Elektromobilität: Fundierte Prognosen zur Anpassung der Netzinfrastruktur

Der Ladebedarf für E-Fahrzeuge stellt hohe Anforderungen an Verteilnetze. Zur Abschätzung des notwendigen Netzausbaus hat innogy das Simulationstool e-prognosis entwickelt. Damit lassen sich Anzahl und Lage möglicher Ladepunkte im jeweiligen Verteilnetz prognostizieren.

Die Elektromobilität ist im Kommen. Die Prognosen sind allerdings häufig sehr unterschiedlich, wenn es um das konkrete »Wo« und »Wie viel« geht. Vor allem die Verteilnetzbetreiber stellt das vor große Herausforderungen, denn sie müssen die Netze für den steigenden Ladebedarf der Elektrofahrzeuge ertüchtigen. Mit einer stetig wachsenden Zahl von E-Fahrzeugen in Deutschland wird auch der Bedarf an privaten, gewerblichen und (halb-)öffentlichen Ladepunkten steigen. Unterschiedliche Studien weisen nach, dass sich in Abhängigkeit von E-Mobility-Schwerpunkten (Hot-spots) auch lokale Überlastsituationen in Verteilnetzen ergeben können. Um dem Netzplaner hierzu aussagefähige Hilfestellungen geben zu können und ihn auf lokal erhöhte Stromnachfragen hinzuweisen, wurde bei innogy im Rahmen des Pro4Grid-Projekts das Simulationstool e-prognosis entwickelt, das die Zahl der möglichen Ladepunkte im jeweiligen Verteilnetz prognostiziert. Auf Basis algorithmisch verknüpfter Daten kann sich der Netzbetreiber somit rechtzeitig auf die durch die E-Mobility verursachte (Mehr-)Nachfrage nach Ladeenergie einstellen und sein Netzentwicklungsbudget entsprechend einsetzen.

Kundennutzen steht im Vordergrund

Das Prognosemodell wurde in Zusammenarbeit mit der Westnetz entwickelt, einem der größten Verteilnetzbetreiber in Deutschland. Für alle Netzbetreiber in Deutschland bietet das Modell die Möglichkeit, Anzahl und Lage von künftigen privaten, gewerblichen und (halb-)öffentlichen Ladepunkten zu prognostizieren. Konkret verknüpft die Software soziodemografische Daten wie Alter, Kaufkraft oder auch Technikaffinität. Als Ergebnis entstehen regionale Prognosen darüber, wo sich wie viele Ladepunkte für E-Fahrzeuge unter der Annahme jeweiliger Szenarien kurz- bis mittelfristig entwickeln werden. In Quadranten von 100 x 100 m ergeben sich dann Hotspots, in denen der Bedarf an zusätzlicher Netz-infrastruktur, als Folge von mehr Ladepunkten, besonders groß sein wird.

Netzbetreiber müssen sich so nicht nur auf allgemeine, studienbasierte Szenarien verlassen, sondern erhalten eine Prognose für ihr jeweiliges Netzgebiet. Mit der »Was-wäre-wenn-Frage« kann der Nutzer unterschiedliche E-Mobility-Roll-out-Szenarien erstellen und diese dann mit seinem Netz-ausbau abgleichen. Wichtigster Aspekt dieser Vorgehensweise ist, dass die Kundensicht künftiger Nutzer von Elektromobilität eingenommen wird. Netztechnisch relevante oder politisch-regulatorische Rahmenbedingungen werden im Nachgang betrachtet. Denn entscheidend für den Netzplaner ist vor allem die räumliche Kauf-, Nutzungs- und Lademotivation des E-Mobility-Kunden. »So wird es möglich, zielgerichteter und kosteneffizienter in Leitungen, Transformatoren und die intelligente Kommunikationsinfrastruktur des Netzes zu investieren«, so Ulrich Köllmann, Geschäftsführer der Emscher Lippe Energie GmbH (ELE). Der regionale Versorger wird als erster Referenzkunde die Leistungen des Modells in seine Netzplanung einfließen lassen.

