1 Autonomes Demand Side Management

Durch die Ölpreiskrisen in den 1970er Jahren und die zunehmend erschwerte Planbarkeit des Verbrauchs durch die voranschreitende Elektrifizierung, kam es in den 1980er Jahren zu einem breiten Interesse an einer verbraucherseitigen Laststeuerung. Elektrizitätsversorgungsunternehmen (EVUs) begannen im großen Stil gezielte Maßnahmen zur Beeinflussung von Verbraucherlastgängen zu entwickeln und einzusetzen mit dem Ziel, bestehende Erzeugungskapazitäten möglichst effizient und damit wirtschaftlich zu betreiben [2]. Zeitvariable Tarife oder die Schaltung einzelner Lasten mittels Rundsteuertechnik waren als Konzepte des Demand Side Managements (DSM) bereits entwickelt und klassifiziert. Zudem war die grundsätzliche Fragestellung erstmalig definiert: „Wie ist es möglich, den Lastgang der Verbraucher besser an die Erzeugung anzupassen?“ [35].

Obwohl die Problemstellung also seit mehr als 35 Jahren bekannt ist und sich seitdem kaum verändert hat, ist das Interesse am Themengebiet DSM insbesondere in den letzten 15 Jahren stetig gestiegen. Folgende Faktoren können als plausible Treiber genannt werden:

  • Integration Erneuerbarer: Europa baut die elektrische Energieversorgung aus erneuerbaren Quellen stetig aus. Stellvertretend sei hier die europäische Roadmap 2050 als politischer Entschluss genannt [7]. Ein Schwerpunkt liegt dabei auf den stark volatilen Erneuerbaren Sonne und Wind. Diese in die elektrische Energieversorgung zu integrieren, stellt jedoch eine große Herausforderung hinsichtlich der Wahrung der Versorgungssicherheit und Netzstabilität dar [29]. DSM wird dabei als mögliche Strategie zur Milderung der auftretenden Probleme diskutiert [27].

  • Liberalisierung und Entflechtung des Strommarktes: Die EU Direktiven [3] führten zu einem Markt, der EVUs in neue Geschäftsfelder im Dienstleistungssektor drängt. Hier kann DSM als mögliche Basis für Dienstleistungen, wie z. B. Eigenverbrauchsoptimierung, Lastmanagement auf Gebäude- und Quartiersebene oder Ladelastmanagement von Elektrofahrzeugen dienen.

  • Digitalisierung: Die Digitalisierung hat längst Einzug in die elektrische Energieversorgungssysteme gehalten. Potentielle Veränderungen durch digitale Geschäftsmodelle in der Branche werden als immens eingeschätzt [15]. Die derzeit laufende Integration von modernen Verbrauchsmesssystemen (Advanced Metering Infrastructures) durch intelligente Zählersysteme (Smart Meters) in Europa sollen zukünftige Laststeuerungen erleichtern [1].

Die Einteilung von DSM Ansätzen kann vielfältig erfolgen. Eine Möglichkeit nutzte Wayne [35], der DSM Ansätze hinsichtlich des zugrunde liegenden Zwecks kategorisierte: Spitzenlastverschiebung (peak shifting), Schwachlastzeitnutzung (valley filling), Lastverschiebung (load shifting), Verbrauchsreduktion (strategic conservation), strategischer Lastzuwachs (strategic load growth). Abhängig von der Reaktionszeit kann DSM als zweite Möglichkeit in die Märkte Primärregelleistung, Echtzeitpreissysteme, zeitvariable Tarife bis hin zu permanenten Einsparungsmöglichkeiten eingeordnet werden. [26, 34].

Eine dritte Betrachtungsweise ist in Abb. 1 dargestellt und unterteilt zunächst in die drei Bereiche Demand Response, Energieeffizienz und Energieeinsparung. Alle drei Kategorien teilen sich in mögliche technische Umsetzungen auf, wobei in diesem Artikel besonders auf den Bereich Demand Response eingegangen werden soll.Footnote 1

Abb. 1.
figure 1

Ausprägungen des Demand Side Management sowie Verzweigung zum betrachteten autonomen Ansatz (in grau hervorgehoben)

Der Bereich Demand Response (DR) kann technisch unterschiedlich ausgeprägt sein, je nachdem ob dezentrale oder zentrale Ansätze widergespiegelt werden. Letztere umfassen Virtuelle Kraftwerke und andere direkte Laststeuerungsansätze. Dabei werden an einer zentralen Instanz Entscheidungen über die Schaltzustände vieler Verbraucher getroffen, wobei teilweise Aggregationen und Generalisierungen verwendet werden. Dezentrale Ansätze hingegen räumen den einzelnen Verbrauchern die letztendliche Entscheidung ein, ihre Lasten zu schalten.

