Intelligente Preisstrategie steigert Effizienz von E-Autos und Stromnetz
Mit dem rasanten Anstieg der Zahl elektrischer Fahrzeuge (EVs) in chinesischen Großstädten verschärft sich eine neue Herausforderung: die wachsende Belastung der städtischen Stromnetze durch deren Ladeanforderungen. Mit Millionen von Elektrofahrzeugen auf den Straßen drohen unkoordinierte Ladevorgänge, die lokalen Verteilungsnetze zu überlasten. Dies könnte zu Spannungsschwankungen, höheren Betriebskosten und vermehrten Kohlenstoffemissionen während der Spitzenlastzeiten führen. Als Antwort darauf haben Forscher der Zhongyuan University of Technology eine innovative Optimierungsstrategie entwickelt, die nicht nur die Rentabilität der Ladeinfrastruktur verbessert, sondern auch ein ausgeglicheneres und nachhaltigeres Energiesystem fördert.
Die Lösung, die in einer kürzlich veröffentlichten Studie im Fachjournal Power System Protection and Control detailliert beschrieben wird, führt einen neuartigen Ansatz ein, der als integrierte Lade-Entlade-Speicher-Station (CDSIS) bezeichnet wird. Im Gegensatz zu herkömmlichen Ladestationen, die einfach Strom aus dem Netz beziehen, sind CDSIS-Einrichtungen mit fortschrittlichen Energiespeichersystemen ausgestattet, die es ihnen ermöglichen, sowohl Strom zu verbrauchen als auch ins Netz zurückzuspeisen. Diese bidirektionale Fähigkeit verwandelt sie von passiven Lastpunkten in aktive Teilnehmer am Netzmanagements. Indem sie strategisch Energie in Zeiten niedriger Last speichern, wenn der Strom billig und reichlich vorhanden ist, und diese in Zeiten hoher Nachfrage wieder ins Netz einspeisen, können CDSIS-Anlagen die Spitzenlasten effektiv „abschleifen“, die Belastung der Infrastruktur verringern und die Gesamtkosten des Systems senken.
Das Forscherteam, angeführt von Professor Zhu Yongsheng, hat diesen Ansatz weiter verfeinert, indem es ihn mit den Dynamiken des städtischen Lebens verbunden hat. Ihr Ansatz basiert auf einem ausgeklügelten „Fahrzeug-Straße-Netz“-Interaktionsmodell, das erkennt, dass das Ladeverhalten von Elektrofahrzeugen nicht zufällig ist, sondern tiefgreifend von menschlichen Mobilitätsmustern beeinflusst wird. Um diese Komplexität zu erfassen, setzte das Team die Analyse der Herkunfts-Nachrichts-Matrix (OD-Matrix) ein, eine Methode, die in der Verkehrsplanung weit verbreitet ist, um Reiseströme zwischen verschiedenen Orten abzuschätzen. Durch die Analyse historischer Verkehrsdaten konnten sie ein dynamisches Straßenmodell erstellen, das simuliert, wie Elektrofahrzeuge innerhalb eines Tages durch eine Stadt fahren.
Dieses Modell berücksichtigt verschiedene Faktoren, die die Fahrzeit beeinflussen, wie Straßenlänge, Verkehrsstau und Ampelanlagen. Durch die Integration einer Straßenimpedanzfunktion, die die Fahrzeit anhand des Echtzeitverkehrs berechnet, konnten die Forscher nicht nur vorhersagen, wann Elektrofahrzeuge wahrscheinlich laden, sondern auch, wo. Diese räumlich-zeitliche Prognose ist ein entscheidender Fortschritt, da sie ein differenzierteres Verständnis der Ladeanforderungen ermöglicht. Anstatt die Stadt als eine einzige, homogene Last zu betrachten, identifiziert das Modell spezifische Knotenpunkte – Kreuzungen oder Stadtviertel – an denen der Ladedruck wahrscheinlich ansteigen wird. Dieser Detaillierungsgrad ist entscheidend für Energieversorger und Stationsbetreiber, um Infrastrukturinvestitionen zu planen und gezielte Lastmanagementprogramme umzusetzen.
Das Herzstück der Studie liegt in der Anwendung der Spieltheorie zur Optimierung der Interaktion zwischen dem CDSIS-Betreiber und den EV-Nutzern. Die Forscher verwendeten ein Stackelberg-Spiel-Framework, eine Art hierarchisches Entscheidungsmodell, bei dem ein Spieler, der „Führer“, den ersten Zug macht, und die anderen Spieler, die „Folger“, entsprechend reagieren. In diesem Fall fungiert die CDSIS als Führer, der dynamische Strompreise festlegt, während einzelne EV-Besitzer die Folger sind, die basierend auf diesen Preisen entscheiden, wann und wo sie laden, um ihre eigenen Kosten zu minimieren.
