Maschinelles Lernen ist Schlüsselfaktor für intelligentes Laden

Um das Stromnetz bei steigendem Anteil erneuerbarer Energien stabil zu halten, wird Flexibilität in Form von anderen Stromerzeugern, Verbrauchern und Speichern benötigt. Glücklicherweise steht mit Elektroautos eine solche Flexibilität bereit. Die Ampel-Parteien planen mit 15 Millionen Elektroautos im Jahr 2030, was bei typischen Batteriegrößen von 20 bis 100 Kilowattstunden einer Gesamtspeicherkapazität von rund einer Terawattstunde entspricht. Nur zum Vergleich: Alle bis 2020 in Betrieb genommenen stationären Batteriespeicher haben eine Kapazität von knapp 2 Gigawattstunden und die deutschen Pumpspeicherkraftwerke insgesamt rund 40 Gigawattstunden, also nur etwas einem fünfhundertstel beziehungsweise 4 Prozent der theoretischen Kapazität der Elektroautos.

Um dieses Potential zu nutzen, gibt es verschiedene Ansätze, die sich grob in die Kategorien „Smart Charging“, „Vehicle-to-Home“ (alternativ auch „Vehicle-to-Building“) und „Vehicle-to-Grid“ zusammenfassen lassen. Bei ersterem wird geladen, wenn zum Beispiel gerade sehr viel erneuerbarer Strom erzeugt wird oder das Netz wenig belastet ist. Bei der zweiten Kategorie wird das Fahrzeug auch aus der eigenen Photovoltaik-Anlage geladen oder entladen, um beispielsweise Verbrauchsspitzen durch andere Geräte am selben Netzanschlusspunkt auszugleichen. Bei „Vehicle-to-Grid“ wird neben der Ladung aus dem Netz auch ins öffentliche Stromnetz entladen, um bei Stromknappheit zusätzliche Leistung zur Verfügung zu stellen. Diese Konzepte haben wir in unserem vorherigen Artikel im Detail beschrieben und halten uns daher an dieser Stelle kurz.

mehr…

Quelle: https://www.pv-magazine.de