E-Auto-Aggregation verändert Netzspeicherplanung
In einer eher unscheinbaren Ecke des chinesischen Energiesektors vollzieht sich ein subtiler, aber bedeutender Wandel. Ingenieure und Forscher beginnen, Elektrofahrzeuge nicht mehr nur als Energieverbraucher zu betrachten, sondern als dynamische, mobile Netzanlagen. Dieser Perspektivwechsel erschließt neue Strategien für den Einsatz von Energiespeichern, insbesondere auf der Verteilnetzebene, wo die Volatilität erneuerbarer Energien und die Lastunsicherheit die Planung seit langem erschweren.
Eine bahnbrechende Studie, die kürzlich in Energy Storage Science and Technology von Luo Shigang, Teng Jie und Tan Zhuangxi veröffentlicht wurde, liefert einen der bislang klarsten Fahrpläne dafür, wie diese Integration funktionieren kann – und sollte. Das Papier stellt ein neuartiges zweistufiges stochastisches Optimierungsframework für die Standortbestimmung und Dimensionierung von netzgekoppelten Energiespeichersystemen vor, mit einem besonders bemerkenswerten Merkmal: Es integriert explizit die abrufbare Flexibilität von aggregierten Elektrofahrzeug-Ladestationen in den Planungsprozess. Und die Ergebnisse sind nicht schrittweise – sie sind revolutionär.
Auf den ersten Blick erscheint die Idee offensichtlich: Wenn Millionen von Elektrofahrzeugen bereits täglich ans Netz gehen, warum sollte man sie nicht als kollektive, steuerbare Last (oder manchmal auch als dezentrale Energiequelle) behandeln? Aber wie so oft steckt der Teufel im Detail – in der Modellierungstreue, der rechnerischen Handhabbarkeit und den betrieblichen Einschränkungen der realen Welt. Die Methode des Teams umgeht viele der traditionellen Hindernisse. Anstatt Planer mit hochdimensionalen Optimierungsproblemen zu überhäufen oder individuelle E-Auto-Daten zu benötigen, verwenden sie ein auf der Minkowski-Summe basierendes Modell zweiter Ordnung, um den aggregierten zulässigen Bereich einer Ladestation zu beschreiben. Dieses Modell erfasst die wesentliche Flexibilität einer E-Auto-Flotte – Ankunftszeiten, Abfahrtszeiten, Ladezustandsanforderungen – aber ohne den kombinatorischen Explosions-Effekt, der solche Ansätze für die Großplanung historisch unpraktikabel machte.
Was diese Arbeit in einem überfüllten Forschungsfeld hervorhebt, ist ihre betriebliche Realitätsnähe. Oft behandeln Studien zur Speicherplanung Speicher als Blackbox: Laden, wenn es billig ist, Entladen, wenn es teuer ist. Dieser Ansatz, obwohl wirtschaftlich intuitiv, kann nach hinten losgehen. In einigen Fällen kann spekulatives Speicherverhalten im großen Maßstab die Netzkongestion sogar verschlimmern – es führt zu neuen Lastspitzen, wo keine existierten, oder verlagert Belastungen von einer Leitung auf eine andere. Luo und seine Kollegen vermeiden diese Fallstrick, indem sie den räumlich-zeitlichen Leistungsflussausgleich zum Kernziel machen – nicht nur Kostenminimierung oder reine Gewinnmaximierung.
Vergleichen Sie es mit der Stadtverkehrsplanung: Man will nicht nur weniger Autos auf der Straße; man will einen flüssigeren, gleichmäßiger verteilten Verkehr über die Zeit und alle Spuren hinweg. Ähnlich quantifiziert der Balance-Indikator des Teams, wie gleichmäßig der Strom durch alle Zweige und Zeitintervalle fließt. Die Minimierung dieser Metrik führt zu flacheren, widerstandsfähigeren Spannungsprofilen, reduzierter thermischer Belastung von Leitungen und Transformatoren und einem geringeren Risiko für Kaskadenausfälle. Es ist eine systemweite Metrik – genau die Art vorausschauender Metrik, die Netzbetreiber benötigen, da dezentrale Energiequellen sich vervielfachen.
