Zeitschrift für Energiewirtschaft

, Volume 37, Issue 1, pp 1–12

Monetäre Anreize zur Steuerung der Ladelast von Elektrofahrzeugen – eine modellgestützte Optimierung

  • Alexandra-Gwyn Paetz
  • Thomas Kaschub
  • Martin Kopp
  • Patrick Jochem
  • Wolf Fichtner
Article

Zusammenfassung

Elektromobilität soll die Senkung der CO2-Emissionen im Transportsektor ermöglichen und damit einen Beitrag zu den klimapolitischen Zielen leisten. Eine verstärkte Verbreitung von Elektrofahrzeugen kann wesentliche Rückwirkungen auf das Elektrizitätssystem, v. a. die lokalen Verteilnetze haben. In diesem Kontext wird die Steuerung der Ladevorgänge als eine zentrale energiewirtschaftliche Herausforderung diskutiert. Aufgrund ihrer langen Standzeiten, großem Strombedarf und hoher Ladeleistungen, scheinen die Elektrofahrzeuge für eine Laststeuerung prädestiniert zu sein. Dazu können monetäre Anreizsysteme in Form variabler Stromtarife geeignet sein: Sie spiegeln die aktuelle Erzeugungssituation wider, informieren die Nachfrager und können daher ein entsprechendes Ladeverhalten auslösen.

Im vorliegenden Artikel wird das Wechselspiel zwischen variablen Stromtarifen und der Ladelast untersucht. Zur Analyse ist das Optimiermodell DS-Opt+ entwickelt worden. Es bildet insgesamt 4.000 Haushalte in zwei Wohnvierteln einer Großstadt bzgl. ihrer Stromnachfrage, ihres Mobilitätsbedarfs und ihrer Ausstattung mit Photovoltaik-Anlagen ab. Vier verschiedene Ladetarifmodelle werden hinsichtlich ihrer Auswirkungen auf die Ladevorgänge und damit den Gesamtlastgang der Wohnviertel betrachtet.

Die Ergebnisse verdeutlichen, dass erst ab einer hohen Marktpenetration von Elektrofahrzeugen der Strombedarf nennenswert steigt und eine Ladesteuerung erfordern. Die im Modell getesteten Tarifmodelle sind zur Beeinflussung der Ladelast geeignet, wobei die lastabhängigen Tarifmodelle zu einer deutlichen Glättung des Lastgangs im Wohnviertel führen. Vor dem Hintergrund eines ausgeglichenen Lastgangs ist eine ungesteuerte Ladestrategie in unserer Analyse dem gesteuerten Laden über ein zeitabhängiges Tarifmodell sogar vorzuziehen. Aus den Ergebnissen lassen sich zahlreiche Implikationen für Wirtschaft und Wissenschaft ableiten.

Schlüsselwörter

Elektromobilität Lastverschiebepotenziale Ladestrategie Variable Tarifmodelle Modellgestützte Optimierung 

Abkürzungen

KGes

Strombezugskosten Gesamt

EHH

Nachfrage Haushaltsstrom

EE-Fzg

Nachfrage Ladestrom

VPV

PV-Vergütung

p

Strompreis

pAuf

Strompreisaufschlag

t

Zeitscheibe

HH

Haushalt

Managing Charging Loads of Electric Vehicles by Monetary Incentives—A Model-Based Optimization

Abstract

Electric mobility is supposed to contribute to climate policy targets by reducing CO2-emissions in the transportation sector. Increasing penetration rates of electric vehicles (EV) can lead to new challenges in the electricity sector, especially with regard to local distribution networks. Thus the management of charging loads is discussed as a key issue in energy economics. Due to their long parking times, high electricity and power demand, EV seem to be predestined for load management. Monetary incentives as dynamic pricing can be suitable for that: They reflect the current supply situation, pass the information to the consumers and can thus lead to a corresponding charging behaviour.

In this article we analyse this interaction between dynamic pricing and charging loads. For this reason we have developed the optimization model DS-Opt+. It models a total number of 4,000 households in two residential areas of a major city with regard to its electricity demand, its mobility behaviour and its equipment of photovoltaic systems. Four different pricing models are tested for their effects on charging behaviour and thus the total load of the residential area.

The results illustrate that only fairly high penetration rates of EV lead to remarkably higher electricity demand and require some load management. The tested dynamic pricing models are suitable for influencing charging loads; load-based tariffs are best in achieving a balanced load curve. In our analysis uncontrolled charging strategies are superior regarding a balanced load curve than controlled strategies by time-varying tariffs. Our results lead to several implications relevant for the energy industry and further research.

