WO2024008373A1 - Verfahren für die übergabe von daten an einen netzbetreiber für ein vorhersagemodell - Google Patents

Verfahren für die übergabe von daten an einen netzbetreiber für ein vorhersagemodell Download PDF

Info

Publication number
WO2024008373A1
WO2024008373A1 PCT/EP2023/065005 EP2023065005W WO2024008373A1 WO 2024008373 A1 WO2024008373 A1 WO 2024008373A1 EP 2023065005 W EP2023065005 W EP 2023065005W WO 2024008373 A1 WO2024008373 A1 WO 2024008373A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
data
charging
network operator
network
Prior art date
Application number
PCT/EP2023/065005
Other languages
English (en)
French (fr)
Inventor
Gerald Teuschl
Original Assignee
Magna powertrain gmbh & co kg
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Magna powertrain gmbh & co kg filed Critical Magna powertrain gmbh & co kg
Publication of WO2024008373A1 publication Critical patent/WO2024008373A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/66—Ambient conditions
    • B60L2240/665—Light intensity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/68—Traffic data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/70—Interactions with external data bases, e.g. traffic centres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2250/00—Driver interactions
    • B60L2250/12—Driver interactions by confirmation, e.g. of the input

Definitions

  • the invention relates to a method for transferring data to a network operator for a prediction model, with a network operator interface being present and the data and information from model calculations being used.
  • the invention also includes a service package for a network operator and a business model for offering and commercially distributing data calculated from a prediction model.
  • the energy flow between the grid and the electric vehicle can take place in two directions: In times of energy surplus, the vehicle batteries can flow in one direction
  • Grid-to-vehicle can be used as storage, while in times of high energy demand the energy can be returned to the grid in the direction of vehicle-to-grid (V2G).
  • V2G vehicle-to-grid
  • V2G is used - especially internationally - but also for the overarching concept of grid integration electric vehicles, which integrates the two flow directions “from the grid to the vehicle” and “from the vehicle to the grid”.
  • Vehicle-to-grid is a concept for delivering electrical power from the traction batteries of electric and hybrid cars back into the public power grid. Vehicle-to-home works on the same principle, but here the electricity is not fed back into the public grid, but into the private household power grid.
  • the charging station can control the energy bidirectionally.
  • vehicles that can be charged bidirectionally can not only absorb electrical energy from the grid, but as part of an intelligent energy system, in times of high grid utilization, they can also feed electricity from the car battery in the opposite direction into the grid or the house via special charging stations
  • Vehicle to Grid is considered an essential key to the energy supply of the future - and for several reasons: More and more electric cars are rolling on German and European roads and are ensuring that the demand for electricity is increasing. At the same time, in the medium term, more and more power plants that feed in constant amounts of electricity will be taken off the grid. These primarily include nuclear and coal-fired power plants. As part of the energy transition, they are being replaced by renewable energy, especially wind turbines and solar energy. Both are very susceptible to fluctuations, as the electricity mix for Germany shows, for example.
  • V2G Vehicle to Grid
  • a pilot test by Porsche and the transmission system operator TransnetBW has become known, in which the high-voltage batteries of electric cars can be used as intelligent buffer storage.
  • the core element of data communication in the pilot test is a cloud-based pooling system developed by IE2S. This coordinates the charging processes of electric vehicles. It translates the network operator's control power setpoints into vehicle-specific signals that control the charging processes in real time.
  • the pooling system regulates the high-frequency and time-synchronous bidirectional data transport.
  • New loads arising from e.g. B. represents charging times for electric vehicles that cannot be influenced. It is therefore crucial for the network operator to know how many electric vehicles are charging in their network.
  • a source of information for the network operator is monitoring the electric vehicle models on the market and their market ramp-up.
  • the data is used to enable network operators to prepare their networks accordingly for the ramp-up of electric vehicles and to have better planning security.
  • Grid utility is generally implemented on the basis of an agreement between grid operators and connection recipients in accordance with Section 14a of the Energy Industry Act in Germany (EnWG).
  • the network operator influences the load behavior of the connection recipient, for example through time/load windows, ad hoc control signals and financial incentives.
  • the customer system implements the corresponding information from the network operator.
  • the network operator's financial incentives are passed on to the connection recipient by the supplier/aggregator in the form of reduced network usage fees.
  • the task is solved with a method for transferring data to a network operator for a prediction model, with a network operator interface being present and the data and information from model calculations being used, with individual data of at least one end user of an electric vehicle being incorporated into the model calculation for prediction in addition to historical data enter.
  • the data for prediction can clearly be improved if end users provide current data.
  • prediction models that only use historical data, there is a component here that is based on individual end customers.
  • the task is also solved with a method for transferring data to a network operator for a prediction model, with a network operator interface being present and the data and information from model calculations from an environment model and a fleet model for a predefined one Network area are collected, with sub-models from a user model, customer preferences, a usage group model, a charging station model, a vehicle model and a driver model being included in the fleet model.
  • the large number of models used model a data image from the large amount of available data, which the network operator uses for his prediction.
  • the prediction model contains the environment model, which contains information about the current local weather from the vehicles and is also able to represent a route of an electric vehicle in the area of the predefined network area and to use the road load along the route as a parameter.
  • the prediction model contains the user model, which includes customer preferences at least information about the time usage of the electric vehicle and its known and most likely routes, situational reactions to traffic events, and data on charging behavior.
