Techno-Economic Analysis of Shared Mobile Storage for Demand Charge Reduction
Dieses Paper schlägt ein hochpräzises Framework für gemischt-ganzzahlige lineare Programmierung mit einer auf Grenzwerten basierenden Heuristik vor, um zu demonstrieren, dass geteilte Elektrofahrzeugflotten Leistungspreise effektiv senken und unter realistischen logistischen Randbedingungen eine technologisch-ökonomische Rentabilität erreichen können, was durch reale Daten aus San Francisco validiert wurde.
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
Stellen Sie sich vor, Sie besitzen eine große Fabrik oder ein Bürogebäude. Ihre Stromrechnung besteht aus zwei Teilen: einem für die gesamte Menge an verbrauchter Energie und einem zweiten, oft massiven Gebührenposten, der als „Leistungspreis“ (Demand Charge) bezeichnet wird. Diese Gebühr basiert auf Ihrem einzelnen höchsten Stromverbrauch innerhalb eines kurzen Zeitfensters (wie etwa 15 Minuten). Es ist so, als würde ein Restaurant Ihnen nicht nur das berechnen, was Sie gegessen haben, sondern auch den Moment berechnen, in dem Sie das teuerste Gericht bestellt haben, unabhängig davon, wie viel Sie den Rest des Monats über gegessen haben.
Traditionell lösen Unternehmen dies, indem sie riesige, stationäre Batterien kaufen, die auf ihrem Grundstück stehen. Aber diese Batterien sind teuer in der Anschaffung, nehmen Platz weg und können nur dem Gebäude helfen, an das sie angeschlossen sind.
Dieses Paper schlägt eine intelligentere, flexiblere Idee vor: Das „Ridesharing“ für Elektrizität.
Das Kernkonzept: Mobile Powerbanks
Anstatt dass jedes Gebäude seine eigene riesige Batterie kauft, stellen Sie sich eine Flotte von Elektrofahrzeugen (EVs) vor, die als mobile Powerbanks fungieren. Diese Autos verfügen über spezielle Ladegeräte, die es ihnen ermöglichen, nicht nur Strom aus dem Netz zu beziehen, sondern auch Strom an ein Gebäude zurückzugeben.
So funktioniert das „Ridesharing“:
- Der Fahrer: Ein Flottenbetreiber besitzt mehrere Elektrofahrzeuge und stellt Fahrer ein.
- Die Mission: Wenn ein Gebäude kurz davor steht, seinen „Spike“ (Leistungsspitze) im Stromverbrauch zu erreichen, wird ein Fahrer zu diesem Standort entsandt.
- Der Austausch: Das Elektrofahrzeug kommt an, schließt sich an und speist die Energie aus seiner Batterie in das Gebäude ein, gerade lang genug, um diesen Spike abzuflachen.
- Die Weiterfahrt: Sobald der Spike vorbei ist, fährt das Elektrofahrzeug zum nächsten Gebäude, das Hilfe benötigt, oder kehrt zu einer zentralen Basis zurück, um wieder aufzuladen.
Die versteckten Kosten (Das Problem von „Verkehr“ und „Verschleiß“)
Den Autoren wurde klar, dass frühere Studien zu optimistisch waren. Sie behandelten Elektrofahrzeuge wie Zauberstäbe, die teleportieren können. In der Realität kostet das Bewegen eines Autos Geld und Energie. Das Paper führt ein „High-Fidelity“-Modell (ein sehr realistisches Modell) ein, das drei unordentliche Realitäten berücksichtigt:
- Der Arbeitsweg: Das Auto muss zum Einsatzort fahren. Dies verbraucht Batterieenergie (Transitenergie) und kostet Geld.
- Der Fahrer: Jemand muss das Auto fahren. Das Paper berechnet die tatsächlichen Löhne des Fahrers, was sich als der größte Kostenfaktor herausstellt.
- Der Verschleiß: Jedes Mal, wenn die Batterie genutzt wird, altert sie ein Stück mehr. Das Paper berechnet die Kosten dieser „Batterie-Abnutzung“ (Depreciation).