Das Modell umgeht auch geschickt ein weiteres klassisches Kopfzerbrechen: wie man Energieverluste während Lade-/Entladezyklen darstellt, ohne den Löser mit binären Variablen oder Nichtlinearitäten lahmzulegen. Ihre Lösung? Ersetzen Sie interne Batterieineffizienzen durch einen virtuellen Widerstandszweig in den Leistungsflussgleichungen – ein kleiner aber eleganter Trick, entlehnt aus der Literatur zur erweiterten Verteilnetzmodellierung. Dies linearisiert die Verlustdarstellung bei Wahrung der physikalischen Treue und funktioniert hervorragend mit konischen Relaxationen der Distflow-Gleichungen, die das Team verwendet, um rechenbare Skalierbarkeit und Lösungsgenauigkeit zu gewährleisten.
Doch die wichtigste Erkenntnis dieser Forschung liegt vielleicht nicht in der Mathematik – sondern in den Implikationen.
Als die Autoren ihr Framework auf einem modifizierten IEEE-33-Verteilnetz testeten, fanden sie etwas Bemerkenswertes: Mit zunehmendem steuerbarem Anteil von E-Autos – von 20 % auf 80 % – stieg die optimale installierte Energiespeicherkapazität leicht an, entgegen der naiven Erwartung, dass mehr E-Auto-Flexibilität Batteriespeicher ersetzen würde. Warum?
Weil E-Autos und stationäre Speicher keine Substitute sind – sie sind Komplemente. E-Autos bieten kurzfristige, hochgradig granulare Lastverschiebungsfähigkeit, ideal für intra-tägliche Solarglättung oder schnelle Reaktion auf lokale Spannungseinbrüche. Stationäre Speicher, besonders wenn sie mit Photovoltaik-Anlagen zusammengelegt sind, ermöglichen längerfristige Energieverschiebung – zum Beispiel das Verschieben von überschüssiger Mittagssonne in die Abendspitzenlaststunden. Zusammen decken sie unterschiedliche Teile des Flexibilitätsspektrums ab. Das Modell erkennt diese Synergie und weist Ressourcen entsprechend zu.
Noch entscheidender ist die dramatische Kohlenstoffwirkung. Bei nur 50 % steuerbaren E-Autos sanken die täglichen CO2-Emissionen im Testfall um über 18 % – nicht durch zusätzliche Erzeugung, sondern durch intelligentere Koordination. Höhere E-Auto-Beteiligung steigerte diese Reduktion auf fast 30 %. Gleichzeitig brach die Photovoltaik-Abschaltung ein: Die Solarauslastung stieg von rund 86 % im Basisfall auf über 97 %, wenn E-Autos und optimierte Speicher zusammenwirkten.
Das ist nicht theoretisch. Die Szenariengenerierung der Studie verwendet Echtwelt-Ladedaten – Startzeiten, Endzeiten, gelieferte Gesamtenergie – aus einem provincialen E-Auto-Ladenetz in China. Und das Aggregationsmodell zweiter Ordnung erwies sich als bemerkenswert genau: Bei der Validierung gegen die vollständige Einzelfahrzeugplanung fiel der mittlere quadratische Fehler in der aggregierten Leistungsverfolgung auf nahezu Null, sobald sich mehr als 50 E-Autos im Pool einer Station befanden. Das ist die Schwelle, ab der statistische Glättung eintritt – und ab der Planer einen Ladepunkt sicher als vorhersehbar flexible Last behandeln können, ähnlich wie eine kleine, schnell reagierende Lastseiten-Ressource.
