Die Optimierung von Batteriespeichersystemen (BESS) in den USA durchläuft einen fundamentalen Wandel. Innerhalb der letzten drei Jahre hat sich die Zusammensetzung der Einnahmequellen für Batteriespeicher drastisch verschoben. Besonders deutlich zeigt sich dies in den Märkten von Texas (ERCOT) und Kalifornien (CAISO), den größten BESS-Märkten des Landes. Künstliche Intelligenz (KI) spielt dabei eine entscheidende Rolle, um die neuen Herausforderungen zu meistern und den Wert dieser Systeme zu maximieren.
Wichtige Erkenntnisse
- Einnahmen verschieben sich von Netzdienstleistungen zu Energiehandel.
- KI-basierte Prognosen sind entscheidend für die Rentabilität von Batteriespeichern.
- Cybersecurity und Automatisierung sind zentrale Herausforderungen.
- Neue Anwendungsfälle, wie die Integration mit Rechenzentren, gewinnen an Bedeutung.
Verschiebung der Einnahmequellen: Von Netzdienstleistungen zum Energiehandel
Noch vor drei Jahren dominierten Netzdienstleistungen die Einnahmen von Batteriespeichern in den USA. Betreiber konnten durch das Bereitstellen von Regelleistung oder Frequenzhaltung stabile Erträge erzielen. Diese Situation hat sich grundlegend geändert, insbesondere in den dynamischen Märkten von ERCOT und CAISO.
David Miller, CCO von Gridmatic, einem Optimierungsunternehmen, betont: „Vor drei Jahren wurden die Einnahmeströme auf den US-Märkten für Batterien von Netzdienstleistungen dominiert. Das hat sich sowohl in ERCOT als auch in CAISO erheblich geändert, wo die Energieeinnahmen am größten sind.“ Dieser Wandel ist eine direkte Folge der zunehmenden Anzahl von Batteriespeichern, die in den Markt eintreten. Die hohe Beteiligung hat die Preise für Netzdienstleistungen gesättigt.
Faktencheck
- ERCOT und CAISO: Die größten Märkte für Batteriespeichersysteme in den USA.
- Preissättigung: Durch erhöhte BESS-Beteiligung sind die Preise für Netzdienstleistungen gesunken.
- Energiearbitrage: Der Kauf von Strom zu niedrigen Preisen und der Verkauf zu hohen Preisen ist die neue Haupteinnahmequelle.
Früher konnten Betreiber in ERCOT relativ einfache Strategien anwenden, um gute Einnahmen zu erzielen. Man konnte ein Produkt stündlich und täglich anbieten, manchmal sogar zum Nulltarif, und einfach abwarten, welchen Preis der Markt festlegte. „Wenn Sie das heute tun würden, wären Sie einer der schlechtesten Batteriebetreiber auf dem Markt“, warnt Miller. Diese Entwicklung macht die Gebotsoptimierung erheblich komplexer.
Die Herausforderung der Preisprognose und Entladezeiten
Mit der Verlagerung hin zu Energieeinnahmen, insbesondere durch Arbitrage, ist die genaue Vorhersage von Strompreisen entscheidend geworden. Selbst in Kalifornien, wo Batteriespeicher oft der sogenannten „Entenkurve“ folgen – tagsüber laden und abends entladen – ist die genaue Vorhersage von Spitzenzeiten und optimalen Entladestunden eine große Herausforderung.
„Selbst in Kalifornien, wo wir uns vorstellen, dass Batterieressourcen in die Entenkurve bieten – mitten am Tag laden, abends entladen – ist es etwas schwierig vorherzusagen, wann die tatsächlichen Spitzenzeiten auftreten und welche Stunden zu nutzen sind.“
Ein häufiges Problem ist das zu frühe Entladen von Batterien während der Abendspitzen. Besonders in ERCOT verschiebt sich die Spitze oft nach hinten, wenn die Batterien bereits leer sind. Die Qualität der Prognosen ist laut Miller der wichtigste Faktor, um den Wert von Batteriespeichern zu maximieren. Die Marktregeln sind bekannt, doch die Genauigkeit der Vorhersagen bleibt eine große Hürde. Prognosefehler sind weiterhin extrem hoch, und es ist ein sehr schwieriges Problem, korrekte Vorhersagen zu erstellen.
Hintergrund: Day-Ahead und Real-Time Märkte
Batterien können sowohl an Day-Ahead-Märkten (Stromhandel für den nächsten Tag) als auch an Real-Time-Märkten (kurzfristiger Handel) teilnehmen. Die Unterschiede zwischen diesen Märkten vorherzusagen, ist eine der komplexesten Aufgaben für Betreiber und Prognosemodelle.
