EVA-zentrierte QUBO-Optimierung für die Koordination von Wirkleistung und Blindleistung in DLMP-gesteuerten Verteilnetzen

Warum Ihr Auto helfen könnte, das Licht anzulassen

Mit der Verbreitung von Elektroautos in den Vierteln verwandeln sie sich stillschweigend in eines der leistungsfähigsten Werkzeuge des Netzes. Statt nur ein weiteres Gerät zu sein, das nachts eingesteckt wird, können Batterie und Ladegerät eines geparkten Autos helfen, die Nachfrage zu glätten, die lokale Spannung zu unterstützen und sogar Geld für den Besitzer zu verdienen. Diese Arbeit untersucht, wie Tausende von Elektrofahrzeugen, die zusammen über einen Aggregator agieren, so geplant werden können, dass sie günstig geladen werden, das Netz stabilisieren und sich auf eine Zukunft vorbereiten, in der neue Rechenformen Probleme lösen, die für heutige Methoden zu komplex sind.

Von einzelnen Autos zu koordinierten Schwärmen

Die Studie konzentriert sich auf Aggregatoren für Elektrofahrzeuge — Unternehmen oder Plattformen, die das Laden großer Fahrzeugflotten im Namen der Fahrenden verwalten. Anstatt jedes Auto als isolierte Last zu behandeln, gruppiert der Aggregator Fahrzeuge mit ähnlichen Ankunftszeiten, Energiebedarfen und Ladeleistungen in einige wenige Cluster. Dadurch wird ein weit verzweigtes Problem mit 1.000 Fahrzeugen handhabbar, wobei zugleich berücksichtigt wird, wann jeder Fahrer zu Hause ankommt, wie weit er morgen fahren muss und wie schnell sein Auto laden kann. Diese Cluster fungieren dann als steuerbare Nachfrageblöcke, die zeitlich verschoben oder in ihrer Leistung angepasst werden können, um dem Netz zu helfen.

Eine umgekehrte Machtstruktur, die Flexibilität begünstigt

Traditionell gibt der örtliche Netzbetreiber den Takt vor: Er setzt Preise und Erzeuger und Verbraucher reagieren. Hier wird diese Hierarchie umgedreht. Der Aggregator für Elektrofahrzeuge wird als Führender in einem zweistufigen Spiel behandelt und entscheidet, wie viel Laden und Spannungsunterstützung jeder Cluster über den Tag leisten wird. Der Verteilnetzbetreiber folgt und passt lokale Erzeugung und Netz-Einstellungen als Reaktion an. Preise, bekannt als Verteilnetz-Lokale Marginalpreise (Distribution Locational Marginal Prices, DLMP), erfassen die wahren Kosten der Stromversorgung, einschließlich Verlusten und Überlastungen auf einzelnen Leitungen. Der Aggregator prognostiziert diese Preise, plant seine Flotte entsprechend und aktualisiert dann seinen Plan, während der Betreiber reagiert, wobei der Prozess so lange wiederholt wird, bis keine Partei einen Anreiz für Änderungen hat.

Physik als Puzzle aus Ein-/Aus-Entscheidungen

Die Koordination von Tausenden von Autos über viele Zeitpunkte ist ein kombinatorischer Alptraum. Die Autoren formulieren diese Herausforderung als ein quadratisches, unbeschränktes, binäres Optimierungsproblem, ein sogenanntes QUBO, bei dem kontinuierliche Entscheidungen — wie Leistungsniveaus und Spannungen — in ein Raster von Ein-/Aus-Entscheidungen diskretisiert werden. Clevere Strafterme in der mathematischen Formulierung stellen sicher, dass physikalische Grenzen, wie Ladeleistungsgrenzen, Energiebedarfe und Spannungsgrenzen, eingehalten werden. Eine spektrale Cluster-Methode, ebenfalls in QUBO-Form geschrieben, findet automatisch gut ausbalancierte Fahrzeugcluster. Die resultierenden binären Probleme werden mit einem verbesserten Simulated-Annealing-Algorithmus gelöst, einer Suchstrategie, die von der Abkühlung von Materialien inspiriert ist und das Auffinden energiearmer Zustände ermöglicht — gut geeignet für zukünftige Quantenhardware.

Was passiert, wenn 1.000 Autos mitspielen

Das Framework wird an einem Standard-Verteilnetz mit 33 Knoten und 1.000 Fahrzeugen, aufgeteilt in vier Cluster, getestet. Wenn die Fahrzeuge nur mit ihrer aktiven Ladeleistung reagieren, profitiert das Netz bereits von der verschobenen Nachfrage. Wenn sie außerdem ihre Ladegeräte zur Bereitstellung von Blindleistung nutzen — ein unsichtbarer, aber entscheidender Faktor zur Stabilisierung der Spannung — werden die Vorteile deutlich. Im Vergleich zu konventionelleren Koordinationsschemata sinken die Gesamtsystemkosten um fast 40 Prozent, die Kosten des Netzbetreibers fallen um etwa ein Viertel und die Energiekosten des Aggregators schrumpfen um drei Viertel. Leitungsverluste sinken um fast 5 Prozent, Spannungsabweichungen verbessern sich um etwa 10 Prozent und die Minimalspannungen am Ende des Einspeisungsstrangs steigen über gängige Qualitätsgrenzen.

Neue Einnahmen für Autos und neue Werkzeuge für Ingenieure

Über die technischen Vorteile hinaus eröffnet das Schema eine neue Einnahmequelle: Durch den Verkauf von Spannungsunterstützung erzielt die Flotte über 47 USD pro Tag an Blindleistungszahlungen, während sie zugleich 100 Prozent der Energiebedarfe der Fahrer erfüllt und einen Kundenzufriedenheitsindex von nahe 99 Prozent aufrechterhält. Im Vergleich zu populären Suchmethoden wie Partikelschwarm- und genetischen Algorithmen ist der QUBO-Ansatz zwar langsamer, skaliert aber deutlich besser bei sehr großen Problemen und arbeitet effizient mit modernen kommerziellen Solver-Lösungen. Da QUBO zudem die native Sprache vieler aufkommender Quantencomputer ist, argumentieren die Autoren, dass ihr Framework auf heutigen Maschinen sofort Nutzen bringen kann und zugleich bereit ist, künftige Quantengeschwindigkeitsvorteile zu nutzen, während die Netzelektrifizierung und der Ausbau erneuerbarer Energien weiter voranschreiten.

Zitation: Suri, V., Nagpal, N., Siano, P. et al. EVA-centric QUBO optimization for active and reactive power coordination in DLMP-driven distribution systems. Sci Rep 16, 12513 (2026). https://doi.org/10.1038/s41598-026-35457-x

Schlüsselwörter: Elektrische Fahrzeugaggregation, intelligente Verteilnetze, Lastmanagement, Unterstützung durch Blindleistung, quantum-inspirierte Optimierung