Neues Modell optimiert Elektroautos im Stromnetz
Die Integration von Elektrofahrzeugen (EVs) in bestehende Stromnetze ist eine der zentralen Herausforderungen der Energiewende. Während die Zahl der Elektroautos weltweit rasant steigt – allein in China waren Mitte 2023 bereits über zwölf Millionen EVs zugelassen – wächst auch die Belastung für die Verteilnetze. Unkoordiniertes Laden, insbesondere während Spitzenlastzeiten, kann zu Spannungsschwankungen, Überlastungen und letztlich zu Netzinstabilität führen. Gleichzeitig besitzen Elektrofahrzeuge ein enormes Potenzial, als flexible Lasten oder sogar als dezentrale Energiespeicher zu fungieren, um das Stromnetz zu stabilisieren und die Integration erneuerbarer Energien zu unterstützen. Der Schlüssel liegt in intelligenten Steuerungssystemen, die wirtschaftliche Effizienz mit hoher Systemzuverlässigkeit vereinen.
Ein interdisziplinäres Forscherteam aus China hat nun einen entscheidenden Durchbruch in diesem Bereich erzielt. In einer bahnbrechenden Studie, die kürzlich im renommierten Fachjournal Automation of Electric Power Systems veröffentlicht wurde, stellen Jinpeng Li, Yinliang Xu und ihre Kollegen ein neuartiges Steuerungsmodell vor, das es ermöglicht, Tausende von Elektrofahrzeugen sicher und kosteneffizient in mittelspannungsnahe Verteilnetze zu integrieren. Der Kern des Ansatzes ist ein sogenanntes „verteilungsrobustes gemeinsames Wahrscheinlichkeitsmodell“ (Distributionally Robust Joint Chance Constraint, DRJCC), das erstmals mehrere Unsicherheitsquellen und Netzkriterien gleichzeitig und in ihrer Abhängigkeit zueinander berücksichtigt.
„Traditionelle Methoden haben ihre Grenzen“, erläutert Jinpeng Li, Masterstudent an der Tsinghua Shenzhen International Graduate School und Erstautor der Studie. „Stochastische Optimierung, die auf Szenarien basiert, wird bei großen Systemen extrem rechenintensiv und liefert oft zu ungenaue Ergebnisse, wenn die Anzahl der Szenarien begrenzt ist. Robuste Optimierung hingegen konzentriert sich auf den schlimmstmöglichen Fall, was zu extrem konservativen und damit unnötig teuren Betriebsstrategien führt, die in der Realität kaum eintreten.“ Das von Li und seinem Team entwickelte DRJCC-Modell verfolgt einen dritten, ausgewogenen Weg. Anstatt einzelne Risiken wie Spannungsschwankungen oder Leitungsüberlastungen isoliert zu betrachten, fasst es diese zusammen und legt eine einzige, systemweite Zuverlässigkeitsanforderung fest. Das bedeutet, dass der Netzbetreiber einfach einen Gesamtrisikowert vorgeben kann – beispielsweise, dass das Netz mit einer Wahrscheinlichkeit von 95 Prozent alle Betriebsgrenzen einhält – und das Modell dann automatisch eine kostengünstige Strategie findet, die dieses Ziel erreicht.
Dieser integrierte Ansatz ist entscheidend, da die verschiedenen Risiken im Stromnetz nicht unabhängig voneinander sind. Eine plötzliche hohe Nachfrage durch gleichzeitiges Laden vieler EVs kann nicht nur die Leistung der Leitungen überlasten, sondern auch zu einem Abfall der Spannung führen und gleichzeitig die benötigten Reserven zur Kompensation von Schwankungen in der Wind- und Solarenergie erschöpfen. Frühere Modelle, die diese Risiken getrennt mit individuellen Wahrscheinlichkeitsbeschränkungen behandelten, konnten diese Wechselwirkungen nicht abbilden und führten oft zu suboptimalen oder widersprüchlichen Ergebnissen. Das DRJCC-Modell dagegen erfasst diese Korrelationen und ermöglicht eine ganzheitliche Risikosteuerung.