Die Lösung: Ein intelligenter Disponent
Um dies zum Laufen zu bringen, entwickelten die Forscher ein komplexes mathematisches Modell (ein „Mixed-Integer Linear Program“), um den perfekten Zeitplan zu ermitteln. Es ist wie ein superintelligentes GPS, das entscheidet:
- Welches Auto sollte zu welchem Gebäude fahren?
- Wann sollte es die Ladestation verlassen?
- Wann sollte es ankommen, um zu helfen?
- Soll es jetzt laden oder später?
Da die perfekte Lösung für eine ganze Stadt für Computer extrem langsam und schwierig zu berechnen ist, haben sie auch eine „Marginal-Value Heuristic“ (eine Heuristik des Grenzwerts) erfunden.
- Die Analogie: Denken Sie an einen smarten Lieferfahrer, der nicht versucht, die perfekte Route für die ganze Woche im Voraus zu planen. Stattdessen fragt er sich in jedem Moment: „Welcher Kunde zahlt gerade am meisten? Welches meiner Autos hat heute noch am wenigsten gearbeitet? Lasst uns genau dieses Auto zu diesem Kunden schicken.“
- Diese Methode ist schnell und liefert Ergebnisse, die fast so gut sind wie die perfekte Lösung, aber sie benötigt nur Minuten statt Stunden.
Was sie herausgefunden haben (Die Ergebnisse)
Unter Verwendung realer Daten aus San Francisco führten die Teams Simulationen durch, um zu sehen, ob dieses Geschäftsmodell tatsächlich Geld verdient.
- Es funktioniert, aber die Arbeit ist der Schlüssel: Das System kann Unternehmen viel Geld bei ihren Leistungspreisen sparen. Allerdings ist das Gehalt der Fahrer die größte Hürde. Wenn die Fahrer zu teuer sind, macht das Unternehmen Verlust. Die Studie legt nahe, dass für die Profitabilität die Einsparungen bei der Stromrechnung hoch genug sein müssen, um die Lohnkosten zu decken.
- Die „gestufte“ Strategie ist am besten: Nicht alle Gebäude sind gleich. Einige sind klein (Schedule B-10) und einige sind riesig (Schedule B-19).
- Die Forscher fanden heraus, dass der beste Ansatz ein gestufter Ansatz (Tiered Approach) ist: Geben Sie den kleinen Gebäuden Standard-Ladegeräte und den riesigen Gebäuden Super-Schnellladegeräte. Dieser Mix spart mehr Geld, als wenn man jedem den gleichen Typ von Ladegerät geben würde.
- Saisonale Unterschiede: Das Geschäft ist im Sommer wesentlich profitabler als im Winter. Das liegt daran, dass die Nachfragespitzen in heißen Sommernachmittagen höher und teurer sind.
- Winter: Eine Flotte von 3 Autos könnte etwa 30.000 $ pro Monat sparen.
- Sommer: Eine Flotte von 6 Autos könnte fast 100.000 $ pro Monat sparen.
- Abnehmender Grenznutzen: Das Hinzufügen von mehr Autos hilft, aber nur bis zu einem gewissen Punkt. Die ersten paar Autos beheben die größten, teuersten Spitzen. Das zehnte Auto behebt nur noch winzige, billige Spitzen, sodass es den zusätzlichen Fahrer-Lohn vielleicht nicht wert ist.
Das Fazit
Dieses Paper beweist, dass die Nutzung geteilter Elektrofahrzeuge als mobile Batterien eine technisch und wirtschaftlich praktikable Idee ist, aber kein Allheilmittel darstellt. Es erfordert eine sorgfältige Planung, um sicherzustellen, dass das durch die Stromrechnungen gesparte Geld größer ist als die Kosten für die Fahrer, den Verschleiß der Autos und den Kraftstoff, der benötigt wird, um die Autos zu den Einsatzorten zu fahren.
Die Autoren kommen zu dem Schluss, dass während stationäre Batterien starr und teuer sind, eine „Flotte mobiler Batterien“ ein hochprofitables Werkzeug für Unternehmen sein kann, sofern die Betriebskosten (insbesondere die Arbeitskosten) korrekt gesteuert werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.