Neue Echtzeit-Handelsstrategie für E-Autos und Windenergie
Die Integration von Elektrofahrzeugen (EVs) und Windkraft in die Energie- und Frequenzregelmärkte stellt eine der größten Herausforderungen und zugleich eine der vielversprechendsten Chancen für moderne Stromnetze dar. Beide Technologien sind zentral für die Dekarbonisierung, bringen jedoch eine inhärente Unsicherheit mit sich, die die Netzstabilität gefährden kann. Windenergie ist wetterabhängig, und die Verfügbarkeit von Elektrofahrzeugen hängt von den individuellen Fahr- und Ladeverhalten der Nutzer ab. Diese Variabilität führt oft zu Abweichungen zwischen den vorab geplanten und den tatsächlich erbrachten Leistungen, was zu finanziellen Strafen und erhöhtem Druck auf das Netz führt. Eine neue, bahnbrechende Forschungsarbeit, die kürzlich im Chinese Journal of Automotive Engineering veröffentlicht wurde, stellt nun eine umfassende Lösung für dieses Problem vor: eine innovative Echtzeit-Handelsstrategie, die es E-Auto-Flotten und Windparks ermöglicht, gemeinsam und profitabel an Energie- und Frequenzregelmärkten teilzunehmen, während sie gleichzeitig die Netzbalance sicherstellen.
Das Forschungsteam, angeführt von Pang Songling vom Electric Power Research Institute of Hainan Power Grid Co., Ltd. und dem Smart Grid and Island Microgrid Joint Laboratory, in Zusammenarbeit mit Kollegen von der State Key Laboratory of Power Transmission Equipment Technology an der Chongqing University, hat ein komplexes, zweistufiges Optimierungsmodell entwickelt. Dieses Modell geht weit über einfache Handelsalgorithmen hinaus und adressiert die Kernprobleme der Unsicherheit und Marktintegrität durch die Einführung eines dynamischen Planungsgrenzen-Modells und eines leistungsstarken Abweichungsprüfungsmechanismus. Die Arbeit stellt einen bedeutenden Fortschritt dar, indem sie die theoretische Forschung in eine praktikable Anwendung für die Realwelt überführt, die sowohl für Netzbetreiber als auch für Marktteilnehmer von erheblichem Nutzen ist.
Der zentrale Punkt der Strategie ist das Konzept der „dynamischen Planungsgrenze“ für Elektrofahrzeuge. Traditionelle Modelle basieren oft auf statischen Annahmen über die Verfügbarkeit einer Fahrzeugflotte, die am Vorabend gemacht werden. Diese Annahmen können sich im Tagesverlauf jedoch schnell als ungenau erweisen, wenn Fahrzeuge früher oder später als erwartet an- oder abfahren. Das neue Modell löst dieses Problem, indem es die Planungsgrenze kontinuierlich aktualisiert. Der E-Auto-Aggregator, eine zentrale Entität, die Tausende von Fahrzeugen verwaltet, sammelt in Echtzeit Daten über den aktuellen Ladezustand (SOC), die erwartete Abfahrzeit und die Ladeanforderungen jedes einzelnen Fahrzeugs. Wenn ein Fahrzeug an eine Ladestation angeschlossen wird, wird es sofort auf der Grundlage dieser Parameter in eine von mehreren Klassen eingeteilt. Diese Klassifizierung berücksichtigt den Anfangs-SOC, den gewünschten End-SOC und die voraussichtliche Abfahrzeit. Durch die Aggregation dieser klassifizierten Fahrzeuge kann der Aggregator eine präzise und dynamische Sicht auf die gesamte verfügbare Leistung und Energiekapazität der Flotte zu jedem Zeitpunkt gewinnen. Diese Fähigkeit, die „flexible Kapazität“ der Flotte in Echtzeit zu quantifizieren, ist die Grundlage für fundierte Handelsentscheidungen auf dem schnellen und wettbewerbsintensiven Echtzeitmarkt.
