Unternehmen in Industrie und Gewerbe beschäftigen sich zunehmend mit der Elektrifizierung ihrer Dienstwagenflotte, und bauen auch öffentlich zugängliche Ladeinfrastruktur für ihre Kunden auf. Eine führende Rolle spielen hierbei Handelsketten, die ihre Filialen derzeit mit Anschlüssen für schnelles Laden (bis 350 kW) ausstatten. Hierdurch kann sich der Leistungsbedarf einer Filiale durch die Ladeinfrastruktur verdoppeln oder vervielfachen. Dies führt zu höheren Leistungspreisen als Teil der Netzentgelte und auch der Netzausbau wird kostenintensiver bzw. ist (zeitnah) nicht möglich.
Im EcoCharge-Projekt wird deswegen ein neuartiger Ansatz verfolgt, der die energetischen Vorgänge im Unternehmen mit hoher Genauigkeit prognostiziert, um sie effizient mit dem Strombedarf der Ladeinfrastruktur koordinieren zu können. Dies gelingt durch ein neuartiges Energiemanagement-System auf der Basis von KI-Technologien. Hierbei wird das Drosseln von Ladevorgängen bewusst vermieden, da dies zu Mindereinnahmen führt und die Kundenakzeptanz schmälert. Der verfolgte Ansatz nutzt insbes. den thermischen Speicher der Kältesysteme aus, welcher häufig im Handel in großer Kapazität bereits vorhanden ist. So werden zusätzliche Investitionen, wie z.B. in elektrische Speicher, vermieden.
Der Ansatz sieht vor, zeitliche Lücken zwischen den Ladevorgängen zu nutzen, um die Kälteprozesse im Markt im Vorfeld einer sich abzeichnenden Bedarfsspitze selektiv zu intensivieren. Damit wird ein Energievorrat aufgebaut, ohne dass sich die hierfür benötigte Leistung auf die Netzgebühren auswirken kann. Dieser Vorrat wird freigesetzt, wenn die Spitze auftritt. Die Ausregelung von Lastspitzen auf der Basis der hier skizzierten Optimierungs-Strategie erfordert eine Kurzzeit-Prognose des Verbrauches. Bei hoher Auslastung der Ladesäulen (z.B. 70-80%) verbleiben nur kurze Zeitintervalle, so dass die Lastspitze min. 2 Stunden im Voraus bekannt sein muss. Der Energiebedarf von Lebensmittelmärkten kann im Tagesverlauf kurzfristig um 20-30% schwanken. Da weder die Prozesse im Markt noch ihre Wechselwirkungen vollständig bekannt sind, entzieht sich die Entwicklung des Verbrauches einer analytischen Beschreibung. Die vorgeschlagene Prognose gelingt durch einen neuartigen Deep-Learning-Algorithmus, welcher mit einer Prozesssteuerung zusammenspielt, die auf die Kältesysteme des Marktes zugreift und deren Leistung durch Vorgabe von Sollwerten steuert.
Projektmitarbeiter: Nick Krüger
Kooperationspartner: Envidatec GmbH
