⚡ electrical engineering

Modeling Coincident Peak Pricing in Electricity Markets: Challenges and Peak Shaving Effectiveness

Dieser Beitrag stellt einen verhaltensbasierten spieltheoretischen Rahmen zur Analyse von Coincident Peak-Preisen in Strommärkten vor und zeigt, dass zwar die aggregierte Flexibilität entscheidend ist, die Wirksamkeit der Spitzenlastglättung jedoch maßgeblich von den Lernprozessen, der Aktionsauflösung und der Gestaltung der Informations-signale abhängt, die zur Koordinierung der Verbraucherreaktionen eingesetzt werden.

Ursprüngliche Autoren: Qian Zhang, Sadie Zhao, Lucy Diao, Conleigh Byers, Yiling Chen, Derya Cansever, Le Xie

Veröffentlicht 2026-05-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Qian Zhang, Sadie Zhao, Lucy Diao, Conleigh Byers, Yiling Chen, Derya Cansever, Le Xie

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das Stromnetz als eine riesige, überfüllte Autobahn vor. Normalerweise fließt der Verkehr reibungslos, aber manchmal versucht jeder, genau zur gleichen Zeit zu fahren, was zu einem massiven Stau führt. Dieser „Stau" wird als Coincident Peak (CP) bezeichnet.

In den USA müssen die Betreiber des Stromnetzes (wie die ISOs) genügend Kraftwerke und Leitungen bauen, um diese worst-case-Staus zu bewältigen. Um diese teure Infrastruktur zu finanzieren, wenden sie eine Preisregelung namens Coincident Peak Pricing an.

So funktioniert es einfach ausgedrückt: Wenn Sie genau in dem Moment, in dem das gesamte System am stärksten belastet ist, viel Strom verbrauchen, werden Sie mit einer hohen Gebühr belastet. Es ist, als würde man eine „Verstopfungsgebühr" für das Fahren auf der Autobahn genau in dem Sekundenbruchteil zahlen, in dem der Verkehr am schlimmsten ist.

Diese Arbeit stellt eine große Frage: Verhindert diese Gebühr tatsächlich, dass Menschen während der Rush Hour fahren, oder macht sie den Verkehr nur schlimmer?

Die Autoren nutzten einen „Spieltheorie"-Ansatz – im Wesentlichen eine mathematische Methode, um vorherzusagen, wie Menschen gegeneinander spielen, wenn sie versuchen, Geld zu sparen. Hier ist das, was sie unter Verwendung einiger alltäglicher Analogien herausfanden:

1. Die zwei Reaktionsweisen (Der „Myopische" vs. Der „Kluge" Spieler)

Die Arbeit testete zwei verschiedene Möglichkeiten, wie Menschen auf die Drohung dieser Gebühr reagieren könnten:

Der „Myopische" Spieler (Best-Response-Dynamik): Stellen Sie sich eine Gruppe von Autofahrern vor, die alle eine Verkehrsmeldung sehen, die besagt: „Rush Hour ist um 17:00 Uhr!" Sie entscheiden sich alle sofort, um 16:55 Uhr loszufahren, um dem Stau zuvorzukommen. Aber weil jeder das tut, erzeugen sie alle einen neuen, noch schlimmeren Stau um 16:55 Uhr.
- Das Ergebnis: Wenn alle zu schnell und blind auf dasselbe Signal reagieren, verschlimmern sie den Peak oft, anstatt ihn zu verbessern. Die Arbeit fand heraus, dass dieser Ansatz riskant ist und die Spitzenlast tatsächlich erhöhen kann, wenn die Menschen nicht über genügend Flexibilität verfügen.
Der „Kluge" Spieler (Fictitious-Play-Dynamik): Stellen Sie sich vor, diese Fahrer sind etwas geduldiger. Sie schauen sich an, was alle anderen gestern und vorgestern getan haben. Sie erkennen: „Oh, gestern haben alle versucht, um 16:55 Uhr loszufahren und steckten fest. Vielleicht sollte ich stattdessen um 16:45 Uhr oder 17:15 Uhr losfahren." Sie lernen aus der Geschichte und verteilen sich.
- Das Ergebnis: Dieser Ansatz funktionierte viel besser. Durch das Lernen aus vergangenen Mustern anstatt nur auf den unmittelbaren Moment zu reagieren, gelang es den „klugen" Spielern, den Verkehr zu glätten und den Peak zu senken.

2. Die Bedeutung der „Lenkrad"-Präzision

Die Arbeit untersuchte auch, wie viel Kontrolle Menschen über ihren Stromverbrauch haben.

Grobe Steuerung: Stellen Sie sich einen Lichtschalter vor, der entweder EIN oder AUS ist. Wenn Sie Ihre gesamte Fabrik eine Stunde lang abschalten müssen, um Geld zu sparen, wählen Sie vielleicht alle genau dieselbe Stunde. Dies erzeugt einen neuen Stau.
Feine Steuerung: Stellen Sie sich einen Dimmer vor, mit dem Sie das Licht um 10 %, 20 % oder 30 % herunterdrehen können. Mit dieser feineren Steuerung können Menschen winzige Anpassungen vornehmen. Eine Person dimmt um 16:50 Uhr ein wenig, eine andere um 16:52 Uhr, eine weitere um 16:55 Uhr.
- Das Ergebnis: Ein „Dimmer" (feinere Steuerung) zu haben, ist entscheidend. Es ermöglicht den Menschen, ihre Last zu verteilen, damit sie sich nicht alle zur gleichen Zeit ballen.

3. Das Problem des „Wettervorhersagers"

In der realen Welt raten Menschen nicht, wann der Peak stattfinden wird; sie hören auf Informationsanbieter (Unternehmen, die den Peak vorhersagen).

Der naive Vorhersager: Dieser Vorhersager betrachtet das Wetter und sagt: „Es wird um 17:00 Uhr heiß sein, also wird der Peak um 17:00 Uhr sein."
- Das Problem: Wenn alle auf diesen einen Vorhersager hören, verlagern sie alle ihre Last auf 16:30 Uhr und erzeugen dort einen neuen Peak.
Der „Reaktionsbewusste" Vorhersager: Dieser Vorhersager ist schlauer. Er denkt: „Wenn alle auf den naiven Vorhersager hören und auf 16:30 Uhr verlagern, wird sich der Peak tatsächlich auf 16:30 Uhr verlagern. Also werde ich 16:30 Uhr als Peak vorhersagen."
- Das Ergebnis: Die Arbeit fand heraus, dass eine Mischung aus verschiedenen Vorhersagern (einige naiv, einige schlau) tatsächlich besser ist, als wenn alle nur auf einen hören. Es verhindert, dass alle in einen einzigen neuen Stau „herden" (der Herde folgen).

4. Hilft mehr Menschen?

Man könnte denken, dass, wenn mehr Menschen versuchen, Geld zu sparen, der Peak stärker sinkt.

Die Erkenntnis: Überraschenderweise spielt es nicht viel aus, ob Sie 5 große Fabriken oder 100 kleine haben, solange die gesamte verfügbare flexible Leistung gleich bleibt. Der Schlüssel ist nicht die Anzahl der Spieler, sondern wie viel „Flexibilität" sie insgesamt haben und wie gut sie koordinieren.

Das Fazit

Die Arbeit kommt zu dem Schluss, dass Coincident Peak Pricing ein mächtiges Werkzeug ist, aber es ist knifflig.

Wenn Menschen blind und schnell reagieren, könnten sie das Problem versehentlich verschlimmern.
Wenn sie aus der Vergangenheit lernen, eine feingliedrige Steuerung (Dimmer) haben und auf diverse Vorhersagen hören, können sie den Peak erfolgreich abschneiden.