Eine weitere Möglichkeit des DR ergab sich durch die Einführung und Weiterentwicklung von kurzfristigen Terminmärkten, wie den heute existierenden 1/4 Stunden Day-Ahead und Intraday Spotmärkten in Europa. Diese führten zu einer starken Diskussion über preisgetriebene Ansätze für die intelligente Steuerung „kleiner“ Verbraucher [25, 30]. In einer verallgemeinerten Form wird ADSM als die Methode bezeichnet, die Verbraucher durch Anreizfunktionen incentivieren. Als typische Anreizfunktionen eignen sich zum Beispiel Echtzeitpreise oder die erwartete Einspeisung Erneuerbarer.

Folgende Vorteile eines dezentralen, autonomen Ansatzes mittels ADSM im Vergleich zu einem zentralen Ansatz für die Steuerung von Energiespeichersystemen sind von besonderer Bedeutung:

  • Hohe Datensicherheit durch unidirektionale Kommunikation

  • Betriebssicherheit bei Ausfall der zentralen Instanz

  • Höhere Modellgenauigkeit durch lokale Datenerfassung

  • Reduzierter Kommunikationsaufwand

Dem entgegen stehen folgende Nachteile von ADSM gegenüber zentralen Ansätzen:

  • Systemmonitoring nur durch den Endnutzer, nicht durch den Betreiber

  • Direktes Lastmanagement über Anreizfunktion nicht möglich

  • Abhängigkeiten zu anderen verschiebbaren Lasten (bspw. Energiemanagementsysteme) schwer integrierbar

Die Arbeiten am Forschungszentrum Energie basieren auf dem Konzept, das in Abb. 2 dargestellt ist. Es beruht auf der Idee, anhand einer unidirektional kommunizierten Anreizfunktion die modellprädiktive Regelung des dezentralen Energiespeichers am Gerät vor Ort durchzuführen. Das Energiespeichersystem unterliegt dabei äußeren Störgrößen wie bspw. der Nutzung durch den Verbraucher sowie Umwelteinflüssen. Diese müssen in die optimale Planung miteinbezogen werden. Hierzu werden die in der Datenakquisition gewonnenen Daten lokal verarbeitet um damit den Systemzustand zu charakterisieren. Des Weiteren werden Vorhersagen über den zu erwarteten Einfluss der Störgrößen gemacht, welche zuletzt in die modellbasierte Optimierung des Speicherbetriebs einfließen. Dabei ist stets zu beachten, dass die Implementierung der Routinen möglichst ressourceneffizient im Hinblick auf die Anforderungen an Prozessoren und Speicher zu gestalten ist. Nur damit ist gewährleistet, dass die Umsetzung auf einem Embedded System möglich ist [13, 18] und die Ausstattung vieler Endgeräte erfolgen kann – seien es Neugeräte oder idealerweise Endgeräte im Retrofit. Ein Schwerpunkt zeigt sich daher in allen unseren Arbeiten: wir legen Wert auf die Entwicklung einfacher, aber hinreichend genauer Modelle zur Formulierung des Optimierungsproblems und wollen diese auf reduzierter Hardware einsetzbar gestalten.

Abb. 2.
figure 2

Autonomes Demand Side Management nach [18]

2 Aktuelle Forschungsarbeiten

Im Folgenden wird ein Überblick über zwei abgeschlossene [13, 18] und eine laufende Dissertation sowie mehrere Konferenzbeiträge [17, 19, 20, 31] und Journalbeiträge [8, 9, 21, 22] der Autoren gegeben. Die Ergebnisse werden dabei nach ihren spezifischen Schwerpunkten zusammengefasst.

