EV-Cluster optimieren Strom- und Verkehrsnetze
Die rasante Entwicklung der Elektromobilität verändert nicht nur unsere Art des Reisens, sondern auch die Infrastruktur, die unser modernes Leben trägt. Elektrofahrzeuge (EVs) gelten nicht mehr nur als Ersatz für Verbrennungsmotoren, sondern als dynamische, intelligente Vermögenswerte, die zwei kritische Systeme miteinander verbinden: das Verkehrsnetz und das Stromnetz. Diese Verschmelzung, oft als „Power-Transportation-Coupling-Network“ bezeichnet, bietet eine einzigartige Gelegenheit, die Effizienz, Nachhaltigkeit und Widerstandsfähigkeit beider Systeme zu verbessern. Doch um dieses Potenzial nutzen zu können, ist es erforderlich, über vereinfachte Modelle hinauszugehen und die komplexe, dynamische Interaktion zwischen dem, wohin EVs fahren, und dem, wie sie Strom nutzen, zu berücksichtigen. Eine bahnbrechende neue Studie der Kunming University of Technology, veröffentlicht in der angesehenen Fachzeitschrift Automation of Electric Power Systems (AEPS), bietet eine anspruchsvolle Lösung und schlägt eine neuartige Strategie vor, um die volle Flexibilität von EV-Clustern durch dynamische, koordinierte Optimierung zu erschließen.
Die Herausforderung ist vielschichtig. Einerseits kann das unkoordinierte Laden einer wachsenden Flotte von EVs erheblichen Stress auf lokale Stromverteilungsnetze ausüben, was zu Spannungsschwankungen, Überlastung der Geräte und erhöhten Betriebskosten für die Versorger führt. Dies ist besonders akut während der Spitzenzeiten, wenn die Stromnachfrage ohnehin hoch ist. Andererseits werden die Entscheidungen, die EV-Fahrer treffen – wohin sie fahren, welchen Weg sie nehmen und welche Ladestation sie benutzen – stark von den aktuellen Verkehrsbedingungen, der Verfügbarkeit der Stationen und den Preisen beeinflusst. Dies erzeugt eine Rückkopplungsschleife: Verkehrsstaus können zu Warteschlangen an beliebten Ladestationen führen, was die Fahrer davon abhält, sie zu benutzen, und potenziell den Verkehrs- und Ladebedarf auf weniger optimale Standorte verlagert. Dies kann zu einer ungleichmäßigen Lastverteilung führen, bei der einige Teile des Netzes belastet sind, während andere unterausgelastet bleiben, und einige Straßen überlastet sind, während andere leer sind. Der Schlüssel, um diesen Kreislauf zu durchbrechen und ein harmonisches, effizientes System zu erreichen, liegt darin, das EV nicht als passiven Verbraucher, sondern als aktiven, flexiblen Teilnehmer in einem größeren, integrierten Netzwerk zu betrachten.
Die Kerninnovation des Ansatzes des Kunming-Teams ist sein dynamisches, zweischichtiges Optimierungs-Framework. Dieses Modell betrachtet nicht nur das Stromnetz oder das Straßennetz; es schafft einen kontinuierlichen Dialog zwischen beiden und nutzt ein leistungsfähiges Konzept namens „instantaneous unit flow travel cost“ als universelles Signal. Diese Kosten sind nicht einfach die Summe aus Kraftstoff und Maut. Stattdessen handelt es sich um eine anspruchsvolle, Echtzeit-Metrik, die die gesamte wirtschaftliche Belastung einer Reise zu einem bestimmten Zeitpunkt erfasst. Sie beinhaltet die direkten Kosten für die Stromladung, den Wert der vom Fahrer verbrachten Reisezeit (die „Zeitkosten“) und ein entscheidendes neues Element: eine Strafkosten für die Verzögerungen, die durch das Anstehen an einer Ladestation entstehen. Durch die Integration dieser Faktoren schafft das Modell eine ganzheitliche Sicht auf die Gesundheit des Systems.
