und die aktiven Netzverluste, die als Wärme in den Leitungen verloren gehen, signifikant reduzieren. Das Ziel dieser Schicht ist die Minimierung der gesamten aktiven Netzverluste über alle Leitungsabschnitte. Um dieses komplexe, nichtlineare Problem zu lösen, wenden die Forscher eine Technik namens „Zweiter Ordnung Kegelrelaxierung“ (Second-Order Cone Relaxation, SOCR) an. Diese Methode transformiert die ursprünglich schwer lösbaren Gleichungen des Stromflusses in eine mathematisch handhabbare, konvexe Form, die dann mit leistungsstarken kommerziellen Optimierungslösungen wie CPLEX effizient berechnet werden kann. Das Ergebnis ist eine detaillierte Verteilung der optimalen aktiven und reaktiven Leistung für jede einzelne Ladestation, die sicherstellt, dass das Netz innerhalb seiner sicheren Betriebsgrenzen bleibt.
Die unterste Schicht, die Fahrerschicht, ist der Punkt, an dem die abstrakte Netzoptimierung auf die reale Welt des Fahrers trifft. Ihr Ziel ist es, die Gesamtkosten des Fahrers für den Ladevorgang zu minimieren. Dieser Kostenbegriff ist jedoch weit gefasst und umfasst nicht nur den reinen Preis für die verbrauchte elektrische Energie. Er integriert auch den monetären Wert der Zeit des Fahrers. Die Gesamtkosten setzen sich somit aus drei Komponenten zusammen: der Fahrzeit zur Ladestation, der Wartezeit in der Schlange und den direkten Energiekosten. Diese integrierte Betrachtung ist ein Paradigmenwechsel, denn sie erkennt an, dass für viele Fahrer die Zeit, die sie mit Warten oder Umwegen verbringen, genauso wertvoll ist wie das Geld, das sie für Strom ausgeben. Um die optimale Route zu finden, verwendet das Modell einen klassischen Dijkstra-Algorithmus, der auf einer Adjazenzmatrix basiert, die das städtische Straßennetz repräsentiert. Jede Verbindung in dieser Matrix hat ein Gewicht, das sich aus der Entfernung und dem aktuellen Verkehrsaufkommen ergibt. Ein entscheidender Faktor ist die Vorhersage der Wartezeit an der Ladestation, die von der Anzahl der Fahrzeuge abhängt, die gleichzeitig ankommen. Das Modell simuliert dieses dynamische Verhalten, sodass ein Fahrer, der eine Station wählt, die aktuell wenig frequentiert ist, aber weit entfernt liegt, gegen einen anderen Fahrer abgewogen wird, der eine nahegelegene, aber möglicherweise überlastete Station ansteuert. Die unterste Schicht erhält von der mittleren Schicht die Informationen darüber, wie viel Leistung jede Station liefern kann, und kombiniert dies mit den Routendaten, um dem Fahrer einen personalisierten Plan vorzuschlagen, der seine Gesamtkosten minimiert.
Die wahre Stärke des Modells liegt in der nahtlosen Interaktion zwischen diesen drei Schichten. Sie arbeiten nicht unabhängig voneinander, sondern bilden ein geschlossenes Regelkreissystem. Die oberste Schicht gibt die grobe Richtung vor, die mittlere Schicht verteilt die Last detailliert, und die unterste Schicht führt die individuellen Fahrerentscheidungen zurück in das System. Wenn viele Fahrer aufgrund des unteren Modells eine bestimmte Station wählen, erhöht sich die vorhergesagte Wartezeit für diese Station, was wiederum zukünftige Fahrer davon abhalten wird, sie zu wählen, es sei denn, die Fahrzeit ist extrem kurz. Diese Rückkopplung sorgt für eine realistische und stabile Simulation des gesamten Systems und verhindert die Bildung von künstlichen Hotspots.
Um die Wirksamkeit ihres Modells zu testen, führten die Forscher eine umfangreiche Simulation durch, die auf einem realen Szenario in Hangzhou, China, basiert. Sie modellierten ein komplexes städtisches Gebiet, das in Wohn-, Geschäfts-, Arbeits- und Parkzonen unterteilt war. In dieses Netzwerk integrierten sie eine Flotte von 1.000 Elektrofahrzeugen des Modells Zeekr 001, jedes mit einer Batteriekapazität von 100 kWh. Das Stromnetz basierte auf dem standardisierten IEEE-33-Knoten-System, das mit fünf Ladestationen, zwei Photovoltaik-Anlagen und zwei Windkraftanlagen erweitert wurde. Dieser Aufbau ermöglichte es, die Wechselwirkungen zwischen Elektrofahrzeugen und erneuerbaren Energiequellen zu untersuchen, ein weiterer Schlüssel für eine nachhaltige Zukunft.
Die Simulation verglich drei verschiedene Szenarien. Das erste Szenario war eine Kontrollgruppe ohne Elektrofahrzeuge. Das zweite Szenario repräsentierte einen „Fahrzeug-Netz“-Ansatz, bei dem das Laden für das Netz optimiert wurde, ohne die Verkehrsströme zu berücksichtigen. Das dritte Szenario war das vollständige „Fahrzeug-Straße-Netz“-Modell der Forscher.
Die Ergebnisse waren beeindruckend. Im Vergleich zum ungeordneten Laden reduzierte die dreischichtige Optimierung die Varianz der äquivalenten Last um 72,82 %. Dies bedeutet eine erhebliche Glättung der Lastkurve und eine erhebliche Entlastung des Stromnetzes. Noch bemerkenswerter war die Reduzierung der aktiven Netzverluste um 83,41 %. Dies ist ein direkter Maßstab für die Effizienzsteigerung, da weniger Energie verschwendet wird. Das Modell verbesserte auch die Spannungsstabilität erheblich und reduzierte die Spannungsabweichung um über 72 %.
Für die Fahrer selbst waren die Vorteile ebenfalls klar. In einem Szenario, in dem Fahrer nur die kürzeste Fahrzeit suchten, landeten sie oft in langen Warteschlangen, was ihre Gesamtkosten erhöhte. Fahrer, die nur die kürzeste Wartezeit suchten, mussten lange Strecken zurücklegen, was ihre Fahrzeit und Energiekosten in die Höhe trieb. Fahrer, die den vollständigen dreischichtigen Optimierungsplan nutzten, erzielten die niedrigsten Gesamtkosten und senkten diese um 8,89 % gegenüber der „kürzeste-Fahrzeit“-Strategie und um 4,51 % gegenüber der „kürzeste-Wartezeit“-Strategie. Dies demonstriert eindrucksvoll, dass eine ganzheitliche Betrachtung bessere Ergebnisse für den Einzelnen liefert.
Diese Forschung bietet einen klaren Fahrplan für die Zukunft smarter Städte. Sie zeigt, dass durch die Integration von Energie, Verkehr und Nutzerverhalten intelligente Systeme geschaffen werden können, die für alle Beteiligten von Vorteil sind. Für Netzbetreiber bedeutet dies mehr Stabilität und geringere Kosten. Für Stadtplaner bedeutet es weniger Staus an Ladestationen. Und für die Verbraucher bedeutet es niedrigere Kosten und weniger Stress. Wang Haodong, Yu Jiangtao, Zheng Di, China Jiliang University, Modern Electronics Technique, DOI: 10.16652/j.issn.1004⁃373x.2024.10.030