Vorhersagemodell

Die Erfindung betrifft ein Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell, wobei eine Netzbetreiberschnittstelle vorliegt und die Daten und Informationen aus Modellberechnungen verwendet werden.

Die Erfindung betritt auch ein Servicepaket für einen Netzbetreiber sowie ein Business Modell zum Anbieten und kommerziellen Vertreiben von errechneten Daten aus einem Vorhersagemodell.

Stand der Technik

Erneuerbare Energiequellen gewinnen zunehmend an Bedeutung, doch ihre Einspeisung in die Netze schwankt und verläuft nicht parallel zur Entwicklung der Nachfrage nach Energie. Elektrofahrzeuge können einen entscheidenden Beitrag leisten, die daraus resultierenden Probleme zu lösen. Denn um das Potenzial der erneuerbaren Energien ausschöpfen zu können, sind Speichertechnologien erforderlich. Die Batterien von Elektrofahrzeugen bieten sich hierfür an. Die Elektromobilität und die Netzintegration sind damit eine wesentliche Säule der nachhaltigen Mobilität und gleichzeitig ein zentrales politisches Handlungsfeld.

Der Energiefluss zwischen Netz und Elektrofahrzeug kann bei der Nutzung des Fahrzeugs als mobilem Speicher in zwei Richtungen erfolgen: In Zeiten eines Energieüberschusses können die Fahrzeugbatterien in der Richtung

Grid-to-Vehicle (G2V) als Speicher genutzt werden, während in Zeiten einer hohen Energienachfrage die Energie wieder in Richtung Vehicle-to-Grid (V2G) an das Netz abgegeben werden kann. Der Begriff Vehicle-to-grid (V2G) wird - vor allem international - aber auch für das übergeordnete Konzept der Netzintegration von Elektrofahrzeugen genutzt, das die beiden Flussrichtungen „vom Netz zum Fahrzeug” und „vom Fahrzeug zum Netz” integriert.

Unter Vehicle-to-Grid versteht man ein Konzept zur Abgabe von elektrischem Strom aus den Traktionsakkus von Elektro- und Hybridautos zurück in das öffentliche Stromnetz. Vehicle-to-Home funktioniert nach dem gleichen Prinzip, allerdings wird hier der Strom nicht in das öffentliche Netz zurückgespeist, sondern in das private Hausstromnetz.

Beide Konzepte setzen voraus, dass die Ladestation die Energie bidirektional steuern kann. Im Gegensatz zu herkömmlichen E-Fahrzeugen können bidirektional ladefähige Fahrzeuge nicht nur elektrische Energie aus dem Netz aufnehmen, sondern als Teil eines intelligenten Energiesystems in Zeiten großer Netzauslastung auch in umgekehrter Richtung Strom vom Auto-Akku über spezielle Ladestationen in das Netz oder das Haus einspeisen

Vehicle to Grid gilt als ein wesentlicher Schlüssel für die Energieversorgung der Zukunft - und das aus mehreren Gründen: Immer mehr Elektroautos rollen auf deutschen und europäischen Straßen und sorgen dafür, dass die Nachfrage nach Strom steigt. Gleichzeitig gehen aber mittelfristig immer mehr Kraftwerke vom Netz, die konstante Strommengen einspeisen. Dazu zählen vor allem Atom- und Kohlekraftwerke. Sie werden im Rahmen der Energiewende durch erneuerbare Energie ersetzt, vor allem durch Windkraftanlagen und Solarenergie. Beide sind sehr schwankungsanfällig, wie der Strommix beispielsweise für Deutschland zeigt.

Die vielen Elektroautos gelten als Teil der Lösung für diese Schwankungen: Das Konzept Vehicle to Grid (V2G) setzt darauf, dass Elektroautos Stromüberschuss aufnehmen und später bei Strommangel wieder ins Netz einspeisen.

Bekannt geworden ist ein Pilotversuch von Porsche und dem Übertragungsnetzbetreiber TransnetBW, wobei die Hochvolt-Batterien von Elektroautos als intelligenter Pufferspeicher benutzt werden können. Kernelement der Datenkommunikation im Pilotversuch ist ein von IE2S entwickeltes, cloud-basiertes Pooling-System. Dieses koordiniert die Ladevorgänge der Elektrofahrzeuge. Dabei übersetzt es die Regelleistungs-Sollwerte des Netzbetreibers in fahrzeugspezifische Signale, die die Ladevorgänge in Echtzeit steuern. Darüber hinaus regelt das Pooling-System den hochfrequenten und zeitsynchronen bidirektionalen Datentransport.

Ein großes Risiko und einen hohen Faktor der Unsicherheit für den Netzbetrieb der involvierten Netzbetreiber stellen dabei neu auftretende Lasten durch z. B. nicht beeinflussbare Zeiten von Ladevorgänge der Elektrofahrzeuge dar. Daher ist es für den Netzbetreiber ausschlaggebend zu wissen, wie viele Elektrofahrzeuge in seinem Netz laden.

Eine Quelle der Information für den Netzbetreiber ist dabei ein Monitoring der auf dem Markt befindlichen Elektrofahrzeug-Modelle, beziehungsweise deren Markthochlauf. Die Daten dienen dazu, dass die Netzbetreiber ihre Netze entsprechend auf den Hochlauf der Elektrofahrzeuge vorbereiten können und über eine bessere Planungssicherheit verfügen.

Da aber nicht alle Ladevorgänge und die daraus resultierenden Lasten für den Netzbetreiber planbar sind, bedarf es der Schaffung von rechtlichen und technischen Möglichkeiten zur Integration eines intelligenten Lade- beziehungsweise Lastmanagements. Dadurch besteht die Möglichkeit, die Ladevorgänge zeitlich zu staffeln und bei Bedarf das Netz zu entlasten.

Für diese Beeinflussung der Ladevorgänge wird eine große Anzahl von Ansätzen von lokalem Lastmanagement bis hin zu bidirektionalem Laden diskutiert.

Für das Netzmanagement sind folgende Begriffe wichtig: Netzverträglichkeit bezeichnet die Grundvoraussetzung für den Anschluss einer Anlage ans öffentliche Stromnetz. Sie bildet die Basis für Netzdienlichkeit und Systemdienlichkeit. Systemdienlichkeit trägt zum Erhalt der Stabilität des Stromsystems bei und wird vorwiegend von den Übertragungsnetzbetreibern angestoßen.

Zur Veranschaulichung der oben ausgeführten Definition von Netzintegration werden die beiden Begriffe Netzverträglichkeit und Netzintegration auf die heutige Situation angewendet.

Im Fall der Netzverträglichkeit findet bereits heute auf Seite des Kunden - vor allem im gewerblichen Bereich - ein Last- beziehungsweise Lademanagement statt, um die mit dem Netzbetreiber vereinbarten vertraglichen Verpflichtungen durch den Anschlussnehmer einzuhalten. In diesem Fall erfolgt kein Eingriff beziehungsweise keine Ansteuerung der Kundenanlage durch den Netzbetreiber, sodass dieser die aktuelle Leistung nicht beeinflusst.

Die Netzdienlichkeit wird heute in der Regel auf Basis einer Vereinbarung gemäß §14a Energiewirtschaftsgesetz in Deutschland (EnWG) zwischen Netzbetreiber und Anschlussnehmer umgesetzt. Dabei beeinflusst der Netzbetreiber vor dem Hintergrund seines Lastmonitorings das Lastverhalten des Anschlussnehmers zum Beispiel durch Zeit-/ Lastfenster, Ad-hoc-Steuerungssignale und finanzielle Anreize. In diesem Fall setzt die Kundenanlage die entsprechenden Informationen des Netzbetreibers um. Die finanziellen Anreize des Netzbetreibers werden in Form von reduzierten Netznutzungsentgelten durch den Lieferanten / Aggregator an den Anschlussnehmer weitergegeben.

Aktuell besteht eine zentrale Steuerung der Netzverschaltung der Netzbetreiber und damit einhergehen der Bedarfssteuerung der Energieeinspeisung basierend auf Vorhersagemodellen der Nutzung. Diese Modelle können als ausgereift und zuverlässig bewertet werden. Durch die Zunahme von mobilen Hochstrom- und Energieverbrauchern wie batterieelektrischen Fahrzeugen werden diese vorauseilenden Umschaltungen (Re-/Dispatch) und Leistungsanpassungen zunehmend gestört. Dabei entstehende Mängel im elektrischen Netz wie Verteuerung der Energiekosten durch zusätzlichen Netzausbaubedarf, Instabilität des Netzes, negative Auswirkung auf Kunden, da die Fahrzeuge vom Netz genommen werden können und somit die Ladung unplanmäßig unterbrochen werden kann und geringe Planbarkeit der Netzkonfiguration und Netzlast durch sich lokal, regional und überregional bewegende Lasten und daraus resultierende Erhöhung der Infrastrukturkosten und Umweltauswirkungen.

