Zwei Systeme mit identischen Batterien, identischen PCS und identischen Tarifen können eine um 30 % unterschiedliche Ersparnis bewirken. Die Variable ist keine Hardware. Es ist dasPeak-Shaving-AlgorithmusSekunde für Sekunde entscheiden, wann und wie viel entladen werden soll.
Anbieter beschreiben diese Ebene in der Marketingsprache als „KI-gestützt“, „selbstlernend“, „prädiktiv“. Was zählt, ist konkreter: was der Controller misst, was er prognostiziert, was er optimiert und was er tut, wenn die Prognose falsch ist.
Dies ist ein Rundgang durch die Entscheidungskette innerhalb eines kommerziellen Speichercontrollers und durch die Designentscheidungen, die ein System, das seine modellierten Einsparungen liefert, von einem System unterscheidet, das stillschweigend eine unterdurchschnittliche Leistung erbringt.

Das Problem, das der Algorithmus löst
Formal ausgedrückt minimiert der Verantwortliche die abgerechnete Nachfrage über einen Abrechnungszeitraum, vorbehaltlich folgender Einschränkungen:
Die Leistung darf die PCS-Nennleistung nicht überschreiten und die Anstiegsraten sind begrenzt.
Die Energie darf die gespeicherte Menge nicht überschreiten und der Ladezustand muss innerhalb bestimmter Grenzen bleiben.
Hin- und Rückweg-Effizienzverluste bedeuten, dass bei der Entladung von 100 kWh etwa 85–90 kWh an den Standort zurückgeführt werden.
Radfahren verursacht Kosten – eine Verschlechterung – daher lohnt es sich nicht, jedes eingesparte Kilowatt zu vermeiden.
Die zukünftige Belastung ist unbekannt, daher wird jede Entscheidung unter Unsicherheit getroffen.
Diese letzte Einschränkung macht das Problem interessant. Wenn die Last im Voraus bekannt wäre, wäre die Spitzenglättung eine einfache Optimierung. Da dies nicht der Fall ist, handelt es sich bei dem Algorithmus grundsätzlich um ein Prognoseproblem im kontrolltheoretischen Gewand.
Die fünfstufige Entscheidungskette
Jeder kommerzielle Controller, wie auch immer er vermarktet wird, durchläuft dieselbe Schleife.
1. Messung.Standortmessgeräte und CTs erfassen Messungen mit einer Auflösung von einer Sekunde bis einer Minute. Der Regler berechnet die Wirkleistung und oft auch die Blindleistung am Punkt der gemeinsamen Kopplung.
2. Intervallprojektion.Dieser Schritt wird am häufigsten unterschätzt. Nachfrage nach Versorgungsrechnungen auf derDurchschnittLeistung über ein 15-minütiges (oder 30-minütiges) Intervall, nicht den Momentanwert. Ein Regler, der auf Momentanleistung reagiert, wird zu Beginn des Intervalls übermäßig entladen und hat keine Energie mehr, bevor das Intervall endet.
Der richtige Ansatz besteht darin, die akkumulierte Energie innerhalb des aktuellen Intervalls zu verfolgen und den Durchschnitt am Ende des Intervalls zu projizieren:
projizierter Durchschnitt=(bisherige Energie + erwartete Energie für die verbleibenden Sekunden) ÷ Intervalllänge
Die Entladung wird ausgelöst, wenn dieprojiziertDer Durchschnitt nähert sich dem Ziel, nicht aber die Momentanleistung.
3. Prognose.Eine kurzfristige Lastprognose – typischerweise 15 bis 60 Minuten – sagt voraus, ob und wie groß ein neuer Spitzenwert wahrscheinlich ist. Einfache Implementierungen verwenden Persistenz (angenommen, die letzte Stunde wiederholt sich). Bessere Modelle verwenden Tagesprofile sowie Wetter- und Produktionspläne. Am besten kombinieren Sie ein physikalisches Modell mit einem erlernten Residuum.
4. Entscheidung.Der Optimierer oder Regelsatz wählt einen Entladesollwert für den nächsten Steuerschritt, abhängig von SOC-, Leistungs- und Degradationsbeschränkungen.
5. Überprüfung.Der Controller protokolliert, was er beabsichtigt hat, was er befohlen hat und was das Messgerät gemessen hat. Dieser Datensatz macht Leistungsansprüche überprüfbar – und stellt Algorithmen offen, die nur in der Demo funktionieren.

Vier Algorithmenfamilien
Regelbasierte Schwellenwertkontrolle.Das Arbeitstier. Wenn der prognostizierte Bedarf einen Schwellenwert überschreitet, wird die Differenz ausgeglichen. Wenn der Wert unter den Schwellenwert abzüglich einer Totzone fällt, stoppen Sie. Es ist transparent, günstig, deterministisch und einfach in Betrieb zu nehmen.
