1. Einleitung
Die Umstellung auf erneuerbare Energien ist für die Klimaziele unabdingbar, doch die inhärente Volatilität von Wind- und Solarenergie stellt eine grundlegende Herausforderung für die Netzstabilität dar. Dieses Papier setzt sich mit der grundlegenden Kritik von H.-W. Sinn auseinander, der argumentierte, dass die Minderung dieser Volatilität Pumpspeicherkapazitäten „um mehrere Größenordnungen größer“ erfordern würde, als derzeit in Deutschland verfügbar sind, und erneuerbare Energien somit auf eine von konventionellen Kraftwerken gestützte Nebenrolle verweisen würde. Die Autoren stellen ein Gegenargument vor und schlagen eine dreigliedrige Strategie vor – Überkapazitäten, Smart Meter und optimierte Technologie –, um den Speicherbedarf drastisch zu reduzieren und ein 100%iges Wind-Solar-Stromsystem zu ermöglichen, das potenziell skaliert werden kann, um einen breiteren Energiebedarf zu decken.
2. Das Volatilitätsproblem & Sinns Herausforderung
Der zentrale Nachteil von Wind- und Solarenergie ist ihre Abhängigkeit von variablen Wetterbedingungen, was zu schwankender Leistungsabgabe führt. Dies erzeugt eine Diskrepanz zwischen Erzeugung ($P_v$) und Nachfrage ($P_d$). Sinns Analyse hob den immensen Umfang des benötigten Speichers hervor, um diese Schwankungen auszugleichen, und kam zu dem Schluss, dass dies wirtschaftlich und praktisch nicht machbar sei, weshalb fossile Reservekraftwerke notwendig seien. Die zentrale These dieses Papiers ist es, diese Schlussfolgerung durch eine Neudefinition der Problemparameter in Frage zu stellen.
2.1. Quantifizierung der Volatilität und Speicherbedarf
Volatilität wird als die Schwankung um den Jahresdurchschnitt definiert. Die erforderliche Speicherkapazität $E_{sf}^{max}$ wird als Differenz zwischen Maximum und Minimum der integrierten Nettofluktuationsleistung $E_{sf}(t) = E_{vf}(t) - E_{df}(t)$ definiert, wobei $E_{vf}$ und $E_{df}$ die fluktuierenden Anteile der volatilen Erzeugung bzw. der Nachfrage sind.
3. Der vorgeschlagene Lösungsrahmen
Die Autoren schlagen einen synergetischen, dreigliedrigen Ansatz vor, um die effektive Volatilität und damit den von Sinn berechneten Speicherbedarf zu reduzieren.
3.1. Überkapazitäten (Overbuilding)
Der Ausbau von mehr Wind- und Solarkapazität, als für die durchschnittliche Nachfrage benötigt wird ($P_{va} > P_{da}$), stellt sicher, dass auch bei suboptimalen Bedingungen ausreichend Strom erzeugt wird. Dies verringert die Tiefe und Häufigkeit von Erzeugungsdefiziten und glättet die $E_{vf}(t)$-Kurve.
3.2. Smart Meter und Lastmanagement
Intelligente Laststeuerung über Smart Meter ermöglicht es, den Verbrauch ($P_{df}$) in Zeiten hoher Erzeugung zu verschieben. Diese „Lastformung“ reduziert aktiv die Nettofluktuation $P_{sf} = P_{vf} - P_{df}$ und nutzt die Nachfrage effektiv als virtuelle Speicherressource.
3.3. Technologieoptimierung: Schwachwindanlagen & Schwachlicht-Solar
Über die Standardhardware hinausgehen, die auf Effizienz optimiert ist. Der Einsatz von Windkraftanlagen, die für niedrigere Windgeschwindigkeiten ausgelegt sind, und von Solarmodulen, die bei diffusem Licht effizient sind (z.B. Perowskit- oder bifaziale Zellen), erweitert das Erzeugungsprofil, reduziert Phasen mit Null-Erzeugung und macht die Erzeugung vorhersehbarer und weniger „spitzenlastartig“.
4. Mathematischer Rahmen & Ergebnisse
Die Analyse basiert auf einem klaren mathematischen Modell, das auf echte deutsche Netzdaten von 2019 angewendet wird.
4.1. Leistungsbilanzgleichungen
Die grundlegenden Gleichungen des Systems sind: $$P_{va} = P_{da}$$ $$P_{sf} = P_{vf} - P_{df}$$ Die Speicherenergie ist das Integral: $E_{sf}(t) = \int_0^t P_{sf} \, dt = E_{vf}(t) - E_{df}(t)$. Die kritische Kennzahl ist die erforderliche Speicherkapazität: $E_{sf}^{max} = \max_t\{E_{sf}(t)\} - \min_t\{E_{sf}(t)\}$.
