Revolutionäres Modell für Elektroauto-Flexibilität
Ein bahnbrechendes Forschungsprojekt hat eine neue Ära in der Integration von Elektrofahrzeugen (EVs) in die moderne Stromnetzinfrastruktur eingeläutet. Ein Team führender Wissenschaftler aus China hat ein neuartiges, auf künstlicher Intelligenz basierendes Modell entwickelt, das die Fähigkeit von Elektrofahrzeugen, als flexible Ressource für das Stromnetz zu fungieren, mit bisher unerreichter Genauigkeit vorhersagen kann. Diese Entwicklung ist von entscheidender Bedeutung, da die weltweite Energiewende voranschreitet und die Abhängigkeit von volatilen, erneuerbaren Energiequellen wie Wind und Sonne stetig zunimmt. Die Herausforderung für Netzbetreiber besteht darin, die Balance zwischen Angebot und Nachfrage in Echtzeit zu halten, ein Prozess, der als „Flexibilität“ bezeichnet wird. Elektrofahrzeuge, die mit ihren großen Batterien überall dort vorhanden sind, wo Menschen leben und arbeiten, werden zunehmend als eine der vielversprechendsten Lösungen für dieses Problem angesehen. Sie können nicht nur Strom verbrauchen, sondern, in einem Konzept namens Vehicle-to-Grid (V2G), auch Strom zurück ins Netz speisen. Dies macht sie zu einer riesigen, verteilten Form von Energiespeicher, die das Netz stabilisieren, Lastspitzen abflachen und die Integration von mehr grünem Strom ermöglichen kann.
Trotz dieses enormen Potenzials ist die praktische Nutzung dieser Flexibilität bisher durch eine fundamentale Unsicherheit behindert: das menschliche Verhalten. Frühere Modelle, die die Flexibilität von EVs bewerteten, basierten oft auf idealisierten Annahmen. Sie gingen davon aus, dass Fahrzeuge zu vorhersehbaren Zeiten angeschlossen und mit einer konstanten Rate geladen werden, oder sie berechneten lediglich die theoretische Obergrenze der Flexibilität, die eine Flotte erreichen könnte, wenn alle Fahrer perfekt kooperieren würden. Diese sogenannten „virtuellen Batterie“-Modelle sind nützlich für die Definition von Grenzen, versagen jedoch kläglich, wenn es darum geht, die reale Welt mit all ihren Unwägbarkeiten widerzuspiegeln. Die tatsächliche Ladegewohnheit eines Fahrers wird von einer Vielzahl von Faktoren beeinflusst: der täglichen Fahrplan, der Wetterlage, spontanen Besuchen bei Freunden oder der aktuellen Preisgestaltung für Strom. Diese Unsicherheit wird als „Ladeverhaltensunsicherheit“ bezeichnet und stellt eine erhebliche Hürde für Netzbetreiber dar, die auf zuverlässige Prognosen angewiesen sind.
Ein noch komplexeres und bisher weitgehend unberücksichtigtes Problem ist die „Reaktionsunsicherheit“. Dieser Begriff beschreibt die Lücke zwischen der Planung und der Realität. Ein Elektroauto-Aggregator, ein Unternehmen, das die Ladevorgänge vieler Fahrzeuge bündelt und für das Netz steuert, plant die Ladestrategie für den kommenden Tag basierend auf den vorhergesagten „Day-Ahead-Preisen“ (DA-Preise). Diese Preise werden einen Tag im Voraus auf dem Strommarkt festgelegt. Am tatsächlichen Tag der Ladung jedoch gelten die „Echtzeit-Preise“ (RT-Preise), die sich aufgrund kurzfristiger Schwankungen im Angebot und in der Nachfrage erheblich von den DA-Preisen unterscheiden können. Wenn der Aggregator also einem Fahrer verspricht, sein Auto zu einem günstigen Preis zu laden, der auf dem DA-Preis basiert, könnte dieser Preis am Ende des Tages viel höher sein. Dies führt dazu, dass der Fahrer das Versprechen des Aggregators als nicht vertrauenswürdig empfindet, was die Bereitschaft zur Teilnahme an solchen Flexibilitätsprogrammen untergräbt. Die Unsicherheit zwischen dem geplanten DA-Preis und dem tatsächlichen RT-Preis war bisher ein kritisches Manko in der Modellierung, das die Zuverlässigkeit der Vorhersagen stark beeinträchtigte.
