Optimierung der Speicherkapazität für PV-Ladestationen

Optimierung der Speicherkapazität für PV-Ladestationen

Die globale Energiewende und der Übergang zu einer kohlenstoffarmen Zukunft haben die Elektromobilität in den Fokus der öffentlichen und wissenschaftlichen Debatte gerückt. Mit steigender Zahl an Elektrofahrzeugen (EVs) wächst auch die Nachfrage nach nachhaltiger Ladeinfrastruktur. Photovoltaik-Ladesysteme mit integrierter Energiespeicherung (PSCS) gelten als vielversprechende Lösung, um den Energiebedarf von Elektrofahrzeugen direkt vor Ort durch Solarenergie zu decken. Doch die effiziente Planung solcher Systeme ist komplex – vor allem, wenn Unsicherheiten bei der Solarstromerzeugung und dem Ladeverhalten der Nutzer berücksichtigt werden müssen.

Ein Forschungsteam unter der Leitung von Jiang Yu von der School of Electric Power Engineering an der Nanjing Institute of Technology hat nun einen neuartigen Ansatz zur Optimierung der Speicherkapazität von PSCS entwickelt. Die Studie, an der auch Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu und Shan Tingting beteiligt waren, stellt ein umfassendes Modell vor, das sowohl die Variabilität der Sonneneinstrahlung als auch das reale Ladeverhalten von Fahrern berücksichtigt. Die Arbeit wurde in der Fachzeitschrift Zhejiang Electric Power veröffentlicht und bietet praktische Lösungen für Betreiber von Ladestationen, die Wirtschaftlichkeit und Umweltverträglichkeit vereinen wollen.

Die Herausforderung: Unvorhersehbare Sonne und variierendes Nutzerverhalten

Photovoltaik-Ladestationen kombinieren Solarmodule, Batteriespeicher und Ladesäulen zu einem intelligenten System, das möglichst viel Solarstrom direkt für das Laden von Elektrofahrzeugen nutzt. Überschüssige Energie wird gespeichert oder ins Netz eingespeist. Im Idealfall reduziert ein solches System die Abhängigkeit vom konventionellen Stromnetz, senkt die Betriebskosten und verringert die CO₂-Emissionen.

Allerdings ist die Leistung von Solaranlagen starken Schwankungen unterworfen – je nach Tageszeit, Wetterlage, Jahreszeit und Bewölkung. Gleichzeitig unterscheidet sich das Ladeverhalten der Nutzer erheblich: Während Busse feste Fahrpläne einhalten, laden Taxis oft während der Mittagspause oder nachts, und Privatfahrer laden meist nach der Heimkehr von der Arbeit oder am Wochenende. Diese Dynamik macht die Planung einer optimalen Speicherkapazität zu einer Herausforderung.

Bisherige Modelle zur Dimensionierung von Energiespeichern stützten sich oft auf durchschnittliche oder typische Sonneneinstrahlungsdaten, was zu suboptimalen Ergebnissen führt. Ein zu großer Speicher erhöht die Investitionskosten unnötig, während ein zu kleiner Speicher die Versorgungssicherheit beeinträchtigt und zusätzliche Netzbezugskosten verursacht. Um diese Lücke zu schließen, hat das Team um Jiang Yu ein datenbasiertes, mehrszenarienfähiges Modell entwickelt, das sowohl die Unsicherheit der PV-Produktion als auch das dynamische Verhalten der Nutzer realistisch abbildet.

Realistische Szenarien durch verbessertes K-Means-Clustering

Ein zentraler Baustein der neuen Methode ist die Erzeugung repräsentativer Szenarien für die Solarenergieerzeugung. Statt mit einem einzigen „typischen Tag“ zu arbeiten, analysierten die Forscher historische PV-Daten aus einer Stadt im Süden Chinas über ein ganzes Jahr. Um die natürliche Variabilität der Sonneneinstrahlung abzubilden, nutzten sie einen verbesserten K-Means-Clustering-Algorithmus.

