Intelligente Netzsteuerung durch Elektroautos und Mikronetze
Die Integration von Elektrofahrzeugen (EVs) in das Stromnetz entwickelt sich von einer futuristischen Idee zu einer technologischen Realität, die die Art und Weise, wie Energie erzeugt, verteilt und genutzt wird, grundlegend verändert. Mit dem rasanten Wachstum der EV-Bestände und dem zunehmenden Einsatz erneuerbarer Energien stehen traditionelle Verteilnetze vor neuen Herausforderungen. Spannungsschwankungen, erhöhte Netzverluste und unvorhersehbare Lastprofile gefährden zunehmend die Stabilität und Effizienz der Stromversorgung. Gleichzeitig eröffnen diese Entwicklungen aber auch neue Möglichkeiten für intelligentere und flexiblere Netzsteuerungskonzepte.
In einer bahnbrechenden Studie, die kürzlich in der renommierten Fachzeitschrift Automation of Electric Power Systems veröffentlicht wurde, stellen Forscherinnen und Forscher einen neuartigen zweischichtigen Koordinierungsansatz vor, der die synergistischen Potenziale von Elektrofahrzeugen und Mikronetzen nutzt, um aktive und reaktive Leistungsflüsse in Verteilnetzen optimal zu steuern. Das Forschungsteam, geleitet von Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Xuecheng Liu und Leyan Ding von der Wuhan University und dem Electric Power Research Institute of China Southern Power Grid Company Limited, präsentiert eine Lösung, die nicht nur die technische Leistungsfähigkeit des Netzes verbessert, sondern auch die Bedürfnisse der Endnutzer in den Mittelpunkt stellt.
Die Studie mit dem Titel „Bi-layer Coordinated Control Strategy of Distribution Network Considering Participation of Electric Vehicles and Microgrid“ beschreibt ein Framework, das Echtzeit-Entscheidungen mit fortschrittlichen KI-Algorithmen verbindet. Im Gegensatz zu herkömmlichen Methoden, die sich auf starre Infrastrukturkomponenten wie Kondensatorbänke oder statische Var-Kompensatoren (SVCs) stützen, behandelt dieser neue Ansatz Elektrofahrzeuge und Mikronetze als dynamische, aktive Vermögenswerte, die sowohl aktive als auch reaktive Leistung bereitstellen können.
Das Herzstück des vorgeschlagenen Systems ist eine zweischichtige Architektur. Die obere Schicht, die Netzsteuerungsebene, überwacht das gesamte Verteilnetz und trifft strategische Entscheidungen basierend auf Echtzeitdaten wie Spannungspegeln, Leistungsflüssen und dem Status der Geräte. Sie sendet Steuersignale an zentrale Komponenten wie SVCs, EV-Ladestationen und Mikronetz-Einheiten. Die untere Schicht, die Mikronetzsteuerungsebene, empfängt diese Anweisungen und führt eine lokale Koordination innerhalb des Mikronetzes durch. Hier werden interne Ressourcen wie Photovoltaik-Wechselrichter, Mikroturbinen und Energiespeichersysteme so koordiniert, dass die vom Netz geforderte Leistungsaufnahme oder -einspeisung erreicht wird, während gleichzeitig die lokale Stabilität gewahrt bleibt.
Die Besonderheit dieses Modells liegt in seiner tiefen Berücksichtigung menschlichen Verhaltens. Die Forschenden erkennen an, dass EV-Besitzer keine passiven Teilnehmer im Energiesystem sind. Ihre Fahr- und Ladepräferenzen sowie kurzfristige Nutzungserfordernisse beeinflussen direkt die Verfügbarkeit der fahrzeugbasierten Energieressourcen. Um dies zu berücksichtigen, haben sie ein auf Reiseketten basierendes Modell entwickelt, das die räumliche und zeitliche Bewegung von EVs zwischen verschiedenen Zonen – zu Hause, am Arbeitsplatz und in öffentlichen Bereichen – simuliert. Dies ermöglicht es dem System, vorherzusagen, wann und wo EVs für eine Interaktion mit dem Netz verfügbar sein werden, wodurch sichergestellt wird, dass Steuermaßnahmen die grundlegenden Nutzerbedürfnisse nicht beeinträchtigen.
Das Modell unterscheidet beispielsweise zwischen drei Zuständen von EVs: Fahrzeuge, die eine obligatorische Ladung benötigen, um ihre Abfahrtserwartungen zu erfüllen; Fahrzeuge, die in der Lage sind, bidirektionale Leistung auszutauschen; und Fahrzeuge, die bereits voll geladen sind und keine weitere Energie aufnehmen können. Durch diese Klassifizierung kann der Controller unnötige Entladungen vermeiden, die die Zufriedenheit der Nutzer beeinträchtigen würden – ein häufiges Problem in früheren V2G-Konzepten.
Diese nutzerzentrierte Designphilosophie zieht sich durch das gesamte System. Die Forschenden haben eine Metrik eingeführt, die den „Nutzerverlust“ quantifiziert. Statt alle EVs gleich zu behandeln, misst diese Metrik die Differenz zwischen der maximal möglichen Ladeleistung eines EVs und seiner tatsächlichen Ladeleistung unter Netzkontrolle. Wenn diese Lücke minimiert wird, erleben die Nutzer kaum bis keine Verzögerung beim Erreichen ihres gewünschten Ladezustands, was das Vertrauen in das V2G-System erhält. Die Studie zeigt, dass durch die Einbeziehung dieser Kosten in den Steueralgorithmus die Systemleistung aufrechterhalten werden kann, ohne die Kundenzufriedenheit zu opfern.
Um die Komplexität dieses mehrzieligen Optimierungsproblems zu bewältigen, setzten die Autoren auf künstliche Intelligenz. Sie entwickelten eine verbesserte Version des Evolutionären-Tiefen-Verstärkungslernens (EDRL), das die globale Suchfähigkeit evolutionärer Algorithmen mit der adaptiven Lernfähigkeit des Tiefen-Verstärkungslernens (DRL) kombiniert. Traditionelle DRL-Methoden stoßen oft an ihre Grenzen in Umgebungen mit trügerischen Belohnungsstrukturen – Situationen, in denen kurzfristige Gewinne zu langfristigen Ineffizienzen führen. Durch die Integration evolutionärer Leitprinzipien und eines sogenannten „Novelty Search“ (Neuheitssuche) kann der verbesserte EDRL-Algorithmus lokale Optima vermeiden und schneller zu überlegenen Steuerungsstrategien konvergieren.
In der Praxis lernt der Algorithmus durch wiederholte Simulationen und passt seine Strategie anhand des Feedbacks aus der Umgebung an. Die Belohnungsfunktion ist sorgfältig darauf ausgelegt, mehrere Ziele auszugleichen: die Minimierung von Spannungsabweichungen, die Reduzierung von Netzverlusten und die Begrenzung des Nutzerverlusts. Jeder dieser Faktoren wird entsprechend seiner Bedeutung gewichtet, wodurch das System Kompromisse eingehen kann, die den realen operativen Prioritäten entsprechen.
Die Forscher testeten ihre Strategie auf einem modifizierten IEEE 33-Knoten-Verteilnetz, einem Standardmodell in der Stromnetzforschung. Das Szenario umfasste realistische Lastprofile, Solarerzeugungsdaten mit Rauschen zur Simulation von Prognoseunsicherheiten und eine Flotte von 500 EVs, die auf Wohn- und Geschäfts-Ladestationen verteilt waren. Steuerungsentscheidungen wurden alle 15 Minuten über einen 24-Stunden-Zeitraum getroffen, was der Granularität entspricht, die für ein Echtzeit-Netzmanagement erforderlich ist.
