Zunehmender Anteil variabler erneuerbarer Energien wird mehr Flexibilität von den Stromsysteme erfordern
Im vergangenen Jahr hat die Zahl der Länder zugenommen, die sich verpflichtet haben, in den kommenden Jahrzehnten Netto-Null-Emissionen zu erreichen. Auch viele Länder, die keine Netto-Null-Emissionen anstreben, verfolgen zunehmend ehrgeizige Dekarbonisierungspläne. Die Verwirklichung dieser Ziele wird den Energiesektor in den kommenden Jahrzehnten umgestalten. Die Internationale Energieagentur (IEA) und die Europäische Union sind im Rahmen des Programms Clean Energy Transitions in Emerging Economies am 24.01.2022 der Frage nachgegangen, wie sich das Verhältnis zwischen Stromangebot und Nachfrageänderungen in kohlenstoffarmen Systemen auswirkt.
![Strommasten, Windenergie und Autobahn im Thüringer Wald - Foto © Gerhard Hofmann für Solarify](https://www.solarify.eu/wp-content/uploads/2019/11/Strommasten-Windenergie-und-Autobahn-im-Thüringer-Wald-Foto-©-Gerhard-Hofmann-Agentur-Zukunft-für-Solarify.jpg)
Strommasten, Windenergie und Autobahn im Thüringer Wald – Foto © Gerhard Hofmann für Solarify
2021 veröffentlichte die IEA ihren wegweisenden globalen Fahrplan Net Zero by 2050, in dem zwei parallele Veränderungen für den Stromsektor im Zuge der Dekarbonisierung beschrieben werden.
- Die erste besteht darin, dass variable erneuerbare Energien zunehmend die Grundlage für eine kohlenstoffarme Stromerzeugung bilden werden.
- Zweitens wird der Anteil des Stroms an der Gesamtenergienachfrage zunehmen, da die Elektrifizierung ein Weg zur Dekarbonisierung ist.
Die Schwellenländer sind von zentraler Bedeutung für die globale Emissionsreduzierung, da sie in der Regel einen hohen Anteil an fossiler Energieerzeugung haben und weil die Stromnachfrage mit dem Wirtschaftswachstum und dem besseren Zugang zu Elektrizität erheblich steigen dürfte.
Der zunehmende Anteil variabler erneuerbarer Energien wie Sonnen- und Windenergie wird dazu führen, dass die Stromsysteme flexibler werden müssen. Gleichzeitig werden die traditionellen Anbieter dieser Flexibilität – vor allem Wärmekraftwerke – eine geringere Rolle spielen, da die Dekarbonisierungsziele ihren geringeren Einsatz erfordern. Die variablen Stromerzeuger aus erneuerbaren Energien sind von der Verfügbarkeit von Sonne und Wind abhängig und benötigen daher ergänzende Technologien, um sicherzustellen, dass das Gleichgewicht zwischen Angebot und Nachfrage jederzeit aufrechterhalten wird.
Neue Technologien – insbesondere Batterien und andere Energiespeicher, Biomasse und Wärmekraftwerke, die entweder mit Kohlenstoffabscheidung und -speicherung oder mit sauberen Brennstoffen betrieben werden – werden daher eine zunehmende Rolle bei der Bereitstellung dieser Flexibilität spielen. Gleichzeitig bieten der zunehmende Stromverbrauch und die neuen Nachfragequellen eine große Chance, eine Welt zu schaffen, in der die flexible Nachfrage mindestens ebenso wichtig ist wie flexible Versorgungstechnologien.
Ein solches System wird ganz anders aussehen als der heutige Stromsektor, und diese Veränderungen bedeuten, dass wir unsere Planung für ein sicheres Stromsystem ändern müssen. Unser Verständnis der Nachfrage muss viel mehr sein als nur die Entwicklung der Nachfragespitzen, und unser Verständnis der Versorgung muss viel mehr sein als die Frage, wie viel abschaltbare Kapazität installiert ist und wie hoch das Risiko eines Ausfalls während der Versorgungsspitzen ist. Kurz gesagt, es reicht nicht aus, nur die Fähigkeit des Systems zu betrachten, während ausgewählter knapper Momente im Gleichgewicht zu bleiben.
In diesem Artikel wird untersucht, wie die Systemplanung und insbesondere die Bewertung der Systemadäquanz innovativ sein und sich weiterentwickeln muss, damit die Stromsysteme auch während der Energiewende eine sichere und erschwingliche Stromversorgung gewährleisten können. Die Studie stützt sich auf eine von der IEA durchgeführte Modellierung des chinesischen Stromnetzes.
Verhältnis zwischen Stromangebot und Nachfrageänderungen in kohlenstoffarmen Systemen
Die Abkehr von zentralisierten Wärmekraftwerken als Hauptlieferanten von Strom macht die Stromsysteme komplexer. Zur Aufrechterhaltung einer sicheren Stromversorgung sind mehrere Dienstleistungen erforderlich. Dazu gehören neben der Versorgung mit ausreichend Energie auch die Deckung des Spitzenlastbedarfs, die Stabilisierung des Stromsystems bei kurzfristigen Störungen und eine ausreichende Flexibilität, um auf Veränderungen bei Angebot und Nachfrage reagieren zu können. Die Modellierung der IEA für China im Announced Pledges-Szenario 2060 zeigt, dass die Technologien, die diese Leistungen erbringen, in einer Netto-Null-Welt vielfältiger sein werden als heute.
Systemplanung immer komplexer
Die Bewertung der Angemessenheit des Stromnetzes stützt sich traditionell auf den Ansatz der Reservemarge, bei dem gemessen wird, wie viel Reservekapazität das System in den kritischsten Zeiten hat, ausgedrückt als Prozentsatz der Spitzennachfrage. Dieser Ansatz konzentriert sich auf den/die Spitzenbedarfszeitraum(e) und erfordert eine Bewertung der Verfügbarkeit verschiedener Technologien – einschließlich Erzeugern, Netzelementen und Demand-Response-Anbietern – in Zeiten von Systemstress. Die Netzbetreiber können dann eine bestimmte Marge anstreben, um sicherzustellen, dass die kombinierte Erzeugungs- und Netzinfrastruktur ausreichend ist. Die angestrebten Reservemargen variieren je nach Region.
In einer Welt mit einem hohen Anteil an variablen erneuerbaren Energien und einem größeren Anteil an steuerbarer Nachfrage stößt dieser Ansatz an seine Grenzen – zum Teil, weil es komplexer ist, den Beitrag von Demand-Response-Ressourcen zur Angemessenheit zu bewerten, und zum Teil, weil die Art und Weise, wie sie miteinander und mit dem System interagieren, nicht vollständig in einer Reservemargenberechnung erfasst werden kann.
Monte-Carlo-Simulationen
Infolgedessen suchen Länder und Regionen zunehmend nach ausgefeilteren Ansätzen für die Bewertung der Angemessenheit und insbesondere nach probabilistischen Monte-Carlo-Bewertungen, auf die im Folgenden näher eingegangen wird. Einige Regionen führen bereits vollständige Monte-Carlo-Bewertungen durch, darunter Australien, Belgien und Frankreich, sowie eine EU-weite Bewertung, die von ENTSO-E vorgenommen wurde. Die Methoden sind noch in der Entwicklung begriffen und unterscheiden sich von Region zu Region. Diese Studien können jedoch Bereiche aufzeigen, auf die sich Länder konzentrieren sollten, die zu probabilistischen Bewertungen übergehen wollen. Diese Ansätze sind insbesondere für Schwellenländer wichtig, die in den kommenden Jahrzehnten einen hohen Anteil an erneuerbaren Energien einsetzen werden.
Bei einer Monte-Carlo-Bewertung wird das Stromsystem unter vielen möglichen Bedingungen simuliert, um das Risiko zu berechnen, dass bestimmte Lasten nicht bedient werden können, wobei die Unsicherheit verschiedener Eingangsvariablen berücksichtigt wird. Diese Ungewissheit kann viele Aspekte umfassen: das Ausmaß und den Zeitpunkt ungeplanter Erzeugungs- und Übertragungsausfälle, zwischenjährliche Schwankungen der Nachfrage und des Angebots an erneuerbaren Energien aufgrund von Wetterereignissen sowie tiefer gehende strukturelle Ungewissheiten wie längerfristige Verschiebungen der Wettermuster aufgrund des Klimawandels und der sich entwickelnden Stromnachfrage.
Mit probabilistischen Angemessenheits-Bewertungen können viele Unwägbarkeiten gemeinsam bewertet werden
Monte-Carlo-Bewertungen haben viele Vorteile gegenüber den Ansätzen für die Reservemarge, z. B. können die variablen erneuerbaren Energien im Zusammenhang mit dem Stromnachfrageprofil genauer bewertet werden. Darüber hinaus ermöglicht der detaillierte Modellierungsansatz eine explizite Darstellung der Sektorkopplung, einschließlich Elektrifizierung und Nachfragereaktion, so dass die Wechselwirkungen mit der Verfügbarkeit erneuerbarer Energien vollständig erfasst werden können. Solche Bewertungen sind auch besser geeignet, um die Beiträge von miteinander verbundenen Nachbarregionen zu berücksichtigen.