  • the prediction model contains data on charging behavior, which are automatically recognized as charging profiles and/or data collection is provided for the user, with a customer interface for entering the preferences for charging points, distance from the destination, charging profiles adapted to the charging time, the charging energy, and the Charging power is used.
  • the prediction model contains the usage group model, which is dynamically built up by correlating similar usage groups and/or similar user behavior.
  • the prediction model contains the charging station model, which provides the weather, occupancy data, functional and performance data as well as type information about the charging stations.
  • the prediction model contains the vehicle model that is used to determine the state of charge at the end of the journey, which is also based on a prediction.
  • the prediction model contains the driver model, which allows an even better estimate of the expected energy consumption to determine the expected route and individual driving behavior.
  • the task is also solved using a method in which the fleet model aggregates the available and calculated data from the individual models, user model, customer preferences, usage group model, charging station model, vehicle model and driver model in order to provide the network operator interface with a forecast of the future expected location-related power and energy requirements.
  • the task is further solved with a service package.
  • the task is also solved using data from calculated models and compiled into a prediction model that is made available to network operators for their network operations.
  • the task is also solved with a business model for offering and commercially distributing data calculated from a prediction model for a network operator.
  • the process minimizes network and energy costs through better prediction and optimizes consumption and thus also CO2 emissions.
  • the improved forecast leads to improved network stability and a reduction in the probability of network failure.
  • a forecast of the future course of the system variable of interest depending on the influencing variables follows the modeling.
  • the prediction model in the system of the network operator 1 for the energy demand is connected on the energy side to the information from the energy supplier 2.
  • Decentralized producers also appear here, which are divided into two categories: controllable producers and non-controllable producers.
  • the focus of the forecast is on non-controllable decentralized producers. Predictive models can be used to determine their electricity production a certain time in advance. This makes it possible to schedule the electric vehicles to charge at times of high production and to pause charging when little electricity is being produced. Is the photovoltaic system or wind farm e.g. B. Part of a company complex, your own electricity consumption can also be increased.
  • the forecast of planned generation is highly dependent on the weather forecast models.
  • the wind speed determines the electricity production of wind turbines.
  • the electricity production of solar systems also varies depending on the duration of irradiation, the intensity and the angle of irradiation of the sun's rays. This means that production from renewable energy sources can change significantly within a short period of time Photovoltaic systems e.g. B. by covering the sun with clouds. Weather forecasts can be used to predict such fluctuations and therefore plan for them at an early stage, but the accuracy of such forecasts is limited. This can lead to instabilities in the network, which can be counteracted through
  • the prediction model according to the invention is based on data and submodels that are collected from electric vehicles and for which submodels serve as a starting point.
  • the prerequisite for this is rechargeable vehicles with the ability to provide information about their position, the destination, the user or their behavior and user preferences.
  • Other data of the electric vehicle also includes the vehicle type with information about the model, the battery size and the performance and performance status information that represents the need for charging or the possibility of discharging.
  • an environment model 3 is used for the prediction model 1, which contains information about the current local weather from the vehicles.
  • the environment model 3 is also able to represent the route of an electric vehicle in the area of the network and use the road load along the route as a parameter.
  • a user model customer preferences 4 is used.
  • This user model customer preferences 4 includes at least information about the time usage of the electric vehicle and its known and most likely routes. This results in driving profiles regarding the performance, the energy consumed and the route segment, e.g. information about gradients. The situational reaction such as route load data reaction is also recorded. This means that a regular route can be adjusted if a traffic jam occurs and the user always takes the same alternative route.
  • Charging profiles are automatically recognized. It is also planned, as an addition or as the sole data collection, that a customer interface is used to enter preferences for charging points, distance from the destination, charging profiles adapted to charging time, charging energy and charging power.
  • the prediction model 1 also uses a usage group model 5, which is constructed dynamically by means of correlation of similar usage groups and/or similar user behavior.
  • Another submodel is a charging station model 6, which provides weather, occupancy data, functional and performance data as well as type information about the charging stations.
  • a submodel represents a vehicle model 7 for determining the state of charge at the end of the journey, which is also based on a prediction.
  • a driver model 8 for determining the expected route and individual driving behavior allows an even better estimate of the expected energy consumption.
  • a fleet model 9 which aggregates the available and calculated data in order to provide and hand over to the network operator interface 10 a forecast of the future expected location-related power and energy requirements.
  • the prediction model 1 is filled with data based on the data from the fleet model 9, which is done via a cloud-based system for calculating the models.
  • the network operator 11 itself provides a network operator interface 10 for reading in the expected network load from the mobile loads connected to the system.
  • the data for the prediction model is handed over to the network operator as a service package. This means that as a supplier you can sell data to the network operator.
  • the collection of data in the manner described above, the calculation of models, the summary of the models and the final calculation are all carried out via Internet connections on the network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell (1), wobei eine Netzbetreiberschnittstelle (10) 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.

