Neue Studie optimiert E-Auto-Ladeinfrastruktur auf dem Land
Ein bahnbrechendes Forschungsprojekt, das kürzlich in der Fachzeitschrift Northeast Electric Power Technology veröffentlicht wurde, stellt eine umfassende Planungsstrategie für die Integration von Elektrofahrzeugen (E-Autos) und dezentraler Solarenergie in ländlichen Stromnetzen vor. Die Studie, geleitet von ZHANG Hui vom Shenyang Institute of Engineering und der State Grid Chengde Power Supply Company, in Zusammenarbeit mit WANG Cunxu und WANG Liang, liefert eine präzise Antwort auf eine der größten Herausforderungen im chinesischen Energieübergang: Wie kann die Ladeinfrastruktur für E-Autos in ländlichen Gebieten ausgebaut werden, ohne die Stabilität und Wirtschaftlichkeit der bestehenden Stromnetze zu gefährden?
Während chinesische Städte in den letzten Jahren eine explosionsartige Entwicklung der E-Auto-Ladeinfrastruktur erlebt haben, blieben ländliche Regionen weitgehend zurück. Dieses Ungleichgewicht ist mehr als nur ein logistisches Problem; es offenbart tiefgreifende technische, wirtschaftliche und infrastrukturelle Hindernisse. Die Stromnetze auf dem Land, ursprünglich für eine geringe und gleichmäßige Last aus Landwirtschaft und Haushalten ausgelegt, sind nicht für die plötzlichen und hohen Spitzenlasten gerüstet, die durch die gleichzeitige Ladung mehrerer E-Autos entstehen können. Hinzu kommt die Integration dezentraler Photovoltaik-Anlagen auf Dächern, deren Erzeugung durch Wetter und Tageszeit stark schwankt. Diese Doppellast – unvorhersehbare Verbrauchsspitzen und fluktuierende Einspeisung – stellt die Netze vor eine immense Herausforderung und kann zu Spannungsschwankungen, erhöhten Netzverlusten und letztendlich zu Netzinstabilität führen.
Die vorliegende Studie greift diese komplexen Wechselwirkungen auf und präsentiert ein neuartiges, zweistufiges Optimierungsmodell, das sowohl wirtschaftliche Effizienz als auch technische Sicherheit in den Mittelpunkt stellt. Der Schlüssel zum Erfolg liegt in einem tiefen Verständnis des Nutzerverhaltens in ländlichen Gebieten, ein Aspekt, der in herkömmlichen, stadtzentrierten Planungsansätzen oft vernachlässigt wird. Die Forscher nutzen die sogenannte „Reiseketten-Theorie“, um realistische Lademuster für E-Autos auf dem Land zu simulieren. Im Gegensatz zu städtischen Pendlerströmen, die sich um die klassischen Hauptverkehrszeiten konzentrieren, zeigen ländliche Nutzer ein anderes Reiseverhalten. Ihre Fahrten beginnen oft später am Morgen und enden früher am Nachmittag, typischerweise für Aktivitäten wie Besuche bei Verwandten, Einkäufe auf dem Wochenmarkt oder landwirtschaftliche Tätigkeiten. Diese spezifischen Reisegewohnheiten haben einen direkten und signifikanten Einfluss darauf, wann und wo die Nachfrage nach Ladepunkten am höchsten ist.
Um die inhärente Zufälligkeit und Variabilität sowohl des E-Auto-Nutzungsverhaltens als auch der Solarenergieerzeugung zu erfassen, setzen die Wissenschaftler auf Monte-Carlo-Simulationen und die Latin-Hypercube-Stichprobenmethode. Diese fortgeschrittenen statistischen Verfahren ermöglichen es, eine breite Palette möglicher Szenarien zu generieren, wodurch das Planungsmodell gegenüber Unsicherheiten robust wird. Für die Modellierung der Solarenergieerzeugung wenden die Forscher den k-means-Clustering-Algorithmus an, um fünf typische tägliche Erzeugungsprofile zu identifizieren, jedes mit einer eigenen Eintrittswahrscheinlichkeit. Dieser Ansatz ermöglicht es Planern, unterschiedliche Wetterbedingungen und saisonale Schwankungen zu berücksichtigen, ohne das Modell übermäßig zu verkomplizieren.
