DIVERGENT – Decision-making and data-processing methods for Vehicle-to-Home power flow management

Geparkte Elektrofahrzeuge (Electric Vehicles, EVs) stellen eine vielversprechende Ressource für die Speicherung fluktuierender erneuerbarer Energie dar. Smartes bidirektionales Laden (Smart Bi-directional Charging, SBC) – also der Austausch relevanter Informationen über Datenverbindungen zwischen Fahrzeug, Ladestation und dem lokalen Energienetzwerk – eröffnet in diesem Kontext die Möglichkeit, das gesamte Netzwerk lokal so zu steuern, dass durch die Nutzung der Fahrzeugbatterie einerseits Leistungsspitzen auf Verbraucherebene (und indirekt auf konventioneller Energieerzeugungsebene) vermieden und andererseits „überschüssige, vorhandene“ erneuerbare Energie optimal genutzt werden kann.

Im Rahmen von DIVERGENT erforschen wir dezentrale Entscheidungsfindungsmethoden (DM-Methoden) und -algorithmen zur Unterstützung dieses intelligenten bidirektionalen Ladens von EVs. Als Basis für die Erforschung unserer DM-Methoden werden sowohl klassische Entscheidungsalgorithmen sowie Ansätze auf der Grundlage von (Multi-Agenten) Reinforcement Learning (MARL) und/oder anderen maschinellen Lernmethoden dienen. Im Kontext der Berücksichtigung einer umfassenden Entscheidungsgrundlage beschäftigen wir uns in DIVERGENT weiters mit den Bereichen der Fahrzeugnutzungssimulation, der Modellierung des EV-Nutzerverhaltens sowie des Energiemanagements, um insbesondere relevante und entscheidende Anforderungen der Stake-holder realistisch und effektiv abbilden sowie auswerten zu können.

Auf der Grundlage unserer Ergebnisse wird ein Wechselstrom-SBC-Labordemonstrator entwickelt, aufgebaut und evaluiert, der den bidirektionalen Energie- und Datenfluss zwischen der EV-Batterie, dem OBC (OnBoard Charger), der automatisierten AC-Ladetechnologie und dem lokalen (Haushalts-)Netz simuliert.

Zusammenfassend werden wir im Zuge von DIVERGENT folgende Ergebnisse erzielen:

1. DM-Methoden, die eine bidirektionale und dynamische Steuerung des EV-Ladeprofils unterstützen und in weiterer Folge

(a) das Energieverbrauchsmuster von Haushalten/Gebäuden, die mit bidirektionalen Ladegeräten ausgestattet sind, optimieren und

(b) Lastspitzen vermeiden, die durch gleichzeitiges Laden und Entladen von EVs verursacht werden

2. Methoden zur Abschätzung des Batteriegesundheitszustands sowie zur Prognose der verbleibenden Batterienutzungsdauer, um die Bewertung und Vorhersage der Auswirkungen von bidirektionalen Ladevorgängen auf die Batterie zu ermöglichen.

3. Einen Labor-Demonstrator zur Integration und Evaluierung der Softwareprototypen für (a) den Electric Vehicle Communication Controller (EVCC) und (b) den Supply Equipment Communication Controller (SECC). Der EVCC und SECC werden über eine drahtlose Schnittstelle zwischen dem Elektrofahrzeug und der Ladeinfrastruktur kommunizieren und den gesamten Strom- und Datenfluss innerhalb des SBC-Prozesses simulieren.