Maschinelles Lernen ist Schlüsselfaktor für intelligentes Laden

Um das Stromnetz bei steigendem Anteil erneuerbarer Energien stabil zu halten, wird Flexibilität in Form von anderen Stromerzeugern, Verbrauchern und Speichern benötigt. Glücklicherweise steht mit Elektroautos eine solche Flexibilität bereit. Die Ampel-Parteien planen mit 15 Millionen Elektroautos im Jahr 2030, was bei typischen Batteriegrößen von 20 bis 100 Kilowattstunden einer Gesamtspeicherkapazität von rund einer Terawattstunde entspricht. Nur zum Vergleich: Alle bis 2020 in Betrieb genommenen stationären Batteriespeicher haben eine Kapazität von knapp 2 Gigawattstunden und die deutschen Pumpspeicherkraftwerke insgesamt rund 40 Gigawattstunden, also nur etwas einem fünfhundertstel beziehungsweise 4 Prozent der theoretischen Kapazität der Elektroautos.

Um dieses Potential zu nutzen, gibt es verschiedene Ansätze, die sich grob in die Kategorien „Smart Charging“, „Vehicle-to-Home“ (alternativ auch „Vehicle-to-Building“) und „Vehicle-to-Grid“ zusammenfassen lassen. Bei ersterem wird geladen, wenn zum Beispiel gerade sehr viel erneuerbarer Strom erzeugt wird oder das Netz wenig belastet ist. Bei der zweiten Kategorie wird das Fahrzeug auch aus der eigenen Photovoltaik-Anlage geladen oder entladen, um beispielsweise Verbrauchsspitzen durch andere Geräte am selben Netzanschlusspunkt auszugleichen. Bei „Vehicle-to-Grid“ wird neben der Ladung aus dem Netz auch ins öffentliche Stromnetz entladen, um bei Stromknappheit zusätzliche Leistung zur Verfügung zu stellen. Diese Konzepte haben wir in unserem vorherigen Artikel im Detail beschrieben und halten uns daher an dieser Stelle kurz.

Eine zentrale Herausforderung gerade bei kritischen Aufgaben wie der Spannungs- und Frequenzhaltung ist aber zu wissen, wann und wo Flexibilität zur Verfügung steht. Da knapp 90 Prozent der Fahrzeuge in Deutschland in privater Hand sind, ist eine zentrale Planung von Verfügbarkeiten hier unrealistisch. Schließlich würden PKW-Halter und Halterinnen wohl kaum akzeptieren, dass ihr Fahrzeug nicht für eine spontane Fahrt wie beispielsweise zum Krankenhaus zur Verfügung steht. Stattdessen müssen Systeme entwickelt werden, welche prognostizieren, wie viele Fahrzeuge mit welcher Wahrscheinlichkeit in einem statistischen Ensemble ans Stromnetz angeschlossen sind. Darüber hinaus müssen diese Systeme abschätzen, wie der Ladezustand der Fahrzeuge ist und daraus eine verfügbare Energie und Leistung für die Netzstabilisierung unter Berücksichtigung von Sicherheitsreserven und den absehbaren Fahrten ableiten.

Für solche Vorhersagesysteme eignen sich datengetriebene Techniken des maschinellen Lernens besonders gut. Je nach Art der Eingangsdaten können solche Systeme dann zum Beispiel verstehen, was Gründe dafür sind, dass besonders viele oder wenige Fahrzeuge an das Stromnetz angeschlossen sind und diese Trends in die Zukunft fortschreiben. Im Projekt „BeNutz LaSA“ erproben wir eine solche Prognose mit öffentlicher Ladeinfrastruktur. Erste Ergebnisse zeigen, dass wir bereits heute die Verfügbarkeit mit einer hohen Genauigkeit abschätzen können. Darüber hinaus kann für jede Ladestation angegeben werden, wie wahrscheinlich eine zukünftige Belegung sein wird. Insbesondere wenn es mehrere Ladepunkte in unmittelbarer Umgebung gibt, kann die Verfügbarkeit eines Ladepunkts mit hoher Sicherheit vorhergesagt werden. Diese Informationen können beispielsweise auch für die Routenplanung verwendet werden, um die Wartezeiten zu minimieren. Ähnliches ließe sich auch für private Ladestationen und Fahrzeuge oder für Firmenparkplätze realisieren.