Das Herzstück der Studie ist ein mehrzielorientiertes, zweistufiges Programmierungsmodell. Die obere Ebene des Modells konzentriert sich auf die Minimierung der gesamtwirtschaftlichen jährlichen Kosten. Diese Gesamtkosten umfassen nicht nur die direkten Ausgaben für den Bau und Betrieb der Ladestationen, sondern auch indirekte Kosten, die von den Nutzern und dem Stromnetz selbst getragen werden. Diese indirekten Kosten werden in traditionellen Planungen oft ignoriert, sind aber entscheidend für eine ganzheitliche Bewertung. So stellt die Zeit, die Nutzer für die Anfahrt zu einer Ladestation und das Warten auf einen freien Platz aufwenden, eine reale wirtschaftliche Belastung dar, insbesondere in dünn besiedelten Gebieten mit größeren Distanzen. Ebenso haben die Belastungen, die das Laden von E-Autos auf das Netz ausübt – sichtbar in Form erhöhter Leistungsverluste und Spannungsschwankungen – finanzielle Konsequenzen, die in den Planungsprozess einfließen müssen.
Die untere Ebene des Modells verlagert den Fokus von der Wirtschaftlichkeit hin zur technischen Leistungsfähigkeit. Ihr Ziel ist die Minimierung der aktiven Netzverluste und der Spannungsabweichungen im Verteilnetz. Dieses Doppelziel stellt sicher, dass das Netz stabil und effizient bleibt, auch bei hohem E-Auto-Anteil und schwankender Solarenergieeinspeisung. Die Berücksichtigung der Spannungsstabilität als zentrales Kriterium ist besonders wichtig für ländliche Netze, die oft bereits an den unteren Grenzen des zulässigen Spannungsbereichs operieren. Plötzliche Lastspitzen durch das Laden von E-Autos können diese Systeme aus dem Gleichgewicht bringen und zu Schäden an Geräten sowie zu einer schlechten Stromqualität für alle Verbraucher führen.
Um dieses komplexe Optimierungsproblem zu lösen, entwickelten die Forscher einen hybriden Algorithmus, der die Stärken von Voronoi-Diagrammen und einem verbesserten Particle-Swarm-Optimization-Algorithmus (PSO) kombiniert. Voronoi-Diagramme, ein geometrisches Werkzeug, das einen Raum in Regionen basierend auf der Nähe zu bestimmten Punkten unterteilt, werden verwendet, um die Versorgungsbereiche jeder Ladestation zu definieren. Dies gewährleistet, dass jeder Nachfragepunkt dem nächstgelegenen verfügbaren Ladepunkt zugeordnet wird, was eine natürliche und effiziente räumliche Verteilung schafft. Gleichzeitig übernimmt der verbesserte PSO-Algorithmus die globale Suche nach der optimalen Lösung. Durch die dynamische Anpassung des Trägheitsgewichts und der Beschleunigungskoeffizienten vermeidet der Algorithmus, in lokalen Optima stecken zu bleiben – ein häufiges Problem bei herkömmlichen PSO-Methoden – und konvergiert schneller und zuverlässiger zur bestmöglichen Konfiguration.
Die praktische Anwendung dieses Modells wurde anhand einer Fallstudie in einem neu erschlossenen ländlichen Bezirk mit einer Fläche von etwa 60 Quadratkilometern demonstriert. Das Gebiet, das von einem modifizierten 33-Knoten-Verteilnetz versorgt wird, weist 49 Knoten im Straßennetz und eine Mischung aus Wohn-, landwirtschaftlichen und gewerblichen Flächen auf. Nach umfangreichen Simulationen ermittelte das Modell, dass die optimale Anzahl an Ladestationen für dieses Gebiet fünf beträgt. Weniger Stationen würden zu übermäßigen Nutzerfahrzeiten und Staus führen, während mehr Stationen die Bau- und Betriebskosten über den Punkt der abnehmenden Rendite hinaustreiben würden.