Seine Schwächen sind ebenso offensichtlich. Es kann einen Spitzenwert, der noch nicht begonnen hat, nicht vorhersehen und antwortet daher immer ein Intervall zu spät. Es hat keine Vorstellung vom Energiebudget über den Tag hinweg, sodass die Batterie bei einem morgendlichen Spitzenwert entladen werden kann und für den nachmittäglichen Spitzenwert, der tatsächlich den Ausschlag gibt, nichts mehr übrig bleibt. Und ohne Hysterese schwankt es um den Schwellenwert, was zu Effizienzverlusten führt.
Prognosebasierte Spitzenkappung.Fügt eine Lastvorhersage hinzu, sodass der Controller vor einem prognostizierten Spitzenwert vorab entladen und die Reserve für später vorhalten kann. Hier liegen die meisten praktischen Verbesserungen. Eine bescheidene Prognose mit einem konservativen Sicherheitsspielraum übertrifft einen perfekten regelbasierten Controller, da er ein reaktives Problem in ein planungsbezogenes Problem umwandelt.
Modellprädiktive Regelung (MPC).Lösen Sie bei jedem Schritt eine Optimierung über einen gleitenden Horizont – typischerweise vier bis vierundzwanzig Stunden – mit Prognosen, Tarifstruktur, SOC-Dynamik und Abbaukosten im Ziel. Führen Sie die erste Aktion aus und lösen Sie sie dann erneut.
MPC wickelt den Multi-Objective-Dispatch auf natürliche Weise ab: Nachfragegebühren, TOU-Arbitrage, solarer Eigenverbrauch, Demand-Response-Verpflichtungen und Reserveanforderungen können alle in einer Kostenfunktion mit Gewichtungen zusammengefasst werden. Es verschlechtert sich auch elegant – wenn die Prognosen schlecht sind, korrigiert der zurückweichende Horizont.
Die Kosten sind rechnerischer und technischer Aufwand. MPC benötigt ein glaubwürdiges Modell der Anlage, eine zuverlässige Prognose und eine Abstimmung der Zielgewichte. Ein schlecht abgestimmter MPC kann schlechter sein als ein gut abgestimmter Regelsatz, insbesondere wenn die Verschlechterungsstrafe zu niedrig eingestellt ist und der Controller aggressiv wechselt, um geringfügige Einsparungen zu erzielen.
Verstärkungslernen.Immer häufiger angeboten, selten notwendig. Ein RL-Agent kann eine Versandrichtlinie aus historischen Daten lernen, ohne dass ein explizites Anlagenmodell erforderlich ist. In der Praxis nutzen die meisten eingesetzten Systeme RL als Tuning-Ebene – zur Anpassung von Schwellenwerten oder Reservemargen – und nicht als primären Controller. Der Grund ist die Rechenschaftspflicht: Ein deterministischer Controller kann einem Versorgungsunternehmen, einem Versicherer oder einem Anlageneigentümer erklärt werden. Eine erlernte Politik, die sich in einem unsichtbaren Zustand unerwartet verhält, ist schwer zu verteidigen.
Für die meisten C&I-Standorte gilt die pragmatische ArchitekturPrognosebasierte Planung plus MPC oder erweiterte regelbasierte Ausführung, wobei das Lernen eher dazu dient, Parameter abzustimmen, als Entscheidungen zu treffen.
Die Zwänge, die jede Entscheidung prägen
Der Ladezustand ist ein Budget, kein Niveau.Der Controller sollte die verfügbare Energie über den Tag verteilen, je nachdem, wie wichtig es ist, Spitzen zu unterschiedlichen Zeiten zu vermeiden. Ein morgendlicher Spitzenwert von 8 $/kW und ein nachmittäglicher Spitzenwert, der die Ratsche setzt, sind nicht gleich, und der Algorithmus sollte den Unterschied kennen.
Effizienz hat ihren Preis.Das Entladen von 100 kWh, um einen Bedarf von 80 kWh zu vermeiden, kostet 20 kWh Energie plus zyklischen Verschleiß. Wenn die Leistungsgebühr niedrig und der Energiepreis hoch ist, kann die Entladung netto negativ sein. Gute Controller berücksichtigen Grenzkosten pro entladener kWh.
Die Verschlechterung ist ein echter Kostenfaktor.Jeder Zyklus verbraucht einen Bruchteil der Lebensdauer von Vermögenswerten. Eine Degradationsstrafe von ein paar Cent pro kWh reicht in der Regel aus, um den Regler davon abzuhalten, triviale Spitzenwerte zu jagen, ohne die Einsparungen wesentlich zu reduzieren.
