⚡ electrical engineering

Quantifying Realizable Flexibility Limits in Fast and Ultra-Fast EV Charging Using Real-World Data

Diese Arbeit präsentiert ein datengesteuertes Framework unter Verwendung von 252 realen Ladevorgängen, um die intrinsischen, zeitabhängigen Flexibilitätsgrenzen des schnellen und ultra-schnellen E-Fahrzeug-Ladens zu quantifizieren, wobei aufgezeigt wird, dass die tatsächlichen Kapazitäten durch Beschränkungen des Batteriemanagementsystems und nicht durch eine einfache Leistungssteuerbarkeit streng begrenzt sind.

Ursprüngliche Autoren: Cesar Diaz-Londono, Liu Zhang, Jorge De La Cruz, Hamidreza Arasteh, Anand R., Daogui Tang, Josep M. Guerrero

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Cesar Diaz-Londono, Liu Zhang, Jorge De La Cruz, Hamidreza Arasteh, Anand R., Daogui Tang, Josep M. Guerrero

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 Flotte von Elektrofahrzeugen (EVs), die an Schnellladestationen einer Tankstelle angeschlossen sind. Der Netzbetreiber möchte wissen: „Wie sehr können wir diese Autos bitten, ihr Ladeverhalten zu ändern, um das Stromnetz zu unterstützen?“ Vielleicht möchte er, dass die Autos ein wenig langsamer laden, um Energie zu sparen, oder dass sie während einer Spitzenlastzeit sogar ein wenig Energie zurück ins Netz einspeisen.

Dieses Paper sagt: „Hören Sie auf zu raten. Lassen Sie uns die tatsächlichen Daten betrachten, um zu sehen, was physikalisch möglich ist.“

Hier ist die Aufschlüsselung der Ergebnisse unter Verwendung einfacher Analogien:

1. Der „Fahrer“ vs. das „Auto“ (Wer hat die Kontrolle?)

Die meisten Menschen denken, die Ladestation (der „Stecker“) sei verantwortlich. Sie stellen sich vor, der Netzbetreiber könne der Station einfach sagen: „Hey, regle die Leistung jetzt um 50 % runter!“

Die Realität des Papers: Das Auto ist tatsächlich der Chef.
Betrachten Sie das Batteriemanagementsystem (BMS) des Autos als einen strengen Personal Trainer. Der Trainer weiß genau, wie viel die Batterie in jedem gegebenen Moment verträgt.

Wenn die Batterie leer ist, sagt der Trainer: „Gib Gas! Lade mit voller Geschwindigkeit!“
Wenn die Batterie fast voll ist, sagt der Trainer: „Werde langsamer! Wir dürfen nicht zu stark drücken, sonst verletzen wir die Batterie.“
Die Lektion: Man kann das Auto nicht einfach willkürlich in seiner Geschwindigkeit zwingen zu ändern. Das Auto hat einen vordefinierten „Trainingsplan“ (eine Power-SoC-Kurve), dem es folgen muss, um sicher zu bleiben. Bei der Flexibilität geht es nicht darum, einen Regler zu drehen; es geht darum, den Zeitpunkt dieses Trainingsplans zu verschieben.

2. Das „Wartezimmer“ (Wo die Flexibilität lebt)

Das Paper analysiert 252 reale Ladevorgänge von 52 verschiedenen Automarken. Es fand heraus, dass Flexibilität nur im „Wartezimmer“ existiert.

Der obligatorische Teil: Wenn Sie einstecken, muss das Auto beispielsweise von 20 % auf 80 % so schnell wie möglich laden. Sie können nicht verlangen, dass es hier langsamer lädt, ohne Ihre Reise zu verzögern.
Die Standzeit: Flexibilität existiert nur, wenn Sie nach Erreichen Ihres Ziel-Ladezustands noch angesteckt bleiben.
- Analogie: Stellen Sie sich vor, Sie beenden Ihr Training um 17:00 Uhr, bleiben aber bis 18:00 Uhr im Fitnessstudio. Diese zusätzliche Stunde ist Ihr „Flexibilitätsfenster“.
- Das Paper zeigt: Wenn Sie diese zusätzliche Zeit haben, können Sie verschieben, wann Sie während des Trainings Ihr Wasser (Energie) trinken, aber Sie können das Training selbst nicht verändern.

3. Das „Gleitende Fenster“ (Wie viel können wir bewegen?)

Die Forscher nutzten ein „gleitendes Fenster“-Konzept (sliding window), um Flexibilität zu messen.