Description

Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein
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

Claims

Ansprüche
1 . Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell (1 ), wobei eine Netzbetreiberschnittstelle (10) 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.
2. Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell (1 ) nach Anspruch 1 , wobei eine Netzbetreiberschnittstelle (10) vorliegt und die Daten und Informationen aus Modellberechnungen von einem Umfeldmodell (3) und einem Flottenmodell (9) für einen vordefinierten Netzbereich erhoben werden, wobei in das Flottenmodell (9) Submodelle aus einem Nutzermodell Kundenpräferenzen (4), einem Nutzungsgruppenmodell (5), einem Ladesäulenmodell (6), einem Fahrzeugmodell (7) und einem Fahrermodell (8) eingehen.
3. Verfahren nach Anspruch 1 , wobei das Umfeldmodell (3) 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.
4. Verfahren nach Anspruch 1 , wobei das Nutzermodell Kundenpräferenzen (4) zumindest Informationen umfasst über die zeitliche Nutzung des Elektrofahrzeugs und seine bekannten und wahrscheinlichsten Fahrstrecken, situative Reaktionen auf Verkehrsgeschehnisse, Daten zum Ladeverhalten.
5. Verfahren nach Anspruch 4, wobei Daten zum Ladeverhalten 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.
6. Verfahren nach Anspruch 1 , wobei das Nutzungsgruppenmodell (5), das mittels Korrelation gleichartige Nutzungsgruppen und/ oder gleichartigem Nutzerverhalten dynamisch aufgebaut wird.
7. Verfahren nach Anspruch 1 , wobei das Ladesäulenmodell (6) das Wetter, Belegungsdaten, Funktions- und Leistungsdaten sowie Typinformationen der Ladesäulen bereitstellt.
8. Verfahren nach Anspruch 1 , wobei das Fahrzeugmodell (7) zur Bestimmung des Ladezustands am Ende der Fahrt dient, das ebenfalls auf einer Vorhersage beruht.
9. Verfahren nach Anspruch 1 , wobei das Fahrermodell (8) zur Ermittlung des erwarteten Streckenverlaufs und des individuellen Fahrverhaltens eine noch bessere Abschätzung des zu erwarteten Energieverbrauchs erlaubt.
10. Verfahren nach Anspruch 1 , wobei das Flottenmodell (9) die verfügbaren und berechneten Daten der individuellen Modelle Nutzermodell Kundenpräferenzen (4) Nutzungsgruppenmodell (5), Ladesäulenmodell (6), Fahrzeugmodell (7) und Fahrermodell (8) aggregiert um der Netzbetreiberschnittstelle eine Prognose zum künftig erwarteten ortsbezogenen Leistungs- und Energiebedarf bereitzustellen.
11 . Servicepaket erstellt mit dem Verfahren nach einer der Ansprüche 1 bis 10 bestehend aus Daten aus gerechneten Modellen und zusammengestellt zu einem Vorhersagemodell (1), das Netzbetreibern für deren Netzbetrieb zur Verfügung gestellt wird. Business Modell zum Anbieten und kommerziellen Vertreiben von errechneten Daten aus einem Vorhersagemodell nach einem der Ansprüche 1 bis W für ei- nen Netzbetreiber.
PCT/EP2023/065005 2022-07-07 2023-06-05 Verfahren für die übergabe von daten an einen netzbetreiber für ein vorhersagemodell WO2024008373A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022206962.5 2022-07-07
DE102022206962.5A DE102022206962A1 (de) 2022-07-07 2022-07-07 Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell

Publications (1)

Publication Number Publication Date
WO2024008373A1 true WO2024008373A1 (de) 2024-01-11

Family

ID=86776361

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/065005 WO2024008373A1 (de) 2022-07-07 2023-06-05 Verfahren für die übergabe von daten an einen netzbetreiber für ein vorhersagemodell

Country Status (2)

Country Link
DE (1) DE102022206962A1 (de)
WO (1) WO2024008373A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200161867A1 (en) * 2018-11-15 2020-05-21 Hefei University Of Technology Method, system and storage medium for load dispatch optimization for residential microgrid
DE102019212291A1 (de) * 2019-08-16 2021-02-18 Siemens Aktiengesellschaft Steuern eines Energieaustausches
DE102019215609A1 (de) * 2019-10-11 2021-04-15 Vitesco Technologies GmbH Verfahren und System zum Laden und zur Lastverteilung

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200161867A1 (en) * 2018-11-15 2020-05-21 Hefei University Of Technology Method, system and storage medium for load dispatch optimization for residential microgrid
DE102019212291A1 (de) * 2019-08-16 2021-02-18 Siemens Aktiengesellschaft Steuern eines Energieaustausches
DE102019215609A1 (de) * 2019-10-11 2021-04-15 Vitesco Technologies GmbH Verfahren und System zum Laden und zur Lastverteilung

Also Published As

Publication number Publication date
DE102022206962A1 (de) 2024-01-18

Similar Documents

Publication Publication Date Title
DE102016217162B4 (de) Ladesystem und Verfahren zur Steuerung optimaler Ladevorgänge
DE102010029743B4 (de) Smarter Energie-Netzübergang zur optimierten Energie-Flussteuerung
EP3214718B1 (de) Verfahren und system zum betrieb eines autarken energieversorgungsnetzes
CN108054773A (zh) 一种针对高峰负荷的v2g智能调度服务方法
DE102011008676A1 (de) System und Verfahren zum Aufladen von Batterien von Fahrzeugen
CN110027440B (zh) 一种基于v2g技术负荷高峰期的分层调度方法
DE102020203199A1 (de) Verfahren und System zum Laden und zur Lastverteilung
DE102011008674A1 (de) Verfahren zum Aufladen einer in einem Fahrzeug angeordneten Batterie
DE102013008716A1 (de) Fahrzeug mit einem elektrischen Antrieb sowie Verfahren zum Betreiben eines solchen Fahrzeugs
AT510795B1 (de) Verfahren zum dezentralen energiemanagement für ladestationen für elektrofahrzeuge
DE102012203121A1 (de) Energiemanagementsystem
EP4005861A1 (de) Verfahren zum planen eines leistungsaustausches zwischen einer ladeinfrastruktur und einem elektrischen versorgungsnetz
DE102018206957A1 (de) Energiemanagementvorrichtung und Fahrzeug
DE102022117028A1 (de) Verfahren zur Ladesteuerung eines Elektrofahrzeuges
DE102021107380A1 (de) Energieversorgungssystem und Energieversorgungsverfahren
CN103439931B (zh) 一种电动汽车与电网实时信息交互***
Liu et al. Optimization design of nonstop power exchange system for hydrogen energy trains
EP4122752A1 (de) Verfahren zur ladesteuerung eines elektrofahrzeuges
WO2024008373A1 (de) Verfahren für die übergabe von daten an einen netzbetreiber für ein vorhersagemodell
WO2024008934A1 (de) Verfahren zur optimierung der elektrischen netzlast durch gezieltes laden von elektrofahrzeugen
DE102013208744A1 (de) Verfahren zum automatischen Ermitteln des Energiebedarfs und/oder des Belegungsbedarfs einer Elektrotankstelle und zugehörige DV-Anlagen
CN110053485B (zh) 一种基于无轨电车的线网区域能量管理控制方法及***
EP3719738A1 (de) Koordinationsmodul, intelligenter stromzähler, lokaler energiemarkt sowie energiesystem und verfahren zum betrieb eines energiesystems
WO2020099257A1 (de) Betriebsassistenzverfahren und betriebssystem für ein elektrisch betreibbares fahrzeug
WO2024022696A1 (de) Laden eines elektrofahrzeugs an einem ladepunkt einer liegenschaft

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23731185

Country of ref document: EP

Kind code of ref document: A1