2.1 Elektrisch betriebene Warmwasserspeicher

Elektrisch betriebene Warmwasserspeicher (EWWS) in Haushalten stellen mit ihren durchschnittlichen Speicherkapazitäten von etwa 5 kWh und nominalen Leistungen von rund \(2,5\) kW ein bereits in der Vergangenheit intensiv für Lastmanagement genutztes Potential dar. So werden diese seit den 1930er Jahren für DSM Programme eingesetzt, seit den 1980ern sind sie flächendeckend in Rundsteuerprogrammen integriert [14]. Der Betrieb des EWWS im sogenannten Nachttarif (NT) Betrieb stellt dabei eine Art Benchmark dar und wird deswegen in weiterer Folge als Basis für Vergleiche und Potentialabschätzungen autonomer DSM Ansätze herangezogen.

Ziel ist es, den Warmwasserspeicher mit einem Heizelement zu möglichst günstigen Zeiten zu heizen, oder allgemein formuliert: wir wollen die Kosten hinsichtlich einer speziellen Anreizfunktion minimieren. Dabei handelt es sich stets um ein Optimierungsproblem mit Nebenbedingungen. Im konkreten Fall des EWWS sind dies eine Komfortbedingung (minimale Entnahmetemperatur) sowie eine technische Bedingung (Maximaltemperatur im Speicher).

Um das Optimierungsproblem zu lösen, ist ein physikalisches Modell des Speichers nötig. Wird die gesamte Speichermasse als homogen über eine Energiebilanz mit mittlerer Temperatur abgebildet, spricht man von einem Einschichtmodell; darauf basierend ergibt sich ein lineares Optimierungsproblem (LP). Wird der Speicher vertikal raumdiskretisiert und somit über mehrere Energiebilanzen das Schichtungsverhalten abgebildet, spricht man von einem Mehrschichtmodell; es ergibt sich ein nicht-linearen Optimierungsproblem (NLP), für dessen Lösung der Rechenaufwand weitaus höher ist als im Fall des LPs.

Die modellprädiktive Steuerung des Speichers benötigt zudem eine genaue Vorhersage des Warmwasserbedarfs des Nutzers. Daher wird der Warmwasserbedarf basierend auf den akquirierten Daten im Vorhinein über den Optimierungszeitraum hinweg vorhergesagt. Hierfür verwenden wir den k-nearest neighbor (kNN) Algorithmus, der trotz des geringen Rechenaufwands sehr robuste Ergebnisse für die adaptive Vorhersage des Warmwasserbedarfs liefert [20].

Im Rahmen mehrerer Simulationsstudien [19,20,21] wurden Lastverschiebungs-Potentiale der autonomen Steuerung im Vergleich zum derzeitigen Benchmark des NT-Betriebs abgeschätzt. Die Ergebnisse sind in Tab. 1 zusammengefasst, wobei unterschiedliche Betriebsmodi (NT, LP, NLP) untersucht wurden. Zudem wird die perfekte Nutzervorhersage (PP) mit der Vorhersage des Warmwasserbedarfs basierend auf kNN verglichen. Als Anreizfunktion wurden einstündige Day-Ahead Spotmarktpreise der Energy Exchange Austria (EXAA) herangezogen.

Tab. 1. Ein-Jahres-Simulationen für den optimierten Betrieb von elektrischen Warmwasserspeichern im Vergleich zum Nachttarif-Betrieb nach [20]. Kosten bezüglich dem Day-Ahead Markt, Energieverbrauch und Serviceeinbußen. Ergebnisse für die Optimierung basierend auf einem Einschichtmodell (Lineare Optimierung LP) und einem Mehrschichtmodell (Nichtlineare Optimierung NLP) des Speichers, sowohl für das Potential bei perfekter Vorhersage (PP) des Nutzers, als auch bei Nutzung des k-nearest neighbor Ansatzes (kNN)

Im Vergleich zum Benchmark erzielen alle optimierten Betriebsweisen monetäre Einsparungen. Das Einschichtmodell mit kNN-Vorhersage (LP-kNN) erreicht eine Einsparung von 11 %, das Mehrschichtmodell mit perfekter Nutzervorhersage (NLP-PP) erreicht mit über 30 % die maximale Einparung. Obwohl die Zielfunktion der Optimierungsroutine die Kostenminimierung widerspiegelt, werden gleichzeitig auch Energieeinsparungen erzielt. Diese Einsparungen liegen im Bereich von ca. 4 % (LP-kNN) bis zu einem Maximalwert von 13 % (NLP-PP). Als weiterer Parameter werden die Serviceeinbußen betrachtet. Diese Einbußen beziffern die Verletzung der Komfortbedingung, d.h. die Unterschreitung der Entnahmetemperaturgrenze von \(38\,^{\circ } \textrm{C}\) und deren Dauer. Im Vergleich zum NT-Betrieb als Benchmark werden die Serviceeinbußen bei kNN-Prognose des Nutzerverhaltens um 24 % (LP) bzw. um 29 % (NLP) verringert, der Komfort für die Benutzer kann somit gesteigert werden. Erwartungsgemäß wären die Serviceeinbußen bei perfekter Nutzervorhersage gleich null, d.h. der Komfort wäre maximal. Die Simulationen zeigen somit, dass bei einem Mehrschichtmodell mit kNN-Nutzervorhersage die Energiekosten und der Energiebedarf sinken und sich gleichzeitig der Komfort erhöht.

In weiterer Folge wurden die Simulationsergebnisse in einem Demonstrator validiert. Hierzu wurde ein handelsüblicher Speicher in einem Haushalt nachgerüstet und anhand einer Anreizfunktion gesteuert. Durch die Vorhersage des Verbrauchs wurde der thermische Wirkungsgrad um 6 % (Verhältnis der genutzten Energie in Form von Warmwasser zu elektrischer Heizenergie) erhöht [22]. Basierend auf den Erkenntnissen dieses ersten Demonstrators wurde im Rahmen des Smart City Rheintal Projekts [6] ein Prototyp entwickelt, der im Anschluss in 15 Haushalten in einem Zeitraum von über 2 Jahren evaluiert wurde. Erste Ergebnisse dieses Feldversuchs zeigen, dass die vorhergegangenen Simulationsergebnisse im Mittel bestätigt werden können. Insbesondere für die häufig vorkommenden überdimensionierten Warmwasserspeicher kann demnach eine erhebliche Energieeinsparung von über 30 % erzielt werden.

2.2 Second-Use-Elektrofahrzeugbatterien

Durch die stetigen technologischen Verbesserungen eignen sich Batterien zunehmend für den Einsatz als Betriebsmittel zur Wahrung der Versorgungssicherheit und Netzstabilität [32]. Batterien sind praktisch wartungsfrei [24], weisen kurze Reaktionszeiten auf [23], sind sehr effizient mit Systemwirkungsgraden von 65–90 % (inklusive Wechselrichter) [5, 28] und können in unterschiedlichen Größenklassen eingesetzt werden. Allerdings sind die Lebenszykluskosten derzeit noch zu hoch. Eine mögliche Kostensenkung könnte der Second-Use von Elektrofahrzeugbatterien darstellen [33]. Durch die Abnahme der Reichweite werden diese bereits bei 70–80 % ihrer Ursprungskapazität ausgetauscht, eignen sich jedoch weiterhin für die stationäre Anwendung. Zudem wird zukünftig zwangsläufig eine erhebliche Menge an wiederverwertbaren Batterien auf dem Markt verfügbar sein, da die Anzahl an EVs weltweit stetig und dynamisch steigt [16].

Um das technisch-wirtschaftliche Potential eines Kleinspeichers aus wiederverwerteten Elektrofahrzeugbatterien für ADSM abzuschätzen, wurde eine Simulationsstudie durchgeführt sowie ein Demonstrator zur Verifizierung umgesetzt. Als Grundlage der Untersuchung diente eine Natrium-Nickelchlorid Hochtemperatur Batterie („ZEBRA“ – Zero Emission Battery Research Activities). Diese stammte aus einem der ersten kommerziellen Elektrofahrzeuge, dem norwegischen Think City. Ziel der Untersuchung war der kostenoptimierte Betrieb des Speichers, als Anreizfunktion diente auch hier der österreichische Day-Ahead Spotmarktpreis.

