Neue Steuerungsstrategie verbessert V2G-Integration für Lastspitzenregelung
Die Integration von Elektrofahrzeugen (EVs) in die Stromnetze stellt eine der entscheidenden Herausforderungen der Energiewende dar. Mit einer prognostizierten Zahl von rund 390 Millionen Elektrofahrzeugen in China bis zum Jahr 2060 gewinnt die Frage an Bedeutung, wie diese Fahrzeuge nicht nur als Verkehrsmittel, sondern auch als flexible Energiespeicher für das Stromnetz genutzt werden können. Eine neuartige, mehrstufige Echtzeit-Steuerungsstrategie, die in der renommierten Fachzeitschrift Automation of Electric Power Systems veröffentlicht wurde, bietet eine vielversprechende Lösung. Die Forschung, geleitet von Hu Junjie vom State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources an der North China Electric Power University, in Zusammenarbeit mit Wang Wen und Yang Ye von State Grid Smart Internet of Vehicles Co., Ltd., adressiert zwei zentrale Probleme bestehender Systeme: geringe Steuerungsgenauigkeit und hohe Rechenzeiten, die bisher eine zuverlässige Teilnahme an den Anforderungen des Strommarktes erschwerten.
Das Kernstück der neuen Strategie ist ein hierarchisches Kontrollarchitektur, das datenbasiertes Clustering, robuste Grenzmodellierung und modellprädiktive Regelung (MPC) kombiniert, um eine bisher unerreichte Präzision und Geschwindigkeit bei der Steuerung großer Fahrzeugflotten zu erreichen. Im Gegensatz zu herkömmlichen zentralen Ansätzen, die alle Fahrzeuge gleich behandeln, berücksichtigt diese Strategie die Heterogenität der Ladeinfrastruktur und des Nutzerverhaltens, was zu einem differenzierteren und effektiveren Steuerungsmechanismus führt.
Der Ansatz beginnt mit einer detaillierten Analyse der Ladeinfrastruktur. Die Forscher verwendeten historische Leistungsdaten von Ladestationen in Shanghai, um zwei entscheidende Leistungskennzahlen zu extrahieren: die Reaktionsgenauigkeit und die Leistungsanpassungsgenauigkeit. Die Reaktionsgenauigkeit misst, wie genau die tatsächliche Ausgangsleistung einer Ladestation der vorgegebenen Sollleistung entspricht. Die Anpassungsgenauigkeit bewertet, wie gut ein lineares Modell die tatsächliche Leistungsausführung auf der Grundlage der Soll- und Istleistung vorhersagen kann. Diese Metriken dienen als Grundlage für die Gruppierung von Ladestationen in unterschiedliche Cluster, was es dem Aggregator ermöglicht, zwischen Hochleistungs- und niedrigeren Genauigkeitsstationen zu differenzieren.
Um die Integrität des Clustering-Prozesses zu gewährleisten, setzte das Team einen zweistufigen Algorithmus ein. Zunächst wurde die DBSCAN-Methode (Density-Based Spatial Clustering of Applications with Noise) verwendet, um Ausreißer – also Ladestationen mit unregelmäßigem oder unzuverlässigem Verhalten – zu identifizieren und von den primären Steuerungsschleifen auszuschließen. Die verbleibenden Stationen wurden anschließend mit dem k-means++-Algorithmus gruppiert, der die Stabilität der Cluster erhöht, indem er die Anfangsauswahl der Clusterzentren optimiert. Dieser duale Ansatz verbessert nicht nur die Repräsentativität jedes Clusters, sondern erhöht auch die Gesamtrobustheit des Steuerungssystems, indem er den Einfluss von schlecht funktionierender Hardware minimiert.
