Elektrofahrzeuge optimieren Netzentlastung
Ein neuer Forschungsansatz zur Integration von Elektrofahrzeugen (EVs) in moderne Stromnetze eröffnet vielversprechende Wege zur Reduzierung von Netzverlusten, zur Steigerung der Wirtschaftlichkeit und zur Verbesserung der CO₂-Bilanz. Die Studie „Research on the Low-Carbon Strategy of Coordinated Loss Reduction of Transmission and Distribution Network Considering the Temporal-Spatial Distribution of EV Charging and Discharging“ führt eine umfassende Strategie ein, die die zeitliche und räumliche Flexibilität von Elektrofahrzeugen nutzt, um die Effizienz von Übertragungs- und Verteilnetzen zu erhöhen. Unter der Leitung von Cheng Hulin von der State Grid Hebei Electric Power Co., Ltd. in Zusammenarbeit mit Forschern der Yanshan University wird ein dreischichtiges Optimierungsmodell vorgestellt, das eine tiefgreifende Koordination zwischen verschiedenen Ebenen des Stromnetzes ermöglicht.
Die Veröffentlichung erschien im renommierten Fachjournal Electrical Measurement & Instrumentation (Band 61, Ausgabe 11, November 2024) und behandelt eine der dringendsten Herausforderungen in der heutigen Energiewelt: Wie lässt sich die wachsende Zahl dezentraler, erneuerbarer Energiequellen effizient und stabil in bestehende Netzstrukturen integrieren, ohne die Netzverluste zu erhöhen oder die Betriebskosten zu sprengen? Mit dem kontinuierlichen Anstieg von Photovoltaik- und Windkraftanlagen gewinnt die Frage der Netzstabilität und der optimalen Ressourcennutzung zunehmend an Bedeutung. Traditionelle Betriebsmodelle, die Verteilnetze als passive Lasten und Übertragungsnetze als starre Energiequellen betrachten, stoßen an ihre Grenzen.
Cheng Hulin und sein Team adressieren dieses Problem mit einem innovativen, hierarchischen Ansatz. Der Kern der Strategie liegt in der Anerkennung, dass Elektrofahrzeuge nicht nur als Energieverbraucher fungieren, sondern als aktive, flexible Ressourcen im Netz agieren können. Durch eine gezielte Steuerung von Lade- und Entladevorgängen – sowohl zeitlich als auch räumlich – wird es möglich, Lastprofile zu formen, Lastspitzen abzufedern und den Stromfluss im Netz zu optimieren. Dies führt direkt zu einer Reduzierung technischer Verluste und einer höheren Nutzung erneuerbarer Energien, insbesondere von Solarstrom.
Das vorgeschlagene Modell gliedert sich in drei Schichten. Die erste Schicht operiert auf der Ebene des Übertragungsnetzes, wo das primäre Ziel die Minimierung der Gesamtkosten ist. Diese Kosten umfassen die Erzeugungskosten konventioneller Kraftwerke, Strafen für abgeregelte erneuerbare Energie, Kosten für Demand-Response-Maßnahmen und die Einnahmen aus dem Stromverkauf. Eine entscheidende Neuerung ist die Einbeziehung der Netzverluste im Übertragungsnetz selbst in die Berechnung des Börsenpreises – dem Preis, zu dem Strom auf Großhandelsmärkten gehandelt wird. Im Gegensatz zu herkömmlichen Modellen, die diese Verluste als vernachlässigbar oder konstant annehmen, berücksichtigt die Studie explizit, wie die Energie, die auf langen Übertragungsstrecken als Wärme verloren geht, die Preissignale beeinflusst. Dadurch wird der Börsenpreis zu einer dynamischen Größe, die von den aktuellen Netzbedingungen abhängt und eine Rückkopplung mit den untergeordneten Verteilnetzen schafft.
