Intelligente Vernetzung: Elektrofahrzeugflotten optimieren Netzfrequenzregelung
Die Energiewende vollzieht sich nicht nur an den Zapfsäulen, sondern zunehmend auch im unsichtbaren Geflecht der Stromnetze. Während die Zahl der Elektrofahrzeuge (EVs) exponentiell steigt, entsteht eine neue, gigantische dezentrale Energiequelle – eine Flotte von Millionen mobiler Batterien, die potenziell nicht nur Strom verbrauchen, sondern auch aktiv zur Stabilität des gesamten Stromversorgungssystems beitragen können. Diese Vision, bekannt als Vehicle-to-Grid (V2G), rückt mit einem bahnbrechenden Forschungsansatz aus China einen entscheidenden Schritt näher an die Realität. Ein Team um Professorin Sun Ying von der Hebei University of Technology hat eine neuartige Strategie entwickelt, die die Frequenzregelung durch Elektrofahrzeugflotten nicht nur technisch effizienter, sondern auch wirtschaftlich sinnvoller macht. Der Schlüssel liegt in einer präzisen Vorhersage des Batteriezustands und einer intelligenten ökonomischen Optimierung.
Die Herausforderung für moderne Stromnetze ist enorm. Der massive Ausbau erneuerbarer Energien wie Wind und Sonne bringt eine inhärente Volatilität mit sich. Plötzliche Änderungen in der Erzeugung – etwa durch einen Wolkenschleier oder Windstille – führen zu Frequenzschwankungen im Netz. Um die kritische Frequenz von 50 Hertz stabil zu halten, müssen traditionelle Kraftwerke schnell reagieren, was teuer und ineffizient ist. Elektrofahrzeuge, die an Ladestationen angeschlossen sind, bieten eine vielversprechende Alternative: Sie können innerhalb von Sekunden Strom aus dem Netz beziehen oder in das Netz zurückspeisen, um Frequenzschwankungen entgegenzuwirken. Doch bisherige Ansätze stießen an ihre Grenzen, da sie einen entscheidenden Faktor oft vernachlässigten: den Alterungszustand der Fahrzeugbatterien.
Batterien altern. Mit jedem Lade- und Entladezyklus nimmt ihre Kapazität und Leistungsfähigkeit ab. Eine stark gealterte Batterie kann nicht mehr die gleiche Leistung für eine Frequenzregelung bereitstellen wie eine neue. Wenn ein Netzoperator eine Flotte von 1000 Fahrzeugen für eine Leistung von 1 Megawatt anfordert, könnte die Realität bei 700 Kilowatt liegen, wenn die tatsächliche Gesundheit (State-of-Health, SOH) der Batterien nicht genau bekannt ist. Dies führt zu ungenauen Planungen, verpassten Regelziele und letztlich zu einer verringerten Netzstabilität. Gleichzeitig bedeutet jede zusätzliche Belastung der Batterie durch Frequenzregelung einen zusätzlichen Verschleiß, der von den Fahrzeughaltern kompensiert werden muss. Eine erfolgreiche V2G-Strategie muss daher zwei zentrale Fragen beantworten: Wie gesund ist die Batterie wirklich? Und wie kann ihre Nutzung ökonomisch fair und effizient gestaltet werden?
Genau hier setzt die Forschung von Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai und Zhang Lei an. Ihr Kerninnovation ist ein verbesserter Partikelfilter-Algorithmus (Improved Particle Filter, IPF), der die Vorhersage des Batteriezustands (SOH) mit bisher unerreichter Genauigkeit ermöglicht. Der herkömmliche Partikelfilter ist ein statistisches Verfahren, das versucht, den Zustand eines dynamischen Systems – in diesem Fall die alternde Batterie – anhand von verrauschten Messdaten zu schätzen. Es funktioniert, indem es eine große Anzahl von hypothetischen „Partikeln“ (jeder repräsentiert einen möglichen Zustand der Batterie) simuliert und deren Wahrscheinlichkeit basierend auf neuen Messungen aktualisiert. Doch bei stark verrauschten Daten oder ungenauen Anfangsannahmen kann der Algorithmus fehlerhafte Vorhersagen liefern.
Das Team von der Hebei University of Technology hat diesen Algorithmus entscheidend weiterentwickelt. Sie integrierten zwei wichtige Elemente: Grenzbedingungen und eine exponentielle Straffunktion. Die Grenzbedingungen sorgen dafür, dass die Simulation physikalisch sinnvolle Ergebnisse liefert – zum Beispiel, dass die prognostizierte Kapazität einer Batterie niemals über 100 Prozent oder unter einen definierten End-of-Life-Wert von 80 Prozent sinken kann. Die exponentielle Straffunktion ist der eigentliche Geniestreich. Wenn die Vorhersage des Algorithmus von den tatsächlichen Messwerten abweicht, wird dieser Fehler nicht einfach ignoriert. Stattdessen wird er in eine Straffunktion umgewandelt, die den Algorithmus zwingt, die Parameter seines internen Modells dynamisch anzupassen. Es ist, als würde das System aus seinen Fehlern lernen und seine eigene Vorhersagekraft in Echtzeit verbessern. Die Simulationsergebnisse sind überzeugend: Im Vergleich zum Standard-Partikelfilter reduzierte der verbesserte IPF die maximale Vorhersageabweichung um mehr als 70 Prozent. Diese präzise Diagnose ist die Grundlage für alles Weitere.
Mit einer verlässlichen SOH-Vorhersage im Hintergrund kann die Elektrofahrzeugflotte nun intelligent neu organisiert werden. Statt alle Fahrzeuge gleich zu behandeln, teilt der Algorithmus sie in vier dynamische Cluster ein: H, h, l und L. Das H-Cluster besteht aus Fahrzeugen mit der höchsten Batteriegesundheit (SOH zwischen 0,96 und 1,00). Diese Fahrzeuge sind die Leistungsträger, die für schnelle und hohe Leistungsanforderungen in der Frequenzregelung eingesetzt werden. Mit sinkendem SOH-Wert werden die Fahrzeuge in die Cluster h, l und schließlich L eingestuft, wobei ihre Beteiligung an anspruchsvollen Regelvorgängen entsprechend reduziert wird, um ihre Lebensdauer zu schonen und die Zufriedenheit der Nutzer zu gewährleisten.
Diese Cluster-Struktur wird dann in ein ausgeklügeltes Steuerungsmodell integriert. Jedes Cluster erhält einen variablen Frequenzkennwert, der bestimmt, wie stark es auf eine Frequenzabweichung reagiert. Ein Fahrzeug im H-Cluster mit einer gesunden Batterie hat einen niedrigen Kennwert, was bedeutet, dass es bei einer Frequenzabsenkung sofort mit einer hohen Leistung entlädt. Ein Fahrzeug im L-Cluster mit einer älteren Batterie hat einen höheren Kennwert und reagiert daher weniger aggressiv. Dieses System, kombiniert mit einem Proportional-Integral-(PI-)Regler, ermöglicht eine automatische und gewichtete Verteilung der Regelkapazität auf die gesamte Flotte, basierend auf der tatsächlichen Fähigkeit jedes einzelnen Fahrzeugs. Es ist eine Art „virtuelles Kraftwerk“, das seine internen Ressourcen selbst organisiert.
Doch technische Brillanz allein reicht nicht aus. Die wirtschaftliche Dimension ist entscheidend für die Akzeptanz bei Fahrzeughaltern und Netzbetreibern. Die Forscher haben daher ein umfassendes ökonomisches Optimierungsmodell entwickelt, das verschiedene Kostenfaktoren berücksichtigt. Dazu gehören die Kompensation für die Fahrzeughalter, die nicht nur die gelieferte Energiemenge, sondern auch die zusätzliche Batterieabnutzung berücksichtigt. Diese Abnutzungskosten werden explizit in die Berechnung einbezogen, was Transparenz und Fairness schafft. Außerdem werden die Brennstoffkosten der konventionellen Kraftwerke, deren Betriebs- und Wartungsaufwand sowie die Strafen für unzureichende Frequenzhaltung in die Gleichung eingestellt.
Das Ziel der Optimierung ist klar: Die Gesamtkosten für die Frequenzregelung minimieren, während gleichzeitig die Frequenzabweichung im Netz so gering wie möglich gehalten wird. Die Simulationen, die ein realistisches Szenario mit 2000 Elektrofahrzeugen und einem konventionellen Kraftwerk abbildeten, zeigten eindrucksvolle Ergebnisse. Bei einem plötzlichen Lastsprung war die Frequenzabweichung in der Strategie mit dem verbesserten IPF-Algorithmus und der ökonomischen Optimierung um fast 50 Prozent geringer als bei einem Szenario ohne Elektrofahrzeuge. Die Stabilität des Netzes wurde erheblich verbessert, und die Schwankungen nach dem Störereignis waren minimal.
