IEEE PES Task-Force-Bericht: Kapazitätswert von Solarenergie und fluktuierender Erzeugung

1. Einleitung

Dieser Bericht, verfasst von der IEEE PES Task Force, behandelt die zentrale Herausforderung, den Beitrag von Solarenergie und anderen Fluktuierenden Erzeugungsressourcen (FEG) zur Zuverlässigkeit des Stromsystems zu quantifizieren. Mit zunehmendem Anteil erneuerbarer Energien werden traditionelle Methoden zur Bewertung des "Kapazitätswerts" – der Fähigkeit einer Ressource, die Spitzenlast zuverlässig zu decken – unzureichend. Das Papier dient als umfassende Übersicht und kritische Würdigung von Methoden für die Zuverlässigkeitsrisikobewertung und Kapazitätsbewertung. Es baut auf früheren Arbeiten mit Fokus auf Windkraft auf und betont dabei die besonderen Eigenschaften von Solar-PV.

Schwerpunkte: Der Bericht behandelt die Bewertung der Solarressource, statistische und wahrscheinlichkeitstheoretische Modellierungstechniken, Metriken für den Kapazitätswert (wie z.B. Effective Load Carrying Capability - ELCC), Fragen des Kapazitätsmarktdesigns und einen Überblick über neuere angewandte Studien. Er zeichnet sich durch eine starke Betonung der methodischen Kritik und der spezifischen Herausforderungen der Solarenergie aus, wie z.B. ihr Tagesgang und ihre Korrelation mit der Last.

2. Bewertung der PV-Ressource

Die Stromerzeugung aus Solarenergie wird von der solaren Einstrahlung an der Erdoberfläche bestimmt, die vorhersehbare tägliche und saisonale Zyklen aufweist, jedoch erheblich von stochastischen Elementen wie der Bewölkung moduliert wird. Im Gegensatz zu konventioneller Erzeugung oder sogar Windkraft sind langfristige, hochwertige Erzeugungsdaten für PV oft knapp, was eine Abhängigkeit von modellierten Daten erfordert, die aus meteorologischen und Satellitenbeobachtungen abgeleitet werden.

Besondere Eigenschaften:

• Zeitliches Muster: Die Erzeugung ist nachts null und erreicht um die Mittagszeit ihren Höhepunkt, was eine spezifische Übereinstimmung (oder deren Fehlen) mit der Systemspitzenlast schafft, die oft am frühen Abend auftritt.
• Räumliche Korrelation: Bewölkung kann große geografische Gebiete gleichzeitig betreffen, wodurch die Vorteile der geografischen Diversifizierung im Vergleich zur Windkraft reduziert werden.
• Konstruktionsfaktoren: Die Ausrichtung der Module (feststehend vs. nachgeführt), der Neigungswinkel und die Technologie (PV vs. solarthermische Kraftwerke mit Speicher) verändern das Erzeugungsprofil und seinen Kapazitätswert drastisch.

3. Statistische Methoden für Versorgungszuverlässigkeit & Kapazitätswert

Dieser Abschnitt bildet den methodischen Kern des Berichts und erläutert die wahrscheinlichkeitstheoretischen Werkzeuge zur Bewertung der Systemzuverlässigkeit mit FEG.

4. Übersicht angewandter Studien & Praxis

Der Bericht sichtet Literatur und Industriepraxis und findet eine große Bandbreite geschätzter Kapazitätswerte für Solar-PV, typischerweise zwischen 10 % und 50 % ihrer Nennleistung. Diese Variation wird zurückgeführt auf:

• Geografische Lage: Übereinstimmung des Solarprofils mit der lokalen Spitzenlast (z.B. höher in Systemen mit Sommer-Spitzenlast und Nachmittags-Klimaanlagenbedarf).
• Verwendete Methodik: Studien, die vereinfachte "Kapazitätsfaktor"-Ansätze verwenden, ergeben höhere Werte als solche, die strenge ELCC-Berechnungen unter Berücksichtigung der Korrelation anwenden.
• Systemdurchdringungsgrad: Der marginale Kapazitätswert von Solarenergie sinkt, je mehr davon dem System hinzugefügt wird, da sie zunehmend weniger kritische Stunden abdeckt.