Diese bidirektionale Interaktion ist von entscheidender Bedeutung. Wenn das Übertragungsnetz ein Preissignal an die Verteilnetze sendet, spiegelt dieses nicht nur Angebot und Nachfrage wider, sondern auch die physischen Kosten der Energieübertragung über große Distanzen. Im Gegenzug reagieren die Verteilnetze, indem sie ihre internen Dispositionen anpassen. Dazu gehören die Menge des Stroms, die sie vom Hauptnetz beziehen, sowie die Steuerung lokaler Ressourcen wie Dach-Solaranlagen, Blockheizkraftwerke und Elektrofahrzeugflotten. Diese Anpassungen fließen dann wiederum in die Verlustberechnungen und zukünftigen Preise des Übertragungsnetzes ein, was einen geschlossenen Optimierungskreislauf schafft und die Effizienz des gesamten Systems verbessert.
Die zweite Schicht des Modells konzentriert sich auf das Verteilnetz und zielt darauf ab, die lokalen Betriebskosten zu minimieren. Dazu gehören die Brennstoffkosten für Backup-Generatoren, Strafen für Solarabregelung, Kosten für das Laden von Elektrofahrzeugen und – besonders wichtig – die Netzverluste innerhalb des Verteilnetzes selbst. Verteilnetze, insbesondere sternförmige Netze wie das in den Simulationen verwendete IEEE-33-Knotensystem, sind besonders anfällig für hohe Verluste aufgrund ihrer Topologie und der Konzentration von Lasten in großer Entfernung zum Transformator. Je weiter der Strom fließt, desto mehr Energie geht als Wärme in den Leitungen verloren – ein Problem, das sich in Spitzenlastzeiten verschärft.
Um diesem Problem entgegenzuwirken, führen die Forscher eine dritte Schicht ein: einen räumlichen Dispositionsmechanismus für Elektrofahrzeuge. Während viele bestehende Studien nur die zeitliche Steuerung des Ladens optimieren – also beispielsweise das Laden in den Nachtstunden zur Entlastung des Netzes – geht dieser Ansatz einen entscheidenden Schritt weiter, indem er auch die räumliche Verteilung der Lade- und Entladeaktivitäten innerhalb des Verteilnetzes optimiert. Diese räumliche Dimension wird oft übersehen, hat jedoch tiefgreifende Auswirkungen auf Spannungsprofile, Leitungsbelastungen und letztlich auf technische Verluste.
Die räumliche Dispositionsschicht nutzt die zeitlich optimierten Ergebnisse der beiden oberen Schichten als Eingabe und bestimmt dann die besten Anschlusspunkte (Knoten) innerhalb des Verteilnetzes, an denen Elektrofahrzeuge laden oder entladen sollen. Das Ziel ist es, die Gesamtverluste im Verteilnetz zu minimieren, indem Ladevorgänge an Knoten näher am Transformator (wo die Spannung höher und der Widerstand geringer ist) geplant werden und Entladevorgänge in der Nähe stark belasteter Knoten am Ende des Netzes stattfinden. Diese strategische Platzierung hilft, die Last zu balancieren, den Stromfluss in überlasteten Leitungen zu reduzieren und die Spannungsstabilität aufrechtzuerhalten – alles Faktoren, die zu geringeren ohmschen Verlusten beitragen.
In der Simulation basierend auf dem IEEE-33-Knotensystem zeigt die optimierte Lösung, dass Elektrofahrzeuge vor allem in den Nachtstunden an Knoten 18–22 und 29–32 laden, wenn die Strompreise niedrig und die Nachfrage minimal sind. Diese Knoten wurden ausgewählt, weil sie bereits eine relativ geringe Last aufweisen und so zusätzliche EV-Nachfrage aufnehmen können, ohne thermische Überlastungen zu verursachen. Umgekehrt entladen die Fahrzeuge tagsüber hauptsächlich an hochbelasteten Knoten wie 5, 10, 31 und 32. Sie fungieren dadurch effektiv als dezentrale Energieressourcen, die lokal Strom bereitstellen, die Notwendigkeit reduzieren, Strom aus entfernten Quellen zu beziehen, und so die Leitungsverluste senken.
