⚡ electrical engineering

Approximating CCCV charging using SOC-dependent tapered charging power constraints in long-term microgrid planning

Diese Arbeit schlägt einen skalierbaren Ansatz vor, der das Laden von Batteriespeichern in langfristigen Microgrid-Planungsmodellen durch SOC-abhängige Leistungsreduktion (Tapering) realitätsnäher abbildet, um so die Dimensionierung, Kosten und Zuverlässigkeit der Systeme unter dynamischen Betriebsbedingungen zu verbessern.

Ursprüngliche Autoren: Hassan Zahid Butt, Xingpeng Li

Veröffentlicht 2026-03-27

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Hassan Zahid Butt, Xingpeng Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Grundproblem: Der "letzte Schluck" ist schwerer

Stell dir vor, du füllst eine große Wasserflasche auf. Wenn sie leer ist, kannst du den Hahn voll aufdrehen und sie rasch füllen. Aber wenn sie fast voll ist, musst du den Hahn langsam zudrehen, damit das Wasser nicht überläuft oder die Flasche platzt.

Genau das passiert auch bei Batterien in Stromnetzen (den sogenannten Mikronetzen), die mit Solaranlagen arbeiten.

Der alte Glaube: Bisher haben Planer angenommen, dass man eine Batterie einfach mit konstanter Kraft bis zum Rand füllen kann. Das ist wie zu glauben, man könne die Wasserflasche bis zum Überlaufen mit vollem Hahn füllen.
Die Realität: Wenn eine Batterie fast voll ist (hoher "Ladezustand"), wird es schwieriger, sie weiter zu laden. Der innere Widerstand steigt, es entsteht mehr Hitze und Energie geht als Wärme verloren. In der echten Welt drosseln die Batteriesteuersysteme den Ladevorgang automatisch – sie "taperen" (verjüngen) die Leistung.

Was die Forscher gemacht haben

Die Autoren dieser Studie sagen: "Wenn wir das beim Planen ignorieren, bauen wir die falschen Batterien."

Sie haben einen neuen Weg gefunden, dieses "Drosseln" in Computer-Modellen abzubilden. Stell dir vor, sie haben eine Art intelligenter Regler in ihre Planungssoftware eingebaut. Dieser Regler sagt: "Wenn die Batterie zu 80 % voll ist, darfst du nur noch halb so schnell laden. Bei 90 % nur noch ein Viertel so schnell."

Die wichtigsten Erkenntnisse (in Bildern)

Der Effizienz-Vorteil:
In ihrem Test (einer Art Simulation im Computer) haben sie gesehen: Wenn man die Batterie langsam und vorsichtig auflädt, wenn sie fast voll ist, wird weniger Energie in nutzlose Hitze umgewandelt.
- Vergleich: Es ist wie beim Laufen. Wenn du sprintest, bist du schnell, aber du schwitzt extrem und bist schnell erschöpft (viel Energieverlust). Läufst du am Ende des Rennens etwas langsamer, kommst du zwar etwas später an, aber du bist frischer und hast weniger Energie verschwendet.
Die Kosten-Falle:
Das Tückische ist: Weil man am Ende langsamer lädt, dauert der Ladevorgang insgesamt länger.
- Das Problem: Wenn du in einem Notfall (z. B. wenn die Sonne untergeht und die Last steigt) die Batterie schnell laden musst, aber sie durch das "Drosseln" nicht schnell genug Energie aufnehmen kann, brauchst du eine größere Batterie, um den gleichen Effekt zu erzielen.
- Das Ergebnis: Die Studie zeigt, dass Planer, die das Drosseln ignorieren, Batterien zu klein dimensionieren. Das spart zwar anfangs Geld, führt aber später zu Problemen. Wer das Drosseln korrekt plant, muss zwar eine etwas größere (und teurere) Batterie kaufen, hat aber ein zuverlässigeres System.
Das Risiko des Ignorierens:
Der schlimmste Fall ist, wenn man eine kleine Batterie plant (weil man dachte, sie lädt immer schnell) und dann im Betrieb plötzlich das Drosseln aktiv wird.
- Vergleich: Es ist wie ein Taxiunternehmen, das annimmt, alle Taxis könnten immer 100 km/h fahren. Plötzlich muss aber ein Taxi bei Regen nur noch 50 km/h fahren. Wenn sie nicht genug Taxis haben, kommen die Fahrgäste nicht pünktlich an. Im Stromnetz heißt das: Stromausfälle (Lastabwurf), weil die Batterie nicht schnell genug Energie nachliefern kann.

Fazit für den Alltag

Diese Studie warnt davor, Batterien so zu planen, als wären sie unendlich schnell und effizient.

Ohne die neue Methode: Man baut ein System, das in der Theorie billig aussieht, aber in der Realität oft versagt oder ineffizient ist.
Mit der neuen Methode: Man plant von Anfang an mit der "Realität" mit. Man weiß, dass die Batterie gegen Ende langsamer wird. Man kauft vielleicht eine etwas größere Batterie, aber dafür funktioniert das System zuverlässig, hält länger und verschwendet weniger Energie.

Kurz gesagt: Wer eine Batterie plant, muss wissen, dass sie gegen Ende ihres Ladevorgangs "müde" wird und langsamer wird. Wer das ignoriert, baut ein instabiles Stromnetz.

Titel: Approximation von CCCV-Ladevorgängen mittels SOC-abhängiger gedrosselter Ladeleistungsbeschränkungen in der langfristigen Mikrogrid-Planung

1. Problemstellung

Herkömmliche Modelle für die langfristige Planung von Mikrogrids gehen bei der Modellierung von Batteriespeichersystemen (BESS) häufig von einer konstanten Ladeleistung über den gesamten Ladezustand (State of Charge, SOC) aus. Diese Vereinfachung ignoriert physikalische Realitäten, insbesondere den Anstieg des Innenwiderstands bei hohem SOC.

Physikalischer Hintergrund: Auf Zellebene werden Lithium-Ionen-Batterien typischerweise nach dem CCCV-Verfahren (Constant Current – Constant Voltage) geladen. Dies beinhaltet eine Phase mit konstantem Strom, gefolgt von einer "Gedrosselten" (Tapering) Phase, in der der Strom abnimmt, um den Spannungsanstieg zu begrenzen.
Nachteil der aktuellen Modelle: Das Ignorieren dieses Effekts in Planungsmodellen führt zu einer Überschätzung der Ladeflexibilität. Dies kann dazu führen, dass Batterien unterdimensioniert geplant werden, was zu Zuverlässigkeitsproblemen und ineffizientem Betrieb führt, insbesondere in Szenarien mit schnellen Ladeanforderungen (z. B. Elektrofahrzeuge oder Frequenzregelung).
Herausforderung: Eine direkte Implementierung von CCCV auf Packebene ist komplex, aber moderne Batteriemanagementsysteme (BMS) und Wechselrichter können diesen Effekt durch eine dynamische Reduzierung der Ladeleistung bei hohem SOC nachbilden.

2. Methodik

Die Autoren schlagen einen skalierbaren Ansatz vor, um das CCCV-Verhalten durch SOC-abhängige Beschränkungen der Ladeleistung (Tapered Charging Power, TCP) in einem linearen Optimierungsrahmen abzubilden.

Proof-of-Concept (MATLAB/Simulink):
- Zuerst wurde ein Simulationsmodell entwickelt, um den Einfluss von Tapering auf Energieverluste und Effizienz zu quantifizieren.
- Es wurden zwei Szenarien verglichen: Konstantstrom-Laden vs. Tapering-Laden (mit Stufen bei 80%, 90% und 95% SOC).
- Der Innenwiderstand ( $R_s$ ) wurde variiert (0,001 Ω vs. 0,01 Ω), um die Sensitivität zu testen.
- Ergebnis der Simulation: Tapering reduziert die ohmschen Verluste ( $I^2R$ ) signifikant, insbesondere bei höheren Innenwiderständen (z. B. bei Second-Life-Batterien), und verbessert die Ladeeffizienz.
Optimierungsframework (Langfristige Planung):
- Ein mehrjähriger Optimierungsansatz wurde entwickelt, der die Kapitalkosten für PV und BESS sowie Degradationskosten und Lastabwurf-Strafen minimiert.
- Neue Constraints (Gleichungen 19–22):
  - Der SOC-Bereich wird in diskrete Bänder unterteilt (z. B. 0–80%, 80–90%, etc.).
  - Binäre Variablen ( $u_{soc\_band}$ ) bestimmen, in welchem SOC-Band sich die Batterie befindet.
  - Basierend auf dem aktiven Band wird die maximale Ladeleistung ( $P_{chg}$ ) durch einen Tapering-Faktor ( $\beta_b$ ) begrenzt.
  - Dies ersetzt die starre Obergrenze der Ladeleistung im Basis-Modell und erzwingt eine Reduzierung der Leistung bei hohem SOC.