5. Schlussfolgerungen & Forschungsbedarf

Der Bericht kommt zu dem Schluss, dass eine genaue Bewertung der Solarkapazität ausgefeilte, wahrscheinlichkeitstheoretische Methoden erfordert, die ihre witterungsabhängige Natur und Korrelation mit der Last erfassen. Er identifiziert zentrale Forschungslücken:

• Verbesserte langfristige Solarressourcen-Datensätze und Erzeugungsmodelle.
• Fortgeschrittene statistische Methoden zur Modellierung hochdimensionaler Abhängigkeiten (Solar, Wind, Last, Ausfälle).
• Kapazitätsmarktdesigns, die ELCC-basierte Bewertungen effizient integrieren und das Leistungsrisiko handhaben.
• Standardisierung von Bewertungsmethoden, um Vergleichbarkeit und Transparenz zu gewährleisten.

6. Originalanalyse & Expertenkommentar

Kernerkenntnis: Der IEEE Task-Force-Bericht ist eine entscheidende, wenn auch verspätete Anerkennung, dass das Werkzeugset der Stromwirtschaft zur Bewertung von Zuverlässigkeit für das Zeitalter der Erneuerbaren grundlegend ungeeignet ist. Seine zentrale Offenbarung ist keine neue Formel, sondern die deutliche Warnung, dass die Vernachlässigung der gemeinsamen statistischen Realität von Sonne, Wind und Last zu einer gefährlichen Illusion von Netzresilienz führt. Dies ist keine akademische Nuance; es ist der Unterschied zwischen einer robusten Energiewende und flächendeckenden Stromausfällen während einer zukünftigen, erneuerbaren-dichten Dürre oder einer windstillen Kälteperiode.

Logischer Aufbau: Der Bericht baut seinen Fall meisterhaft auf. Er beginnt mit der Dekonstruktion der Solarressource selbst – hebt ihre vorhersehbaren Zyklen, aber tiefgreifenden stochastischen Lücken hervor – und demontiert dann systematisch vereinfachende Bewertungsstellvertreter wie den Kapazitätsfaktor. Er wendet sich dem mathematischen Kern der Sache zu: der wahrscheinlichkeitstheoretischen Zuverlässigkeitsbewertung. Hier identifiziert er korrekt die Korrelation zwischen erneuerbarer Erzeugung und Systembelastungsperioden als den Dreh- und Angelpunkt. Ein Solarpark, der mittags in einem System mit Winter-Spitzenlast produziert, ist für die Kapazität nahezu wertlos; derselbe Park in einem System mit Sommer-Spitzenlast ist weitaus wertvoller. Die Logik des Berichts gipfelt darin, die Diskrepanz zwischen diesem nuancierten, standort- und zeitabhängigen Wert (ELCC) und den groben, für alle gleichen Mechanismen der meisten bestehenden Kapazitätsmärkte aufzuzeigen.

Stärken & Schwächen: Die Stärke des Berichts ist seine kompromisslose methodische Strenge und sein Fokus auf die solar-spezifische Herausforderung der täglichen Fehlanpassung, ein Punkt, der in windzentrierten Diskussionen manchmal übergangen wird. Seine Übersicht angewandter Studien zeigt effektiv die extreme Inkonsistenz in der Praxis und beweist, dass das Problem real und gegenwärtig ist. Seine Hauptschwäche ist jedoch sein vorsichtiger, konsensgetriebener Charakter. Er bleibt bei der Identifizierung von Problemen und der Auflistung von Forschungsbedarf stehen. Er bietet wenig direkte Kritik an spezifischen, versagenden Marktdesigns (z.B. die Schwierigkeiten des PJM-Kapazitätsmarkts mit Erneuerbaren) oder mutige Reformvorschläge. Er unterschätzt auch die seismische Wirkung von Speichern. Obwohl erwähnt, verdient das transformative Potenzial von Batterien, die Berechnung des Kapazitätswerts zu verändern – aus nicht-fester Solarenergie feste, steuerbare Kapazität zu machen – mehr als eine Randnotiz. Die Arbeit von Institutionen wie dem National Renewable Energy Laboratory (NREL) hat gezeigt, dass PV-plus-Speicher ELCCs von nahezu 90 % erreichen können, ein Game-Changer, den der Bericht nur andeutet.