Dieses dynamische Grenzmodell wird durch einen schnellen Leistungszuteilungsalgorithmus ergänzt. Sobald der Aggregator die optimale Gesamtleistung für Ladung, Entladung und Frequenzregelung für einen bestimmten Zeitraum bestimmt hat, muss er diese Anweisung effizient und gerecht auf die einzelnen Fahrzeuge verteilen. Der vorgeschlagene Algorithmus minimiert dabei die Abweichung zwischen dem idealen individuellen Ladeplan und dem tatsächlich umgesetzten Plan. Er berücksichtigt dabei die physikalischen Grenzen jedes Fahrzeugs, wie maximale Lade- und Entladeleistung, SOC-Grenzwerte zum Schutz der Batterie und die individuellen Ladeanforderungen des Nutzers. Diese nahtlose Übersetzung einer flottenweiten Entscheidung in tausende von individuellen Fahrzeugbefehlen ist ein entscheidender technischer Durchbruch, der die großflächige Umsetzung von Vehicle-to-Grid (V2G) -Technologien ermöglicht.
Die wahre Innovation der Studie liegt jedoch in ihrer integrierten Herangehensweise an die Energie- und Frequenzregelmärkte. Statt diese Märkte separat zu betrachten, ermöglicht das Modell eine gleichzeitige Teilnahme. Elektrofahrzeuge und Windparks können nicht nur Energie verkaufen, sondern auch ihre Kapazität anbieten, innerhalb von Sekunden auf Frequenzabweichungen zu reagieren, indem sie Leistung einspeisen oder aufnehmen. Diese duale Teilnahme ist entscheidend, da sie den Marktteilnehmern ermöglicht, Einnahmen aus mehreren Quellen zu generieren. Ein E-Auto kann beispielsweise durch Arbitrage profitieren – es lädt, wenn der Strompreis niedrig ist, und entlädt, wenn er hoch ist – und gleichzeitig eine Kapazitätsgebühr erhalten, nur dafür, dass es bereitsteht, um bei Bedarf Frequenzregelleistung zu erbringen. Dies maximiert die Wirtschaftlichkeit und macht die Teilnahme am Markt für beide Parteien attraktiver.
Um sicherzustellen, dass die Marktteilnehmer ihre Zusagen auch einhalten, ist ein robuster Abweichungsprüfungsmechanismus eingebaut. Dieser Mechanismus ist das Rückgrat der Marktintegrität. In der Realität wird die tatsächliche Leistung eines Windparks oder die Nettoleistung einer E-Auto-Flotte aufgrund unvorhergesehener Ereignisse von der im Vorabmarkt gebotenen Menge abweichen. Der vorgeschlagene Mechanismus quantifiziert die Kosten dieser Abweichungen. Wenn ein Marktteilnehmer mehr Energie liefert, als er geboten hat (z. B. weil der Wind stärker weht als prognostiziert), wird er möglicherweise zu einem niedrigeren Echtzeitpreis entschädigt. Wenn er jedoch weniger liefert, als er geboten hat, sieht er sich einer hohen Strafgebühr ausgesetzt, die oft erheblich höher ist als die Belohnung für eine Überschreitung. Ein ähnliches Prinzip gilt für Abweichungen bei der bereitgestellten Frequenzregelkapazität. Diese asymmetrische Strafstruktur, bei der Untererfüllung härter bestraft wird als Überschreitung belohnt wird, dient dazu, konservative und genaue Prognosen zu fördern und die Zuverlässigkeit des gesamten Systems zu gewährleisten.
Das mathematische Gerüst des Modells ist als ein zweistufiges Optimierungsproblem konzipiert, das die hierarchische Struktur des Marktes widerspiegelt. Auf der oberen Ebene agieren die einzelnen Marktteilnehmer – der E-Auto-Aggregator und der Windenergieanbieter – als „Führungsspieler“. Ihr primäres Ziel ist es, ihre eigenen Abweichungskosten und Betriebskosten, wie den Battereverschleiß bei E-Autos, zu minimieren. Sie treffen ihre Handelsentscheidungen auf der Grundlage ihrer internen Modelle der verfügbaren Ressourcen und der aktuellen Marktbedingungen. Auf der unteren Ebene fungiert die Strombörse als „Folgespieler“. Ihr Ziel ist es, die Gesamtbetriebskosten des Systems zu minimieren, die die Kosten für Energie, die Beschaffung von Frequenzregelleistungen und die Kosten für die Ausgleichung verbleibender Ungleichgewichte durch teurere Reservekraftwerke umfassen. Die Börse führt den Markt durch die Festlegung der marginalen Knotenpreise auf Basis aller eingegangenen Gebote aus.
