Neues Modell hilft E-Autofahrern bei intelligenter Netznutzung
Die Elektromobilität durchläuft eine Phase tiefgreifender Transformation. Weg von der reinen Fortbewegungsfunktion hin zu einer aktiven Rolle im Energiesystem – als flexibler Speicher, als dynamischer Teilnehmer an der Netzstabilisierung. Ein neuer Forschungsansatz aus China zeigt, wie Fahrer von Elektrofahrzeugen (EVs) nicht nur emissionsfrei unterwegs sein, sondern auch bewusst und psychologisch fundiert zur Stabilität des Stromnetzes beitragen können.
Ein Team um Wang Liwei, Wang Haotian und Sun Yingyun von der School of Electrical and Electronic Engineering der North China Electric Power University hat ein neuartiges Entscheidungsmodell entwickelt, das E-Autofahrern hilft, sich optimal am sogenannten Regelenergiemarkt zu beteiligen. Dabei geht das Modell über rein technische oder finanzielle Optimierung hinaus und berücksichtigt erstmals systematisch die psychologischen Faktoren, die menschliches Verhalten in unsicheren Situationen prägen. Die Ergebnisse wurden im Fachjournal Modern Electric Power veröffentlicht und stellen einen bedeutenden Schritt dar, um die tatsächliche Teilnahme von Privatfahrzeugen an Vehicle-to-Grid (V2G)-Anwendungen zu erhöhen.
Der Hintergrund ist klar: Mit dem rasanten Anstieg der Zahl elektrischer Fahrzeuge wächst auch ihr Potenzial, das Stromnetz zu entlasten und zu stabilisieren. Besonders in Zeiten hoher Einspeisung erneuerbarer Energien wie Wind und Sonne sind schnelle, präzise Reaktionen auf Frequenzschwankungen notwendig. Elektrofahrzeuge sind dafür ideal geeignet. Sie können innerhalb von Sekunden ihre Ladeleistung anpassen oder sogar Strom ins Netz zurückspeisen – eine Fähigkeit, die traditionelle Kraftwerke nicht in dieser Geschwindigkeit bieten können. Doch bisher bleibt die tatsächliche Nutzung dieses Potenzials hinter den Erwartungen zurück. Die Gründe liegen weniger in der Technik, sondern vielmehr in der Komplexität der Märkte, der Unsicherheit über Erträge und, nicht zuletzt, in der menschlichen Psyche.
Genau hier setzt die Forschungsarbeit an. Die Autoren argumentieren überzeugend, dass klassische wirtschaftliche Modelle, die davon ausgehen, dass Nutzer vollständig rational handeln und stets die finanziell optimale Entscheidung treffen, die Realität nicht abbilden. In der Praxis entscheiden Menschen nicht nur nach reinen Zahlen, sondern nach Gefühlen, Ängsten, Erwartungen und der Art und Weise, wie sie Gewinne und Verluste wahrnehmen. Um dieses Verhalten zu erfassen, greifen die Forscher auf die sogenannte Prospect Theory zurück – eine bahnbrechende Theorie der Verhaltensökonomie, die von Daniel Kahneman und Amos Tversky entwickelt wurde und für die Kahneman später den Wirtschaftsnobelpreis erhielt.
Die Kernidee der Prospect Theory ist, dass Menschen nicht absolute Werte bewerten, sondern Veränderungen relativ zu einem Referenzpunkt – meist dem Status quo. Ein Verlust schmerzt dabei psychologisch viel stärker als ein gleich hoher Gewinn Freude bereitet. Diese Asymmetrie, bekannt als „Loss Aversion“, ist ein zentraler Hebel für das Verständnis von Entscheidungen unter Unsicherheit. Genau diese Unsicherheit herrscht auf dem Regelenergiemarkt: Fahrer müssen am Vortag („day-ahead“) eine Leistung und einen Preis anbieten, wissen aber nicht, ob und wie oft ihr Fahrzeug tatsächlich aktiviert wird und wie hoch der finale Ertrag sein wird. Hinzu kommt die Sorge um die Batterie: Jede zusätzliche Lade- und Entladezyklus beschleunigt den natürlichen Alterungsprozess und mindert den Langzeitwert des Fahrzeugs.