Der Prozess beginnt mit einer detaillierten Simulation des dynamischen Verkehrsnetzes. Die Forscher verwenden eine Methode namens Dynamic Network Loading (DNL), um zu modellieren, wie sich der Verkehrsfluss über die Straßen und Kreuzungen der Stadt im Laufe der Zeit ausbreitet. Ein zentrales Merkmal ihres Modells ist die Verwendung von „virtuellen Bögen“, um sowohl die Ausgangspunkte der Reisen als auch die Ladestationen selbst darzustellen. Diese elegante Abstraktion ermöglicht es, den komplexen Prozess des Wartens und Ladens an einer Station mathematisch auf die gleiche Weise zu behandeln wie das Fahren auf einer Straße, mit einer eigenen „Reisezeit“, die zunimmt, je mehr EVs sich in der Warteschlange befinden. Diese Reisezeit wird mit einer „Bogenimpedanzfunktion“ berechnet, einer mathematischen Beziehung, die zeigt, wie sich die Zeit, die benötigt wird, um ein Segment – sei es eine physische Straße oder einen virtuellen Ladebogen – zu durchqueren, nichtlinear erhöht, wenn die Anzahl der Fahrzeuge, die es nutzen, wächst. Dies erfasst die Realität, dass das Hinzufügen eines weiteren Autos zu einer wenig befahrenen Straße wenig Einfluss hat, aber das Hinzufügen eines weiteren Autos zu einer stark überlasteten Autobahn jeden dramatisch verlangsamen kann.
Mit diesem dynamischen Verkehrsmodell an Ort und Stelle richtet sich der Fokus auf die EVs selbst. Die Forscher erkennen an, dass nicht alle EVs gleich sind. Sie kommen in verschiedenen Typen – Privatautos, Busse, Mitfahrfahrzeuge – vor, die jeweils unterschiedliche Fahrprofile, Batteriekapazitäten und Ladebedürfnisse haben. Noch wichtiger ist, dass die Flexibilität eines einzelnen EVs nicht statisch ist; sie hängt von seinem aktuellen Ladezustand, seinem Ziel und der Zeit ab, die er an einer Ladestation verbringen möchte. Das Team entwickelt ein „flexibles Betriebsgebiet“ für jedes EV, eine mathematische Darstellung aller möglichen Lade- und Entlade-Muster, die es befolgen kann, während es gleichzeitig die Bedürfnisse des Fahrers erfüllt. Dieses Gebiet definiert die oberen und unteren Grenzen der Leistung, die das EV aus dem Netz aufnehmen oder an dieses abgeben kann, zu einem bestimmten Zeitpunkt.
Die wahre Stärke des Modells liegt in seiner Fähigkeit, Tausende einzelner EVs zu einem einzigen, verwaltbaren „Cluster“ zusammenzufassen. Es wäre rechnerisch unmöglich, jedes EV einzeln zu verwalten. Um dies zu lösen, verwenden die Forscher eine anspruchsvolle mathematische Technik namens Minkowski-Summe, kombiniert mit einer linearen Approximation unter Verwendung einer geometrischen Form, die als „Zonotop“ bekannt ist. Dies ermöglicht es ihnen, die flexiblen Betriebsbereiche von Hunderten oder Tausenden von EVs effizient zu einem einzigen, zeitlich variablen „flexiblen Betriebsbereich“ für den gesamten Cluster an einer bestimmten Ladestation zu kombinieren. Dieser aggregierte Cluster kann dann als eine große, virtuelle Batterie, eine „verallgemeinerte Energiespeicher“-Einheit, behandelt werden, die das Stromnetz nutzen kann, um das Angebot und die Nachfrage auszugleichen.
