A digital twin for bidirectional charging to reduce electricity cost

Abstract

The ongoing interest in renewable energy drives efforts to continuously improve these systems. Photovoltaic (PV) battery systems could be optimized by integrating a Digital Twin (DT) in combination with bidirectional charging. The problem with existing PV systems lies in the constantly changing weather conditions and fluctuating electricity prices, which are not effectively utilized, leading to inefficient and costly solutions. We developed an optimization algorithm based on a DT that reduces electricity costs through intelligent charging and discharging of the PV battery system for apartments and residential homes, focusing on balcony power plants. To achieve this, a DT is created that digitally mirrors the physical PV battery system and continuously adapts to the current conditions using consumption, production, and price data in real-time and for forecasting. In comparison with two other self-developed algorithms, one computationally intensive and one very simple, our intelligent algorithm presents a middle ground between fast computation and cost efficiency. The results show a cost reduction of up to 300 euros or 35% for a typical German household.

Das anhaltende Interesse an erneuerbaren Energien treibt die Bemühungen um eine kontinuierliche Verbesserung dieser Systeme voran. PV-Batteriesysteme könnten durch die Integration eines DT in Kombination mit bidirektionalem Laden optimiert werden. Das Problem bei bestehenden PV-Systemen liegt in den sich ständig ändernden Wetterbedingungen und schwankenden Strompreisen, die nicht effektiv genutzt werden, was zu ineffizienten und kostspieligen Lösungen führt. Wir haben einen auf einem DT basierenden Optimierungsalgorithmus entwickelt, der die Stromkosten durch intelligentes Laden und Entladen des PV-Batteriesystems für Wohnungen und Wohnhäuser reduziert, wobei der Schwerpunkt auf Balkonkraftwerken liegt. Dazu wird ein DT geschaffen, das das physische PV-Batteriesystem digital abbildet und sich anhand von Verbrauchs-, Produktions- und Preisdaten in Echtzeit und zur Prognose kontinuierlich an die aktuellen Gegebenheiten anpasst. Im Vergleich zu zwei anderen selbstentwickelten Algorithmen, einem rechenintensiven und einem sehr einfachen, stellt unser intelligenter Algorithmus einen Mittelweg zwischen schneller Berechnung und Kosteneffizienz dar. Die Ergebnisse zeigen eine Kostenreduktion von bis zu 300 Euro oder 35% für einen typischen deutschen Haushalt.