Rampe und Reaktionszeit sind wichtig.Einem 500-kW-System, das 30 Sekunden braucht, um die volle Leistung zu erreichen, kann es immer noch passieren, dass ein schneller Lastschritt verpasst wird. Der Controller muss seine eigene Dynamik modellieren und darf nicht von einer sofortigen Reaktion ausgehen.
Reserve muss geschützt werden.Eine Mindest-SOC-Reserve – typischerweise 10–20 % – sollte unantastbar sein, außer bei einem Netzausfall oder einem vertraglich vereinbarten Demand-Response-Ereignis. Controller, die es ermöglichen, die Reserve für Arbitragezwecke zu plündern, werden irgendwann leer sein, wenn der Spitzenwert erreicht ist.
Multi-Ziel-Priorität: der Stapel, der Konflikte verhindert
Ein moderner C&I-Controller verwaltet normalerweise fünf Ziele gleichzeitig. Ohne einen expliziten Prioritätsstapel kämpfen sie gegeneinander.
Eine funktionierende Hierarchie:
Sicherheit und Schutz- nie Kompromisse eingegangen.
Ratschen- oder Spitzenprävention- das wertvollste und am schwersten wiederherzustellende Ziel.
Bedarfsgebührenziel für das aktuelle Intervall.
Vertraglich vereinbarte Demand-Response-Verpflichtungen- Diese sind mit Strafen verbunden.
TOU-Arbitrage.
Solar-Eigenverbrauch und Exportbegrenzung.
Resilienzreserve.
Die Reihenfolge ist wichtig. Ein Controller, der Arbitrage und Nachfragereduzierung als gleichgewichtige Ziele betrachtet, wird gerne um 10 Uhr morgens mit einer kleinen Preisspanne entladen und dann nicht in der Lage sein, den Spitzenwert um 16 Uhr zu erreichen. Eine explizite Priorisierung verhindert dies und macht das Verhalten im Nachhinein erklärbar.
Sieben Fehlermodi werden Sie tatsächlich sehen
Auf der Suche nach der Schwelle.Da es keine Totzone gibt, pendelt das System kontinuierlich um das Ziel herum, wodurch 5–8 % des Durchsatzes durch Effizienzverluste verschwendet werden.
Intervallgrenzenblindheit.Der Controller reagiert auf die momentane Leistung, entlädt sich in den ersten fünf Minuten eines Intervalls stark und erholt sich dann wieder – was zu keinerlei Reduzierung der abgerechneten Nachfrage führt.
Prognoselatenz.Die Prognose wird alle 15 Minuten aktualisiert, der Lastschritt erfolgt jedoch in 90 Sekunden. Das System reagiert, nachdem der Spitzenwert aufgezeichnet wurde.
Rebound-Spitzen.Die Batterie entlädt sich, die Belastung vor Ort steigt unmittelbar danach an, da die Entladung sie überdeckt, und das nächste Intervall erreicht einen höheren Spitzenwert als das gerade rasierte.
Erschöpfung vor dem Höhepunkt.Die Energie wird für morgendliche Spitzen aufgewendet, so dass nichts für das Ereignis übrig bleibt, das den Monatsrhythmus auslöst.
Kontrollieren Sie den Kampf mit PV.Der Speicher wird entladen, während der Wechselrichter abgeregelt ist, oder er wird aus der PV geladen, während der Export eingeschränkt ist – beides ist eine Wertverschwendung. Solarenergie und Speicher müssen sich eine Steuerebene teilen, nicht zwei.
Verlorener Verlauf an der Monatsgrenze.Der Peak-Tracker für den aktuellen Monat wird zurückgesetzt, der Ratchet-Lookback jedoch nicht. Controller, die nur den aktuellen Monat verfolgen, verfehlen sich systematisch.
Optimierungsparameter, die wichtiger sind als der Name des Algorithmus
Zielbedarfund wie es abgeleitet wird (fest, rollend, ratschenbewusst).
Totzone, typischerweise 3–5 % der Nennleistung.
Prognosehorizontund der darauf angewendeten Sicherheitsmarge.
Mindest-SOC-Reserveund die Bedingungen, die es außer Kraft setzen können.
Maximale Entladerampeund das PCS-Antwortmodell.
Abbaukosten pro kWhim Objektiv verwendet.
Intervalllängeund die genaue Mittelungsmethode des Versorgungsunternehmens.
Ein regelbasierter Controller mit gut abgestimmten Parametern ist an den meisten C&I-Standorten besser als ein nicht abgestimmter MPC. Fragen Sie die Anbieter explizit nach diesen Werten und fragen Sie, wie sie abgeleitet wurden.