Aus Sicht eines Energieversorgers rechnet sich die Wirtschaftlichkeit ebenfalls. In der Fallstudie kostete der installierte Speicher – 2,25 MWh an Knoten 16 und 3,32 MWh an Knoten 21 – grob ¥2,3 Millionen jährlich (amortisiert), erbrachte aber ¥3,46 Millionen jährlichen Nutzen: ¥2,67 Millionen an reduzierten Energieeinkäufen, ¥0,12 Millionen an vermiedenen Netzverstärkungen und ¥0,67 Millionen an vermiedenen CO2-Compliance-Kosten. Das entspricht einer Rendite von 150 % – und das schließt die Kosten des Speichers selbst ein.
Diese Art von Ergebnis kehrt die traditionelle Erzählung um. Energiespeicher wird oft als Kostenfaktor gesehen – ein notwendiger Puffer, um Erneuerbare aufzunehmen. Hier ist es ein Wertmultiplikator: Es ermöglicht eine bessere Koordination mit E-Autos, was wiederum mehr erneuerbare Durchdringung erschließt, was dann noch mehr Speicher rechtfertigt. Es ist ein sich selbst verstärkender Kreislauf.
Natürlich ist die Umsetzung in der realen Welt nicht trivial. Das Modell setzt eine zentrale Koordination von Ladestationen voraus – was eine robuste Kommunikationsinfrastruktur, standardisierte APIs (wie OCPP 2.0) und regulatorische Rahmenbedingungen erfordert, die es Aggregatoren erlauben, Flexibilität in Netzdienstleistungsmärkte einzubieten. Es setzt auch eine genaue Prognose von E-Auto-Ankunfts-/Abfahrtsmustern voraus, was in unstrukturierten städtischen Umgebungen nach wie vor schwierig ist.
Aber die Zeichen deuten auf Machbarkeit. In Kalifornien piloten Versorger wie PG&E bereits „gemanagtes Laden“-Programme, bei denen Ladestationen auf Preis- oder Zuverlässigkeitssignale reagieren. In Großbritannien akzeptiert National Grids „Dynamic Frequency Response“-Service bereits Gebote von E-Auto-Flotten. Und in China – wo diese Forschung ihren Ursprung hat – hat die State Grid Corporation aggressiv Vehicle-to-Grid (V2G)-Pilotzonen in Städten wie Shenzhen und Nanjing eingerichtet. Die Teile fügen sich zusammen.
Was bis jetzt fehlte, war eine Planungsmethodologie, die ausgeklügelt genug ist, um diese Konvergenz vorherzusehen – und das Netz dafür Jahre im Voraus zu optimieren. Die meisten Speicher-Standortstudien behandeln Lasten immer noch als passiv, Erneuerbare als exogen und E-Autos als Rauschen. Dieses Papier ändert das. Es zwingt Planer, zu fragen: Wo platzieren wir Speicher nicht nur, um Solar zu puffern, sondern um E-Autos zu ermöglichen, aktive Netzteilenehmer zu werden?
Die Antwort, so stellt sich heraus, ist strategische Zusammenlegung. Im IEEE-33-Testfall wurden Speicher an den Knoten 16 und 21 platziert – nicht zufällig dieselben Leitungen, die Photovoltaik-Anlagen und E-Auto-Ladecluster beherbergen. Dies schafft lokale Mikro-Zentren der Flexibilität: Solar lädt tagsüber Batterien; Batterien und koordinierte E-Auto-Ladung unterstützen gemeinsam die Abendspitze; überschüssige E-Auto-Entladekapazität (sofern verfügbar und genehmigt) bietet Systemdienstleistungen.
Es ist eine Vision des Verteilnetzes nicht als Einweg-Pipeline, sondern als Netz aus intelligenten, interagierenden Flexibilitätsknoten – in dem Anlagen in Echtzeit kommunizieren, handeln und sich anpassen.