Hier kommen die beiden Schichten des Modells in einer leistungsstarken Feedback-Schleife zusammen. Die obere Schicht ist das Verkehrsnetz-Optimierungsmodell (TNO), das darauf abzielt, die Gesamtkosten für alle EV-Nutzer im gesamten Netzwerk zu minimieren. Es verwendet die Echtzeit-„instantaneous unit flow travel cost“, um Fahrer zu den effizientesten Routen und Ladestationen zu führen. Diese Kosten ergeben sich aus dem aktuellen Zustand des Netzwerks: Hohe Strompreise an einer Station, starker Verkehr auf einer Route oder lange Warteschlangen an einer Ladestation erhöhen alle die Kosten für die Nutzung dieses Weges und entmutigen die Fahrer, ihn zu wählen.
Die untere Schicht ist das Verteilnetz-Optimierungsmodell (DNO), das sich auf den wirtschaftlichen und stabilen Betrieb des Stromnetzes konzentriert. Sein Ziel ist es, die Kosten zu minimieren, zu denen die Kosten für den Betrieb traditioneller Kraftwerke, die Strafen für die Notwendigkeit, erneuerbare Energie aus Wind- oder Solarfarmen zu drosseln, wenn es zu viel Angebot gibt, und die Strafen für die Notwendigkeit, die Stromversorgung für Nicht-EV-Kunden während Zeiten hoher Nachfrage abzuschalten, gehören. Das DNO-Modell nutzt das aggregierte flexible Betriebsgebiet der EV-Cluster als leistungsstarkes neues Werkzeug. Wenn die erneuerbare Erzeugung hoch ist und die Strompreise niedrig sind, kann das Modell die TNO-Schicht signalisieren, mehr EVs dazu zu ermutigen, an Stationen zu laden, die mit diesem Teil des Netzes verbunden sind, um so die überschüssige saubere Energie zu speichern. Umgekehrt kann das Modell, wenn die Nachfrage hoch ist und die Preise steigen, die EVs dazu anregen, Strom zurück ins Netz zu speisen (Vehicle-to-Grid oder V2G), um die Spitzenlast zu decken und kostspielige Strafen zu vermeiden.
Die Brillanz des Systems liegt in seiner iterativen Natur. Das TNO-Modell berechnet die Verkehrsströme basierend auf den aktuellen Kosten. Diese Ströme bestimmen, welche EVs an welchen Ladestationen sind und wie lange, was wiederum das flexible Betriebsgebiet definiert, das dem DNO-Modell zur Verfügung steht. Das DNO-Modell berechnet dann einen neuen Satz optimaler Strompreise und Systemkosten. Diese aktualisierten Preise werden zurück an das TNO-Modell übermittelt, verändern die „instantaneous unit flow travel cost“ und veranlassen die Fahrer, ihr Verhalten anzupassen. Dieser Zyklus wiederholt sich, bis das System einen optimalen, stabilen Zustand erreicht, in dem die Entscheidungen der Fahrer und die Bedürfnisse des Stromnetzes perfekt aufeinander abgestimmt sind.
Um ihr komplexes Modell zu validieren, führten die Forscher eine detaillierte Fallstudie basierend auf einer rekonstruierten Version des Nguyen-Verkehrsnetzes durch, einem Standard-Benchmark in diesem Bereich. Sie simulierte ein Netzwerk mit vier Ladestationen, die jeweils mit einem anderen Teil eines simulierten Stromnetzes verbunden waren. Zwei Stationen befanden sich in der Nähe von Windparks, eine in der Nähe einer Solaranlage und eine ohne lokale erneuerbare Erzeugung, was ein vielfältiges und realistisches Szenario schafft. Die Simulation lief über einen Zeitraum von 8 Stunden, aufgeteilt in 5-Minuten-Intervalle, mit drei verschiedenen EV-Typen in der Flotte.
Die Ergebnisse waren beeindruckend. Im Vergleich zu einer traditionellen „kürzester Weg“-Strategie zeigte das neue dynamische Koordinierungsmodell erhebliche Vorteile. Im kürzesten Weg-Szenario strömten die Fahrer natürlich zu den beiden nächstgelegenen Ladestationen (c3 und c4). Dies führte zu schweren Staus, wobei die Verkehrsvolumina auf den verbindenden Straßen ihre Kapazität überstiegen und die Reisezeiten in die Höhe schnellten. Inzwischen blieben die Straßen, die zu den anderen beiden Stationen (c1 und c2) führten, völlig ungenutzt, was eine massive Verschwendung von Infrastruktur darstellt. Dieser Stau führte zu einer 47 % höheren Gesamtkosten für die Nutzer, hauptsächlich aufgrund der immensen Zeit, die im Stau verloren ging.
