⚡ electrical engineering

Deadline-Aware Electric Vehicles Charging with Distribution Transformer Overload Mitigation

Dieses Paper schlägt ein komplexitätsarmes, terminorientiertes E-Ladegerüst vor, das die Überlastung von Verteilungstransformatoren mildert, indem es die thermische Alterung explizit gegen die Servicequalität durch einen strafengewichteten Dringlichkeitsindex abwägt und dadurch zeitkritische Fahrzeuge priorisiert, während es unter schwerer Überlastung das Offline-Optimum eng approximiert.

Ursprüngliche Autoren: B Hari Kiran Reddy

Veröffentlicht 2026-07-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: B Hari Kiran Reddy

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 ein lokales Stromnetz wie eine belebt Autobahn vor, die zu einer einzigen, kritischen Brücke (dem Transformator) führt. Diese Brücke wurde gebaut, um eine bestimmte Menge an Verkehr zu bewältigen, aber jetzt versuchen tausende von Elektrofahrzeugen (EVs), alles gleichzeitig über sie zu fahren, um „aufzutanken“ (zu laden).

Das Problem ist, dass nicht jeder Fahrer denselben Zeitplan hat. Einige müssen sofort los, um zur Arbeit zu kommen (enge Fristen), während andere bis zum Morgen warten können (flexible Fristen). Wenn alle zur gleichen Zeit laden wollen, wird die Brücke überlastet. Wenn sie durch die Belastung zu heiß wird, beginnt der Beton der Brücke schneller zu reißen und zu bröckeln (dies ist die Alterung des Transformators). Schließlich könnte die Brücke einstürzen und alle ohne Strom dastehen lassen.

So löst dieses Paper den Stau:

1. Der alte Weg: „Harte Regeln“ funktionieren nicht

Frühere Methoden versuchten, dies durch das Aufstellen von harten Regeln zu lösen: „Kein Auto darf die Brücke überqueren, wenn sie voll ist“ oder „Jedes Auto muss bis zu einer bestimmten Zeit voll getankt sein“.

Der Fehler: Wenn zu viele Autos auftauchen, brechen die harten Regeln das System. Entweder wird die Brücke zerstört, weil die Regeln ignoriert wurden, oder das System stellt einfach den Betrieb ein, weil es nicht alle unterbringen kann. Es ist wie ein Türsteher in einem Club, der niemanden reinlässt, wenn der Raum voll ist, selbst wenn die Person draußen nur versucht, rechtzeitig zu einer Hochzeit zu kommen.

2. Die neue Lösung: Ein smarter Verkehrsmanager

Die Autoren schlagen ein neues, flexibles System vor, das wie ein smarter Verkehrsmanager agiert, der versteht, dass man manchmal schwierige Entscheidungen treffen muss. Dieses System balanciert zwei konkurrierende Ziele aus:

Schutz der Brücke: Den Transformator kühl halten, damit er lange hält.
Hilfe für die Fahrer: Sicherstellen, dass die Autos genug Ladung bekommen, um rechtzeitig loszufahren.

Anstatt zu sagen: „Kein Laden erlaubt“, sagt das System: „Wir können nicht jeden perfekt laden, also lassen Sie uns Prioritäten setzen.“

3. Wie das System entscheidet, wer Vorrang hat

Das System nutzt eine clevere Bewertungsmethode namens „Urgency Index“ (Dringlichkeitsindex). Denken Sie an eine Prioritätslinie wie in einem Krankenhaus oder bei einer Sicherheitskontrolle am Flughafen.

Der „Dringlichkeits“-Score: Ein Auto erhält einen hohen Score, wenn:
- Es noch sehr wenig Batteriekapazität hat.
  _ Oder wenn es sehr bald los muss (eine enge Frist hat).
- Es einen „kritischen“ Status hat (wie ein Flottenfahrzeug, das unbedingt fahren muss).
Der „Kosten“-Score: Jedes Mal, wenn ein Auto lädt, verursacht es Stress für die Brücke. Das System berechnet, wie viel „Verschleiß“ (Alterung) dieser zusätzliche Ladevorgang verursacht.