Erste Simulationsergebnisse mit einem nichtlinearen Batteriemodell zeigten vielversprechende Erlöse, jedoch ist der Rechenaufwand für die nichtlineare Optimierung enorm und damit für die Implementierung auf Embedded Systems mit begrenzter Rechenleistung ungeeignet [12]. Um das temperaturabhängige Systemverhalten der Hochtemperaturbatterie abzubilden, umfasst dieses Modell die elektrochemische und thermische Energiebilanz als gekoppeltes System aus zwei nichtlinearen gewöhnlichen Differentialgleichungen. Durch eine Linearisierung des Batteriemodells und einer linearen Optimierungsroutine konnte der Rechenaufwand der erzielten Simulationsergebnisse um den Faktor 50 reduziert werden [8]. Die Qualitätseinbußen lagen dabei bei weniger als 5 %. Im Projekt „Smart City Rheintal“ [6] wurde der Ansatz mit einem Demonstrator im Feld überprüft. Der Vergleich des Realbetriebs mit den Simulationsergebnissen zeigte einen Modellfehler von lediglich \(7,6\) %, obwohl die Charakteristiken des Batteriemanagementsystems, des Wechselrichters und der Batterie selbst im Optimierungsalgorithmus lediglich stark vereinfacht implementiert wurden. Der geringe Modellfehler lässt sich dabei insbesondere durch auftretende Mittelungseffekte bei langen Simulations- und Betriebszeiten des Batteriespeichers erklären. Somit konnte die technische Machbarkeit des autonomen Speichers im Feld nachgewiesen werden. Zudem zeigte sich auf Basis der aktuellen Spotmarktpreise als Anreizfunktion auch ein wirtschaftliches Potenzial: im Realbetrieb konnten über ADSM Gewinne erzielt werden [9].

2.3 Netzdienliche Batteriespeicher

Bei der Bewertung der monetären Effekte von Batteriespeichern sollten stets die Wechselwirkungen mit dem elektrischen Verteilnetz berücksichtigt werden. Daher wurden in einer weiteren Simulationsstudie die Auswirkungen von ADSM auf Batteriespeicher im Hinblick auf ihre Netzdienlichkeit untersucht [10]. Zu diesem Zweck wurde ein Modell eines realen Niederspannungsverteilnetzes mit 49 realen Haushaltslasten erstellt. Drei der Haushalte wurden zusätzlich mit einer Fotovoltaikanlage ausgestattet wurden, um die dezentrale Einspeisung abzubilden. Die Analyse des Verteilnetzes erfolgte mittels dreier Parameter: 1) das Verhältnis von Spitzen- zu Durchschnittsleistung (peak-to-average power ratio – PAPR), 2) der Spannungsabfall und 3) die kumulierten Verteilverlusten, jeweils mit und ohne autonom optimierten Batteriespeicher.

In einem ersten Szenario wurde ein zentraler Speicher am Einspeisepunkt hinzugefügt. Im zweiten Szenario wurden drei dezentrale Speicher an den Haushalten mit Fotovoltaikanlage hinzugefügt, die in Summe dieselbe Speicherkapazität und Leistung des zentralen Speichers aufweisen. Weiters wurden unterschiedliche Anreizfunktionen für die autonome Optimierung getestet, um deren Auswirkungen auf das Netz zu untersuchen: 1) Day-Ahead Spotmarktpreise, 2) die zukünftige Netzlast im Verteilnetz und 3) die zukünftige Einspeisung durch Fotovoltaik im Netzgebiet.

Abbildung 3 zeigt dabei, dass Netze insbesondere dann zusätzlich belastet werden, wenn die Anreizfunktion überregionale Märkte wie beispielsweise den Börsenpreis widerspiegelt. Stattdessen ist es empfehlenswert lokal motivierte Anreizfunktionen wie die Netzlast oder die PV-Einspeisung zu verwenden, um mit autonom optimierten Geräten in Niederspannungsverteilnetzen netzdienlich agieren zu können. Dabei bietet sowohl ein einzelner zentraler Speicher als auch mehrere verteilte Speicher Vorteile. Ersteres verbessert die Spannungsqualität und zeigt geringere Verteilverluste, letzteres verbessert das Verhältnis von Spitzen- zu Durchschnittsleistung.