Die Auswirkungen auf das Stromnetz waren genauso dramatisch. Da keine EVs an den Stationen c1 und c2 geladen wurden, hatten diese Teile des Netzes keine Flexibilität. Wenn der Wind an c2 stark wehte, hatte die überschüssige Energie keinen Abnehmer und wurde verschwendet, was zu hohen „Drosselungsstrafen“ führte. Ebenso musste das Netz, wenn die lokale Nachfrage an c1 anstieg, auf teure und verschmutzende Notstromaggregate zurückgreifen, da es keine Möglichkeit hatte, die Nachfrage mit flexiblen EV-Ressourcen zu decken. Die Gesamtbetriebskosten für das Stromnetz waren deutlich höher.
Im Gegensatz dazu erzielte das dynamische Koordinierungsmodell ein ausgewogenes, effizientes Ergebnis. Die „instantaneous unit flow travel cost“ leitete die Fahrer erfolgreich von den überlasteten Wegen zu den unterausgelasteten Stationen. Der Verkehrsfluss wurde viel gleichmäßiger über das Netzwerk verteilt, ohne dass eine einzelne Straße unter verheerendem Stau litt. Dies führte allein zu einer erheblichen Reduzierung der Reisezeit und der Kosten für die Nutzer.
Die Auswirkungen auf das Stromnetz waren transformierend. EV-Cluster an allen vier Stationen wurden zu aktiven Teilnehmern an der Netzstabilität. An der Station c2 leitete das Modell eine große Anzahl von EVs an, um während Phasen hoher Windenergieerzeugung zu laden, wodurch 67,9 % der sonst verschwendeten Windenergie absorbiert wurden. An der Station c3 konnte 61,7 % der überschüssigen Solarenergie genutzt werden. Diese Fähigkeit, erneuerbare Energie „aufzusaugen“, reduzierte nicht nur die Verschwendung, sondern senkte auch die Gesamtkosten für Strom. Darüber hinaus ermöglichte die breite Verfügbarkeit flexibler EV-Cluster dem Netz, die Spitzenlast effektiver zu decken. Das Modell zeigte eine signifikante Zunahme der „Lastversorgungskapazität“, was bedeutet, dass die EVs in der Lage waren, mehr Strom ins Netz einzuspeisen, wenn es benötigt wurde, und so die Notwendigkeit kostspieliger Lastabschaltung verringerte. Insgesamt zeigte die Studie, dass die koordinierte Strategie zu einer 33 % höheren Nutzung erneuerbarer Energien und einer 25,8 % höheren Reaktion auf die Lastversorgung im Vergleich zur kürzesten Weg-Strategie führte.
Die Implikationen dieser Forschung sind weitreichend. Sie bietet einen robusten, mathematisch fundierten Rahmen für die Zukunft intelligenter Städte. Anstatt EVs als ein Problem zu betrachten, das gemanagt werden muss, zeigt diese Arbeit, wie sie ein zentraler Bestandteil der Lösung sein können. Indem ein nahtloser, Echtzeit-Kommunikationskanal zwischen dem Verkehrs- und dem Stromsystem geschaffen wird, können Städte eine Effizienz und Nachhaltigkeit erreichen, die bisher unerreichbar war. Fahrer profitieren von kürzeren, vorhersehbareren Reisezeiten und potenziell niedrigeren Ladekosten. Versorger profitieren von einem stabileren, widerstandsfähigeren und kostengünstigeren Netz. Die Gesellschaft profitiert von reduzierten Treibhausgasemissionen und einem schnelleren Übergang zu einer erneuerbaren Energiezukunft.
Liu Zhijian, Dai Jing, Yang Lingrui, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230728004