Intelligente Ladeoptimierung für E-Auto-Stationen mit erneuerbaren Energien
Die rasante Entwicklung der Elektromobilität stellt Städte und Energieversorger weltweit vor neue Herausforderungen. Mit jedem neu zugelassenen Elektrofahrzeug steigt nicht nur die Nachfrage nach Ladepunkten, sondern auch die Belastung der Stromnetze, insbesondere während Spitzenlastzeiten. Ungeplantes Laden, etwa wenn Fahrer nach der Arbeit ihre Fahrzeuge sofort mit maximaler Leistung aufladen, kann zu abrupten Anstiegen im Stromverbrauch führen. Dies erhöht nicht nur die Betriebskosten für Ladesäulenbetreiber, sondern behindert auch die Integration erneuerbarer Energien wie Solar- und Windstrom, deren Erzeugung wetterabhängig und oft nicht mit den Spitzenzeiten des Ladeverhaltens synchronisiert ist. Um diese Herausforderungen zu meistern, ist eine intelligente Steuerung der Ladevorgänge unerlässlich.
Ein Forscherteam aus China hat nun eine neuartige Online-Optimierungsstrategie entwickelt, die es ermöglicht, die Ladeleistung an E-Auto-Ladestationen, die mit erneuerbaren Energiequellen ausgestattet sind, in Echtzeit dynamisch anzupassen. Die Methode, die von Zhou Zhuo von Jiangsu Wiscom System Co., Ltd. geleitet wurde und an der Lu Xiang, Liu Haitao, Qi Shenglong, Han Tao und Wang Qing von verschiedenen Forschungsinstituten des State Grid und der Nanchang University beteiligt waren, zielt darauf ab, die Ladepläne für die nächsten 24 Stunden kontinuierlich zu optimieren. Das System berücksichtigt dabei ständig wechselnde Faktoren wie den aktuellen Ladezustand der angeschlossenen Fahrzeuge, die verbleibende Parkdauer, die voraussichtliche nächste Fahrstrecke des Fahrers sowie die prognostizierte Erzeugung von Solar- und Windstrom. Das Ziel ist dreifach: Erstens soll der Anteil des direkt verbrauchten, lokal erzeugten grünen Stroms maximiert werden. Zweitens soll der Bezug von teurem Netzstrom, insbesondere während teurer Tarifzeiten, minimiert werden, um die Betriebskosten zu senken. Drittens soll die Belastung des öffentlichen Stromnetzes durch eine glattere, weniger volatile Lastkurve verringert werden, was zur Stabilität des gesamten Verteilnetzes beiträgt.
Die im Februar 2024 in der Fachzeitschrift Electrical Measurement & Instrumentation veröffentlichte Studie stellt einen signifikanten Fortschritt in der intelligenten Steuerung von Ladinfrastruktur dar. Die Forscher adressieren ein zentrales Problem: Die mathematische Optimierung der Ladevorgänge für Dutzende oder Hunderte von Fahrzeugen ist ein extrem komplexes Problem mit einer riesigen Anzahl an Variablen. Jedes Fahrzeug hat einen individuellen Ladebedarf, eine unterschiedliche Anschlussdauer und unterschiedliche Präferenzen des Fahrers. Ein klassischer Optimierungsalgorithmus, der alle diese Variablen für alle 96 Fünfzehn-Minuten-Intervalle eines Tages gleichzeitig berücksichtigen muss, stößt schnell an seine Grenzen, was zu langen Rechenzeiten führt – ein untragbares Szenario für ein Echtzeit-System, das sich stündlich oder gar noch häufiger an neue Bedingungen anpassen muss.
Die entscheidende Innovation der chinesischen Forschergruppe liegt in einem zweistufigen Ansatz, der die Rechenlast erheblich reduziert und somit eine schnelle, praktikable Echtzeit-Optimierung ermöglicht. Der Schlüssel ist eine vorgeschaltete Klassifizierung der Ladesäulen basierend auf ihrem aktuellen Zustand, bevor der eigentliche Optimierungsalgorithmus überhaupt zum Einsatz kommt. Diese Methode, die als „zustandsabhängige Klassifizierung der Entscheidungsvariablen“ bezeichnet wird, teilt die Ladesäulen in drei Gruppen ein. Die erste Gruppe umfasst Säulen, die entweder leer sind oder an denen ein vollgeladenes Fahrzeug angeschlossen ist. Für diese Säulen ist die Entscheidung trivial: Sie liefern keine Leistung. Ihre Variablen werden aus der Optimierung herausgenommen.
Die zweite Gruppe sind Fahrzeuge, deren Batterie selbst bei kontinuierlichem Laden mit maximaler Leistung bis zum Ende ihrer Parkdauer nicht die vom Fahrer gewünschte Mindestladung erreichen würde. Auch hier ist die optimale Strategie eindeutig: Laden mit voller Leistung, so lange wie möglich. Diese Fahrzeuge erhalten einen festen Ladeplan und werden ebenfalls aus dem Pool der zu optimierenden Variablen entfernt. Was bleibt, ist die dritte und interessanteste Gruppe: Fahrzeuge, deren Ladebedarf flexibel gestaltet werden kann. Diese Fahrzeuge haben genug Zeit, um ihre gewünschte Ladung zu erreichen, ohne die volle Leistung kontinuierlich nutzen zu müssen. Genau für diese Gruppe wird nun der rechenintensive Optimierungsalgorithmus angewendet.
Dieser Vorauswahl-Schritt reduziert die Dimension des Optimierungsproblems dramatisch. Anstatt hunderte von Variablen zu berechnen, konzentriert sich der Algorithmus nur auf diejenigen Fahrzeuge, bei denen eine flexible Ladeplanung tatsächlich einen Unterschied macht. Die Forscher demonstrierten dies anhand einer Modell-Ladestation mit 60 Säulen. Die durchschnittliche Anzahl der tatsächlich zu optimierenden Variablen sank erheblich, was direkt zu einer Verkürzung der Rechenzeit führte. Darüber hinaus wird die Effizienz durch eine weitere Beobachtung gesteigert: Während ein Fahrzeug geladen wird, verringert sich seine verbleibende Ladezeit. Dies bedeutet, dass der „Suchraum“ für die optimale Ladeleistung in den verbleibenden Zeitintervallen automatisch kleiner wird, was den Algorithmus weiter beschleunigt und die Genauigkeit erhöht.
Für die eigentliche Optimierung setzt das Team einen modifizierten Differential-Evolution-Algorithmus (DEA) ein. Dieser gehört zur Klasse der evolutionären Algorithmen, die von biologischen Evolutionsprozessen wie Mutation, Kreuzung und Selektion inspiriert sind. Im Gegensatz zu traditionellen Methoden, die leicht in lokalen Optima stecken bleiben können, erkundet DEA den Lösungsraum durch eine Population von möglichen Lösungen und ist dadurch robuster bei komplexen, nichtlinearen Problemen. Der Algorithmus wird in zwei Phasen eingesetzt: Zuerst wird eine optimale Kombination von Ladeplänen für alle aktiven Fahrzeuge der Gruppe drei gefunden. Anschließend werden die einzelnen Ladeleistungen innerhalb dieser Kombination verfeinert. Die Zielfunktion, die der Algorithmus minimieren soll, ist eine gewichtete Summe aus drei Komponenten: Die erste misst die Diskrepanz zwischen der prognostizierten Erzeugung erneuerbarer Energien und der gesamten Ladeleistung – je kleiner die Differenz, desto besser wird der grüne Strom direkt verbraucht. Die zweite Komponente berechnet die Kosten für den aus dem Netz bezogenen Strom basierend auf einem zeitabhängigen Tarifmodell, um das Laden in billigen Nachtstunden zu bevorzugen. Die dritte Komponente bewertet die Gleichmäßigkeit der Netzanbindung, um Lastspitzen zu vermeiden.
Die Wirksamkeit der Strategie wurde in umfangreichen Simulationen getestet, die eine ganze Woche lang reale Wetterdaten für Sonne und Wind sowie realistische Fahr- und Parkverhalten von 300 Elektrofahrzeugen berücksichtigten. Die Ergebnisse waren beeindruckend. Im Vergleich zu einem Szenario, in dem alle Fahrer sofort mit voller Leistung laden („ungeordnetes Laden 1“), konnte die Diskrepanz zwischen erneuerbarer Erzeugung und Ladeleistung um 57 % reduziert werden. Das bedeutet, dass fast das Doppelte an Solar- und Windstrom direkt vor Ort verbraucht wurde, anstatt ins Netz eingespeist oder gar abgeregelt werden zu müssen. Dies ist ein entscheidender Schritt zur Verbesserung der Wirtschaftlichkeit und Nachhaltigkeit von Ladestationen.
Die finanziellen Vorteile waren ebenso deutlich. Die Gesamtkosten für den aus dem Netz bezogenen Strom sanken in der simulierten Woche von 24.800 RMB auf 19.000 RMB – eine Einsparung von 23 %. Dies wurde erreicht, indem das System das Laden intelligent in die Niedertarifzeiten zwischen 23:00 und 7:00 Uhr verlagerte. Gleichzeitig wurde die maximale Leistung, die die Ladestation aus dem Netz zog, um über 30 % gesenkt. Dies entlastet lokale Transformatoren und Verteilerkästen erheblich und erhöht die Netzstabilität. Die Lastkurve, die von der Ladestation gesehen wird, war erheblich glatter und zeigte keine abrupten Sprünge, die bei ungeordnetem Laden auftreten.
