Einsatzoptimierung von Batteriespeichern & Netzflexibilität

Große und kleine Batterien verdienen nur dann Geld (und stabilisieren das Netz), wenn sie zu den richtigen Zeitpunkten geladen, entladen oder in Reserve gehalten werden. Die Entscheidung hängt von schwankenden Preisen, Prognosefehlern, Netzgrenzen und der Alterung der Batterie ab. Ein Optimierer verbindet Preis- und Lastprognosen mit einem gemischt-ganzzahligen oder stochastischen Modell, oft verfeinert durch Reinforcement Learning, und sendet Sollwerte an das Batteriemanagementsystem und Gebote an den Markt. Der KI-Anteil liegt in der Prognose und im Lernen von Strategien; die Garantie liefert ein klassischer Solver mit harten Sicherheitsgrenzen.

Problem & Nutzen

• Heute: Viele Speicher laufen nach festen Fahrplänen (Preisspreizungsregeln, Schwellenwerte für Lastspitzenkappung, einfacher Eigenverbrauch). Betreiber im Großmaßstab lagern die Optimierung oft an einen Optimierer/Händler aus; Gewerbe- und Industriestandorte verlassen sich auf das Energiemanagementsystem des Wechselrichter-Herstellers.
• Warum es schwierig ist: Erlöse werden über Day-Ahead, Intraday, Frequenzhaltungs- und Wiederherstellungsreserven sowie lokale Dienstleistungen gestapelt. Jede Entscheidung verändert Ladezustand und Verschleiß, daher sind Entscheidungen zeitlich gekoppelt. Prognosefehler (Preise, PV, Last) schmälern den Erlös unmittelbar.
• Nutzen durch KI: bessere probabilistische Prognosen, stochastische Optimierung mit rollierendem Horizont, gelernte Strategien, die in Echtzeit reagieren, und explizite Alterungskosten, sodass Zyklen dort eingesetzt werden, wo sie sich am meisten lohnen.
• Markttreiber: Die Reform des EU-Strommarktdesigns (Verordnung (EU) 2024/1747) fördert ausdrücklich Flexibilität, einschließlich Speicher und Laststeuerung, und verpflichtet die Mitgliedstaaten, den Flexibilitätsbedarf zu bewerten; Netzbetreiber beschaffen zunehmend Flexibilität für das Engpassmanagement [1]. Die deutsche Batteriespeicherkapazität ist rasch gewachsen, wobei Warteschlangen beim Netzanschluss großer Projekte inzwischen ein Engpass sind [2]. Die Erlöse unterscheiden sich stark nach Markt und Jahr; ziehen Sie Veröffentlichungen von Regulierern und Marktdatenanbietern heran statt Herstellerangaben.

Varianten

• Eigenständige Speicher im Großmaßstab: freier Handel (Merchant) an Day-Ahead-, Intraday- und Systemdienstleistungsmärkten, oft mit einem Tolling-Vertrag.
• Gemeinsam mit PV/Wind errichtet: Ausgleich von Schwankungen, Vermeidung von Abregelung, netzbegrenzte Einspeisung (siehe OPT-039).
• Gewerbe/Industrie hinter dem Zähler: Lastspitzenkappung gegen Netzentgelte, Eigenverbrauch, dynamische Tarife, Notstrom.
• Virtuelles Kraftwerk / gebündelte Flexibilität: Bündelung von Heimspeichern, Ladepunkten für E-Autos und Wärmepumpen (siehe OPT-032, OPT-021).
• Flexibilitätsprodukte für Verteil- und Übertragungsnetzbetreiber: lokale Engpass- und Redispatch-Dienstleistungen (siehe OPT-022).
• Private Nutzung: Der Haushaltsspeicher mit dynamischem Tarif wird in OPT-032 behandelt.

So funktioniert es

1. market data + weather + load/PV telemetry
2. probabilistic forecasts (price, load, generation)
3. optimiser (rolling-horizon MILP / stochastic programme; degradation cost; grid and warranty limits)
4. bid builder (day-ahead, intraday, reserve products; prequalification rules)
5. real-time controller (re-optimise on new data, RL or MPC policy, imbalance handling)
6. BMS/EMS setpoints (hard safety limits enforced locally)
7. settlement, metering, performance report

• Prognose: Gradient-Boosted Trees oder tiefe Zeitreihenmodelle (z. B. Quantilprognosen); Zeitreihen-Foundation-Models können eine Vergleichsbasis für Last und Preis sein.
• Optimierung: Den Kern bildet ein lineares/gemischt-ganzzahliges Programm mit Wirkungsgradkurven, Leistungs- und Energiegrenzen, Durchsatzbeschränkungen und Marktregeln. Stochastische oder robuste Varianten sichern gegen Prognosefehler ab.
• Reinforcement Learning: nützlich für schnelle Intraday-Entscheidungen und als in einem Simulator trainierte Strategie; am besten innerhalb eines Solvers oder einer Sicherheitsschicht einzusetzen, nicht als einziger Regler.
• Mensch-in-der-Schleife (Human-in-the-Loop): Händler genehmigen Strategieparameter und Risikolimits; Asset-Manager legen Garantie- und Alterungsgrenzen fest; das BMS hat in Sicherheitsfragen das letzte Wort.

