Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Multi-Domain Modellierung und Optimierung eines integrierten Energieversorgungs- und Fahrzeugsystems für urbane Ballungsräume

Fachliche Zuordnung Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe
Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr
Förderung Förderung von 2019 bis 2023
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 410830482
 
Erstellungsjahr 2024

Zusammenfassung der Projektergebnisse

Es wird erwartet, dass die Anzahl der Elektrofahrzeuge (EVs) in städtischen Gebieten in den kommenden Jahren rapide ansteigen wird. Die deutsche Regierung hat für 2030 ein Zielwert von fünfzehn Millionen E-Fahrzeugen vorgegeben. Ohne die Entwicklung von Strategien für die netzkonforme Integration des Ladens von E-Fahrzeugen kann dieses rasante Wachstum zu einer ernsthaften Beeinträchtigung der Stromversorgung bei Nachfragespitzen und zu erhöhten Kosten für die Netzwartung führen. Um solche Strategien zu entwickeln, müssen sowohl die räumliche als auch die zeitliche Verteilung des Ladebedarfs für das betrachtete Gebiet als Eingangsgröße bestimmt werden. Zeitlich hoch aufgelöste Ladebedarfsdaten ermöglichen die Identifikation von kritischen Lastspitzen, die durch E-Fahrzeuge im Tagesverlauf verursacht werden, während eine hohe räumliche Auflösung die Lokalisierung solcher Lastspitzen für kleine Stadtteile und Bezirke ermöglicht, so dass Netzplaner den Netzausbau gezielt planen können. In diesem Projekt wird daher eine Methode zur Bestimmung des räumlich-zeitlichen EV-Ladebedarfs entwickelt. Neben der Identifizierung von Engpässen können die Ergebnisse auch genutzt werden, um den Ausbau der Ladeinfrastruktur gezielt zu unterstützen. Die Integration dezentraler erneuerbarer Energien und städtischer Elektrofahrzeugflotten profitiert von der Entwicklung und Umsetzung eines standardisierten Referenznetzes, das dann eine entscheidende Rolle bei der Durchführung gründlicher Netzqualitätsanalysen spielen kann. Dieses Referenznetz sollte einen beträchtlichen Anteil an dezentralen erneuerbaren Energiequellen umfassen, um genaue Bewertungen zu gewährleisten. Durch die Überwachung von Spannungsabfällen und Leitungskapazitäten können die Auswirkungen von Ladestationen für Elektrofahrzeuge auf die Ladelast unter Berücksichtigung verschiedener Ladeszenarien bewertet werden. Darüber hinaus haben Elektrofahrzeugflotten das Potenzial, an Ausgleichsmärkten teilzunehmen und den Systembetreibern Flexibilitätsdienste anzubieten, indem sie Batteriespeichersysteme effektiv nutzen. Um effiziente Schnittstellen zu den Ergebnissen aus den Mehrdomänenmodellen zu schaffen, wurde eine Integrationsmethodik eingeführt. Diese Methodik wurde in erster Linie für die Optimierung des Day-Ahead-Betriebs von Elektrofahrzeugflotten entwickelt. Die Hauptziele dieser Methodik umfassten die Minimierung der Lade- und Netzbetriebskosten, die Verringerung des Batterieverbrauchs und der Batteriealterung sowie die Verbesserung der Nutzerakzeptanz. Um verteilte erneuerbare Energien und städtische Elektrofahrzeugflotten in der Praxis miteinander zu verknüpfen, müssen große Datenmengen (z. B. Daten zum Ladestatus, zur maximalen Ladezeit und zur Parkdauer) gesammelt und in verschiedenen Lernmodellen verarbeitet werden. Wir haben daher Methoden für eine effiziente parallele Verarbeitung von Aufgaben des maschinellen Lernens entwickelt, wobei der Schwerpunkt auf der Verbesserung von Parameterservern lag, um ein effizientes Training von Modellen auf großen Datenmengen zu ermöglichen. Zunächst führten wir die dynamische Parameterzuweisung (DPA) ein und implementierten Lapse, einen Parameterserver, der im Vergleich zu klassischen Parameterservern einen schnelleren Zugriff auf lokale Parameter ermöglicht und den Kommunikationsaufwand reduziert. Zweitens haben wir uns mit dem uneinheitlichen Parameterzugriff befasst, indem wir NuPS entwickelt haben, eine uneinheitliche Parameterserver-Architektur, die Replikations- und Verlagerungstechniken integriert, um schiefe und abgetastete Daten zu verarbeiten. Schließlich schlagen wir AdaPS vor, einen adaptiven Parameterserver, der Intent Signaling nutzt, um sich automatisch an die zugrundeliegende ML-Aufgabe anzupassen, wodurch die Notwendigkeit einer manuellen Abstimmung entfällt. AdaPS ist ohne jegliche Anpassung effizient und übertrifft andere moderne Server. Insgesamt zielen diese Weiterentwicklungen darauf ab, das verteilte Training für maschinelles Lernen zu optimieren und eine bessere Leistung in realen Szenarien zu ermöglichen.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2025 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung