TY - THES

T1 - Einfluss von markt- und netzorientierten Ladevorgängen auf die steigende Netzbelastung verursacht durch E-Mobilität

AU - Rock, Maximilian

N1 - nicht gesperrt

PY - 2024

Y1 - 2024

N2 - Die Elektromobilität ist eine vielversprechende Technologie für die Dekarbonisierung unserer Gesellschaft, um die hoch gesteckten Klimaziele zu erreichen. Durch den steigenden Durchdringungsgrad der Elektromobilität steigt jedoch die Netzbelastung zunehmend an.Das Ziel dieser Arbeit ist aufbauend darauf die Untersuchung der Auswirkungen von markt- und netzorientierten Ladestrategien auf zwei ausgewählte Verteilnetze in der Netzebene 7. Ein ländliches Netz mit nur wenigen Verbrauchern und ein suburbanes Netz mit einer dichteren Besiedelung und mehr Verbrauchern. Die Untersuchung stützt sich auf zwei unterschiedliche Szenarien, ein marktorientiertes Szenario und ein netzorientiertes Szenario. Das marktorientierte Szenario hat das Ziel die Kosten am Hausanschlusspunkt zu minimieren, wobei die Auswirkungen auf das Netz während der Optimierung gänzlich unberücksichtigt bleiben. Im Gegensatz dazu wird im netzorientierten Szenario auf eine optimale Netzsituation hin optimiert, wobei die dabei entstehenden Kosten während der Optimierung keinen Einfluss auf das Ergebnis nehmen.In einem ersten Schritt wird die Ausgangssituation in den beiden Netzen für das Jahr 2030 und 2040 analysiert und jeweils die Woche des Jahres mit den größten Spannungsproblemen für die weiterführende Optimierung ausgewählt. Im Anschluss erfolgen die markt- und netzorientierten Optimierungen. Hierfür wird mithilfe von Pyomo in Python ein lineares Optimierungsmodell entwickelt das sowohl die markt- als auch die netzorientierte Optimierung durchführen kann und als Multi-Objective Optimierungscode mit Summengewichtungsverfahren verwirklicht wird. Auf Basis der Verfügbarkeit des Elektroautos, gemeinsam mit Zeitreihen zum Hausverbrauch und der Photovoltaikerzeugung, wird anschließend die Optimierung durchgeführt. Die marktorientierte Optimierung orientiert sich dabei am Day-Ahead Marktpreis und die netzorientierte Optimierung an der Gesamtleistung, die am Transformator anliegt. Bei der netzorientierten Optimierung wird zudem ein iterativer Ansatz verfolgt, bei dem sich die Gesamtleistung am Transformator nach jeder Optimierung eines Haushalts aktualisiert, um so die gegenseitige Beeinflussung der Haushalte zu berücksichtigen. Das Optimierungsergebnis wird für jeden Haushalt durch eine Zeitreihe der Ladeleistung repräsentiert. Mithilfe dieser Zeitreihen, in einminütiger Auflösung, wird im Anschluss eine Lastflussberechnung durchgeführt. Das Ergebnis der Lastflussberechnungen stellen Zeitreihen zu Knotenspannungen und Leitungsauslastungen dar. Zudem werden die veränderten Energiekosten auf Basis des Day-Ahead Preises berechnet.Das Ergebnis des marktorientierten Szenarios sind reduzierte Kosten von bis zu 9,7% und eine verbesserte Netzsituation im Vergleich mit dem Basisszenario in den betrachteten Verteilnetzen. Die verbesserte Netzsituation zeigt sich im Jahr 2040 durch reduzierte maximale Leitungsauslastungen, mit bis zu 150%, und geringere Einbrüche der Knotenspannungen, mit bis zu +20 V. Dies liegt am günstigen Zusammenspiel von geringen Day-Ahead Preisen in den Nächten und gleichzeitig geringer Gesamtbelastung durch nichtflexible Verbraucher, wodurch der Ladevorgang der Elektroautos von den Abendstunden in die Nachtstunden verschoben wird.Im netzorientierten Szenario wird eine Verbesserung der Netzsituation mit reduzierten maximalen Leitungsauslastungen von bis zu 250% und geringeren Einbrüchen der Knotenspannungen um bis zu +90 V im Jahr 2040 in den betrachteten Verteilnetzen erreicht. Aus Peaks der Leitungsauslastungen und Tälern der Knotenspannungen werden dadurch im netzorientierten Szenario vergleichsweise konstante Bänder. Zudem reduzieren sich die Energiekosten für Haushalte mit Elektroauto im Durchschnitt um bis zu 6,3%, was ebenso eine Folge der günstigen Kombination aus billigem Nachtstrom und gleichzeitig geringer Gesamtbelastung durch nichtflexible Verbraucher ist.