Keywords

Electric mobility Load shifting potentials Charging strategies Dynamic pricing Model-based optimization 

Literatur

  1. Bartusch C, Wallin F, Odlare M, Vassileva I, Wester L (2011) Introducing a demand-based electricity distribution tariff in the residential sector: demand response and customer perception. Energy Policy 39(2011):5008–5025. doi:10.1016/j.enpol.2011.06.013 CrossRefGoogle Scholar
  2. BDEW (2011) Strompreisanalyse Haushaltsstrom zum 09.03.2011. Bundesverband der Energie- und Wasserwirtschaft. http://bdew.de/internet.nsf/id/DE_20100311_PM_46_Prozent_des_Strompreises_sind_Steuern_und_Abgaben/$file/Musterhaushalt%202011%20Unterteilung%20staatliche%20Steuern%20und%20Abgaben.pdf. Gesehen am 22. Mai 2012
  3. Blank T, Mauch W, Mezger T, Wagner U (2008) Zusätzlicher Energie und Leistungsbedarf für Elektrostraßenfahrzeuge. Energiewirtsch Tagesfr 58(12):50–52 Google Scholar
  4. Brauner G (2009) Energiebereitstellung für die Elektromobilität. E&I, Elektrotech Inftech 126(10):371–374. doi:10.1007/s00502-009-0682-9 CrossRefGoogle Scholar
  5. Bundesregierung (2009) Nationaler Entwicklungsplan Elektromobilität der Bundesregierung, Berlin Google Scholar
  6. Caulfield B, Farrel S, McMahon B (2010) Examining individuals preferences for hybrid electric and alternatively fuelled vehicles. Transp Policy 17:381–387. doi:10.1016/j.tranpol.2010.04.005 CrossRefGoogle Scholar
  7. Cui X, Lui C, Kim HK, Kao S-C, Tuttle M, Bhaduri BL (2010) A multi-agent-based framework for simulating household PHEV distribution and electric distribution network impact. TRB Comittee on Transportation Energy (ADC70) Google Scholar
  8. DoE (2006) Benefits of demand response in electricity markets and recommendations for achieving them. A report of the US department of energy Google Scholar
  9. EEG (2011) Gesetz für den Vorrang Erneuerbarer Energien (EEG). Novellierung 2011. http://www.gesetze-im-internet.de/bundesrecht/eeg_2009/gesamt.pdf. Gesehen am 28.10.2011
  10. Hillemacher L, Eßer-Frey A, Fichtner W (2011) Preis- und Effizienzsignale im MeRegio Smart Grid Feldtest – Simulationen und erste Ergebnisse. In: Proceedings of the 7th Internationale Energiewirtschaftstagung, Vienna, 2011 Google Scholar
  11. Hebes P, Trommer S, Kihm A (2011) Elektromobilität: Analyse des Marktpotentials in verschiedenen Raumtypen. DLR – Institut für Verkehrsforschung, Berlin Google Scholar
  12. Jochem P, Kaschub T, Paetz A-G, Fichtner W (2012) Integrating electric vehicles into the German electricity grid—an interdisciplinary analysis. In: Proceedings of the 26th electric vehicle symposium, Los Angeles, USA Google Scholar
  13. KBA (2012a) Bestand an Personenkraftwagen nach Kraftstoffarten zum 01.01.2012. Statistik des Kraftfahrt-Bundesamtes. http://www.kba.de/cln_030/nn_269000/DE/Statistik/Fahrzeuge/Bestand/EmissionenKraftstoffe/b__emi__z__teil__2.html. Gesehen am 22. Mai 2012
  14. KBA (2012b): Bestand an Krafträdern nach Kraftstoffarten zum 01.01.2012. Anfrage beim KBA Google Scholar
  15. Kim J-H, Shcherbakova A (2011) Common failures of demand response. Energy 36(2011):873–880. doi:10.1016/j.energy.2010.12.027 CrossRefGoogle Scholar
  16. Klingenberg G (1926) Bau großer Elektrizitätswerke. Springer, Berlin Google Scholar
  17. Kloas J, Kuhfeld H, Kunert U (2001) Dynamik des Verkehrsverhaltens im Jahresvergleich. Analyse des deutschen Mobilitätspanels 1994 bis 1999. Gutachten des DIW im Auftrag des BMVBS Google Scholar
  18. Leitinger C, Litzlbauer M (2011) Netzintegration und Ladestrategien der Elektromobilität. E&I, Elektrotech Inftech 128(1–2):10–15. doi:10.1007/s00502-011-0800-3 CrossRefGoogle Scholar
  19. Leitinger C, Litzlbauer M, Schuster A, Brauner G, Simic D, Hiller G et al. (2011) Smart Electric Mobility – Speichereinsatz für regenerative electrische Mobilität und Netzstabilität. Endbericht. Klima- und Energiefonds Österreich Google Scholar
