Untersuchung der Auswirkungen von Elektrofahrzeugen auf die Erhöhung der Zuverlässigkeit des Verteilnetzes mithilfe des verbesserten Grauwolf-Entwicklungsalgorithmus-Modells

Elektroautos als versteckte Reserve für das Stromnetz

Elektrofahrzeuge werden meist als neue Geräte betrachtet, die ans Netz angeschlossen werden und viel Strom ziehen. Diese Studie kehrt dieses Bild um. Sie zeigt, wie geparkte Elektroautos, bei sorgfältiger Planung, wie tausende kleine Kraftwerke und Backup‑Batterien wirken können. Durch gezieltes Laden und Zurückspeisen zu passenden Zeitpunkten können sie lokale Verteilnetze zuverlässiger, sauberer und kostengünstiger machen.

Aus einer Herausforderung eine Chance machen

Mit dem zunehmenden Umstieg der Fahrer auf Elektroautos stehen lokale Leitungen unter Druck. Wenn nach Feierabend alle gleichzeitig einstecken, können Spannungen abfallen, Geräte überhitzen und Ausfälle wahrscheinlicher werden. Dieselben Fahrzeugbatterien speichern jedoch viel Energie, die oft ungenutzt ist, während die Fahrzeuge geparkt sind. Unter dem Konzept Vehicle‑to‑Grid behandelt die Studie jedes geparkte Auto als flexiblen Baustein, der je nach Bedarf des Netzes entweder Strom beziehen oder zurückgeben kann. Die zentrale Frage der Autor:innen lautet: Wie sollen wir entscheiden, wo Ladepunkte zu errichten sind, welche Kapazität sie haben sollen und wann die Fahrzeuge laden oder entladen, sodass das Gesamtsystem stärker statt schwächer wird?

Drei Ebenen der intelligenten Entscheidungsfindung

Die Forscher:innen entwickeln ein Planungssystem mit drei eng verknüpften Ebenen. Oben werden langfristige Entscheidungen getroffen: wie viele Ladestationen installiert werden, wo sie im 33‑Knoten‑Testnetz zu platzieren sind und welche Kapazität jede haben soll — alles unter einem festen Budget. In der mittleren Ebene legt ein Tagesvorausplan fest, wann jedes der 150 Elektrofahrzeuge laden oder entladen soll, unter Berücksichtigung von Strompreisen, Ankunfts‑ und Abfahrtszeiten der Fahrer sowie Beschränkungen zum Schutz der Batterie. Unten prüft ein detailliertes Netzmodell, ob die Versorgung auch unter vielen „Was‑wäre‑wenn“-Szenarien gehalten werden kann, etwa bei plötzlichen Nachfragesprüngen oder bei Ausfall einzelner Leitungen oder Transformatoren. Die drei Ebenen tauschen fortlaufend Informationen aus: Investitionsentscheidungen formen die Betriebsoptionen, während Rückmeldungen aus dem Tagesbetrieb beeinflussen, welche Pläne als lohnend gelten.

Schlauere Algorithmen für ein komplexes Problem

Da diese Ebenen auf komplexe Weise interagieren, stoßen herkömmliche Planungswerkzeuge schnell an Grenzen. Die Autor:innen passen ein von der Natur inspiriertes Suchverfahren an — den Grauwolf‑Algorithmus — und erweitern es mit mehreren Tricks: chaotische Startpunkte zur besseren Erkundung des Suchraums, gesteuerte Zufallsänderungen, um Sackgassen zu vermeiden, weite Erkundungssprünge (Lévy‑Flüge) und lokale Feinabstimmung, sobald ein vielversprechender Plan gefunden ist. Dieser verbesserte Algorithmus bewertet tausende kombinierte Stationslayouts, Lademuster und Netzreaktionen und findet schrittweise Entscheidungssets, die die Kosten niedrig halten und gleichzeitig die Zuverlässigkeit deutlich erhöhen.

Was mit dem Netz passiert, wenn Autos aushelfen

Bei Anwendung der Methode auf ein Standardtestnetz sind die Ergebnisse eindrücklich. Der optimierte Plan sieht fünf Ladestationen mit einer Gesamtleistung von 1,55 Megawatt vor und weist 150 Fahrzeuge diesen Stationen zu. Mit koordiniertem Laden und Entladen steigen die minimalen Spannungen im System um etwas mehr als 4 %, und die Spannungsschwankungen werden um mehr als die Hälfte reduziert, sodass die Kunden näher an idealer Netzqualität liegen. Die in den Leitungen als Wärme verlorene Energie sinkt um etwa 23 %, wodurch insgesamt weniger erzeugte Energie benötigt wird. Am wichtigsten ist: Die Energiemenge, die Kunden bei Ausfällen nicht geliefert werden kann, verringert sich um etwa 70 %, und ein kombinierter Zuverlässigkeitswert mehr als verdoppelt sich. Unter simulierten Leitungs‑ und Transformatorausfällen reduziert sich die Notwendigkeit, Lasten abzuschneiden, um zwei Drittel oder mehr, weil nahegelegene Autos das Netz unterstützen.

Warum auch die Wirtschaftlichkeit stimmt

Für Planer und Investoren zählen technische Verbesserungen nur, wenn die Zahlen passen. Hier ist das der Fall. Selbst nach Kosten für Stationen, Wartung, Ladeenergie und zusätzlichem Batterieverschleiß stellt die Studie fest, dass die Vorteile durch vermiedene Ausfälle, geringere Verluste und reduzierte Lastspitzen so groß sind, dass der Barwert über fünf Jahre bei etwa 7,9 Millionen US‑Dollar liegt. Das Nutzen‑Kosten‑Verhältnis übersteigt 17, und die einfache Amortisationszeit beträgt in den Basisannahmen nur wenige Monate. Die Autor:innen betonen, dass diese Kennzahlen davon abhängen, welchen Wert Versorgungsunternehmen und Regulierer der Zuverlässigkeit beimessen, doch Sensitivitätsanalysen zeigen, dass das Projekt selbst bei vorsichtigeren Annahmen und höheren Kosten attraktiv bleibt.

Was das für den Alltag bedeutet

Für Nicht‑Fachleute lautet die Schlussfolgerung: Elektroautos können weit mehr als nur Menschen bewegen — im geparkten Zustand können sie leise das örtliche Netz stützen. Mit durchdachter Planung der Ladepunktstandorte, intelligenter Steuerung, wann Fahrzeuge Strom nehmen und geben, und modernen Optimierungswerkzeugen, die alles zusammenführen, können E‑Fahrzeuge helfen, die Beleuchtung während Geräteausfällen zu sichern, Lastspitzen zu glätten und die Gesamtkosten zu senken. Statt einer Belastung für das Netz zu sein, können große Zahlen koordinierter Elektrofahrzeuge zu einem Eckpfeiler eines zuverlässigeren und effizienteren Stromsystems werden.

Zitation: Naeimi, M., Samiei Moghaddam, M., Azarfar, A. et al. Investigating the impact of electric vehicles on increasing the reliability of the distribution system using the enhanced gray wolf evolutionary algorithm model. Sci Rep 16, 10666 (2026). https://doi.org/10.1038/s41598-026-46206-5

Schlüsselwörter: Elektrofahrzeuge, Vehicle-to-Grid, Zuverlässigkeit des Stromnetzes, Ladeinfrastruktur, metaheuristische Optimierung