Die Clustering-Ergebnisse offenbarten vier deutlich unterschiedliche Gruppen, die jeweils durch einzigartige Kombinationen aus Reaktions- und Anpassungsgenauigkeit charakterisiert sind. Cluster 1 zeigte beispielsweise eine hohe Anpassungsgenauigkeit (R² = 0,984), wies aber leicht erhöhte Reaktionsraten (1,182) auf, was auf eine Tendenz hindeutet, die vorgegebene Leistung zu überschreiten. Cluster 2 hingegen demonstrierte ein ausgewogenes Leistungsniveau mit einer Reaktionsgenauigkeit von 1,090 und einer Anpassungsgenauigkeit von 0,923. Diese Erkenntnisse ermöglichen es dem Aggregator, Steuerungsaufgaben strategisch zuzuweisen, wobei Hochpräzisionscluster für Feinabstimmungsoperationen bevorzugt werden, während andere für grobe Leistungsanpassungen eingesetzt werden.
Aufbauend auf dieser infrastrukturbezogenen Klassifizierung entwickelten die Forscher ein robustes Modell für die Leistungsanpassungsgrenzen, das sowohl starre als auch flexible Ladeanforderungen berücksichtigt. Starre Elektrofahrzeuge – deren Besitzer eine sofortige, leistungsstarke Ladung benötigen – werden als halbflexible Ressourcen behandelt, wobei eine kleine, zulässige Reduzierung (bis zu 10 %) der Ladeleistung zur Unterstützung des Netzes erlaubt ist. Flexible Elektrofahrzeuge, deren Besitzer bereit sind, die Ladung zu verschieben oder zu modulieren, um finanzielle Anreize zu erhalten, bilden den Kern der steuerbaren Flotte.
Das Grenzmodell berechnet die oberen und unteren Grenzen der Leistungsanpassung für jedes Fahrzeug basierend auf dessen Ladezustand (SOC), der Abfahrtszeit und der Batteriekapazität. Für die Erhöhung der Leistung bestimmt das Modell die maximale zusätzliche Leistung, die ein Fahrzeug aufnehmen kann, ohne seinen SOC-Grenzwert zu überschreiten, wobei sowohl unmittelbare als auch zeitlich verschobene Ladeperioden berücksichtigt werden. Für die Verringerung der Leistung bewertet es, wie viel Leistung verschoben werden kann, während sichergestellt wird, dass das Fahrzeug bis zur Abfahrt seinen Ziel-SOC erreicht. Diese dynamische Grenzschätzung gewährleistet, dass die Bedürfnisse der Nutzer respektiert werden, während gleichzeitig das Potenzial für die Netzunterstützung maximiert wird.
Eine zentrale Innovation liegt in der Vereinfachung dieser Grenzberechnung. Anstatt in jedem Zeitschritt auf rechenintensive Löser zurückzugreifen, leiteten die Forscher geschlossene Formeln ab, die die optimale Lösung mit hoher Genauigkeit approximieren. Dies ermöglicht eine schnelle Neuberechnung der Leistungsgrenzen, wenn sich der Zustand der Fahrzeuge verändert – eine entscheidende Voraussetzung für die Echtzeitsteuerung. Der Ansatz transformiert ein Problem, das typischerweise eine komplexe Optimierung erfordert, in eine Reihe effizienter arithmetischer Operationen und reduziert so den Rechenaufwand erheblich.
Die Steuerungsarchitektur selbst arbeitet auf einem zweischichtigen, mehrzeitskaligen Rahmen. Auf der obersten Ebene wird die gesamte Leistungsabweichung zwischen der vom Markt vorgegebenen Sollkurve und der aktuellen Ausgangsleistung der Fahrzeugflotte auf die verschiedenen Cluster verteilt. Bei dieser Zuweisung werden sowohl die Reaktionsgenauigkeit als auch die Regelungskosten jedes Clusters berücksichtigt, wobei Präzisionscluster bevorzugt werden, um die Nachführfehler zu minimieren. Die Zielfunktion balanciert zwei konkurrierende Ziele: die Maximierung der Steuerungsgenauigkeit und die Minimierung der Anzahl der Leistungsbefehle (als Proxy für Kommunikations- und Betriebskosten).
