Marktmodellentwicklung für die dezentrale Wärmebereitstellung in Wärmenetzen

Transkript

1 Marktmodellentwicklung für die dezentrale Wärmebereitstellung in Wärmenetzen Andreas Leitner 1, Klaus Lichtenegger 2, Christine Mair 2, Mario Höld 2, 3 1 Universität für Bodenkultur Wien, Institut für Verfahrens- und Energietechnik, Peter-Jordan-Straße 82, A-1190 Wien, +43 (1) , andreas.leitner@boku.ac.at, 2 BIOENERGY GmbH, Gewerbepark Haag 3, A-3250 Wieselburg, +43 (316) , klaus.lichtenegger@bioenergy2020.eu, christine.mair@bioenergy2020.eu, 3 Campus Wieselburg der Fachhochschule Wiener Neustadt für Wirtschaft und Technik Ges.m.b.H., Zeiselgraben 4, A-3250 Wieselburg, +43 (0) / , mario.hoeld@amu.at, Kurzfassung: Eine nachhaltige Fernwärmeversorgung wird zukünftig auch die Einbindung dezentraler Wärmequellen erfordern. Dabei sollen Fernwärmekunden, die Wärme beziehen, aber auch selbst erzeugen, diese bei Bedarf in ein bidirektionales Netz einspeisen. Das dafür notwendige Produktionsmanagement erfordert neben den hydraulischen auch geeignete regelungstechnische Voraussetzungen mit wirtschaftlichen Rahmenbedingungen für die Kostenverrechnung. Dabei gibt es für das übergeordnete Wärmemanagement bei verteilten komplexen Systemen, wie es bidirektionale Wärmenetze mit Prosumern (Producer- Consumern) darstellen, zwei grundlegend verschiedene Zugänge, um für die Wärmebereitstellung ein am globalen Optimum orientiertes, gemeinschaftliches Wirtschaftsmodell zu finden: Straff organisierte Ansätze, in denen eine zentrale Stelle ein globales Optimierungsproblem löst und Zugriff auf alle Stellgeräte im Wärmeverteilungssystem hat. Dezentrale Schwarmintelligenz bzw. Wärmemarkt, bei der sich das Wärmemanagement des Gesamtsystems aus Aktionen (Produktionsanpassung, Speichernutzung, Wärmekauf oder -verkauf) der einzelnen Akteure ergibt. Wenn man mittels Simulation den zentralen Ansatz mit dem des freien Marktes für das übergeordnete Wärmemanagement evaluiert und hinsichtlich Rechenperformance bei der Optimierung eines nichtlinearen Systems im Sinne einer ökonomisch-ökologischen Kostenfunktion vergleicht, zeigt sich, dass der zentrale Ansatz schnell komplex wird. Insbesondere steigt der Rechenaufwand mit zunehmender Systemgröße stark an. Die Skalierungseigenschaften sind also schlecht. Hingegen ist das Skalierungsverhalten dezentraler Ansätze wesentlich besser. Das liegt daran, dass auch bei einer größeren Zahl von Akteuren die Anforderungen an jeden einzelnen Akteur nicht wesentlich ansteigen, wodurch das Modell auch für sehr komplexe Wärmenetze benutzt werden kann. Keywords: Fernwärme, Wärmenetze, Smart Grids, dezentrale Wärmebereitstellung, bidirektionale Einbindung, Wärmemanagement, globale Optimierung, Marktmodell Seite 1 von 13

2 1 Motivation Eine nachhaltige Fernwärmeversorgung wird zukünftig auch die Einbindung dezentraler Wärmequellen erfordern. Dabei sollen Fernwärmekunden, die Wärme beziehen, aber auch selbst erzeugen können, diese bei Bedarf in ein bidirektionales Netz einspeisen. Solche Prosumer (Producer-Consumer) können zum Beispiel Gebäude mit großzügig dimensionierten thermischen Solaranlagen sein, die im Sommer Überkapazitäten aufweisen. Auch Gewerbetriebe, die einerseits Bedarf an Heiz- und Prozesswärme haben, andererseits Abwärme produzieren, kommen in Frage. Zudem besteht die Möglichkeit, Überschusswärme aus Heizungsanlagen (Pelletskessel, Hackschnitzelheizungen, etc.) von Gebäuden, die sich im