Locational Energy Storage Bid Bounds for Facilitating Social Welfare Convergence

Dieser Beitrag stellt ein neuartiges chance-constrained-Verfahren vor, um standortspezifische Gebotsbandbreiten für Energiespeicher zu generieren, die durch Berücksichtigung von Unsicherheit und Risikopräferenzen Marktangebote wirksam mit sozialer Wohlfahrtszielen in Einklang bringen, Systemkosten senken und Speicherrentabilität steigern.

Das Wesentliche

Stellen Sie sich das Stromnetz als einen riesigen, geschäftigen Marktplatz vor, auf dem Energie jede Sekunde gekauft und verkauft wird. Auf diesem Markt spielt Energiespeicherung (wie riesige Batterien) eine einzigartige Rolle. Im Gegensatz zu einem Kohlekraftwerk, das einfach nur Brennstoff verbrennt, um Strom zu erzeugen, ist eine Batterie eine Zeitreisende: Sie kauft Energie, wenn sie billig ist (Laden), und verkauft sie, wenn sie teuer ist (Entladen).

Das Problem ist, dass Batterien, da sie auf den „perfekten" Moment zum Verkaufen warten können, erhebliche Macht haben, die Preise zu manipulieren. Sie könnten ihre Energie zurückhalten (eine Taktik, die als „wirtschaftliche Zurückhaltung" bezeichnet wird) in der Hoffnung, sie später für einen enormen Gewinn zu verkaufen, was versehentlich dazu führen kann, dass Strom für alle anderen zu teuer wird.

Dieser Artikel schlägt einen neuen Satz von Regeln (Gebotsgrenzen) vor, um diesen Marktplatz fair und effizient zu halten. Hier ist die Aufschlüsselung ihrer Lösung unter Verwendung einfacher Analogien:

1. Das Problem: Das „Kristallkugel"-Dilemma

In der Vergangenheit versuchten Regulierungsbehörden, Preisgrenzen für Batterien auf der Grundlage fester Regeln festzulegen, wie etwa „Sie dürfen nicht mehr als X Dollar laden". Dies ist jedoch so, als würde man versuchen, ein Tempolimit für einen Rennwagen festzulegen, ohne zu wissen, ob die Straße nass oder trocken ist.

• Das Problem: Batterien müssen die Zukunft erraten. Wenn sie falsch liegen, könnten sie zu hoch bieten (was dem System schadet) oder zu niedrig (was Geld kostet).
• Der aktuelle Mangel: Bestehende Regeln sind zu starr. Sie berücksichtigen nicht, dass die Zukunft unsicher ist (der Wind könnte aufhören zu wehen oder eine Hitzewelle könnte einsetzen).

2. Die Lösung: Eine „smarte Wettervorhersage" für Preise

Die Autoren schlagen eine neue Methode vor, um den maximalen Preis zu berechnen, den eine Batterie bieten darf. Sie nennen dies eine Chance-Constrained-Methode.

• Die Analogie: Stellen Sie sich vor, Sie packen für eine Reise.
  • Alte Methode (Deterministisch): Sie prüfen die Wettervorhersage für „Sonnig" und packen nur Shorts ein. Wenn es regnet, stecken Sie fest.
  • Neue Methode (Chance-Constrained): Sie betrachten die Wahrscheinlichkeit von Regen. Sie entscheiden: „Ich möchte zu 95 % sicher sein, dass ich vorbereitet bin." Also packen Sie einen leichten Regenmantel ein, falls es doch regnet.
• Wie es für Batterien funktioniert: Der Netzbetreiber (der Schiedsrichter) berechnet eine Preisobergrenze, die das „Wetter" des Netzes (Unsicherheit bei Wind, Solar und Nachfrage) und die „Risikotoleranz" des Betreibers (wie sehr er vor einem Blackout oder einem Preisschock Angst hat) berücksichtigt.

