Zukünftige Energienetze: Bekommen wir sie geregelt? Gastbeitrag von Prof. Dr.-Ing. Gerwald Lichtenberg (HAW Hamburg)

Die Energiesysteme der Zukunft müssen smarter werden. Das bedeutet aber auch, dass ihre Komplexität zunimmt. Beispiel gefällig? Ob ein Speicher lädt, entlädt oder vom Netz getrennt wird, wird zu jeder Zeit neu entschieden. Schon bei einem Netz mit sehr wenigen Speichern ergibt sich daraus eine unüberschaubar große Anzahl von Möglichkeiten. Welche Algorithmen bei diesen Entscheidungen helfen können, erklärt Herr Prof. Dr.-Ing. Gerwald Lichtenberg (HAW Hamburg) im Gastbeitrag.

Die aktuelle Übergangsphase von fossilen zu regenerativen Energieträgern bedeutet für den Betrieb von Energienetzen eine Menge Herausforderungen, sowohl auf wirtschaftlichen und gesellschaftlichen Gebieten als auch auf technischen. Vielen Bürgern ist die Notwendigkeit des Netzausbaus bewusst – manchen auch die eines Verbrauchs- und Speichermanagements, die beide ursächlich mit der veränderten Verfügbarkeit der Erzeugung zusammenhängen. Auch dass hierbei nicht nur die insgesamt erzeugte Leistung, sondern vor allem deren räumliche und zeitliche Begrenzungen bzw. Fluktuationen wesentlich sind, hat sich herumgesprochen.

Dabei unterscheiden sich Strom, Gas- und Wärmenetze zwar aufgrund ihrer physikalisch verschiedenen Komponenten, haben aber aus technischer Sicht viele Gemeinsamkeiten: Was sie verbindet, ist eine durch ihre Knotenpunkte gegebene Netztopologie, die zusammen mit den dynamischen Eigenschaften ihrer Komponenten und ihren Steuer- und Regelungskonzepten ein Gesamtsystem bilden.

Mit dezentraler Erzeugung, Implementierung von Speichern, Verbesserung der Sensoren und Weiterentwickelung von Aktoren werden Energiesysteme immer „smarter“. Lokale Subsysteme zu „Prosumern“, d.h. je nach Situation zu Erzeugern oder Verbrauchern, die in ihren jeweiligen Energienetzen integriert sind.

Ein Beispiel: Für lokale Energiespeicher – z.B. Batteriesysteme – muss zu jedem Zeitpunkt die Entscheidung zwischen den drei grundsätzlichen Möglichkeiten gefällt werden: laden/entladen/trennen. Bei N Speichern existieren daher 3^N Möglichkeiten für die aktuelle Ladesituation. Eine kleine Rechnung macht deutlich, dass die dabei entstehende Komplexität enorm ist: Wird diese Entscheidung einmal pro Minute getroffen, existieren bereits nach einer Stunde für 50 Speicher mehr Möglichkeiten als Atome im beobachtbaren Universum (10^80)! Jede wirkt sich anders auf die Dynamik des Energienetzes aus - und nur eine davon wird ausgewählt.

Stellen Sie sich viele kleine Batteriespeicher im Keller eines Wohngebäudes vor, die alle eher zufällig schalten und kleine Auswirkungen haben? Dann erweitern Sie die Vorstellung auf große Batteriespeicher, die elektrische Leistungen vergleichbar mit Großkraftwerken ins Netz einspeisen oder entnehmen und innerhalb von Sekunden vom einen zum anderen umschalten können. Oder kleine, aber synchronisierte Speicher, deren Einzelleistungen sich zu gleichen Größenordnungen aufsummieren. Für jeden installierten Speicher in einem Netz muss also diese Entscheidung zu jeder Zeit getroffen werden.

Wie wird das heute gemacht? Und wie wird das in Zukunft sein? Als Antwort kann für beide Fälle zunächst die gleiche gegeben werden: Es sind die viel zitierten Algorithmen! Wir bleiben bei der Perspektive, müssen aber etwas tiefer einsteigen ...

Ökonomische Ansätze gehen davon aus, dass solche Auswahlen innerhalb eines Marktes sinnvoll gemacht werden können. Am Beispiel des Stromnetzes, für das mittlerweile schon mehrere Spotmärkte (Day-ahead, Intraday, kontinuierlich) etabliert sind, kann man ersehen, dass die Notwendigkeit der Berücksichtigung unterschiedlicher Zeitskalen bereits Einzug gehalten hat.

Allerdings steht dabei die Maximierung des Profits im Vordergrund. Sie wird als intrinsische Motivation der Marktteilnehmenden angenommen – und das sicher nicht zu Unrecht: was zählt, sind Euros! Physikalisch relevante Größen haben aber andere Einheiten: Watt, Joule etc. Und keine Netzbetrieb kommt umhin, sie zu respektieren! Wie passt das zusammen?

Durch Regulierung dieser Märkte ist es prinzipiell möglich, die Dynamik des techno-ökonomischen Gesamtsystems eines Energienetzes zu verändern, so wie dies durch neue Marktteilnehmende, neue Business-Modelle oder neue Wertschöpfungsketten geschieht. Doch in keinem der Fälle ändert sich die grundlegende physikalische Struktur des Netzwerks, und ebenso wenig ändern sich die übergeordneten gesellschaftlichen oder planetaren Ziele: sichere Versorgung, Resilienz, null CO2-Ausstoß. Beim Entwurf der Regulatorik sollten diese also im Vordergrund stehen.