Um diese beiden entscheidenden Unsicherheiten – das menschliche Ladeverhalten und die Preisvolatilität – zu adressieren, haben Forscher der North China Electric Power University in Zusammenarbeit mit Experten des State Grid Economic and Technological Research Institute Co., Ltd., der State Grid Corporation of China und der State Grid Zhejiang Electric Power Co., Ltd. ein neuartiges Modell namens TAM-FPM (Temporal Attention Mechanism based Flexibility Probabilistic Model) entwickelt. Im Gegensatz zu traditionellen deterministischen Modellen, die eine einzige, feste Vorhersage treffen, ist das TAM-FPM ein probabilistisches Modell. Es sagt nicht nur einen einzelnen Wert für die zukünftige Belastung oder Flexibilität voraus, sondern eine ganze Wahrscheinlichkeitsverteilung. Dies bedeutet, dass es Netzbetreibern nicht nur sagt, was am wahrscheinlichsten ist, sondern auch, wie sicher oder unsicher diese Vorhersage ist, indem es die Bandbreite möglicher Ergebnisse und ihre jeweilige Wahrscheinlichkeit angibt. Diese Art der Informationsbereitstellung ist für die Risikobewertung und die operative Planung unerlässlich.
Das Herzstück des TAM-FPM-Modells ist eine raffinierte Kombination aus zwei modernen KI-Techniken: dem „Temporal Attention Mechanism“ (TAM) und dem „Temporal Convolutional Network“ (TCN). Der TAM fungiert als eine Art intelligentes Filter. Statt alle vergangenen Stunden gleich zu behandeln, lernt das Modell, welche Zeitpunkte in der Vergeschichte am wichtigsten für die Vorhersage der Zukunft sind. Stellen Sie sich vor, der Strompreis stieg gestern um 17 Uhr stark an. Der Attention-Mechanismus erkennt dieses Muster und weist diesem spezifischen Zeitpunkt eine hohe Gewichtung zu, wenn er den Preis für heute um 17 Uhr vorhersagt. Dies ermöglicht dem Modell, sich auf die relevantesten historischen Signale zu konzentrieren und kontextbezogene Vorhersagen zu treffen, anstatt einfach nur eine allgemeine Tendenz zu extrapolieren.
Der TCN hingegen ist für die Erkennung komplexer zeitlicher Muster zuständig. Während traditionelle neuronale Netzwerke wie LSTM (Long Short-Term Memory) die Daten sequenziell verarbeiten und dabei Schwierigkeiten haben, langfristige Abhängigkeiten zu erfassen, kann der TCN die gesamte Historie auf einmal analysieren. Die Forscher haben ein spezielles „mehrskaliges Merkmalsextraktionsnetzwerk“ konstruiert, das mit verschiedenen Faltungskernen ausgestattet ist. Ein kleiner Kern kann kurzfristige Schwankungen erfassen, wie plötzliche Preisspitzen über Minuten. Ein mittelgroßer Kern erfasst tägliche Muster, wie die typische Nachfragekurve zwischen Morgen und Abend. Und ein großer Kern kann langfristige Trends erkennen, wie saisonale Unterschiede zwischen Sommer und Winter. Durch die gleichzeitige Analyse dieser verschiedenen Zeitmaßstäbe kann das Modell ein umfassenderes Bild der zugrunde liegenden Dynamik des Strommarktes und des Fahrverhaltens der Nutzer erhalten.
