Virtuelle Kraftwerke steigern Netzflexibilität durch KI-gestützte Bietstrategie
In einer Ära, die vom dringenden Übergang zu Netto-Null-Emissionen geprägt ist, ist die Integration erneuerbarer Energien und Elektrofahrzeuge (EVs) in die Stromversorgungssysteme sowohl eine Notwendigkeit als auch eine Herausforderung. Während Solaranlagen und EVs sauberere, dezentralisierte Energie versprechen, stellt ihre inhärente Variabilität ein erhebliches Risiko für die Netzstabilität dar. An dieser Stelle kommen virtuelle Kraftwerke (VPP) ins Spiel – digitale Aggregatoren, die dezentrale Energieressourcen koordinieren, um als eine einzige, steuerbare Kraftwerkseinheit zu fungieren. Eine bahnbrechende Studie, die in Power System Technology veröffentlicht wurde, zeigt nun, wie fortgeschrittenes maschinelles Lernen die Bietergenauigkeit und Rentabilität von VPPs auf Day-Ahead-Strommärkten dramatisch verbessern kann.
Unter der Leitung von Guoji Zhang und seinem Team am Key Laboratory of Cleaner Intelligent Control on Coal & Electricity der Taiyuan University of Technology stellt die Forschung einen neuartigen Rahmen vor, der Phasenraumrekonstruktion mit Gauß’scher Prozessregression (GPR) kombiniert, um den „Bietraum“ eines VPP, bestehend aus Photovoltaik (PV)-Systemen, EV-Clustern und Batteriespeichern, vorherzusagen. Diese prädiktive Fähigkeit ermöglicht es VPP-Betreibern, genauere und wettbewerbsfähigere Gebote abzugeben und so die kostspieligen Abweichungen zwischen geplanten und zugeteilten Energiemengen zu reduzieren – ein häufiger Schmerzpunkt in realen Strommärkten.
Das Konzept des „Bietraums“ steht im Mittelpunkt der Studie. Im Gegensatz zu herkömmlichen Kraftwerken mit festen Erzeugungskurven ist die operative Flexibilität eines VPP dynamisch und zeitlich variabel. Seine Fähigkeit, Strom zu jeder gegebenen Stunde zu kaufen oder zu verkaufen, hängt vom kollektiven Zustand seiner zugrunde liegenden Assets ab: wie viele EVs angeschlossen sind, deren Ladezustand, die prognostizierte Solarleistung und die verfügbare Kapazität der Speichersysteme. Diese mehrdimensionale Hülle – die Leistungsgrenzen, Energieboundaries und zeitliche Zwänge umfasst – definiert den machbaren Betriebsbereich oder „Bietraum“ des VPP. Die genaue Vorhersage dieses Raumes 24 Stunden im Voraus ist entscheidend für die Formulierung einer profitablen Marktstrategie.
Historisch betrachtet haben viele Modelle die Verfügbarkeit von EVs und die PV-Erzeugung als unabhängige Variablen behandelt und dabei ihre komplexen zeitlichen Wechselwirkungen ignoriert. Dieses Versäumnis führt oft zu überoptimistischen Gebotsplänen, die physikalisch nicht realisierbar sind und finanzielle Strafen für Ungleichgewichte zur Folge haben. Das Team von Zhang geht diese Lücke an, indem es den gesamten Bietraum als eine chaotische Zeitreihe behandelt – ein System, das zufällig erscheint, aber verborgene deterministische Strukturen enthält. Durch die Anwendung des Takens’schen Einbettungstheorems rekonstruieren sie die eindimensionalen historischen Daten in einen höherdimensionalen Phasenraum und „entfalten“ effektiv den Attraktor, der das Systemverhalten steuert. Diese aus der nichtlinearen Dynamik entlehnte Technik enthüllt Muster, die in rohen Zeitreihendaten unsichtbar sind.