Funktioniert das Vorgehen in der Realität? Wir sehen an vielen Punkten, dass wir weit entfernt vom technischen Optimum sind. In einem solchen wäre es nämlich sicherlich nicht notwendig, Erneuerbare-Energie-Anlagen bei besten „Erntebedingungen“ (also guter Wind- und Sonnensituation) abzuschalten, weil Netze die Energie nicht mehr aufnehmen können bzw. keine Speicher oder Wandler vorhanden sind; Wasserstoff-Technologien wären längst umfangreich etabliert, weil die schlichte Notwendigkeit von Langzeitspeichern besteht.

Um also auf die eingangs gestellte Frage zurückzukommen: Nein, Märkte sind keine genuine Lösung „für alles“, sie können sogar zusätzliche Probleme schaffen! Inzwischen sind in Kontrollräumen von Stromnetzen neben den physikalischen auch die Preissignale der verschiedenen Märkte angekommen und müssen einbezogen werden.

Durch Fortschritte bei Modellen für natürliche Sprache erleben wir in den letzten Jahren eine Veränderung des Interfaces zur Kommunikation mit Computersystemen: Sie simuliert immer besser Gespräche zwischen Menschen und hat dabei Zugriff auf digitalisierte Daten, die den Wissensumfang einzelner Menschen bei Weitem übersteigen. Dies kann, nicht nur bei Schüler:innen, zu Mindsets führen wie: „KI“ weiß alles, „KI“ kann alles! Also auch solche Probleme lösen?

Grundsätzlich gilt: Für die Lösung ist es immer hilfreich, wenn anhand von Vorhersagen über die Zukunft rechtzeitige Vorbereitung auf ebendiese möglich sind. Denken Sie zum Beispiel an die Erhöhung der Deiche oder Schutzmaßnahmen gegen Waldbrände. Aber es kommen auch viel kleinere Entscheidungen in ihrem Zusammenspiel in Betracht! Ob die Batterie eines E-Autos direkt nach dem Einstecken in die Wallbox geladen werden sollte, hängt von vielen Vorhersagen ab: Wann wird das Fahrzeug das nächste Mal genutzt und wie groß ist der dafür notwendige Ladezustand? Wann ist mit erneuerbarer Erzeugung zu rechnen? Wie treffen die auf den Lastgang, d.h. die Verbrauchkurven? Ganz schlecht ist zum Beispiel die Situation am Beginn eines Winterabends bei wenig Wind, die Sonne geht unter, alle kommen nach Hause, es wird kälter, elektrische Geräte wie Herde, Öfen, Waschmaschinen, Wärmepumpen etc. werden vermehrt angeschaltet. Kann die Ladung des E-Autos deshalb warten? Das hängt wiederum von der Vorhersage ab.

Hier kann „KI“, insbesondere Methoden des „Machine Learnings“ prinzipiell helfen. Künstliche neuronale Netze sind als universelle Approximatoren in der Lage, funktionale Zusammenhänge – insbesondere auch nichtlineare hochdimensionale – mathematisch zu beschreiben. Dies erlaubt für die in den Beispielen genannten Prozesse also prinzipiell Vorhersagen. Zwei begrenzenden Eigenschaften sind aber wichtig: Erstens sind Vorhersagen für bisher nicht eingetretene Situationen nicht machbar, da das Lernen aufgrund von bereits vorliegenden Daten erfolgt – und was nicht in den Trainingsdaten ist, kann nicht gelernt werden. Zweitens sind die trainierten Modelle meist nicht mehr interpretierbar und können im ungünstigsten Fall sogar physikalischen Grundgesetzen widersprechen, was zu unerwünschtem Verhalten führen kann.  

Was oft vergessen wird, ist, dass sich vor vielen Jahrzehnten die ingenieurwissenschaftliche Disziplin der Steuer- und Regelungstechnik (manchmal auch „Kybernetik“ genannt) herausgebildet hat. Es wurde verstanden, dass Systeme fast jeden Anwendungsgebiets mit Hilfe ihrer Stellgrößen gezielt beeinflusst werden – meist unter Berücksichtigung von Messgrößen. Die darauffolgenden Prinzipien wurden abstrahiert und gelten nicht nur für Strom- wie für Gas- und Wärmenetze, alle Energiesysteme, generell für alle mechanischen, elektrischen, biotechnologischen, verfahrenstechnischen – kurzum: für alle dynamischen Systeme.

Die Disziplin gehört zu fast jedem Ingenieurstudium und kennt vom einfachen PID-Regler bis zu modellbasierten prädiktiven Regelungen viele Konzepte, deren Komplexität den zu lösenden Regelungsproblemen entspricht. Die Beschäftigung mit ihr lohnt sich, da sie in den letzten Jahrzehnten einen Methodenkoffer gepackt hat, der sich sehen lassen kann! Viele ihrer Methoden basieren dabei auf mathematischen Modellen der Systeme, die mit Hilfe von Daten an die Realität angepasst werden. Häufig kommen lineare Modelle zum Einsatz, die aber für Energiesystem-Anwendungen oft nicht genau genug sind. Künstliche neuronale Netze („KI“) könnten prinzipiell helfen, haben aber das oben beschriebene Problem der Abhängigkeit von den Trainingsdaten.

Innerhalb des Norddeutschen Reallabors (NRL) wird der Pfad zur Klimaneutralität ganzheitlich gedacht und skalierbare Regelungskonzepte müssen dazu gehören. Dafür entwickeln wir multilineare Modelle zur Beschreibung der komplexen Dynamik von Energienetzen weiter. Sie können physikalisches Wissen ebenso wie Daten integrieren und haben durch ihre Standardisierung und Skalierbarkeit beim Entwurf von Regelungskonzepten Vorteile. Schlussendlich werden mit ihrer Hilfe z.B. die genannten Entscheidungen für die Speicher eines Netzes besser gefällt werden können. Ein Einstieg in die wissenschaftliche Arbeit dazu ist unter https://doi.org/10.1515/auto-2021-0133 zu finden.