Hilfreich ist auch, dass die Ergebnisse der auf Data Analytics basierenden Software sofort mit dem eigenen GIS-System betrachtet und bewertet werden können. Die Berechnungsergebnisse der jeweiligen Szenarien können über eine Standardschnittstelle in das GIS-System eingelesen werden.

Aufbau von e-prognosis

Ziel von e-prognosis ist es, die Potenziale für Ladepunkte im privaten, gewerblichen und (halb-)öffentlichen Bereich möglichst genau zu prognostizieren. Mit dieser gesamtheitlichen Betrachtung von Ladepunkten kann einem Netzbetreiber für alle Bereiche seines Versorgungsnetzes aufgezeigt werden, wo Hotspots von Ladepunkten entstehen. Darüber hinaus bietet das Modell die Möglichkeit, derzeit drei Szenarien in Abhängigkeit der Marktdurchdringung von Elektrofahrzeugen für alle Netzgebiete in Deutschland zu simulieren. Das in e-prognosis hinterlegte mathematische Modell kann dabei zwischen verschiedenen Raumtypen unterscheiden. Damit der Netzbetreiber erkennen kann, welche Netzabschnitte von hoher Ladeleistung betroffen sein werden, wird im Modell ein flächendeckendes 100-x-100-m-Raster erstellt. Jeder Zelle des Rasters wird dann ein Wert zugewiesen, der dem szenarioabhängigen Potenzial an Ladepunkten entspricht.

Das Modell lässt sich in drei konzeptionelle Module gliedern (Bild 1). Das erste Modul stellt die Datenbank dar. Hier können über eine integrierte offene Schnittstelle alle notwendigen geografischen Daten abgelegt werden. Das zweite Modul enthält den Algorithmus in der statistischen Programmiersprache »R«. Dieser ermittelt auf Basis individueller oder vordefinierter Szenarien den Wert für das Potenzial an Ladepunkten in jeder Rasterzelle. Der Algorithmus erzeugt als Ergebnis einen Datensatz, der sich im Rahmen des dritten Moduls für die Darstellung und die Integration in Netzplanungstools und GIS-Systeme eignet. Damit kann dargestellt werden, ob potenzielle Risiken für eine mögliche Netzüberlastung in einem Netzabschnitt bestehen.

Elektromobilität: Fundierte Prognosen zur Anpassung der Netzinfrastruktur
Bild 1. Modularer Aufbau von e-prognosis
Datengrundlage

Als Grundlage dienen unter anderem Daten der Gesellschaft für Konsumforschung (GfK), zum Beispiel Bevölkerungs- und Infrastrukturdaten, sowie Standortdaten von Unternehmen.

Die Bevölkerungsdaten enthalten sozio-demografische Informationen zu den Haushalten in Deutschland. Dazu zählen unter anderem die Einkommens- und Wohnsituation sowie die Altersstruktur. Weiterhin fließen Kennzahlen über die Konsumententypen von Haushalten ein, die zum Beispiel Auskunft über die Technikaffinität einer Person und damit indirekt einen Hinweis geben, wie sie zur Nutzung der Elektromobilität steht. Die Bevölkerungsdaten sind dabei rasterzellenscharf aufgelöst.

Zu den Unternehmensdaten zählen unter anderem Standorte von Flottenbetreibern, die Elektrofahrzeuge nutzen werden. Zu den Infrastrukturdaten gehören nahezu alle Standorte im Straßenverkehr, die einen Einfluss auf die Ladeinfrastruktur haben können. Dazu zählen zum Beispiel Parkplätze, Parkhäuser, Tankstellen und Autobahnraststätten. Da das Modell eine offene Datenschnittstelle hat, lassen sich auch nutzerindividuelle Ladestandorte wie Schnellladestationen von Automobilherstellern integrieren.

Modellbildung

Der Algorithmus erkennt, welche geografischen Standorte in der Datenbank liegen und erlaubt auf dieser Basis eine beliebige Gewichtung der dazugehörigen sozioökonomischen Klassen.

Dadurch können je nach Entwicklung der Marktdurchdringung von Elektrofahrzeugen und politischen Förderprogrammen die Prognosen angepasst werden. Darüber hinaus lassen sich bereits vordefinierte Szenarien anpassen oder erneut ausführen. Im Rahmen der Entwicklung von e-prognosis wurden drei wesentliche Szenarien für den Markthochlauf von Elektrofahrzeugen in Deutschland berechnet. Unter Berücksichtigung der prognostizierten Haltertypen können mit dynamischen und statischen Gewichtungsfaktoren die Potenziale für künftige Ladestandorte je Rasterzelle iterativ bestimmt werden.

Visualisierung

Aus den Gewichtungsfaktoren berechnet e-prognosis die potenziellen Ladepunkte auf einem 100-x-100-m-Raster. Durch die Nutzung des standardisierten Rasters ist eine Integration der Berechnungsergebnisse in alle gängigen GIS- und Netzplanungstools möglich. Mit einer halbtransparenten Überlagerung des Raster-Layers mit dem Netz-Layer kann erkannt werden, welche Netzabschnitte in den jeweiligen Szenarien von Lade-Hotspots betroffen sind. Damit lässt sich eine Risikobewertung der einzelnen Netzabschnitte durchführen (Bild 2).

Elektromobilität: Fundierte Prognosen zur Anpassung der Netzinfrastruktur
Bild 2. Auszug der Raster mit Ladepunkt-Potenzialen im geografischen Informationssystem beim Referenzkunden ELE – Farben als Ampelsystem von dunkelgrün bis rot; orangefarbene Zelle wurde als mögliches Netzrisiko eingestuft

Web-basierter Service

Momentan wird bei innogy an einem Web-basierten Service gearbeitet. Netzbetreiber und andere Interessenten können sich dann vorgefertigte oder individuelle Prognosen für ein beliebiges Gebiet erstellen lassen, ohne Investitionen für die Entwicklung eines Prognose-Tools tätigen zu müssen. Durch die zentrale Ablage der Daten wird auch dafür gesorgt, dass sich die Daten aktualisieren, um den Nutzern so auch immer zuverlässige, aktuelle Ergebnisse bieten zu können.

Ausblick

Das Gesamtmodell sieht vor, dass weitere Datenquellen einfach zu integrieren sind und so auch die Prognosen stetig verbessert werden. Dabei lassen sich regionale Besonderheiten wie die Integration von Schnellladestandorten oder bereits vorhandene Ladeinfrastrukturen leicht integrieren.

e-prognosis ist zudem dafür ausgelegt, außer einer E-Mobility-Prognose auch andere Rollout-Szenarien durch valide Prognosen zu unterstützen. Beispiele hierfür sind der Smart-Meter-Roll-out und der Rollout von Glasfasernetzen. Entscheidend für eine Weiterentwicklung der Software ist die Existenz und Einbringung geeigneter Basisdaten.

e-prognosis ist im Rahmen des innogy-Light-houses GRIP (Grid Research and Insights Platform) entstanden. Die Entwicklung des Modells wurde von der TU Dortmund intensiv begleitet.

Autoren

Prof. Dr.-Ing. Michael Laskowski,
Leiter Förderprojekte, Sparte Netz- und Infrastruktur, innogy SE, Essen,
E-Mail: michael.laskowski@innogy.com

Michael Giordano,
Projektleiter Pro4Grid, innogy SE, Essen

Dr. Jan Fritz Rettberg,
Leiter Kompetenzzentrum Elektromobilität, TU Dortmund, Dortmund

Gastbeitrag aus ew 5/2018

Inhalt E-Magazin bestellen

LINKinnogy
TEILEN