Autonomes Demand Side Management verteilter Energiespeicher

Elektrisch betriebene Warmwasserspeicher (EWWS) in Haushalten stellen mit ihren durchschnittlichen Speicherkapazitäten von etwa 5 kWh und nominalen Leistungen von rund \(2,5\) kW ein bereits in der Vergangenheit intensiv für Lastmanagement genutztes Potential dar. So werden diese seit den 1930er Jahren für DSM Programme eingesetzt, seit den 1980ern sind sie flächendeckend in Rundsteuerprogrammen integriert [14]. Der Betrieb des EWWS im sogenannten Nachttarif (NT) Betrieb stellt dabei eine Art Benchmark dar und wird deswegen in weiterer Folge als Basis für Vergleiche und Potentialabschätzungen autonomer DSM Ansätze herangezogen.

Ziel ist es, den Warmwasserspeicher mit einem Heizelement zu möglichst günstigen Zeiten zu heizen, oder allgemein formuliert: wir wollen die Kosten hinsichtlich einer speziellen Anreizfunktion minimieren. Dabei handelt es sich stets um ein Optimierungsproblem mit Nebenbedingungen. Im konkreten Fall des EWWS sind dies eine Komfortbedingung (minimale Entnahmetemperatur) sowie eine technische Bedingung (Maximaltemperatur im Speicher).

Um das Optimierungsproblem zu lösen, ist ein physikalisches Modell des Speichers nötig. Wird die gesamte Speichermasse als homogen über eine Energiebilanz mit mittlerer Temperatur abgebildet, spricht man von einem Einschichtmodell; darauf basierend ergibt sich ein lineares Optimierungsproblem (LP). Wird der Speicher vertikal raumdiskretisiert und somit über mehrere Energiebilanzen das Schichtungsverhalten abgebildet, spricht man von einem Mehrschichtmodell; es ergibt sich ein nicht-linearen Optimierungsproblem (NLP), für dessen Lösung der Rechenaufwand weitaus höher ist als im Fall des LPs.

Die modellprädiktive Steuerung des Speichers benötigt zudem eine genaue Vorhersage des Warmwasserbedarfs des Nutzers. Daher wird der Warmwasserbedarf basierend auf den akquirierten Daten im Vorhinein über den Optimierungszeitraum hinweg vorhergesagt. Hierfür verwenden wir den k-nearest neighbor (kNN) Algorithmus, der trotz des geringen Rechenaufwands sehr robuste Ergebnisse für die adaptive Vorhersage des Warmwasserbedarfs liefert [20].

Im Rahmen mehrerer Simulationsstudien [19‐21] wurden Lastverschiebungs-Potentiale der autonomen Steuerung im Vergleich zum derzeitigen Benchmark des NT-Betriebs abgeschätzt. Die Ergebnisse sind in Tab. 1 zusammengefasst, wobei unterschiedliche Betriebsmodi (NT, LP, NLP) untersucht wurden. Zudem wird die perfekte Nutzervorhersage (PP) mit der Vorhersage des Warmwasserbedarfs basierend auf kNN verglichen. Als Anreizfunktion wurden einstündige Day-Ahead Spotmarktpreise der Energy Exchange Austria (EXAA) herangezogen.

Im Vergleich zum Benchmark erzielen alle optimierten Betriebsweisen monetäre Einsparungen. Das Einschichtmodell mit kNN-Vorhersage (LP-kNN) erreicht eine Einsparung von 11 %, das Mehrschichtmodell mit perfekter Nutzervorhersage (NLP-PP) erreicht mit über 30 % die maximale Einparung. Obwohl die Zielfunktion der Optimierungsroutine die Kostenminimierung widerspiegelt, werden gleichzeitig auch Energieeinsparungen erzielt. Diese Einsparungen liegen im Bereich von ca. 4 % (LP-kNN) bis zu einem Maximalwert von 13 % (NLP-PP). Als weiterer Parameter werden die Serviceeinbußen betrachtet. Diese Einbußen beziffern die Verletzung der Komfortbedingung, d.h. die Unterschreitung der Entnahmetemperaturgrenze von \(38\,^{\circ } \textrm{C}\) und deren Dauer. Im Vergleich zum NT-Betrieb als Benchmark werden die Serviceeinbußen bei kNN-Prognose des Nutzerverhaltens um 24 % (LP) bzw. um 29 % (NLP) verringert, der Komfort für die Benutzer kann somit gesteigert werden. Erwartungsgemäß wären die Serviceeinbußen bei perfekter Nutzervorhersage gleich null, d.h. der Komfort wäre maximal. Die Simulationen zeigen somit, dass bei einem Mehrschichtmodell mit kNN-Nutzervorhersage die Energiekosten und der Energiebedarf sinken und sich gleichzeitig der Komfort erhöht.

In weiterer Folge wurden die Simulationsergebnisse in einem Demonstrator validiert. Hierzu wurde ein handelsüblicher Speicher in einem Haushalt nachgerüstet und anhand einer Anreizfunktion gesteuert. Durch die Vorhersage des Verbrauchs wurde der thermische Wirkungsgrad um 6 % (Verhältnis der genutzten Energie in Form von Warmwasser zu elektrischer Heizenergie) erhöht [22]. Basierend auf den Erkenntnissen dieses ersten Demonstrators wurde im Rahmen des Smart City Rheintal Projekts [6] ein Prototyp entwickelt, der im Anschluss in 15 Haushalten in einem Zeitraum von über 2 Jahren evaluiert wurde. Erste Ergebnisse dieses Feldversuchs zeigen, dass die vorhergegangenen Simulationsergebnisse im Mittel bestätigt werden können. Insbesondere für die häufig vorkommenden überdimensionierten Warmwasserspeicher kann demnach eine erhebliche Energieeinsparung von über 30 % erzielt werden.

Durch die stetigen technologischen Verbesserungen eignen sich Batterien zunehmend für den Einsatz als Betriebsmittel zur Wahrung der Versorgungssicherheit und Netzstabilität [32]. Batterien sind praktisch wartungsfrei [24], weisen kurze Reaktionszeiten auf [23], sind sehr effizient mit Systemwirkungsgraden von 65–90 % (inklusive Wechselrichter) [5, 28] und können in unterschiedlichen Größenklassen eingesetzt werden. Allerdings sind die Lebenszykluskosten derzeit noch zu hoch. Eine mögliche Kostensenkung könnte der Second-Use von Elektrofahrzeugbatterien darstellen [33]. Durch die Abnahme der Reichweite werden diese bereits bei 70–80 % ihrer Ursprungskapazität ausgetauscht, eignen sich jedoch weiterhin für die stationäre Anwendung. Zudem wird zukünftig zwangsläufig eine erhebliche Menge an wiederverwertbaren Batterien auf dem Markt verfügbar sein, da die Anzahl an EVs weltweit stetig und dynamisch steigt [16].

Um das technisch-wirtschaftliche Potential eines Kleinspeichers aus wiederverwerteten Elektrofahrzeugbatterien für ADSM abzuschätzen, wurde eine Simulationsstudie durchgeführt sowie ein Demonstrator zur Verifizierung umgesetzt. Als Grundlage der Untersuchung diente eine Natrium-Nickelchlorid Hochtemperatur Batterie („ZEBRA“ – Zero Emission Battery Research Activities). Diese stammte aus einem der ersten kommerziellen Elektrofahrzeuge, dem norwegischen Think City. Ziel der Untersuchung war der kostenoptimierte Betrieb des Speichers, als Anreizfunktion diente auch hier der österreichische Day-Ahead Spotmarktpreis.

Erste Simulationsergebnisse mit einem nichtlinearen Batteriemodell zeigten vielversprechende Erlöse, jedoch ist der Rechenaufwand für die nichtlineare Optimierung enorm und damit für die Implementierung auf Embedded Systems mit begrenzter Rechenleistung ungeeignet [12]. Um das temperaturabhängige Systemverhalten der Hochtemperaturbatterie abzubilden, umfasst dieses Modell die elektrochemische und thermische Energiebilanz als gekoppeltes System aus zwei nichtlinearen gewöhnlichen Differentialgleichungen. Durch eine Linearisierung des Batteriemodells und einer linearen Optimierungsroutine konnte der Rechenaufwand der erzielten Simulationsergebnisse um den Faktor 50 reduziert werden [8]. Die Qualitätseinbußen lagen dabei bei weniger als 5 %. Im Projekt „Smart City Rheintal“ [6] wurde der Ansatz mit einem Demonstrator im Feld überprüft. Der Vergleich des Realbetriebs mit den Simulationsergebnissen zeigte einen Modellfehler von lediglich \(7,6\) %, obwohl die Charakteristiken des Batteriemanagementsystems, des Wechselrichters und der Batterie selbst im Optimierungsalgorithmus lediglich stark vereinfacht implementiert wurden. Der geringe Modellfehler lässt sich dabei insbesondere durch auftretende Mittelungseffekte bei langen Simulations- und Betriebszeiten des Batteriespeichers erklären. Somit konnte die technische Machbarkeit des autonomen Speichers im Feld nachgewiesen werden. Zudem zeigte sich auf Basis der aktuellen Spotmarktpreise als Anreizfunktion auch ein wirtschaftliches Potenzial: im Realbetrieb konnten über ADSM Gewinne erzielt werden [9].