Die Interaktion zwischen diesen beiden Ebenen ist komplex und iterativ. Die Handlungen der oberen Ebene beeinflussen die markträumenden Preise, die von der unteren Ebene festgelegt werden, was wiederum die optimalen Handelsstrategien der Teilnehmer beeinflusst. Um dieses rechnerisch anspruchsvolle Problem zu lösen, verwendeten die Forscher die Karush-Kuhn-Tucker (KKT)-Bedingungen, um das zweistufige Problem in ein einstufiges gemischt-ganzzahliges lineares Programm umzuwandeln. Diese methodische Wahl macht das Modell für die reale Anwendung handhabbar und ermöglicht eine zeitnahe Entscheidungsfindung in einem 15-Minuten-Marktintervall.
Die Studie präsentiert eine detaillierte Fallstudie, um die Wirksamkeit der vorgeschlagenen Strategie zu validieren. Die Simulation, die über einen 24-Stunden-Zeitraum mit 96 Fünfzehn-Minuten-Intervallen durchgeführt wurde, verwendet realistische Parameter für E-Auto-Flotten und Windenergieprofile. Die Ergebnisse sind überzeugend. Das Modell der dynamischen Planungsgrenze erfasst erfolgreich den täglichen Rhythmus der E-Auto-Verfügbarkeit, wobei die Leistungs- und Energiekapazität der Flotte morgens auf null sinkt, wenn die Fahrzeuge ihre Ladestationen verlassen, und abends wieder ansteigt, wenn sie zurückkehren. Diese dynamische Sicht ist weitaus genauer als eine statische, vorab geschätzte Kapazität.
Für die Windenergie zeigt die Strategie eine intelligente Anpassung an die Marktsituation. In Zeiten hoher Preise für Frequenzregelleistung bietet der Windpark strategisch Kapazität für die Aufwärtsregelung an, indem er seine Leistung unterhalb seiner maximal prognostizierten Leistung hält, um Spielraum für schnelle Erhöhungen zu haben. Umgekehrt konzentriert er sich, wenn die Energiepreise hoch sind und seine Leistung nahe am Maximum liegt, auf die Abgabe von Energieabweichungen und akzeptiert, dass seine Fähigkeit zur Abwärtsregelung durch seine physikalischen Rampenbeschränkungen begrenzt ist. Die Analyse zeigt, dass Windenergie oft die vorab geplante Menge übertrifft, was potenzielle Strafen für Ungleichgewichte in eine zusätzliche Einnahmequelle verwandelt, wenn der Echtzeitpreis günstig ist.
Die Auswirkungen auf Elektrofahrzeuge sind ebenso tiefgreifend. Das Modell zeigt, dass E-Autos profitabel Energie-Arbitrage betreiben können, ohne die Bedürfnisse der Nutzer zu beeinträchtigen. Indem sie überschüssige Energie laden, wenn der Wind stark weht und die Strompreise niedrig sind, und diese gespeicherte Energie während der Spitzenpreiszeiten wieder abgeben, können E-Auto-Besitzer ihren finanziellen Nutzen maximieren. Entscheidend ist, dass die Strategie sicherstellt, dass diese Arbitrage-Aktivität innerhalb der Grenzen der dynamischen Planungsgrenze erfolgt, was garantiert, dass das Fahrzeug bis zur Abfahrtszeit des Besitzers ausreichend geladen ist. Darüber hinaus verhindert die Einbeziehung von Battereverschleißkosten in die Optimierung einen übermäßigen Zyklenverschleiß und fördert die langfristige Gesundheit der Fahrzeugbatterie.
Die Studie hebt auch die synergetische Beziehung zwischen E-Autos und Windenergie hervor. Die Flexibilität der E-Auto-Flotte wirkt als natürlicher Puffer für die Variabilität der Windenergie. Wenn die Windenergie die Prognosen übertrifft, können E-Autos die überschüssige Energie durch erhöhtes Laden aufnehmen. Wenn die Windenergie unter den Erwartungen liegt, können E-Autos entladen, um die Nachfrage zu decken. Diese gegenseitige Unterstützung reduziert das gesamte System-Ungleichgewicht, verringert den Bedarf an teuren Ausgleichsleistungen von konventionellen Kraftwerken und trägt zu einem stabileren und effizienteren Netz bei.