Die zweite Ebene verteilt die leistungsbezogenen Anpassungen der Cluster auf die einzelnen Elektrofahrzeuge. Hier integriert der Algorithmus einen prioritätsbasierten Verteilungsmechanismus, der den SOC und die Zeit bis zur Abfahrt jedes Fahrzeugs berücksichtigt. Fahrzeuge mit niedrigerem SOC oder einer bevorstehenden Abfahrt erhalten eine höhere Priorität, wodurch sichergestellt wird, dass sie auch unter eingeschränkten Bedingungen ausreichend geladen werden. Zusätzlich bestraft das Modell starke Schwankungen der Ladeleistung zwischen aufeinanderfolgenden Intervallen, was zu einem gleichmäßigeren Betrieb führt, der die Batterie des Fahrzeugs und das Netz weniger belastet.
Um die Präzision weiter zu erhöhen, führt das System eine feinere Korrekturschleife ein, die im 3-Minuten-Intervall innerhalb des standardmäßigen 15-Minuten-Marktabrechnungszeitraums arbeitet. Alle drei Minuten wird die tatsächliche Leistungsausgabe der Flotte mit der geplanten Trajektorie verglichen. Überschreitet die Abweichung einen vordefinierten Schwellenwert, wird eine schnelle Neuberechnung ausgelöst, die sich ausschließlich auf die zuvor identifizierten Hochgenauigkeitscluster konzentriert. Diese Cluster erhalten die Aufgabe, den verbleibenden Fehler durch gezielte Leistungsanpassungen auszugleichen und so die Gesamtleistung „feinabzustimmen“.
Diese sekundäre Korrekturschicht ist auf Geschwindigkeit und Effizienz ausgelegt. Anstatt die gesamte Flotte neu zu optimieren, behandelt sie die für einen 15-Minuten-Zeitraum zugewiesene Energiemenge jedes Fahrzeugs als feste Größe und verteilt sie neu auf die verbleibenden Teilintervalle. Das Ziel ist es, die Differenz zwischen der tatsächlichen und der gewünschten Energieabgabe zu minimieren und dabei einen größeren Teil der Korrekturlast den zuverlässigsten Ladestationen zuzuweisen. Dieser Ansatz gewährleistet, dass das System auf unerwartete Störungen – wie einen plötzlichen Leistungsabfall aufgrund eines Ladestationenfehlers – reagieren kann, ohne die Rechenverzögerung einer vollständigen Neuberechnung in Kauf nehmen zu müssen.
Die Wirksamkeit der vorgeschlagenen Strategie wurde durch eine groß angelegte Simulation mit 3.000 Elektrofahrzeugen, die in 16 Cluster organisiert waren, validiert. Das Testszenario umfasste einen 24-Stunden-Zeitraum mit dynamischen Marktsignalen, die den realen Schwankungen im Bedarf für die Lastspitzenregelung Rechnung tragen. Die Ergebnisse waren überzeugend: Die durchschnittliche Steuerungsgenauigkeit lag über 97 %, und die Leistungsabweichungen blieben während der gesamten Simulation unterhalb des für den Markt geltenden Schwellenwerts von 15 %. Besonders bemerkenswert war, dass die durchschnittliche Rechenzeit pro Zeitschritt unter 5 Sekunden lag, was die Anforderungen an die Echtzeitfähigkeit für eine praktische Implementierung erfüllt.
Ein Vergleich mit einer traditionellen zentralen Steuerungsmethode unterstrich die Vorteile des mehrschichtigen Ansatzes. Während das zentrale Modell in einigen Perioden eine vergleichbare Genauigkeit erreichte, konnte es während einer kritischen Abendspitze die Marktanforderungen nicht erfüllen, wobei die Fehler die 17 %-Marke überschritten. Im Gegensatz dazu hielt die vorgeschlagene Methode eine konstante Leistung aufrecht und demonstrierte eine überlegene Zuverlässigkeit. Darüber hinaus war die Recheneffizienz deutlich höher, wobei die neue Strategie die Berechnungen 1 bis 3 Mal schneller abschloss als ihr zentraler Gegenpart.