Monte-Carlo-Bewertungen leiten ihre Statistiken aus potenziell Tausenden von Simulationen ab und drücken das Risiko einer unversorgten Energieversorgung durch verschiedene Zuverlässigkeitsmetriken aus. Diese Metriken sind vielfältig, können aber anhand von zwei grundlegenden Parametern kategorisiert werden. Erstens, ob sie die Menge der nicht versorgten Last (Volumen) oder die Häufigkeit des Auftretens von Perioden mit nicht versorgter Last (Häufigkeit) bewerten. Zweitens, ob sie sich auf den durchschnittlichen oder „erwarteten“ Fall konzentrieren oder ob sie sich auf Ereignisse mit großen Auswirkungen und geringer Häufigkeit konzentrieren.
Aufgrund des Simulationsansatzes haben diese Bewertungen das Potenzial, detaillierte Informationen über Angemessenheitsrisiken zu liefern, indem sie Auskunft über alle verschiedenen Parameter geben, die sich auf die Akzeptanz unversorgter Energie auswirken könnten – Häufigkeit und Ausmaß von Ereignissen, durchschnittliches Risiko und wie extreme Ereignisse aussehen könnten.
Allerdings schöpfen die heutigen Bewertungen ihr Potenzial noch nicht voll aus, insbesondere weil viele Regionen probabilistische Bewertungen verwenden, die sich auf eine einzige Kennzahl konzentrieren. Eine gängige Kennzahl ist zum Beispiel die Lastverlust-Erwartung, ein frequenzbasiertes Maß, das sich auf das durchschnittliche Ergebnis konzentriert. Der erwartete Lastverlust wird anhand einer probabilistischen Bewertung der durchschnittlichen Anzahl von Stunden pro Jahr berechnet, in denen ein Teil der Energie über alle Simulationen hinweg nicht geliefert wird. Dies ist zwar ein nützlicher Indikator, aber der Erwartungswert für den Lastverlust ist unempfindlich gegenüber der Größe dieser Ereignisse und unterscheidet als Durchschnittsindikator nicht zwischen seltenen, aber extremen mehrstündigen Ereignissen und häufigeren Ereignissen mit geringen Auswirkungen.
In einer von der IEA für China durchgeführten Fallstudie zur Bewertung der Angemessenheit der Stromerzeugung im Jahr 2035 wurden zwei Regionen mit unterschiedlichen Szenarien verglichen, die ungefähr den gleichen Wert für die Erwartung von Lastverlusten aufwiesen. Trotz der Ähnlichkeit der Durchschnittsstatistiken sahen wir eine große Lücke zwischen den beiden Fällen für Ereignisse mit großen Auswirkungen und geringer Häufigkeit, wie aus den 95-ten Perzentil- und Maximalwerten für nicht bediente Nachfragestunden hervorgeht.
Probabilistische Angemessenheitsbewertungen liefern mehr Erkenntnisse für Systeme mit hohem Anteil erneuerbarer Energien
Diese Unterschiede können für die Systemplanung von Bedeutung sein, da größere Ereignisse, auch wenn sie selten sind, von den Verbrauchern möglicherweise weniger akzeptiert werden als häufigere Ereignisse mit geringen Auswirkungen. Die Planer sollten probabilistische Ansätze wählen, die die Häufigkeit, das Ausmaß und die Dauer von Ereignissen mit unversorgter Energie sowie durchschnittliche und extreme Vorkommnisse berücksichtigen.
Die Rate des Nachfragewachstums kann eine der größten Unsicherheiten bei der Systemplanung darstellen, und die zunehmende Elektrifizierung trägt zu dieser Unsicherheit bei. Dies ist in den Schwellenländern mit ihrem schnelleren Wirtschaftswachstum und dem besseren Zugang zu Elektrizität eine noch größere Herausforderung. Bessere Nachfrageprognosen sind daher für die Systemplanung unerlässlich. Gleichzeitig ermöglicht eine detailliertere Modellierung der Nachfrageseite eine differenziertere Darstellung der Nachfragereaktion, vor allem weil beide durch die Datenverfügbarkeit begrenzt sind.
Nachfrageprognosen beruhen häufig auf historischen Profilen und beinhalten lediglich die Projektion von Gesamtwachstumsraten und Spitzenwerten. Mit Hilfe detaillierter sektoraler Daten, einschließlich aufgeschlüsselter sektoraler Lastprofile und spezifischer Endnutzungen, kann dies verfeinert werden, so dass die Prognose Veränderungen in der Nachfragestruktur im Laufe der Zeit widerspiegelt. Die gleiche Art von Daten ermöglicht es auch, die Flexibilität bestimmter Endverbrauchssektoren in Stromnetzmodellen darzustellen.
