Intelligente Netze: Wie E-Auto-Laden klimafreundlicher wird
Ein neuer wissenschaftlicher Ansatz könnte die Art und Weise, wie Elektrofahrzeuge (E-Autos) geladen werden, grundlegend verändern und gleichzeitig die Umweltbelastung des Stromnetzes erheblich verringern. Forscher der Kunming University of Science and Technology haben eine bahnbrechende Strategie entwickelt, die es ermöglicht, den ökologischen Fußabdruck des Stromverbrauchs nicht nur zeitlich, sondern auch räumlich präzise zu messen und darauf basierende Anreize zu schaffen. Ihre Studie, veröffentlicht in der renommierten Fachzeitschrift Automation of Electric Power Systems, stellt ein zweistufiges Optimierungsmodell vor, das darauf abzielt, Stromnetze effizienter, wirtschaftlicher und vor allem klimafreundlicher zu machen.
Der Kern dieser Innovation liegt in einem Konzept, das als „Knoten-CO2-Intensität“ bezeichnet wird. Bisher wurde der CO2-Ausstoß des Stroms, den ein Verbraucher nutzt, oft als ein einziger, durchschnittlicher Wert für das gesamte Netz kommuniziert. Diese Vereinfachung, obwohl nützlich für grobe Berechnungen, verschleiert eine entscheidende Realität: Die CO2-Intensität von Strom variiert erheblich je nach Ort im Netz und je nach Tageszeit. Strom, der von einer Kohlekraftanlage in einer Region erzeugt wird, hat einen viel höheren CO2-Fußabdruck als Windstrom, der gleichzeitig in einer anderen Region mit viel Wind erzeugt wird. Diese unterschiedlichen Energiequellen speisen jedoch in verschiedene Knotenpunkte – oder „Busse“ – des Stromnetzes ein.
Das Forscherteam, geleitet von Liang Ning, Fang Qian, Xu Huihui, Zheng Feng und Miao Meng, adressiert dieses Problem mit einem „Kohlenstofffluss-Verfolgungsmodell“. Dieses Modell basiert auf einem mathematischen Prinzip, der „proportionalen Teilungsregel“, um den Weg der CO2-Emissionen von den Kraftwerken über die Übertragungsleitungen bis zu den einzelnen Verbrauchern nachzuverfolgen. Dadurch kann für jeden einzelnen Knotenpunkt im Netz eine spezifische „Knoten-CO2-Intensität“ berechnet werden. Dieser Wert repräsentiert den tatsächlichen, zeitlich variierenden CO2-Fußabdruck des Stroms, der an genau diesem Ort verfügbar ist. Stellen Sie sich vor, ein Knoten in der Nähe eines großen Windparks hat eine sehr niedrige CO2-Intensität an einem windigen Nachmittag, während ein Knoten in der Nähe einer Kohlekraftanlage eine hohe Intensität aufweist, besonders wenn der Wind schwach ist und die Sonne nicht scheint.
Diese räumliche und zeitliche Präzision ist revolutionär. Sie verwandelt die abstrakte Idee von „grüner Energie“ in ein konkretes, handelbares Signal. Anstatt eine allgemeine Botschaft zu erhalten, kann ein flexibler Energieverbraucher, wie ein E-Auto oder ein intelligenter Haushaltsgerät, nun die Information erhalten: „Der Strom an Ihrem Standort ist gerade sehr sauber – jetzt ist der perfekte Zeitpunkt zum Laden oder Betrieb.“ Umgekehrt kann das System signalisieren: „Die CO2-Intensität ist hoch; bitte verschieben Sie Ihren Energieverbrauch, wenn möglich.“ Dieses Detailniveau ermöglicht eine viel effektivere und gezieltere Reduzierung der Gesamtemissionen.
Die Studie baut auf bestehenden Lastmanagement-Programmen auf, die typischerweise Preissignale nutzen, um Nutzer zu ermutigen, ihren Energieverbrauch von Spitzenlastzeiten wegzuschieben. Diese Programme sind zwar effektiv zur Lastglättung, aber nicht unbedingt mit Umweltzielen abgestimmt. Ein Nutzer könnte sein E-Auto auf eine günstigere, außerhalb der Hauptlastzeit liegende Stunde verschieben, nur um festzustellen, dass zu diesem Zeitpunkt das Netz stark auf fossile „Spitzenlastkraftwerke“ angewiesen ist, was zu höheren CO2-Emissionen führt. Das neue Modell integriert das Signal der Knoten-CO2-Intensität direkt in den Lastmanagement-Mechanismus und schafft so einen mächtigen Doppelanreiz. Nutzer werden nicht nur nach Kosten, sondern auch nach der tatsächlichen Umweltbelastung ihres Energieverbrauchs gelenkt.
Um dieses Konzept umzusetzen, schlagen die Forscher ein „zweistufiges Optimierungsmodell“ vor, einen raffinierten, zweischichtigen Entscheidungsprozess. Auf der oberen Ebene steht der Netzbetreiber, dessen primäres Ziel die Aufrechterhaltung eines stabilen, zuverlässigen und wirtschaftlich effizienten Stromangebots ist. Dieses Organ ist dafür verantwortlich, Kraftwerke einzusetzen, sicherzustellen, dass die erzeugte Energiemenge der Gesamtnachfrage entspricht, und den physikalischen Stromfluss über das Netz zu verwalten. In diesem neuen Modell wird der Entscheidungsprozess des Netzbetreibers durch die Kohlenstofffluss-Analyse erweitert. Der Betreiber berechnet die Knoten-CO2-Intensität für jeden Punkt im Netz und sendet diese Information zusammen mit den standardmäßigen Tarifpreisen für verschiedene Tageszeiten (Time-of-Use) an die untere Ebene.
Die untere Ebene ist der Ort, an dem die Innovation wirklich zum Leben erwacht. Hier empfangen sogenannte Lastaggregatoren (Load Aggregators, LA) die Signale für CO2-Intensität und Preis. Diese LAs fungieren als Vermittler und vertreten Gruppen von flexiblen Energieverbrauchern – wie Bewohner eines Wohngebiets, Unternehmen in einem Gewerbegebiet oder Fabriken in einer Industriezone. Jeder LA verwaltet ein Portfolio flexibler Lasten. Die Studie modelliert drei spezifische Typen: Elektrofahrzeuge (EVs), abschaltbare Lasten (Curtailable Loads, CL) wie nicht essentielle industrielle Prozesse, die vorübergehend gestoppt werden können, und verlagerbare Lasten (Transferable Loads, TL) wie Waschmaschinen oder Spülmaschinen, deren Betrieb auf einen anderen Zeitpunkt verschoben werden kann.
Die Aufgabe des LAs besteht darin, seine Gesamtkosten zu minimieren, eine komplexe Gleichung, die mehrere Komponenten umfasst. Dazu gehören die Kosten für den Stromkauf vom Netzbetreiber, etwaige zu erwerbende CO2-Zertifikate (oder Einnahmen aus dem Verkauf überschüssiger Zertifikate) und die finanziellen Anreize, die er an seine Nutzer zahlt, um sie zu ermutigen, ihren Energieverbrauch zu ändern. Ein LA könnte beispielsweise einem Anwohner eine kleine Zahlung anbieten, um dessen E-Auto nur während Phasen mit niedriger CO2-Intensität laden zu lassen oder um seinen intelligenten Durchlauferhitzer für eine Stunde während einer Hochintensitätsphase abzuschalten.
Die Genialität des Modells liegt in seiner Rückkopplungsschleife. Der LA nutzt die eingehenden Signale, um einen optimierten Einsatzplan für seine flexiblen Lasten zu erstellen. Er könnte entscheiden, E-Autos aggressiv während eines sonnigen Vormittags zu laden, wenn Solarstrom im Überfluss vorhanden ist und die CO2-Intensität niedrig ist, oder einen Fabrikarbeitsschichtplan auf den frühen Morgen zu verschieben. Der LA sendet dann seine aktualisierte, optimierte Prognose für den Strombedarf zurück an den Netzbetreiber. Diese neue Nachfrageprognose ist nicht mehr eine passive Last, sondern eine aktive, intelligente Reaktion auf die Zustände im Netz.
Der Netzbetreiber nimmt diese aktualisierte Nachfrage und führt seine eigene Optimierung erneut durch. Mit einer flexibleren und reaktionsschnelleren Nachfrageseite kann der Betreiber nun andere Entscheidungen über die Einschaltung oder Abschaltung von Kraftwerken treffen. Vielleicht kann er ein kohlebasiertes Kraftwerk mit hohen Emissionen eine Stunde länger stilllegen, weil die Nachfrage verschoben wurde, oder er kann die Leistung aus einem saubereren Erdgaskraftwerk erhöhen. Diese neue Einschaltungsentscheidung verändert den Stromfluss und damit die Knoten-CO2-Intensitäten im gesamten Netzwerk.
Dies erzeugt einen dynamischen, iterativen Prozess. Die aktualisierten Knoten-CO2-Intensitäten werden zurück an die LAs gesendet, die dann ihre Lastverteilung basierend auf den neuen Signalen erneut optimieren. Dieser Zyklus wiederholt sich, bis eine stabile, optimale Lösung für das gesamte System erreicht ist – eine Lösung, die Wirtschaftlichkeit, Netzstabilität und, entscheidend, minimale CO2-Emissionen in Einklang bringt. Dieses geschlossene System stellt sicher, dass die Handlungen von Millionen einzelner Verbraucher perfekt mit dem Echtzeit-Zustand des Stromnetzes synchronisiert sind.
Um ihre Theorie zu überprüfen, führte das Forscherteam eine detaillierte Fallstudie mit einem modifizierten IEEE 30-Knoten-Stromsystem durch, einem Standardtestmodell in der Energietechnik. Sie simulierte einen 24-Stunden-Zeitraum und verglich fünf verschiedene Szenarien. Das erste Szenario war ein „Geschäft wie immer“-Fall mit festen Strompreisen und ohne Lastmanagement oder CO2-Handel. Wie erwartet hatte dieses Szenario die höchsten CO2-Emissionen.
Das zweite Szenario führte ein traditionelles, preisbasiertes Lastmanagement ein, bei dem LAs Lasten basierend auf den Tarifpreisen für verschiedene Tageszeiten verschoben. Dies senkte die Kosten und reduzierte die Emissionen leicht. Das dritte Szenario führte einen „stufenartigen“ CO2-Handelsmarkt ein, bei dem LAs höhere Strafen für das Überschreiten ihrer CO2-Quoten erhielten, jedoch ohne Lastmanagement. Dies erhöhte die Kosten, führte aber nicht zu einer signifikanten Emissionsreduktion, was die Notwendigkeit eines aktiven Lastmanagements unterstreicht.
Das vierte Szenario war der Kern ihrer Innovation: die Nutzung des Signals für die Knoten-CO2-Intensität zur Steuerung des Lastmanagements, jedoch mit einem festen Strompreis. Dies führte zu einem signifikanten Rückgang der CO2-Emissionen, da Lasten in sauberere Zeiträume verschoben wurden, was die Wirksamkeit des reinen CO2-Signals beweist.
Das fünfte und letzte Szenario kombinierte sowohl das Preis- als auch das CO2-Intensitätssignal. Dies erwies sich als die effektivste Strategie. Es erzielte die niedrigsten CO2-Emissionen und reduzierte sie um 19,99 Tonnen für Haushalte, 12,56 Tonnen für gewerbliche Nutzer und bemerkenswerte 31,21 Tonnen für industrielle Nutzer im Vergleich zur Basislinie. Dies zeigt eine starke Synergie: Das Preissignal fördert die Wirtschaftlichkeit, während das CO2-Signal die Umweltverträglichkeit fördert, und zusammen schaffen sie ein System, das sowohl günstiger als auch sauberer ist.