Mit dieser Information gewappnet können Netzbetreiber, Regelleistungsanbieter, Energieunternehmen und viele andere Kapazitäten für den Betrieb des Stromnetzes mit hoher zeitlicher Auflösung planen. Wird zum Beispiel erwartet, dass zu wenige Fahrzeuge zur Verfügung stehen, könnten andere und teurere Flexibilitätsoptionen wie zum Beispiel Kraftwerke oder Demand Response von industriellen Prozessen genutzt werden. Sind hingegen ausreichend Fahrzeuge an Ladestationen, könnte schon im Vorhinein eingestellt werden, wie stark die Fahrzeuge ihr Ladeverhalten an die aktuelle Situation im Stromnetz anpassen sollen. Auch könnten so unterschiedliche Angebotssegmente bespielt werden, weil einige Fahrzeughalter und -innen aus jeweils individuellen Gründen eine höhere Zahlung für die Nutzung der Batterie einfordern werden als andere.

Technisch sind vor allem sogenannte Ensemble-Lerner geeignet, um Vorhersagen zu treffen. Diese Modelle bestehen aus sehr vielen kleinen und einfachen Vorhersagemodellen, die dann gemeinsam ein Ergebnis erzeugen. In den gängigen Modellen wie „Random Forest“ oder „Gradient Booster“ sind die kleinen Modelle Entscheidungsbäume, die anhand von Kriterien wie dem Wochentag, der Uhrzeit, Ferienzeiten, langen Wochenenden, Wetter und Verkehr trainiert werden. Durch diese Algorithmen können gerade gegenüber der durchschnittlichen Belegung erheblich Vorteile in der Genauigkeit erzielt werden.

Damit solche Konzepte auch real umgesetzt werden können, gibt es einige Grundvoraussetzungen:

• Daten sind verfügbar

Um Konzepte wie hier dargestellt umsetzen zu können, werden der Zugang zu großen Mengen an Daten benötigt. Die Daten sind alleinschon wegen der Abrechnung der Ladevorgänge prinzipiell vorhanden. Wir begrüßen daher ausdrücklich, dass im neuen Koalitionsvertrag ein Mobilitätsdatengesetz vorgesehen ist. Das damit geschaffene Modell muss zu fairen Konditionen auch kleinen Akteuren Zugang zu relevanten Datenpools schaffen.

• Netzanschlussverträge belohnen Flexibilität

Theoretisch können auch Endverbraucher in Deutschland schon flexible Stromtarife nutzen. Die dafür notwendigen Smart Meter sind aber bisher in wenigen Immobilien verbaut. Entweder ein verstärkter Rollout von Smart Metern oder die Nutzung anderer Varianten wie Rundsteuerempfänger oder Messdaten direkt aus einer Ladesäule könnten hier einen Ausweg schaffen. Aber selbst wenn die technischen Möglichkeiten geschaffen wurden, muss die Flexibilität auch vergütet werden. Dafür fehlt es noch an Tarifstrukturen und Märkten.

• Kommunikationsprotokolle entsprechen allgemeinen Standards und sind zugänglich

Die Steuerung der Fahrzeuge kann über verschiedene Kanäle erfolgen. Zum einen stehen mit ISO 15118-20 oder CHAdeMO Protokolle bereit, die ermöglichen, dass die Ladesäule die Ladung des Fahrzeugs steuert. Alternativ ist eine Steuerung direkt über die Telematik des Fahrzeugs umsetzbar. Beides erfordert aber, dass auch innovative Drittunternehmen sich auf offene und stringent implementierte Protokolle verlassen können. Leider zeigen die aktuellen Entwicklungen beim Open Charge Point Protocol (OCPP) sowie dem ISO 15118, dass viele Hersteller einen eigenen „Dialekt“ der Protokolle implementieren, was den Aufwand für Drittanbieter stark erhöht.

Weitere Details zu den vorgestellten Konzepten finden Sie in unserem kürzlich veröffentlichten Artikel (open access).

Über die Autoren

Christopher Hecht ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik der RWTH Aachen. Seine Forschung konzentriert sich auf die Interaktion von Elektrofahrzeugen und dem Stromnetz mit besonderem Fokus auf die Nutzung von öffentlicher Ladeinfrastruktur.

Jan Figgener ist Abteilungsleiter am Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik der RWTH Aachen. Seine Forschungsschwerpunkte sind die Markt- und Technologieentwicklung, die Netzintegration und die Alterung von Batteriespeichern.

Dirk Uwe Sauer leitet den Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik der RWTH Aachen und ist seit fast 30 Jahren im Bereich Batterien und Energiesysteme aktiv.  Zusammen mit einem Team von 70 Angestellten fokussiert er sich auf Themen beginnend mit den elektrochemischen Prozessen in einer Batteriezelle bis zur Analyse ganzer Energiesysteme. Im Bereich der Batteriealterung werden verschiedene Modelle, Post-Mortem-Analysen, datengetriebene Methoden und vieles mehr genutzt, um die Nutzungsdauer und Sicherheit von Batterien zu erhöhen.