Kritischerweise vermeiden die Autoren überzogene Ansprüche. Sie nehmen nicht an, dass alle E-Autos V2G-fähig sind (eine noch junge Technologie); stattdessen konzentrieren sie sich auf unidirektionales intelligentes Laden, das heute weitaus besser einsetzbar ist. Sie benötigen keine perfekte Vorhersage – Unsicherheit bei Solar und Last wird über K-Medoids-Szenarienreduktion behandelt, einem robusten Clustering-Algorithmus, der Verteilungsmerkmale besser bewahrt als einfache k-Means. Und sie ignorieren keine Hardware-Grenzen: Batterie-Ladezustandsbeschränkungen, Wechselrichter-Nennleistungen und thermische Leitungsgrenzen werden alle explizit durch second-order cone Formulierungen durchgesetzt, die nahezu globale Optimalität garantieren.
Die Verwendung der Benders-Zerlegung durch die Methode ist ebenfalls bemerkenswert. Durch die Trennung von Investitionsentscheidungen (erste Stufe: wo und wie viel zu bauen) und Betriebsentscheidungen (zweite Stufe: wie Speicher und E-Autos über hunderte Szenarien zu dispatchieren) erreicht sie sowohl Skalierbarkeit als auch Realismus. Das Master-Problem konvergiert in unter 30 Iterationen – ein Wimpernschlag für ein so komplexes System – und jedes Teilproblem (eins pro Szenario) kann parallel gelöst werden, was den Ansatz auch für größere Leitungen praktikabel macht.
In die Zukunft blickend, könnte dieses Framework leicht erweitert werden. Was, wenn einige E-Autos doch V2G unterstützen? Das Modell kann bidirektionale Leistungskurven mit minimalen Änderungen absorbieren. Was, wenn wasserstoffbetriebene Schwerlast-LKW hinzukommen? Ihre längeren Betankungszeiten und höheren Energieanforderungen würden einfach die Parameter des aggregierten zulässigen Bereichs verändern. Die Kernarchitektur ist modular und erweiterbar.
Tiefergehend herausfordert diese Arbeit eine tiefverwurzelte Annahme in der Versorgerplanung: dass passives, worst-case Lastmodellieren „konservativ“ – und daher sicher – sei. In Wirklichkeit ist, in einer Welt dezentraler Flexibilität, das Ignorieren steuerbarer Ressourcen die riskanteste Haltung von allen. Es führt zu Überinvestition in Leitungen und Transformatoren, unausgelasteten Speichern, gestrandeten Erneuerbaren und verpassten Dekarbonisierungs-Chancen.
Der Beitrag von Luo, Teng und Tan ist es, eine rigorose, umsetzbare Alternative bereitzustellen – eine Planungsmethodologie, die Unsicherheit nicht nur toleriert, sondern sie nutzbar macht. Indem sie E-Autos nicht als Bedrohung für die Netzstabilität behandeln, sondern als latentes Reservoir adaptiver Kapazität, haben sie einen neuen Designraum für das Verteilnetz eröffnet: einen, der nicht nur sauberer oder billiger ist, sondern intelligenter, widerstandsfähiger und grundlegend menschenzentrierter – gestaltet um how people actually live, drive, and charge.
Am Ende ist die wichtigste Zahl in dieser Studie nicht die 150 % ROI oder die 30 % Emissionsreduktion. Es ist die implizite Botschaft: Das zukünftige Netz wird nicht trotz Elektrofahrzeugen gebaut werden. Es wird mit ihnen gebaut werden – in aktiver Partnerschaft.
Und zum ersten Mal haben wir einen Fahrplan, wie man das richtig macht.
Luo Shigang¹, Teng Jie², Tan Zhuangxi³
¹ Wirtschafts- und Technologieforschungsinstitut der State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, China
² State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, China
³ Hunan Universität für Wissenschaft und Technologie, Xiangtan 411100, China
Energy Storage Science and Technology
DOI: 10.19799/j.cnki.2095-4239.2023.0310