EVA-Strategie steigert Profit und Akzeptanz
Die Elektromobilität durchläuft eine entscheidende Phase ihrer Entwicklung. Was einst als umweltfreundliche Alternative zum Verbrennungsmotor begann, avanciert zunehmend zu einem integralen Bestandteil des modernen Energiesystems. Elektrofahrzeuge (EVs) sind nicht mehr nur Verkehrsmittel, sondern potenzielle Energiespeicher, die durch intelligente Steuerung zur Stabilität des Stromnetzes beitragen können. Ein neuer Forschungsansatz aus China beleuchtet einen der zentralen Engpässe dieses Wandels: die menschliche Komponente. Wie können Aggregatoren – Vermittler zwischen Fahrzeughaltern und dem Strommarkt – die Bereitschaft der Nutzer, an Netzstabilisierungsprogrammen teilzunehmen, effektiv erhöhen, ohne deren Komfort oder die Lebensdauer ihrer Fahrzeugbatterien zu beeinträchtigen?
Diese Frage steht im Mittelpunkt einer bahnbrechenden Studie, die im renommierten Transactions of China Electrotechnical Society veröffentlicht wurde. Die Arbeit, verfasst von Fang Yuxuan, Hu Junjie und Ma Wenshuai vom State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources an der North China Electric Power University, stellt eine neuartige Optimierungsstrategie vor, die auf dem sogenannten Stackelberg-Spiel basiert. Dieses Modell geht über rein technische oder ökonomische Betrachtungen hinaus und integriert erstmals systematisch die psychologischen Ängste der Fahrzeugnutzer in die Entscheidungsfindung. Das Ergebnis ist ein Framework, das nicht nur die wirtschaftliche Rentabilität für alle Beteiligten steigert, sondern auch die praktische Umsetzbarkeit von Fahrzeug-zu-Netz (V2G)-Konzepten erheblich verbessert.
Das Kernproblem, das die Forscher angehen, ist die inhärente Unsicherheit der Nutzerbeteiligung. Während Elektrofahrzeuge als dezentrale Speicher eine immense Kapazität bieten, um Lastspitzen im Netz abzufedern oder bei hohem Bedarf Energie zurückzuspeisen, hängt ihre Verfügbarkeit von einer einfachen, aber komplexen Tatsache ab: dem Willen des Fahrzeughalters. Im Gegensatz zu konventionellen Kraftwerken sind EVs private Besitztümer, deren primäre Funktion die Mobilität ist. Der Besitzer wird nur dann bereit sein, sein Fahrzeug als Teil des Energiesystems einzusetzen, wenn dies keine negativen Konsequenzen für ihn hat. Diese Konsequenzen lassen sich in zwei zentrale Kategorien einteilen: finanzielle Kosten und verlorenen Komfort. Genau diese beiden Faktoren, so die These der Forscher, sind die Hauptquellen für die „Anspannung“ oder „Anxiety“, die den Nutzer davon abhalten kann, an solchen Programmen teilzunehmen.
Der erste Aspekt ist die Sorge um die Batterie. Jeder Lade- und Entladezyklus trägt zur Alterung der Lithium-Ionen-Zellen bei. Obwohl moderne Batteriemanagementsysteme diesen Prozess minimieren, ist der Verschleiß eine physikalische Realität. Für den Fahrzeughalter bedeutet dies eine reale Sorge um den langfristigen Wert und die Reichweite seines Fahrzeugs. Die Studie quantifiziert diese „Batterieverschleiß-Ängste“ auf eine neue Weise. Sie betrachtet nicht nur den reinen energetischen Verlust durch zusätzliche Zyklen, sondern fügt einen „Ausschluss-Koeffizienten“ hinzu. Dieser Koeffizient ist ein mathematisches Abbild der psychologischen Wahrnehmung: Nutzer empfinden den Verschleiß durch aktive Teilnahme an Netzdiensten oft als viel schädlicher, als er objektiv ist. Dieser Faktor, der größer als eins ist, verstärkt die wahrgenommene Kosten der Batteriebeanspruchung im Modell. So wird nicht nur die technische, sondern auch die emotionale Dimension der Batteriegesundheit erfasst. Ein Nutzer, der befürchtet, dass sein Auto schneller an Wert verliert, wird weniger geneigt sein, es für ein paar zusätzliche Yuan zu „opfern“, selbst wenn die finanzielle Belohnung objektiv gerechtfertigt wäre.