Der klassische K-Means-Ansatz neigt dazu, bei ungünstiger Wahl der Startzentren in lokalen Minima zu landen, was die Qualität der Cluster beeinträchtigt. Die Forscher umgingen dieses Problem, indem sie die Anfangszentren so wählten, dass sie möglichst weit voneinander entfernt liegen – eine Technik, die die Stabilität und Robustheit des Clustering verbessert. Zudem ersetzten sie den üblichen euklidischen Abstand durch eine Gauß-Kernfunktion, die nichtlineare Beziehungen zwischen den Datenpunkten besser erfassen kann.

Die Ergebnisse sprechen für sich: Mit der verbesserten Methode erreichte das Team einen Silhouettenkoeffizienten von 0,628 – ein Maß für die Güte der Clusterbildung. Dieser Wert liegt deutlich über dem des klassischen K-Means (0,478) und des K-Means++-Verfahrens (0,598). Ein höherer Koeffizient bedeutet, dass die Cluster klarer voneinander getrennt und homogener innerhalb sind, was zu realistischeren Szenarien führt.

Aus den Daten wurden drei Hauptszenarien identifiziert: ein sonniges Szenario mit hoher PV-Ausbeute (Wahrscheinlichkeit: 54,64 %), ein bewölktes Szenario mit mittlerer Leistung (27,89 %) und ein stark bewölktes oder regnerisches Szenario mit geringer Erzeugung (17,48 %). Diese Szenarien bilden die Grundlage für eine stochastische Optimierung, bei der die Speicherkapazität so dimensioniert wird, dass sie unter allen erwartbaren Bedingungen wirtschaftlich und zuverlässig funktioniert.

Detaillierte Modellierung des Ladeverhaltens

Neben der Solarenergieerzeugung ist das Nutzerverhalten der zweite entscheidende Unsicherheitsfaktor. Die Forscher berücksichtigten daher nicht nur, wann und wie lange Fahrzeuge laden, sondern auch, wie sich Umweltfaktoren wie Temperatur auf den Energieverbrauch auswirken.

Die Studie unterscheidet zwischen drei Fahrzeugtypen: Bussen, Taxis und Privatfahrzeugen. Jeder Typ weist charakteristische Nutzungsmuster auf:

• Busse haben feste Fahrpläne und fahren täglich zwischen 140 und 200 Kilometer. Ihre Batteriekapazität beträgt 324 kWh, und der Verbrauch liegt bei etwa 1 kWh pro Kilometer. Aufgrund ihres hohen Energiebedarfs laden sie zweimal täglich – mittags und nachts – um die Reichweite für den nächsten Tag sicherzustellen.

• Taxis sind oft bis zu 400 km pro Tag unterwegs und benötigen daher ebenfalls zwei Ladevorgänge. Sie laden in der Mittagspause und nachts während der Schichtwechsel. Um den Ertrag zu maximieren, vermeiden sie Ladevorgänge in den Stoßzeiten.

• Privatfahrzeuge haben ein flexibleres Nutzungsprofil. Die durchschnittliche Tagesfahrt beträgt 70 km, und der Verbrauch liegt bei 0,149 kWh/km unter Standardbedingungen. Da ihre Reichweite in der Regel ausreicht, reicht ein einmaliges Laden pro Tag aus – meist nach der Heimkehr am Abend oder am Wochenende.

Ein besonderer Fokus der Studie liegt auf dem Einfluss der Außentemperatur auf den Energieverbrauch. Bei extremen Temperaturen steigt der Verbrauch, da Klimaanlage oder Heizung zusätzliche Energie benötigen. Die Forscher nutzten eine kubische Polynomfunktion, um diesen Zusammenhang zu modellieren:
[ E_i = lambda_0 + lambda_1 T_i + lambda_2 T_i^2 + lambda_3 T_i^3 ]
mit empirisch ermittelten Koeffizienten. Dies ermöglicht eine präzisere Vorhersage des täglichen Ladebedarfs je nach Jahreszeit.

