Ein materialinspiriertes, verbessertes Generationsverfahren zur Last-Frequenz-Regelung in EV-integrierten Stromsystemen

Warum eine stabile Netzfrequenz wichtig ist

Jedes Gerät in unseren Haushalten, von Kühlschränken bis zu Handy-Ladegeräten, ist darauf angewiesen, dass das Stromnetz eine nahezu konstante Frequenz hält. Mit der Zunahme an Elektrofahrzeugen (EVs) und der verstärkten überregionalen Stromübertragung wird das Halten dieser Frequenz schwieriger. Diese Studie untersucht einen neuen Ansatz zur Feinabstimmung von Netzreglern, damit sie konventionelle Kraftwerke und große EV-Flotten zugleich handhaben können und das System stabil und zuverlässig bleibt.

Elektroautos als Helfer, nicht nur als Verbraucher

Moderne Stromnetze sind zunehmend miteinander vernetzt, wobei große Regionen über Kopplungsleitungen Strom teilen. Gleichzeitig treten Millionen von EVs als flexible, schnell reagierende Lasten auf. EVs verbrauchen nicht nur Energie; wenn sie über geeignete Leistungselektronik angeschlossen sind, können sie kurzzeitig auch Strom ins Netz zurückgeben und so die Frequenz nach einer Störung, z. B. einem plötzlichen Lastanstieg, stabilisieren. Allerdings sind Lade- und Fahrmuster der EVs unvorhersehbar, und erneuerbare Quellen wie Wind und Sonne sorgen für zusätzliche Schwankungen. Traditionelle Regelungsmethoden mit einfachen Abstimmungsregeln tun sich mit dieser Mischung aus Unsicherheiten oft schwer, was zu unerwünschten Schwingungen der Netzfrequenz und zu Leistungsflüssen zwischen Regionen führen kann.

Ein chemieinspiriertes Suchverfahren für bessere Einstellungen

Die Autorinnen und Autoren bauen auf einem jüngeren "Materialgeneration"-Algorithmus auf, der Ideen aus der Bildung stabiler chemischer Verbindungen übernimmt. In dieser Sichtweise entspricht jede mögliche Einstellung eines Reglers einem Material aus verschiedenen Elementen. Der Algorithmus bildet, spaltet und rekombiniert diese virtuellen Materialien und bewertet ihre „Stabilität“ danach, wie gut sie in Computersimulationen Frequenz und Kopplungsleitungen innerhalb der Grenzwerte halten. Die ursprüngliche Version dieser Methode wies jedoch eine Schwäche auf, die viele Suchverfahren kennen: Sie konnte sich zu früh auf eine nur ausreichende Lösung festlegen und das weitere Erkunden besserer Lösungen einstellen, besonders in komplexen, hochdimensionalen Problemen.

Eine intelligente Kurvenanpassung, um nicht stecken zu bleiben

Um dem entgegenzuwirken, stellt die Studie einen Improved Material Generation Algorithm (IMGA) vor. Neben den chemieinspirierten Operationen führt IMGA periodisch einen kleinen, lokalen "Kurvenanpassungs"-Schritt durch: Er betrachtet drei benachbarte Lösungen und legt eine einfache gekrümmte Linie (eine Parabel) durch deren Leistungswerte. Aus dieser Kurve schätzt er einen besseren, nahegelegenen Prüfpunkt ab. Dieser quadratische Interpolationsschritt verleiht der Suche eine Richtungsinformation, sodass sie vielversprechende Regionen gezielter ansteuern kann, ohne auf eine einzelne beste Lösung als Anführer angewiesen zu sein. Ein probabilistischer Schalter entscheidet, wann dieser kurvenbasierte Zug gegenüber der ursprünglichen zufälligen Rekombination eingesetzt wird, wodurch die Vielfalt im Kandidatenpool erhalten bleibt und die Suche lokale Sackgassen leichter verlassen kann.

Test auf einem geteilten Netz mit EV-Flotten

Um zu prüfen, ob sich diese intelligentere Suche in der Praxis auszahlt, modellieren die Autorinnen und Autoren ein Netz mit zwei miteinander verbundenen Gebieten, die jeweils von konventionellen thermischen Kraftwerken und großen EV-Flotten versorgt werden. Sie verwenden einen geschichteten Regler: Eine äußere Schleife reagiert schnell auf plötzliche Änderungen, während eine innere Schleife stationäre Fehler beseitigt. IMGA stimmt die Verstärkungswerte dieses kaskadierten Reglers so ab, dass in Simulationen Frequenzabweichungen und Schwankungen im Kopplungsleistungsfluss möglichst klein und kurzlebig ausfallen. Der verbesserte Algorithmus wird mit mehreren bekannten Suchverfahren verglichen, darunter Particle Swarm Optimization und andere moderne Metaheuristiken, über eine Reihe von Szenarien: mit und ohne EV-Beteiligung, Störungen in dem einen oder dem anderen Gebiet sowie unregelmäßige, stufenartige Laständerungen.

Was die Simulationen zeigen

In allen Fällen findet IMGA konsistent Reglereinstellungen, die das Netz glatter reagieren lassen als die Alternativen. Er konvergiert schneller und zuverlässiger und zeigt eine geringere Streuung zwischen besten und schlechtesten Läufen. Mit aktiv unterstützenden EVs reduziert der abgestimmte Regler die Tiefe des anfänglichen Frequenzabfalls um bis zu etwa die Hälfte und verkürzt die Einschwingzeit um einige Sekunden im Vergleich zum Betrieb ohne EV-Unterstützung. Bei beliebigen Laständerungen hält der durch IMGA abgestimmte Regler sowohl die Frequenz als auch den Leistungsfluss zwischen den beiden Gebieten näher an den Sollwerten als ein zuvor vorgeschlagenes Design, dämpft Schwingungen schneller und begrenzt Überschwinger stärker.

Was das für zukünftige Netze bedeutet

Einfach gesagt zeigt die Studie, dass ein intelligenteres, chemie- und kurveninspiriertes Suchverfahren bessere Einstellmöglichkeiten für Netzregler finden kann, sodass EV-Flotten als stabilisierende Partner effektiv genutzt werden können. Der verbesserte Algorithmus liefert in Simulationen eine engere Frequenzregelung und ein gleichmäßigeres Leistungsbündeln zwischen Regionen, selbst unter rauschenden und wechselnden Bedingungen. Zwar sind die Modelle für EVs und Netz noch vereinfacht und auf ein Zwei-Gebiets-System getestet, doch deuten die Ergebnisse darauf hin, dass solche fortgeschrittenen Abstimmungswerkzeuge künftigen, EV-reichen Stromsystemen helfen könnten, stabil und zuverlässig zu bleiben, ohne kostspielige Überdimensionierung.

Zitation: Almutairi, S.Z., Ginidi, A.R. An improved material-inspired generation algorithm for load frequency control in EV-integrated power systems. Sci Rep 16, 13020 (2026). https://doi.org/10.1038/s41598-026-47360-6

Schlüsselwörter: Elektrofahrzeuge, Stabilität des Stromnetzes, Frequenzregelung, Optimierungsalgorithmen, intelligente Netze