Die Ergebnisse enthüllten auch subtile Verhaltensinsights. Wenn beispielsweise das Preissignal und das CO2-Signal im Widerspruch standen – etwa wenn der Strom billig (niedriger Preis) aber das Netz schmutzig (hohe CO2-Intensität) war – zeigte das Modell, dass die Lasten ihren Verbrauch dennoch reduzierten. Dies deutet darauf hin, dass die Komponente der CO2-Kosten in der Optimierung des LAs signifikant genug war, um rein wirtschaftliche Anreize zu überlagern, eine entscheidende Erkenntnis für die Klimapolitik. Die Studie fand auch heraus, dass verschiedene Arten von LAs unterschiedlich reagierten. LAs für Haushalte, mit einer großen Anzahl von E-Autos, nutzten hauptsächlich die Verschiebung des Lade- und Entladevorgangs von E-Autos. Im Gegensatz dazu nutzten industrielle LAs, mit mehr abschaltbaren Prozessen, diese stärker. Dies unterstreicht die Bedeutung eines flexiblen, auf den Nutzer zugeschnittenen Ansatzes.
Die Implikationen dieser Forschung sind tiefgreifend. Sie bietet einen konkreten, mathematisch fundierten Rahmen, um den CO2-Markt mit dem Strommarkt zu integrieren. Indem die unsichtbaren Kosten von CO2 an der Verbrauchsstelle sichtbar und handelbar gemacht werden, ermächtigt sie Verbraucher und Unternehmen, aktive Teilnehmer im Kampf gegen den Klimawandel zu werden. Sie geht über einfache CO2-Steuern oder Cap-and-Trade-Systeme hinaus, indem sie eine Echtzeit-Feedbackschleife schafft, die das gesamte Energiesystem optimiert.
Für die Automobilindustrie ist dies besonders bedeutsam. Mit der zunehmenden Zahl von E-Autos auf den Straßen wird deren Ladeverhalten einen massiven Einfluss auf das Netz haben. Dieses Modell zeigt, wie „intelligentes Laden“ mehr sein kann als nur eine Möglichkeit, Geld für den Besitzer zu sparen. Es kann ein mächtiges Werkzeug für die Netzstabilität und die Dekarbonisierung sein. Ein E-Auto, an ein solches System angeschlossen, wird zu einer mobilen Batterie, die lädt, wenn das Netz sauber ist, und sogar Strom zurück ins Netz einspeist, wenn es schmutzig ist, wodurch ein wertvoller Service geleistet wird.
Das Modell hat auch wichtige politische Implikationen. Es legt nahe, dass Regierungen und Aufsichtsbehörden nicht nur CO2-Märkte einrichten sollten, sondern auch in die digitale Infrastruktur investieren müssen, um CO2-Intensitätsdaten allgemein verfügbar zu machen. Echtzeitige, ortsbezogene CO2-Daten könnten als öffentlicher Dienst bereitgestellt werden, was eine neue Generation intelligenter Energieanwendungen und -dienste ermöglichen würde.
Obwohl das Modell hochgradig komplex ist, ist das zugrunde liegende Konzept in seiner Einfachheit elegant: Um das Netz zu entkarbonisieren, müssen wir nicht nur das Energieangebot, sondern auch die Nachfrage steuern. Indem wir den Nachfrageseite die richtigen Informationen geben – insbesondere den Echtzeit-CO2-Fußabdruck ihres lokalen Stroms – können wir einen riesigen Vorrat an Flexibilität freisetzen. Diese Forschung liefert den Bauplan für ein intelligenteres, grüneres und widerstandsfähigeres Stromsystem, in dem jeder verbrauchte Kilowattstunde eine bewusste Entscheidung für eine nachhaltige Zukunft ist.
Liang Ning, Fang Qian, Xu Huihui, Zheng Feng, und Miao Meng von der Kunming University of Science and Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20221130002