Die Ergebnisse zeigten, dass die vorgeschlagene Strategie die Knotenspannungen effektiv im sicheren Bereich von 0,95 bis 1,05 p.u. hielt, selbst während der Spitzenlastzeiten zwischen 11:00 und 13:00 Uhr. Die Netzverluste wurden um 12,17 % im Vergleich zu einer PSO-Basismethode reduziert, während die Spannungsabweichung um 65,68 % sank. Noch wichtiger ist, dass der Nutzerverlust minimiert wurde, was zeigt, dass Netzstabilität und Kundenzufriedenheit keine gegensätzlichen Ziele sind.
Im Vergleich zu anderen maschinellen Lernansätzen wie dem Deep Deterministic Policy Gradient (DDPG) und dem unverbesserten EDRL zeigte der verbesserte Algorithmus eine überlegene Konvergenzgeschwindigkeit und Steuerungsgenauigkeit. Während DDPG nicht in der Lage war, lokale Optima zu verlassen, und eine schlechte Leistung erzielte, erreichte der verbesserte EDRL eine stabile Konvergenz innerhalb von 20.000 bis 30.000 Trainingsdurchgängen – erheblich schneller und qualitativ besser als seine Konkurrenten.
Eine der überzeugendsten Erkenntnisse war der Einfluss der expliziten Modellierung des Nutzerverhaltens. In einem Vergleichstest, bei dem die Kostenkomponente für den Nutzerbedarf aus der Belohnungsfunktion entfernt wurde, stieg der Nutzerverlust um das 4,1-fache, ohne dass sich die Netzmetriken wesentlich verbesserten. Dies unterstreicht eine entscheidende Erkenntnis: Die Vernachlässigung der Nutzerbedürfnisse führt zu ineffizienten und sozial nicht tragfähigen Steuerungsstrategien. Ein wirklich intelligentes Netz muss die Autonomie und den Komfort seiner Endnutzer respektieren.
Die Rolle der Mikronetze in dieser Architektur ist von entscheidender Bedeutung. Diese lokalisierten Energiesysteme fungieren als Vermittler zwischen dem Hauptnetz und den dezentralen Ressourcen und ermöglichen eine feinere Kontrolle und schnellere Reaktionszeiten. Wenn die oberste Steuerung eine bestimmte Leistungsaufnahme anfordert, verteilt der Mikronetz-Controller diese Aufgabe dynamisch auf die verfügbaren Anlagen. Wenn beispielsweise zusätzliche Blindleistung benötigt wird, können Photovoltaik-Wechselrichter ihren Leistungsfaktor anpassen; wenn aktive Leistung benötigt wird, können Mikroturbinen oder Batterien ihre Leistung erhöhen. Diese hierarchische Delegation stellt sicher, dass Steuerbefehle in machbare Aktionen auf der Geräteebene umgesetzt werden.
Darüber hinaus reduziert die Einbindung von Mikronetzen den Bedarf an kostspieligen zentralen Infrastruktur-Upgrade-Maßnahmen. Indem vorhandene dezentrale Erzeugung und Speicher genutzt werden, können Versorgungsunternehmen eine Spannungsregelung und Verlustreduzierung erreichen, ohne neue Kondensatoren oder Transformatoren installieren zu müssen. Dies macht die vorgeschlagene Strategie nicht nur technisch effektiv, sondern auch wirtschaftlich sinnvoll.
Aus politischer Sicht steht die Studie im Einklang mit jüngsten nationalen Initiativen zur Förderung der Netz-EV-Integration. Im Januar 2024 veröffentlichte die chinesische Nationalentwicklungs- und Reformkommission Leitlinien, die die Bedeutung der V2G-Technologie bei der Voranbringung der Energiewende und technologischer Innovationen betonen. Die Studie liefert eine konkrete technische Grundlage für die Umsetzung solcher Politiken und zeigt, wie intelligente Steuerungssysteme Elektrofahrzeuge von einer Belastung für das Netz in wertvolle Vermögenswerte verwandeln können.
Die Autoren räumen jedoch Einschränkungen ein und skizzieren zukünftige Forschungsrichtungen. Obwohl das aktuelle Modell wichtige Aspekte des Nutzerverhaltens erfasst, vereinfacht es die Marktdynamik und untersucht Anreizmechanismen, die eine breitere Teilnahme fördern könnten, nicht vollständig. Außerdem könnte die Annahme einer perfekten Kommunikation zwischen den Netzkomponenten in realen Anwendungen mit Latenz oder Datenverlust nicht zutreffen. Zukünftige Forschungen werden sich auf die Verfeinerung der Modellierung der Nutzerreaktion und die Einbeziehung marktbasierter Signale konzentrieren, um umfassendere und skalierbarere Lösungen zu schaffen.
Die Implikationen dieser Arbeit gehen über den chinesischen Energiesektor hinaus. Während Länder weltweit ihre Elektrifizierungs- und Dekarbonisierungsanstrengungen beschleunigen, bieten die Erkenntnisse aus dieser Studie einen Fahrplan für das Management zunehmend komplexer Energiesysteme. Ob in städtischen Zentren mit dichten EV-Flotten oder in ländlichen Gebieten mit isolierten Mikronetzen, die Prinzipien der zweischichtigen Koordination, verhaltensbasierter Steuerung und KI-gestützter Optimierung können an verschiedene Kontexte angepasst werden.
Für Netzbetreiber ist die Botschaft klar: Die Zukunft des Netzmanagements liegt in verteilter Intelligenz. Anstatt sich auf zentrale Befehle zu verlassen, müssen Steuerungssysteme der nächsten Generation eine untergeordnete Anpassungsfähigkeit nutzen und auf die kollektive Flexibilität von Millionen verbundener Geräte zurückgreifen. Elektrofahrzeuge, die einst nur als Lasten gesehen wurden, werden nun zu mobilen Energieressourcen. Mikronetze, die einst als isolierte Inseln betrachtet wurden, entwickeln sich zu aktiven Teilnehmern am größeren Energiesystem.
Der Erfolg dieser Transformation hängt von interdisziplinärer Zusammenarbeit ab – zwischen Stromingenieuren, Informatikern, Verhaltensökonomen und politischen Entscheidungsträgern. Das Forschungsteam verkörpert diesen Geist der Zusammenarbeit und vereint Expertise in den Bereichen Stromnetzdynamik, künstliche Intelligenz und Energiepolitik. Ihre Arbeit zeigt, dass technologische Innovation auf realen Einschränkungen und nutzerzentriertem Design basieren muss.
Während sich die Energiewelt weiterentwickelt, werden Strategien wie die von Fan, Yang, Wen, Ke, Liu und Ding vorgeschlagene eine entscheidende Rolle dabei spielen, Zuverlässigkeit, Effizienz und Gerechtigkeit in der Stromversorgung zu gewährleisten. Die Vision eines intelligenten, reaktionsfähigen und nutzerfreundlichen Netzes ist kein ferner Traum mehr – sie wird heute Stück für Stück, Algorithmus für Algorithmus, Elektrofahrzeug für Elektrofahrzeug und Mikronetz für Mikronetz aufgebaut.
Die Studie mit dem Titel „Bi-layer Coordinated Control Strategy of Distribution Network Considering Participation of Electric Vehicles and Microgrid“ wurde von Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Xuecheng Liu und Leyan Ding vom Hubei Engineering and Technology Research Center for AC/DC Intelligent Distribution Network, School of Electrical Engineering and Automation, Wuhan University, und vom Electric Power Research Institute of China Southern Power Grid Company Limited durchgeführt. Sie wurde in Automation of Electric Power Systems, Band 48, Heft 19, 10. Oktober 2024, mit der DOI: 10.7500/AEPS20240203001 veröffentlicht.