Sobald der Phasenraum rekonstruiert ist, setzen die Forscher Gauß’sche Prozessregression ein – eine probabilistische, nichtparametrische Methode des maschinellen Lernens, die sich gut für kleine Datensätze und die Quantifizierung von Unsicherheiten eignet. Im Gegensatz zu tiefen neuronalen Netzen, die massive Trainingsdaten und lange Rechenzeiten erfordern, liefert GPR nicht nur eine Punktprognose, sondern auch ein Konfidenzintervall, was risikobewusste Entscheidungsfindung ermöglicht. Das Modell wird mit historischen Aufzeichnungen von EV-Anschluss-/Trennzeiten, PV-Leistung und Speicherzuständen trainiert und lernt, die machbaren Leistungs- und Energiegrenzen für jedes 15-Minuten-Intervall des nächsten Tages vorherzusehen.
Die eigentliche Innovation liegt jedoch darin, wie diese Vorhersage in den Marktbietprozess integriert wird. Das Team entwickelte ein zweistufiges Optimierungsframework. In der ersten Stufe agiert jeder VPP als strategischer Bieter und zielt darauf ab, seine Netto-Stromkosten zu minimieren (oder den Gewinn zu maximieren), indem er Preis-Mengen-Kurven einreicht, die seinen vorhergesagten Bietraum widerspiegeln. Entscheidend ist, dass diese Stufe die wettbewerbliche Interaktion zwischen mehreren VPPs als ein Nash-Gleichgewichtsproblem modelliert – jeder Teilnehmer geht davon aus, dass die Strategien der anderen festgelegt sind, und optimiert entsprechend. Das Ergebnis ist eine Reihe von Geboten, die sowohl wirtschaftlich rational als auch physikalisch machbar sind.
In der zweiten Stufe räumt ein simulierter Marktbetreiber den Markt unter Verwendung eines Nodal Marginal Pricing (LMP)-Mechanismus ab, wodurch sichergestellt wird, dass die endgültige Zuteilung Netzrestriktionen und Systembalance respektiert. Das Modell bestraft Abweichungen zwischen dem eingereichten Gebot des VPP und dem bereinigten Fahrplan, was realen Ungleichgewichtsgebühren nachempfunden ist. Durch die enge Kopplung von Prognose- und Optimierungsebenen stellt das Framework sicher, dass die Gebote der VPPs nicht nur aggressiv, sondern auch zuverlässig sind.
Um ihren Ansatz zu validieren, führten die Forscher umfangreiche Simulationen am RBTS-38-Knoten-Verteilersystem durch – einem Standard-Testumfeld in der Stromsystemforschung. Sie konfigurierten vier distincte VPPs an verschiedenen Netzstandorten, jeder mit einer einzigartigen Mischung aus EVs, PV und Speicher. Unter Verwendung von über 1.000 Stunden realer EV-Lade- und Solarerzeugungsdaten verglichen sie ihr phasenraumverbessertes GPR-Modell mit konventionellen Backpropagation (BP)-neuronalen Netzen und einem Baseline-GPR ohne Phasenraumrekonstruktion.
Die Ergebnisse waren überzeugend. Die vorgeschlagene Methode übertraf durchgängig beide Vergleichsmodelle in Bezug auf die Prognosegenauigkeit, insbesondere während kritischer Übergangsperioden – wie Sonnenaufgang oder abendlichen EV-Ladespitzen –, in denen schnelle Nettolaständerungen auftreten. Noch wichtiger ist, dass die verbesserte Prognose direkt in wirtschaftliche Vorteile umgesetzt wurde. VPPs, die das neue Modell verwendeten, senkten ihre Day-Ahead-Strombeschaffungskosten um bis zu 7 % im Vergleich zu denen, die BP-Netze verwendeten. Sie verzeichneten auch deutlich weniger Kürzungen durch den Marktbetreiber, was bedeutet, dass ihre Gebote mit höherer Wahrscheinlichkeit vollständig angenommen wurden.
Ein besonders bemerkenswerter Befund war die Wirksamkeit des Modells selbst bei begrenzten historischen Daten. In Szenarien mit nur 300 Datenpunkten (etwa 12 Tage im 15-Minuten-Intervall) erreichte das Phasenraum-GPR Prognosefehler, die deutlich unter der 10 %-Schwelle lagen, die typischerweise Ungleichgewichtsstrafen in vielen Strommärkten auslöst. Dies macht den Ansatz hochgradig praktikabel für neue VPP-Betreiber, denen umfangreiche Betriebserfahrung fehlt.
Über wirtschaftliche Aspekte hinaus unterstreicht die Studie den strategischen Wert von bidirektionalem EV-Laden. Wenn EVs zurück ins Netz einspeisen dürfen (V2G), werden sie zu leistungsstarken Flexibilitätsassets. Die Simulationen zeigten, dass VPPs mit V2G-fähigen Flotten Preisdifferenzen arbitrieren konnten – Laden zu Niedrigpreiszeiten über Nacht und Einspeisung während Nachmittagsspitzen – und so die Abhängigkeit vom Hauptnetz verringerten und die Integration lokaler erneuerbarer Energien verbesserten. Diese Fähigkeit ist besonders wertvoll in Regionen mit hohem Solaranteil, wo die Mittagserzeugung oft die lokale Nachfrage übersteigt und zu Preisstürzen führt, während abendliche Lastrampen konventionelle Kraftwerke belasten.
Die Implikationen für Netzbetreiber sind gleichermaßen bedeutsam. Wenn mehr VPPs derart intelligente Bietstrategien übernehmen, verbessern sich die overall Vorhersehbarkeit und Steuerbarkeit dezentraler Ressourcen. Dies verringert den Bedarf an teuren Regelleistungsreserven und erleichtert eine höhere Durchdringung mit erneuerbaren Energien, ohne die Zuverlässigkeit zu beeinträchtigen. Darüber hinaus trägt der Ansatz, indem er das EV-Laden an die Netzanforderungen anpasst, dazu bei, die berüchtigte „Duck Curve“ abzuflachen und den Druck auf thermische Kraftwerke während schneller abendlicher Lastanstiege zu verringern.
Aus politischer Perspektive unterstreicht die Forschung die Bedeutung von Marktregeln, die Genauigkeit und Flexibilität belohnen. Aktuelle Strommärkte bestrafen oft Ungleichgewichte, bieten aber nur begrenzte Anreize für präzise Prognosen. Der Erfolg von Zhangs Modell legt nahe, dass Regulierungsbehörden die Markteffizienz weiter steigern könnten, indem sie Mechanismen einführen, die VPPs für das Einreichen zuverlässiger Gebote belohnen – vielleicht durch reduzierte Ungleichgewichtsgebühren oder Prioritätsverteilungsrechte.
In die Zukunft blickend räumt das Team ein, dass der reale Einsatz die Bewältigung zusätzlicher Unsicherheitsebenen erfordern wird – nicht nur bei der Ressourcenverfügbarkeit, sondern auch beim Verhalten der Marktteilnehmer und bei extremen Wetterereignissen. Ihr nächster Schritt ist die Entwicklung eines robusten Bietmodells, das die stochastische Natur des Bietraums explizit berücksichtigt, möglicherweise unter Verwendung von verteilungsrobuster Optimierung oder szenariobasierter stochastischer Programmierung.
Dennoch stellt diese Arbeit einen großen Sprung nach vorn in der operativen Intelligenz virtueller Kraftwerke dar. Durch die Verschmelzung von Konzepten aus der Chaostheorie, dem maschinellen Lernen und der Marktökonomie haben Zhang und seine Kollegen einen Rahmen geschaffen, der sowohl theoretisch rigoros als auch praktisch umsetzbar ist. Während sich die Strommärkte weltweit weiterentwickeln, um dezentralisierte, dekarbonisierte Zukunft zu accommodieren, werden solche Innovationen unverzichtbar sein.
Für Versorger, Aggregatoren und politische Entscheidungsträger gleichermaßen ist die Botschaft klar: Die Zukunft der Netzflexibilität liegt nicht nur in mehr Batterien oder intelligenteren Wechselrichtern, sondern in intelligenteren Algorithmen, die das volle Potenzial bestehender Assets erschließen können. Und mit dieser Studie ist der Weg nach vorn erheblich klarer geworden.
Autoren: Guoji Zhang, Yanbing Jia, Xiaoqing Han und Ze Zhang vom Key Laboratory of Cleaner Intelligent Control on Coal & Electricity (Taiyuan University of Technology), Ministry of Education, Taiyuan 030024, Shanxi Province, China. Veröffentlicht in Power System Technology, Bd. 48, Nr. 9, September 2024. DOI: 10.13335/j.1000-3673.pst.2024.0234.