Datenaufbereitung

• Welche Daten: Day-Ahead-, Intraday- und Regelenergiepreise, Prognosen für Last sowie PV oder Wind, Batterietelemetrie (Ladezustand, Temperatur, Leistungsgrenzen), Netzanschluss- und Tarifdaten, Garantie- und Zyklusgrenzen.
• Wo die Daten im Mittelstand liegen: Portale von Wechselrichter oder BMS, das Monitoring-Werkzeug des Energiemanagers, Smart-Meter-Daten des Netzbetreibers, Energierechnungen und Tarifverträge als PDF, Garantiebedingungen in Verträgen.
• Typische Lücken: Lücken und Uhrendrift in der Telemetrie, uneinheitliche Zeitauflösung (15 Minuten vs. stündlich), Tarifregeln und Garantiegrenzen nicht maschinenlesbar, nur wenige Monate Historie, geschlossene Herstellerschnittstellen.
• Schritte: (1) 12–24 Monate Marktdaten von ENTSO-E und Netztransparenz abrufen; (2) Telemetrie über Modbus, MQTT oder Hersteller-API exportieren, siehe PREP-005; (3) auf ein einheitliches Zeitraster umrechnen und Lücken füllen oder markieren; (4) Tarife und Garantiebeschränkungen als Parameter abbilden; (5) in TimescaleDB oder Parquet speichern. Vertrags-PDFs lassen sich mit Hilfe von DOC-014 auslesen. Siehe auch PREP-001.
• Anteil am Aufwand: etwa 30 Prozent; deutlich weniger mit Weg A, wo der Anbieter das übernimmt. Prüfen Sie die Voraussetzungen mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Ein Gewerbe- oder Industriestandort oder ein kleiner Speicherbesitzer ohne Handelsabteilung sollte das EMS des Wechselrichter-Herstellers oder einen Direktvermarkter nutzen, der Präqualifikation und Gebotsabgabe übernimmt.
• Großunternehmen: B. Versorger und Portfoliobetreiber sehen den Einsatz als strategischen Margentreiber und bauen ihre eigene Strategie auf Markt-APIs, verwalteten Solvern und Prognosen auf, oft neben einem Partner.
• Entwickler: C. PyPSA, Pyomo, HiGHS und OpenSTEF erlauben transparente Modelle und Backtests ohne Lizenzkosten.

Weg A — Kaufen (empfohlen)

• Optimierer / Direktvermarktung: Fluence (KI-basierte Gebotssoftware Mosaic), Tesla Autobidder, Wärtsilä GEMS, Habitat Energy, Modo Energy (Marktanalysen) sowie EU-Anbieter wie Entrix (Deutschland, Teil von Statkraft), Enspired (Niederlande/Deutschland), Node.energy, Next Kraftwerke (VPP), Sympower (Laststeuerung), Flexcity und Kiwigrid (Gewerbe/Industrie und EMS).
• Haushalt sowie Gewerbe/Industrie: Wechselrichter-/EMS-Hersteller wie SMA, Fronius, Sungrow, Huawei und Victron bieten integrierte Fahrpläne.
• Wählen Sie A, wenn: Sie keine Handelsabteilung haben, eine Marktpräqualifikation brauchen oder weniger als eine Handvoll Anlagen betreiben. Prüfen Sie EU-Hosting, Erlösbeteiligung vs. Gebührenmodell, wem Daten und Gebotsrechte gehören, und die Ausstiegsbedingungen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten: ENTSO-E Transparency Platform API (Preise, Last, Erzeugung), Regelleistung.net/Netztransparenz für deutsche Regelenergiedaten, Wetter-APIs (DWD Open Data, ECMWF Open Data).
• Rechenleistung: verwaltete MILP-Solver (Gurobi, CPLEX, FICO Xpress oder OR-Tools) in EU-Cloud-Regionen; Prognosen mit verwalteten ML-Diensten oder Zeitreihen-Foundation-Models.
• LLMs: nur am Rand (Einsatzentscheidungen erklären, Berichte erstellen, Marktregeln übersetzen); die Optimierung bleibt numerisch.
• Wählen Sie B, wenn: Sie eine eigene Strategie wollen und Ingenieure für den Energiemarkt haben.