Sensitivitätsanalysen bestätigten die Robustheit des Frameworks weiter. Die Forscher untersuchten die Auswirkungen zentraler Gewichtungsparameter in den Optimierungsfunktionen, wie den Kompromiss zwischen Genauigkeit und Kosten auf Clusterebene und die Balance zwischen Nachführfehler, Priorität und Leistungsstabilität auf Fahrzeugebene. Die Ergebnisse zeigten, dass zwar die Parameterwahl die Leistung beeinflusst, das System jedoch innerhalb eines vernünftigen Wertebereichs stabil und effektiv bleibt. Diese Flexibilität ermöglicht es Aggregatoren, die Steuerungsstrategie an ihre spezifischen Betriebsziele anzupassen, sei es die Maximierung der Genauigkeit oder die Minimierung der Steuerungsaktionen.
Die Implikationen dieser Forschung gehen über die technische Leistung hinaus. Indem sie eine präzisere und zuverlässigere Integration von Elektrofahrzeugen in das Netz ermöglicht, ebnet die Strategie den Weg für eine tiefere Teilnahme an den Märkten für sekundäre Regelenergie. Dies könnte neue Einnahmequellen für Fahrzeughalter und Aggregatoren erschließen und Vehicle-to-Grid (V2G)-Dienste wirtschaftlich attraktiver machen. Aus Sicht eines Netzbetreibers wird eine mit einer solchen Präzision gesteuerte Elektrofahrzeugflotte zu einer verlässlichen Ressource für das Ausbalancieren von Angebot und Nachfrage, insbesondere angesichts steigender Anteile erneuerbarer Energien und der damit verbundenen Systemvolatilität.
Die Studie unterstreicht auch die Bedeutung, Hardwareeigenschaften in die Steuerungsentwicklung einzubeziehen. Die meisten bestehenden Modelle behandeln Ladestationen als ideale Aktuatoren, die die vorgegebene Leistung perfekt ausführen. Indem diese Arbeit reale Daten über das Reaktionsverhalten von Ladestationen berücksichtigt, anerkennt sie die physikalischen Gegebenheiten der Infrastruktur und führt zu genaueren und praktikableren Steuerungsergebnissen. Diese Verschiebung von Abstraktion zu Realismus markiert eine Reifung des Fachgebiets und bringt es näher an einsatzfähige Lösungen heran.
Ausblickend weisen die Autoren darauf hin, dass das aktuelle Modell sich ausschließlich auf die Lastspitzenregelung im Rahmen eines leistungsorientierten Frameworks konzentriert. Zukünftige Arbeiten werden den Umfang erweitern, um die Teilnahme an Energiemärkten in Echtzeit und die Kopplung von Verkehrs- und Stromnetzen einzubeziehen. Die Integration der räumlich-zeitlichen Unsicherheiten in den Mobilitätsmustern von Elektrofahrzeugen wird entscheidend sein, um wirklich adaptive und resiliente Steuerungsstrategien zu entwickeln.
Zusammenfassend markiert die mehrstufige Echtzeit-Steuerungsstrategie, die von Hu Junjie und seinen Kollegen vorgestellt wurde, einen bedeutenden Fortschritt im Bereich der Integration von Elektrofahrzeugen in das Stromnetz. Durch die Kombination datenbasierter Clustering-Verfahren, robuster Grenzmodellierung und einer hierarchischen, mehrzeitskaligen Steuerungsarchitektur erreicht der Ansatz ein Maß an Präzision und Effizienz, das die zentralen Herausforderungen adressiert, mit denen Elektrofahrzeug-Aggregatoren heute konfrontiert sind. Während sich der Energieübergang fortsetzt, werden solche Innovationen entscheidend dafür sein, Millionen einzelner Elektrofahrzeuge in ein kohärentes, intelligentes und wertvolles Asset für das moderne Stromsystem zu verwandeln.
Hu Junjie, Lu Jiayue, Ma Wenshuai, Li Gengyin, Wang Wen, Yang Ye, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, State Grid Smart Internet of Vehicles Co., Ltd., Automation of Electric Power Systems, DOI: 10.7500/AEPS20231215003