Neue Handelsstrategie für E-Auto-Aggregateure
Die rasante Entwicklung der Elektromobilität verändert nicht nur die Automobilbranche, sondern auch die Struktur und Dynamik moderner Stromnetze. Mit über 18 Millionen Elektrofahrzeugen (EVs) allein in China bis Ende 2023 ist die Integration dieser neuen Form mobiler Energiespeicher in die bestehende Infrastruktur zu einer zentralen Herausforderung geworden. Ein neu veröffentlichtes Forschungspapier unter der Leitung von Hou Hui vom Institut für Automatisierung der Wuhan University of Technology stellt nun eine bahnbrechende Handelsstrategie für E-Auto-Aggregateure vor, die gezielt darauf abzielt, die Stabilität des Stromnetzes zu erhöhen, wirtschaftliche Effizienz zu steigern und gleichzeitig die Interessen aller Marktbeteiligten zu berücksichtigen.
Die Studie, die in der renommierten Fachzeitschrift Journal of Global Energy Interconnection erschienen ist, beschreibt ein mehrstufiges Modell, das es Aggregateuren ermöglicht, ihre EV-Flotten als flexible Ressourcen im Tageshandel mit Strom gezielt einzusetzen. Im Gegensatz zu herkömmlichen Ansätzen, die oft auf vereinfachten Annahmen basieren, berücksichtigt diese Strategie die komplexen Nutzerverhaltensmuster, technischen Grenzen der Batterien und die Unsicherheiten des Energiemarktes. Das Ergebnis ist ein realitätsnahes und wirtschaftlich tragfähiges Framework, das sowohl für Netzbetreiber als auch für Anbieter von Ladedienstleistungen von großem praktischem Wert ist.
Das Kernkonzept der Strategie ist die präzise Quantifizierung des sogenannten „Demand Response Potential“ – also der Fähigkeit eines Aggregators, den Lade- und Entladevorgang seiner Fahrzeuge in Abhängigkeit von Marktsignalen wie Strompreisen oder Netzbelastung zu steuern. Diese Fähigkeit ist entscheidend, um Spitzenlasten abzubauen, Lasttäler zu füllen und so die Netzstabilität zu gewährleisten. Die Forschergruppe um Hou Hui und He Ziyin betont, dass die unkoordinierte Nutzung von Ladepunkten, insbesondere während der Hauptverbrauchszeiten, zu erheblichen Spannungsspitzen im Netz führen kann. Eine intelligente Steuerung durch Aggregateure kann dieses Risiko erheblich minimieren.
Der erste Schritt des Modells ist die Klassifizierung der EV-Nutzer in verschiedene Cluster. Anstatt alle Fahrzeuge gleich zu behandeln, analysiert das System individuelle Faktoren wie Ankunfts- und Abfahrtszeiten, die verbleibende Batterieladung (State of Charge, SOC) und die typischen Fahrgewohnheiten. Auf Basis historischer Daten werden die Nutzer in fünf Gruppen eingeteilt, die unterschiedliche Nutzungsmuster aufweisen. So gibt es beispielsweise Nutzer, die hauptsächlich nachts zu Hause laden, andere, die tagsüber während der Arbeitszeit an öffentlichen Ladestationen aufladen, und wieder andere, die aufgrund ihres Berufs oder ihrer Mobilität eine hohe Flexibilität aufweisen.
Diese differenzierte Betrachtung ist entscheidend, um das tatsächliche Steuerungspotenzial genau einschätzen zu können. Ein Fahrzeug, das nur für zwei Stunden an einer Schnellladestation steht, bietet beispielsweise weniger Flexibilität als eines, das acht Stunden über Nacht an einer Wallbox zu Hause verbunden ist. Indem die Cluster definiert sind, kann der Aggregator innerhalb jeder Gruppe das wahrscheinliche Ladeverhalten simulieren. Dabei werden Faktoren wie die Bereitschaft des Nutzers, auf einen günstigeren Tarif zu warten, oder die Notwendigkeit einer schnellen Ladung für die nächste Fahrt berücksichtigt. Dieses Modell der „zufälligen Lade- und Entladeentscheidungen“ innerhalb der Cluster spiegelt die reale Unsicherheit wider, die ein Aggregator im Alltag gegenübersteht.