Weg C — Selbst betreiben (Open Source)

• Modellierung und Lösen: PyPSA/linopy, Pyomo, OR-Tools mit HiGHS oder SCIP; Julia/JuMP für schnelle Modelle mit rollierendem Horizont.
• Batteriemodelle: PyBaMM für physikalisch begründete Alterung, im Produktivbetrieb vereinfachte Durchsatzkosten.
• RL: Stable-Baselines3, RLlib, auf historischen Preisen aufgebaute Gymnasium-Umgebungen; OpenSTEF (LF Energy) für offene Energieprognosen.
• Streaming und Regelung: Kafka/MQTT, Modbus-/IEC-61850-Gateways. Hardware HW1 genügt (CPU-Server, Edge-Controller); GPUs nur für große neuronale Prognosemodelle.

Weg D — Eigenes Training

Lohnt sich für Portfoliobetreiber: Preisprognose- und RL-Strategien auf eigenen mehrjährigen Markt- und Telemetriedaten trainieren und Alterungsmodelle auf die eigene Zellchemie kalibrieren. Erfordert mindestens ein bis zwei Jahre hochaufgelöste Historie und einen Backtest-Simulator, der die Marktregeln nachbildet.

Stand der Technik (2026)

• Gemeinsame Optimierung von Energie, Reserven und Alterung ist der kommerzielle Standard; reine Preisspreizungs-Arbitrage sättigt zunehmend, da mehr Speicher an den Markt kommen, was die Spreizungen in einigen Märkten senkt.
• Probabilistische Prognosen + stochastische MPC übertreffen in der Regel deterministische Fahrpläne, wobei sich der Wert auf die Intraday-Volatilität konzentriert.
• Gelernte Strategien (RL, Nachahmung nachträglich optimaler Fahrpläne) zeigen Gewinne in Forschungs-Benchmarks und einigen Pilotprojekten; belastbare Belege aus dem Produktivbetrieb sind dünner, als das Herstellermarketing nahelegt.
• Foundation Models für Zeitreihen dienen als Zero-Shot-Vergleichsbasis für Last- und Preisprognosen, schlagen abgestimmte Fachmodelle bei Preisen aber selten.
• Grenzen: Prognosefehler bei extremen Preisspitzen, Änderungen der Marktregeln, Abweichung zwischen Modell und Anlage, Unsicherheit der Batteriealterung und Cyberrisiken der Steuerschnittstellen. Backtests überschätzen den Erlös, weil sie die Marktwirkung und die Teilinformation echter Gebote ignorieren.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (time-series + optimization-solver): OPT-007 Gebäudeenergie, OPT-021 Laden von E-Fahrzeugen im Depot, OPT-023 Fernwärme, OPT-032 Heimenergiemanagement; Prognosen aus PRED-007 (Last/Erneuerbare) und PRED-008 (Preis).
• Vor- und nachgelagert: PRED-026 liefert den Gesundheitszustand für die Alterungskosten; OPT-039 deckt die Handelsseite ab; OPT-022 deckt den Flexibilitätsbedarf der Netzbetreiber ab; OPT-010 teilt die Methoden zum Handelsrisiko.
• Gemeinsame Infrastruktur: Ein Solver-Dienst mit rollierendem Horizont und eine Marktdaten-Pipeline können viele Anlagen bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für die Einführung, plus Erlösbeteiligung oder Gebühren je MW.
• Weg B: 4–9 Monate mit einem kleinen Team für Energiedaten.
• Weg C/D: 9–18 Monate einschließlich Marktpräqualifikation, Backtests und Leitwartenprozessen.
• Kostentreiber: Lizenzen für Marktdaten, Solver-Lizenzen, Engineering-Aufwand, Präqualifikation und Tests, Betrieb rund um die Uhr.
• Kennzahlen: Erlös je MW und Jahr gegenüber dem Benchmark mit perfekter Voraussicht, Prognosefehler (Pinball Loss), Verfügbarkeit, Durchsatz/Zyklen gegenüber der Garantie, Ausgleichsenergiekosten, Alterungskosten je Zyklus, Zuschlagsquote der Gebote, Verletzungen von Netzgrenzen (Ziel: null).

