RT23 | Entwicklung eines PHIL-Testsystems mit vortrainiertem KI-basiertem Last- und Lademanagement

Die Elektromobilität ist eine entscheidende Maßnahme zur Verringerung der CO2-Emissionen im Branche und damit zur Milderung der Auswirkungen des Klimawandels. Während die Reichweite von Elektrofahrzeugen (EV) immer weiter zunimmt, wird die Möglichkeit des zeit- und ortsunabhängigen Aufladens zum zentralen Problem der EV. Die drohenden Ausfälle des Stromnetzes und die daraus resultierenden Ladebeschränkungen sind in den Medien und in der öffentlichen Diskussion allgegenwärtig. Um diesen Bedrohungen zu begegnen, sind vor allem zwei Maßnahmen möglich: der Ausbau des Energiesystems und die Netzsteuerung. Der flächendeckende Netz- und Energieversorgungsausbau ist ineffektiv, kostspielig und zeitaufwändig, so dass die Netzsteuerung als verbleibende Möglichkeit bleibt. Im Forschungsprojekt dtec emob wird eine zukunftssichere intelligente Netzsteuerung entwickelt. Um Probleme sowohl auf der Netz- als auch auf der EV-Seite zu vermeiden, besteht sie aus zwei Teilsystemen: einem klassischen Lastmanagementsystem und einem EV-spezifischen Lademanagement-System. Beide Systeme sind so ausgelegt, dass sie den Anforderungen des Hamburger Stromnetzes gerecht werden. Der erste Ansatz im Projekt verwendet einen Reinforcement-Learning-Algorithmus mit dem Ziel, die Überlastung des Mittelspannungs-/Niederspannungstransformators zu reduzieren. Der Steuerungsagent wird in einer Python-Umgebung trainiert, die mit dem Paket pandapower für Leistungsflussberechnungen erweitert wurde. Um die Netzsteuerung zu testen, zu validieren und zu Verfeinern , wird im Projektlabor ein Hardware aufgebaut. Es wird ein Hamburger Niederspannungs-Referenznetz mit 57 Haushaltslasten (jeweils mit einer E-Ladestation und einem E-Fahrzeug) und einem Verteiltransformator verwendet. Die Netzsimulationen werden auf einem OPAL-RT-Simulator mit ePHASORSIM durchgeführt, der ein PowerFactory-Netzmodell für Leistungsflussberechnungen enthält. Ein einzelner Haushaltsnetzanschlusspunkt mit seiner EV-Last wird durch einen optisch angeschlossenen linearen Verstärker als Netzsimulator für die Stromversorgung, eine programmierbare Last für die konventionellen Haushaltslasten, eine intelligente, steuerbare AC-Ladestation (ACC) und ein EV dargestellt. Der vortrainierte Agent wird anschließend von Python in die Simulink-basierte Echtzeitumgebung von OPAL-RT übertragen, wo er Simulations- und Messergebnisse erhält. Er steuert die Ladeleistung jedes simulierten Fahrzeugs sowie die Ladeleistung der mitgelieferten hardware über die eingebauten Kommunikationsschnittstellen, um die Leistungsabgabe des ACC zu begrenzen. Der derzeitige Schwerpunkt des Projekts besteht darin, den vortrainierten Agenten in seine neue Umgebung zu übertragen und den Kommunikationskanal des ACC mit den in OPAL-RT enthaltenen Kommunikationsausgängen zu nutzen, um ihn zu steuern. Weitere Forschungsschwerpunkte sind die Erweiterung des PHIL-Systems um HP-DC-Ladegeräte, bidirektionale Ladestationen, digitale Zwillinge verschiedener Mobilitätsträger und Verkehrsflusssimulationen von Hamburg.