Großflächige E-Fahrzeugflotten gewinnen neue Rolle bei Netzstabilität
Die Elektromobilität befindet sich in einer entscheidenden Phase ihrer Entwicklung. Elektrofahrzeuge (EVs) gelten nicht mehr nur als umweltfreundliche Alternative zu Verbrennungsmotoren, sondern werden zunehmend als aktive Akteure im Energiesystem verstanden. Eine bahnbrechende Studie von Forschenden der Hefei University of Technology zeigt, dass intelligente Aggregation von EVs es ermöglicht, diese Fahrzeuge als entscheidende Ressource zur Stabilisierung von Stromnetzen einzusetzen. Durch den Einsatz neuartiger, datenbasierter Modellierungsansätze können E-Fahrzeugflotten in großem Maßstab zur Unterstützung von Spitzenlastmanagement, Frequenzregelung und Spannungsstabilisierung beitragen. Diese Forschung, die in der renommierten Fachzeitschrift Automation of Electric Power Systems veröffentlicht wurde, legt einen neuen Standard für die Integration von Elektrofahrzeugen in die moderne Energieinfrastruktur fest.
Die Studie, geleitet von Wang Yangyang, Doktorand am Forschungszentrum für Photovoltaik-Systemtechnik des chinesischen Bildungsministeriums an der Hefei University of Technology, stellt einen neuartigen zweistufigen Clustering-Ansatz vor, um die aggregierbare steuerbare Kapazität (Aggregation Schedulable Capacity, ASC) großer E-Fahrzeugflotten zu modellieren. Diese Kapazität beschreibt die obere und untere Grenze, innerhalb derer E-Fahrzeuge Energie oder Leistung mit dem Stromnetz austauschen können, ohne die Nutzung durch die Fahrzeughalter zu beeinträchtigen. Sie ist ein entscheidender Parameter für virtuelle Kraftwerke (VPPs), die an verschiedenen Formen der Netzunterstützung teilnehmen wollen. Die Ergebnisse dieser Arbeit bieten eine skalierbare Methodik, um Millionen von E-Fahrzeugen in die zentrale Stromnetzplanung auf Provinzebene einzubinden.
Mit der Prognose, dass Chinas E-Fahrzeugbestand bis zum Jahr 2030 fast eine Milliarde Fahrzeuge erreichen wird und dabei eine Gesamtspeicherkapazität von rund vier Terawattstunden (TWh) bereitstellen könnte, werden die Herausforderungen für das Stromnetz immens. Eine ungeordnete Ladepraxis könnte die bestehenden Spannungen im Netz weiter verschärfen, insbesondere angesichts des zunehmenden Anteils fluktuierender erneuerbarer Energien wie Wind und Sonne. Die Studie demonstriert jedoch, dass durch Technologien wie Vehicle-to-Grid (V2G) und intelligente Aggregationsalgorithmen E-Fahrzeuge zu einer flexiblen, reaktiven Ressource werden können, die in der Lage ist, eine Regelkapazität im Gigawatt-Maßstab bereitzustellen.
Bisherige Modelle zur Beschreibung von E-Fahrzeugflotten haben oft entweder die gesamte Flotte als homogenes Ganzes betrachtet oder sich auf die Modellierung individueller Nutzerverhalten konzentriert. Solche Ansätze sind zwar für kleine, lokal begrenzte Anwendungen nützlich, stoßen jedoch an ihre Grenzen, wenn sie auf regionale oder gar provinzielle Netzebene angewendet werden sollen. In solchen Szenarien spielen Faktoren wie die räumliche Verteilung der Fahrzeuge und Ladestationen, die Vielfalt der Ladeinfrastruktur sowie die Variabilität des Nutzerverhaltens eine entscheidende Rolle. Viele bestehende Modelle basieren auf synthetischen Daten oder vereinfachenden Annahmen über Ladeverhalten, was ihre praktische Anwendbarkeit erheblich einschränkt.
Wang Yangyang und sein Team adressieren diese Mängel mit einem datengetriebenen, zweistufigen Clustering-Framework. Anstatt Fahrzeuge und Ladestationen separat zu betrachten, integriert das Modell sowohl die Eigenschaften des Fahrzeugs als auch die des Ladepunkts in eine einheitliche Einheit, die als „generalisiertes Energiespeichersystem“ (EV-GESS) bezeichnet wird. Dieser ganzheitliche Ansatz berücksichtigt, dass die Steuerbarkeit eines E-Fahrzeugs nicht allein von seiner Batteriekapazität oder dem Ladezustand (State of Charge, SOC) abhängt, sondern auch von der Art des Ladegeräts, seinem geografischen Standort und den Lade- und Nutzungsgewohnheiten des Nutzers.
