Kühlende Strategie: Wie intelligente Ladesteuerung Hitzewellen meistert
Die Sommer werden heißer, die Städte dichter, und die Anzahl der Elektrofahrzeuge auf den Straßen wächst exponentiell. Diese drei Faktoren treffen aufeinander und erzeugen eine neue Art von urbaner Herausforderung: die Bedrohung durch „Peak-on-Peak“-Szenarien, bei denen die Nachfrage nach elektrischer Energie für Klimaanlagen und das Laden von Elektroautos gleichzeitig auf ein Maximum ansteigt. Dieser sogenannte „Peak-on-Peak“ stellt eine ernsthafte Gefahr für die Stabilität und Zuverlässigkeit der städtischen Stromnetze dar. Ein Fahrzeug, das bei 40 Grad Celsius im Stau steht, verbraucht nicht nur Energie für die Fortbewegung, sondern auch eine erhebliche Menge für die Kühlung der Fahrgastzelle und der Batterie. Diese zusätzliche Belastung, kombiniert mit dem unvorhersehbaren Ladeverhalten der Nutzer, kann die Netze an ihre Grenzen bringen und zu kostspieligen Lastabwürfen oder sogar Stromausfällen führen.
In einer Zeit, in der die Energiewende und die Elektromobilität Hand in Hand gehen, ist es nicht mehr ausreichend, Elektrofahrzeuge einfach als Verbraucher zu betrachten. Sie müssen als aktive Teilnehmer im Energiesystem verstanden werden – als mobile Speicher, deren Ladezeitpunkt und -ort intelligent gesteuert werden können, um nicht nur Probleme zu verursachen, sondern Lösungen zu sein. Eine bahnbrechende Studie, die von einem Team der Zhejiang University geleitet wurde, stellt genau diese transformative Sichtweise in den Mittelpunkt. Die Forscher, angeführt von Han Linyang und Dr. Ye Chengjin, haben eine neuartige Strategie entwickelt, die nicht durch Zwang, sondern durch Anreize funktioniert. Ihr Ziel ist es nicht, das Laden zu verbieten, sondern es so zu lenken, dass es für alle Beteiligten – Fahrer, Netzbetreiber und die Gesellschaft als Ganzes – von Vorteil ist.
Der Kern der Arbeit liegt in der Erkenntnis, dass traditionelle Modelle zur Vorhersage von Ladebelastungen oft versagen, weil sie einen entscheidenden Faktor vernachlässigen: den Menschen. Viele bestehende Ansätze basieren auf vereinfachenden Annahmen über Fahrverhalten, die auf festen „Trip-Chains“ (Fahrtketten) beruhen, bei denen jeder Tag mit einem festen Muster von zu Hause zur Arbeit, zur Einkaufsmeile und wieder nach Hause beginnt. In der Realität ist das Leben jedoch viel komplexer und dynamischer. Die Entscheidung, wann und wo ein Elektrofahrzeug geladen wird, hängt nicht nur vom aktuellen Batteriestand ab, sondern von einer Vielzahl von Faktoren, darunter der persönliche Zeitplan, die Wetterbedingungen, die verfügbaren Ladepreise und die individuelle Bereitschaft, einen Umweg oder eine Wartezeit in Kauf zu nehmen. Die Studie der Zhejiang University erkennt diese Komplexität an und baut darauf ein hochgradig differenziertes Modell auf.
Das Forscherteam wendet die „Theorie des geplanten Verhaltens“ (Theory of Planned Behavior) an, um die Entscheidungsfindung der Nutzer zu verstehen. Diese psychologische Theorie besagt, dass die Absicht, eine Handlung auszuführen – in diesem Fall das Laden des Fahrzeugs – von drei Hauptfaktoren beeinflusst wird: der Einstellung gegenüber der Handlung (z. B. wie wichtig ist es mir, Geld zu sparen?), den wahrgenommenen sozialen Normen (z. B. was tun andere Fahrer?) und dem wahrgenommenen Kontrollvermögen über die Handlung (z. B. ist ein Ladepunkt verfügbar und bequem zu erreichen?). Bei einer Hitzewelle verändern sich diese Faktoren dramatisch. Die hohe Temperatur führt dazu, dass die Nutzung des klimatisierten Elektrofahrzeugs für den Arbeitsweg attraktiver wird, während nicht notwendige Ausflüge vermieden werden, um der Hitze zu entgehen. Dies führt zu einem messbaren Anstieg der Fahrzeugnutzung an Werktagen und einem Rückgang an Feiertagen. Diese subtilen, aber signifikanten Veränderungen im Nutzerverhalten werden in das Modell eingearbeitet, um realistischere Simulationen zu ermöglichen.
Um die Unsicherheit und Variabilität des täglichen Verkehrs zu erfassen, verwenden die Forscher ein Modell auf Basis von Markov-Ketten. Dieses mathematische Konzept ist ideal, um stochastische Prozesse zu beschreiben, bei denen der zukünftige Zustand eines Systems nur vom gegenwärtigen Zustand abhängt, nicht von der gesamten Vergangenheit. In diesem Kontext wird der Zustand eines Fahrzeugs durch seinen Standort definiert – typischerweise in einem der drei städtischen Zonen: Wohngebiet (H), Arbeitsgebiet (W) oder Geschäfts- und Freizeitgebiet (S). Das Modell berechnet für jeden Zeitpunkt die Wahrscheinlichkeit, dass ein Fahrzeug von einem dieser Bereiche in einen anderen wechselt oder dort verweilt. Dies ermöglicht die Erzeugung einer Vielzahl realistischer, individueller Fahrtrouten, ohne dass vorab festgelegt werden muss, wohin jeder Fahrer an jedem Tag fährt. Durch die Analyse historischer Verkehrsdaten aus der amerikanischen „National Household Travel Survey“ (NHTS) 2017, gekoppelt mit meteorologischen Daten, konnten die Forscher die Übergangswahrscheinlichkeiten für verschiedene Wetterbedingungen – von „angenehm“ bis „extrem heiß“ – kalibrieren. Diese Daten zeigen klar, dass bei extremer Hitze die Fahrten nicht nur häufiger, sondern auch zeitlich verschoben werden, beispielsweise durch ein früheres Verlassen des Hauses, um die heißesten Tagesstunden zu vermeiden.
Ein weiterer entscheidender Beitrag der Studie ist die präzisere Berechnung des Energieverbrauchs von Elektrofahrzeugen unter Hitzeeinfluss. Traditionelle Modelle verwenden oft einen einfachen „kWh pro Kilometer“-Wert, der dann mit einem Korrekturfaktor für die Außentemperatur versehen wird. Dieser Ansatz ist jedoch irreführend, da er einen wesentlichen Punkt übersieht: Ein großer Teil des zusätzlichen Energieverbrauchs bei Hitze kommt nicht vom Fahren, sondern vom Betrieb des Klimakompressors und der Kühlungssysteme. Diese Systeme verbrauchen Energie basierend auf ihrer Laufzeit, nicht auf der zurückgelegten Strecke. Ein Fahrzeug, das im Stau steht, verbraucht weiterhin Energie für die Klimaanlage, unabhängig davon, ob es sich bewegt.
Um diesem Umstand gerecht zu werden, entwickeln die Forscher ein detailliertes Drei-Komponenten-Modell für den Energieverbrauch. Die erste Komponente ist der Antriebsverbrauch, der von der Geschwindigkeit, der Strecke und dem Verkehrsaufkommen beeinflusst wird. Die zweite Komponente ist der Klimatisierungsverbrauch, der direkt von der Dauer der Fahrt und der Außentemperatur abhängt. Die dritte Komponente umfasst den Verbrauch von Niederspannungszubehör wie Lüftern und Pumpen, der ebenfalls bei hohen Temperaturen ansteigt. Indem sie Fahrtdauer und -strecke als primäre Eingangsparameter verwenden, erreichen die Forscher eine weitaus genauere Abschätzung des tatsächlichen Energiebedarfs eines Fahrzeugs. Ihre Simulationen zeigen, dass der Gesamtverbrauch bei extrem heißem Wetter, besonders während der morgendlichen und abendlichen Rush-Hour, erheblich ansteigt. Dies führt zu einer höheren Frequenz von Ladevorgängen und einem größeren Ladevolumen, was die Belastung des Stromnetzes weiter erhöht.
Nachdem das „Wo“ und das „Wie viel“ des Energieverbrauchs modelliert sind, bleibt die Frage des „Wann“ und „Wo“ des Ladens. Hier setzt das Team mit einem „rationalen Wahlmodell“ an. Sie gehen davon aus, dass Fahrer keine einfachen Regeln befolgen, sondern komplexe wirtschaftliche Entscheidungen treffen, um ihre Gesamtkosten zu minimieren. Diese Kosten umfassen nicht nur den Preis des Stroms, sondern auch den Verschleiß der Batterie (z. B. durch Tiefentladungen oder häufiges Schnellladen) und die „Unannehmlichkeitskosten“ (trouble cost), also den subjektiven Aufwand, der mit einem bestimmten Ladevorgang verbunden ist. Ein Fahrer wird eher bereit sein, einen höheren Strompreis zu zahlen, um an einem sicheren, überdachten Ladepunkt in der Nähe seines Zuhauses zu laden, als an einem billigeren, aber abgelegenen und potenziell unsicheren öffentlichen Ladepunkt.
Dieses umfassende Verständnis der Nutzerentscheidung ermöglicht es dem Modell, realistisch vorherzusagen, wie sich die Ladebelastung räumlich und zeitlich verschiebt. Es erklärt, warum in den Simulationen der Ladebedarf von den Abendstunden in Wohngebieten zu den Tagesstunden in Arbeits- und Geschäftsgebieten wandert, wenn die Präferenzen der Nutzer für Bequemlichkeit und Kosten berücksichtigt werden. Diese präzise Vorhersage ist entscheidend für Netzbetreiber, die wissen müssen, wo und wann die Last auf dem Netz am höchsten sein wird.
Mit diesem hochentwickelten Simulationswerkzeug in der Hand präsentieren die Forscher ihre zentrale Innovation: eine „räumliche Lenkungsstrategie“ basierend auf „Niedriglast-Lade-Rabatten“. Die Strategie ist elegant und marktwirtschaftlich. Jeden Tag würde der Netzbetreiber die prognostizierte Last für den nächsten Tag analysieren. Anhand der Knoten-Grenzpreise – dem Kostenpreis für eine zusätzliche Einheit Strom an einem bestimmten Punkt im Netz – kann er Zeiträume und Orte identifizieren, an denen ein Energieüberschuss besteht, typischerweise während der Nachmittagsstunden, wenn die Solarenergieerzeugung hoch ist, aber die allgemeine Nachfrage noch nicht ihren Höhepunkt erreicht hat.
Der Netzbetreiber bietet dann einen gezielten Rabatt auf den Ladepreis an diesen „Niedriglast“-Knoten und -Zeiträumen an. Diese Information wird den Fahrern im Voraus über eine App oder das Infotainmentsystem ihres Fahrzeugs mitgeteilt. Angesichts dieses finanziellen Anreizes sind Fahrer motiviert, ihre Ladegewohnheiten anzupassen. Ein Fahrer, der normalerweise abends zu Hause lädt, könnte stattdessen entscheiden, während der Arbeit oder auf dem Heimweg einen Rabatt-Ladepunkt aufzusuchen. Dies ist keine Verpflichtung, sondern eine Einladung zur Teilnahme an einem gemeinsamen System, das für alle funktioniert.
Die Vorteile dieser Strategie sind vielfältig und überzeugend. Sie reduziert die Spitzenlast im Netz, indem sie die Nachfrage von den kritischen Abendstunden weg verlagert, was das Risiko von Blackouts verringert und den Einsatz teurer und schadstoffreicher Spitzenlastkraftwerke reduziert. Gleichzeitig erhöht sie die Auslastung erneuerbarer Energien, indem sie Nachfrage in Zeiten hoher Solarenergieerzeugung schafft. Und am wichtigsten: Sie tut dies, ohne die Nutzer zu belasten; im Gegenteil, sie spart ihnen Geld. Die Simulationsergebnisse der Studie sind beeindruckend. In einem Szenario mit „extrem heißem“ Wetter führte die Implementierung der Niedriglast-Lade-Rabatte zu einer Reduzierung der Lastspitze um 38,1 % und einer Verringerung der Notlastabwürfe um 75,7 %. Die Betriebskosten des Netzes sanken, was zu einem Nettoanstieg des Systemertrags führte. Für die Fahrer sank die Gesamtkosten der Fahrzeugnutzung – die Summe aus Ladegebühren, Batterieverschleiß und Unannehmlichkeiten – um 5,57 %, eine signifikante Einsparung für eine große Fahrzeugflotte.
Diese Forschung markiert einen bedeutenden Fortschritt im Bereich der Fahrzeug-Netz-Integration (V2G). Sie überwindet die traditionellen Grenzen zwischen Stromnetztechnik und Verkehrsmodellierung und schafft einen ganzheitlichen, menschenzentrierten Ansatz. Indem sie Fahrer als rationale Akteure mit komplexen Bedürfnissen und Präferenzen anerkennt, verwandelt die Strategie Elektrofahrzeuge von einer passiven, unvorhersehbaren Last in eine aktive, reaktionsfähige und wertvolle Ressource für die Netzstabilität. Sie bietet eine Blaupause für eine Zukunft, in der das Energiesystem nicht nur intelligent, sondern auch empathisch ist und im Einklang mit den Menschen funktioniert, die es nutzen.
Die Implikationen dieser Arbeit gehen weit über die unmittelbare Herausforderung von Hitzewellen hinaus. Die gleichen Prinzipien könnten angewendet werden, um das Laden während anderer Extremwetterereignisse zu steuern, um höhere Anteile an Wind- und Solarenergie zu integrieren oder um die Nutzung lokaler Energiespeicher zu optimieren. Sie bietet ein mächtiges Werkzeug für Stadtplaner und Energieversorger, die den komplexen Übergang zu einem nachhaltigen, elektrifizierten Verkehrssystem meistern müssen. Während die Zahl der Elektrofahrzeuge auf den Straßen weiter exponentiell wächst, werden Strategien wie diese unerlässlich sein, um sicherzustellen, dass das Versprechen der sauberen Mobilität nicht auf Kosten eines fragilen und unzuverlässigen Stromnetzes erfüllt wird. Die Arbeit von Han Linyang, Ye Chengjin, Zhu Chao, Gao Qiang und Yu Haiyue demonstriert, dass mit der richtigen Kombination aus fortgeschrittener Modellierung und Verständnis menschlichen Verhaltens ein Energiesystem geschaffen werden kann, das nicht nur robust und effizient, sondern auch fair und nutzerfreundlich ist.
Han Linyang, Ye Chengjin, Zhu Chao, Gao Qiang, Yu Haiyue, Zhejiang University. Automation of Electric Power Systems. DOI: 10.7500/AEPS20230731005