näheren Umfeld von Fernwärmeleitungen befinden, in das Netz einzuspeisen. Im Zuge des Projektes BiNe2+ (FFG-Nr ), das vom Klima- und Energiefonds der österreichischen Bundesregierung gefördert wird, soll im Fernwärmenetz von Großschönau (NÖ) eine dezentrale Wärmebereitstellung durch Fernwärmekunden realisiert werden. Dadurch soll ein defizitärer Sommerbetrieb vermieden werden, der aus dem geringen Wärmebezug und den damit verbundenen ungünstigen Anlagenbetriebszuständen resultiert. Konkret werden folgende vier dezentrale Prosumer im Fernwärmenetz implementiert: 80 kw Hackschnitzelkessel Thermische Solaranlage mit 36 m² mittels 24 kw Wärmepumpe Abwärme von zwei Kälteanlangen eines Gewerbebetriebs mittels 8 kw Wärmepumpe 320 kw Reserveölkessel Dieses Konzept bzw. die Implementierung dieser vier dezentralen Wärmequellen erfordert ein Produktionsmanagement, dass neben den hydraulischen auch geeignete regelungstechnische Voraussetzungen mit wirtschaftlichen Rahmenbedingungen für die Kostenverrechnung aufweist. Wenn mehrere Wärmequellen in das Netz einspeisen, ist es zwingend erforderlich die individuelle Wärmeproduktion der einzelnen Prosumer an den Gesamtwärmebedarf, sowohl zeitlich als auch quantitativ anzupassen. Konkret muss die Wärmeproduktion aller Prosumer koordiniert werden, d.h. es ist zu entscheiden, wann und von wem wie viel Wärme in das Netz eingespeist wird. Auch ist es vorteilhaft, den zu erwartenden Gesamtwärmebedarf und die zu erwartenden Solarerträge mittels Wetterprognosedaten zumindest einen halben Tag im Voraus zu bestimmen. Das dient einerseits dazu, die hydraulisch bedingten Latenzzeiten im Fernwärmenetz und die Anfahrzeiten von Wärmeerzeugern zu berücksichtigen. Andererseits ist es hilfreich, die zu erwartenden Solarerträge mit den restlichen Wärmeeinspeisern sinnvoll abzustimmen. Um diesen Anforderungen gerecht zu werden, ist der Einsatz eines übergeordneten Wärmemanagements unumgänglich. Dieses kann jedoch auf unterschiedliche Weise realisiert werden. Es gibt für das übergeordnete Wärmemanagement für verteilte komplexe Systeme, wie es bidirektionale Wärmenetze mit Prosumern darstellen, zwei grundlegend unterschiedliche Zugänge, um für die Wärmebereitstellung ein am globalen Optimum orientiertes, gemeinschaftliches Wirtschaftsmodell zu finden: Straff organisierte Ansätze, in denen eine zentrale Stelle ein globales Optimierungsproblem löst und Zugriff auf alle Stellgeräte im Wärmeverteilungssystem hat. Seite 2 von 13

3 Dezentrale Schwarmintelligenz bzw. Wärmemarkt, bei der sich das Wärmemanagement des Gesamtsystems aus Aktionen (Anpassung der Wärmeproduktion, Speichernutzung, Wärmekauf und -Verkauf) der einzelnen Akteure ergibt. Eine genauere Aufschlüsselung dieser Zugänge, in den auch Zwischen- und Mischformen angeführt werden, ist in Abbildung 1 dargestellt. Abbildung 1: Übersicht über verschiedene Zugänge zum übergeordneten Wärmemanagement 1.1 Zentrale Fragestellung Wie kann ein Regelwerk für einen freien Wärmemarkt aussehen, sodass durch fairen Handel alle beteiligten Prosumer profitieren und die Gesamtkosten des gesamten Wärmenetzes möglichst gut an das globale Minimum herankommen? Wie verhält sich ein solcher Ansatz im Vergleich zu anderen Optimierungsmethoden hinsichtlich Kosten und Rechenaufwand. Die Ausarbeitung dieser Fragen erfolgt in der vorliegenden Arbeit an Hand einer Gegenüberstellung von vier unterschiedlichen Optimierungsmethoden für ein übergeordnetes