Die Entscheidung: Das System gibt Strom an die Autos mit dem höchsten Dringlichkeits-Score, aber nur dann, wenn der Kosten-Score (Schaden an der Brücke) nicht zu hoch ist.

Wenn die Brücke bereits heiß ist, sagt das System vielleicht: „Tut uns leid, Ihr Auto ist gerade nicht dringend genug; wir müssen die Brücke erst abkühlen lassen.“
Wenn ein Auto in 10 Minuten los muss und die Batterie fast leer ist, sagt das System: „Lade es jetzt! Wir gehen das Risiko für die Gesundheit der Brücke ein, weil dieser Fahrer unbedingt los muss.“

4. Das Konzept der „weichen Frist“ (Soft Deadline)

In der alten Welt war das System gescheitert, wenn man ein Auto nicht vollständig laden konnte. In dieser neuen Welt nutzt das System weiche Fristen.

Stellen Sie sich vor, Sie backen einen Kuchen. Wenn Ihnen das Mehl ausgeht, würde ein „harter Frist“-Bäcker aufhören und sagen: „Ich kann nicht backen!“
Dieser neue System ist eher wie ein Bäcker, der sagt: „Ich kann keinen perfekten Kuchen backen, aber ich mache einen kleineren, damit Sie trotzdem etwas zu essen haben.“
Wenn ein Auto nicht zu 100 % geladen wird, erhält es eine „Strafe“ (einen kleinen Punktabzug gegen die Bewertung des Systems), aber das System läuft weiter. Es priorisiert die Autos, die die Energie wirklich brauchen, und stellt sicher, dass die kritischsten Fahrer mit genügend Energie losfahren können, auch wenn andere mit weniger Energie auskommen.

5. Das Ergebnis: Ein guter Mittelweg

Die Forscher haben dies mit Computersimulationen verschiedener Verkehrssituationen getestet (von leichtem Verkehr bis hin zu einem massiven Verkehrsstau).

Das Ergebnis: Ihre neue Methode hielt die Brücke (den Transformator) deutlich kühler und gesünder als die alten Methoden.
Der Kompromiss: Es war nicht perfekt. Einige Autos bekamen keine 100 % Ladung, aber diejenigen, die es wirklich nötig hatten, rechtzeitig loszufahren (die „kritischen“ Fahrer), bekamen das, was sie brauchten.
Echtzeit-Magie: Das Beste daran ist, dass dieses System nicht die Zukunft kennen muss. Es trifft kluge Entscheidungen basierend auf dem, was gerade jetzt passiert, genau wie ein menschlicher Verkehrspolizist, anstatt eine Kristallkugel zu benötigen, um zu sehen, welche Autos morgen eintreffen werden.

Kurz gesagt: Dieses Paper lehrt uns, wie man ein überfülltes Stromnetz durch Flexibilität verwaltet. Anstatt starr zu versuchen, jeden unterzubringen oder das System zum Einsturz zu bringen, priorisiert es intelligent die dringendsten Bedürfnisse und schützt gleichzeitig die Infrastruktur sanft vor Überhitzung.

Technisches Resümee: Fristenbewusstes Laden von Elektrofahrzeugen mit Entlastung der Verteilungstransformatoren

Problemstellung
Die rasche Verbreitung von Elektrofahrzeugen (EVs) belastet die Infrastruktur auf Verteilungsebene erheblich, insbesondere Wohn- und Gewerbetransformatoren, die nicht für große, gleichzeitig auftretende Ladezustände ausgelegt sind. Während das Laden von Elektrofahrzeugen von Natur aus zeitlich flexibel ist, können das gehäufte Eintreffen und heterogene Abfahrtsfristen kurzzeitige, aber schwere Überlastungen verursachen. Diese Überlastungen beschleunigen die Alterung der Transformatorisolierung und erhöhen das Risiko eines vorzeitigen Anlagenversagens.