Um die Unsicherheit im Fahr- und Ladeverhalten abzubilden, setzten die Forscher die Monte-Carlo-Simulation ein. Dabei wurden Tausende von Szenarien durchgespielt, bei denen Startzeitpunkte und tägliche Fahrleistung zufällig aus statistischen Verteilungen gezogen wurden. Die aggregierten Ergebnisse ergaben eine realistische Lastkurve für die Ladestation, die sowohl Spitzenlasten als auch Niedriglastphasen realitätsnah darstellt.

Demand Response: Nutzer als aktive Teilnehmer

Ein weiterer innovativer Aspekt der Studie ist die Integration von Demand-Response-Mechanismen. Statt Nutzer als passive Verbraucher zu betrachten, werden sie aktiv in die Steuerung des Systems eingebunden – durch Anreize wie variable Stromtarife.

Die Forscher untersuchten, wie sich zeitabhängige Tarife (Time-of-Use, TOU) auf das Ladeverhalten von Privatfahrern auswirken. Wenn die Preise in den Abendstunden (der Hauptladezeit) erhöht werden, können Nutzer motiviert werden, ihre Ladevorgänge in die Nachtstunden zu verlegen, wenn der Strom günstiger ist und mehr Solarstrom im Speicher verfügbar sein könnte.

Dieser Effekt wird durch eine Preiselastizitätsmatrix beschrieben, die quantifiziert, wie stark die Nachfrage in einer bestimmten Zeitperiode auf Preisänderungen in derselben oder anderen Perioden reagiert. So führt eine Preiserhöhung in der Hauptlastzeit nicht nur zu einer Reduktion der Nachfrage in dieser Zeit (Selbstelastizität), sondern auch zu einer Erhöhung in den günstigeren Zeiten (Kreuzelastizität).

Die Simulationen zeigten, dass durch die Einführung von Demand Response die Lastkurve signifikant geglättet werden kann: Die Spitzenlast sank, während die Nachfrage in den Niedriglastzeiten stieg. Dies entlastet das Stromnetz, verbessert die Auslastung der Solaranlage und reduziert die Notwendigkeit, teuren Strom aus dem Netz zu beziehen.

Ein wirtschaftliches Modell mit Umweltkosten

Die Optimierung der Speicherkapazität erfolgt nicht nur unter rein technischen Gesichtspunkten, sondern basiert auf einem umfassenden wirtschaftlichen Modell, das auch ökologische Kosten berücksichtigt. Die Forscher definierten eine Zielfunktion, die folgende Komponenten umfasst:

• Kosten für den Bezug von Netzstrom (abhängig vom Tarif und der Tageszeit)
• Kosten für CO₂-Emissionen (basierend auf dem Emissionsfaktor des Strommixes)
• Einnahmen aus dem Verkauf von überschüssigem Solarstrom an das Netz
• Einnahmen aus der Bereitstellung von Ladeleistungen für Nutzer
• Investitions- und Betriebskosten für PV-Anlage und Speicher

Die CO₂-Kosten sind dabei ein entscheidender Faktor. Wenn die Ladestation Strom aus dem Netz bezieht, trägt sie indirekt zu den Emissionen bei, die bei der Stromerzeugung entstehen. Der Emissionsfaktor variiert je nach Tageszeit – nachts ist er oft höher, da mehr fossile Kraftwerke im Einsatz sind. Indem das System versucht, den Netzbezug in emissionsarmen Zeiten zu konzentrieren oder ganz zu vermeiden, wird nicht nur Geld gespart, sondern auch die Umweltbelastung reduziert.

Das Optimierungsmodell sucht nach der Speicherkapazität, die die Gesamtkosten über alle Szenarien hinweg minimiert – unter Berücksichtigung der jeweiligen Eintrittswahrscheinlichkeiten.