Abb. 3.
figure 3

Relative Änderungen des Spitzen- zu Durchschnittsleistungsverhältniss (PAPR), des Spannungsabfalls und der kumulierten Verteilverluste für alle Anreizfunktionen (Marktpreise, Netzlast, PV-Einspeisung) gegenüber dem Referenzfall ohne Speicher. Betrachtet für einen einzelnen zentralen Speicher und mehrere verteilte Speicher nach [10]

2.4 Elektrofahrzeuge als Autonome Lasten

Die erwartete steigende Anzahl an Fahrzeugen mit rein-elektrischen Antrieb (electric vehicle – EV) [16] stellt eine Herausforderung für die bestehenden Niederspannungsnetze dar [4]. Daher ist es wesentlich DSM Ansätze für EVs hinsichtlich ihrer Auswirkungen auf das Verteilnetz zu beurteilen. Während für stationäre Batteriespeicher die optimierte Betriebsplanung im ADSM nur die Randbedingungen des Speichers (Entladetiefe, Kapazität, Wirkungsgrade und Ladeleistung) berücksichtigen muss, stellt beim EV ähnlich zum EWWS die Nutzung eine signifikante Störgröße dar. Dabei sind nicht nur notwendige Mindestladestände zu berücksichtigen, sondern im Fall des EV ist auch eine begrenzte zeitliche Verfügbarkeit für die Ladung vorgegeben. Daher wurde zunächst das entsprechende Optimierungsproblem unter der Annahme der perfekten Vorhersage des Nutzers formuliert [17]. Anschließend wurden die Auswirkungen verschiedener EV-Durchdringungsraten in einem realen Niederspannungsverteilnetz auf Basis von Day-Ahead Spotmarktpreisen untersucht.

Abbildung 4 zeigt exemplarisch einen 24-Stunden-Zyklus bei 5 % Durchdringung und bei 30 % Durchdringung. Für geringe Durchdringungsraten ergibt sich eine Verringerung der Netzlast um ca. 5 %, bei höheren Durchdringungsraten führt die Optimierung zu zusätzlichen Lastspitzen von bis zu 50 %. Dieses Verhalten ist wiederum auf den Einsatz einer einzigen überregionalen Anreizfunktion zurückzuführen.

Abb. 4.
figure 4

Auswirkungen des Ladens von Elektrofahrzeugen auf die Netzlast nach [17]

2.5 Design der Anreizfunktion

Die bisherigen Arbeiten haben gezeigt, dass eine netzdienliche Lastverschiebung nur möglich ist, wenn die Anreizfunktion geschickt gewählt wird. Daher widmen sich die Autoren im Rahmen des Josef Ressel Zentrums für angewandtes wissenschaftliches Rechnen in Energie, Finanzwirtschaft und Logistik [11] seit Kurzem auch der Frage nach der optimalen Gestaltung eben dieser Anreizfunktion. Da die Kostenoptimierung durch das Maximumsprinzip bei einer preisgetriebenen Anreizfunktion zu extremen Schaltzuständen und damit zu neuen Lastspitzen führt (vgl. Abb. 4), wurde eine neuartige Anreizfunktion vorgeschlagen, die diese Mängel behebt [31]: der Ziellastgang für den einzelnen Verbraucher. Dieser wird bestmöglich mittels modellprädiktiver Regelung durch den ADSM-fähigen Speicher realisiert. Da der Ansatz eines Lastgangs als Anreizfunktion nach den ersten Ergebnissen als vielversprechend eingestuft werden kann, wenden wir ihn bereits in der Weiterentwicklung von netzdienlichen ADSM Ansätzen für EVs an.

3 Zusammenfassung und Ausblick

Die vorgestellten Arbeiten zeigen, dass DSM ein sich schnell entwickelndes Feld für die angewandte Forschung ist. Die wichtigsten Erkenntnisse der bisherigen Ergebnisse können wie folgt zusammengefasst werden:

  1. 1.

    ADSM bietet durch seine systemspezifische Implementierung und rasche Skalierbarkeit einen mittelfristig umsetzbaren Weg zur Nutzung von Flexibilitäten.

  2. 2.

    Der optimale Betrieb mittels einer Anreizfunktion kann nicht nur Kosten reduzieren, sondern auch die Effizienz von Technologien steigern und dadurch Energie einsparen.

  3. 3.

    Um die Anforderungen des Verteilnetzes zu erfüllen, müssen DSM Konzepte zukünftig neben überregionalen Märkten auch lokale Begebenheiten durch Erzeugungsanlagen und lokale Netzzustände berücksichtigen.

Die vorgelegten Ergebnisse zeigen Möglichkeiten auf, wie zukunftsfähige und richtungsweisende Lösungen für die angestrebten Entwicklungen hin zu einer nachhaltigen und auch robusten Energieversorgung aussehen könnten.