Wärmemanagement: Autonomie-orientiertes Marktmodell (freier Wärmemarkt) Simpel wärmegeführt (lokal ohne Interaktionen) Optimierung an Hand von Expertenregeln (lokale Optimierung und zentral verwaltete Transaktionen) Globale Optimierung 2 Methodik Aufbauend auf den Ergebnissen aus dem Vorprojekt BiNe (Halmdienst et al. 2014), wird der Ansatz für ein stark autonomieorientiertes Marktmodell weiterentwickelt und mit drei weiteren Modellansätzen verglichen. Dabei fließen Erkenntnisse aus Smart-Market-Ansätzen ein, wie sie vor allem in der Elektrizitätswirtschaft als wirtschaftliche Ergänzung zum technischen Smart-Grid-Konzept entwickelt wurden. Gegenständlich werden die vier in Punkt 1.1 auflisteten Optimierungsmethoden für das Lastmanagement mittels Simulation in MATLAB abgebildet und die Systemperformance analysiert. An das Lastmanagement werden folgende Anforderungen gestellt die es in diesem nicht linearen System zu optimieren gilt: Seite 3 von 13

4 Sicherstellen der Versorgungssicherheit: Vom Produktionsmanagement ist zu jeder Zeit sicherzustellen, dass Wärmeangebot und Bedarf nicht divergieren bzw. mittels vorhandener Puffer ausgeglichen werden Minimierung der kumulierten Wärmegestehungskosten der einzelnen Prosumer: Brennstoffeinsatz, elektrische Energie für Wärmepumpen Minimierung der Wärmeverluste: Berücksichtigung der Verluste und Einbeziehen der Ladezustände in den Puffern der einzelnen Prosumer Minimierung der Emissionen: Bevorzugte Verwendung von emissionsarmen Wärmequellentechnologien; Vermeidung von emissionsintensiven Teillastbetrieb in Abhängigkeit der jeweiligen Wärmequellentechnologie 3 Modell Mit den Simulationsmodellen werden Ansätze möglicher Rahmenbedingungen für das Produktionsmanagement eines Wärmemarktes abgebildet. Im Groben kann der Aufbau der Modelle in folgende Aktionen gegliedert werden: Definition von Teilnehmern, Auflagen in Form von Preisen, zeitlicher Rahmen sowie Auflösung Erstellung von Prognosen für Heizwärmebedarf und Verfügbarkeit von unabhängiger Wärme (z.b. Solarthermie) Optimierung der Kosten Kostenabrechnung und Bilanzierung der Energieflüsse Die Anzahl an Prosumern ist frei wählbar und wird über die Anzahl an hinterlegten Prosumer-Profilen festgelegt. Prosumer-Profile entsprechen einer tabellarischen Auflistung von Eingabeparametern, an Hand derer das Heizsystem eines Prosumers in der Simulation vollständig abgebildet ist. Ein Prosumer kann dabei mehrere Komponenten in sich vereinigen und eine Kombination aus Wärmeerzeuger, unabhängiger Wärmequelle (nicht steuerbarer Wärmequelle, z.b. Solarthermie) und Pufferspeicher darstellen. Ebenso können aber einzelne Komponenten für sich durch Nullsetzen der jeweils anderen Einträge in der Simulation abgebildet werden (z.b. Prosumer ist ein reiner Speicher). Die erforderlichen Eingabegrößen sind demzufolge: Maximale Speicherkapazität und aktueller Speicherstand Art der Wärmequelle (Auswahl an vordefinierten Typen, die über hinterlegte Funktionen für Wärmegestehungspreise in Abhängigkeit von der Leistungsstufe charakterisiert sind) Maximal produzierbare Leistung Maximaler Wärmebezug und Heizwärmebedarfsprofil (Auswahl an vordefinierten Typen, die über hinterlegte Heizwärmebedarfskurven charakterisiert sind) Seite 4 von 13