4.2. Skalierungsanalyse und Anwendung auf Daten von 2019
Unter Verwendung der Daten von 2019: $P_{da} = 56.4$ GW, gemessenes $\hat{P}_{va} = 18.9$ GW. Um die Nachfrage allein mit Wind und Sonne zu decken, wird die Erzeugung um einen Faktor $s = P_{da} / \hat{P}_{va} \approx 3$ skaliert. Die zentrale Annahme ist, dass das Fluktuationsmuster linear skaliert. Die Anwendung der drei vorgeschlagenen Strategien innerhalb dieses skalierten Modells zeigt eine dramatische Reduzierung des berechneten $E_{sf}^{max}$ im Vergleich zu Sinns Ausgangsszenario und deutet auf Machbarkeit hin.
Wichtiger Datenpunkt (2019, Deutschland)
Durchschnittlicher Strombedarf ($P_{da}$): 56,4 GW
Durchschnittliche volatile Erzeugung ($\hat{P}_{va}$): 18,9 GW
Erforderlicher Skalierungsfaktor ($s$): ~3,0
5. Kritische Analyse & Branchenperspektive
Kernaussage
Lustfelds Papier ist nicht nur eine technische Widerlegung; es ist eine strategische Neuausrichtung von einer speicherzentrierten hin zu einer systemtechnischen Sicht auf die Dekarbonisierung des Stromnetzes. Der eigentliche Durchbruch ist die Erkenntnis, dass das Problem nicht nur darin besteht, das volatile Angebot zu glätten, sondern die Beziehung zwischen Angebot und Nachfrage dynamisch zu managen. Dies steht im Einklang mit modernen Netzarchitekturprinzipien von Institutionen wie dem US National Renewable Energy Laboratory (NREL), die „Hybridsysteme“ und Flexibilität betonen.
Logischer Aufbau & Stärken
Die Logik ist überzeugend: 1) Anerkennung von Sinns entmutigender Speicherrechnung. 2) Einführung von drei nicht-speicherbasierten Hebeln (Überbau, intelligente Nachfrage, bessere Technik). 3) Mathematische Darstellung, wie diese Hebel die Speicherlücke direkt verkleinern. Seine Stärke liegt in der Verwendung realer, hochaufgelöster (15-Minuten) deutscher Daten – ein Fall mit hohem Anteil erneuerbarer Energien –, was die Analyse glaubwürdig macht. Der Fokus auf die Technologiewahl (Schwachwindanlagen) ist besonders klug, da er über Finanzmodelle hinaus zu Hardware-Innovationen führt.
Schwächen & Lücken
Das Papier hat jedoch erhebliche blinde Flecken. Erstens ist die Annahme der linearen Skalierung eine starke Vereinfachung. Der Ausbau der dreifachen Kapazität wird die Erzeugungsmuster nicht einfach verdreifachen; geografische Diversifizierung und Netzengpässe werden nichtlineare Effekte erzeugen. Zweitens unterschätzt es die Integrationskosten. Überkapazitäten führen zu massiven Abregelungen während der Spitzenerzeugung, was die Wirtschaftlichkeit der Anlagen zerstört, es sei denn, sie werden mit extrem günstigen Speichern oder Wasserstoffproduktion gekoppelt – ein Punkt, der in jüngsten Studien des MIT und von Princeton Net-Zero America hervorgehoben wird. Drittens wird die soziale und regulatorische Machbarkeit eines flächendeckenden Lastmanagements nur oberflächlich behandelt.
Umsetzbare Erkenntnisse
Für politische Entscheidungsträger und Investoren ist die Botschaft klar: Hört auf, euch nur auf Speicher zu fixieren. Der Portfolio-Ansatz ist entscheidend:
- Regulierung für Flexibilität: Verpflichtende Einführung von Smart Metern und Schaffung von Märkten für Laststeuerung, ähnlich den Modellen in Großbritannien oder Kalifornien.
- Investition in Nischentechnologien: Förderung von F&E für Schwachlicht-Solar und Schwachwindanlagen, nicht nur für inkrementelle Effizienzsteigerungen bei Standardmodellen.
- Planung für Überkapazitäten & Abregelung: Integration von „grüner Wasserstoff“-Produktionsanlagen als strategische Senke für überschüssige erneuerbare Erzeugung, um Kosten in eine potenzielle Einnahmequelle zu verwandeln.