Ein entscheidender Faktor für die Praxistauglichkeit ist die Rechengeschwindigkeit. Die Forscher stellten sicher, dass ihre Strategie nicht nur theoretisch überzeugt, sondern auch in der Realität funktioniert. Auf einem handelsüblichen Computer mit einem Intel i7-Prozessor betrug die durchschnittliche Zeit, um einen neuen 24-Stunden-Ladeplan zu berechnen, nur 18,7 Sekunden. Dies liegt weit unter dem 15-Minuten-Intervall, in dem das System aktualisiert wird, und stellt somit die Echtzeitfähigkeit sicher. Im Vergleich zu einem herkömmlichen Optimierungsansatz, der durchschnittlich 26,2 Sekunden benötigte, bedeutet dies eine Verbesserung um 28 %, was die Skalierbarkeit der Lösung unterstreicht.
Die Implikationen dieser Forschung gehen weit über die einzelne Ladestation hinaus. Sie liefert ein konkretes Modell dafür, wie die Verkehrswende und die Energiewende miteinander verknüpft werden können. Elektrofahrzeuge werden nicht länger als bloße Stromverbraucher gesehen, sondern als mobile Energiespeicher, die aktiv zur Stabilität des Stromnetzes beitragen können. Eine Ladestation, die nach diesem Prinzip arbeitet, fungiert als intelligenter Knotenpunkt, der die Volatilität erneuerbarer Energien ausgleicht. In Zukunft könnten solche Systeme sogar an sogenannten Demand-Response-Programmen teilnehmen, bei denen sie auf Anfrage des Netzbetreibers ihre Ladeleistung kurzfristig reduzieren, um Netzengpässe zu vermeiden, und dafür eine finanzielle Entschädigung erhalten.
Für die Betreiber von Ladestationen bietet diese Technologie eine klare Wertschöpfung. Sie senken ihre Betriebskosten durch effizienteren Strombezug und erhöhen gleichzeitig die Attraktivität ihres Angebots, indem sie einen höheren Anteil an grünem Strom garantieren können. Für Endverbraucher bedeutet dies indirekt niedrigere Ladekosten und ein stärkeres Gefühl, einen Beitrag zur Umwelt zu leisten. Für Netzbetreiber ist es eine willkommene Entlastung, da die Integration von Elektromobilität ohne massive, teure Netzausbauten gelingen kann.
Natürlich gibt es auch Herausforderungen auf dem Weg zur breiten Anwendung. Die Genauigkeit der Vorhersagen für Sonneneinstrahlung und Windgeschwindigkeit ist entscheidend für die Leistung des Systems. Je besser die Prognosen, desto effizienter kann die Optimierung erfolgen. Auch die Datensicherheit ist ein kritischer Punkt, da ein solches System über Netzwerke kommuniziert und daher potenziell anfällig für Cyberangriffe sein könnte. Zudem ist die Akzeptanz bei den Fahrern wichtig. Das System muss zuverlässig garantieren, dass das Fahrzeug zur geplanten Abfahrtszeit die gewünschte Ladung erreicht hat, auch wenn das Laden in kleinen Schüben über den Tag verteilt stattfindet.
Die Autoren der Studie betonen, dass ihre Arbeit eine fundierte Grundlage und ein funktionierendes Framework liefert, das jedoch an lokale Gegebenheiten angepasst werden muss. Faktoren wie die Größe der Station, die spezifischen Tarifstrukturen des lokalen Energieversorgers oder die durchschnittliche Parkdauer in einem bestimmten Gebiet müssen berücksichtigt werden. Dennoch stellen die Kernprinzipien – die zustandsbasierte Klassifizierung zur Reduktion der Komplexität und der Einsatz robuster evolutionärer Algorithmen – eine universell anwendbare und skalierbare Lösung dar.
Insgesamt markiert diese Forschung einen wichtigen Meilenstein auf dem Weg zu einer intelligenten, nachhaltigen und wirtschaftlichen Ladeinfrastruktur. Sie zeigt, dass die technischen Hürden für die Integration von Elektromobilität und erneuerbaren Energien nicht nur überwunden, sondern auch in eine Chance verwandelt werden können. Durch intelligente Software und vorausschauende Planung kann die Ladeinfrastruktur zu einem aktiven Bestandteil eines modernen, resilienten Stromnetzes werden, das die Anforderungen der Zukunft erfüllt.
Die Studie wurde von Zhou Zhuo von der Jiangsu Wiscom System Co., Ltd., Lu Xiang, Liu Haitao, Qi Shenglong vom State Grid Ningxia Electric Power Research Institute, Han Tao vom State Grid Electric Power Research Institute und Wang Qing von der Nanchang University verfasst. Sie wurde im Februar 2024 in Electrical Measurement & Instrumentation, Band 61, Ausgabe 2, veröffentlicht, DOI: 10.19753/j.issn1001-1390.2024.02.015.