Fallstudie: Von der Theorie zur Praxis

Zur Validierung ihres Modells führten die Forscher eine Fallstudie an einer Ladestation in einem Wohngebiet durch. Die Anlage verfügt über eine PV-Leistung von 350 kWp und eine maximale Ladeleistung von 100 kW. Die tägliche Fahrzeugnachfrage setzt sich aus 78 Privatfahrzeugen, 23 Taxis und 11 Bussen zusammen.

Die Simulationen wurden in MATLAB mit dem CPLEX-Solver durchgeführt und fünf verschiedene Szenarien verglichen:

1. Kein PV-System, kein Demand Response
2. Typische PV-Daten, kein Demand Response
3. Typische PV-Daten, mit Demand Response
4. Mehrere Szenarien (unsichere PV), kein Demand Response
5. Mehrere Szenarien (unsichere PV), mit Demand Response

Die Ergebnisse waren eindeutig: Die optimale Speicherkapazität bei Berücksichtigung von Unsicherheit und Demand Response betrug 461 kWh. Dies führte zu einem täglichen Gewinn von 4.334,17 Yuan – der höchste Wert aller Szenarien. Im Vergleich dazu ergab die Verwendung typischer PV-Daten eine Kapazität von 496 kWh bei geringeren Einnahmen (4.218,21 Yuan), was zeigt, dass vereinfachte Modelle zu ineffizienten Investitionen führen.

Noch eindrucksvoller waren die ökologischen Vorteile: Das Szenario mit mehreren Szenarien und Demand Response erzielte die niedrigsten täglichen CO₂-Emissionen – 8.218 kg. Im Vergleich dazu emittierte die Referenzlösung ohne PV-System 9.310 kg. Selbst die besten Szenarien mit typischen PV-Daten lagen deutlich darüber.

Implikationen für die Zukunft der Ladeinfrastruktur

Die Studie von Jiang Yu und seinen Kollegen zeigt, dass die Planung von PSCS-Systemen weit über die bloße Dimensionierung von Komponenten hinausgeht. Um wirtschaftlich und ökologisch nachhaltig zu sein, müssen moderne Ladesysteme in der Lage sein, mit Unsicherheiten umzugehen – sei es durch schwankende Sonneneinstrahlung oder variierendes Nutzerverhalten.

Der Einsatz von Clustering-Methoden, stochastischer Simulation und Demand-Response-Mechanismen ermöglicht eine realitätsnähere Planung, die sowohl die Betriebskosten minimiert als auch die CO₂-Bilanz verbessert. Insbesondere die Einbindung der Nutzer durch flexible Tarife erweist sich als Schlüsselstrategie, um Lastspitzen zu vermeiden und die Nutzung erneuerbarer Energien zu maximieren.

Für Stadtwerke, Energieversorger und private Betreiber von Ladestationen bedeutet dies, dass Investitionen in intelligente Steuerungssysteme und datenbasierte Planungstools sich langfristig auszahlen. Die Zukunft gehört nicht nur größeren Batterien, sondern smarteren Algorithmen, die das Zusammenspiel von Erzeugung, Speicherung und Verbrauch optimal steuern.

Die Forscher sehen zudem Potenzial für die Erweiterung ihres Modells um Vehicle-to-Grid (V2G)-Funktionen, bei denen Elektrofahrzeuge nicht nur Strom verbrauchen, sondern auch als mobile Speicher dienen können. Dies würde die Flexibilität des Systems weiter erhöhen und neue Geschäftsmodelle ermöglichen.

Zusammenfassend liefert die Arbeit einen wichtigen Beitrag zur Entwicklung nachhaltiger und wirtschaftlicher Ladeinfrastruktur. Indem sie Unsicherheiten nicht ignoriert, sondern systematisch in die Planung einbezieht, bietet sie eine robuste Grundlage für den Ausbau der Elektromobilität in einer kohlenstoffarmen Zukunft.

Jiang Yu, Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu, Shan Tingting, School of Electric Power Engineering, Nanjing Institute of Technology; Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405002