  20. Link J (2011) Elektromobilität und erneuerbare Energien: Lokal optimierter Einsatz von netzgekoppelten Fahrzeugen. Dissertation, TU Dortmund Google Scholar
  21. MOP (2009) Das Deutsche Mobilitätspanel – Erhebungen der Jahre 1997 bis 2009. Institut für Verkehrswesen, Karlsruher Institut für Technologie, Karlsruhe Google Scholar
  22. Nabe C, Beyer C, Brodersen N, Schäffler H, Adam D, Heinemann C et al (2009) Einführung von lastvariablen und zeitvariablen Tarifen. Studie im Auftrag der Bundesnetzagentur. http://www.bundesnetzagentur.de/cae/servlet/contentblob/153298/publicationFile/6483/EcosysLasEcosysLastvariableZeitvaria19042010pdf.pdf. Gesehen am 28. Oktober 2011
  23. NPE (2012) Fortschrittsbericht der Nationalen Plattform Elektromobilität (Dritter Bericht). Berlin 2012. http://www.bmu.de/files/pdfs/allgemein/application/pdf/bericht_emob_3_bf.pdf. Gesehen am 18. September 2012
  24. Nischler G, Gutschi C, Beermann M, Stigler H (2011) Auswirkungen von Elektromobilität auf das Energiesystem. E&I, Elektrotech Inftech 128(1–2):53–57. doi:10.1007/s00502-011-0803-0 CrossRefGoogle Scholar
  25. Newsham GR, Bower BG (2008) The effect of utility time-varying pricing and load control strategies on residential summer peak electricity use: a review. Energy Policy 38(2010):3289–3296. doi:10.1016/j.enpol.2010.01.027 Google Scholar
  26. Paetz A-G, Jochem P, Fichtner W (2012a) Demand Side Management mit Elektrofahrzeugen – Ausgestaltungsmöglichkeiten und Nutzerakzeptanz (Tagungsbandbeitrag, 12). In: Symposium Energieinnovation 2012, Graz Google Scholar
  27. Paetz A-G, Kaschub T, Jochem P, Fichtner W (2012b) Demand response with smart homes and electric scooters—an experimental study on user acceptance. ACEEE Summer Study 2012, Pacific Grove Google Scholar
  28. Pehnt M, Helms H, Lambrecht U, Dallinger D, Wietschel M et al. (2011) Elektroautos in einer von erneuerbaren Energien geprägten Energiewirtschaft. Z Energiewirtsch 35:221–234 CrossRefGoogle Scholar
  29. Pollok T, Matrose C, Dederichs T, Schnettler A, Szczechowicz E (2011) Classification and comparison of multi agent based control stratefies for electric vehicles in distribution networks. In: 21st international conference and exhibition on electricity distribution (CIRED 2011), Frankfurt, Germany Google Scholar
  30. Rehm M (1999) Lastmanagement und dynamische Stromtarife in regenerativen Energieversorgungssystemen. Dissertation, Universität Karlsruhe Google Scholar
  31. Sammer G, Meth D, Gruber CJ (2008) Elektromobilität – Die Sicht der Nutzer. E&I, Elektrotech Inftech 125(11):393–400. doi:10.1007/s00502-008-0581-5 CrossRefGoogle Scholar
  32. Shao S, Pipattanasomporn M, Rahman S (2009) Challenges of PHEV penetration to the residential distribution network. In: IEEE PES general meeting, S 1–8 Google Scholar
  33. Stromback J, Dromacque C, Yassin MH (2011) The potential of smart meter enabled programs to increase energy and system efficiency—a mass pilot comparison. VaasaETT global energy think tank Google Scholar
  34. Wellinghoff J, Morenoff DL (2007) Recognizing the importance of demand response: the second half of the wholesale electric market equation. Energy Law J 28(2):389–419 Google Scholar
  35. Wietschel M, Dütschke E, Funke S, Peters A, Plötz P et al. (2012) Kaufpotenzial für Elektrofahrzeuge bei sogenannten „early adoptern“. Endbericht einer Studie im Auftrag des BMWi. http://isi.fraunhofer.de/isimedia/docs/e/de/publikationen/Schlussbericht_Early_Adopter.pdf. Gesehen am 28. Mai 2012

Copyright information

© Springer Fachmedien Wiesbaden 2012

Authors and Affiliations

  • Alexandra-Gwyn Paetz
    • 1
  • Thomas Kaschub
    • 1
  • Martin Kopp
  • Patrick Jochem
    • 1
  • Wolf Fichtner
    • 1
  1. 1.Institut für Industriebetriebslehre und Industrielle Produktion (IIP), Lehrstuhl für EnergiewirtschaftKarlsruher Institut für Technologie (KIT)KarlsruheDeutschland

Personalised recommendations