Revolutionäre Planungsmethode für Schnellladestationen
Die rasante Entwicklung der Elektromobilität stellt Städte und Energieversorger vor immense Herausforderungen. Während die Zahl der Elektrofahrzeuge (EVs) weltweit exponentiell wächst, hinkt die notwendige Infrastruktur, insbesondere das Netz der Ladestationen, oft hinterher. Ein besonderer Brennpunkt ist die Integration von Ultra-Hochleistungsladestationen (UHPL), die mit Leistungen von 300 kW und mehr innerhalb weniger Minuten eine signifikante Ladung ermöglichen. Diese Technologie verspricht, die Ladezeiten drastisch zu verkürzen und die Alltagstauglichkeit von Elektrofahrzeugen zu erhöhen. Doch ihre Implementierung ist alles andere als trivial. Die plötzlichen und hohen Leistungsspitzen, die beim Laden mehrerer Fahrzeuge gleichzeitig auftreten, können lokale Stromnetze überlasten, Spannungsschwankungen verursachen und erhebliche Investitionen in die Netzverstärkung notwendig machen. Gleichzeitig müssen diese Stationen wirtschaftlich rentabel sein und den Nutzern eine hohe Verfügbarkeit und Benutzerfreundlichkeit bieten.
In einer bahnbrechenden Studie, die kürzlich in der renommierten Fachzeitschrift Power System Protection and Control veröffentlicht wurde, präsentieren Forscher der China Three Gorges University eine neuartige, zweistufige Planungsmethode, die diese komplexen Anforderungen elegant vereint. Das Team um Cheng Shan, Wang Haojie, Xu Qiping, Ran Tao und Wang Can vom College of Electrical Engineering and New Energy hat ein Modell entwickelt, das nicht nur die optimale Standortwahl und Kapazitätsbestimmung für Ladestationen mit unterschiedlichen Leistungsstufen – von langsamen 7-kW-Wechselstromladern bis hin zu 300-kW-Ultra-Hochleistungsladern – ermöglicht, sondern auch die Integration von verteilten Energiespeichern (DESS) in die Planung einbezieht. Dieser ganzheitliche Ansatz adressiert die drei zentralen Säulen der modernen Infrastrukturplanung: Wirtschaftlichkeit, Netzstabilität und Nutzererfahrung.
Der Kern des Problems, das die Forscher angehen, liegt in der Unzulänglichkeit traditioneller Planungsmodelle. Viele bisherige Ansätze basierten auf vereinfachenden Annahmen, beispielsweise dass jeder Knoten in einem Straßennetz eine Ladestation erhalten sollte, oder sie berücksichtigten nicht ausreichend die dynamischen Faktoren, die das Fahrverhalten und die Ladewahl eines Nutzers beeinflussen. Die Entscheidung, wo und wie ein Fahrer sein Fahrzeug lädt, ist kein Zufall. Sie wird von einer Vielzahl von Faktoren bestimmt: der verbleibenden Reichweite, der verfügbaren Zeit, den Kosten pro Kilowattstunde, der Entfernung zur nächsten Station und, in einem zunehmend wichtigen Maße, der verfügbaren Ladeleistung. Ein Fahrer mit einer vollen Ladung, der nur kurz parkt, wird anders entscheiden als ein Fahrer, dessen Akku fast leer ist und der dringend eine schnelle Ladung benötigt. Die neue Methode von Cheng und seinen Kollegen erkennt diese Komplexität an und modelliert sie erstmals in einem integrierten Planungsrahmen.
Die Stärke der vorgeschlagenen Methode liegt in ihrer zweistufigen Struktur. Die erste Stufe konzentriert sich auf die präzise Vorhersage der räumlichen und zeitlichen Verteilung der Ladeanforderungen. Hier geht das Modell weit über einfache Statistiken hinaus. Es integriert Echtzeit-Verkehrsdaten, um den Einfluss von Staus auf den Energieverbrauch zu berücksichtigen. Ein Fahrzeug, das in einem Stau steht, verbraucht Energie, ohne voranzukommen, was die Reichweite schneller verringert. Das Modell berücksichtigt auch die Straßenart – Autobahn, Hauptstraße oder Nebenstraße – und die Außentemperatur, da Kälte den Energieverbrauch von Elektrofahrzeugen erheblich steigert. Durch die Anwendung von Markov-Ketten wird das Verhalten der Fahrer als stochastischer Prozess modelliert, der es ermöglicht, die Wahrscheinlichkeit vorherzusagen, dass ein Fahrer von einem bestimmten Punkt im Netz zu einem anderen fährt und dort möglicherweise laden muss.
