Car2Flex: Elektromobilität smart optimieren

Car2Flex: Elektromobilität smart optimieren

Mithilfe smarter Technologien könnten E-Autos noch weit mehr zur Energiewende beitragen als das Vermeiden von CO2.

Smartes Laden und Entladen von E-Autos

Elektromobilität soll in Zukunft wesentlich dazu beitragen, verkehrsbedingte Treibhausgas-Emissionen zu senken. Allerdings sind smarte und nachhaltige Mobilitätskonzepte nötig, um eine größere Zahl E-Fahrzeuge erfolgreich in das Energiesystem von morgen zu integrieren.
 
Das Leitprojekt Car2Flex befasst sich dazu mit den Fragen
  • Wie lässt sich der steigende Anteil von E-Fahrzeugen am besten integrieren?
  • Wie lassen sich Konzepte umsetzen, die beispielsweise den Eigenverbrauch von PV-Strom durch Zwischenspeicherung in der Batterie eines Fahrzeugs steigern.
 
Berücksichtigt werden drei verschiedenen Anwendergruppen, nämlich Privatnutzer, Betreiber von E-Fahrzeugflotten (z.B. Unternehmen) und E-Car-Sharing in Mehrparteienwohnhäusern.
 
Das Projekt Car2Flex ist Teil der Forschungsinitiative Green Energy Lab. Dabei werden unter anderem bidirektionale DC-Ladepunkte (Gleichstrom) eingesetzt. PV-Strom kann dadurch direkt genutzt werden und muss nicht zuvor in Wechselstrom umgewandelt werden. Durch die bidirektionale Funktion kann die Ladesäule außerdem auch Strom von der Autobatterie beziehen und nicht – wie üblich – nur umgekehrt. Speziell entwickelte Algorithmen für optimierte Ladestrategien sollen zusätzlich Netzspitzen reduzieren und die Integration zwischen Aggregator- und Buchungsplattformen unterstützen.
 
Ein zusätzlicher Schwerpunkt im Projekt liegt auf E-Car-Sharing Anbietern. Diese besitzen eine große Anzahl an E-Autos und können über das Buchungssystem rund um die Uhr nachvollziehen, wo, an welcher Ladesäule und mit welchem Ladezustand sich jedes E-Auto befindet. Jedes einzelne dieser E-Auto steht dabei potenziell als Flexibilität zur Verfügung, da es bei Stromüberschuss geladen und bei Strombedarf entladen werden kann.
 
Nicht zuletzt liefert das Projekt detaillierte Daten zu den verschiedenen Mobilitätsverhalten: Wann die E-Autos geladen werden, wie viel sie durchschnittlich bewegt werden und wie viel Ladung sie anschließend wieder benötigen. Diese Informationen werden genauere Vorhersagen ermöglichen, wie E-Autos optimal in das Netz integriert werden können.