5 Maximale Leistung einer unabhängigen Wärmequelle und deren Profil für den Eintrag an Wärme (Auswahl an vordefinierten Typen, die über hinterlegte Kurven charakterisiert sind) Reine Wärmekonsumenten im Netz, aber auch alle Prosumer, haben fix definierte Wärmelastprofile. Die für die Simulation notwendigen Lastprognosen, welche im realen übergeordneten Wärmemanagement aus Wetterprognosedaten errechnet werden, werden in den Simulationen durch Kombinieren der definierten Wärmelastprofile mit Zufallsverläufen erzeugt. Analog dazu werden in der Simulation Solarerträge mittels fix definierter Solarertragsprofile berechnet. Auch hier werden die für die Simulation notwendigen Prognosen der zu erwartenden Solarerträge durch Kombinieren der definierten Solarertragsprofile mit Zufallsverläufen erzeugt. Abbildung 2: verwendete Prosumerarchitektur in den Simulationsmodellen In der Abbildung 2 ist die verwendete Prosumerarchitektur nochmals dargelegt. Die in grün gehaltenen starren Verbindungen veranschaulichen die notwendigen Parameter, an Hand derer ein Prosumer vollständig definiert ist. Mit den blauen Pfeilen wird die Verlinkung für Wärmegestehungspreise, Produktionsprofile und Heizbedarfsprognosen dargestellt. Zentrales Glied in den Modellen ist der Optimierungsprozess. Technische, ökonomische sowie ökologische Aspekte spiegeln sich in Form von preislichen Zuschlägen wieder. Ungünstige Betriebsweisen und schnelle Laständerungen werden auf diese Weise in der errechneten Kostenfunktion bestraft. Im Optimierungsalgorithmus werden auch die Emissionen im Gesamtsystem minimiert und die Effizienz maximiert (Optimierung im Sinne einer ökonomisch-ökologischen Kostenfunktion). Ebenso werden Speicherverluste berücksichtigt. Im Zuge dieses Optimierungsalgorithmus kommt es dann zu einer Aufspaltung in die nachfolgend angeführten Wärmemanagementmodelle, deren Performance anschließend in Form einer Gegenüberstellung analysiert wird. Seite 5 von 13

6 3.1 Autonomie-orientiertes Marktmodell Im Sinne von agentenbasierter Modellierung basieren die Kommunikation der Wärmegestehungspreise sowie der Entscheidung über Transaktionen durch autonome Prosumer-Cluster. In jedem betrachteten Zeitschritt optimiert jeder Prosumer-Cluster seine Wärmeproduktion. Dies geschieht an Hand von aktuellen Prognosen für unabhängigen Wärmeeintrag (Solarertrag), Wärmebedarf sowie unter Berücksichtigung der eigenen Produktions- und Speicherkapazitäten. Um das autonomieorientierte Marktmodell umsetzen zu können, kommt stochastische Optimierung, im Speziellen ein Algorithmus basierend auf Simulated Annealing, zum Einsatz. Hierbei werden Zufallslösungen in der unmittelbaren Umgebung der aktuellen Lösung untersucht. Neu generierte Lösungen werden nicht nur im Fall einer Verbesserung akzeptiert, sondern mit einer gewissen Wahrscheinlichkeit kann auch eine Verschlechterung zugelassen werden. Damit beugt man der Gefahr vor, in einem lokalen Minimum hängen zu bleiben, und Simulated Annealing erweist sich als ein geeigneter Ansatz für das gegenständliche komplexe nichtlineare Optimierungsproblem (Kirkpatrick et al. 1983). Anschließend werden die Informationen über Wärmegestehungskosten untereinander ausgetauscht und die Kosten durch Handel zwischen jeweils zwei Prosumer-Clustern so weit wie möglich reduziert. Dieser Schritt ist deterministisch und entspricht einem gradientenbasierten Verfahren, als dass wiederholt die jeweils wirksamste Einzelaktion gesetzt wird, bis keine Verbesserung durch einen einzelnen Schritt mehr möglich ist. Dieser Zugang weist Parallelen zum Merit-Order-Konzept in der Elektrizitätswirtschaft auf, kommt aber ohne eine zentrale Verwaltungsinstanz aus. Die Funktionsweise des autonomieorientierten Marktmodells ist in Abbildung 3 nochmal veranschaulicht. Abbildung 3: Autonomie-orientiertes Marktmodell Seite 6 von 13