Umsetzbare Erkenntnisse: Für Regulierungsbehörden und Systemplaner ist der Auftrag klar: Jegliche Regeln, die den durchschnittlichen Kapazitätsfaktor zur Gewährung von Kapazitätsgutschriften verwenden, sofort außer Kraft setzen. Die Verwendung wahrscheinlichkeitstheoretischer, ELCC-basierter Studien für alle Ressourcenplanung und -beschaffung vorschreiben. Für Marktdesigner besteht die Aufgabe darin, Terminmärkte zu schaffen, die auf wahrscheinlichkeitstheoretischer Kapazität handeln können, vielleicht mit finanziellen Derivaten oder leistungsbasierten Verträgen, die für Verfügbarkeit während statistisch definierter "kritischer Stunden" zahlen. Für Versorger und Entwickler ist die Erkenntnis, Solar von Anfang an gemeinsam mit komplementären Ressourcen (Wind, Speicher, Laststeuerung) zu optimieren, um Hybridanlagen mit überlegener und stabilerer ELCC zu schaffen. Die Zuverlässigkeit des zukünftigen Netzes wird nicht auf Megawatt Nennleistung, sondern auf Megawatt statistisch abgesicherter Lieferfähigkeit zu den entscheidenden Zeiten aufgebaut sein. Dieser Bericht ist das wesentliche Lehrbuch, um diesen Unterschied zu verstehen.

7. Technische Details & Mathematischer Rahmen

Die wahrscheinlichkeitstheoretische Grundlage ist entscheidend. Die Loss of Load Expectation (LOLE) ist definiert als die erwartete Anzahl von Stunden (oder Tagen) pro Periode, in der die Nachfrage die verfügbare Kapazität übersteigt: $$\text{LOLE} = \sum_{t=1}^{T} P(\text{Kapazität}_t < \text{Nachfrage}_t)$$ Wobei $\text{Kapazität}_t$ die konventionelle Erzeugung (mit Zwangsausfällen) und die verfügbare Leistung von FEG zum Zeitpunkt $t$ einschließt.

Die Effective Load Carrying Capability (ELCC) eines Solarkraftwerks wird wie folgt berechnet:

1. Berechne die Ausgangs-LOLE für das ursprüngliche System (LOLE_original).
2. Füge das Solarkraftwerk zum System hinzu und berechne die LOLE neu (LOLE_{mit_solar}).
3. Füge dem ursprünglichen System einen Block perfekt zuverlässiger ("fester") Kapazität $C$ hinzu. Finde den Wert von $C$, sodass gilt: $$\text{LOLE}_{\text{original} + C} = \text{LOLE}_{\text{mit_solar}}$$
4. Die ELCC ist dieser Wert von $C$. Formal: $$\text{ELCC} = \{ C \, | \, \text{LOLE}(\text{Ursprüngliches System} + C_{\text{fest}}) = \text{LOLE}(\text{Ursprüngliches System} + \text{Solar}) \}$$

Diagrammkonzept - Abnehmende marginale ELCC: Ein entscheidendes Diagramm, das in verwandter Literatur beschrieben wird, zeigt die marginale ELCC von Solarenergie als Funktion der Durchdringung. Die Kurve ist konkav und abnehmend. Die ersten 100 MW Solar könnten eine ELCC von 40 MW haben. Die nächsten hinzugefügten 100 MW könnten nur eine ELCC von 30 MW haben, da sie weniger kritische Stunden bedienen, und so weiter. Diese nichtlineare Beziehung ist für die langfristige Planung von entscheidender Bedeutung.

8. Analyse-Rahmen: Beispiel-Fallstudie

Szenario: Ein Systemplaner muss den Kapazitätswert eines geplanten 200-MW-Solarparks im Netzmaßstab in einer Region mit Sommer-Spitzenlast bewerten.

Anwendung des Rahmens:

1. Datenvorbereitung: Zusammenstellung von 10+ Jahren historischer stündlicher Lastdaten für das System. Verwendung eines PV-Leistungsmodells (z.B. mit NRELs System Advisor Model - SAM) mit lokalen historischen Wetterdaten (solare Einstrahlung, Temperatur), um eine gleichzeitige 10-jährige stündliche Erzeugungszeitreihe für das geplante Kraftwerk zu generieren, unter Berücksichtigung seines spezifischen Designs (feststehend, südausgerichtet).
2. Basis-Zuverlässigkeitsmodell: Erstellung eines wahrscheinlichkeitstheoretischen Modells des bestehenden Kraftwerksparks, einschließlich Zwangsausfallraten (FOR) für jede konventionelle Einheit. Verwendung einer Faltungsmethode oder Zeitreihensimulation zur Berechnung der Basis-LOLE (z.B. 0,1 Tage/Jahr).
3. Modell mit Solar: Einbeziehung der stündlichen Solarerzeugungszeitreihe als negative Last (d.h. Erstellung einer "Netto-Last"-Reihe: Last_t - P_{solar, t}). Erneutes Durchführen der Zuverlässigkeitssimulation mit dieser Netto-Last, um LOLE_{mit_solar} zu ermitteln.
4. ELCC-Berechnung: Durchführung einer iterativen Suche. Hinzufügen eines festen Kapazitätsblocks $C$ (z.B. beginnend bei 50 MW) zum ursprünglichen System (nicht zur Netto-Last). Neuberechnung der LOLE. Anpassen von $C$, bis LOLE_{original+fest} gleich LOLE_{mit_solar} ist. Angenommen, dies tritt bei $C = 65$ MW ein.
5. Ergebnis & Interpretation: Die ELCC des 200-MW-PV-Kraftwerks beträgt 65 MW oder 32,5 % seiner Nennleistung. Dieser Wert, nicht 200 MW, sollte Kapazitätsbeschaffungsentscheidungen und Marktzahlungen zugrunde gelegt werden. Die Analyse würde auch zeigen, dass die Solarleistung an heißen Sommernachmittagen am wertvollsten ist und gut mit der Klimaanlagenlast korreliert.

9. Zukünftige Anwendungen & Richtungen

Die skizzierten Methoden entwickeln sich mit der Technologie und den Netzanforderungen rasch weiter:

• Hybridressourcen: Die primäre Zukunftsrichtung ist die Bewertung von Solar-plus-Speicher als einer einzigen, steuerbaren Ressource. Fortgeschrittene Modellierung muss den PV- und Batteriebetrieb gemeinsam optimieren, um die ELCC zu maximieren, unter Berücksichtigung der Batterielebensdauer und Marktsignale. NRELs Hybrid Optimization and Performance Platform (HOPP) leistet hier Pionierarbeit.
• Granulare und wahrscheinlichkeitstheoretische Märkte: Zukünftige Kapazitätsmärkte könnten von der Beschaffung von MW zur Beschaffung von "Zuverlässigkeitseinheiten" übergehen, die durch Leistung während statistisch identifizierter Systembelastungsereignisse definiert sind. Dies bringt die Zahlung mit dem tatsächlichen Beitrag zur Zuverlässigkeit in Einklang.
• Klimabewusste Planung: Da der Klimawandel Wetter- und Lastprofile verändert (mehr extreme Hitze/Kälte), muss die Kapazitätsbewertung vorausschauend und klimainformiert werden, unter Verwendung von Ensembles von Klimamodellprojektionen anstelle nur historischer Daten.
• Standardisierung & Offene Werkzeuge: Eine breite Einführung erfordert standardisierte Datensätze und Open-Source-Werkzeuge für die ELCC-Berechnung (z.B. Erweiterungen für die Open-Source-Plattformen GridLAB-D oder REopt), um Transparenz zu gewährleisten und methodische Arbitrage zu reduzieren.
• Kapazitätswert auf Verteilnetzebene: Mit der Verbreitung dezentraler Solaranlagen (Dach-PV) wird die Bewertung ihres aggregierten Beitrags zur lokalen und systemweiten Zuverlässigkeit zu einer neuen Herausforderung, die Modelle erfordert, die Erzeugung hinter dem Zähler erfassen.

10. Referenzen

1. IEEE PES Task Force on Capacity Value of Wind Power, "Capacity Value of Wind Power," IEEE Transactions on Power Systems, Bd. 29, Nr. 3, S. 1363-1372, Mai 2014.
2. NREL. (2023). Annual Technology Baseline (ATB). [Online]. Verfügbar: https://atb.nrel.gov/
3. P. Denholm et al., "The Value of Energy Storage for Grid Applications," National Renewable Energy Laboratory (NREL), Technischer Bericht NREL/TP-6A20-58449, 2013.
4. North American Electric Reliability Corporation (NERC), "Special Report: Effective Load Carrying Capability (ELCC) for Intermittent Resources," 2021.
5. International Energy Agency (IEA) PVPS, "Trends in Photovoltaic Applications 2023," Bericht IEA-PVPS T1-43:2023.
6. S. Pfenninger et al., "The importance of open data and software: Is energy research lagging behind?" Energy Policy, Bd. 101, S. 211-215, 2017.
7. R. Sioshansi, P. Denholm, and T. Jenkin, "A Comparative Analysis of the Capacity Value of Wind and Solar Generation," IEEE Transactions on Power Systems, Bd. 27, Nr. 3, S. 1407-1414, Aug. 2012.