6. Technische Details & Experimentelle Erkenntnisse
Die Analyse basiert auf der Zerlegung von Leistungsdaten in durchschnittliche und fluktuierende Komponenten. Abbildung 1 im Papier (referenziert, aber hier nicht dargestellt) würde typischerweise die integrierte Fluktuationsenergie $E_{df}(t)$ der Nachfrage über die Zeit darstellen und die kumulative Abweichung vom Mittelwert zeigen. Der „erforderliche Speicher“ $E_{sf}^{max}$ ist visuell der vertikale Abstand zwischen Spitze und Tal der Nettofluktuationsenergiekurve $E_{sf}(t)$ nach Anwendung der Skalierung und Strategieanpassungen. Das Ergebnis zeigt, dass mit den vorgeschlagenen Maßnahmen dieser Spitze-Tal-Abstand – und damit die benötigte Speicherkapazität – viel kleiner ist als in einem naiven Volatilitätsausgleichsszenario.
7. Analyseframework: Eine vereinfachte Fallstudie
Szenario: Ein regionales Netz mit einer durchschnittlichen Nachfrage von 1 GW. Historisch beträgt die durchschnittliche volatile Erzeugung 0,4 GW mit hohen Schwankungen. Traditioneller (Sinn) Ansatz: Skalierung der Erzeugung auf 1 GW. Die resultierende Nettofluktuation $E_{sf}(t)$ ist groß und erfordert massiven Speicher. Integrierter (Lustfeld) Ansatz: 1. Überkapazitäten: Installation von 2,5 GW Kapazität. Die durchschnittliche Erzeugung wird >1 GW, was die $E_{vf}$-Kurve abflacht. 2. Intelligente Nachfrage: Verschiebung von 0,2 GW industrieller Last (z.B. E-Auto-Laden, Warmwasserbereitung) in Stunden mit Spitzenerzeugung, Reduzierung von $P_{df}$ während Tiefstwerten. 3. Bessere Technik: Einsatz von Anlagen, die bei Schwachwind einen Kapazitätsfaktor von 15 % erreichen, gegenüber 5 % bei Standardanlagen, wodurch einige Erzeugungslücken geschlossen werden. Ergebnis: Die modifizierte $E_{sf}(t)$-Kurve hat eine deutlich reduzierte Amplitude. Das berechnete $E_{sf}^{max}$ könnte 60-70 % niedriger sein als beim traditionellen Ansatz, was das Prinzip ohne komplexe Simulation demonstriert.
8. Zukünftige Anwendungen & Forschungsrichtungen
Das Framework eröffnet mehrere kritische Wege:
- Multi-Energie-Systeme: Anwendung dieser Logik auf Sektorkopplung – Nutzung von Überschussstrom für Wärme (Power-to-Heat), Verkehr (E-Mobilität) und Wasserstoffproduktion (Power-to-Gas). Dies schafft flexible Nachfragesenken, die Überschusserzeugung absorbieren können.
- KI-optimierte Fahrweise: Integration von maschinellem Lernen (ähnlich den Techniken zur Optimierung anderer komplexer Systeme wie in der computergestützten Physik), um die Erzeugung vorherzusagen und die Laststeuerung in Echtzeit dynamisch zu bepreisen.
- Geografische & Technologie-Portfolio-Optimierung: Erweiterung des Modells zur Optimierung des Mixes aus Onshore-/Offshore-Wind, Solar-PV, CSP und der Standortwahl von Schwachwindanlagen in ganz Europa, um die kontinentale Volatilität zu minimieren.
- Integration von Langzeitspeichern: Kombination dieses Ansatzes mit aufkommenden Langzeitspeichern (z.B. Redox-Flow-Batterien, Druckluftspeicher), um die verbleibenden, mehrtägigen Volatilitätsereignisse zu bewältigen.
9. Literaturverzeichnis
- Sinn, H.-W. (2017). Buffering volatility: A study on the limits of Germany's energy revolution. European Economic Review, 99, 130-156.
- Bundesministerium für Wirtschaft und Energie. (2020). Energiespeicher-Monitoring-Bericht.
- Fraunhofer-Institut für Solare Energiesysteme (ISE). (2020). Energy Charts [Datensatz]. Abgerufen von https://www.energy-charts.de
- Internationale Energieagentur (IEA). (2020). World Energy Outlook 2020. Paris: IEA Publications.
- National Renewable Energy Laboratory (NREL). (2021). Hybrid Renewable Energy Systems. Abgerufen von https://www.nrel.gov/research/hybrid-systems.html
- Jenkins, J. D., Luke, M., & Thermstrom, S. (2018). Getting to Zero Carbon Emissions in the Electric Power Sector. Joule, 2(12), 2498-2510.
- MIT Energy Initiative. (2019). The Future of Energy Storage.