Die mathematische Lösung eines solchen gemeinsamen Wahrscheinlichkeitsmodells ist jedoch äußerst komplex und bisher als praktisch unlösbar angesehen worden. Hier setzt der zweite große Innovationsschritt der Forscher an. Sie nutzen eine fortschrittliche mathematische Technik, die „optimierte Bonferroni-Näherung“ (Optimized Bonferroni Approximation, OBA). Diese Methode transformiert das unlösbare, implizite Problem in ein handhabbares gemischt-ganzzahliges quadratisches Optimierungsproblem, das von kommerziellen Softwarelösungen effizient bearbeitet werden kann.
Der entscheidende Vorteil der OBA-Methode gegenüber herkömmlichen Näherungen liegt darin, dass die Verteilung des Risikos auf die einzelnen Netzkomponenten – also wie viel Risiko für Spannungsabweichungen, wie viel für Leitungsbelastung und wie viel für Reservemangel akzeptiert wird – nicht im Voraus festgelegt wird. Stattdessen wird dieser Risikoverteilungsgrad selbst zu einer Entscheidungsvariablen des Optimierungsprozesses. „Dies ist ein Paradigmenwechsel“, betont Yinliang Xu, außerordentlicher Professor an der Tsinghua Shenzhen International Graduate School und korrespondierender Autor. „Indem wir das Risiko selbst optimieren, erlaubt unser Modell dem Algorithmus, einen viel intelligenteren Kompromiss zu finden. Es kann beispielsweise ein etwas höheres Risiko für eine geringfügige Spannungsschwankung eingehen, wenn dies eine erhebliche Einsparung bei den teuren Reserven ermöglicht. Dies führt zu einer erheblichen Reduktion der Betriebskosten, ohne die Gesamtzuverlässigkeit zu gefährden.“
Um die Wirksamkeit ihres Modells zu demonstrieren, testeten die Forscher es auf zwei etablierten Benchmark-Netzen: dem modifizierten IEEE 33-Knoten-Netz und dem deutlich größeren IEEE 123-Knoten-Netz. Beide Testsysteme wurden um erneuerbare Erzeugung (Photovoltaik und Wind), dezentrale Kraftwerke und mehrere EV-Ladestationen erweitert, die jeweils Tausende von Fahrzeugen simulierten. Die Unsicherheiten – wie die tatsächliche Einspeisung von Wind und Sonne, der zeitliche Verlauf des nicht-flexiblen Grundlasts, sowie die Ankunfts- und Abfahrzeiten und Ladebedarfe der Elektrofahrzeuge – wurden realistisch anhand historischer Daten modelliert und mit Hilfe von Gaußschen Mischmodellen (Gaussian Mixture Models, GMM) abgebildet, die komplexe, multimodale Verteilungen präzise erfassen können.
Die Ergebnisse waren beeindruckend. Im Vergleich zu einem klassischen stochastischen Optimierungsmodell (SO) war die Betriebskostenreduktion erheblich, aber der entscheidende Vergleich erfolgte mit dem klassischen Bonferroni-Ansatz (BA). Das neue OBA-Modell erreichte eine Kostensenkung von rund 6,5 Prozent gegenüber der BA-Methode, während es gleichzeitig die geforderte Zuverlässigkeit von 95 Prozent einhielt. Das SO-Modell, obwohl es die niedrigsten nominalen Kosten aufwies, versagte völlig in puncto Zuverlässigkeit: In über 85 Prozent der simulierten Szenarien wurden die Netzkriterien verletzt. Das klassische robuste Optimierungsmodell (RO) hingegen war zwar extrem zuverlässig, erreichte aber eine Zuverlässigkeit von über 99 Prozent, was auf Kosten einer um bis zu 15 Prozent höheren Betriebskosten ging – ein klarer Beweis für dessen übermäßige Konservativität.
Ein weiterer entscheidender Vorteil des OBA-Modells ist seine hervorragende Skalierbarkeit. Während die Rechenzeit bei stochastischen Methoden exponentiell mit der Systemgröße ansteigt, blieb die Lösungsdauer des OBA-Modells selbst bei der Simulation von 10.000 Elektrofahrzeugen im 123-Knoten-Netz unter 16 Sekunden. Diese Effizienz ist unerlässlich für eine praktische Anwendung in Echtzeit-Steuerungssystemen von Netzbetreibern, die schnelle und zuverlässige Entscheidungen benötigen.
„Die Rechenzeit ist ein entscheidender Faktor für die Umsetzbarkeit“, bestätigt Hua Feng, leitender Ingenieur bei der State Grid Zhejiang Lishui Power Supply Company und Ko-Autor der Studie. „Viele theoretische Modelle scheitern, sobald sie auf realistische Netze angewandt werden. Unser Ansatz, durch die Aggregation von EV-Flotten und die Nutzung der OBA-Näherung, umgeht das Problem der hohen Dimensionalität und macht das Modell für die Praxis nutzbar.“
Das Modell demonstrierte nicht nur seine Fähigkeit zur Kostenminimierung und Risikosteuerung, sondern auch seine Stärke in der praktischen Netzführung. Es konnte erfolgreich Lastspitzen abflachen (Peak Shaving), indem es das Laden von EVs gezielt in Zeiten niedrigerer Netzauslastung verlagerte. In Simulationen zeigte sich, dass bei einem vorgegebenen Lastspitzenschnitt von 10 Prozent das Modell die Lastkurve effektiv glättete und die Belastung von Transformatoren und Leitungen während der Abendstunden, in denen Haushaltslast und EV-Laden gleichzeitig ansteigen, erheblich reduzierte.
Darüber hinaus integrierte das Modell nahtlos die Bereitstellung von Regelenergie. Es optimierte den Einkauf von Aufwärts- und Abwärtsreserven sowohl von konventionellen Erzeugern als auch von den EV-Aggregatoren, wodurch sichergestellt wurde, dass ausreichend Kapazität vorhanden war, um Netto-Lastabweichungen durch die Schwankungen erneuerbarer Energien und unvorhergesehene EV-Ladespitzen auszugleichen. Dies macht EVs zu wertvollen Partnern für Netzbetreiber, die ihre Systemstabilität erhöhen wollen.
Xiaogang Chen, leitender Ingenieur bei State Grid Zhejiang, hebt die praktischen Implikationen hervor: „Netzbetreiber brauchen Werkzeuge, die nicht nur theoretisch fundiert, sondern auch anwendbar sind. Dieses Modell bietet eine klare Abwägung zwischen Kosten und Zuverlässigkeit, was für die Entscheidungsfindung unter Unsicherheit unerlässlich ist. Wir können nun einen gewünschten Risikowert vorgeben – sagen wir 5 Prozent Wahrscheinlichkeit für eine Regelverletzung – und das Modell liefert eine kostenoptimale Strategie, die dieses Ziel erreicht. Das ist eine enorme Verbesserung gegenüber den bisherigen Ansätzen.“
Ein weiteres innovatives Merkmal des Modells ist die klare Trennung der Unsicherheiten in zwei Kategorien: die Netto-Last (ohne EVs) und die EV-Ladeleistung. Diese zweischichtige Modellierung spiegelt die Realität wider, dass unterschiedliche Unsicherheitsquellen unterschiedliche statistische Eigenschaften aufweisen und verschiedene Teile des Systems beeinflussen. Spannungsverletzungen werden hauptsächlich durch Schwankungen der Netto-Last beeinflusst, während Reservemängel an Ladestationen direkt aus dem Verhalten der EVs resultieren. Durch diese Entkopplung ermöglicht das Modell eine präzisere Risikobewertung und eine klarere Verantwortungszuweisung zwischen Netzbetreiber und EV-Aggregatoren.
Die Verwendung der verteilungsrobusten Optimierung stärkt die Resilienz des Modells weiter. Anstatt eine spezifische Wahrscheinlichkeitsverteilung für die Unsicherheiten vorauszusetzen, betrachtet es eine Familie möglicher Verteilungen, die auf bekannten Momenten (z. B. Mittelwert und Varianz) basieren. Dies macht die Lösung weniger empfindlich gegenüber Fehlern bei der Schätzung der Verteilung – ein häufiges Problem, wenn man sich allein auf historische Daten stützt, die zukünftige Bedingungen nicht repräsentieren.
In der praktischen Anwendung könnte das Modell in die Betriebssysteme von EV-Aggregatoren integriert werden, die als Vermittler zwischen einzelnen Fahrzeugbesitzern und dem Stromnetz fungieren. Diese Aggregatoren können Tausende von EVs bündeln, sie als virtuelles Kraftwerk behandeln und auf Energie- und Reserve-Märkten bieten. Das DRJCC-OBA-Framework würde es ihnen ermöglichen, genauere und zuverlässigere Gebote abzugeben, da ihre Zusagen durch eine rigorose probabilistische Garantie abgesichert wären.
Die Studie unterstreicht auch die Bedeutung der Koordination zwischen verschiedenen Akteuren. Beispielsweise könnte während Zeiten hoher Solarerzeugung die überschüssige Energie gezielt zum Laden von EVs genutzt werden, was Abregelungen reduziert und die Nutzung erneuerbarer Energien verbessert. Umgekehrt könnten EVs mit ausreichendem Batterieladezustand bei einem unerwarteten Rückgang der Solareinspeisung als Backup-Power fungieren, um die Spannungsstabilität und die Frequenzregelung zu unterstützen.
Trotz seiner Stärken sehen die Forscher auch Grenzen. Die aktuelle Version berücksichtigt nicht die potenziellen Diskrepanzen zwischen den geschätzten und den tatsächlichen zugrunde liegenden Verteilungen – eine Lücke, die in zukünftigen Iterationen durch fuzzy Wahrscheinlichkeiten oder ambiguity-averse Optimierung adressiert werden könnte. Außerdem wird der Einfluss der Batteriealterung durch häufiges Laden und Entladen nicht explizit modelliert, könnte aber als Kostenparameter in zukünftigen Versionen eingebunden werden.
Trotzdem sind die Implikationen dieser Forschung weitreichend. Während Städte weltweit auf eine elektrifizierte Mobilität und Klimaneutralität drängen, wird die Fähigkeit, Millionen von Elektrofahrzeugen zu integrieren, ohne die Netzstabilität zu gefährden, kritisch. Das DRJCC-OBA-Modell bietet einen skalierbaren, effizienten und wirtschaftlich sinnvollen Weg dorthin.
Branchenexperten haben die Arbeit bereits gewürdigt. „Dies ist einer der umfassendsten Ansätze, die ich für die Integration von Elektrofahrzeugen in Verteilnetze unter Unsicherheit gesehen habe“, sagte ein unabhängiger Experte für Stromsysteme, der mit der Arbeit vertraut ist. „Es schließt die Lücke zwischen theoretischer Optimierung und praktischem Netzbetrieb und bietet ein realistisches Werkzeug für Netzbetreiber, die sich der EV-Revolution stellen.“
Für politische Entscheidungsträger liefert das Modell eine quantifizierbare Methode, um den Wert der Flexibilität von Elektrofahrzeugen zu bewerten. Indem es zeigt, dass richtig gesteuerte EVs die Systemkosten senken und die Zuverlässigkeit erhöhen können, stärkt es die Argumentation für Anreize, die intelligentes Laden und die Beteiligung am Fahrzeug-zu-Netz (V2G) fördern.
Auch Netzbetreiber profitieren. Mit der Fähigkeit, akzeptable Risikowerte vorzugeben und in Sekunden optimierte Steuerungsstrategien zu erhalten, gewinnen sie eine größere Kontrolle über ihre Netze. Dies ist besonders wertvoll in Regionen mit hohem Anteil erneuerbarer Energien, wo Volatilität die Regel ist.
Für die Zukunft plant das Forscherteam, das Modell in Pilotprojekten mit der State Grid in der realen Welt zu testen. Feldversuche werden die Leistung unter tatsächlichen Netzbedingungen, einschließlich Kommunikationsverzögerungen, Messfehlern und menschlichen Entscheidungsprozessen, bewerten.
Zusammenfassend stellt die Arbeit von Li, Xu, Feng, Chen, Zhan und Zhang einen bedeutenden Fortschritt bei der intelligenten Integration von Elektrofahrzeugen in moderne Stromsysteme dar. Indem sie fortgeschrittene Optimierungstheorie mit praktischen ingenieurtechnischen Überlegungen verbinden, haben sie ein Werkzeug entwickelt, das nicht nur mathematisch elegant, sondern auch betrieblich umsetzbar ist. Während die Welt sich einer elektrifizierten Zukunft der Mobilität nähert, werden solche Innovationen entscheidend dafür sein, dass das Stromnetz stabil, effizient und resilient bleibt.
Jinpeng Li, Hua Feng, Xiaogang Chen, Hanbing Zhan, Zhenbin Zhan, Yinliang Xu, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230830009