Noch beeindruckender waren die ökonomischen Vorteile. Durch die effiziente Nutzung der Elektrofahrzeugflotte konnte der Einsatz des teuren und CO2-intensiven Kraftwerks erheblich reduziert werden. Die Simulationen ergaben, dass die jährlichen Kosten für die Frequenzregelung gegenüber einer Strategie mit unoptimierter IPF-Vorhersage um mehr als 430.000 RMB (Renminbi) gesenkt werden konnten. Bei ständig wechselnden, unregelmäßigen Störungen, die typisch für ein Netz mit viel Erneuerbarer Energie sind, betrug die Kosteneinsparung sogar fast 960.000 RMB pro Jahr. Diese Zahlen unterstreichen, dass V2G nicht nur eine technische Spielerei ist, sondern ein echter Wirtschaftsfaktor, der die Stromkosten langfristig senken kann.
Ein weiterer entscheidender Aspekt der Strategie ist die Berücksichtigung des Nutzerverhaltens. Die Forscher stellen sicher, dass die Teilnahme an der Frequenzregelung die Mobilitätsbedürfnisse der Fahrzeughalter nicht beeinträchtigt. Dies geschieht durch die gleichzeitige Überwachung des Ladezustands (State-of-Charge, SOC). Das System weiß, wann ein Fahrzeug voraussichtlich das Netz verlässt, und stellt sicher, dass es bis zu diesem Zeitpunkt wieder auf die vom Nutzer gewünschte Ladekapazität aufgeladen wird. Ein Fahrzeug, das für eine Frequenzregelung entladen wurde, wird rechtzeitig wieder aufgeladen, damit der Fahrer seine Fahrt wie geplant antreten kann. Diese Nutzerzentrierung ist entscheidend, um die Akzeptanz für V2G zu erhöhen.
Die Architektur des Gesamtsystems ist elegant und integriert sich nahtlos in bestehende Netzstrukturen. Sie kombiniert die primäre Frequenzregelung (Schnellreaktion) durch die automatische Reaktion der Kraftwerke und der EV-Flotte mit der sekundären Regelung (Feinregelung) durch einen PI-Regler, der die Frequenz langfristig wieder auf den Sollwert bringt. Die Elektrofahrzeugcluster werden dabei als virtuelle, steuerbare Einheiten behandelt, die direkt in diesen Regelkreis eingebunden sind.
Die Implikationen dieser Forschung sind weitreichend. Sie bietet einen praxisnahen Fahrplan für Netzbetreiber und Aggregatoren, wie sie große Flotten von Elektrofahrzeugen effektiv und profitabel in ihre Netzmanagementstrategien einbinden können. Parkhäuser, Firmengelände oder große Wohnkomplexe könnten so zu dezentralen Energiespeichern werden, die aktiv zur Netzstabilität beitragen. Die Methode ist skalierbar und könnte auf viel größere, vernetzte Systeme übertragen werden.
Zukünftige Forschung, wie die Autoren anmerken, könnte sich auf die Integration der State-of-Power (SOP)-Vorhersage konzentrieren, um die kurzfristige Leistungsfähigkeit einer Batterie noch genauer zu erfassen. Dies würde die Reaktionsgeschwindigkeit bei extremen Störfällen weiter erhöhen. Gleichzeitig ist die Entwicklung geeigneter regulatorischer Rahmenbedingungen und Marktplätze für V2G-Dienstleistungen ein entscheidender Schritt, um diese Technologie flächendeckend zu etablieren.
Insgesamt stellt die Arbeit von Sun Ying und ihrem Team einen bedeutenden Fortschritt dar. Sie löst das Dilemma zwischen technischer Effizienz und wirtschaftlicher Rentabilität, das bisher eine Hürde für die breite Einführung von V2G darstellte. Indem sie präzise Batteriediagnostik mit intelligenter ökonomischer Optimierung verbindet, schaffen sie eine robuste Grundlage für ein zukünftiges Energiesystem, in dem Elektrofahrzeuge nicht länger passive Verbraucher, sondern aktive und wertvolle Partner im Netz sind. Die Vision eines intelligenten, resilienten und nachhaltigen Stromnetzes rückt damit einen großen Schritt näher.
Intelligente Vernetzung: Elektrofahrzeugflotten optimieren Netzfrequenzregelung. Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai, Zhang Lei, State Key Laboratory of Reliability and Intelligence of Electrical Equipment, Hebei University of Technology. Proceedings of the CSU-EPSA, Vol. 36, No. 12, December 2024, DOI: 10.19635/j.cnki.csu-epsa.001534.