Das neue Modell integriert diese beiden entscheidenden Faktoren – den finanziellen Ertrag und den Zustand der Batterie – in einen gemeinsamen psychologischen Rahmen. Es definiert einen Referenzpunkt, der dem Szenario entspricht, einfach nur zu Hause zu laden, ohne am Regelenergiemarkt teilzunehmen. Alle anderen Optionen werden dann relativ zu diesem Referenzpunkt bewertet. Der mögliche Ertrag wird als potenzieller Gewinn, die zusätzliche Batteriebelastung als potenzieller Verlust betrachtet. Die individuelle Gewichtung dieser beiden Aspekte – wie wichtig ist mir das zusätzliche Geld im Vergleich zur Batteriegesundheit? – wird durch Gewichtungsfaktoren im Modell abgebildet. Das Ergebnis ist ein „kombinierter Erwartungswert“ („comprehensive prospect value“), der die psychologische Attraktivität jeder Option quantifiziert. Die beste Wahl ist dann nicht unbedingt die mit dem höchsten theoretischen Gewinn, sondern die, die diesen kombinierten Wert maximiert – also diejenige, die am besten zu der individuellen Risikowahrnehmung und den persönlichen Prioritäten des Fahrers passt.
Um die Anwendung für die Praxis zu erleichtern, haben die Forscher drei konkrete und vereinfachte Teilnahmemodelle definiert, aus denen der Nutzer wählen kann:
Modus 1: Nur Laden. Keine aktive Teilnahme am Regelenergiemarkt. Das Fahrzeug lädt mit konstanter Leistung, basierend auf den günstigsten Tarifen. Dies ist der Referenzpunkt, der mit keinem zusätzlichen Batterieverschleiß verbunden ist, aber auch keine zusätzlichen Einnahmen generiert.
Modus 2: Bidirektionales Laden. Das Fahrzeug kann seine Ladeleistung dynamisch anpassen. Bei einem Anstieg der Netzfrequenz kann es die Ladung drosseln („Hochregelung“), bei einem Absinken die Ladung erhöhen („Tiefregelung“). Es wird jedoch nicht aktiv Strom ins Netz zurückspeisen. Dieser Modus bietet ein mittleres Maß an Flexibilität und Einkommenspotenzial bei moderater zusätzlicher Belastung der Batterie.
Modus 3: Volles V2G. Das Fahrzeug nutzt seine volle Flexibilität. Es kann nicht nur die Ladung drosseln oder erhöhen, sondern auch aktiv Strom aus der Batterie ins Netz einspeisen oder den Entladevorgang verlangsamen. Dieser Modus ermöglicht die höchste mögliche Reserveleistung und die niedrigsten Angebotspreise, was die Wahrscheinlichkeit erhöht, auf dem Markt ausgewählt zu werden. Gleichzeitig führt er aber auch zu den tiefsten Zyklen und damit zu der höchsten potenziellen Batteriealterung.
Die Simulationen, die auf realen Marktdaten aus dem US-amerikanischen PJM-Interconnection-Netz und Tarifstrukturen aus der chinesischen Provinz Guangdong basieren, zeigen eindrucksvoll, wie sich die optimale Wahl je nach individueller Situation und Einstellung ändert. Bei Fahrern mit kurzer Ladezeit oder einem hohen gewünschten Ladezustand beim Verlassen der Garage (z. B. für eine lange Reise) ist Modus 1 oft die psychologisch beste Wahl. Der sichere Ladevorgang und die vermeidete Batteriebelastung wiegen den potenziellen Ertrag auf. Bei Fahrern mit längerer Standzeit und niedrigerem Abfahr-Ladezustand hingegen kann Modus 3 die optimale Option sein, da das hohe Einkommenspotenzial den psychologischen „Schmerz“ der zusätzlichen Batteriebelastung überwiegt. Interessant ist auch ein Mittelweg: In bestimmten Szenarien, wo weder die finanzielle Motivation noch die Sorge um die Batterie extrem ausgeprägt ist, erweist sich Modus 2 als die beste Wahl. Dies unterstreicht die Stärke des Modells, subtile Nuancen menschlichen Verhaltens zu erfassen.
Ein besonders aufschlussreiches Ergebnis der Studie ist die Rolle der Gewichtung. Wenn ein Fahrer den finanziellen Ertrag sehr hoch gewichtet, tendiert er klar zu Modus 3. Wenn er hingegen den Zustand der Batterie besonders schätzt, wird Modus 2 oder sogar Modus 1 attraktiver. Dieses dynamische Verhalten macht das Modell zu einem leistungsfähigen Werkzeug für Aggregatoren – Unternehmen, die tausende von E-Fahrzeugen bündeln, um als große Einheit auf dem Großhandelsmarkt zu handeln. Statt alle Fahrzeuge nach dem gleichen, technisch optimalen Schema zu steuern, können Aggregatoren mit diesem Modell personalisierte Pakete anbieten. Ein „Aggressives Paket“ für Ertragsorientierte mit vollem V2G, ein „Konservatives Paket“ für Sicherheitsorientierte mit bidirektionalem Laden oder nur Laden. Dies fördert nicht nur die Akzeptanz, sondern auch die langfristige Bindung der Kunden.
Für das Stromnetz selbst hat diese Forschung weitreichende Implikationen. Ein höherer Anteil an aktiven, intelligenten Teilnehmern wie E-Autos erhöht die Flexibilität und Resilienz des Systems. Die Integration volatiler erneuerbarer Energien wird dadurch einfacher und kostengünstiger. Die Arbeit zeigt, dass die Skalierung dieser Technologien nicht nur eine technische, sondern vor allem eine sozio-technische Herausforderung ist. Die Brücke zwischen komplexer Energiewirtschaft und dem Alltag des einzelnen Fahrers muss geschlagen werden.
Die Autoren betonen, dass ihr Modell kein Ersatz für technische Optimierung ist, sondern eine notwendige Ergänzung. Es erweitert die reine Kosten-Nutzen-Rechnung um die entscheidende Dimension der menschlichen Wahrnehmung. Die Zukunft der Energieversorgung wird von der Fähigkeit abhängen, Systeme zu entwerfen, die nicht nur effizient sind, sondern auch intuitiv verständlich und psychologisch akzeptabel für die Nutzer. Ein solches Modell könnte in Zukunft direkt in das Infotainment-System eines Fahrzeugs oder in eine Lade-App integriert werden. Statt dem Fahrer komplexe Marktdaten vorzulegen, könnte das System eine einfache Empfehlung aussprechen: „Basierend auf Ihrem Fahrplan und Ihren Präferenzen empfehlen wir Modus 2. Erwarteter Ertrag: 5 Euro. Zusätzlicher Batterieverschleiß: gering.“
Die Studie öffnet auch die Tür für weitere Forschung. Wie verändern sich die Präferenzen eines Nutzers im Laufe der Zeit? Kann das Modell durch maschinelles Lernen individualisiert werden? Und wie lassen sich nicht-finanzielle Motive, wie der Wunsch, aktiv zum Klimaschutz beizutragen, in die Bewertung einbeziehen? Diese Fragen sind für die langfristige Gestaltung eines nachhaltigen und nutzerzentrierten Energiesystems von zentraler Bedeutung.
Zusammenfassend lässt sich sagen, dass diese Arbeit einen paradigmatischen Wandel in der Betrachtung von Elektrofahrzeugen im Energiesystem darstellt. Sie verschiebt den Fokus von der Fahrzeugbatterie als reinem technischem Asset hin zum Fahrer als einem psychologisch komplexen Akteur. Indem sie die Realität menschlichen Entscheidens ernst nimmt, liefert sie nicht nur ein wissenschaftlich fundiertes Modell, sondern auch eine praktische Anleitung, um das immense, bisher ungenutzte Potenzial der Millionen von Elektrofahrzeugen auf den Straßen weltweit endlich vollständig zu erschließen. Der Weg zu einem smarteren Grid führt nicht nur über bessere Algorithmen, sondern auch über ein tieferes Verständnis der Menschen, die dieses Netz nutzen.
Wang Liwei, Wang Haotian, Sun Yingyun, North China Electric Power University, Modern Electric Power, DOI: 10.19725/j.cnki.1007-2322.2022.0282