Verhältnis zwischen Stromnachfrage und Temperatur
Die Modellierung des Verhältnisses zwischen Stromnachfrage und Temperatur ist ein weiterer wichtiger Bereich für Verbesserungen, der für kurz- und langfristige Nachfrageprognosen unerlässlich ist und auch eine Grundlage für genauere Nachfragereaktionen in Angemessenheitsmodellen bietet.
Die Reaktion auf die Nachfrage ist in probabilistischen Angemessenheitsbewertungen komplexer darzustellen als die Erzeuger. Beispielsweise variiert die verfügbare Menge an Demand Response mit der Tages- und Jahreszeit, da sie von den Verbrauchsmustern der teilnehmenden Lasten abhängt, während die Erzeuger in der Regel zu jeder Tageszeit die gleiche maximale Kapazität haben.
Außerdem können Demand-Response-Anbieter im Gegensatz zu den meisten Stromerzeugern nur mit einer begrenzten Häufigkeit agieren. Zum Beispiel können Demand-Response-Verträge zwischen Aggregatoren und ihren Kunden die Anzahl der Aktivierungen pro Monat oder Jahr begrenzen, und die Bereitschaft zur Teilnahme an diesen Programmen kann auf historischen Ereignissen beruhen, die unter den vertraglichen Höchstwerten liegen.
Durch die vollständige Simulation der Systemauslastung unter verschiedenen Bedingungen können probabilistische Bewertungen direkt Aufschluss über Aspekte wie die Häufigkeit und Dauer der Demand-Response-Aktivierung unter zukünftigen Systembedingungen geben.
Die Modellierung von Demand Response kann auf verbesserten Nachfrageprognosen aufbauen
Um die Sicherheit der Stromversorgung zu gewährleisten, muss die Stromnetzplanung neben der Angemessenheit des Systems auch die Betriebssicherheit und die Widerstandsfähigkeit berücksichtigen. Die Betriebssicherheit bezieht sich auf die Fähigkeit des Systems, während und nach Störungen die normalen Betriebsbedingungen aufrechtzuerhalten bzw. schnell zu ihnen zurückzukehren. Die Aufrechterhaltung der Betriebssicherheit erfordert sowohl Systemstabilität – unterstützt durch die Trägheit des Stromsystems und Betriebsreserven – als auch die Flexibilität, das Gleichgewicht zwischen Angebot und Nachfrage aufrechtzuerhalten.
Die Systemplanung muss alle Teile zusammenfügen
Resilienz ist die Fähigkeit des Stromsystems, kurz- und langfristige Schocks wie extreme Wetterereignisse mit großer Auswirkung und geringer Häufigkeit aufzufangen. Da erwartet wird, dass der Klimawandel die Häufigkeit und Schwere extremer Wetterereignisse erhöht, wird die Widerstandsfähigkeit eine immer wichtigere Säule der Stromnetzplanung sein.
Diese drei Ziele werden durch den zunehmenden Anteil der variablen erneuerbaren Energien beeinflusst. Obwohl die Planung für jedes dieser Ziele unterschiedliche Modellierungsansätze erfordert, sind viele der Eingaben und Annahmen gleich. Die Durchführung von Studien auf eine stärker integrierte Art und Weise schafft viele Möglichkeiten für Synergien zwischen verschiedenen Modellen und für den Informationsfluss zwischen den Modellierungsbemühungen. Aus diesem Grund gehen viele Regionen zu einer zunehmend integrierten Planung über Bereiche hinweg über, die früher als Silos behandelt wurden.
Die zunehmende Integration von Erzeugungs- und Netzplanung und -investitionen schafft beispielsweise Möglichkeiten für Kosteneinsparungen, da Investitionsentscheidungen für das gesamte System optimiert werden können. Die interregionale Planung über verschiedene Regelzonen hinweg schafft ebenfalls Möglichkeiten für effizientere Investitionen, da der Wert, den die miteinander verbundenen Regionen einander bieten können, berücksichtigt wird.
Darüber hinaus muss sichergestellt werden, dass die vorherrschenden Vertragsstrukturen es den Netzbetreibern ermöglichen, die Flexibilität zu nutzen, zu der das System technisch in der Lage ist. Vertragsstrukturen, die keine betriebliche Flexibilität zulassen, können verhindern, dass leistungsfähige Technologien zur Bereitstellung von Flexibilität in vollem Umfang genutzt werden, z. B. bei starren langfristigen Brennstoffbezugsverträgen. Darüber hinaus wird eine integrierte Planung zwischen dem Elektrizitätssektor und anderen Sektoren immer wichtiger, da mehr Sektoren elektrifiziert werden und die Sektorkopplung zunimmt.
->Quellen: