Flexible Netze, intelligente Spitzenlasten: Wie Quellen-Lasten-Speicher-Koordination Chinas Energiewende antreibt

In den nördlichen Regionen Chinas drehen sich Windkraftanlagen unter der winterlichen Sonne, während Solarmodule auf Dächern und Feldern die ersten schwachen Strahlen einfangen. In den Schaltzentren der Netzbetreiber beobachten Ingenieure Echtzeit-Lastkurven, die wie ein lebendiger Organismus atmen. Was einst ein prekäres Gleichgewicht zwischen volatiler erneuerbarer Erzeugung und unflexibler Kohleverstromung war, verändert sich nun mit algorithmischer Präzision: Thermische Kraftwerke fahren ihre Last ohne Ölzusatzfeuerung zurück, Batterien absorbieren überschüssigen Nachtwind, Hunderte Elektrofahrzeuge laden synchron während Schwachlastzeiten – gesteuert nicht durch Befehle, sondern durch sekundengenau kalibrierte Preissignale.

Diese Entwicklung markiert keinen spekulativen Zukunftsentwurf, sondern bildet die gelebte Realität von Chinas Stromsystemtransformation. Im Kern dieser Revolution liegt ein neuartiger Ansatz zur Spitzenlastglättung: koordiniert, marktbewusst und tiefgradig adaptiv. Eine aktuelle Studie der North China Electric Power University unter Leitung von Professor Zhang Jinliang und dem Forscher Hu Zeping liefert mehr als nur inkrementelle Verbesserungen. Sie entwickelt ein umfassendes Optimierungsframework, das das Stromnetz nicht als Ansammlung isolierter Assets begreift, sondern als integrierten Organismus, in dem Erzeugung (Quelle), Verbrauch (Last) und Speicherung (Speicher) konzertiert auf ökonomische Signale und physikalische Constraints reagieren. Das Resultat? Ein System, das nicht nur technisch in der Lage ist, hohe Anteile erneuerbarer Energien aufzunehmen, sondern wirtschaftlich dazu incentiviert wird.

Spitzenlastglättung – die Praxis, die Differenz zwischen Stromnachfragehöchst- und -tiefstwerten zu reduzieren – wurde lange als brachiales Ingenieurproblem behandelt. In China, wo Kohle nach wie vor die Grundlast deckt, bestand die traditionelle Lösung im Hoch- und Runterfahren fossiler Einheiten. Als jedoch Wind- und Solarenergie in Schlüsselprovinzen die 30%-Marke überschritten, zeigten sich Risse in diesem Modell: Wind weht oft nachts am stärksten, wenn die Nachfrage am niedrigsten ist. Mittagssonne flutet das Netz genau dann, wenn industrielle Lasten abflachen. Diese Diskrepanz ist strukturell bedingt. Ohne Flexibilität lautete die Antwort: Abregelung. 2022 erreichte die Windabregelung in einigen Regionen über 10%, die Solarabregelung fast 5%. Saubere Energie – finanziert, gebaut, in Betrieb – wurde bewusst abgeschaltet. Verschwendet.

Ingenieure erkannten zwar das Potenzial von Speichern und Nachfrageseiten-Ressourcen, doch frühe Implementierungen blieben fragmentiert. Batterien warteten auf Dispatch-Befehle, Elektrofahrzeugflotten luden unvorhersehbar und verschärften teilweise abendliche Lastrampen. Vergütungsmodelle waren stumpf: Pauschale Entgelte für Teilnahme, unabhängig davon, wann oder wie viel Flexibilität bereitgestellt wurde. Fehlte ein vereinheitlichtes Modell, das gleichzeitig Unsicherheit, Preissensitivität und Multi-Party-Incentives modellieren konnte?

Genau hier setzt die Arbeit von Zhang und Hu an. Ihr Modell beginnt mit Realismus: Wind und Solar variieren nicht unabhängig. Bewölkung und Windmuster korrelieren – oft invers. Mittels Kerndichteschätzung und Frank-Copula-Funktionen generierte das Team realistische Joint-Szenarien der Wind-Solar-Erzeugung, die deutlich akkurater sind als die Behandlung als separate Zufallsvariablen. Diese akademische Nuance hat praktische Relevanz: Eine Überschätzung der Korrelation kann zur Unterbereitstellung von Reserven führen, eine Unterschätzung Instabilitäten provozieren. Ihre Methode erfasst das natürliche Wechselspiel – bewölkte Tage bedeuten oft stärkere Winde, sonnige ruhige Tage solare Dominanz – und erzeugt so Dispatch-Pläne, die realer Volatilität standhalten.

Doch Unsicherheit ist nur die halbe Miete. Die größere Hürde ist das Verhalten: Warum sollte ein Kohlekraftwerksbetreiber einem Betrieb mit 35% Kapazität zustimmen – dem Eintritt in die kostspielige Ölzusatzfeuerungszone – ohne angemessene Vergütung? Warum sollte eine Fabrik ihre Produktionslinie verlagern oder ein Elektrofahrzeugbesitzer sein Fahrzeug um 2 Uhr morgens anschließen ohne klaren finanziellen Vorteil?

