Dynamische Preise optimieren E-Auto-Laden in Mikrogrids
Eine bahnbrechende Studie unter der Leitung von Xia Xin, einem Doktoranden an der China Three Gorges University, stellt eine neuartige zweischichtige Optimierungsstrategie vor, die dynamische Strompreise nutzt, um Elektrofahrzeuge (E-Fahrzeuge) effizienter in Mikrogrids zu integrieren. Dieser innovative Ansatz verbessert nicht nur die Stabilität und wirtschaftliche Betriebsführung von Mikrogrids erheblich, sondern steigert auch die Benutzerzufriedenheit und markiert einen bedeutenden Fortschritt im Bereich der intelligenten Netztechnologie.
Die Forschung, veröffentlicht in der Fachzeitschrift Electric Power Engineering Technology, beschäftigt sich mit der wachsenden Herausforderung, die steigende Zahl an E-Fahrzeugen im Stromnetz zu managen. Während die Akzeptanz von E-Fahrzeugen weiter steigt, sind die Nachfrage nach Ladeinfrastruktur und die Auswirkungen auf das Stromnetz zu kritischen Themen geworden. Traditionelle feste und zeitabhängige (TOU) Preismodelle sind oft nicht in der Lage, der dynamischen Natur des E-Fahrzeugladens angemessen zu begegnen, was zu Spitzenlastproblemen und Ineffizienzen bei der Nutzung erneuerbarer Energiequellen führt. Xia Xin und sein Team schlagen eine dynamische Preismodellierung vor, die Strompreise in Echtzeit basierend auf der Netto-Last des Mikrogrids anpasst, um das Ladeverhalten von E-Fahrzeugen zu steuern und die Gesamtleistung des Systems zu optimieren.
Der Kern der vorgeschlagenen Strategie ist ein zweischichtiges Optimierungsmodell. Die obere Schicht konzentriert sich auf das E-Fahrzeuglastmodell, das die schnellen und langsamen Ladeeigenschaften verschiedener Arten von E-Fahrzeugen analysiert, einschließlich Privatautos, Taxis und Bussen. Durch die Berücksichtigung des Strompreises des Mikrogrids als Leitfaktor zielt das Modell darauf ab, die Benutzerzufriedenheit zu maximieren. Die untere Schicht hingegen ist ein Mehr-Mikrogrid-Betriebsmodell, das dynamische Preismodelle basierend auf der Netto-Last des Mikrogrids formuliert. Dieses Modell berücksichtigt den Verbrauch neuer Energie durch das Laden von E-Fahrzeugen und die Nachfrage nach Leistungsschwankungen, optimiert die dynamischen Preise jedes Bereichs, um die Netto-Lastschwankungen und Betriebskosten des Mikrogrids zu minimieren.
Um die Wirksamkeit ihres Ansatzes zu überprüfen, führten die Forscher eine Fallstudie in einem städtischen Entwicklungsgebiet durch, das in drei Bereiche unterteilt wurde: Wohn-, Geschäfts- und Bürogebiet. Die Studie umfasste 1.000 Privatautos, 100 Taxis und 50 Busse, mit einer durchschnittlichen Fahrzeuggeschwindigkeit von 30 km/h. Das Mikrogrid war mit Schnellladestationen (60 kW) und Langsamladestationen (12 kW) ausgestattet. Die Forscher verglichen drei Szenarien: unkoordiniertes Laden mit festen Preisen, koordiniertes Laden mit TOU-Preisen und koordiniertes Laden mit der vorgeschlagenen dynamischen Preismodellierung.
Im ersten Szenario, unkoordiniertes Laden mit festen Preisen, luden die E-Fahrzeuge ohne jegliche Leitung, was zu signifikanten Spitzen in der Netto-Last führte, insbesondere in den Morgen- und Abendstunden. Dieses Szenario resultierte in hohen Netto-Lastschwankungen und erhöhten Betriebskosten für das Mikrogrid. Das zweite Szenario, koordiniertes Laden mit TOU-Preisen, zeigte eine gewisse Verbesserung im Lastmanagement, aber die Spitzen waren weiterhin vorhanden, und die gesamte Reduzierung der Netto-Lastschwankungen war begrenzt.
Das dritte Szenario, das die vorgeschlagene dynamische Preismodellierung implementierte, zeigte eine signifikante Verbesserung sowohl im Lastmanagement als auch in der wirtschaftlichen Effizienz. Das dynamische Preismodell passte die Strompreise in Echtzeit basierend auf der Netto-Last des Mikrogrids an. Wenn die Netto-Last negativ war, was auf überschüssige erneuerbare Energie hindeutet, wurden die Preise gesenkt, um E-Fahrzeuge zum Laden zu ermutigen und so die überschüssige Energie zu verbrauchen. Umgekehrt wurden die Preise erhöht, wenn die Netto-Last positiv war, was auf eine hohe Nachfrage hinweist, um das Laden zu entmutigen und die Belastung des Netzes zu reduzieren.
Die Ergebnisse der Fallstudie waren überzeugend. Im Zeitraum von 07:00 bis 10:00 Uhr reduzierte die dynamische Preismodellierung effektiv den schnellen Anstieg der schnellen und langsamen Ladeleistungen im Bürogebiet, was zuvor zu signifikanten Netto-Lastsprüngen geführt hatte. Durch die Leitung schneller Ladevorgänge in das Geschäfts- und Wohngebiet und die Anpassung der Startzeiten für langsames Laden erreichte die Strategie eine ausgeglichenere Verteilung der Ladeleistungen. Dies führte zu einer erheblichen Reduzierung der Netto-Lastschwankungen im Bürogebiet, während die Auswirkungen auf das Geschäfts- und Wohngebiet minimal blieben.
Während des Zeitraums von 10:00 bis 18:00 Uhr adressierte die dynamische Preismodellierung das Problem der ungenutzten Wind- und Solarenergie im Wohngebiet. Durch die Senkung der Preise ermutigte die Strategie E-Fahrzeuge aus dem Büro- und Geschäftsgebiet, im Wohngebiet zu laden, wodurch die überschüssige erneuerbare Energie effektiv verbraucht wurde. Dies verbesserte nicht nur die Nutzung erneuerbarer Ressourcen, sondern reduzierte auch die Netto-Lastschwankungen im Geschäftsgebiet, obwohl es eine leichte Erhöhung im Bürogebiet gab.
Im Zeitraum von 18:00 bis 24:00 Uhr, als die Photovoltaik-Generierung endete und die Windkraft abnahm, erreichte die Grundlast in allen Bereichen ihren Höhepunkt. Die dynamische Preismodellierung gelang es erfolgreich, den höchsten Netto-Lastsprung im Geschäftsgebiet zu mildern, indem einige der schnellen Ladeleistungen in das Büro- und Wohngebiet umgeleitet wurden. Obwohl dies zu einer leichten Erhöhung der Netto-Lastschwankungen im Büro- und Wohngebiet führte, reduzierte es effektiv die Auswirkungen der Spitzenlast auf das Geschäfts-Mikrogrid.
Schließlich, im Zeitraum von 00:00 bis 07:00 Uhr, als die Windkraftgenerierung zunahm und der Grundlastverbrauch abnahm, verlagerte die dynamische Preismodellierung einige der langsamen Ladeleistungen aus dem Zeitraum 18:00 bis 24:00 Uhr in diesen Zeitrahmen. Zusätzlich wurden einige schnelle Ladeleistungen aus dem Geschäftsgebiet in das Büro- und Wohngebiet umgeleitet, was die Lastverteilung weiter ausglich.
Die Optimierung der Netto-Lastdaten zeigte signifikante Verbesserungen. Im Vergleich zum unkoordinierten Ladenszenario reduzierte die dynamische Preismodellierung die Netto-Lastspitzen-Tal-Differenz um 11,3 %, 22,2 % und 19,7 % im Büro-, Geschäfts- und Wohngebiet, respectively. Die Netto-Lastvarianz wurde ebenfalls um 18,9 %, 22,5 % und 6,5 % in diesen Bereichen reduziert. Diese Reduzierungen der Netto-Lastschwankungen und Spitzen-Tal-Differenzen verbesserten nicht nur die Stabilität des Mikrogrids, sondern reduzierten auch die Betriebskosten.
Die wirtschaftlichen Vorteile der dynamischen Preismodellierung waren ebenfalls offensichtlich. Die Gesamtbetriebskosten des Mikrogrids wurden um 13,95 % im Vergleich zum unkoordinierten Ladenszenario reduziert. Insbesondere wurden die Betriebskosten im Büro- und Geschäftsgebiet um 19,21 % und 17,58 % reduziert, während das Wohngebiet eine Reduzierung von 3,2 % sah. Die höhere Reduzierung im Büro- und Geschäftsgebiet ist auf die signifikantere Wirkung der dynamischen Preismodellierung in diesen Bereichen zurückzuführen, wo die Netto-Lastschwankungen anfangs höher waren.
Die Benutzerzufriedenheit war ein weiterer wichtiger Indikator in der Studie. Im unkoordinierten Ladenszenario hatten die Benutzer die höchste Reisezufriedenheit, da sie an der nächsten Station laden konnten, aber ihre Ladekostenzufriedenheit war aufgrund der festen Preise niedrig. Im TOU-Preisszenario nahm die Reisezufriedenheit der Benutzer leicht ab, aber ihre Ladekostenzufriedenheit verbesserte sich, was zu einer moderaten Gesamtbenutzerzufriedenheit führte. Im dynamischen Preisszenario hingegen sank die Reisezufriedenheit der Benutzer erheblich, da sie verschiedene Ladezeiten und -orte wählen mussten. Trotzdem führte die erhebliche Reduzierung der Ladekosten zu einer 22,11 %igen Steigerung der Gesamtbenutzerzufriedenheit.