7 3.2 Simpel wärmegeführter Ansatz Bei diesem einfachen Szenario wird immer nur der unmittelbar nächste Zeitschritt betrachtet und die Differenz aus Heizwärmebedarf und Eintrag an unabhängiger Wärme gebildet. An Hand diesem Netto-Wärmebedarf erfolgt eine Fallunterscheidung: Übersteigt der Eintrag an unabhängiger Wärme den Verbrauch, wird die Produktion auf null gesetzt und Überschusswärme, sofern möglich, gespeichert. Solange der Netto-Wärmebedarf nicht die maximale Produktionskapazität übersteigt, wird die Produktion direkt an diesen angepasst. Da kein Wärmezukauf möglich ist, wird dieser Schritt mit einer gewissen Sicherheit beaufschlagt, um ein Leerlaufen der Speicher in zukünftigen Schritten zu vermeiden. Für den Fall Netto-Wärmebedarf größer-gleich Produktionskapazität, ist die Produktion gedeckelt und bei Mehrbedarf muss Wärme aus dem Speicher bezogen werden. Eine Minimierung von Speicherverlusten ist in dieser Strategie kein Ziel; eine sichere Wärmeversorgung hat Priorität. Weiters lässt dieser Ansatz keine Interaktionen zwischen den Akteuren zu. Jeder Prosumer ist auf sich allein gestellt und muss dabei in der Lage sein sich selbst zu versorgen. Für reine Wärmekonsumenten bzw. -produzenten ist dieser Ansatz nicht geeignet. 3.3 Optimierung an Hand von Expertenregeln Auch dieser Ansatz erfordert nur geringen Rechenaufwand. Die Optimierung erfolgt lokal beim Prosumer und bezieht wie auch beim simpel wärmegeführten Ansatz nur den unmittelbar nächsten Zeitschritt ein. Allerdings ist hier das Wärmemanagement um Expertenregeln erweitert. Diese sorgen für einen optimierten Speicherbetrieb und eine Interaktion zwischen den Prosumern in Form von Zu- und Verkauf. Analog zum simplen - Ansatz erfolgt eine Fallunterscheidung an Hand des Netto-Wärmebedarfs. Diese ist nun um eine Abfrage des Speicherstandes relativ zu einem bevorzugten Speicherfüllstand, und um einen Kauf/Verkauf-Plan erweitert. Anschließend an die lokale Optimierung erfolgt eine zentrale Suche und Umsetzung der günstigsten Transaktionen (Umschichtungen aus Speichern bzw. Änderung der Produktionspläne), solange, bis sich Zu- und Verkauf decken. 3.4 Zentrale Optimierung Bei diesem zentralen Ansatz laufen alle Informationen (Prosumer-Profile, aktuelle Speicherstände, Prognosen für Heizwärmebedarf und unabhängigen Wärmeeintrag) in einer globalen Optimierungsschleife zusammen. In jedem Optimierungsschritt wird für einen jeden Prosumer und jeden Zeitschritt innerhalb des Prediktionshorizonts die aktuellen Kosten durch Bilanzieren aller Energieflüsse (Speicher, unabhängiger Wärmeeintrag, Produktion, Zu-/Verkauf) berechnet und aufsummiert. Die Optimierung der Gesamtkosten erfolgt wieder auf Basis von Simulated Annealing. Konkret für dieses globale Modell bedeutet das, dass die Gesamtkonfiguration von Produktions- sowie Handels-Plänen im Fall einer Kostenreduktion und mit einer gewissen Wahrscheinlichkeit auch sonst als Ausgangspunkt für eine erneute Zufallslösung dient. Ein Vergleich mit dem aktuellen Kostenminimum sorgt dafür, dass der Seite 7 von 13