Stellen Sie sich ein 10-minütiges Zeitfenster zusätzlicher Zeit vor.
Frage: Wie viel Energie können wir innerhalb dieser 10 Minuten hin- und herschieben?
Antwort: Es kommt auf das Auto an. Einige Autos können viel Energie verschieben; andere können nur ein winziges Stück verschieben.
Das Ergebnis: Je mehr zusätzliche Zeit Sie haben (je länger die Standzeit), desto mehr Energie können Sie verschieben. Aber es ist nicht unendlich. Es ist begrenzt durch die Batteriegröße des Autos und seinen spezifischen „Trainingsplan“.

4. Die „Einbahnstraße“ (Laden und Entladen)

Das Paper untersuchte auch die bidirektionale Flexibilität (Vehicle-to-Grid), bei der das Auto Energie zurück an das Netz gibt.

Die Analogie: Stellen Sie sich vor, Sie sind im Fitnessstudio. Sie haben 10 Minuten extra Zeit. Können Sie eine kurze Serie Liegestütze machen (entladen) und dann Ihr Training abschließen (aufladen), bevor Sie gehen?
Der Haken: Sie können dies nur tun, wenn:
1. Sie genug Zeit haben, um die Liegestütze zu machen und wieder Ihren Zielzustand zu erreichen, bevor Sie gehen.
2. Ihr Trainer (BMS) zustimmt, dass es sicher ist, so hart zu trainieren.
Das Ergebnis: Das Paper stellte fest, dass die Menge der Energie, die ein Auto zurückgeben kann, strikt begrenzt ist. Manchmal, je nachdem, wann man das Manöver startet, kann ein Auto doppelt so viel Energie zurückgeben, wie man erwarten würde, aber nur, wenn das Timing perfekt ist. Wenn man versucht, zu tief oder zu lange zu gehen, schaltet der „Trainer“ es ab, um die Batterie zu schützen.

5. Die Lücke zwischen „Realität“ und „Theorie“

Viele vorangegangene Studien gingen davon aus, dass E-Autos wie einfache Eimer seien, die man mit jeder beliebigen Geschwindigkeit füllen oder leeren kann.

Die Korrektur des Papers: E-Autos sind keine einfachen Eimer. Sie sind komplexe, intelligente Geräte mit strengen Sicherheitsregeln.
Die Erkenntnis: Man kann die Flexibilität eines E-Autos nicht als einen „steuerbaren Leistungsschalter“ behandeln. Stattdessen ist es eine „gebundene Energieressource“.
- Sie ist zustandsabhängig: Es hängt davon ab, wie voll die Batterie ist.
- Sie ist zeitabhängig: Es hängt davon ab, wie lange das Auto parkt.
- Sie ist markenspezifisch: Ein Tesla verhält sich anders als ein Ford oder ein Hyundai.

Zusammenfassung

Das Paper sagt uns, dass wir, um Elektroautos zur Unterstützung des Stromnetzes einzusetzen, aufhören müssen zu fragen: „Wie viel Leistung können wir an- oder ausschalten?“ und stattdessen fragen müssen: „Wie viel Energie können wir zeitlich verschieben, unter Berücksichtigung der spezifischen Regeln des Autos und der Dauer, die es parkt?“

Die Flexibilität ist real, aber sie ist gebunden, vorhersehbar und strikt begrenzt durch die eigenen Sicherheitssysteme des Autos und den Zeitplan des Nutzers. Sie ist kein Zauberstab, sondern eine sorgfältig berechnete Gelegenheit.

Technisches Resümee: Quantifizierung realisierbarer Flexibilitätsgrenzen beim Schnell- und Ultra-Schnellladen von E-Fahrzeugen unter Verwendung von Realdaten

1. Problemstellung

Die rasante Elektrifizierung des Transportwesens hat Elektrofahrzeuge (EVs) als kritische dezentrale Energieressourcen positioniert, die zur Netzstabilität, zur Integration erneuerbarer Energien und zur Entlastung von Engpässen beitragen können. Die bestehende Literatur modelliert die Flexibilität von EVs jedoch häufig als frei steuerbare Leistungsressource und stützt sich dabei auf vereinfachte Annahmen wie das Laden mit konstanter Leistung oder willkürliche zeitliche Verschiebungen. Diese Modelle berücksichtigen nicht die intrinsischen physikalischen Einschränkungen des schnellen und ultra-schnellen DC-Ladens, bei dem die Ladekurve eng durch das Batteriemanagementsystem (BMS) des Fahrzeugs, die Batteriemanagement-Chemie und Schutzgrenzwerte gesteuert wird.

Das zentrale Problem, das hier adressiert wird, ist das Fehlen eines realistischen Rahmens zur Quantifizierung der physikalisch erreichbaren Flexibilität von Schnell- und Ultra-Schnelllade-Sessions. Aktuelle Ansätze vernachlässigen die nicht-lineare, zustandsabhängige Natur der Leistungs–SoC-Beziehungen (State of Charge) und die entscheidende Rolle der verfügbaren Leerzeit. Infolgedessen könnten Netzbetreiber und Aggregatoren die Steuerbarkeit von EV-Flotten überschätzen, was zu nicht durchführbaren Zeitplänen und potenzieller Batteriedegradation führt.

2. Methodik

Das Paper schlägt einen datengesteuerten, trajektorienbewussten Rahmen vor, um die Flexibilität von EVs als einen energiegebundenen und zeitbeschränkten Prozess zu quantifizieren. Die Methodik basiert auf den folgenden Säulen:

Echtzeit-Datensatz: Die Studie nutzt 252 reale DC-Ladesessions von Fastned, die 52 EV-Marken und 141 unterschiedliche Power–SoC-Verhaltensweisen abdecken. Diese Profile erstrecken sich über Batteriekapazitäten von 18,7 kWh bis 111,2 kWh und Spitzenladeleistungen von 35 kW bis 403 kW.
Profilrekonstruktion: Um Konsistenz zu gewährleisten, werden unvollständige Roh-Telemetriedaten in vollständige 1–100 % SoC-Trajektorien rekonstruiert. An den Grenzen wird eine lineare Extrapolation mit einer minimalen Leistungsuntergrenze angewendet, um Trends beizubehalten, ohne künstliche Annahmen zu treffen.
Synthetische Entlademodellierung: Aufgrund der Knappheit an realen Vehicle-to-Grid (V2G)-Daten werden synthetische Entladeprofile generiert. Diese werden aus gemessenen Ladekurven mittels eines spannungsbegrenzten Batteriemodells abgeleitet. Die Methode verwendet Mirror-Mapping um einen zentralen SoC (50 %), Amplitudenskalierung, eine weiche Spitzenleistungskappung (90. Perzentil) und Rampenratenbegrenzung, um physikalisch plausible, konservative Entladungsenvelopes zu erstellen.
Flexibilitätsformulierung:
- Unidirektionale Flexibilität: Definiert als die maximal verschiebbare Ladeenergie innerhalb eines bestimmten Zeitfensters ( $\Delta t$ ), während der Ziel-SoC beibehalten wird. Eine gleitende Fensteranalyse identifiziert die oberen und unteren Grenzen der Energie, die zeitlich umverteilt werden kann.
- Bidirektionale Flexibilität: Definiert als die maximal extrahierbare Entladeenergie, gefolgt von einem Wiederaufladen auf den Ziel-SoC. Dies wird begrenzt durch:
  1. Zeitliche Durchführbarkeit: Die Entladung und das anschließende Aufladen müssen innerhalb der verfügbaren Leerzeit erfolgen.
  2. Batterieschutz: Zu den Einschränkungen gehören ein minimaler SoC-Grenzwert ( $SoC_{prot}$ ) und eine maximale Entladetiefe ( $\Delta SoC_{max} = 60\%$ ) pro Session, um übermäßige Degradation zu verhindern.
Flottenweite Aggregation: Der Rahmen aggregiert Einzelev-Ergebnisse, um Flotten-Flexibilitätsgrenzen, Durchführbarkeitskarten und statistische Indikatoren (z. B. Durchführbarkeitsraten, normalisierte Flexibilität) zu generieren.

3. Zentrale Beiträge

Das Paper leistet vier wesentliche Beiträge zum aktuellen Stand der Technik:

Umfassender BMS-bewusster Datensatz: Die Erstellung eines einheitlichen Datensatzes von 141 unterschiedlichen Power–SoC-Trajektorien, abgeleitet aus 252 realen Schnell-/Ultra-Schnell-Ladesessions, kategorisiert in drei Gruppen basierend auf der Ladefähigkeit (Standard Fast, High-Power Fast und Ultra-Fast).
Systematische Leistungsbewertung: Eine systematische Analyse der Ladeleistung über verschiedene Ladestärken (7–480 kW) hinweg, welche die abnehmenden Grenzerträge höherer Ladestärken aufgrund der BMS-Sättigung quantifiziert, insbesondere im Bereich von 80–100 % SoC.
Datengesteuerte Intra-Session-Flexibilitätsmetriken: Die Einführung von Sliding-Window-Metriken zur Schätzung der verschiebbaren Energie und der normalisierten SoC-Flexibilität, die eine empirische Bewertung des Flexibilitätspotenzials ohne Abhängigkeit von willkürlichen Leistungssteuerungsannahmen ermöglichen.
Gebundener bidirektionaler Flexibilitätsrahmen: Eine neuartige Methode zur Schätzung der Grenzen der bidirektionalen Flexibilität ausschließlich unter Verwendung von Ladendaten. Durch die Kombination von skalierten, symmetriebasierten Entladungs-Envelopes mit fensterbasierten Energiemetriken liefert die Studie realistische Grenzen für die extrahierbare Energie unter Berücksichtigung von Leerzeit- und Batterieschutz-Einschränkungen.

4. Kernergebnisse

Lagedynamik: Die Ladezeit im Bereich von 20 %–80 % SoC sinkt um über 60 % im Vergleich zum vollen Zyklus, und die mittlere Leistung steigt um bis zu 40 %. Das Laden über 80 % SoC hinaus liefert jedoch aufgrund der BMS-bedingten Leistungsreduktion (Tapering) nur begrenzte Geschwindigkeitsgewinne.
Unidirektionale Flexibilität: Flexibilität ist keine feste Leistungsreserve, sondern eine energiegebundene Kapazität. Kurze Leerfenster (5–10 Minuten) erlauben eine Variation des SoC um einige Prozentpunkte, während Fenster von 20 Minuten oder mehr den Bereich der durchführbaren Energieverschiebung signifikant erweitern.
Bidirektionale Flexibilität: Die maximal extrahierbare Entladeenergie hängt stark vom Aktivierungszeitpunkt und der verfügbaren Leerzeit ab. Die Studie stellt fest, dass die extrahierbare Energie je nach Zeitpunkt der Initiierung des Flexibilitätsmanövers das Doppelte ihres Wertes erreichen kann.
Einschränkungen: Batterieschutz-Beschränkungen (speziell das 60 % Entladetiefe-Limit) und die Leerzeit sind die dominierenden limitierenden Faktoren. Bei kurzen Leerzeiten ist die Durchführbarkeit zeitlich begrenzt, bei längeren Leerzeiten ist sie batteriebedingt.
Flottenheterogenität: Es gibt eine signifikante Variabilität innerhalb der Flotte. Einige Ultra-Fast-Ladefahrzeuge weisen selbst bei langen Leerzeiten ein begrenztes bidirektionales Potenzial auf, während andere wesentlich mehr Energie extrahieren können, was die Notwendigkeit einer Flottenaggregation statt einer einheitlichen Modellierung unterstreicht.

5. Bedeutung und Behauptungen

Das Paper behauptet, dass die Flexibilität von E-Fahrzeugen im Kontext des Schnell- und Ultra-Schnellladens nicht als steuerbare Leistungsressource, sondern als eine gebundene, zustandsabhängige und zeitgekoppelte Energiekapazität interpretiert werden sollte.

Operative Realität: Die Studie stellt fest, dass die physikalisch erreichbare Flexibilität gemeinsam durch die EV-spezifischen Power–SoC-Charakteristika, die verfügbare Anschlusszeit über die obligatorische Ladedauer hinaus und die Batterieschutzgrenzwerte bestimmt wird.
Handlungsorientierte Grenzen: Der vorgeschlagene Rahmen liefert handlungsrelevante untere und obere Grenzen (LB/UB) für die Flexibilität. Diese Grenzen definieren den zulässigen Bereich für jede admissible Lade- oder Entladetrajektorie und bieten Netzbetreibern und Aggregatoren realistische Grenzen für das Scheduling, Peak Shaving und kurzfristige Flexibilitätsdienste.
Strategische Implikation: Die Ergebnisse legen nahe, dass Strategien zur Nutzung der EV-Flexibilität eher das Anschlussmanagement (z. B. Verwaltung der Leerzeit) priorisieren sollten als lediglich die Erhöhung der Ladestärken. Zudem sollten Energiedienste, die auf Schnelllade-EVs abzielen, um den mittleren SoC-Bereich (20–80 %) konzipiert werden, in dem die Leistungsniveaus hoch und die BMS-Beschränkungen weniger restriktiv sind.
Methodischer Wandel: Durch den Wechsel der Perspektive von „steuerbarer Leistung“ zu „realisierbaren Energiegrenzen“ bietet der Rahmen eine physikalisch konsistente Basis für die Integration von EVs in systemweite Studien und vermeidet die in vereinfachten Modellen inhärente Überschätzung der Steuerbarkeit.

Das Paper schließt damit, dass der Rahmen zwar eine praktische Quantifizierung der Flexibilität ohne direkte V2G-Messungen ermöglicht, zukünftige Arbeit jedoch erforderlich ist, um diese Grenzen in Echtzeit-Operationstools zu überführen und die Analyse auf Anwendungen im Schwerlastverkehr und im Hafenbereich auszuweiten.