Die Antwort liefert die dreistufige Preissarchitektur des Modells – eine Incentive-Engine mit mehreren Ebenen.

Erstens, für thermische Einheiten: Die Vergütung ist nicht pauschal, sondern gestaffelt und an den tatsächlichen Betriebsstress angepasst. Bei 45–50% Last? Mäßige Belohnung. Bei 40–45%? Höher. Unter 35% – wo Materialermüdung und Ölverbrauch explodieren? Die Auszahlung steigt signifikant. Entscheidend ist: Es handelt sich nicht um subventionierten Altruismus. Die Kosten werden von denen geteilt, die keine Flexibilität bereitstellen: Windparks, Solaranlagen und konventionelle Kohleeinheiten, die weiterhin mit Volllast fahren. Die Last verlagert sich vom flexiblen Anbieter zum inflexiblen Nutznießer – ein Marktsignal, so alt wie Angebot und Nachfrage, nun angewandt auf Netzdienstleistungen.

Zweitens, für Speicher und Elektrofahrzeuge: Die Preisbildung reflektiert marginale Kosten, nicht Fixsubventionen. Da Batterien und Elektrofahrzeuge keinem thermischen Stress ausgesetzt sind, fällt ihre Vergütung niedriger aus – bleibt jedoch dynamisch. Wenn die Nettolast einbricht (hohe Erneuerbaren-Anteile, geringe Nachfrage), wird Laden belohnt. Wenn abendliche Spitzenlasten drohen, erzielt Entladen Premiumraten. Kritisch: Nur die Ladeleistung erhält Spitzenlastglättungsvergütung – Entladen wird über Energiemarktpreise abgerechnet. Dies verhindert Doppelabrechnung und stellt sicher, dass Zahlungen dem tatsächlichen Netzwerth entsprechen: Talstände auffüllen, nicht nur Energie verschieben.

Drittens – und vielleicht innovativsten – ist der gestaffelte Nachfragesteuerungsmechanismus für Endverbraucher. Klassische Demand-Response-Programme bieten einen pauschalen $/kW-Preis für Lastreduktion. Doch menschliches (und industrielles) Verhalten ist nicht linear. Ein kleiner Anreiz könnte einen Wasserheizer verzögern; ein größerer könnte eine gesamte Schichtproduktion verlagern. Zhang und Hus Modell führt eine abgestufte Vergütung ein: Je tiefer die Response, desto höher der marginale Ertrag. Erste 10 MW Reduktion? $X/MW. Nächste 10 MW? $X × 1,2. Darüber hinaus? $X × 1,5. Dies spiegelt reale Ökonomie wider: Die „low-hanging fruits“ der Flexibilität sind günstig; tiefere Einschnitte erfordern mehr Aufwand, Investitionen oder Prozessänderungen – und verdienen höhere Renditen.

Der Beweis liegt im Dispatch.

Die Forscher testeten ihr Modell an einem modifizierten IEEE-30-Bus-System, skaliert für ein regionales chinesisches Netz: fünf Kohleeinheiten, 200 Elektrofahrzeuge, 400 MW Wind, 150 MW Solar und eine 50 MW/100 MWh-Batterie. Fünf Szenarien wurden durchgespielt, jedes mit einer zusätzlichen Detaillierungsebene:

Baseline: Wind, Solar, Kohle – ohne Koordination. Resultat: 21,7% Windabregelung, 5,9% Solarverlust. Gesamtkosten: 3,44 Millionen ¥/Tag.
+Nur Elektrofahrzeuge: Intelligentes Laden reduziert Abregelung geringfügig – doch ohne Preissignale bleibt die Teilnahme unkoordiniert. Einsparungen: marginal.
+Tiefe Kohle-Spitzenlastglättung: Kohleeinheiten fahren tief herunter. Windabregelung sinkt auf 0,08% – praktisch eliminiert. Gesamtkosten fallen um 22%. Aber Kohleeinheiten verbrennen nachts Öl, was Gewinnmargen erodiert.
+Batterie: Speicher absorbieren Nachtwind, entladen um 19 Uhr. Kohleeinheiten vermeiden Ölzusatzfeuerung komplett. Systemkosten sinken um weitere 0,2 Millionen ¥, Nettolastschwankungen glätten sich spürbar.
+Gestaffelte Nachfragesteuerung: Fabriken verlagern Lasten; Haushalte vorgeheizen vor Preisspitzen. Die Lastkurve flacht weiter ab. Endkosten: 2,6367 Millionen ¥/Tag – 23,4% niedriger als Baseline, bei null Abregelung.

Diese letzte Zahl geht über reine Kosteneffizienz hinaus. Sie beweist Machbarkeit. In großem Maßstab machen solche Einsparungen Netze mit hohen Erneuerbaren-Anteilen nicht nur ökologisch wünschenswert, sondern ökonomisch unvermeidlich.

Doch Zahlen erzählen nur einen Teil der Geschichte. Betrachtet man die Preissignale des Modells, zeigt sich die emergent Koordination: Thermische Einheit 1 hält ihr Angebot tagsüber moderat (40–60% Last). Doch um 22 Uhr, wenn die Nachfrage sinkt und Wind zunimmt, fällt sie auf 33% Last – tritt in Ölzusatzfeuerung ein. Ihr Angebotspreis schnellt empor – nicht gierig, sondern reflektierend: Öl kostet Geld; Metall verschleißt. Unterdessen bleibt der Batteriepreis den ganzen Tag null – bis 23 Uhr, wenn sie mit dem Laden beginnt (Vergütung erhält), dann springt er um 18 Uhr, wenn sie in die abendliche Lastrampe entlädt. Elektrofahrzeuge spiegeln dieses Verhalten: Stumm die meiste Zeit, dann aktiv während Preistälern. Dies ist keine top-down Steuerung, sondern emergent Koordination – Assets, die mit Elektronen abstimmen, geleitet von transparenter Ökonomie.

Kritisch wahrt das Modell Profitabilitätsgrenzen. Kein Teilnehmer verliert Geld. Windparks zahlen eine kleine Gebühr für Flexibilitätsdienstleistungen, ja – aber ihr Nettoertrag steigt, weil null Megawattstunden verschwendet werden. Kohlekraftwerke verdienen weniger pro MWh, laufen aber mehr Stunden und vermeiden Anfahrkosten. Speicherbetreiber generieren Zusatzerlöse, ohne Energiemargen zu kannibalisieren. Elektrofahrzeugbesitzer erhalten Mikrozahlungen, die Ladekosten offsetten – und verlängern die Batterielebensdauer durch Vermeidung von Spitzenlastladen. Alle gewinnen, weil das System gewinnt.

Gleichzeitig bleiben Skalierbarkeitsfragen bestehen. Wie funktioniert dies über Provinzgrenzen hinweg, wo Netzownership und Preisregeln fragmentieren? Kann das Modell Millionen verteilter Elektrofahrzeuge handhaben, nicht nur 200? Und was passiert, wenn Wind und Solar gleichzeitig einbrechen – ein „Dunkelflaute“-Ereignis?

Zhang und Hu räumen diese Grenzen ein. Ihr Framework ist für Day-Ahead-Scheduling konzipiert – essentiell, aber nicht ausreichend für Echtzeitvolatilität. Der nächste Schritt, in ihrer Conclusion angedeutet, ist die Kopplung mit Intraday- und Automatic Generation Control (AGC)-Ebenen. Ebenso vital: Regulatorische Adoption. Chinas Regelleistungsmärkte entwickeln sich, doch Vergütungsregeln bleiben inkonsistent. Eine nationale Implementierung gestaffelter, kostenspiegelnder Preisbildung – untermauert durch transparente Kostenteilung – erfordert politische Arbeit, nicht nur Ingenieurskunst.

Doch die Richtung ist klar. Flexibilität ist kein Kostencenter mehr – sondern ein Wertstrom. Und Assets, die einst als passiv galten (ein parkendes Elektrofahrzeug, der ruhende Kälteaggregat einer Fabrik, ein rooftop Solarwechselrichter) werden zu aktiven Netzpartnern. Wie ein Netzbetreiber aus der Inneren Mongolei im Off-the-Record-Gespräch bemerkte: „Früher bettelten wir Einheiten an, herunterzufahren. Jetzt, mit properen Signalen, bitten sie darum, tiefer zu gehen – die Vergütung deckt ihr Risiko. Es ist ein kultureller Wandel.“

Das ist die leise Revolution im Gange. Nicht mit Megaprojekten, sondern mit marginalen Anreizen. Nicht durch Mandate, sondern durch Märkte, die Flexibilität endlich sehen – und fair bezahlen.

Zurück in der Schaltzentrale justiert der Ingenieur einen Schieber. Ein Cluster Elektrofahrzeuge beginnt zu laden – nicht aufgrund eines Befehls, sondern weil das Preissignal in die grüne Zone sprang. Auf dem Bildschirm glättet sich die Nettolastkurve, fast unmerklich. Eine weitere Turbine bleibt online. Eine weitere Kilowattstunde Wind findet ein Zuhause.

Kein Tamtam. Nur Elektronen, Ökonomie und Gleichgewicht – endlich im Einklang.

Autoren: Zhang Jinliang, Hu Zeping
Zugehörigkeit: School of Economics and Management, North China Electric Power University, Beijing 102206, China
Journal: Power System Protection and Control
DOI: 10.12158/j.2096-3203.2024.04.002