8 jeweils beste Produktions- und Handelsplan für die Umsetzung im Anschluss an die festgesetzte Zahl an Optimierungsschritten vorgemerkt ist. Die Funktionsweise der zentralen Optimierung ist in Abbildung 5 nochmals veranschaulicht. Abbildung 4: Zentrale Optimierung 4 Simulation Um die vier Ansätze für das Wärmemanagement evaluieren bzw. deren Performance vergleichen zu können, werden folgende Simulationsparameter gewählt: Als Simulationsschrittweite wird eine Stunde gewählt; die Wärmeproduktion, der Wärmebedarf und der Solarertrag werden mit 1 kw Auflösung diskretisiert. Der Prädiktionshorizont (nur relevant für Marktmodell und globale Optimierung) für den zu erwartenden Solarertrag und Wärmebedarf wird mit zwölf Stunden und der Betrachtungszeitraum wird mit 48 Stunden festgelegt. Die potenziellen Wärmegestehungskosten, abhängig von der Leistung, werden von jedem Prosumer individuell im Vorhinein ermittelt. Als Preisbasis dient dabei der Energieträgerkostenvergleich des Österreichischen Biomasseverbandes mit Durchschnittspreisen aus dem Jahr 2016 (Österreichischer Biomasse-Verband 2016). Zusätzlich werden folgende Preise für die Simulationen fix definiert: o Solarwärmegestehungspreis: 0.01 /kwh o Kompensationspreis bei unzureichende Wärmeversorgung: 1.00 /kwh o Wärmepreis für den Fernwärmebezug 0.25 /kwh Seite 8 von 13

9 Die Wärmeverluste in den Pufferspeichern der Prosumer werden pauschal mit einem Prozent pro Stunde festgelegt. Um die Performance der Wärmemanagementmodelle qualitativ vergleichen zu können werden Simulationen, die einen stochastischen Optimierungsalgorithmus beinhalten (autonomie-orientiertes Marktmodell, zentrale Optimierung) mit unterschiedlicher Zahl von Optimierungsschritten durchgeführt. In der vorliegenden Arbeit werden die beiden Ansätze in der Simulation mit 50, 250, 1250 und 6250 Optimierungsschritten getestet und ausreichend oft wiederholt, um valide Mittelwerte und Standartabweichungen abzuleiten. Die so generierten Daten werden mit den Ergebnissen der beiden anderen Optimierungsmethoden (Simpel wärmegeführt; Optimierung an Hand von Expertenregeln ) verglichen. 4.1 Simulationsszenario Das Basisszenario bzw. die Prosumerkonstellation, welche für den Vergleich der vier Optimierungsmethoden herangezogen wurde, ist in Tabelle 1 definiert. Prosumer Wärmequelle Hackschnitzelkessel Gaskessel Abwärme mit Wärmpumpe (COP 4) Produktionsmaximum 10 [kw] 10 [kw] 10 [kw] maximale unabhängige Wärmeproduktion Produktionsprofil unabhängige Wärme [kw] maximaler Wärmebezug 20 [kw] 20 [kw] 10 [kw] Wärmelastprofil maximale Speichergröße 100 [kwh] 100 [kwh] 100 [kwh] Startladezustand des Speicher 50 [kwh] 50 [kwh] 50 [kwh] Tabelle 1: Eingabegrößen Basisszenario Seite 9 von 13

10 4.2 Simulationsergebnisse In der Tabelle 2 sind die Ergebnisse der Simulationen für die kumulierten Einkünfte aller Prosumer für die betrachteten Modelle zusammengefasst und hinsichtlich Optimierungsschritte, Mittelwert, Standardabweichung, Standardfehler und Maximalwert, aufgelöst. Marktmodell Zentrale Optimierung Simple Expert Simulationswiederholungen Mittelwert Standardfehler Maximum Mittelwert Optimierungsschritte Standardabweichung Standardabweichung Standardfehler Maximum Ergebnis Ergebnis Tabelle 2: Vergleich Simulationsergebnisse: kumulierte Einkünfte [ ] aller Prosumer je Optimierungsmodell mit unterschiedlichen Optimierungsschritten. Da die Methoden simple und expert deterministisch sind, ist für diese keine statistische Analyse erforderlich. Abbildung 5: Vergleich Simulationsergebnisse der Optimierungsmodelle mit unterschiedlichen Optimierungsschritten: Mittel- und Maximalwerte der kumulierten Einkünfte [ ] Seite 10 von 13

11 5 Schlussfolgerungen In den Simulationsergebnissen der Tabelle 2 bzw. in Abbildung 5 ist klar zu erkennen, dass beim Marktmodell in den Mittelwerten der Einkünfte bei steigender Optimierungsschrittanzahl tendenziell deutliche Verbesserungen erzielt werden. Die Ergebnisse bei 6250 Schritten sind im Mittel zwar geringfügig schlechter als jene bei 1250 Schritten, allerdings ist die Differenz zwischen den Ergebnissen kleiner als der größere Standardfehler 1. Entsprechend ist eine weiterführende Analyse notwendig, um diesen Effekt genauer zu untersuchen. Auf jeden Fall liegen alle erhaltenen Mittelwerte für das Marktmodell über denen der Simple Methode. Die Ergebnisse der Einkünfte bei der zentralen Optimierung weisen aktuell eine sehr hohe Standardabweichung und einen großen Standardfehler auf. Es sind bei den untersuchten Optimierungsschrittzahlen keine auffälligen Trends für eine Verbesserung der Einkünfte im Mittel zu erkennen. Die Einkünfte liegen im Mittel unabhängig von den Optimierungsschritten immer unter denen der Simple Methode. Das ist ein klarer Hinweis darauf, dass für die globale Optimierung die untersuchte Zahl der Optimierungsschritte noch viel zu gering ist, um zuverlässig sinnvolle Ergebnisse zu erzielen. Das ist angesichts dessen, dass der zu untersuchende Zustandsraum in diesem Ansatz exponentiell mit der Zahl der Prosumer wächst, nicht überraschend. Auffällig ist, dass die maximal erzielbaren Einkünfte sowohl beim Marktmodell als auch beim zentralen Ansatz deutlich über denen der Experten-Methode liegen. Dies lässt den Schluss zu, dass sich grundsätzlich beide Modelle das Potenzial haben, wesentlich bessere Ergebnisse zu liefern als Standardmethoden, die auf Expertenwissen beruhen. Jedoch ist eine deutliche Verbesserung der Optimierungsstrategien erforderlich, damit solche besseren Ergebnisse zuverlässig erzielt werden können. 6 Ausblick Bei der Modellentwicklung hat sich gezeigt, dass es einen erheblichen Verbesserungsbedarf bei den Optimierungsalgorithmen in den Modellen gibt, da sich das Lösen des Optimierungsproblems dieses nichtlinearen Systems als sehr schwierig erwiesen hat. Speziell für den zentralen Ansatz hat sich gezeigt, dass die Optimierung schnell komplex wird und erhebliche Rechenkapazität erfordert. Natürlich wäre die globale Optimierung prinzipiell in der Lage, ein mindestens gleich gutes Ergebnis zu liefern wie das Marktmodell allerdings um den Preis eines vielfach höheren Rechenaufwandes. Insbesondere soll nochmals betont werden, dass bei der globalen Optimierung der Rechenaufwand mit zunehmender Systemgröße stark ansteigt; die Skalierungseigenschaften sind also schlecht. Daher wird der Fokus klar auf die Weiterentwicklung des Markmodells gelegt. Dennoch wird weiter eine vergleichende Betrachtung mit unterschiedlichen Ansätzen verfolgt. Konkret werden im weiteren Projektverlauf Ansätze aus dem Smart-Market-Bereich in die Betrachtungen miteinfließen (Aichele und Doleski 2014). Das Ampelkonzept ist eines der 1 Aufgrund des deutlich höheren Rechenaufwandes wurden für 6250 Schritte weniger Simulationen durchgeführt als für die anderen Fälle; daher ist auch die Aussagekraft der statistischen Auswertung für diesen Fall begrenzter. Seite 11 von 13

