Bei einem energieintensiven KMU stammt die halbe Stromrechnung aus Verbrauch in Spitzenzeiten. Klassisches Energie-OR-Problem: Demand Response, Peak Shaving, Time-of-Use.
Kurz gesagt
Kommt Ihnen das bekannt vor?
- 30-50% der Stromrechnung sind Leistungspreis — 1-Minuten-Spitze erhöht monatlich um 50K TRY.
- Wir haben ein Kühl-/Eislager; Kompressoren laufen 24h, obwohl Nachttarif halb so teuer ist.
- Produktion mit Schmelz- oder Heizlasten; nur tagsüber oder auch nachts fahren?
- Photovoltaik investiert oder geplant; wir wissen nicht, wie wir Erzeugung und Verbrauch abstimmen.
- Batterie/Speicher vorhanden oder geplant; Lade-/Entladeregel intuitiv.
- Freier Stromkundenstatus / Tarifwahl notwendig; ohne Profil keine Tarifwahl möglich.
- Bei Rechnungseingang sagen wir 'diese Spitze war hoch', können aber die Quelle nicht identifizieren.
Warum es wichtig ist
Wie wird es gelöst?
Technische Tiefe
Wie wird es gelöst?
Technische TiefeIn einem Satz: Um die Rechnung zu senken, zwei Größen getrennt messen — für die Energiekomponente (kWh × Tarif) Lasten in günstige Stunden schieben; für den Leistungspreis (kW) den Spitzenmoment glätten (große Lasten nicht zeitgleich starten). Beides zu mischen ist der häufigste Fehler.
Das Problem liegt an der Schnittstelle von Operations Research (Disziplin, die mit Mathematik und Computereinsatz Geschäftsentscheidungen löst) und Energiesystemen. Zwei Teilprobleme: Demand Response Optimization (welche Last wann bei Time-of-Use), Peak Shaving (tägliche/monatliche Spitze minimieren). Lösung in drei Stufen:
1. Modellierung. Lasten-Inventar: pro Gerät — Leistung (kW), Energie (kWh), Flexibilitätstyp (verschiebbar/kürzbar/fest), Bedingungen (Linie, Temperatur, Schicht). Tarif: Time-of-Use, Leistungspreis (kW), Energie (kWh), Kapazität. Mit Erneuerbarer: stündliche Prognose. Mit Speicher: Kapazität, Lade-/Entladerate, Wirkungsgrad, Zykluslebensdauer.
2. Entscheidung mit Solver. Ein Tag: MIP — stündliche Entscheidungsvariablen. 24h-MIP in Minuten lösbar. Mehrtägig oder stochastisch: Stochastic MIP oder MPC (Model Predictive Control — Steuerung, die den Plan stündlich auf neue Daten aktualisiert). Branchensoftware: GAMS / AMPL + EMS-Lösungen.
3. Feldintegration. Output: stündlicher Lastenfahrplan. PLC/SCADA-Integration (Halbautomatik) oder Tablet/Drucker. Smart-Meter schließt den Loop. Monatlicher Report. Mit Erneuerbarer/Speicher: Echtzeit-MPC."
Alternativen
Manuell + Smart Meter + Bediener-Erfahrung
KostenlosSmart Meter regulatorisch kostenlos
Für wen geeignet: Klein (<100 kW), einfacher Tarif
- + Keine Softwarekosten
- + Bediener entscheidet
- + Intuitive Einsparung 5-10%
- − Nicht optimal
- − Batterie/PV schwer zu integrieren
- − Wenn Spitzen sich nicht verschieben, kaum Nutzen
- − Skaliert nicht
Lokales Energiemanagementsystem (EMS)
Enterprise30.000–120.000 TRY Lizenz + 6.000–20.000 TRY/Jahr (TR-Marktbeobachtung)
Für wen geeignet: Mittel-energieintensiv (100 kW-2 MW)
- + Lokaler Support, regulatorisch konforme Reports
- + PLC/SCADA
- + Tarifbasierte Grundoptimierung
- − MIP/stochastische Optimierung meist fehlend
- − Schwach bei PV+Batterie+Last gemeinsam
- − Einfaches Forecast-Modul
Internationales industrielles EMS + DR
Enterprise40.000–250.000 EUR Lizenz + 10.000–40.000 EUR/Jahr
Für wen geeignet: Großanlage (2+ MW) oder Campus
- + MIP/MPC-basierte Optimierung
- + Erneuerbare + Speicher + Last gemeinsam
- + Fortgeschrittenes Forecast
- − Teuer
- − 6-12 Monate Einführung
- − Tarifstruktur-Customization nötig
Open-Source-Solver + Eigenmodell
Open SourceLizenz kostenlos; 12-20 Wochen intern oder 300K-900K TRY Beratung
Für wen geeignet: KMU mit Tech-Team und Sonderregeln
- + Keine Lizenz
- + Reife Open-Source-MIP-Solver reichen
- + MPC, stochastisch open source
- − OR-/Energie-Experte intern nötig
- − PLC/SCADA-Integration eigenes Projekt
- − Dauerhafte Wartung
Empfehlung
Im Gespräch fragen
- Verwenden Sie MIP/MPC für DR-Optimierung oder regelbasiert?
- Wie wird die Tarifstruktur (TOU + Leistungspreis + Energie) modelliert?
- Können Sie Speicher + PV + flexible Last gemeinsam optimieren?
- Welche Forecast-Methode (ARIMA, ML, saisonal)?
- Welche Protokolle für PLC/SCADA? OPC-UA, Modbus, MQTT?
- Ist das Peak-Shaving-Ziel täglich, monatlich, jährlich?
- 4-8 Wochen Pilot mit Echtverbrauch und aktuellem Tarif? Wie werden Einsparungen gemessen?
- Wie bekommen wir Stundenverbrauch, Planhistorie und Zählerdaten im Standardformat zurück, wenn wir aufhören?
Technische Details
Anmerkung der Redaktion
Umgangssprachlich „Stromersparnis", „Tarifgewinn", „Spitzenlastsenkung". Akademisch Demand Response Optimization, Peak Shaving, Load Shifting Problem. Ohne diese Begriffe kann man ‘Energie-Überwachung’ (Smart-Meter-Daten zeigen) nicht von ‘Energieoptimierung’ (Lasten steuern) unterscheiden. Erstes misst nur, zweites spart.
Was am häufigsten übersehen wird: die Modellierung der Tarifstruktur. Der Regulierungs-Tarif hat vier Bestandteile: Energiepreis (kWh, zeitabhängig), Leistungspreis (kW), Netz, Steuern/Abgaben. Wenn die Software nur kWh-Kosten optimiert (ohne Leistungspreis), wird die intuitive Einsparung im realen Tarif nicht sichtbar. Das Tarif-Modul ist der kritische Test.
Schritt für Schritt — für das KMU
Stufe 1 — Erst messen. Mind. 8 Wochen Smart-Meter-Daten (15-Min oder Stunde): Gesamtverbrauch, Spitzenverbrauch, Lastprofil, Tarifdetail. Lasten-Inventar — Welches Gerät wie viel."
Stufe 2 — Wissensvermögen extrahieren. Welche Lasten flexibel (verschiebbar, kürzbar, bedingt), welche kritisch. Produktionsflussbedingungen. Tariffrage. PV/Speicher-Kapazitäten."
Stufe 3 — Pilot. 8-12 Wochen, 1-2 flexible Lasten. Erfolgskriterien vorher: Monatsrechnung -8% min, Produktion ungestört."
Stufe 4 — Roll-out. 3-6 Monate für alle flexiblen Lasten. PLC/SCADA-Integration. Monatlicher Report. Mit PV/Speicher: MPC."
Risiken — was schiefgehen kann
- Produktionsstörung. Lastverschiebung darf Linie nicht stören. Flexibilität klar definieren."
- Tarifänderungen. Regulator-Tarife ein- bis zweimal jährlich. Software muss adaptieren."
- Forecast-Fehler. Erneuerbare-Prognosefehler 15-25%; MPC nötig."
- Investitionsdoppelzählung. Speicher-Amortisation gegen Einsparung verrechnen."
Lösungsmethode — technischer Blick
| Ansatz | Typische Größe | Lösezeit | Garantiertes Optimum? |
|---|---|---|---|
| Regelbasiert (Peak aus, Off-Peak an) | Klein | sofort | Nein, 50-70% |
| MIP (deterministisch 24h) | Mittel-groß, 10-50 Lasten | Minuten | Ja (Limit) |
| Stochastic MIP (PV-Unsicherheit) | PV+Speicher+Last | Stunden | Nein, 95-98% |
| MPC | Echtzeit (rollendes 24h) | Min./Stunde | Praktisch gut |
| Reinforcement Learning | Komplex | Training Wochen | Nein, experimentell |
Zielfunktion wählen:
- Ziel 1 — Gesamtrechnung minimal: Standard. Energie + Leistungspreis."
- Ziel 2 — Spitzenleistung (kW) minimal: Wenn Leistungspreis dominiert."
- Ziel 3 — Eigenverbrauchsquote maximal: Mit PV+Speicher."
- Ziel 4 — CO₂-Fußabdruck minimal: Umweltfokus."
Multi-Objective: gewichtet oder hierarchisch.
Akademische Quellen
Siehe sources im Frontmatter.
Quellen
- Albadi, M. H. und El-Saadany, E. F. (2008). A summary of demand response in electricity markets. Electric Power Systems Research, 78(11), 1989–1996.
- Palensky, P. und Dietrich, D. (2011). Demand side management. IEEE Transactions on Industrial Informatics, 7(3), 381–388.
- Boyd, S. und Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press.
- Türkische Energiemarkt-Regulierungsbehörde (EPDK) — Tarifverordnung. Referenz für TR-Energiemarkt.
- YÖK-Thesenzentrum — ’talep tarafı yönetimi’ oder ’tepe yük’ — 40+ Arbeiten. tez.yok.gov.tr
Glossar
- Demand Response
- Energiemanagement-Ansatz, bei dem die Steuerung von Lasten beim Verbraucher anhand Tarif, Systemzustand oder Anreizen optimiert wird.
- Peak Shaving
- Bewusstes Reduzieren der täglichen oder monatlichen Spitzenleistung (kW), um die Leistungsgebühr zu senken.