Optimale Platzierung von Ladestationen für Elektromobile und dezentraler Erzeugung durch Partitionierung des Verteilnetzes mit dem modifizierten Newman‑Fast‑Algorithmus

Die Städte sauberer aufladen

Während immer mehr Fahrer von Benzinern auf Elektrofahrzeuge umsteigen, müssen unsere Stromnetze Schritt halten. Schnelles und bequemes Laden ist entscheidend, aber wenn viele Fahrzeuge gleichzeitig einstecken, kann das lokale Netz aus Masten, Leitungen und Transformatoren an seine Grenzen geraten. Diese Arbeit untersucht, wie Ladestationen für Elektrofahrzeuge und kleine lokale Erzeuger intelligenter platziert werden können, sodass Stadtviertel mehr E‑Fahrzeuge aufnehmen können, ohne dass die Versorgung instabil wird oder die Kosten unnötig steigen.

Große Netze in kleinere Nachbarschaften zerlegen

Statt das Verteilnetz einer Stadt als ein einziges großes Gewirr von Leitungen zu betrachten, teilen die Autoren es in kleinere, elektrisch eng gekoppelte „Nachbarschaften“ auf, sogenannte virtuelle Mikronetze. Sie verwenden eine Methode aus der Netzwerkwissenschaft, den modifizierten Newman‑Fast‑Algorithmus, passen sie jedoch an elektrische Verhältnisse an, indem sie messen, wie stark zwei Punkte im Netz tatsächlich elektrisch miteinander verbunden sind — nicht nur räumlich. Diese Kennzahl, elektrische Kopplungsstärke genannt, vereint, wie leicht Strom zwischen zwei Punkten fließt, und wie viel jede Leitung sicher transportieren kann. Das Ergebnis ist eine Menge von Clustern, in denen die Leitungen innerhalb jedes Clusters stark verbunden sind und als kohärente lokale Zone funktionieren.

Ladepunkte und kleine Kraftwerke dort hinzufügen, wo sie am meisten nützen

Sobald das Netz in diese virtuellen Nachbarschaften aufgeteilt ist, besteht der nächste Schritt darin, für jede Ladestation und jeden dezentralen Erzeuger — etwa einen kleinen Synchron­generator oder eine windbasierte Einheit — einen Standort zu bestimmen. Die Autoren weisen jedem virtuellen Mikronetz genau eine Ladestation und eine kleine Erzeugungseinheit zu. Innerhalb jeder Nachbarschaft suchen sie dann die beste Bus‑ bzw. Knotenauswahl, indem sie sich auf die schwächsten Stellen im System konzentrieren — Orte mit der niedrigsten Spannung und der geringsten Stabilität. Durch die gezielte Verstärkung dieser Punkte lassen sich Verlustenergie reduzieren und Spannungen innerhalb sicherer Grenzen halten, selbst bei wachsendem Ladebedarf durch E‑Fahrzeuge.

Strategien aus der Natur nutzen, um die beste Anordnung zu finden

Die Suche nach der idealen Kombination von Standorten und Größen für Ladepunkte und Erzeuger ist ein großes Puzzle mit vielen Variablen. Zur Lösung vergleichen die Autoren drei fortgeschrittene Suchverfahren, sogenannte metaheuristische Algorithmen. Zwei davon sind neue, naturinspirierte Ansätze: der Starfish‑Optimization‑Algorithmus, der sich am Fress‑ und Regenerationsverhalten von Seesternen orientiert, und der Puma‑Optimization‑Algorithmus, der das Erkundungs‑ und Jagdverhalten von Pumas nachbildet. Der dritte, Particle‑Swarm‑Optimization, ist eine etabliertere Technik, modelliert nach Vogelschwärmen oder Fischschulen. Alle drei zielen darauf ab, die Leistungsverluste in den Leitungen zu minimieren und gleichzeitig einen Stabilitätsindikator der Spannung zu verbessern; zudem müssen sie Betriebsgrenzen wie Leitungsbelastung und Generatorgrößen einhalten.

Große Verbesserungen in kleinen wie großen Netzen

Die Forscher testen ihr Rahmenkonzept an zwei Standard‑Benchmark‑Netzen: einem überschaubaren 33‑Bus‑System und einem deutlich größeren 118‑Bus‑System. Im kleineren Fall reduziert ihre Methode die Wirkleistungsverluste um etwa 82 Prozent und hebt die niedrigste Spannung von einem besorgniserregenden Wert auf einen fast gewünschten Wert, während auch ein Stabilitätsindex deutlich verbessert wird. Im größeren Netz sinken die Verluste um etwa 68–69 Prozent bei ähnlichen Verbesserungen der Spannungsqualität und Stabilität. Unter den drei Suchverfahren konvergiert der puma‑basierte Algorithmus am schnellsten zu hochwertigen Lösungen, besonders im größeren Netz, was darauf hindeutet, dass er sich gut für großskalige Planung eignet, wenn Zeit und Rechenleistung begrenzt sind.

Blick auf echtzeitnahe, erneuerungsreiche Netze

Über die statische Planung hinaus skizziert die Studie, wie sich diese Strategie auf realistischere, zeitvariierende Bedingungen ausdehnen lässt. Die Autoren erstellen tägliche Lastprofile für verschiedene Kundentypen und simulieren unkoordiniertes EV‑Laden, das Spitzenlasten und Netzbelastung erhöht. Anschließend fügen sie windgetriebene Erzeuger in die virtuellen Mikronetze ein und zeigen, dass diese lokalen erneuerbaren Quellen Lastspitzen und Verluste reduzieren und gleichzeitig die Spannung weiter stützen können. Obwohl die vorliegende Arbeit eher die technische Leistungsfähigkeit als Kosten oder Emissionen betrachtet, deutet sie auf eine Zukunft hin, in der Stadtnetze in intelligente Nachbarschaften gegliedert sind, die EV‑Ladepunkte und lokale saubere Erzeugung an präzise gewählten Stellen beherbergen.

Was das für Alltagspendler bedeutet

Für Nicht‑Fachleute ist die Kernbotschaft: Wo wir Ladestationen und kleine Kraftwerke platzieren, ist mindestens so wichtig wie die Anzahl der Anlagen. Indem man das Netz zuerst in natürliche elektrische Nachbarschaften zerlegt und dann intelligente, naturinspirierte Suchverfahren nutzt, um die schwächsten Punkte zu stärken, können Versorgungsunternehmen Verluste drastisch reduzieren, Spannungen stabil halten und Platz für deutlich mehr Elektrofahrzeuge schaffen. Praktisch bedeutet das weniger Stromausfälle oder Spannungseinbrüche, zuverlässigeres Laden und einen glatteren Übergang zu saubererem Verkehr, während erneuerbare Energien und EVs im Alltag an Bedeutung gewinnen.

Zitation: Mohamed, M.A.E., Gawish, A.N.A. & Metwally, M.E. Optimal electric vehicle charging stations and distributed generation placement by partitioning the distribution network using the modified newman fast algorithm. Sci Rep 16, 6341 (2026). https://doi.org/10.1038/s41598-026-35433-5

Schlüsselwörter: Laden von Elektrofahrzeugen, Stromverteilnetze, dezentrale Erzeugung, Netzoptimierung, virtuelle Mikronetze