Bestehende Koordinationsschemata erzwingen typischerweise harte Fristen und strikte Transformatorlimits, wobei implizit davon ausgegangen wird, dass ausreichend Kapazität vorhanden ist, um alle Anforderungen zu erfüllen. Unter hoher EV-Durchdringung oder bei begrenzter Infrastruktur werden diese Formulierungen unzulänglich (infeasible). Umgekehrt führen transformatorenbewusste Strategien, die die Belastung strikt begrenzen, oft zu einer einheitlichen Kürzung der Ladevorgänge, ohne die heterogene Dringlichkeit verschiedener EVs (z. B. Pendler mit festen Abfahrtszeiten gegenüber flexiblen Nachtladungen) zu berücksichtigen. Dies schafft eine kritische operative Lücke: Wie lässt sich die begrenzte Transformatorkapazität unter EVs mit unterschiedlichen Fristen zuweisen, wenn die Erfüllung aller Anfragen ohne Überlastung des Transformators unmöglich ist?

Methodik
Das Paper schlägt ein fristenbewusstes EV-Ladeschema vor, das explizit den Kompromiss zwischen der thermischen Alterung des Transformators und der Ladeservicequalität abwägt. Der Ansatz wird in drei Stufen entwickelt:

Deterministische Offline-Formulierung:
Die Autoren formulieren zunächst ein deterministisches Optimierungsproblem unter der Annahme vollständiger Kenntnis von EV-Ankünften, Nachfragen und Grundlasten.

Transformatoralterung: Die Belastung wird mittels einer konvexen Überlast-Proxy modelliert, $\Phi(P_t) = (P_t / P_{rated})^\alpha$ , wobei $\alpha > 1$ . Dies erfasst die rapide Zunahme der Alterung, wenn die Belastung sich der Nennkapazität nähert.
Weiche Fristen: Anstelle harter Nebenbedingungen verwendet das Modell einen gewichteten Strafterm für die nicht erfüllte Energie zum Zeitpunkt der Abfahrt. Jedes EV $j$ besitzt einen Koeffizienten $\pi_j$ , der dessen Flexibilität widerspiegelt (höheres $\pi_j$ für zeitkritische Fahrzeuge). Das Ziel ist die Minimierung der Summe aus kumulativer Transformatoralterung und normalisierten Strafen für nicht erfüllte Energie.

Stochastische MDP-Formulierung:
Um die reale Unsicherheit (zufällige Ankünfte, Abfahrten und die Entwicklung der Grundlast) zu adressieren, wird das Problem auf einen endlichen Markov-Entscheidungsprozess (MDP) erweitert.

Zustand: Beinhaltet die Grundlast sowie die verbleibende Energie/Fristen der angeschlossenen EVs.
Kosten: Die einstufigen Kosten kombinieren die instantane Transformatoralterungs-Proxy und die Strafe für die nicht erfüllte Energie abfahrender Fahrzeuge.
Herausforderung: Die exakte Lösung der Bellman-Rekursion ist aufgrund des hochdimensionalen Zustandsraums rechnerisch nicht handhabbar.

Komplexitätsarme Online-Policy:
Unter Ausnutzung struktureller Erkenntnisse aus dem MDP entwickeln die Autoren eine Echtzeit-Ladestrategie basierend auf einem Marginal-Cost-Aware Urgency Index (Dringlichkeitsindex unter Berücksichtigung der Grenzkosten).

Mechanismus: In jedem Zeitschritt berechnet der Algorithmus die Grenzkosten der Alterung ( $g_t$ ) einer Erhöhung der Transformatorlast. Er berechnet daraufhin einen Dringlichkeitsindex $U_j(t)$ für jedes verbundene EV, definiert als das Verhältnis des Grenznutzens des Service (basierend auf Restenergie, Zeit bis zur Frist und Flexibilitätskoeffizient) zu den Grenzkosten der Alterung.
Zuweisung: Die EVs werden nach $U_j(t)$ in absteigender Reihenfolge sortiert. Die Ladeleistung wird sequenziell zugewiesen, bis entweder die Transformatorkapazität erschöpft ist oder der Grenznutzen der Bedienung des nächsten EVs unter die Grenzkosten der Alterung fällt ( $U_j(t) < 1$ ). Dies stellt sicher, dass Kapazität vorrangig an zeitkritische EVs zugewiesen wird, wenn die Kosten für die Anlagengesundheit gerechtfertigt sind.