Dies führt zu einem der innovativsten Aspekte der Studie: dem Nutzerwahl-Wahrscheinlichkeitsmodell. Das Modell postuliert, dass Nutzer ihre Ladestation auf der Grundlage eines „Nutzens“ auswählen, der sich aus der Attraktivität der Station und dem „Widerstand“ ergibt, sie zu erreichen. Die Attraktivität wird primär durch den Ladepreis bestimmt – niedrigere Preise sind attraktiver. Der Widerstand setzt sich aus der Entfernung und der Fahrzeit zusammen, die wiederum von den aktuellen Verkehrsbedingungen abhängt. Ein teurer Ladepunkt in der Nähe könnte für einen Fahrer mit wenig Zeit attraktiver sein als ein günstigerer, der weit entfernt liegt und in einem Stau steht. Durch die Berechnung dieser Wahrscheinlichkeiten kann das Modell die „Versorgungszone“ jeder potenziellen Ladestation realistisch eingrenzen. Dies ist ein entscheidender Fortschritt gegenüber Modellen, die einfach die nächstgelegene Station als die wahrscheinlichste Wahl annehmen.
Die zweite Stufe der Planung ist eine komplexe Optimierungsaufgabe, die auf den Erkenntnissen der ersten Stufe aufbaut. Ihr Ziel ist es, die Gesamtkosten der Ladinfrastruktur über einen langen Zeitraum zu minimieren. Die Zielfunktion umfasst dabei nicht nur die offensichtlichen Kosten wie den Bau und die Wartung der Ladepunkte und den Erwerb des Grundstücks, sondern auch die Kosten für Systemverluste im Netz und die Betriebskosten der verteilten Energiespeicher. Gleichzeitig müssen strenge Nebenbedingungen erfüllt werden: Die Spannung im Verteilnetz darf nicht unter kritische Werte fallen, die Stromleitungen dürfen nicht überlastet werden, und die Nutzer müssen eine ausreichende Erreichbarkeit der Ladestationen haben.
Die Integration von DESS ist hier der entscheidende Hebel für die Netzstabilität. Ultra-Hochleistungsladestationen erzeugen eine enorme, kurzzeitige Belastung für das lokale Stromnetz. Ohne einen Puffer könnte dies zu Spannungseinbrüchen führen, die nicht nur die Ladung beeinträchtigen, sondern auch andere Verbraucher im Umkreis stören könnten. Die Forscher schlagen vor, an jeder UHPL-Station einen Energiespeicher zu installieren. Dieser Speicher wird in Zeiten niedriger Nachfrage (z. B. nachts) vom Netz geladen und gibt seine Energie während der Spitzenlastzeiten an die ladenden Fahrzeuge ab. Auf diese Weise wird der maximale Leistungsbezug vom Netz erheblich reduziert. In den Simulationen der Studie sank die Spitzenlast an den betrachteten Knoten von 3 MW auf 2,3 MW, eine Reduktion von über 20%. Dies entspricht einer erheblichen Entlastung für das Netz und verhindert kostspielige Netzumbauten.
Die Optimierung berücksichtigt drei Typen von Ladepunkten: Ultra-Hochleistung (300 kW), Schnellladung (60 kW) und Langsamladung (7 kW). Die Wahl der richtigen Mischung ist entscheidend für die Wirtschaftlichkeit. Die Simulationen zeigen klar, dass eine reine Strategie, die nur auf eine Art von Ladepunkten setzt, zu suboptimalen Ergebnissen führt. Ein Szenario, das nur 60-kW-Schnellladepunkte vorsah, führte zu Gesamtkosten, die um fast 24% höher lagen als die optimale Lösung. Der Grund: Um die gleiche Anzahl an Fahrzeugen in derselben Zeit zu laden, wären deutlich mehr 60-kW-Ladepunkte erforderlich, was zu höheren Investitionen in die Hardware und mehr benötigter Fläche führt. Umgekehrt wäre eine Flotte von ausschließlich 300-kW-Ladepunkten extrem teuer in der Anschaffung und würde für Fahrer, die ihr Fahrzeug über mehrere Stunden parken (z. B. bei der Arbeit), eine enorme Verschwendung darstellen, da sie die teure Hochleistungstechnologie für eine einfache, langsame Ladung nutzen würden.