Sobald die Cluster und deren Verhalten modelliert sind, wird das aggregierte Demand Response Potential berechnet. Hierbei spielen zwei Hauptfaktoren eine Rolle: die maximale Ladeleistung, die das Netz und die Ladeinfrastruktur bereitstellen können, und das sogenannte „Energieintervall“. Dieses Intervall definiert, wie viel Energie ein Fahrzeug innerhalb seines verfügbaren Zeitfensters tatsächlich laden oder entladen kann, ohne die Batterie zu sehr zu belasten oder die Mobilitätsanforderungen des Nutzers zu gefährden. Es wird durch die Batteriekapazität, die Ladeeffizienz und die vom Nutzer vorgegebenen SOC-Mindest- und -Maximalwerte bestimmt. Die Kombination dieser Parameter mit den historischen Nutzungsmustern ermöglicht es dem Aggregator, eine realistische Prognose abzugeben, wie viel Energie er zu welchem Zeitpunkt flexibel einsetzen kann.
Der zweite und entscheidende Teil des Modells ist die Entwicklung einer Handelsstrategie für den Tageshandel (Day-Ahead Market). In diesem Markt schließen Aggregatoren ihre Stromlieferverträge für den nächsten Tag ab. Das Ziel ist es, den Nettoertrag zu maximieren. Die Einnahmen ergeben sich aus den Gebühren, die an die EV-Nutzer für das Laden ihrer Fahrzeuge erhoben werden. Die Kosten entstehen durch den Kauf der benötigten Energiemengen auf dem Tagesmarkt. Ein entscheidender Faktor ist jedoch die Unsicherheit: Wenn der tatsächliche Energieverbrauch am nächsten Tag von der vorhergesagten und gebuchten Menge abweicht, kann dies zu Strafkosten führen.
Um dieses Risiko zu minimieren, integriert das Modell sogenannte Szenario-Analysen. Es berechnet nicht nur eine einzige Prognose, sondern berücksichtigt mehrere mögliche Szenarien für die Marktpreise und die tatsächliche Verfügbarkeit der Fahrzeuge. Jedes Szenario wird mit einer bestimmten Wahrscheinlichkeit gewichtet. Dadurch wird die Optimierung robust gegenüber den Unsicherheiten des Marktes und des Nutzerverhaltens. Der Aggregator kann so eine Handelsstrategie finden, die nicht nur unter idealen Bedingungen profitabel ist, sondern auch bei unvorhergesehenen Schwankungen noch wirtschaftlich tragfähig bleibt.
Die Optimierung selbst erfolgt mithilfe des leistungsstarken Gurobi-Solvers. Die Zielfunktion ist die Maximierung des erwarteten Nettoertrags, der sich aus den erwarteten Einnahmen minus den erwarteten Kosten (einschließlich möglicher Strafkosten) ergibt. Dabei müssen verschiedene technische und betriebliche Einschränkungen eingehalten werden. Dazu gehören die maximale Gesamtleistung, die das Netz bereitstellen kann, die Batteriekapazität der einzelnen Fahrzeuge, um sicherzustellen, dass kein Fahrzeug über- oder unterladen wird, sowie die Gesamtmenge an Energie, die geladen werden muss, um die Mobilitätsbedürfnisse der Nutzer zu decken.
Um die Wirksamkeit der Strategie zu demonstrieren, haben die Forscher eine Fallstudie in einem Stadtteil von Wuhan, Hubei Province, durchgeführt. Die Simulation umfasste 3.000 Elektrofahrzeuge, die von zwei verschiedenen Aggregatoren verwaltet wurden: EVA1, ein Anbieter von Langsamladung, und EVA2, ein Anbieter von Schnellladung. Die Ergebnisse waren beeindruckend. Die vorgeschlagene Strategie führte zu einer signifikanten Lastglättung im Netz. Die Spitzenlasten wurden deutlich reduziert, und die Lasttäler wurden durch gezieltes Laden in den Nachtstunden gefüllt. Dies ist genau das, was Netzbetreiber benötigen, um ihre Infrastruktur effizienter und sicherer zu betreiben.