Es ist Aufgabe der Erfindung eine verbesserte Prognose zum künftigen ortsbezogenen Netzleistungs- und Energiebedarfsbedarfs der mit dem System verbundenen mobilen Verbraucher bereitzustellen.

Beschreibung der Erfindung

Die Aufgabe wird gelöst mit einem Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell, wobei eine Netzbetreiberschnittstelle vorliegt und die Daten und Informationen aus Modellberechnungen verwendet werden, wobei zusätzlich zu historischen Daten individuelle Daten mindestens eines Endnutzers eines Elektrofahrzeugs in die Modellrechnung zur Vorhersage eingehen.

Die Daten für die Vorhersage können eindeutig verbessert werden, wenn Endnutzer aktuelle Daten zur Verfügung stellen. Zusätzlich zu den bisher bekannten Vorhersagemodellen, die ausschließlich historische Daten nutzen, ist hier eine Komponente vorhanden, die auf einzelnen Endkunden basiert.

Die Aufgabe wird ebenfalls gelöst mit einem Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell, wobei einen Netzbetreiberschnittstelle vorliegt und die Daten und Informationen aus Modellberechnungen von einem Umfeldmodell und einem Flottenmodell für einen vordefinierten Netzbereich erhoben werden, wobei in das Flottenmodell Submodelle aus einem Nutzermodell Kundenpräferenzen, einem Nutzungsgruppenmodell, einem Ladesäulenmodell, einem Fahrzeugmodell und einem Fahrermodell eingehen.

Die Vielzahl der verwendeten Modelle modellieren aus der Vielzahl der vorliegenden Daten ein Datenbild, das dem Netzbetreiber für seine Vorhersage nutzt.

Im Einzelnen enthält das Vorhersagemodell das Umfeldmodell, das Informationen zum aktuellen lokalen Wetter aus den Fahrzeugen enthält und zudem in der Lage ist, einen Streckenverlauf eines elektrischen Fahrzeugs im Bereich des vordefinierten Netzbereichs darzustellen und die Straßenbelastung entlang des Streckenverlaufs als Parameter zu verwenden.

Im Einzelnen enthält das Vorhersagemodell das Nutzermodell, das Kundenpräferenzen zumindest Informationen umfasst über die zeitliche Nutzung des Elektrofahrzeugs und seine bekannten und wahrscheinlichsten Fahrstrecken, situative Reaktionen auf Verkehrsgeschehnisse, Daten zum Ladeverhalten.

Im Einzelnen enthält das Vorhersagemodell Daten zum Ladeverhalten, die als Ladeprofile automatisch erkannt werden und/oder eine Datenerfassung für den Nutzer vorgesehen ist wobei eine Kundenschnittstelle zur Eingabe der Präferenzen zu Ladepunkten, Distanz vom Ziel, Ladeprofilen angepasst in der Ladezeit, der Ladeenergie, und der Ladeleistung verwendet wird.

Im Einzelnen enthält das Vorhersagemodell das Nutzungsgruppenmodell, das mittels Korrelation gleichartige Nutzungsgruppen und/ oder gleichartigem Nutzerverhalten dynamisch aufgebaut wird.

Im Einzelnen enthält das Vorhersagemodell das Ladesäulenmodell, das das Wetter, Belegungsdaten, Funktions- und Leistungsdaten sowie Typinformationen der Ladesäulen bereitstellt. Im Einzelnen enthält das Vorhersagemodell das Fahrzeugmodell, das zur Bestimmung des Ladezustands am Ende der Fahrt dient, das ebenfalls auf einer Vorhersage beruht.

Im Einzelnen enthält das Vorhersagemodell das Fahrermodell, das zur Ermittlung des erwarteten Streckenverlaufs und des individuellen Fahrverhaltens eine noch bessere Abschätzung des zu erwarteten Energieverbrauchs erlaubt.