3. Die drei goldenen Regeln der neuen Grenzen

Der Artikel beweist drei Hauptpunkte über diese neuen Preisobergrenzen:

• Regel 1: Der „Volltank"-Rabatt (Ladezustand)

  • Das Konzept: Je mehr Energie eine Batterie gespeichert hat, desto weniger wertvoll ist der nächste Energieanteil für sie.
  • Die Analogie: Denken Sie an einen Eimer Wasser. Wenn der Eimer leer ist, ist die erste Tasse Wasser, die Sie hineingießen, sehr wertvoll, weil sie den Eimer zu füllen beginnt. Wenn der Eimer bereits zu 90 % voll ist, ist die nächste Tasse weniger wertvoll, da Sie kurz vor dem Überlaufen stehen.
  • Das Ergebnis: Der Artikel zeigt, dass die erlaubte Gebotspreis einer Batterie, je voller sie wird, sinkt. Dies verhindert, dass Batterien Energie hortet, wenn sie bereits voll sind.

• Regel 2: Der „Sturm"-Aufschlag (Unsicherheit)

  • Das Konzept: Wenn die Zukunft sehr unvorhersehbar ist (z. B. viel Windenergie, die plötzlich ausfallen könnte), steigt die Preisobergrenze an.
  • Die Analogie: Wenn Sie in einem nebligen Sturm fahren, zahlen Sie möglicherweise extra für ein Premium-Navigationsgerät oder einen Sicherheitsfahrer. Die Batterie benötigt eine höhere Preisobergrenze, um das Risiko zu rechtfertigen, Energie zurückzuhalten, falls später ein „Sturm" (Preisschock) eintritt.
  • Das Ergebnis: Je unsicherer das Netz ist, desto höher ist das erlaubte Gebot, wodurch sichergestellt wird, dass Batterien nicht dafür bestraft werden, vorsichtig zu sein.

• Regel 3: Der „Risikobereitschaft"-Regler (Risikopräferenz)

  • Das Konzept: Der Netzbetreiber kann einen Regler drehen, um zu entscheiden, wie viel Risiko er eingehen möchte.
  • Die Analogie: Es ist wie das Einstellen der Empfindlichkeit eines Rauchmelders. Wenn Sie ihn sehr empfindlich einstellen (niedrige Risikotoleranz), schreit er bei der leisesten Rauchwolke (sehr hohe Preisobergrenzen). Wenn Sie ihn weniger empfindlich einstellen (hohe Risikotoleranz), schreit er erst, wenn ein echtes Feuer brennt (niedrigere Preisobergrenzen).
  • Das Ergebnis: Betreiber können diese Regeln an ihre spezifischen Bedürfnisse anpassen.

4. Die Ergebnisse: Ein Gewinn für alle

Die Autoren testeten diese Idee mithilfe einer Computersimulation des Stromnetzes von Neuengland (ISO-NE). Sie stellten ihre neuen „smarten Wetter"-Regeln gegen die alten „Feste-Regel"-Methoden.

• Das Ergebnis:
  • Billiger für alle: Die neuen Regeln senkten die Gesamtkosten für den Betrieb des Stromnetzes um etwa 0,17 %. Obwohl das klein klingt, sind es bei einem riesigen Stromnetz Millionen von Dollar, die gespart werden.
  • Fairer für Batterien: Überraschenderweise erzielten die Batterien tatsächlich mehr Gewinn (im Durchschnitt etwa 10 % mehr).
  • Warum? Die alten Regeln waren zu streng und zwangen Batterien oft, mit Verlust zu verkaufen oder Energie ineffizient zurückzuhalten. Die neuen Regeln gaben ihnen eine „Sicherheitszone", in der sie operieren konnten, sodass sie legitime zukünftige Chancen nutzen konnten, ohne versehentlich den Markt zu zerstören.

