Bild von Institut mit Unilogo
home uni uni kontakt kontakt
unilogo Universität Stuttgart

Modelle & Methoden

Joint Market Model


Hintergrund

In den letzten Jahren konnte eine erhebliche Integration von Windenergieanlagen in das europäische Elektrizitätssystem (vor allem in Deutschland und Dänemark) verzeichnet werden. Durch den geplanten Ausbau vor allem von Offshore-Anlagen wird der Anteil der Windenergie an der gesamten Stromerzeugung in den nächsten Jahren weiter ansteigen.
Damit die Fluktuationen und Prognosefehler der Windenergieerzeugung ausgeglichen werden können und ein stabiler Systembetrieb gewährleistet werden kann, müssen konventionelle Kraftwerke mit einer erhöhten Flexibilität betrieben werden. Dies zieht einen vermehrten Teillastbetrieb der konventionellen Kraftwerke mit verringertem Wirkungsgrad und häufigere Kraftwerksanfahrten nach sich. Weiterhin führt die Integration der fluktuierenden Windenergie zu höheren Anforderungen an die Regelenergiebereitstellung und zu einer höheren Auslastung des Übertragungsnetzes. Folglich hat die Integration der Windenergie Auswirkungen auf die Funktion und die Betriebskosten des gesamten Elektrizitätssystems sowie auf die erzielten Strompreise. Bei einer Betrachtung dieser Auswirkungen mit Optimierungsmodellen kann die Windenergie jedoch nicht als konventionelle Erzeugungstechnologie mit guter Prognostizier- und Einsetzbarkeit behandelt werden.
In der Vergangenheit konzentrierte sich die Forschung auf deterministische Optimierungsmodelle, die jedoch die bei der Prognose der eingespeisten Windleistung auftretenden Fehler vernachlässigen. Diesem Umstand wurde teilweise durch die individuelle Berechnung von Szenarien Rechnung getragen. Bei diesem Vorgehen wird allerdings nicht der optimale Kraftwerksbetrieb wiedergegeben, da die einzelnen Szenarien zu verschiedenen lokalen Sub-Optima führen. Der optimale Kraftwerksbetrieb, der die Gesamtheit aller möglichen Szenarien der Windleistungseinspeisung berücksichtigt, kann aber durch die Anwendung der stochastischen Programmierung ermittelt werden.

Aufbau des Joint Market Models

Das stochastische Joint Market Model analysiert Energiemärkte, basierend auf der stündlichen Beschreibung von Energieerzeugung und -übertragung zur Lastdeckung unter Berücksichtigung der technischen Kapazitätsrestriktionen von Kraftwerken und Übertragungsnetzwerken. Daneben werden die Bedingungen der Speicherbewirtschaftung (Speicherwasser- und Pumpspeicherwasserkraftwerke) sowie Anfahrzeiten eingehalten. Die resultierenden Strompreise der vorhandenen Energiemärkte werden aus den Grenzkosten der Erzeugung abgeleitet. Dabei wird der Kraftwerkseinsatz mit dem Ziel der Minimierung der variablen Systembetriebskosten optimiert. In die Zielfunktion gehen ein:

  1. Brennstoffkosten (dabei Berücksichtigung der Wirkungsgradreduzierung während Teillastbetrieb)
  2. Zusätzliche Betriebs- und Unterhaltungskosten (Wartungskosten, Personalkosten, sonstige variable Betriebskosten)
  3. Anfahrkosten
  4. Variable Übertragungskosten
  5. Steuern und Abgaben
  6. Opportunitätskosten von angefahrenen Kraftwerken und Speicherinhalten (Speicherwasserkraftwerke und Pumpspeicherkraftwerke)

Das Joint Market Model beinhaltet vier Strommärkte und einen Wärmemarkt:

  1. Spotmarkt für die geplante Lieferung von Strom. Dieser Markt wird um 12 Uhr für die einzelnen Stunden des folgenden Tags abgeschlossen (vergleichbar mit der deutschen Strombörse EEX). Die Nachfrage an diesem Markt kann preiselastisch behandelt werden.
  1. Intraday-Markt zum Ausgleich der stündlichen Abweichungen zwischen der am Spotmarkt erwarteten Stromerzeugung und –nachfrage und der tatsächlichen Stromproduktion und –nachfrage. Sowohl flexible Erzeuger als auch flexible Verbraucher können am Intraday-Markt entsprechende Regelenergie anbieten, die eine Stunde vor Lieferung gehandelt wird. Der Bedarf für den Handel am Intraday-Markt wird hier im Modell im Wesentlichen durch den Prognosefehler der eingespeisten Windenergie bestimmt.
  2. Stündlicher Markt für die Bereitstellung von Primärregelenergie (frequenz- und lastflussgeregelt).
  3. Stündlicher Markt für die Bereitstellung von Sekundärregelenergie, beeinflusst durch extreme Windsituationen.
  4. Stündlicher Wärmemarkt, um den Betrieb von KWK-Anlagen berücksichtigen zu können.

Das Joint Market Model ist als stochastisches lineares Modell formuliert [1], [2]. Die stochastische Programmierung erfolgt durch die Abbildung eines Szenariobaums, der die in den verschiedenen Stunden variierende Prognose der Windenergieerzeugung repräsentiert. Die benötigten Szenariobäume werden durch ein getrenntes Tool erstellt [3].
            Es ist dabei nicht sinnvoll, die betrachtete Zeitperiode mit einem einzigen Szenariobaum zu erfassen. Aus diesem Grund wird ein mehrstufiger Rekursionsansatz mit rollierender Planung angewandt [4]. In stochastischen mehrstufigen Rekursions-Modellen treten zwei Arten von zu treffenden Entscheidungen auf: Entscheidungen, die sofort getroffen werden müssen, sogenannte „root decisions“, und solche, die noch aufgeschoben werden können, sogenannte „recourse decisions“. Bei einem Energiesystem mit hohem Anteil an Windenergie muss ein Kraftwerksbetreiber entscheiden, welche Strommenge am Spotmarkt angeboten wird, bevor er über eine genaue Prognose der Windenergieerzeugung verfügt („root decision“). Da allerdings die Prognosen für die Windenergieerzeugung fehlerbehaftet sind, muss in den meisten Fällen beim Vorliegen einer aktuelleren und somit verbesserten Windenergieprognose der Kraftwerkseinsatz revidiert werden („recourse decisions“).

Das Schema der resultierenden rollierenden Planung zeigt Abbildung 1. Dargestellt sind die Szenarienbäume von vier Planungsperioden, die in der aktuellen Modellkonfiguration einen halben Tag umfassen. In der ersten Planungsperiode, beginnend zur Stunde 12, wird der Handel am Spotmarkt optimiert. In den darauf folgenden Planungsperioden werden die Variablen des Spotmarktes fixiert und bei der Optimierung des jeweiligen Intraday-Marktes berücksichtigt
 
rollplan  
Abbildung 1. Rollierende Planung mit vier Planungsperioden für die Betrachtung eines halben Tages  

Darüber hinaus ist das Joint Market Model als ein multiregionales Modell definiert. Die betrachteten Länder sind in mehrere Regionen untergliedert, die für eine detailliertere Betrachtung der Wärmeversorgung entsprechend vorhandener Fernwärmenetze weiter unterteilt werden. Damit ist es möglich, regionale Konzentrationen der installierten Windkraftkapazität, niedrige Nachfragedichten sowie vorhandene Netzengpässe bei der Abbildung im Modell zu berücksichtigen.

Das Joint Market Model wurde im Rahmen des Projektes WILMAR (Wind Power Integration in Liberalised Electricity Markets) entwickelt, gefördert durch die Europäische Kommission (ENK5-CT-2002-00663). Eine ausführliche Beschreibung des Joint Market Models gibt [5].

Anwendung

Gegenwärtig werden durch das Joint Market Model die Länder Skandinaviens und Deutschland betrachtet. Diese Länder wurden gemäß der Ländergrenzen und internen Kapazitätsengpässen in Modellregionen unterteilt, vgl. Abbildung 2. Die individuellen Kraftwerke sind zu Kraftwerksgruppen aggregiert. Als Unterscheidungsmerkmal werden der Kraftwerkstyp, eingesetzter Brennstoff, Wirkungsgrad sowie die Möglichkeit der Wärmeauskopplung herangezogen. Dies führt zum Beispiel für Deutschland zu 77 unterschiedlichen Kraftwerksgruppen. Bei Berücksichtigung aller Länder werden ca. 620.000 Gleichungen mit ca. 550.000 Variablen benötigt.
 
regstruk  
Abbildung 2. Regionale Struktur des Joint Market Models  

Das Joint Market Model wurde weiterhin für eine Vielzahl von Studien angewendet:

In [6] wird eine erste Anwendung des Modells für Deutschland anhand von exemplarischen Wintertagen durchgeführt. Der Einfluss von Engpässen im Übertragungsnetz zwischen den Modellregionen sowie von Anfahrvorgängen auf die Strompreise am Spotmarkt werden aufgezeigt. Weiterhin werden Abweichungen zwischen den Strompreisen am Spotmarkt und am Intraday-Markt aufgrund der Prognosefehler der eingespeisten Windleistung dargestellt.
In Beitrag [7] werden Falluntersuchungen für Deutschland und für die Jahre 2010 und 2020 durchgeführt, um die Auswirkungen der Engpässe im Übertragungsnetz auf die Strompreise am Spotmarkt sowie auf den Kraftwerkseinsatz zu bewerten. Dabei kommt es zu erheblichen Preisunterschieden zwischen den einzelnen Modellregionen. Durch den gezielten Ausbau der Übertragungsnetzkapazität für das Jahr 2020 können diese Preisunterschiede verringert werden und der Einsatz von Kraftwerken mit hohen variablen Betriebskosten geht zurück.
Beitrag [8] befasst sich mit den Auswirkungen der Integration der Windenergie auf die variablen Systembetriebskosten in Deutschland für das Jahr 2020. Dazu werden Typwochen abgeleitet, die ein vollständiges Jahr repräsentieren. Durch die Integration der Windenergie werden die variablen Systembetriebskosten reduziert. Weiterhin werden auf der Basis der Typwochen Einflüsse der Systemkonfiguration anhand des Ausbaus des Übertragungsnetzes auf die variablen Systembetriebskosten aufgezeigt. So gehen bei einem Ausbau des Übertragungsnetzes die variablen Systemkosten weiter zurück. Daneben werden die resultierenden Strompreise am Spotmarkt und Intraday-Markt sowie der Kraftwerkseinsatz diskutiert.
Die Auswirkungen der Integration von Windenergie auf die Länder Skandinaviens werden in [9] anhand einer exemplarischen Woche im Jahr 2004 und 2010 beurteilt. Es werden die marginalen Kosten des Ausgleichs von Prognosefehlern sowie die Änderungen der variablen Systembetriebskosten bestimmt. Dabei wird die starke Abhängigkeit der eingesparten Systembetriebskosten von dem Wert des Speicherinhalts in den nordischen Wasserspeicherkraftwerken hervorgehoben.
In der Abschlusspräsentation des Projektes Wilmar [10] werden Fallstudien für die Elektrizitätsmärkte Skandinaviens und Deutschlands und für unterschiedliche angenommene Windleistungskapazitäten des Jahres 2010 dargestellt. Es werden die durch die Integration der Windenergie erzielten Einsparungen beim Systembetrieb, die Auswirkungen auf die Preise am Spotmarkt und Intraday-Markt, die Änderungen beim Kraftwerkseinsatz sowie des Stromaustauschs zwischen den Modellregionen exemplarisch diskutiert. Weiterhin werden die geänderten Anforderungen an Regelenergie sowie die Einkünfte und Ausgaben der Windkraftanlagenbetreiber an den Strommärkten bewertet.
Die Integrationskosten der Windenergie bezüglich des Systembetriebs werden in Beitrag [11] für Deutschland im Jahr 2020 abgeschätzt. Dazu werden die Integrationskosten aufgrund der Fluktuation und der Prognosefehler der eingespeisten Windleistung innerhalb eines Jahres disaggregiert ausgewiesen. In Abhängigkeit der Jahreszeit und der Nachfragestruktur variieren die Anteile an den Integrationskosten.
In der Veröffentlichung [12] werden der Ausbau des Netzes und der Einsatz von Speichern als Integrationsmaßnahme für die Windenergie beurteilt. Grundlage der Untersuchungen bildet das angenommene Elektrizitätssystem in Deutschland für 2020. Als Kriterium werden hierbei Preisdifferenzen zwischen den Modellregionen für den Spotmarkt und Intraday-Markt sowie die variablen Systembetriebskosten für eine exemplarische Woche herangezogen. Durch den Ausbau des Übertragungsnetzes erfolgt eine Angleichung der Strompreise zwischen den Modellregionen sowie es ergibt sich eine stärke Verminderung der Systembetriebskosten als bei einem Ausbau der Speicher.
In Beitrag [13] wird die Effizienz von elektrischen Heizkesseln und Wärmepumpen zur Integration von Windenergie in Elektrizitätsmärkte mit großem KWK-Anteil bewertet. Die Untersuchung wird für das Jahr 2010 für Skandinavien und Deutschland mit der Konzentration auf exemplarische Fernwärmenetze durchgeführt. Es werden hierzu die in den einzelnen Fallstudien resultierenden Strompreise am Spotmarkt und Intraday-Markt sowie die Preise für Wärme verglichen und die Auswirkungen auf die systemweiten Betriebskosten bewertet. Schließlich folgt eine Abschätzung der Einkünfte für Windanlagenbetreiber sowie der Rentabilität der Integrationsmaßnahmen. Insgesamt werden die untersuchten Integrationsmaßnahmen positiv bewertet.

Weiterentwicklungen des Joint Market Models im Bereich der stochastischen Abbildung wie auch zur detaillierten Abbildung des Netzbetriebs erfolgen aktuell in dem vom Bundesministerium für Bildung und Forschung geförderten Projekt NetMod – Reduzierte Modelle komplexer elektrischer Netze mit verteilten Erzeugungssystemen.

Literatur:

[1]     Birge, J.; Louveaux, F.: Introduction to stochastic programming, 2. Auflage. Verlag Springer. New York, Berlin, Heidelberg, 2000
[2]     Kall, P.; Wallace, S.W.: Stochastic Programming. Verlag Wiley. Chichester, 1994
[3]     Barth, R.; Söder, L.; Weber, C.; Brand, H.; Swider, D.: Methodology of the Scenario Tree Tool. Forschungsbericht D6.2 (b) des EU-Projektes Wilmar. Universität Stuttgart, 2006
[4]     Buchanan, C.S.; McKinnon, K.I.M.; Skondras, G.K.: The recourse definition of stochastic linear programming problems within an algebraic modeling language. Annals of operation research, Band 104 (2001), Nr. 1-4, S. 15 – 32
[5]     Meibom, P.; V. Larsen, H.; Barth, R.; Brand, H.; Weber, C.; Woll, O.: Wilmar Joint Market Model Documentation. Forschungsbericht D6.2(b) des EU-Projektes Wilmar. Risoe National Laboratory. Roskilde, 2006
[6]     Brand, H.; Weber, C.; Meibom, P.; Barth, R.; Swider, D.J.: A stochastic energy market model for evaluating the integration of wind energy. Tagungsband der 6. IAEE European Conference 2004 on Modelling in Energy Economics and Policy, Zürich 2004
[7]     Barth, R.; Brand, H.; Weber, C.: Transmission restrictions and wind power extensions – case studies for Germany using stochastic modelling. Tagungsband der European Wind Energy Conference, London 2004
[8]     Brand, H.; Barth, R.; Weber, C.; Meibom, P.; Swider, D.J.: Extensions of wind power – effects on markets and costs of integration. Tagungsband der 4. Internationalen Energiewirtschaftstagung, Wien 2005
[9]     Meibom, P.; Barth, R.; Brand, H.; Weber, C.: Impacts of wind power in the Nordic electricity system in 2010. Tagungsband der Risoe International Energy Conference. Risoe National Laboratory. Roskilde, 2005
[10]   Barth, R.; Meibom, P.: Results from using the Planning Tool. Abschlusspräsentation des EU-Projektes Wilmar
[11]   Brand, H.; Barth, R.; Swider, D.J.; Weber, C.: Ein stochastisches Modell zur Berechnung der Integrationskosten der Windenergie. In: VDI (Hrsg.): Optimierung in der Energiewirtschaft. VDI-Berichte Band 1908, Düsseldorf 2005, S. 103 - 128
[12]   Barth, R.; Brand, H.; Swider, D.J.; Weber, C.; Meibom, P.: Regional electricity price differences due to intermittent wind power in Germany – Impact of extended transmission and storage capacities. International Journal of Global Energy Issues, Band 25 (2006), Nr. 3/4, S. 276 – 297
[13]   Meibom, P.; Kiviluoma, J.; Barth, R.; Brand, H.; Weber, C.; v. Larsen, H.: Value of electrical heat boilers and heat pumps for wind power integration. Tagungsband der 2006 European Wind Energy Conference, Athen 2006

Ansprechpartner


 

Rüdiger Barth

+49 (0)711 685 87814

Abteilung EGA

 

Ingo Ellersdorfer

+49 (0)711 685 87851

Abteilung EGA