Die Aufgabe wird auch gelöst mit einem Verfahren, wobei das Flottenmodell die verfügbaren und berechneten Daten der individuellen Modelle Nutzermodell Kundenpräferenzen Nutzungsgruppenmodell, Ladesäulenmodell, Fahrzeugmodell und Fahrermodell aggregiert um der Netzbetreiberschnittstelle eine Prognose zum künftig erwarteten ortsbezogenen Leistungs- und Energiebedarf bereitzustellen. Die Aufgabe wird des weiteren gelöst mit einem Servicepaket. Die Aufgabe wird auch gelöst mit einem bestehend aus Daten aus gerechneten Modellen und zusammengestellt zu einem Vorhersagemodell, das Netzbetreibern für deren Netzbetrieb zur Verfügung gestellt wird.

Die Aufgabe wird auch gelöst mit einem Business Modell zum Anbieten und kommerziellen Vertreiben von errechneten Daten aus einem Vorhersagemodell für einen Netzbetreiber.

Durch die Verfahren werden Netz- und Energiekosten durch bessere Vorhersage minimierte und der Verbrauch und somit auch der CO2 Ausstoß optimiert.

Die verbesserte Vorhersage führt zu einer verbesserten Netzstabilität und einer Reduktion von Netzausfallwahrscheinlichkeiten.

Der Kunde hat den Vorteil, dass eine Abschaltung seines Ladevorgangs weniger wahrscheinlich wird. Beschreibung der Ausführunqsform

Die Ausführungsform wird anhand des Schemas der Figur 1 beschrieben.

Sowohl klassischen als auch die neuen Denk- und Modellansätze zur Vorhersage gehören zu den modelltheoretischen Methoden. Zielsetzung eines Modells ist die systematische Untersuchung und Beschreibung von Zusammenhängen zwischen Einflussgrößen und interessierenden Größen.

Eine Prognose des zukünftigen Verlaufes der interessierenden Größe des Systems in Abhängigkeit von den Einflussgrößen schließt sich der Modellbildung an.

Das Vorhersagemodell im System des Netzbetreibers 1 für den Energiebedarf ist energieseitig mit den Informationen der Energielieferanten 2 verbunden. Dabei treten auch dezentrale Erzeuger auf, die in zwei Kategorien eingeteilt werden, die steuerbaren Erzeuger und die nicht steuerbaren Erzeuger.

Während Blockheizkraftwerke die steuerbaren Erzeuger repräsentieren, zählen Windparks und Photovoltaikanlage zu den nicht steuerbaren dezentralen Erzeugern.

Für die Vorhersage stehen die nicht steuerbaren dezentralen Erzeuger im Fokus. Durch Vorhersagemodelle kann ihre Stromerzeugung eine gewisse Zeit im Voraus ermittelt werden. Dies ermöglicht es, die Elektrofahrzeuge so einzuplanen, dass sie zu den Zeiten hoher Produktion geladen werden und das Laden unterbrochen wird, wenn wenig Strom produziert wird. Ist die Photovoltaik-Anlage oder der Windpark z. B. Teil eines Firmenkomplexes, kann so auch der Eigenstromverbrauch erhöht werden. Die Vorhersage der geplanten Erzeugung ist stark abhängig von den Wettervorhersagmodellen. So bedingt die Windgeschwindigkeit die Strom Produktion von Windkraftanlagen. Ebenso variiert die Strom Produktion von Solaranlagen in Abhängigkeit der Einstrahlungsdauer, der Intensität als auch der Einstrahlungswinkel der Sonnenstrahlen. Dies führt dazu, dass sich die Produktion aus erneuerbaren Energiequellen innerhalb kurzer Zeit stark ändern kann, bei Photovoltaikanlagen z. B. durch das Verdecken der Sonne durch Wolken. Mittels Wettervorhersagen können solche Fluktuationen prognostiziert und somit frühzeitig eingeplant werden, jedoch ist die Genauigkeit solcher Prognosen begrenzt. Dies kann zu Instabilitäten im Netz führen, die durch den geschickten Einsatz von flexiblen Lasten abgefangen werden können.

Das erfindungsgemäße Vorhersagemodell stützt sich auf Daten und Submodelle, die von elektrischen Fahrzeugen erhoben werden und für die Submodelle als Ausgangspunkt dienen. Voraussetzung dazu sind aufladbare Fahrzeuge mit der Möglichkeit Informationen über deren Position, über das Fahrtziel, über den Nutzer bzw. dessen Verhalten und den Nutzerpräferenzen zur Verfügung zu stellen.