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (Entscheidungen zu Risiko und Erlösbeteiligung), Asset- oder Energiemanager (Prozessverantwortliche), Personal in Leitwarte und Betrieb, IT und IT-Sicherheit (Steuerschnittstellen, NIS2, Cyber Resilience Act), Recht (REMIT, Verträge, Gebotsrechte) und der Optimierer- oder Wechselrichter-Anbieter als Partner.
• Betriebsrat: kommt darauf an. Der Optimierer selbst arbeitet mit Anlagendaten, doch Dashboards der Leitwarte, Eingriffe der Bediener und Protokolle können geeignet sein, Beschäftigte zu überwachen; dann greift § 87 Abs. 1 Nr. 6 BetrVG. Unterrichten Sie den Betriebsrat nach § 90 Abs. 1 Nr. 3, wenn sich Schicht- und Leitwartenprozesse ändern. Öffentliche Versorger: Personalrat.
• Datenschutz: Daten im Großmaßstab sind nicht personenbezogen; Haushaltsspeicher legen Verbrauchsprofile offen, beziehen Sie daher die/den Datenschutzbeauftragte(n) ein, minimieren Sie die Granularität der Messdaten und schließen Sie einen AVV (Art. 28 DSGVO); bei großflächigen Haushaltsprofilen ist eine DSFA wahrscheinlich.
• KI-Kompetenz: Unterstützen Sie Bediener und Händler dabei, Prognosen, Unsicherheit und die Ergebnisse des Optimierers zu lesen (Art. 4 KI-Verordnung), siehe GUIDE-006.
• Pilot und Kommunikation: Betreiben Sie das System im Schattenmodus neben der bestehenden Steuerung an einer Anlage. Typische Sorge: Kontrollverlust über eine teure Anlage; begegnen Sie ihr mit harten Grenzen im BMS, einem Notausschalter und menschlicher Freigabe der Strategieparameter.
• Leitfäden: GUIDE-010, GUIDE-013, GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt vom Kontext ab. Ein reiner Handelsoptimierer ist ein minimales Risiko; Software, die Sicherheitsbauteil bei Verwaltung oder Betrieb kritischer digitaler Infrastruktur oder der Stromversorgung ist (Anhang III Nr. 2), kann hochriskant sein. Behandeln Sie einen Einsatz, der die Netzstabilität beeinflusst, als möglicherweise erfasst und dokumentieren Sie die Einstufung. Die Pflicht zur KI-Kompetenz (Art. 4) gilt für Betreiber.
• Energie- und Marktregeln: REMIT (Verbote von Marktmanipulation und Insiderhandel, relevant für Gebote und das Zurückhalten von Kapazität), Präqualifikation für Reserveprodukte, Netzanschlussregeln (NC RfG), NIS2 und Cyber Resilience Act für Steuerungssysteme und vernetzte Geräte, EU-Batterieverordnung 2023/1542 (Daten zum Gesundheitszustand und Batteriepass) [3].
• DSGVO: Daten im Großmaßstab sind nicht personenbezogen; Heim- oder Haushaltsspeicher legen Verbrauchsprofile offen, die personenbezogene Daten sind. Nutzen Sie Auftragsverarbeitungsverträge und minimieren Sie die Granularität der Messdaten.
• Technische Risiken: thermische/sicherheitsrelevante Ereignisse, wenn Software BMS-Grenzen übersteuert, gegnerische oder manipulierte Preis-/Datenfeeds, Modelldrift nach Marktänderungen. Gegenmaßnahmen: harte Grenzen im BMS, solverbasierte Sicherheitsschicht um gelernte Strategien, Schattenmodus vor der Live-Steuerung, Notausschalter, Prüfprotokoll.

Erste Schritte

1. Sammeln Sie 12–24 Monate Preis-, Telemetrie- und Tarifdaten und legen Sie Garantie- und Netzbeschränkungen maschinenlesbar fest.
2. Bauen Sie in PyPSA/Pyomo einen Benchmark mit perfekter Voraussicht und eine einfache regelbasierte Vergleichsbasis, um das mögliche Potenzial zu beziffern.
3. Ergänzen Sie probabilistische Prognosen und einen Optimierer mit rollierendem Horizont; testen Sie im Backtest mit realistischem Markt-Timing und realistischen Gebühren.
4. Betreiben Sie das System im Schattenmodus neben der bestehenden Steuerung und vergleichen Sie es mit dem tatsächlichen Erlös.
5. Entscheiden Sie anhand der Ergebnisse im Schattenmodus zwischen Kaufen und Selbstbauen; präqualifizieren Sie sich für Reserveprodukte erst, wenn der Prozess stabil ist.

Quellen

1. Regulation (EU) 2024/1747 (electricity market design) — https://eur-lex.europa.eu/eli/reg/2024/1747/oj
2. ENTSO-E Transparency Platform — https://transparency.entsoe.eu/
3. Regulation (EU) 2023/1542 (Batteries Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1542/oj
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. PyPSA documentation — https://docs.pypsa.org/
6. OpenSTEF (LF Energy) — https://github.com/OpenSTEF/openstef
7. Regelleistung.net (German balancing market platform) — https://www.regelleistung.net/
8. HiGHS solver — https://highs.dev/
9. PyBaMM — https://pybamm.org/