Die wirtschaftliche Analyse zeigte, dass die Strategie für beide Aggregatoren profitabel war. EVA1, der Langsamladeanbieter, konnte einen Nettoertrag von über 11.600 Yuan erzielen. EVA2, der Schnellladeanbieter, erwirtschaftete einen Gewinn von etwa 7.300 Yuan. Diese Zahlen unterstreichen die kommerzielle Attraktivität des Aggregatormodells. Interessant ist auch das unterschiedliche Handelsverhalten der beiden Anbieter: EVA1, der auf wirtschaftliches Laden setzt, bot in den Nachtstunden mit niedrigen Preisen aggressiv an, um eine große Menge an Energie zu beziehen. EVA2 hingegen, der auf Kundenservice und Geschwindigkeit setzt, konzentrierte sich mehr auf die Hauptverkehrszeiten und konnte daher höhere Preise erzielen. Dies zeigt, wie sich verschiedene Geschäftsmodelle auf dem Markt etablieren und differenzieren können.
Die Bedeutung dieser Forschung geht weit über die chinesische Marktsituation hinaus. In Deutschland, wo die Energiewende und die Integration erneuerbarer Energien ebenfalls eine zentrale Herausforderung darstellt, könnten ähnliche Modelle von großem Nutzen sein. Die zunehmende Zahl an PV-Anlagen führt zu starken Schwankungen im Stromangebot. EVs, die intelligent gesteuert werden, könnten als Puffer fungieren, überschüssigen Solarstrom tagsüber speichern und ihn abends, wenn die Sonne untergegangen ist, wieder ins Netz einspeisen. Dies würde nicht nur die Netzstabilität erhöhen, sondern auch die Abhängigkeit von fossilen Kraftwerken verringern.
Ein weiterer wichtiger Aspekt der Studie ist die Berücksichtigung der Konkurrenz zwischen mehreren Aggregatoren. Viele frühere Modelle gingen von einem monopolartigen Szenario aus. Das hier vorgestellte Modell erkennt jedoch an, dass der Markt in Zukunft von mehreren Anbietern geprägt sein wird, die um die gleichen Kunden und Netzressourcen konkurrieren. Die Strategie zeigt, wie Aggregatoren trotz dieser Konkurrenz profitabel agieren können, indem sie sich auf bestimmte Marktsegmente spezialisieren – wie in der Fallstudie der Unterschied zwischen Langsam- und Schnellladung.
Natürlich gibt es auch Hindernisse auf dem Weg zur breiten Anwendung solcher Systeme. Die Markteintrittsbarrieren sind hoch, sowohl technisch als auch finanziell. Die Entwicklung der notwendigen Software, die Integration in bestehende Ladeinfrastrukturen und die Gewinnung von Kunden erfordern erhebliche Investitionen. Zudem spielt die Akzeptanz der Nutzer eine entscheidende Rolle. Viele Fahrzeughalter könnten Bedenken haben, die Kontrolle über den Ladevorgang ihres Fahrzeugs an einen Dritten abzugeben. Vertrauen, Transparenz und faire Vergütungsmodelle werden daher entscheidend sein, um diese Bedenken auszuräumen.
Die Autoren der Studie schlagen vor, dass Aggregatoren ihre Dienstleistungen über benutzerfreundliche Plattformen anbieten sollten, die klare Vorteile für den Endverbraucher bieten. Dazu gehören günstigere Ladekosten, Loyalitätsprogramme oder die Garantie, dass zu bestimmten Zeiten ein Ladepunkt verfügbar ist. Indem die Interessen des Aggregators und des Nutzers ausgerichtet werden, kann ein Win-Win-Szenario geschaffen werden, das die Akzeptanz erhöht und die Marktdurchdringung beschleunigt.
Zukünftige Forschung könnte sich auf die Erweiterung des Modells auf den Echtzeitmarkt konzentrieren, was eine noch dynamischere Reaktion auf kurzfristige Netzfluktuationen ermöglichen würde. Die Integration von Künstlicher Intelligenz zur Verbesserung der Vorhersagegenauigkeit des Nutzerverhaltens ist ein weiteres vielversprechendes Feld. Insgesamt stellt die Arbeit von Hou Hui, He Ziyin und ihren Kollegen einen bedeutenden Schritt vorwärts dar, um das enorme Potenzial der Elektromobilität als integraler Bestandteil eines intelligenten, nachhaltigen und resilienten Energiesystems vollständig auszuschöpfen.
Hou Hui, He Ziyin et al., Journal of Global Energy Interconnection, DOI: 10.19705/j.cnki.issn2096-5125.2024.02.011