Die Studie kommt zu einem weiteren wichtigen Schluss: Es gibt eine „Goldilocks-Zone“ hinsichtlich der Anzahl der zu bauenden Ladestationen. Zu wenige Stationen führen zu Überlastung und langen Wartezeiten, was die Nutzerzufriedenheit verringert. Zu viele Stationen führen zu einer Unterlastung vieler Ladepunkte, insbesondere in den Randgebieten, was zu einer Verschwendung von Kapital und Fläche führt. Die Simulationen identifizierten fünf Stationen als die kosteneffizienteste Lösung für das untersuchte Netzwerk. Bei weniger Stationen stiegen die Kosten aufgrund der Notwendigkeit, mehr Ladepunkte pro Standort zu installieren. Bei mehr als fünf Stationen stiegen die Gesamtkosten wieder an, da die Vorteile der besseren Verteilung durch die höheren Fixkosten für zusätzliche Standorte aufgewogen wurden.
Die praktische Validierung erfolgte anhand eines realistischen Modells, das ein typisches städtisches Straßennetz mit dem IEEE 33-Knoten-Verteilnetz koppelt. Die Ergebnisse sind überzeugend. Die zweistufige Methode ermöglicht nicht nur eine präzise Vorhersage der Nutzernachfrage, sondern führt auch zu einem Plan, der die Sicherheit des Stromnetzes gewährleistet und gleichzeitig die Investitionskosten minimiert. Die Forscher zeigen, dass die Berücksichtigung der dynamischen Verkehrssituation zu kürzeren vorausberechneten Fahrzeiten führt, was die Realitätsnähe des Modells erhöht. Die Bewertung der „Ladeerreichbarkeit“ für Nutzer an verschiedenen Knotenpunkten bestätigt, dass fünf Stationen eine ausgewogene Versorgung gewährleisten, während weniger Stationen die Erreichbarkeit, besonders an den Rändern des Netzes, erheblich verschlechtern.
Die Implikationen dieser Forschung sind weitreichend. Für Stadtplaner und Energieversorger bietet dieses Modell ein leistungsstarkes Werkzeug, um fundierte Entscheidungen über die zukünftige Infrastruktur zu treffen. Es ermöglicht eine vorausschauende Planung, die nicht nur die technischen Herausforderungen der Netzintegration meistert, sondern auch die wirtschaftliche Tragfähigkeit und die Bedürfnisse der Nutzer in den Mittelpunkt stellt. Die Methode trägt dazu bei, die Angst vor „Netz-Crashs“ durch Massen-Laden zu zerstreuen und zeigt einen Weg auf, wie die Energiewende im Verkehrssektor mit der Stabilität des Stromnetzes vereinbar ist.
Ein weiterer wesentlicher Beitrag der Studie ist die Betonung der Notwendigkeit einer ganzheitlichen „Fahrzeug-Ladestation-Netz“ (Vehicle-Station-Grid) Betrachtung. Die Forscher verbinden Kenntnisse aus der Elektrotechnik, der Verkehrsplanung und der Betriebsforschung zu einem integrierten Framework. Dieser interdisziplinäre Ansatz ist der Schlüssel, um die Komplexität der modernen Energiesysteme zu bewältigen. Die Zukunft der Mobilität ist nicht nur elektrisch, sondern auch vernetzt und intelligent. Methoden wie die von Cheng Shan und seinem Team entwickelte sind essenziell, um diese vernetzte Zukunft sicher, effizient und nachhaltig zu gestalten.
Cheng Shan, Wang Haojie, Xu Qiping, Ran Tao, Wang Can, College of Electrical Engineering and New Energy, China Three Gorges University, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240031