Die gesamtwirtschaftlichen jährlichen Kosten unter dieser optimalen Konfiguration beliefen sich auf 5,29 Millionen Yuan. Diese Summe setzt sich aus mehreren Komponenten zusammen: 7,4 Millionen Yuan für Bau und Wartung (auf 20 Jahre verteilt), 3,67 Millionen Yuan für die Fahrzeit der Nutzer, 1,05 Millionen Yuan für Strafen aufgrund von Spannungsabweichungen und 3,88 Millionen Yuan für Netzverluste. Obwohl einige dieser Einzelkosten hoch erscheinen mögen, ist die entscheidende Erkenntnis, dass ihre Summe minimiert wird. Dies spiegelt einen ausgewogenen Kompromiss zwischen den Interessen der verschiedenen Stakeholder wider. Beispielsweise könnte die Hinzufügung einer sechsten Station die Wartezeit der Nutzer reduzieren, aber die zusätzlichen Baukosten und Netzverluste würden den Nutzen übersteigen und zu höheren Gesamtkosten führen.
Die räumliche Anordnung der fünf Stationen offenbart ein klares Muster der Versorgungsbereichsoptimierung. Die größte Versorgungszone, im roten Bereich der Studie dargestellt, umfasst 22 Nachfragepunkte und erfordert 18 Ladepunkte, was die hohe Aktivitätsdichte in diesem Teil des Bezirks widerspiegelt. Im Gegensatz dazu bedient die kleinste Zone, blau markiert, nur zwei Nachfragepunkte und benötigt lediglich sieben Ladepunkte. Dieser granulare, datengesteuerte Ansatz stellt sicher, dass Ressourcen dort eingesetzt werden, wo sie am dringendsten benötigt werden, und vermeidet die Ineffizienzen einer pauschalen, flächendeckenden Strategie.
Vielleicht ist der bedeutendste Beitrag der Studie die Behandlung der Netzstabilität. Die Forscher stellten fest, dass ohne eine angemessene Blindleistungsoptimierung die Integration von E-Autos und Solaranlagen zu schwerwiegenden Spannungsschwankungen und erheblichen Leistungsverlusten führen könnte. In ihrer Simulation verzeichnete das nicht optimierte System einen maximalen aktiven Leistungsverlust von 0,386 Megawatt und einen täglichen Gesamtverlust von 4,471 Megawattstunden. Nach Anwendung des vorgeschlagenen Optimierungsalgorithmus sanken diese Werte auf 0,271 Megawatt bzw. 2,849 Megawattstunden – eine Reduktion von fast 37 Prozent. Diese Verbesserung spart nicht nur Energie, sondern verlängert auch die Lebensdauer der Netzgeräte und verbessert die Servicequalität für alle Kunden.
Die Spannungsstabilität zeigte ähnliche Verbesserungen. Vor der Optimierung fiel die Spannung am Knoten 18 unter 0,93 Per-Unit (p.u.), was außerhalb des akzeptablen Bereichs von 0,93 bis 1,05 p.u. lag. Nach der Optimierung stieg die Spannung auf 0,95 p.u., wodurch das Risiko von Unterspannungsbedingungen beseitigt wurde. Die gesamte Spannungsabweichung im Netz wurde um über 40 Prozent reduziert, von 36,638 auf 21,739 p.u.-Stunden. Diese Ergebnisse belegen, dass ländliche Netze mit den richtigen Planungs- und Steuerungsstrategien hohe Anteile dezentraler Energiequellen aufnehmen können, ohne ihre Zuverlässigkeit zu beeinträchtigen.