Die Ergebnisse sind beeindruckend. Im Vergleich zu einem traditionellen, isolierten Dispositionsansatz – bei dem Übertragungs- und Verteilnetze unabhängig voneinander operieren und Elektrofahrzeuge nach einem ungeordneten Ladeverhalten laden – reduziert die vorgeschlagene koordinierte Strategie die Gesamtsystemkosten im Testfall um fast 7.000 US-Dollar pro Tag. Noch eindrucksvoller ist die deutliche Reduzierung der Verluste im Übertragungsnetz, was sich in einem spürbaren Rückgang der Börsenpreise über alle 24 Stunden zeigt. Niedrigere Börsenpreise deuten auf geringere marginale Versorgungskosten hin, die direkt mit den Übertragungsverlusten verknüpft sind. In der Praxis bedeutet dies weniger verschwendete Energie und niedrigere CO₂-Emissionen pro gelieferter Energieeinheit.
Auf der Ebene des Verteilnetzes sind die Vorteile ebenfalls erheblich. Die durchschnittliche Netzverlustquote im getesteten Verteilnetz sinkt von 0,24 % bei herkömmlichem Betrieb auf 0,21 % mit der neuen Strategie – eine scheinbar geringe Differenz, die bei Skalierung auf Millionen von Knoten in realen Netzen zu erheblichen Energieeinsparungen führt. Darüber hinaus ermöglicht das verbesserte Lastmanagement eine höhere Photovoltaik-Nutzung und steigert die Solarverbrauchsrate von 95,4 % auf 98,1 %. Diese Verringerung der Abregelung verbessert nicht nur die Wirtschaftlichkeit für Solarstromerzeuger, sondern maximiert auch die ökologischen Vorteile der sauberen Energieerzeugung.
Ein weiterer bemerkenswerter Aspekt dieser Forschung ist ihre hohe Recheneffizienz. Die Lösung eines vollständig gekoppelten Optimierungsproblems für Übertragungsnetz, Verteilnetz und Elektrofahrzeuge ist aufgrund der hohen Dimensionalität und der Nichtlinearitäten äußerst schwierig. Traditionelle iterative Methoden erfordern einen häufigen Datenaustausch zwischen den Subsystemen, was zu langen Rechenzeiten und potenziellen Konvergenzproblemen führt. Um dies zu überwinden, setzt das Team den Concurrent Subspace Optimization (CSSO)-Algorithmus ein, eine Methode der parallelen Datenverarbeitung, die das globale Problem in kleinere, unabhängig lösbare Teilprobleme zerlegt.
Bei diesem Ansatz werden das Übertragungsnetz und jedes Verteilnetz als separate Unterräume betrachtet. Jedes Subsystem führt seine eigene Optimierung mit lokalen Daten und gemeinsamen Randbedingungen (wie z. B. Leistungsflüsse und Preise an den Verbindungsstellen) durch. Anstatt auf Echtzeit-Updates aus anderen Subsystemen warten zu müssen, verwenden sie sogenannte Response-Surface-Approximations – Modelle, die mit RELU-Neuronalen Netzen erstellt werden – um vorherzusagen, wie Änderungen in ihren Entscheidungen das Gesamtsystem beeinflussen. Diese Approximationen ermöglichen eine parallele Berechnung und reduzieren die Anzahl der Iterationen, die zur Erreichung eines globalen Optimums benötigt werden, drastisch.
Die Leistungssteigerung ist enorm. Während eine konventionelle Hybrid-Gradient-Descent-(HGD)-Methode über 1.100 Sekunden zum Konvergieren benötigte, erreichte die CSSO-basierte Lösung die Optimierung in nur 112 Sekunden – mehr als eine Größenordnung schneller. Diese Beschleunigung ist entscheidend für die praktische Umsetzung, da Netzbetreiber Entscheidungen zur Disposition in nahezu Echtzeit treffen müssen, besonders in Systemen mit hoher Volatilität erneuerbarer Energien und reaktionsfähiger Nachfrage.
Über die technischen Errungenschaften hinaus hat die Studie wichtige Implikationen für die Politik und die Gestaltung von Märkten. Sie zeigt, dass Elektrofahrzeuge eine zentrale Rolle bei der Dekarbonisierung des Stromnetzes spielen können, wenn sie richtig in die Systemoperationen integriert werden. Anstatt als Quelle von Unsicherheit und Belastung gesehen zu werden, können Elektrofahrzeuge zu einer wertvollen Flexibilitätsressource werden – vorausgesetzt, dass Marktsignale und Steuerungsarchitekturen entwickelt werden, um ihr volles Potenzial auszuschöpfen.