Der Erfolg der dynamischen Preismodellierung liegt in ihrer Fähigkeit, die Interessen sowohl der Mikrogrid-Betreiber als auch der E-Fahrzeugnutzer auszugleichen. Durch die dynamische Anpassung der Preise basierend auf der Echtzeit-Netto-Last stellt die Strategie sicher, dass das Mikrogrid effizienter und wirtschaftlicher betrieben wird, während gleichzeitig finanzielle Anreize für die Nutzer geschaffen werden, an Lastmanagementprogrammen teilzunehmen. Dieser gegenseitige Nutzen ist ein entscheidender Faktor für die breite Akzeptanz solcher Strategien.
Die Forscher betonten auch die Bedeutung der Berücksichtigung der Rampencharakteristiken der Stromerzeugungseinheiten des Mikrogrids. Das dynamische Preismodell berücksichtigt die maximalen Rampenraten von Dieselgeneratoren und Netzverbindungsleitungen, um sicherzustellen, dass die Änderungen in den E-Fahrzeug-Ladeleistungen die physikalischen Grenzen des Mikrogrids nicht überschreiten. Diese Berücksichtigung ist entscheidend für die Sicherheit und Stabilität des Mikrogrids, insbesondere während Zeiten hoher Lastvariabilität.
Die Ergebnisse der Studie haben erhebliche Implikationen für die Zukunft der intelligenten Netztechnologie und die Integration von E-Fahrzeugen in das Stromnetz. Während die Zahl der E-Fahrzeuge weiter steigt, wird die Notwendigkeit intelligenter und adaptiver Ladestrategien zunehmend wichtig. Die von Xia Xin und seinem Team vorgeschlagene dynamische Preismodellierung bietet eine praktische und effektive Lösung für diese Herausforderung und demonstriert das Potenzial für signifikante Verbesserungen in der Netzstabilität, wirtschaftlichen Effizienz und Benutzerzufriedenheit.
Darüber hinaus unterstreicht die Forschung die Bedeutung interdisziplinärer Zusammenarbeit bei der Bewältigung komplexer Energieforschungsaufgaben. Das Team an der China Three Gorges University, bestehend aus Experten für Elektrotechnik, neue Energie und Optimierung von Stromsystemen, brachte eine Vielzahl von Fähigkeiten und Perspektiven zusammen, um diese innovative Lösung zu entwickeln. Dieser kollaborative Ansatz ist entscheidend für die Weiterentwicklung der intelligenten Netztechnologie und dafür, dass die Vorteile erneuerbarer Energie und E-Fahrzeuge voll ausgeschöpft werden können.
Die Veröffentlichung dieser Forschung in der Fachzeitschrift Electric Power Engineering Technology, mit einer DOI von 10.12158/j.2096-3203.2024.03.015, unterstreicht die Bedeutung der Arbeit innerhalb der wissenschaftlichen Gemeinschaft. Die Zeitschrift, bekannt für ihren strengen Peer-Review-Prozess und hohe Standards, bietet eine Plattform für die Verbreitung bahnbrechender Forschung im Bereich der Energietechnik. Die Aufnahme dieser Studie in die Mai-Ausgabe 2024 der Zeitschrift betont weiter ihre Relevanz und ihren Einfluss.
Zusammenfassend stellt die von Xia Xin und seinen Kollegen an der China Three Gorges University entwickelte dynamische Preismodellierung einen bedeutenden Schritt nach vorn in der Integration von E-Fahrzeugen in Mikrogrid-Systeme dar. Durch die Nutzung von Echtzeitdaten und adaptiven Preisen verwaltet die Strategie effektiv die dynamische Natur des E-Fahrzeugladens, verbessert die Stabilität und wirtschaftliche Effizienz des Mikrogrids und steigert gleichzeitig die Benutzerzufriedenheit. Während die Welt weiterhin zu einer nachhaltigeren und widerstandsfähigeren Energiezukunft übergeht, werden solche innovativen Lösungen eine entscheidende Rolle dabei spielen, die intelligenten Netze von morgen zu gestalten.
Xia Xin, Zhong Hao, Zhang Lei, Shu Dong, Wu Fan, Dong Xuewei, College of Electrical Engineering & New Energy, China Three Gorges University, Electric Power Engineering Technology, 10.12158/j.2096-3203.2024.03.015