Für die Netzbetreiber: Sie sollten versuchen, „geglättete" Signale zu geben (nicht nur eine einzelne beängstigende Warnung) und die Nutzer dazu ermutigen, eine feine Kontrolle über ihren Strom zu haben.
Für die Verbraucher: Je flexibler Sie sind und je granularer Ihre Steuerung ist (die Fähigkeit, kleine Mengen anzupassen), desto mehr Geld sparen Sie und desto besser helfen Sie dem Netz.

Kurz gesagt: Hetzen Sie nicht alle gleichzeitig zum Ausgang, nur weil jemand „Feuer!" geschrien hat; schauen Sie, wohin alle anderen gehen, und nehmen Sie vielleicht einen etwas anderen Weg.

Technische Zusammenfassung: Modellierung der Coincident Peak-Preise in Elektrizitätsmärkten

1. Problemstellung

Coincident Peak (CP)-Preise sind ein weit verbreiteter Mechanismus in den US-Elektrizitätsmärkten (z. B. ERCOT, ISO-NE), der zur Allokation von Übertragungs- und Kapazitätskosten auf Basis der Nachfrage eines Kunden während der Intervalle mit der höchsten Systemnachfrage eingesetzt wird. Obwohl CP-Preise transparent und einfach zu implementieren sind, führen sie zu komplexen strategischen Verhaltensweisen bei den Verbrauchern.

Die zentrale Herausforderung, die in diesem Papier adressiert wird, ist die Schwierigkeit, das Nutzerverhalten unter CP-Preisen zu modellieren. Im Gegensatz zu kurzfristigen Energiemärkten beinhaltet CP:

Endogene Spitzenbildung: Das Spitzenintervall ist kein fester externer Parameter, sondern ein Ergebnis des aggregierten Verbraucherverhaltens. Da mehr Verbraucher strategische Lastverschiebungen vornehmen, wird die Spitze zu einer stochastischen, endogenen Variable.
Nichtlineare Kostenallokation: Die Gebühr eines Verbrauchers hängt von seiner individuellen Nachfrage zum Zeitpunkt der Spitze im Verhältnis zur gesamten Systemlast zu diesemselben Moment ab. Dies erzeugt eine nichtlineare Kopplung zwischen individuellen Aktionen und aggregierten Ergebnissen.
Informationsasymmetrie und Herding: Verbraucher verlassen sich auf Prognosen (von ISOs oder Drittanbietern), um Spitzenzeiten vorherzusagen. Eine weit verbreitete Abhängigkeit von identischen Prognosen kann „Herding" auslösen, bei dem viele Verbraucher Lasten in dieselben Intervalle verlagern und potenziell neue, unbeabsichtigte Spitzen erzeugen.

Das Papier untersucht, ob CP-Preise zuverlässig einen Anreiz zur Lastspitzenglättung (Peak Shaving) bieten und wie Faktoren wie Flexibilität, Aktionsauflösung und Informationsvielfalt diese Ergebnisse beeinflussen.

2. Methodik

A. Modellierungsrahmen

Die Autoren entwickeln einen verhaltensbasierten spieltheoretischen Rahmen, der ein nichtlineares Kostenallokationsmodell mit Entscheidungsprozessen sowohl im Day-Ahead- als auch im Echtzeitmarkt koppelt.

Kostenallokationsmodell: Die Übertragungsgebühr $c_i$ für Verbraucher $i$ wird als Anteil der gesamten Systemkosten $C$ modelliert, der proportional zu seiner Nachfrage zum Zeitpunkt der Coincident Peak $t^*$ ist. Das Modell erkennt die Nichtlinearität an, bei der die individuelle Nachfrage den Nenner (die gesamte Systemlast) beeinflusst. Eine linearisierte Näherung wird diskutiert, jedoch wird darauf hingewiesen, dass sie wichtige strategische Interaktionen in Systemen mit hoher Flexibilität übersieht.
Verbraucherbeschränkungen: Reaktionsfähige Verbraucher unterliegen:
- Kapazitätsgrenzen: $X_i \le x_i(t) \le \bar{X}_i$ .
- Energiebilanz: Die gesamte Energie über ein Zeitfenster $W$ ist fest ( $\sum x_i(t) = E_i$ ).
- Aktionsdarstellung: Die Nachfrage wird als Basisprofil plus eine Verschiebungsaktion $a_i(t)$ modelliert, wobei $\sum a_i(t) = 0$ gilt.

B. Entscheidungsprozesse und Dynamik

Das Papier unterscheidet zwischen zwei Marktphasen und analysiert zwei kanonische Lernmechanismen:

Day-Ahead-Markt: Modelliert als Ein-Schritt-Spiel, bei dem Benutzer einen einzigen Gebot abgeben. Das Papier stellt fest, dass die Berechnung eines Nash-Gleichgewichts hier rechnerisch unlösbar (PPAD-schwer) und aufgrund von Informationsasymmetrie verhaltensmäßig unrealistisch ist.
Echtzeitmarkt: Modelliert als sequentieller Lernprozess, bei dem Benutzer Strategien basierend auf beobachteter Historie aktualisieren. Zwei Dynamiken werden untersucht:
- Best-Response-Dynamik (BRD): Benutzer wählen myopisch die beste Aktion gegen die aktuellen beobachteten Aktionen anderer.
- Fiktives-Spiel-Dynamik (FPD): Benutzer bilden Überzeugungen über die Strategien anderer basierend auf der empirischen Häufigkeit vergangener Aktionen und reagieren optimal auf diese Überzeugungsverteilung.

C. Evaluation

Der Rahmen wird unter Verwendung von ERCOT-Spitzentagsdaten (2023) evaluiert. Die Studie simuliert große flexible Lasten (LFLs) unter verschiedenen Szenarien:

Aktionsräume: Kontinuierlich (reellwertige Einspeisung) vs. endlich (diskret, menübasierte Optionen).
Parameter: Unterschiedliche Flexibilitätsniveaus (Kapazitätsmargen), Anzahl der Teilnehmer ( $N$ ) und Strategien von Informationsanbietern.

3. Hauptbeiträge

Formalisierung nichtlinearer CP-Modelle: Das Papier formalisiert ein nichtlineares CP-Kostenallokationsmodell und ein handhabbares verhaltensbasiertes Lastmodell für reaktionsfähige Nachfrage unter kontinuierlichen und endlichen Aktionsmengen und erfasst explizit die gegenseitige Abhängigkeit zwischen individuellem und aggregiertem Verhalten.
Verknüpfung von Zeithorizonten: Es verbindet Day-Ahead-Ein-Schritt-Entscheidungen mit Echtzeit-sequentieller Lernprozessen und analysiert die theoretischen und rechnerischen Herausforderungen sowohl der Best-Response- als auch der Fiktives-Spiel-Dynamiken.
Rolle von Informationsanbietern: Die Studie integriert die Rolle von Drittanbieter-Informationsanbietern und zeigt auf, wie deren Prognosesignale (Naiv vs. Reaktionsbewusst) die systemweite Lastspitzenglättung und das Potenzial für Herding beeinflussen.
Quantitative Erkenntnisse: Unter Verwendung von ERCOT-Daten quantifiziert das Papier, wie Flexibilität, Aktionsauflösung, Teilnahmeskala und Informationsvielfalt Spitzenergebnisse prägen, und geht über theoretische Gegenbeispiele hinaus zu praktischen Fallstudien.

4. Ergebnisse

A. Dynamik: BRD vs. FPD

Überlegenheit der FPD: Die Fiktives-Spiel-Dynamik (FPD) reduziert Systemspitzen zuverlässig und konvergiert schnell. Durch das Glätten von Reaktionen basierend auf historischen Durchschnitten vermeidet FPD die Synchronisationsprobleme, die bei BRD auftreten.
BRD-Volatilität: Die Best-Response-Dynamik (BRD) ist variabler. Unter engen Kapazitätsbeschränkungen kann BRD zu synchronisierten myopischen Verschiebungen führen, wodurch sich Verbraucher im selben Intervall ballen und die Systemspitze erhöhen (z. B. eine Zunahme von 1,08 % in Worst-Case-Szenarien).

B. Flexibilität und Aktionsauflösung

Flexibilität: Höhere Flexibilität (höhere Kapazitätsmargen) führt zu zuverlässigeren Lastspitzenglättungen. Wenn Flexibilität knapp ist, können selbst optimale Strategien versagen oder nach hinten losgehen.
Aktionsauflösung: Eine feinere Aktionsauflösung (kleinere Schrittweiten bei der Lastverschiebung) verbessert die Lastspitzenglättung erheblich. Grobe, „Ein/Aus"-artige Steuerungen neigen dazu, Verschiebungen in dieselben wenigen Intervalle zu konzentrieren, was Koordinationsgewinne begrenzt.
Anzahl der Teilnehmer: Wenn die aggregierte Flexibilität konstant gehalten wird, hat die Anzahl der Teilnehmer einen weitgehend neutralen Effekt auf die Lastspitzenglättung. Die Skalierung von wenigen großen Lasten auf viele kleine Lasten verbessert oder verschlechtert die Leistung nicht inhärent, wenn die Reaktionsregel identisch ist.

C. Informationsanbieter

Herding-Risiko: „Naive" Informationsanbieter (die Spitzen ausschließlich basierend auf der Basislast rangieren) können Herding auslösen und sekundäre Spitzen in der Nähe der vorhergesagten Zeiten erzeugen.
Reaktionsbewusste Signale: Anbieter, die das Nutzerverhalten antizipieren (Reaktionsbewusst) und Intervalle anvisieren, die nach initialen Reaktionen zu Spitzen werden würden, verbessern die Systemergebnisse.
Heterogenität: Eine gemischte Population von Verbrauchern, die unterschiedlichen Informationssignalen folgen (einige Naiv, einige Reaktionsbewusst), führt oft zu einer besseren Lastspitzenglättung als eine homogene Population, da die Vielfalt als stabilisierender Puffer gegen Synchronisation wirkt.

5. Bedeutung und praktische Implikationen

Das Papier kommt zu dem Schluss, dass das Potenzial von CP-Preisen zur Reduzierung von Spitzen real, aber durch verhaltensbezogene und strukturelle Faktoren begrenzt ist. Die Ergebnisse bieten spezifische Leitlinien für Stakeholder:

Für Netzbetreiber (ISOs):
- Die Ausstrahlung geglätteter CP-Wahrscheinlichkeitssignale (z. B. gleitende Durchschnitte) kann FPD-ähnliches Verhalten induzieren und synchronisiertes Herding reduzieren.
- Die Festlegung minimaler steuerbarer Kapazitätsschwellen für die Teilnahme stellt sicher, dass Teilnehmer über ausreichende Flexibilität verfügen, um Lasten zu verschieben, ohne sekundäre Spitzen zu verursachen.
- Die Förderung diverser Prognosesignale kann die Risiken von informationsinduziertem Herding mindern.
Für Verbraucher (LFLs):
- Die Aufrechterhaltung ausreichender flexibler Kapazitäten ist entscheidend; unzureichende Kapazität kann zu kontraproduktiven Ergebnissen unter myopischen Strategien führen.
- Die Einführung einer feineren Steuerungsauflösung (granulare Lastverschiebung) verbessert im Vergleich zu groben, binären Steuerungen sowohl Kosteneinsparungen als auch die Leistung bei der Lastspitzenglättung.

Die Studie betont, dass CP-Preise zwar ein koordinierendes Signal bieten, ihre Wirksamkeit jedoch stark von der Granularität der Kontrolle abhängt, die Verbrauchern zur Verfügung steht, sowie von der Art der Informationen, die sie erhalten. Der Rahmen bietet eine Grundlage für das Verständnis, wie verhaltensbasierte Dynamiken mit Marktmechanismen im Übergang zu flexibleren, nachfrageorientierten Stromnetzen interagieren.