Weitere Daten des Elektrofahrzeugs sind auch der Fahrzeugtyp mit Informationen über das Modell, die Batteriegröße und die Leistung und Leistungsstatusinformationen, die den Bedarf der Ladung oder die Möglichkeit der Entladung repräsentieren.

Zusätzlich wird für das Vorhersagemodell 1 ein Umfeldmodell 3 verwendet, das Informationen zum aktuellen lokalen Wetter aus den Fahrzeugen enthält. Das Umfeldmodell 3 ist zudem in der Lage einen Streckenverlauf eines elektrischen Fahrzeugs im Bereich des Netzes darzustellen und die Straßenlast entlang des Streckenverlaufs als Parameter zu verwenden.

Äusser den individuell erhobenen Daten eines einzelnen Nutzers eines Elektrofahrzeugs wird ein Nutzermodell Kundenpräferenzen 4 verwendet. Dieses Nutzermodell Kundenpräferenzen 4 umfasst zumindest Informationen über die zeitliche Nutzung des Elektrofahrzeugs und seine bekannten und wahrscheinlichsten Fahrstrecken. Daraus ergeben sich Fahrprofile bezüglich der Leistungen, der verbrauchten Energien und der Streckensegment z.B. Information über Steigungen. Die situative Reaktion wie beispielsweise Streckenlastdatenreaktion wird ebenfalls erfasst. So kann einen regulärer Streckenverlauf angepasst werden, falls ein Stau auftritt und der Nutzer eine immer gleiche Ausweichroute fährt.

In das Nutzermodell Kundenpräferenzen 4 gehen auch Daten zum Ladeverhalten ein. Dabei werden Ladeprofile automatisch erkannt. Es ist als Zusatz oder als alleinige Datenerfassung auch vorgesehen, dass eine Kundenschnittstelle zur Eingabe der Präferenzen zu Ladepunkten, Distanz vom Ziel, Ladeprofilen angepasst in der Ladezeit, der Ladeenergie, und der Ladeleistung verwendet wird.

Das Vorhersagemodell 1 verwendet auch ein Nutzungsgruppenmodell 5, das mittels Korrelation gleichartige Nutzungsgruppen und/ oder gleichartigem Nutzerverhalten dynamisch aufgebaut ist.

Ein weiteres Submodell ist ein Ladesäulenmodell 6, das Wetter, Belegungsdaten, Funktions- und Leistungsdaten sowie Typinformationen der Ladesäulen bereitstellt.

Ein Submodell stellt ein Fahrzeugmodell 7 zur Bestimmung des Ladezustands am Ende der Fahrt dar, das ebenfalls auf einer Vorhersage beruht.

Ein Fahrermodell 8 zur Ermittlung des erwarteten Streckenverlaufs und des individuellen Fahrverhaltens erlaubt eine noch bessere Abschätzung des zu erwarteten Energieverbrauchs.

Zusammengefasst werden die Informationen und Ergebnisse der Submodelle in einem Flottenmodell 9, das die verfügbaren und berechneten Daten aggregiert, um der Netzbetreiberschnittstelle 10 eine Prognose zum künftig erwarteten ortsbezogenen Leistungs- und Energiebedarf bereitzustellen und zu übergeben.

Das Vorhersagemodell 1 wird auf der Basis der Daten des Flottenmodells 9 mit Daten befüllt, was über ein Cloud-basiertes System zur Berechnung der Modelle erfolgt. Der Netzbetreiber 11 selbst stellt eine Netzbetreiberschnittstelle 10 zum Einlesen der voraussichtlichen Netzlast durch die mit dem System verbundenen mobilen Lasten bereit.

Dem Netzbetreiber werden die Daten für das Vorhersagemodell als Servicepaket übergeben. Damit kann man als Zulieferer dem Netzbetreiber Daten verkaufen. Das Erheben der Daten in der oben beschriebenen Art, das Berechnen von Modellen, die Zusammenfassung der Modelle sowie die endgültige Berechnung erfolgt alles über Internetanbindungen im Netz.

Referenzen

1 Vorhersagemodell

2 Energielieferant

3 Umfeldmodell

4 Nutzermodell Kundenpräferenzen 5 Nutzungsgruppenmodell

6 Ladesäulenmodell

7 Fahrzeugmodell

8 Fahrermodell

9 Flottenmodell 10 Netzbetreiberschnittstelle

11 Netzbetreiber