Die Ergebnisse unterstreichen auch die Notwendigkeit einer engeren Koordination zwischen Betreibern von Übertragungsnetzen (TSOs) und Betreibern von Verteilnetzen (DSOs). Historisch gesehen operierten diese Akteure in Silos mit begrenztem Informationsaustausch und nicht übereinstimmenden Anreizen. Der vorgeschlagene Rahmen zeigt, dass durch die Etablierung standardisierter Schnittstellen – wie z. B. gemeinsame Preismechanismen und bilaterale Leistungspläne – ein kohärenteres, effizienteres und widerstandsfähigeres Stromsystem geschaffen werden kann.
Aus Sicht der Verbraucher passt die Strategie gut zu wirtschaftlichen Anreizen. Durch das Laden in der Nacht und das Entladen tagsüber können Besitzer von Elektrofahrzeugen von Zeitpreis-Tarifen profitieren und Einnahmen aus Vehicle-to-Grid-(V2G)-Dienstleistungen erzielen, während sie gleichzeitig zur Netzstabilität beitragen. In der Simulation erzielt die aggregierte Elektrofahrzeugflotte etwa 412 US-Dollar pro Stunde an Arbitrage- und Nebendienstleistungserträgen, was die Teilnahme auch ohne direkte Subventionen finanziell attraktiv macht.
Die Forschung unterstreicht auch die Bedeutung der Infrastrukturplanung. Um die räumlichen Vorteile der EV-Disposition voll auszuschöpfen, müssen Versorger möglicherweise in intelligente Ladestationen investieren, die mit Kommunikationsfähigkeiten, dynamischen Preisschnittstellen und ortsbezogenen Steuersystemen ausgestattet sind. Darüber hinaus sollten regulatorische Rahmenbedingungen weiterentwickelt werden, um DSOs die aktive Steuerung dezentraler Ressourcen wie Elektrofahrzeuge zu ermöglichen, möglicherweise über Aggregatoren oder virtuelle Kraftwerke.
Obwohl die aktuelle Studie auf einem vereinfachten Testsystem basiert, sind die Prinzipien skalierbar und auf reale städtische und suburbanen Netze anwendbar. Mit der weiteren Beschleunigung der Elektromobilität – die bis 2030 weltweit über 200 Millionen Fahrzeuge überschreiten soll – wird die Fähigkeit, ihr Ladeverhalten zu koordinieren, zu einem Eckpfeiler nachhaltiger Energiesysteme werden.
Zukünftige Arbeiten könnten das Modell erweitern, um andere dezentrale Energiequellen wie Heimspeicher, Wärmepumpen und industrielle Lasten einzubeziehen und so einen ganzheitlichen Rahmen für ein integriertes Lastmanagement zu schaffen. Außerdem würde die Einbeziehung von Unsicherheitsmodellierung für die erneuerbare Erzeugung und die Verfügbarkeit von Elektrofahrzeugen die Robustheit der Lösung unter realen Bedingungen verbessern.
Zusammenfassend bietet die Studie von Cheng Hulin, Wu Jian, Zhang Jing, Li Yanlin, Shi Benbo und Lu Zhigang eine umfassende und rechen-effiziente Lösung für eine der komplexesten Herausforderungen in modernen Stromsystemen. Indem sie die zeitliche und räumliche Flexibilität von Elektrofahrzeugen in ein koordiniertes Optimierungsframework für Übertragungs- und Verteilnetze integrieren, eröffnen die Forscher einen neuen Weg zu geringeren Verlusten, reduzierten Emissionen und einer höheren Integration erneuerbarer Energien. Ihre Arbeit ist ein eindrucksvolles Zeugnis für das transformative Potenzial eines intelligenten, datengesteuerten Netzmanagements im Zeitalter der elektrifizierten Mobilität.
Cheng Hulin, Wu Jian, Zhang Jing, Li Yanlin, Shi Benbo, Lu Zhigang, State Grid Hebei Electric Power Co., Ltd. and Yanshan University, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.11.016