Der zweite, ebenso wichtige Aspekt ist die „Flexibilitäts-Ängste“. Die Teilnahme an Aggregatorprogrammen erfordert oft eine Abkehr von der gewohnten „Plug-and-Play“-Mentalität. Statt das Fahrzeug nach der Heimkehr einfach anzuschließen und am nächsten Morgen wieder abzuziehen, muss der Nutzer möglicherweise akzeptieren, dass das Laden verzögert wird, das Fahrzeug in bestimmten Zeiträumen Energie ins Netz zurückspeist oder länger an der Ladestation bleibt, als es für seine Fahrpläne nötig wäre. Diese Einschränkung der persönlichen Freiheit ist für viele ein entscheidender Störfaktor. Die Forscher modellieren diese Unannehmlichkeit mit einer Funktion, die sich an der Dauer orientiert, die das Fahrzeug über seine minimale Ladezeit hinaus am Netz angeschlossen ist. Je länger der Nutzer auf seine Flexibilität verzichten muss, desto höher ist seine „Ängste-Kosten“.
Ein entscheidender Durchbruch der Studie liegt darin, dass sie die Heterogenität der Nutzer berücksichtigt. Nicht alle Fahrzeughalter empfinden diese Ängste gleich stark. Um dies abzubilden, führen die Autoren „Entscheidungsfaktoren“ ein. Diese Faktoren modulieren die Sensitivität der Flexibilitäts-Ängste-Funktion. Ein Nutzer mit einem hohen Faktor ist sehr empfindlich gegenüber Verzögerungen und wird nur bei hohen Anreizen teilnehmen. Ein Nutzer mit einem niedrigen Faktor ist flexibler und kann auch bei geringeren Anreizen überzeugt werden. Dieses differenzierte Modell vermeidet die grobe Vereinfachung, alle Nutzer als homogene Masse zu behandeln, und ermöglicht eine viel realistischere Simulation des kollektiven Verhaltens.
Diese beiden Ängste – Batterie und Flexibilität – werden in einer „kombinierten Ängste-Kosten“-Metrik zusammengeführt. Diese Metrik wird dann mit der finanziellen Anreizprämie verglichen, die der Aggregator (EVA) bietet. Die Differenz zwischen dem erwarteten Ertrag und den wahrgenommenen Kosten entscheidet, ob ein Nutzer theoretisch bereit wäre, teilzunehmen. Doch die Forscher gehen noch einen Schritt weiter. Sie erkennen, dass menschliche Entscheidungen nicht immer rational sind. Selbst bei identischen Kosten-Nutzen-Verhältnissen kann ein Nutzer „Ja“ sagen, während ein anderer „Nein“ sagt, basierend auf Stimmung, vergangenen Erfahrungen oder einfachem Zufall. Um diese „begrenzte Rationalität“ zu erfassen, verwenden sie eine binomiale Verteilung. Dieses probabilistische Element fügt eine realistische Zufallskomponente hinzu, die verhindert, dass das Modell zu deterministisch und damit unrealistisch wird. Es spiegelt die natürliche Variabilität menschlichen Verhaltens wider.
Aufbauend auf diesem tiefen Verständnis des Nutzerverhaltens konstruieren die Forscher ein zweistufiges Spiel zwischen dem Aggregator und der Flotte der Elektrofahrzeuge. In der Spieltheorie ist dies ein sogenanntes Stackelberg-Spiel. Der Aggregator agiert als „Führer“ (Leader), der zuerst seinen Zug macht, indem er den Preis festlegt, den er für die Bereitstellung von Reserveleistung – also die Bereitschaft, entweder das Laden zu reduzieren (Lastabsenkung) oder Energie ins Netz zurückspeisen (Lastanhebung) – anbietet. Die Fahrzeughalter sind die „Folger“ (Followers), die auf diesen Preis reagieren. Sie berechnen, basierend auf ihrem individuellen Ängste-Kosten-Profil und dem angebotenen Preis, ob die Teilnahme für sie vorteilhaft ist, und entscheiden dann, ob sie ihre Reserveleistung anbieten.
Das Ziel des Aggregators ist klar: die Maximierung seines eigenen Gewinns. Er erwirtschaftet diesen Gewinn, indem er die Reserveleistung von den Fahrzeugen zu einem bestimmten Preis einkauft und sie dann zum höheren Marktpreis an das Stromnetz verkauft. Die Differenz ist sein Profit. Allerdings steht er vor einem klassischen Dilemma: Bietet er einen zu niedrigen Preis, werden zu wenige Nutzer teilnehmen, und die verfügbare Reservekapazität ist unzureichend, um einen signifikanten Gewinn zu erzielen. Bietet er einen zu hohen Preis, steigt zwar die Teilnahmequote, aber die Gewinnspanne schrumpft. Der optimale Preis liegt in einem Gleichgewicht, das nur durch ein tiefes Verständnis der Nutzerreaktion gefunden werden kann.
Die Lösung des Modells erfolgt nicht in einem einzigen Schritt, sondern durch einen iterativen Feedback-Prozess. Der Aggregator beginnt mit einem anfänglichen Preisangebot. Das Nutzermodell simuliert dann, wie viele Fahrzeuge auf dieses Angebot reagieren würden, basierend auf ihren individuellen Ängste-Kosten und der probabilistischen Entscheidungsregel. Dies ergibt eine Schätzung der verfügbaren Reservekapazität. Mit dieser Information kehrt der Aggregator zurück zu seiner Optimierung und passt seinen Preis an, um seinen Gewinn zu maximieren. Dieser angepasste Preis wird erneut in das Nutzermodell eingespeist, was eine neue Schätzung der Teilnahme ergibt. Dieser Kreislauf wiederholt sich, bis sich das System in einem stabilen Gleichgewichtszustand befindet, in dem weder der Aggregator noch die Nutzer einen Anreiz haben, ihre Strategie zu ändern. Dieses Gleichgewicht repräsentiert die optimale Balance zwischen Profitabilität und Nutzerakzeptanz.
Ein technischer Meilenstein der Studie ist die Methode, mit der die Komplexität der probabilistischen Entscheidungen bewältigt wird. Die direkte Simulation jedes einzelnen Nutzers wäre rechnerisch extrem aufwendig. Die Forscher umgehen dies, indem sie die probabilistischen Elemente auf der Ebene der gesamten Fahrzeugflotte in deterministische Äquivalente umwandeln. Anstatt jeden Nutzer einzeln zu simulieren, berechnen sie die erwartete Teilnahmerate für jede Nutzergruppe basierend auf der Verteilung der Ängste-Kosten. Dies ermöglicht eine effiziente Optimierung, die dennoch die aggregierten Effekte der individuellen Variabilität erfasst.
Die Wirksamkeit des Modells wurde in einer Simulation mit einer Flotte von 150 Elektrofahrzeugen unter zwei typischen Szenarien getestet: Wohnraumladung (über Nacht) und Ladung am Arbeitsplatz (während des Tages). Die Ergebnisse wurden mit zwei Benchmark-Strategien verglichen: einer einfachen, festgelegten Lade-Strategie und einem Multi-Objective Particle Swarm Optimization (MOPSO)-Algorithmus, der mehrere Ziele gleichzeitig optimiert, aber keine expliziten Spiel-Dynamiken enthält.
Die Ergebnisse waren überzeugend. Das spieltheoretische Modell erreichte eine höhere Teilnahmerate – gemessen als „Reaktionsquote“ von 32% – im Vergleich zur MOPSO-Methode. Noch wichtiger war der wirtschaftliche Erfolg für beide Parteien. Die Fahrzeughalter sahen ihren erwarteten Ertrag aus Reserveleistungen von 421 Yuan (ca. 52 Euro) unter MOPSO auf 454 Yuan (ca. 56 Euro) unter dem Spielmodell steigen, während ihre Gesamtkosten (einschließlich Lade- und Batteriekosten) sanken. Der Aggregator erhöhte seinen Ertrag auf dem Reserveleistungsmarkt von 1.049 Yuan auf 1.240 Yuan. Dies demonstriert eindrucksvoll, dass ein nutzerzentrierterer Ansatz nicht nur fairer, sondern auch profitabler sein kann.