Die wahre Stärke des TAM-FPM-Modells liegt in der Synergie zwischen diesen beiden Komponenten. Der Attention-Mechanismus identifiziert zunächst die wichtigsten Zeitpunkte in der Vergangenheit. Der TCN nimmt dann diese priorisierten Informationen und extrahiert detaillierte Muster über verschiedene Zeiträume hinweg. Diese zweistufige Verarbeitung ermöglicht es dem Modell, die nichtlinearen und komplexen Beziehungen zwischen Faktoren wie dem DA-Preis, dem RT-Preis und der daraus resultierenden EV-Ladung zu lernen. Die Ausgabe ist eine vollständige Wahrscheinlichkeitsverteilung, die sowohl den erwarteten Wert als auch die Unsicherheit um diesen Wert beschreibt.
Um die Wirksamkeit ihres Modells zu testen, verwendeten die Forscher reale Daten vom PJM-Strommarkt in den Vereinigten Staaten, einem der größten und dynamischsten Märkte weltweit. Die Daten umfassten die DA- und RT-Preise für das gesamte Jahr 2020. Um eine realistische EV-Flotte zu simulieren, generierten sie mit Hilfe der Monte-Carlo-Methode eine Gruppe von 100 Fahrzeugen, wobei Parameter wie Start- und Endzeitpunkte der Ladung, Anfangs- und Ziel-Ladezustand sowie Fahrverhalten auf statistischen Verteilungen basierten, die aus empirischen Studien abgeleitet wurden. Das Modell wurde mit den Daten der ersten 11 Monate trainiert und dann auf den letzten Monat getestet, um seine Fähigkeit zur Generalisierung auf unbekannte Daten zu überprüfen.
Die Ergebnisse der Analyse waren überzeugend. Das TAM-FPM-Modell wurde gegen zwei etablierte Benchmark-Modelle verglichen: ein einfaches Multi-Layer-Perceptron (MLP) und ein LSTM-Netzwerk. Bei der Bewertung der deterministischen Genauigkeit, gemessen an Kennzahlen wie dem mittleren absoluten Fehler (MAE), schnitt das TAM-FPM-Modell deutlich besser ab. Doch der wahre Durchbruch zeigte sich bei der Bewertung der probabilistischen Leistung. Hier wurden zwei zentrale Kriterien verwendet: Zuverlässigkeit (Reliability) und Schärfe (Sharpness).
Zuverlässigkeit bedeutet, dass die Vorhersageintervalle des Modells korrekt kalibriert sind. Wenn das Modell sagt, dass der wahre Wert mit 80%iger Wahrscheinlichkeit in einem bestimmten Intervall liegt, dann sollte dies in etwa 80% der Fälle auch tatsächlich eintreten. Schärfe bedeutet, dass diese Vorhersageintervalle so eng wie möglich sind. Ein perfektes Modell wäre sowohl hoch zuverlässig als auch scharf – es würde präzise und vertrauenswürdige Aussagen treffen. Das TAM-FPM-Modell erreichte in beiden Kriterien herausragende Ergebnisse. Es zeigte die geringste Abweichung von der idealen Zuverlässigkeit (niedrigster PIACD-Wert) über verschiedene Konfidenzniveaus hinweg. Gleichzeitig produzierte es die engsten Vorhersageintervalle (niedrigster PIAW-Wert), was auf eine hohe Schärfe hindeutet. Diese Kombination ist bemerkenswert, da sie zeigt, dass das Modell nicht nur breite, konservative Schätzungen abgibt, sondern mit großer Zuversicht und Genauigkeit die unsichere Zukunft vorhersagt.
Ein besonders aufschlussreiches Beispiel aus der Studie bezieht sich auf den 22. November 2020, einen Tag mit einer starken Preisspitze zwischen 16:00 und 20:00 Uhr, wobei der höchste Preis um 17:00 Uhr erreicht wurde. Das MLP-Modell prognostizierte den Preishöhepunkt fälschlicherweise für 16:00 Uhr, während das LSTM-Modell die gesamte Aufwärtsbewegung verpasste und eine viel flachere Kurve vorhersagte. Diese Fehler führten zu inkorrekten Ladeprognosen. Das TAM-FPM-Modell hingegen erfasste die Timing und die Amplitude der Preisspitze mit hoher Präzision. Als Folge zeigte seine Vorhersage für die EV-Ladung eine klare und zeitgerechte Verringerung der Nachfrage während der Hochpreisphase. Die Vorhersageintervalle des Modells waren zudem adaptiv: Sie wurden während der volatilen Preise breiter, um die höhere Unsicherheit widerzuspiegeln, und verengten sich wieder in stabileren Phasen. Diese Fähigkeit, die eigene Unsicherheit dynamisch zu kommunizieren, ist ein entscheidender Vorteil gegenüber den Benchmark-Modellen.
Die praktischen Auswirkungen dieser Forschung sind weitreichend. Für Netzbetreiber bietet das TAM-FPM-Modell ein leistungsstarkes Werkzeug, um die Integration von Millionen von Elektrofahrzeugen in ihre operative Planung zu optimieren. Durch die Bereitstellung einer zuverlässigen und präzisen probabilistischen Vorhersage der EV-Flexibilität können sie andere Erzeugungskapazitäten effizienter einsetzen, das Risiko von Netzinstabilitäten reduzieren und die Gesamtkosten für den Erwerb von Flexibilitätsdiensten senken. Für Elektroauto-Aggregatoren ermöglicht das Modell die Entwicklung effektiverer Nachfragesteuerungsprogramme, die Optimierung von Ladeplänen zur Minimierung der Kundenkosten und den Aufbau von Vertrauen bei Fahrern durch transparentere und genauere Energiemanagementdienste. Die Fähigkeit, die Lücke zwischen DA- und RT-Preisen genau zu modellieren, ist besonders wertvoll, da sie es Aggregatoren ermöglicht, ihr finanzielles Risiko besser zu managen und stabilere Preise an ihre Kunden anzubieten.
In der Zukunft sehen die Forscher das Potenzial, das Modell auf andere Anwendungsfälle auszuweiten. Während es sich derzeit auf preisbasierte Nachfragesteuerung konzentriert, könnte das gleiche Framework für Anwendungen wie Frequenzregelung oder Lastspitzenabsenkung angepasst werden, die durch direkte Steuersignale des Netzes anstelle von Marktpreisen ausgelöst werden. Die Forscher schlagen auch vor, räumliche Verteilungen einzubeziehen, da die Ladeverhalten von Fahrzeugen in städtischen Zentren sich von denen in ländlichen Gebieten unterscheiden können. Die Integration von Daten von V2G-fähigen Fahrzeugen, die Energie zurück ins Netz einspeisen können, würde eine weitere Dimension der Flexibilität hinzufügen und das Modell noch leistungsfähiger machen.
Zusammenfassend lässt sich sagen, dass die Entwicklung des TAM-FPM-Modells einen signifikanten Sprung in der Smart-Grid-Technologie darstellt. Indem es die Kraft der tiefen Lernverfahren mit einem ausgeklügelten Attention-Mechanismus und einer mehrskaligen Merkmalsextraktion kombiniert, hat das Forscherteam ein Modell geschaffen, das die wahre probabilistische Natur der EV-Flexibilität erfasst. Diese Arbeit verlagert die Diskussion von theoretischem Potenzial hin zu einer praktischen, datengestützten Lösung für die Verwaltung der dynamischen Beziehung zwischen Verkehr und Energiesystemen. Während die Welt ihren Übergang zu einer kohlenstoffarmen Zukunft fortsetzt, wird die Fähigkeit, verteilte Energieressourcen wie Elektrofahrzeuge intelligent zu verwalten, von entscheidender Bedeutung sein. Diese Forschung, mit ihrem Fokus auf Genauigkeit, Zuverlässigkeit und praktische Anwendbarkeit, bietet eine solide Grundlage für den Aufbau der nächsten Generation intelligenter und widerstandsfähiger Stromnetze.
Wang Haotian, North China Electric Power University; Liu Dong, State Grid Economic and Technological Research Institute Co., Ltd.; Qin Jishuo, State Grid Economic and Technological Research Institute Co., Ltd.; Shi Rui, State Grid Corporation of China; Dan Yangqing, State Grid Zhejiang Electric Power Co., Ltd.; Sun Yingyun, North China Electric Power University. Journal of Automation of Electric Power Systems. DOI: 10.7500/AEPS20230625007