AB - Die Elektromobilität ist eine vielversprechende Technologie für die Dekarbonisierung unserer Gesellschaft, um die hoch gesteckten Klimaziele zu erreichen. Durch den steigenden Durchdringungsgrad der Elektromobilität steigt jedoch die Netzbelastung zunehmend an.Das Ziel dieser Arbeit ist aufbauend darauf die Untersuchung der Auswirkungen von markt- und netzorientierten Ladestrategien auf zwei ausgewählte Verteilnetze in der Netzebene 7. Ein ländliches Netz mit nur wenigen Verbrauchern und ein suburbanes Netz mit einer dichteren Besiedelung und mehr Verbrauchern. Die Untersuchung stützt sich auf zwei unterschiedliche Szenarien, ein marktorientiertes Szenario und ein netzorientiertes Szenario. Das marktorientierte Szenario hat das Ziel die Kosten am Hausanschlusspunkt zu minimieren, wobei die Auswirkungen auf das Netz während der Optimierung gänzlich unberücksichtigt bleiben. Im Gegensatz dazu wird im netzorientierten Szenario auf eine optimale Netzsituation hin optimiert, wobei die dabei entstehenden Kosten während der Optimierung keinen Einfluss auf das Ergebnis nehmen.In einem ersten Schritt wird die Ausgangssituation in den beiden Netzen für das Jahr 2030 und 2040 analysiert und jeweils die Woche des Jahres mit den größten Spannungsproblemen für die weiterführende Optimierung ausgewählt. Im Anschluss erfolgen die markt- und netzorientierten Optimierungen. Hierfür wird mithilfe von Pyomo in Python ein lineares Optimierungsmodell entwickelt das sowohl die markt- als auch die netzorientierte Optimierung durchführen kann und als Multi-Objective Optimierungscode mit Summengewichtungsverfahren verwirklicht wird. Auf Basis der Verfügbarkeit des Elektroautos, gemeinsam mit Zeitreihen zum Hausverbrauch und der Photovoltaikerzeugung, wird anschließend die Optimierung durchgeführt. Die marktorientierte Optimierung orientiert sich dabei am Day-Ahead Marktpreis und die netzorientierte Optimierung an der Gesamtleistung, die am Transformator anliegt. Bei der netzorientierten Optimierung wird zudem ein iterativer Ansatz verfolgt, bei dem sich die Gesamtleistung am Transformator nach jeder Optimierung eines Haushalts aktualisiert, um so die gegenseitige Beeinflussung der Haushalte zu berücksichtigen. Das Optimierungsergebnis wird für jeden Haushalt durch eine Zeitreihe der Ladeleistung repräsentiert. Mithilfe dieser Zeitreihen, in einminütiger Auflösung, wird im Anschluss eine Lastflussberechnung durchgeführt. Das Ergebnis der Lastflussberechnungen stellen Zeitreihen zu Knotenspannungen und Leitungsauslastungen dar. Zudem werden die veränderten Energiekosten auf Basis des Day-Ahead Preises berechnet.Das Ergebnis des marktorientierten Szenarios sind reduzierte Kosten von bis zu 9,7% und eine verbesserte Netzsituation im Vergleich mit dem Basisszenario in den betrachteten Verteilnetzen. Die verbesserte Netzsituation zeigt sich im Jahr 2040 durch reduzierte maximale Leitungsauslastungen, mit bis zu 150%, und geringere Einbrüche der Knotenspannungen, mit bis zu +20 V. Dies liegt am günstigen Zusammenspiel von geringen Day-Ahead Preisen in den Nächten und gleichzeitig geringer Gesamtbelastung durch nichtflexible Verbraucher, wodurch der Ladevorgang der Elektroautos von den Abendstunden in die Nachtstunden verschoben wird.Im netzorientierten Szenario wird eine Verbesserung der Netzsituation mit reduzierten maximalen Leitungsauslastungen von bis zu 250% und geringeren Einbrüchen der Knotenspannungen um bis zu +90 V im Jahr 2040 in den betrachteten Verteilnetzen erreicht. Aus Peaks der Leitungsauslastungen und Tälern der Knotenspannungen werden dadurch im netzorientierten Szenario vergleichsweise konstante Bänder. Zudem reduzieren sich die Energiekosten für Haushalte mit Elektroauto im Durchschnitt um bis zu 6,3%, was ebenso eine Folge der günstigen Kombination aus billigem Nachtstrom und gleichzeitig geringer Gesamtbelastung durch nichtflexible Verbraucher ist.

KW - Smart Charging

KW - Vehicle-To-Grid

KW - Elektromobilität

KW - Smart-Charging

KW - Vehicle-To-Grid

KW - E-Mobility

U2 - 10.34901/mul.pub.2024.158

DO - 10.34901/mul.pub.2024.158

M3 - Masterarbeit

ER -