12 behandelten Modelle. Es handelt sich hierbei um eine Maßnahme, die vom Bundesverband der Energie- und Wasserwirtschaft als Schritt auf dem Weg zu intelligenten Energienetzen genannt wurde. Das Ampelkonzept beschreibt drei Phasen, welche analog zu einer Ampel als grüne, gelbe und rote Phase bezeichnet werden. Die Phasen unterscheiden sich hinsichtlich der jeweils geltenden Regeln für die Marktteilnehmer. Der Kernpunkt des Konzepts ist die Gestaltung der gelben Phase, der sog. Interaktionsphase. Diese tritt bei einem potentiellen oder tatsächlichen Engpass in einem Netzabschnitt ein. Der Netzbetreiber wird aktiv und verhindert durch Abrufen von Flexibilität den Eintritt der roten Phase (Bundesverband der Energie- und Wasserwirtschaft e.v. 2015). Teile dieses Ansatzes werden für eine Prüfung ihrer Anwendbarkeit im Bereich dezentraler Wärmeeinspeisung in Betracht gezogen. Eine Anwendung im Wärmebereich kann wie folgt skizziert werden: Abhängig vom Zustand des Netzes oder eines Netzbereiches wird die grüne, gelbe oder rote Phase vom Netzbetreiber ausgerufen. Der Zustand des Netzes wird anhand der kritischen Parameter, nämlich der Vorlauftemperatur und dem Differenzdruck, bestimmt. Je Phase ändert sich die Rolle des Netzbetreibers. In der grünen Phase sollte er als passiver Beobachter des Marktgeschehens agieren. Sobald die gelbe Phase ausgerufen wird, ist die Aufgabe des Netzbetreibers, Anreize zu setzen. Diese Anreize sollen das Verhalten der Markteilnehmer so beeinflussen, dass sich die kritischen Parameter im Sollbereich einpendeln. Eine Aufgabe wird es sein, hierzu unterschiedliche Strategien zu erarbeiten. Ein aktives Eingreifen, d.h. Beeinflussung der Einspeise- oder Entnahmeleistung durch den Netzbetreiber, ist in der roten Phase zulässig. Diese wird bei einer tatsächlichen Gefährdung der Netzstabilität ausgerufen. Eine Besonderheit des Ampelkonzepts ist die Tatsache, dass innerhalb des Konzepts das gesamte Spektrum von Ansätzen des übergeordneten Wärmemanagements angewandt wird (siehe Abbildung 1), da sich je Phase der Autonomiegrad ändert. Des Weiteren können im Ampelkonzept mehrere untergeordnete Marktmodelle zum Einsatz kommen. Diese können zum Beispiel die Interaktion und Preisbildung in der grünen Phase oder die Strategie des Netzbetreibers in der gelben Phase bestimmen. Auf Basis der Betrachtung weiterer Ansätze soll ausgehend von den hier vorgestellten Ansätzen ein Katalog geeigneter Marktmodelle geschaffen werden. Dieser Katalog soll Vorund Nachteile sowie passende Anwendungsfälle der Marktmodelle aufzeigen. Dies wird den Netzbetreibern ein breiteres Spektrum an Möglichkeiten bieten und damit die Attraktivität dezentraler Wärmeeinspeisung erhöhen. Seite 12 von 13

13 7 Literaturverzeichnis Aichele, C. & Doleski, O. D. (Hrsg.). (2014). Smart Market. Vom Smart Grid zum intelligenten Energiemarkt (1. Aufl.). Wiesbaden: Springer Vieweg. Bundesverband der Energie- und Wasserwirtschaft e.v. (März 2015). Smart Grids Ampelkonzept. Ausgestaltung der gelben Phase. Diskussionspapier. Berlin: Bundesverband der Energie- und Wasserwirtschaft e.v. (BDEW). Halmdienst, C., Lichtenegger, K., Reiterer, D. & Wöss, D. (2014, 28. Mai). BiNe - Bidirektionale Einbindung von Gebäuden mit Wärmeerzeugern in Wärmenetze. Abschlussbericht (Bundesministerium für Verkehr, Innovation und Technologie (bmvit), Hrsg.), Wien. Endbericht%20BiNe.pdf. Kirkpatrick S., Gellat C.D., Vecchi M.P. (1983): Simulated Annealing. Science 220 (1983) 671. Österreichischer Biomasse-Verband. (2016). Energieträgervergleich 2016, Österreichischer Biomasse-Verband. Seite 13 von 13