Künstliche Intelligenz als Lösung für bessere Prognosen
Gridmatic setzt seit 2023 vollständig auf KI-basierte Modelle für den Großhandelsbetrieb von Batterien. Miller ist ein starker Befürworter der Vorteile, die KI bei der Prognose bietet. Im Gegensatz zu traditionellen Stromflussprognosen, die Netzbedingungen simulieren, können KI-Modelle sich selbst korrigieren und sind weniger anfällig für "eigenartige" Ergebnisse bei kleinen Abweichungen.
KI-Ansätze zeichnen sich auch dadurch aus, dass sie Wahrscheinlichkeitsverteilungen anstelle von Einzelpunktprognosen liefern. Dies ermöglicht es den Betreibern, Risiken besser zu quantifizieren und fundiertere Entscheidungen zu treffen. Es ist jedoch wichtig, sich nicht blind auf KI zu verlassen. Miller warnt: „Sie sind oft extrem hilfreich, und dann liegen sie manchmal wirklich falsch.“ Es bedarf der richtigen Kontrollen, Warnsysteme und Risikomanagementrahmen, um die Funktionsweise der Prognosemodelle zu überwachen.
Miller zieht eine Analogie zu großen Sprachmodellen: Das Risiko liegt nicht so sehr darin, dass die KI selbst ein Problem für die Modellierung darstellt, sondern eher in der Fehlanwendung von KI, die zu Problemen führen könnte.
Cybersecurity und Automatisierung: Neue Anforderungen
Der Marktbetrieb erfordert von Unternehmen wie Gridmatic, als qualifizierte Planungseinheiten mit gesicherten Verbindungen zu den unabhängigen Systembetreibern (ISOs) zu agieren. Diese Verbindungen sind von der Außenwelt isoliert. „Diese Marktteilnehmerbeziehung ist eine der wichtigsten Cybersicherheitsanforderungen, die wir erfüllen müssen“, erklärt Miller.
Die Herausforderung besteht darin, hohe Sicherheitsstandards aufrechtzuerhalten, während gleichzeitig Automatisierung in die Prozesse integriert wird. Die ursprünglichen Tools waren nicht für diesen Zweck konzipiert. Diese Systeme wurden ursprünglich für Kraftwerke mit einigen hundert MW und GW-Größe spezifiziert. Heute gibt es jedoch immer mehr verteilte Ressourcen, die einen größeren Anteil am Mix ausmachen.
Mit kleineren, zahlreicheren Anlagen, die nicht von Personal vor Ort betrieben werden, wird Automatisierung zur Notwendigkeit. Es ist schlichtweg nicht möglich, an jedem Standort eine Person zu haben, die manuelle Maßnahmen ergreift. Die Integration von Automatisierung in sichere Umgebungen stellt daher eine komplexe Aufgabe dar.
Neue Anwendungsfälle: Speicher in Verbindung mit Rechenzentren
Ein wichtiger aufkommender Trend ist die steigende Anzahl von Speichersystemen, die direkt an Verbraucher gekoppelt sind, insbesondere an Rechenzentren. Miller beobachtet eine Verschiebung in der Branche: Während die primären Attribute von BESS in den letzten Jahren die Erzielung von Großmarkteinnahmen waren, gewinnen nun zunehmend Anforderungen an die Zuverlässigkeit an Bedeutung.
In ERCOT unterliegen große Verbraucher einem „Kill Switch“, der sie im Rahmen des Batch-Zero-Prozesses innerhalb von 30 Minuten zum Abschalten zwingt. Viele Einrichtungen installieren BESS hauptsächlich, um dieses Risiko zu managen und Probleme wie Spannungs- oder Frequenzdurchfahrten zu bewältigen.
- Primäre Nutzung: Immer mehr Kunden setzen Batteriespeicher primär für Zuverlässigkeitsanwendungen ein.
- Größenanpassung: Die installierten Batterien können größer sein als für den reinen Zuverlässigkeits-Anwendungsfall erforderlich.
- Multifunktionale Nutzung: Diese Batterien können auch am Stromnetz teilnehmen, was die Interaktion und Priorisierung der verschiedenen Anwendungsfälle komplex macht.
„Es ist ein Anwendungsfall, von dem wir immer gesagt haben, dass Batterien ihn leisten könnten – Zuverlässigkeit bieten –, aber jetzt sehen wir tatsächlich Kunden, für die das der primäre Anwendungsfall ist, was früher, zumindest bei netzgekoppelten BESS, nicht so sehr der Fall war“, schließt Miller. Diese Entwicklung zeigt, dass Batteriespeicher eine immer breitere Palette von Funktionen im modernen Energiesystem übernehmen.