Die erste Stufe des Modells verwendet den Density-Based Spatial Clustering of Applications with Noise (DBSCAN) Algorithmus, um mehr als 1,78 Millionen reale Ladevorgänge von 4.181 Ladestationen in einer chinesischen Provinz aus dem Jahr 2021 zu analysieren. Im Gegensatz zu klassischen Clustering-Methoden wie k-Means erfordert DBSCAN keine vorherige Festlegung der Anzahl der Cluster und ist robust gegenüber Ausreißern – eine Eigenschaft, die ihn ideal für die Verarbeitung der verrauschten und unregelmäßigen Realwelt-Daten macht. Der Algorithmus identifiziert verschiedene Ladeverhaltensmuster, wie „Morgentyp“, „Mittagstyp“ oder „Abendtyp“, basierend auf Parametern wie Ladebeginn, Dauer, geladener Energiemenge und einem neu eingeführten „Leerlaufzeit-Anteil“.
Ein zentrales innovatives Element ist der „Leerlaufzeit-Anteil“, eine Kennzahl, die den Anteil der Zeit beschreibt, während der ein E-Fahrzeug an einer Ladestation angeschlossen ist, ohne aktiv zu laden. Ein hoher Leerlaufzeit-Anteil deutet auf eine größere Flexibilität hin – solche Fahrzeuge können ihre Ladezeit verschieben oder sogar Energie ins Netz zurückspeisen, ohne den Fahrer zu beeinträchtigen. Beispielsweise sind Fahrzeuge, die über Nacht parken und nachts angeschlossen werden, aber erst am nächsten Morgen benötigt werden, ideale Kandidaten für V2G-Dienste.
Die zweite Stufe des Modells wendet eine verbesserte Version der Self-Organizing Map (SOM) neuronale Netzwerktechnologie an, die durch Dimensionsauswahl und eine auf Autoencodern basierende Merkmalsreduktion (AE-DSSOM) erweitert wurde. In diesem Schritt werden die Ladestationen selbst basierend auf der Verteilung der Ladeprofile und festen Infrastrukturparametern wie Nennleistung und geografischen Koordinaten gruppiert. Während die räumliche Lage bei Spitzenlastmanagement und Frequenzregelung weniger kritisch sein mag, ist sie für die Spannungsregelung von entscheidender Bedeutung, da die physische Position des Ladepunkts direkt beeinflusst, welcher Teil des Verteilnetzes stabilisiert werden kann.
Durch die Kombination dieser beiden Clustering-Stufen entstehen unterschiedliche EV-GESS-Aggregate (EV-GESSA), die jeweils eine einzigartige Kombination aus zeitlichem Verhalten und räumlich-technischen Eigenschaften repräsentieren. Dies ermöglicht es Netzbetreibern, gezielt bestimmte Aggregate für verschiedene Dienstleistungen anzusprechen – zum Beispiel, hochflexible, zentral gelegene E-Fahrzeuge mit langem Anschluss für eine schnelle Frequenzregelung zu mobilisieren, während große, leistungsstarke Stationen für die Verschiebung großer Energiemengen während der Spitzenstunden reserviert werden.
Die praktischen Implikationen dieser Forschung sind erheblich. Die Studie schätzt, dass die modellierte E-Fahrzeugflotte auf Basis der Daten aus 2021 eine durchschnittliche regelbare Leistungsspanne von [-39,7, 10,5] Megawatt bei einem Dispatch-Intervall von einer Minute bereitstellen könnte – ausreichend, um die Frequenzstabilität einer Region zu unterstützen. Bei einer Hochrechnung auf die prognostizierten E-Fahrzeugzahlen von 2030 wächst das Potenzial auf mehrere Gigawatt an, was der Leistung herkömmlicher Spitzenlastkraftwerke gleichkommt.
Darüber hinaus berücksichtigt das Modell die dynamische Natur der steuerbaren Kapazität. Während ein E-Fahrzeug auf ein Netzsignal hin lädt oder entlädt, verändert sich seine verbleibende Kapazität für weitere Anpassungen. Die Forschenden integrieren diese Rückkopplungsschleife in ihre ASC-Berechnungen, wodurch sichergestellt wird, dass Echtzeit-Dispatch-Entscheidungen auf genauen, aktuellen Kapazitätsschätzungen basieren. Dies ist besonders wichtig für Nebendienstleistungen, die eine anhaltende Leistungsabgabe über mehrere Minuten erfordern, wie die Frequenzregelung, bei der die Fähigkeit, eine bestimmte Leistung für 3 bis 30 Minuten aufrechtzuerhalten, entscheidend ist.
Die Studie untersucht auch langfristige Trends in der Flexibilität von E-Fahrzeugen. Analysen auf wöchentlicher, monatlicher und jährlicher Ebene zeigen saisonale und verhaltensbedingte Muster. So sinkt die steuerbare Kapazität tendenziell an Wochenenden, wahrscheinlich aufgrund reduzierter Pendel- und Ladeaktivität. An Feiertagen wie dem Maifeiertag oder dem Nationalfeiertag hingegen steigt die Aktivität deutlich an, möglicherweise im Zusammenhang mit erhöhtem Reiseverkehr und längeren Parkdauern. Diese Erkenntnisse ermöglichen eine genauere Prognose und strategische Planung für Netzbetreiber.
Ein weiterer bedeutender Beitrag ist die Validierung der gewählten Algorithmen. Das Team vergleicht DBSCAN, k-Means, SOM und DSSOM in beiden Clustering-Stufen und bewertet die Leistung anhand des Davies-Bouldin-Index (DBI), einem Maß für die Trennschärfe und Kompaktheit der Cluster. Die Ergebnisse zeigen, dass DBSCAN die beste Balance aus Geschwindigkeit und Genauigkeit in der ersten Stufe erzielt und mehr als 1,7 Millionen Datensätze in unter 15 Sekunden verarbeitet, mit einem DBI von 0,7247 – besser als k-Means (0,8262) und Standard-SOM (0,7354). In der zweiten Stufe, wo die Datenmenge geringer, aber die Dimensionalität höher ist, erreicht AE-DSSOM den niedrigsten DBI (0,8556), was eine überlegene Clustering-Qualität belegt, trotz einer leicht längeren Rechenzeit.
Die Integration von Autoencodern im zweiten Schritt erweist sich als besonders effektiv. Durch die Reduzierung der Dimensionalität der Eingangsmerkmale vermeidet das Modell den „Fluch der Dimensionalität“ und verbessert die Fähigkeit des neuronalen Netzwerks, bedeutungsvolle Muster zu erkennen. Dies ist entscheidend bei der Verarbeitung von 12-dimensionalen Daten, die sowohl Verhaltensquoten als auch geografische Koordinaten umfassen. Der Autoencoder lernt eine komprimierte Darstellung, die die wichtigsten Merkmale erfasst, und verbessert so sowohl die Geschwindigkeit als auch die Genauigkeit des Clustering.
Aus Sicht der Politik und Wirtschaft unterstreicht die Forschung die wirtschaftliche Tragfähigkeit von netzbasierten Dienstleistungen durch E-Fahrzeuge. Die aktuellen Vergütungssätze für Nebendienstleistungen in China liegen zwischen 300 und 800 Yuan pro Megawattstunde. Selbst mit dem Datensatz aus 2021 – der nur etwa 30 % der gesamten Ladeaktivität der Provinz repräsentiert – belaufen sich die potenziellen stündlichen Einnahmen auf Zehntausende von Yuan. Bis 2030, mit der vollständigen Integration der Flotte, könnte der wirtschaftliche Wert jährlich Milliarden erreichen, was einen starken Anreiz für Energieversorger, Automobilhersteller und Verbraucher schafft, an V2G-Programmen teilzunehmen.
Die Autoren weisen jedoch auf bestehende Grenzen hin. Das Modell basiert auf historischen Ladedaten und berücksichtigt noch nicht die Echtzeit-Reaktion der Fahrer auf Dispatch-Signale. Das Nutzerverhalten könnte sich ändern, wenn finanzielle Anreize oder verbindliche Netzanfragen eingeführt werden. Zudem bleiben Bedenken hinsichtlich der Batteriealterung und der Verfügbarkeit von Ladepunkten eine Barriere für eine breite V2G-Nutzung. Zukünftige Arbeiten werden sich auf die Vorhersage der ASC und Feldversuche zur Validierung des theoretischen Rahmens konzentrieren.
Die übergeordnete Bedeutung dieser Forschung liegt in ihrer Skalierbarkeit und Anpassungsfähigkeit. Obwohl die Studie sich auf eine einzelne Provinz konzentriert, kann die Methodik auf jede Region mit ausreichenden Daten zur Ladeinfrastruktur angewendet werden. Mit der zunehmenden Verbreitung von intelligenten Zählern, vernetzten Fahrzeugen und cloudbasierten Energiesystemen werden die erforderlichen Eingangsdaten – Start- und Endzeiten, geladene Energiemenge, Ladertyp – zunehmend verfügbar sein.
Diese Entwicklung markiert eine fundamentale Veränderung im Verständnis von Verkehrs- und Energiesystemen. E-Fahrzeuge sind nicht mehr nur Stromverbraucher; sie sind mobile Speicher, die in der Lage sind, Netzdienstleistungen im großen Maßstab zu erbringen. Der Übergang von passiven Verbrauchern zu aktiven Teilnehmern erfordert anspruchsvolle Modellierung, robuste Kommunikationsprotokolle und Marktmechanismen, die die Nutzer fair entlohnen. Diese Studie liefert einen entscheidenden Baustein dafür.
Netzbetreiber erforschen bereits Pilotprojekte, die große E-Fahrzeugflotten für die Frequenzregelung nutzen. In Europa haben Projekte wie eV2g in Dänemark und das britische EV Energy Systems die technische Machbarkeit von V2G nachgewiesen. In den Vereinigten Staaten testen Versorger wie Pacific Gas & Electric und Southern California Edison bidirektionales Laden mit Flotten von elektrischen Schulbussen und kommunalen Fahrzeugen. Die chinesische Studie fügt eine neue Dimension hinzu, indem sie zeigt, wie große, heterogene E-Fahrzeugpopulationen systematisch organisiert und für mehrere Dienstleistungen optimiert werden können.
Der zweistufige Clustering-Ansatz hat auch Auswirkungen jenseits der Netzdienstleistungen. Er könnte die Stadtplanung unterstützen, indem er hilft, optimale Standorte für Schnellladestationen basierend auf tatsächlichen Nutzungsmustern zu identifizieren. Er könnte Investitionsentscheidungen von Versorgungsunternehmen leiten und die Planung von Transformatoren und Verteilungsanlagen in Gebieten mit hoher E-Fahrzeugdichte unterstützen. Und er könnte personalisierte Energiedienstleistungen ermöglichen, bei denen Fahrer maßgeschneiderte Ladeempfehlungen basierend auf ihrem historischen Verhalten und den aktuellen Netzbedürfnissen erhalten.
Mit fortschreitender Energiewende wird die Grenze zwischen Verkehrs- und Energiesystemen weiter verschwimmen. Fahrzeuge werden nicht nur mit Strom betrieben, sondern werden auch dazu beitragen, das Netz zu stabilisieren, das sie mit Energie versorgt. Die Arbeit von Wang Yangyang und seinen Kollegen an der Hefei University of Technology liefert eine Blaupause für die Realisierung dieser Vision – die Transformation von Millionen einzelner Ladevorgänge in eine koordinierte, intelligente und hochwertige Ressource für das moderne Stromnetz.
Die Studie setzt einen neuen Maßstab für die Forschung zur Integration von E-Fahrzeugen und Stromnetzen, indem sie strenge Datenwissenschaft mit praktischen ingenieurtechnischen Erkenntnissen verbindet. Sie geht über theoretische Simulationen hinaus und liefert ein Modell, das auf realen Betriebsdaten basiert und gegen tatsächliches Ladeverhalten validiert wurde. Damit schließt sie die Lücke zwischen akademischer Forschung und industrieller Anwendung und bietet ein Werkzeug, das direkt von Netzbetreibern, Aggregatoren und politischen Entscheidungsträgern genutzt werden kann.
Zusammenfassend lässt sich sagen, dass die Zukunft der Netzstabilität möglicherweise auf der intelligenten Koordination von Elektrofahrzeugen beruht. Mit wachsender Batteriekapazität, ausgebauter Ladeinfrastruktur und verbesserter digitaler Vernetzung wird das Potenzial von E-Fahrzeugen als dezentrale Energieressourcen nur weiter zunehmen. Die hier vorgestellte Forschung ist nicht nur eine technische Leistung – sie ist ein Schritt hin zu einem widerstandsfähigeren, effizienteren und nachhaltigeren Energiesystem.
Wang Yangyang, Mao Meiqin, Yang Cheng, Zhou Kun, Du Yan, Nikos D. Hatziargyriou, Hefei University of Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230627012