Über die reinen wirtschaftlichen Aspekte hinaus brachte das Modell erhebliche Vorteile für das Stromnetz. Durch die gezielte Verschiebung der Ladeaktivität weg von Lastspitzen und die Möglichkeit, während hoher Nachfrage zu entladen, reduzierte die spieltheoretische Strategie die tägliche Differenz zwischen Spitzen- und Tiefstlast erheblich. Dieser Effekt der „Lastspitzen-Absenkung und Tiefstlast-Auffüllung“ stabilisiert das Netz, reduziert den Bedarf an teuren Spitzenlastkraftwerken und erleichtert die Integration erneuerbarer Energien wie Solar- und Windstrom, deren Erzeugung schwankt.
Die Implikationen dieser Forschung reichen weit über die technischen Details hinaus. Sie markiert einen Paradigmenwechsel in der Betrachtung von Lastmanagement. Anstatt Nutzer als passive Knoten in einem Netzwerk zu behandeln, werden sie als aktive Akteure mit eigenen Zielen und Einschränkungen anerkannt. Dieser menschenzentrierte Ansatz ist entscheidend für den langfristigen Erfolg von V2G-Programmen. Wenn Nutzer das Gefühl haben, dass ihre Bedürfnisse ignoriert werden oder sie einen unverhältnismäßigen Teil der Kosten tragen, werden sie sich abwenden, was das gesamte System untergräbt. Indem die Ängste der Nutzer explizit modelliert und in den Entscheidungsprozess einbezogen werden, haben die Forscher ein Framework geschaffen, das nicht nur genauer, sondern auch gerechter ist.
Die Studie unterstreicht auch die Bedeutung der Skalierung. Die Forscher fanden heraus, dass die Stabilität der Reaktionsquote mit der Größe der Fahrzeugflotte zunimmt. Bei kleinen Flotten können zufällige Schwankungen in den individuellen Entscheidungen zu großen Ausschlägen im aggregierten Verhalten führen. Bei größeren Flotten – ab etwa 100 Fahrzeugen – gleicht sich dies durch das Gesetz der großen Zahlen aus, was das Gesamtverhalten vorhersehbarer macht. Dies legt nahe, dass die Aggregation von Elektrofahrzeugen am effektivsten auf kommunaler oder städtischer Ebene erfolgt, anstatt durch isolierte, kleine Programme.
Ein weiterer wichtiger Aspekt ist das Feedback. Die iterative Natur des Spiels ermöglicht es dem Aggregator, kontinuierlich aus dem Verhalten der Nutzer zu lernen und darauf zu reagieren. Dies steht im Gegensatz zu statischen Preismodellen, die im Voraus festgelegt werden und nicht auf sich ändernde Bedingungen reagieren können. In einem dynamischen Energiemarkt, in dem Preise und Netzbedarf sich rasch ändern können, ist die Fähigkeit, Anreize in Echtzeit anzupassen, ein entscheidender Vorteil. Die Feedback-Schleife des Modells schafft ein reaktives, adaptives System, das das Gleichgewicht auch bei sich ändernden äußeren Bedingungen aufrechterhalten kann.
Zusammenfassend bietet die Forschung von Fang, Hu und Ma eine raffinierte und dennoch praktische Lösung für eine der drängendsten Herausforderungen der Energiewende: Wie integriert man Millionen privat genutzter Elektrofahrzeuge in ein zuverlässiges, effizientes und gerechtes Stromsystem? Indem sie Spieltheorie, Verhaltensmodellierung und Optimierung kombinieren, haben sie ein Framework geschaffen, das die Autonomie der Nutzer respektiert, während es kollektive Vorteile maximiert. Während die Welt sich einer Zukunft mit elektrifizierter Mobilität und dezentraler Energie nähert, werden solche Ansätze unerlässlich sein, um ein Stromnetz zu schaffen, das nicht nur intelligent, sondern auch menschlich ist.
Fang Yuxuan, Hu Junjie, Ma Wenshuai, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University. Transactions of China Electrotechnical Society. DOI: 10.19595/j.cnki.1000-6753.tces.230923