3. Fallstudien und Ergebnisse

Die Methode wurde in einem Pyomo-basierten Optimierungsframework (gelöst mit Gurobi) unter Verwendung synthetischer Last- und PV-Daten getestet, die ein typisches Solar-Last-Mismatch und schnelle Ladeanforderungen simulieren. Vier Szenarien wurden verglichen:

Fall 1 (Tapering aktiv, freie Dimensionierung): Das System wurde unter Berücksichtigung der Tapering-Beschränkungen optimal dimensioniert.
- Ergebnis: Erforderliche BESS-Kapazität stieg auf 13,75 MWh (vs. 11 MWh ohne Tapering). Die Gesamtkosten stiegen auf ca. 12,82 Mio. $.
- Bedeutung: Um die Ladebeschränkungen bei hohem SOC zu kompensieren, muss die Batterie größer dimensioniert werden.
Fall 2 (Tapering deaktiviert, freie Dimensionierung): Das Standardmodell ohne Tapering.
- Ergebnis: Geringere Kosten (12,32 Mio. $) und kleinere Batterie (11 MWh), da die Ladeleistung als unbegrenzt angenommen wurde.
Fall 3 (Tapering deaktiviert, aber mit Fall-1-Dimensionierung): Test, ob die größere Batterie auch ohne Tapering-Beschränkungen besser performt.
- Ergebnis: Gleiche Kosten wie Fall 1, da das Modell keine Strafen für Ineffizienz oder Degradation durch schnelles Laden vorsieht. Dies zeigt, dass der Kostenvorteil von Fall 2 nur durch das Ignorieren physikalischer Verluste entsteht.
Fall 4 (Tapering aktiv, aber mit Fall-2-Dimensionierung): Ein "Stress-Test", bei dem ein System, das ohne Tapering geplant wurde, unter realen Tapering-Bedingungen betrieben wird.
- Ergebnis: Signifikanter Lastabwurf (14.238 MWh).
- Bedeutung: Dies beweist, dass das Ignorieren von Tapering in der Planungsphase zu kritischen Zuverlässigkeitsproblemen führt, wenn das System später realen Betriebsbedingungen ausgesetzt ist.

4. Hauptbeiträge

Modellierung: Einführung einer skalierbaren, linearen Näherung für CCCV-Ladevorgänge in langfristige Planungsmodelle durch SOC-abhängige Leistungsbeschränkungen.
Validierung: Quantifizierung der Effizienzgewinne und Verlustreduktion durch Tapering, insbesondere bei Batterien mit höherem Innenwiderstand.
Planungsimplikation: Demonstration, dass die Vernachlässigung von Tapering zu Unterdimensionierung und Zuverlässigkeitsrisiken führt, während die Berücksichtigung zu höheren Investitionskosten, aber robusteren Systemen führt.

5. Bedeutung und Fazit

Die Studie unterstreicht, dass Tapering ein kritischer Faktor für die genaue Modellierung von BESS-Leistungen in der langfristigen Mikrogrid-Planung ist.

Trade-off: Es besteht ein Zielkonflikt zwischen Ladeeffizienz (durch Tapering verbessert) und Ladezeit/Flexibilität (durch Tapering verschlechtert).
Empfehlung: Planer müssen diese Dynamik berücksichtigen, um realistische Kosten und Zuverlässigkeitsniveaus zu ermitteln. Das Ignorieren dieses Effekts führt zu falschen Investitionsentscheidungen.
Zukunftsausblick: Die Autoren planen, das Modell weiter zu verfeinern, indem sie nichtlineare Zusammenhänge linearisieren, die Zeitauflösung erhöhen (von stündlich auf 15 Minuten) und spezifische Anwendungsfälle wie Frequenzregelung und E-Fahrzeug-Flotten untersuchen.

Zusammenfassend zeigt das Paper, dass realistischere Batteriemodelle, die physikalische Grenzen wie den Anstieg des Innenwiderstands berücksichtigen, notwendig sind, um die Zuverlässigkeit und Wirtschaftlichkeit zukünftiger dezentraler Energiesysteme sicherzustellen.