Zusammenfassung

Betrachten Sie diesen Artikel als die Entwicklung eines intelligenten Tempolimitschildes für den Strommarkt. Anstelle eines statischen Schildes mit der Aufschrift „Tempolimit 105" ändert sich das Schild dynamisch basierend auf:

1. Wie viel „Treibstoff" das Auto (Batterie) noch hat.
2. Wie neblig die Straße (Netzunsicherheit) ist.
3. Wie nervös der Fahrer (Netzbetreiber) ist.

Durch die Verwendung dieser dynamischen Grenzen zeigt der Artikel, dass wir verhindern können, dass Batterien Spiele spielen, die der Wirtschaft schaden, während sie gleichzeitig einen fairen Gewinn erzielen und die Lichter günstig eingeschaltet bleiben.

Technische Zusammenfassung

Technische Zusammenfassung: Lokale Gebotsgrenzen für Energiespeicher zur Förderung der Konvergenz des sozialen Wohlergehens

Problemstellung

Der rasche Einsatz von Energiespeichersystemen (ESS) in Strommärkten bringt erhebliche Herausforderungen bei der Regulierung von Marktmacht und der Sicherstellung der Konvergenz des sozialen Wohlergehens mit sich. Im Gegensatz zu thermischen Erzeugern, deren Marktangebote auf transparenten Brennstoffkosten basieren, reichen Speicherbeteiligte strategische Gebote ein, die von zukünftigen Möglichkeiten und Unsicherheiten abhängen, die schwer zu quantifizieren oder zu benchmarken sind. Die aktuellen Marktpraktiken verlassen sich oft darauf, dass Speicherbeteiligte strategische Gebote einreichen, was zu wirtschaftlicher Zurückhaltung führt (Zurückhalten von Kapazität, um in volatileren Märkten zu arbitrieren oder Preisspitzen vorherzusehen). Dieses Verhalten kann zu Marktineffizienzen, übermäßiger Preisvolatilität und einer Verringerung des sozialen Wohlergehens führen.

Bestehende regulatorische Ansätze, wie die von CAISO vorgeschlagenen Standardgebote (z. B. der viert-höchste Day-Ahead-LMP zuzüglich physischer Kosten), sind häufig zu konservativ. Sie berücksichtigen weder Echtzeit-Unsicherheiten noch die Abhängigkeit des Opportunitätswerts vom Ladezustand (SoC) des Speichers. Darüber hinaus bleibt die Unterscheidung zwischen legitimer wirtschaftlicher Zurückhaltung zum Einfangen zukünftiger Möglichkeiten und manipulativer Missbrauch von Marktmacht für Netzbetreiber eine erhebliche Herausforderung, da unter Unsicherheit keine zuverlässige Opportunitätskosten-Basislinie fehlt.

Methodik

Der Artikel schlägt einen neuartigen Rahmen vor, um lokale Gebotsgrenzen für Energiespeicher zu generieren, die als Angebots-Obergrenzen dienen. Diese Grenzen sollen übermäßige wirtschaftliche Zurückhaltung verhindern, gleichzeitig aber Flexibilität für legitimes strategisches Bieten ermöglichen. Die Methodik verläuft in folgenden Schritten:

1. Oracle Economic Dispatch (OED): Die Autoren formulieren zunächst ein idealisiertes Problem des mehrperiodigen wirtschaftlichen Dispatchs unter der Annahme perfekter Voraussicht von Nachfrage und erneuerbarer Erzeugung. Dies dient als Basislinie zur Definition der „wahrheitsgemäßen" Grenzkosten und Opportunitätswerte von Speichern.
2. Chance-Constrained Economic Dispatch (CED): Unter Anerkennung der Tatsache, dass perfekte Voraussicht nicht erreichbar ist, erweitert das Framework das OED zu einer chance-constrained Formulierung. Dies integriert Unsicherheiten der Netto-Last (aus erneuerbaren Energien und Last) sowie die Risikopräferenz des Netzbetreibers (definiert durch ein Konfidenzniveau $1-\epsilon$).
   • Das CED minimiert die Systemkosten unter probabilistischen Nebenbedingungen, die sicherstellen, dass die Leistungsbalance, Übertragungsgrenzen und Reserveanforderungen mit einem spezifizierten Konfidenzniveau erfüllt werden.
   • Das Problem wird unter Verwendung statistischer Parameter (Mittelwert und Standardabweichung) der Netto-Last und inverser kumulativer Verteilungsfunktionen (CDF) in eine deterministische konvexe Äquivalenz umformuliert.
3. Herleitung der Gebotsgrenzen:
   • Die dualen Variablen, die mit den Speicher-Energiebilanz-Nebenbedingungen im CED-Rahmen verknüpft sind, repräsentieren die risikobewussten Opportunitätskosten.
   • Die Autoren leiten lokale Gebotsgrenzen (Obergrenzen für Entladegebote und Untergrenzen für Ladegebote) basierend auf diesen risikobewussten Opportunitätskosten und physischen Degradationskosten ab.
   • Es wird nachgewiesen, dass die Grenzen die wahrheitsgemäßen Grenzkosten des Speichers mit einem garantierten Konfidenzniveau ($1-\epsilon$) begrenzen.

Hauptbeiträge

Der Artikel leistet drei wesentliche Beiträge:

1. Chance-Constrained-Grenzen-Rahmen: Die Autoren schlagen einen neuartigen chance-constrained Rahmen vor, der lokale, einheiten-spezifische Gebotsgrenzen generiert. Diese Grenzen integrieren systematisch Unsicherheiten der Netto-Last und Risikopräferenzen des Netzbetreibers und gehen über deterministische Ansätze hinaus.
2. Theoretische Preisbildungsanalyse: Der Artikel liefert rigorose theoretische Beweise bezüglich der Eigenschaften der vorgeschlagenen Grenzen:
   • Konfidenzgarantie: Die Grenzen begrenzen wirksam wahrheitsgemäße Speichergebote über alle Unsicherheitsszenarien hinweg mit einem garantierten Konfidenzniveau.
   • SoC-Monotonie: Die Gebotsgrenzen nehmen monoton ab, wenn der Ladezustand (SoC) des Speichers steigt, was den abnehmenden Grenzwert gespeicherter Energie widerspiegelt.
   • Unsicherheits- und Risikoskalierung: Die Grenzen nehmen monoton mit der Unsicherheit der Netto-Last und der Risikoaversion des Netzbetreibers (niedrigere Konfidenzniveaus $\epsilon$) zu. Dies steht im Gegensatz zu konventionellen Erzeugern, deren Gebote typischerweise unabhängig von Unsicherheiten sind.
3. Validierung durch agentenbasierte Simulation: Der vorgeschlagene Mechanismus wird mittels einer agentenbasierten Marktsimulation an einem modifizierten 8-Zonen-ISO-NE-Testsystem getestet. Die Studie vergleicht die vorgeschlagenen chance-constrained Grenzen mit bestehenden deterministischen Grenzen (z. B. dem Standard-Gebotsansatz von CAISO) über verschiedene Speicherkapazitäten, Penetrationsgrade erneuerbarer Energien und Strategien wirtschaftlicher Zurückhaltung hinweg.

Ergebnisse

Numerische Experimente am ISO-NE-Testsystem ergeben folgende Erkenntnisse:

• Reduktion der Systemkosten: In Szenarien mit 30 % erneuerbarer Kapazität und 20 % Speicherkapazität reduzieren die vorgeschlagenen Gebotsgrenzen die durchschnittlichen Systemkosten um 0,17 % im Vergleich zu unreguliertem strategischem Bieten. Die Reduktion skaliert mit zunehmender Speicherkapazität und höheren Niveaus wirtschaftlicher Zurückhaltung.
• Rentabilität der Speicher: Entgegen der Intuition, dass das Begrenzen von Geboten die Gewinne reduziert, erhöhen die vorgeschlagenen Grenzen die Speichergewinne in Szenarien mit signifikanter wirtschaftlicher Zurückhaltung im Durchschnitt um 10,16 %. Indem sie ineffiziente übermäßige Zurückhaltung verhindern, die zu Marktclearing-Ausfällen oder suboptimalem Dispatch führt, ermöglichen die Grenzen eine effektivere Teilnahme der Speicher.
• Vergleich mit deterministischen Grenzen: Die vorgeschlagenen chance-constrained Grenzen übertreffen deterministische Grenzen. Deterministische Grenzen neigen dazu, Opportunitätskosten unter hoher Unsicherheit zu unterschätzen, was zu erhöhten Systemkosten (um 0,01 % in Szenarien mit hoher Unsicherheit) und reduzierten Speichergewinnen (um ca. 20 %) führt.
• Sensitivität gegenüber Parametern:
  • Risikopräferenz ($\epsilon$): Niedrigere Konfidenzniveaus (höhere Risikoaversion) führen zu höheren Gebotsgrenzen. Ein $\epsilon$ von 5 % bis 10 % wird als praktischer Kompromiss identifiziert.
  • Unsicherheitsmodelle: Das „Versatile Distribution"-Modell, das Schiefe und Multimodalität erfasst, schneidet nahezu ebenso gut ab wie empirische Modelle, während robuste Approximationen (z. B. Cantelli-Ungleichung) zu übermäßig konservativen Grenzen und geringeren Verbesserungen des sozialen Wohlergehens führen.
  • Knappheitsszenarien: Die Grenzen funktionieren unter Knappheitsbedingungen (hohe Preise) besonders gut und dämpfen effektiv übermäßige Zurückhaltung, die sonst Preisspitzen verschärfen würde.
• Recheneffizienz: Während die exakte Formulierung exponentiell mit der Anzahl der Speichereinheiten skaliert, ermöglicht eine robuste Relaxationstechnik die lineare Lösung des Problems und erlaubt die Berechnung von Grenzen für 10.000 Einheiten in ungefähr 102 Sekunden.

Bedeutung und Behauptungen

Der Artikel behauptet, dass sein vorgeschlagener Rahmen eine kritische Lücke im Strommarkt-Design schließt: das Fehlen eines präventiven, theoretisch fundierten Mechanismus zur Regulierung der Marktmacht von Speichern, ohne legitimes strategisches Verhalten zu ersticken.

• Regulatorische Neutralität: Der Ansatz ermöglicht es Netzbetreibern, neutral zu bleiben, Wettbewerb zu fördern und gleichzeitig die „Tragödie der Allmende" zu verhindern, bei der einzelne Speichereinheiten Kapazität zum Nachteil des Systems zurückhalten.
• Skalierbarkeit und Praktikabilität: Durch die Ableitung von Grenzen aus einer handhabbaren chance-constrained Formulierung ist die Methode für großskalige Systeme rechnerisch machbar und kann als Filter vor dem Markt oder als Vereinfachung von Echtzeit-Clearing-Modellen implementiert werden.
• Konvergenz des sozialen Wohlergehens: Die primäre Bedeutung liegt in der Ausrichtung der individuellen Bietanreize von Speichern auf das Ziel des sozialen Wohlergehens. Die Grenzen stellen sicher, dass Speicherbeteiligte legitime zukünftige Möglichkeiten einfangen können (reflektiert im risikobewussten LMP), während sie daran gehindert werden, Marktmacht durch übermäßige Zurückhaltung auszuüben, die die Gesamteffizienz des Systems beeinträchtigt.

Die Autoren schließen daraus, dass dieser Rahmen allgemein auf verschiedene Strommärkte übertragbar ist, die mit einem Anstieg des Speichereinsatzes konfrontiert sind, wie z. B. CAISO, und eine praktische Lösung bietet, um Marktmacht zu managen und die Konvergenz des sozialen Wohlergehens bei zunehmender Penetration erneuerbarer Energien und Speicher zu fördern.