Bei der Bewertung der monetären Effekte von Batteriespeichern sollten stets die Wechselwirkungen mit dem elektrischen Verteilnetz berücksichtigt werden. Daher wurden in einer weiteren Simulationsstudie die Auswirkungen von ADSM auf Batteriespeicher im Hinblick auf ihre Netzdienlichkeit untersucht [10]. Zu diesem Zweck wurde ein Modell eines realen Niederspannungsverteilnetzes mit 49 realen Haushaltslasten erstellt. Drei der Haushalte wurden zusätzlich mit einer Fotovoltaikanlage ausgestattet wurden, um die dezentrale Einspeisung abzubilden. Die Analyse des Verteilnetzes erfolgte mittels dreier Parameter: 1) das Verhältnis von Spitzen- zu Durchschnittsleistung (peak-to-average power ratio – PAPR), 2) der Spannungsabfall und 3) die kumulierten Verteilverlusten, jeweils mit und ohne autonom optimierten Batteriespeicher.

In einem ersten Szenario wurde ein zentraler Speicher am Einspeisepunkt hinzugefügt. Im zweiten Szenario wurden drei dezentrale Speicher an den Haushalten mit Fotovoltaikanlage hinzugefügt, die in Summe dieselbe Speicherkapazität und Leistung des zentralen Speichers aufweisen. Weiters wurden unterschiedliche Anreizfunktionen für die autonome Optimierung getestet, um deren Auswirkungen auf das Netz zu untersuchen: 1) Day-Ahead Spotmarktpreise, 2) die zukünftige Netzlast im Verteilnetz und 3) die zukünftige Einspeisung durch Fotovoltaik im Netzgebiet.

Abbildung 3 zeigt dabei, dass Netze insbesondere dann zusätzlich belastet werden, wenn die Anreizfunktion überregionale Märkte wie beispielsweise den Börsenpreis widerspiegelt. Stattdessen ist es empfehlenswert lokal motivierte Anreizfunktionen wie die Netzlast oder die PV-Einspeisung zu verwenden, um mit autonom optimierten Geräten in Niederspannungsverteilnetzen netzdienlich agieren zu können. Dabei bietet sowohl ein einzelner zentraler Speicher als auch mehrere verteilte Speicher Vorteile. Ersteres verbessert die Spannungsqualität und zeigt geringere Verteilverluste, letzteres verbessert das Verhältnis von Spitzen- zu Durchschnittsleistung.

Die erwartete steigende Anzahl an Fahrzeugen mit rein-elektrischen Antrieb (electric vehicle – EV) [16] stellt eine Herausforderung für die bestehenden Niederspannungsnetze dar [4]. Daher ist es wesentlich DSM Ansätze für EVs hinsichtlich ihrer Auswirkungen auf das Verteilnetz zu beurteilen. Während für stationäre Batteriespeicher die optimierte Betriebsplanung im ADSM nur die Randbedingungen des Speichers (Entladetiefe, Kapazität, Wirkungsgrade und Ladeleistung) berücksichtigen muss, stellt beim EV ähnlich zum EWWS die Nutzung eine signifikante Störgröße dar. Dabei sind nicht nur notwendige Mindestladestände zu berücksichtigen, sondern im Fall des EV ist auch eine begrenzte zeitliche Verfügbarkeit für die Ladung vorgegeben. Daher wurde zunächst das entsprechende Optimierungsproblem unter der Annahme der perfekten Vorhersage des Nutzers formuliert [17]. Anschließend wurden die Auswirkungen verschiedener EV-Durchdringungsraten in einem realen Niederspannungsverteilnetz auf Basis von Day-Ahead Spotmarktpreisen untersucht.

Abbildung 4 zeigt exemplarisch einen 24-Stunden-Zyklus bei 5 % Durchdringung und bei 30 % Durchdringung. Für geringe Durchdringungsraten ergibt sich eine Verringerung der Netzlast um ca. 5 %, bei höheren Durchdringungsraten führt die Optimierung zu zusätzlichen Lastspitzen von bis zu 50 %. Dieses Verhalten ist wiederum auf den Einsatz einer einzigen überregionalen Anreizfunktion zurückzuführen.

Die bisherigen Arbeiten haben gezeigt, dass eine netzdienliche Lastverschiebung nur möglich ist, wenn die Anreizfunktion geschickt gewählt wird. Daher widmen sich die Autoren im Rahmen des Josef Ressel Zentrums für angewandtes wissenschaftliches Rechnen in Energie, Finanzwirtschaft und Logistik [11] seit Kurzem auch der Frage nach der optimalen Gestaltung eben dieser Anreizfunktion. Da die Kostenoptimierung durch das Maximumsprinzip bei einer preisgetriebenen Anreizfunktion zu extremen Schaltzuständen und damit zu neuen Lastspitzen führt (vgl. Abb. 4), wurde eine neuartige Anreizfunktion vorgeschlagen, die diese Mängel behebt [31]: der Ziellastgang für den einzelnen Verbraucher. Dieser wird bestmöglich mittels modellprädiktiver Regelung durch den ADSM-fähigen Speicher realisiert. Da der Ansatz eines Lastgangs als Anreizfunktion nach den ersten Ergebnissen als vielversprechend eingestuft werden kann, wenden wir ihn bereits in der Weiterentwicklung von netzdienlichen ADSM Ansätzen für EVs an.