Diese strategische Preisgestaltung ist nicht willkürlich. Das Modell ist darauf ausgelegt, eine mehrzielige Optimierung zu erreichen, die den Gewinn des CDSIS-Betreibers mit den Kosteneinsparungen für die EV-Nutzer in Einklang bringt. Der Ertrag der CDSIS ergibt sich aus vier Quellen: dem Verkauf gespeicherter Energie an das Netz zu Spitzenpreisen, der Beladung von Elektrofahrzeugen, dem Kauf von Energie aus dem Tagesvoraus-Markt und dem Kauf aus dem Echtzeitmarkt. Das Ziel ist es, den Nettogewinn zu maximieren, was bedeutet, günstig einzukaufen, teuer zu verkaufen und die Speicheranlagen effizient zu verwalten. Für den EV-Nutzer ist das Ziel einfach: die Gesamtkosten für das Laden minimieren, was sowohl den Preis pro Kilowattstunde als auch eventuelle zeitbezogene Kosten für das Warten beinhaltet.
Die Brillanz des Stackelberg-Ansatzes besteht darin, dass er ein stabiles Gleichgewicht schafft. Die CDSIS kann nicht einfach Himmelhochpreise während der Spitzenzeiten festlegen, da dies die Nutzer vom Laden abhalten würde, was ihren Umsatz verringern würde. Umgekehrt würde ein zu niedriger Preis einen Ansturm von Nutzern anziehen, aber auf Kosten der eigenen Rentabilität. Das Modell berechnet den optimalen Preispunkt, an dem die CDSIS ihren Gewinn maximiert, wissend, dass rationale EV-Nutzer als Reaktion ihr Ladeverhalten auf die wirtschaftlichsten Zeiten verlagern werden. Dies bedeutet oft, spät in der Nacht oder mittags zu laden, wenn die Solarenergieerzeugung hoch ist und die Nachfrage niedrig ist.
Um dieses Modell praktikabel zu machen, mussten die Forscher die inhärenten Nichtlinearitäten eines solchen Systems berücksichtigen. Die Interaktion zwischen Preis und Nachfrage ist von Natur aus komplex; eine kleine Änderung des Preises kann zu einer großen, nicht proportionalen Änderung im Nutzerverhalten führen. Um dieses Problem zu lösen, verwendete das Team die Karush-Kuhn-Tucker (KKT)-Bedingungen und die Dualitätstheorie, um das zweistufige Optimierungsproblem in ein einstufiges gemischt-ganzzahliges lineares Programm (MILP) umzuwandeln. Diese mathematische Umformulierung ist entscheidend, da sie es ermöglicht, das Problem effizient mit gängigen kommerziellen Lösern wie CPLEX zu lösen, wodurch die Strategie für die reale Umsetzung praktikabel wird.
Die Ergebnisse der Studie sind überzeugend. In einer Simulation, die auf einem realen städtischen Gebiet in China basiert, das mit dem IEEE-33-Knoten-Verteilungssystem und einem 31-Knoten-Straßennetz modelliert wurde, zeigte die vorgeschlagene Strategie signifikante Vorteile. Die Ergebnisse zeigten, dass die CDSIS einen täglichen Gewinn von 4.823 Yuan erzielen konnte, eine deutliche Verbesserung gegenüber einer traditionellen Ladestation, die ohne Speicherfähigkeit unter denselben Bedingungen nur einen Gewinn von 3.191 Yuan erzielen konnte. Diese 51-prozentige Steigerung der Rentabilität unterstreicht den immensen Wert der integrierten Energiespeicherung.
Für die EV-Nutzer sind die Vorteile ebenso greifbar. Indem sie auf die optimierten Preissignale reagieren, konnten die Nutzer ihre Ladekosten erheblich senken. Das Modell verlagerte erfolgreich die Ladeanforderungen von zwei Hauptspitzenzeiten: 8:00–9:00 Uhr und 18:00–19:00 Uhr. Während der Morgen- und Abendstunden konnte die Strategie 427 kWh und 1.123 kWh an Last verlagern und den Nutzern 245 Yuan und 645 Yuan an Einsparungen bringen. Diese „Lastspitzenabsenkung“ nützt nicht nur den Nutzern und dem Stationsbetreiber, sondern leistet auch einen wertvollen Beitrag für das gesamte Stromnetz, indem der Bedarf an teuren und oft kohlenstoffintensiven Spitzenkraftwerken reduziert wird.
Die Forschung ging auch auf die Empfindlichkeit des Systems gegenüber Schlüsselparametern ein. Ein zentrales Ergebnis war die Auswirkung der Mindestpreisgrenze. Das Modell erfordert, dass der durchschnittliche Tagespreis, der den Nutzern berechnet wird, konstant bleibt, eine Einschränkung, die wahrscheinlich aus regulatorischen oder Marktfaireheitsgründen auferlegt wird. Die Studie ergab, dass die Festlegung eines sehr niedrigen Mindestpreises (z. B. 50 % des Tagesvorausmarktpreises) es der CDSIS ermöglichte, ihren Gewinn zu maximieren, indem sie eine größere Spanne zwischen niedrigen und hohen Preisen schuf. Dies hatte jedoch einen Preis: Die Nutzer mussten während der Spitzenladephasen höhere Preise zahlen, was ihre Gesamtkosten erhöhte. Mit steigendem Mindestpreis sanken sowohl der CDSIS-Gewinn als auch die Nutzerkosten. Das ausgewogenste Ergebnis, ein echtes „Win-Win“, wurde erreicht, wenn der Mindestpreis auf einem moderaten Niveau festgelegt wurde, wodurch sichergestellt wurde, dass die Vorteile des Systems fair verteilt wurden.
Ein weiterer wichtiger Parameter ist die Größe des Energiespeichersystems der CDSIS. Die Simulation zeigte, dass eine Erhöhung der Speicherkapazität von 4.000 kWh auf 10.000 kWh zu einer dramatischen Gewinnsteigerung von 4.170 Yuan auf 7.302 Yuan führte. Dies liegt daran, dass ein größeres Batteriesystem es der Station ermöglicht, mehr Energie zu speichern, wenn die Preise niedrig sind, und mehr zu verkaufen, wenn die Preise hoch sind. Die Erträge nahmen jedoch ab, sobald die Kapazität 10.000 kWh überstieg. Sobald der Speicher groß genug war, um alle Arbitrage-Möglichkeiten des täglichen Preiszylus und der EV-Ladeanforderungen vollständig auszuschöpfen, brachte die Hinzufügung weiterer Kapazität keinen zusätzlichen Nutzen. Diese Erkenntnis ist für Investoren von entscheidender Bedeutung, da sie darauf hindeutet, dass es eine optimale, kosteneffektive Größe für diese Systeme gibt, die eine Überschätzung von überdimensionierten und unterausgelasteten Batterien verhindert.
Die Implikationen dieser Forschung reichen weit über eine einzelne Stadt oder einen einzelnen Ladestationstyp hinaus. Sie bietet einen Fahrplan für eine neue Generation intelligenter, netzstützender EV-Infrastruktur. Während China und andere Länder eine tiefere Elektrifizierung ihrer Verkehrssektoren anstreben, wird die Integration von Speicher und intelligenter Steuerung unerlässlich sein. Dieses Modell könnte skaliert werden, um Flotten von Ladestationen in einem gesamten Ballungsraum zu verwalten und ein virtuelles Kraftwerk zu schaffen, das eine Reihe von Netzservices anbieten kann, von der Frequenzregelung bis zur Notstromversorgung.
Darüber hinaus ist das „Fahrzeug-Straße-Netz“-Framework hochgradig anpassungsfähig. Es könnte mit anderen Datenquellen integriert werden, wie Echtzeit-Wettervorhersagen zur Vorhersage der Solarenergieerzeugung oder mit Ride-Sharing-Plattformen, um die Fahrzeugverfügbarkeit besser vorherzusagen. Der Kerngedanke, wirtschaftliche Signale zur Steuerung des Nutzerverhaltens zu nutzen, ist ein leistungsfähiges Werkzeug zur Verwaltung komplexer, dezentralisierter Systeme. Es respektiert die Autonomie der Nutzer – Fahrer können ihre eigenen Entscheidungen treffen – und lenkt gleichzeitig das kollektive Ergebnis sanft in Richtung eines effizienteren und nachhaltigeren Gleichgewichts.
Die Arbeit von Zhu Yongsheng und seinen Kollegen an der Zhongyuan University of Technology stellt einen bedeutenden Schritt vorwärts auf dem Gebiet der intelligenten Netze und der Integration von Elektrofahrzeugen dar. Sie geht über theoretische Modelle hinaus und bietet eine praktische, rechnerisch handhabbare Lösung, die die realen Herausforderungen des städtischen Energiemanagements anspricht. Indem sie die fortgeschrittene Modellierung menschlicher Mobilität mit einer ausgeklügelten spieltheoretischen Optimierung kombinieren, haben sie eine Strategie geschaffen, die nicht nur technisch solide, sondern auch wirtschaftlich tragfähig ist. Diese Forschung liefert einen überzeugenden Beleg dafür, dass politische Entscheidungsträger und Energieversorger in die nächste Generation von Ladestationen investieren sollten, die nicht nur ein Ort zum Anschließen sind, sondern ein aktiver, intelligenter Knoten in einem intelligenteren, widerstandsfähigeren Energienetz.
Der Erfolg dieser Strategie hängt von der Zusammenarbeit ab. Sie erfordert, dass Ladestationen neue Geschäftsmodelle übernehmen, Energieversorger die notwendigen Marktsignale bereitstellen und Elektrofahrer bereit sind, ihre Ladezeiten aus finanziellen Gründen zu verschieben. Die Studie zeigt, dass, wenn diese Parteien durch eine gut gestaltete Anreizstruktur ausgerichtet sind, das Ergebnis ein System sein kann, das effizienter, rentabler und letztendlich nachhaltiger für alle Beteiligten ist. Während die Welt sich einer kohlenstofffreien Zukunft nähert, werden solche innovativen, mehrseitigen Lösungen der Schlüssel sein, um das volle Potenzial der Elektromobilität auszuschöpfen.
Zhu Yongsheng, Chang Wen, Wu Dongya, Wang Geng, Peng Sheng, Zhang Shibo, College of Electronic and Information Engineering, Zhongyuan University of Technology, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.231253