Die Implikationen dieser Forschung reichen weit über die theoretische Ebene hinaus. Sie bietet einen praktischen Fahrplan dafür, wie Netzbetreiber und Marktdesigner einen inklusiveren und widerstandsfähigeren Strommarkt schaffen können. Durch die Festlegung klarer Regeln für Abweichungsstrafen und die Ermöglichung schneller, genauer Entscheidungen durch dynamische Modellierung senkt die Strategie die Hürden für den Einstieg von dezentralen Energiequellen. Sie verwandelt E-Autos von passiven Verbrauchern in aktive, ertragsstarke Netzanlagen, was die Wirtschaftlichkeit von V2G-Technologien erheblich verbessern und eine stärkere Akzeptanz durch die Verbraucher fördern kann.
Für Windparkbetreiber bietet die Strategie eine raffiniertere Möglichkeit, ihre Erzeugung zu monetarisieren, indem sie sich über den einfachen Energieverkauf hinaus an höherwertigen Nebenleistungen beteiligen. Diese Diversifizierung der Einnahmequellen kann die finanzielle Tragfähigkeit von Windprojekten verbessern, insbesondere in Märkten mit hoher Durchdringung erneuerbarer Energien, in denen die Energiepreise volatil sein können.
Die Arbeit unterstreicht auch die Bedeutung fortschrittlicher Datenanalyse und Echtzeit-Kommunikationsinfrastruktur. Der Erfolg des Modells der dynamischen Grenze hängt von einem zuverlässigen und zeitnahen Datenfluss von den einzelnen E-Autos zum Aggregator ab. Dies erfordert robuste Cybersicherheitsmaßnahmen und standardisierte Kommunikationsprotokolle, die zentrale Bestandteile eines modernen intelligenten Stromnetzes (Smart Grid) sind.
Obwohl das aktuelle Modell einen bedeutenden Sprung nach vorne darstellt, erkennen die Autoren Bereiche für zukünftige Forschung an. Die Studie konzentriert sich auf einen einzelnen E-Auto-Aggregator; ein komplexerer Markt mit mehreren konkurrierenden Aggregatoren würde neue strategische Dynamiken einführen. Die Einbeziehung anderer flexibler Ressourcen, wie dezentraler Batteriespeicher und Lastmanagement von Gewerbegebäuden, könnte die Systemflexibilität weiter erhöhen. Darüber hinaus bleibt die Entwicklung effektiver Anreizmechanismen, um E-Auto-Besitzer zur Teilnahme an solchen Programmen zu ermutigen, eine entscheidende soziale und wirtschaftliche Herausforderung.
Zusammenfassend lässt sich sagen, dass die Forschung von Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi und Zhang Qian einen bahnbrechenden Rahmen für die Echtzeitintegration von Elektrofahrzeugen und Windenergie in Energie- und Frequenzregelmärkte bietet. Durch die Kombination eines dynamischen Planungsgrenzen-Modells, eines schnellen Leistungszuteilungsalgorithmus und eines gut kalibrierten Abweichungsprüfungsmechanismus in einem rigorosen zweistufigen Optimierungsmodell haben sie eine Strategie geschaffen, die nicht nur die Echtzeit-Strombilanz gewährleistet, sondern auch den wirtschaftlichen Nutzen sowohl für die Ressourcenbesitzer als auch für das gesamte Stromsystem maximiert. Diese Arbeit ist ein entscheidender Schritt in Richtung einer Zukunft, in der die Variabilität erneuerbarer Energien keine Belastung, sondern eine gesteuerte Eigenschaft ist und in der die Millionen von Elektrofahrzeugen auf den Straßen zu einem Eckpfeiler eines flexiblen, nachhaltigen und wirtschaftlich effizienten Stromnetzes werden.
Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi, Zhang Qian, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Smart Grid and Island Microgrid Joint Laboratory, State Key Laboratory of Power Transmission Equipment Technology, Chongqing University, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.08