Der Erfolg des verbesserten PSO-Algorithmus zeigte sich auch in seinem Konvergenzverhalten. Im Gegensatz zum Standard-PSO, der schnell in einer suboptimalen Lösung stagnierte, verfeinerte die erweiterte Version ihre Suche während des gesamten Iterationsprozesses weiter. Diese Fähigkeit, lokale Optima zu verlassen und den Lösungsraum gründlicher zu erkunden, ist entscheidend für die Lösung realer Probleme mit vielen Variablen und Einschränkungen. Die Kombination mit Voronoi-Diagrammen verbesserte die Leistung des Algorithmus zusätzlich, indem sie eine strukturierte Möglichkeit bot, verschiedene räumliche Konfigurationen zu untersuchen.
Diese Forschung hat wichtige Implikationen für politische Entscheidungsträger, Energieversorger und Automobilhersteller. Für Regierungen bietet sie eine wissenschaftlich fundierte Methodik, um öffentliche Mittel für die ländliche Ladeinfrastruktur zielgerichtet einzusetzen. Anstatt auf willkürliche Quoten oder politische Erwägungen zu setzen, können Planer nun datengestützte Modelle nutzen, um die kosteneffektivsten Standorte und Kapazitäten für neue Stationen zu identifizieren. Für Versorger liefert die Studie einen Fahrplan für die Modernisierung ländlicher Netze, um zukünftige Lasten zu bewältigen, nicht nur von E-Autos, sondern auch von anderen Formen dezentraler Energieerzeugung. Und für Automobilhersteller signalisiert sie, dass der E-Auto-Markt sich über die Städte hinaus ausdehnt und neue Chancen in bisher unterversorgten Regionen eröffnet.
Die Studie unterstreicht auch die Bedeutung der interdisziplinären Zusammenarbeit bei der Bewältigung komplexer Energieherausforderungen. Das Team brachte Expertise aus den Bereichen Stromnetztechnik, Verkehrsmodellierung und computergestützter Optimierung zusammen, um eine ganzheitliche Lösung zu schaffen. Dieser integrative Ansatz wird zunehmend notwendig, da die Grenzen zwischen verschiedenen Sektoren – Strom, Verkehr und Informationstechnologie – in der Ära intelligenter Netze und vernetzter Fahrzeuge verschwimmen.
Ausblickend schlagen die Forscher mehrere Ansätze für zukünftige Arbeiten vor. Einer ist die Einbindung von Demand-Response-Mechanismen, die es ermöglichen, das Laden von E-Autos auf Zeiten zu verlegen, in denen die Solarenergieerzeugung hoch und die Netzlast niedrig ist. Ein weiterer ist die Betrachtung von Batteriespeichersystemen an Ladestationen, die die Leistungsflüsse weiter glätten und Notstromversorgung bei Ausfällen bereitstellen könnten. Darüber hinaus könnte das Modell auf andere Arten dezentraler Energiequellen erweitert werden, wie Windturbinen oder Biogasanlagen, wodurch es auf eine breitere Palette ländlicher Umgebungen anwendbar wird.
Zusammenfassend stellt die Studie von ZHANG Hui, WANG Cunxu und WANG Liang einen bedeutenden Schritt nach vorn bei der Planung der ländlichen E-Auto-Infrastruktur dar. Durch die Kombination von Verhaltensmodellierung, stochastischer Simulation und fortgeschrittenen Optimierungstechniken haben sie ein praktisches und effektives Werkzeug entwickelt, um wirtschaftliche und technische Ziele auszugleichen. Ihre Arbeit trägt nicht nur zur wissenschaftlichen Literatur bei, sondern liefert auch handfeste Erkenntnisse für Praktiker, die daran arbeiten, eine nachhaltigere und gerechtere Energiewelt aufzubauen. Während China seinen Weg zur Kohlenstoffneutralität fortsetzt, werden Studien wie diese eine entscheidende Rolle dabei spielen, sicherzustellen, dass keine Gemeinschaft bei der sauberen Energiewende zurückgelassen wird.
ZHANG Hui, WANG Cunxu, WANG Liang, Northeast Electric Power Technology, DOI: 10.19759/j.nep.2024.07.002