Wichtigste Ergebnisse
Der vorgeschlagene Ansatz wurde durch Fallstudien an einem 100-kW-Verteilungstransformator in vier Szenarien evaluiert, die von geringer bis hoher EV-Durchdringung und Kongestion reichen:

Alterung vs. Service-Trade-off: Die explizite Berücksichtigung der Transformatoralterung im Zielobjekt reduzierte die thermische Belastung in allen Szenarien konsistent. Mit zunehmender Kongestion stiegen jedoch sowohl die Alterung als auch die nicht erfüllte Energie an, was den inhärenten Zielkonflikt verdeutlicht.
Online- vs. Offline-Performance: Die Online-Policy führte im Vergleich zum Offline-Benchmark (der über perfektes zukünftiges Wissen verfügt) zu einer leicht höheren äquivalenten Transformatoralterung, erreichte jedoch eine geringere nicht erfüllte Ladeenergie. Dies deutet darauf hin, dass die Online-Policy die Leistung aggressiver steigert, um die realisierte Nachfrage zu bedienen, was den Serviceabschluss bei moderaten Kosten für die Lebensdauer der Anlage verbessert.
Sensitivität gegenüber dem Alterungsexponenten ( $\alpha$ ): Eine Erhöhung des Alterungsexponenten $\alpha$ machte die Alterungskosten konvexer, was dazu führte, dass der Optimierer die Ladung während der Spitzenzeiten aggressiver vermeidet. Dies reduzierte die Alterung, erhöhte jedoch die nicht erfüllte Energie, was bestätigt, dass $\alpha$ die Aggressivität des Anlegeschutzes effektiv steuert.
Service-Differenzierung: In Szenarien mit "kritischen" EVs (hohe Strafkoeffizienten) priorisierte die Policy diese Fahrzeuge erfolgreich, was die Fähigkeit des Frameworks demonstriert, die Service-Heterogenität unter schwerer Kongestion zu handhaben.

Bedeutung und Ansprüche
Das Paper beansprucht, eine fundamentale operative Lücke in der Koordination des EV-Ladens unter Kongestion zu schließen, in der harte Nebenbedingungen versagen. Die primären Beiträge sind:

Machbarkeit unter Kongestion: Durch die Lockerung der Fristen mittels gewichteter Strafen für nicht erfüllte Energie bleibt das Framework auch dann machbar, wenn die Transformatorkapazität nicht ausreicht, um alle Anforderungen zu erfüllen – im Gegensatz zu Ansätzen mit harten Nebenbedingungen.
Asset-bewusste Priorisierung: Die vorgeschlagene Online-Policy ermöglicht einen fundierten Kompromiss zwischen dem Schutz der Verteilungsanlagen (über Grenzkosten der Alterung) und der Aufrechterhaltung der Servicequalität (über Dringlichkeitsindizes), was eine bevorzugte Zuweisung an zeitkritische EVs erlaubt.
Echtzeit-Anwendbarkeit: Die geringkomplexe Online-Policy approximiert die Performance des Offline-Benchmarks unter Verwendung lediglich lokaler Echtzeitinformationen, was sie für den praktischen Einsatz ohne zukünftiges Wissen geeignet macht.

Die Autoren kommen zu dem Schluss, dass die explizite Berücksichtigung der Anlagengesundheit und der Fristenflexibilität für die Koordination des EV-Ladens unter Kongestion essenziell ist und einen Weg bietet, die Lebensdauer der Transformatoren mit den Erwartungen der Kunden beim Laden in Einklang zu bringen. Als zukünftige Arbeit wird die Erweiterung dieses Frameworks auf Einspeisungsbeschränkungen (Feeder-Level) und die Koordination mehrerer Transformatoren angemerkt.