Messen, ob es funktioniert hat
Sparansprüche bedürfen einer Baseline. Verwenden Sie eine dokumentierte Methode – wetternormalisierte Regression auf Daten zu Intervallen vor der Installation oder einen Kontrollgruppenvergleich an ähnlichen Standorten – statt eines einfachen Jahresvergleichs, der Einsparungen mit Produktionsänderungen verwechselt.
Verfolgen Sie vier KPIs:
Abgerechneter Bedarf im Vergleich zum Ziel, pro Monat.
Vermiedene Spitzenereignisse und die Spanne, mit der sie vermieden wurden.
Entladeenergie im Vergleich zur Durchsatzgrenze, um die Einhaltung der Garantie zu bestätigen.
Realisierte Einsparungen im Vergleich zu modellierten Einsparungen, wobei die Abweichung auf Prognosefehler, Verfügbarkeit und Tarifänderung zurückzuführen ist.
FAQ
Was ist der einfachste Peak-Shaving-Algorithmus, der funktioniert?
Ein prognosebasierter Schwellenwertregler mit Hysterese, Intervallmittelwertprojektion und einer geschützten SOC-Reserve. Es erfasst den größten Teil des verfügbaren Werts zu einem Bruchteil der Engineering-Kosten von MPC.
Ist maschinelles Lernen notwendig?
Nein. Lernen verbessert die Prognosegenauigkeit und Parameterabstimmung, was hilfreich ist. Aber das Kernentscheidungsproblem wird durch deterministische Optimierung gut gelöst, und deterministisches Verhalten lässt sich leichter garantieren und prüfen.
Wie genau muss die Lastprognose sein?
Besser als die Sicherheitsmarge, die Sie bereit sind zu tragen. Ein Prognosefehler von 10 % erfordert in der Regel eine Kapazitätsmarge von 5–10 %, um Fehler zu vermeiden, weshalb sich die Prognosequalität direkt auf die erforderliche Batteriegröße auswirkt.
Warum entlädt sich meine Anlage, aber die Rechnung ändert sich nicht?
In der Regel handelt es sich um eine intervallübergreifende Handhabung, einen Ratschenboden, der die Einsparungen unerreichbar macht, oder eine falsch angegebene Basislinie. Vergleichen Sie die 15-Minuten-Intervalldaten mit dem Controller-Protokoll, bevor Sie davon ausgehen, dass die Batterie fehlerhaft ist.
Kann ein Controller Demand Charges, TOU und Demand Response verwalten?
Ja, und das sollte es auch. Separate Regler mit separaten Sollwerten führen zu Konflikten. Bestehen Sie auf einem einzigen EMS mit einem expliziten Prioritätsstapel.
Das Endergebnis
A Peak-Shaving-Algorithmusist ein Prognosesystem, das sich um eine eingeschränkte Optimierung dreht und anhand einer Abrechnungsregel ausgeführt wird, die durchschnittlich über fünfzehn Minuten beträgt. Die Unterschiede zwischen den Anbietern liegen weniger in der Komplexität der Mathematik als vielmehr darin, ob sie Intervallmittelung, SOC-Budgetierung, Ratchet-Historie und Multi-Ziel-Priorität richtig handhaben.
Bitten Sie um diese vier Dinge. Sie bestimmen weit mehr über die Ersparnis als das Etikett auf der Verpackung.
500 kW/1 MW 1 MWh/2 MWh Batterie-Energiespeichersystem-Container
Der 500 kW/1 MW 1 MWh/2 MWh Batterie-Energiespeichersystem-Container ist eine schlüsselfertige Energiespeicherlösung für Versorgungsunternehmen, die in standardmäßigen 20-Fuß- oder 40-Fuß-Transportcontainern untergebracht ist und bidirektionale PCS, LiFePO4-Batteriecluster der Klasse A, Master-BMS, flüssigkeitsgekühltes Wärmemanagement, Gasbrandunterdrückung, Hochspannungsverteilung und EMS-Energiemanagementsystem mit vollständiger werkseitiger Vormontage und Vorinbetriebnahme integriert. Für die Inbetriebnahme vor Ort ist lediglich der Bau eines Fundaments und der Hochspannungskabelanschluss erforderlich. Es unterstützt eine flexible Leistungskapazitätskonfiguration und die parallele Erweiterung mehrerer Container und bietet Kernfunktionen wie Spitzenausgleich und Lastverschiebung, Glättung erneuerbarer Energien, Frequenz-Spannungs-Netzunterstützung, Inselbetrieb von Mikronetzen und groß angelegte Notstromversorgung. Mit IP54-Gehäuseschutz und umfassenden mehrschichtigen Sicherheitsmechanismen passt es sich an verschiedene raue Außenumgebungen an und wird häufig für bodenmontierte PV-Kraftwerke, Industrieparks, Bergbaubetriebe, Insel-Mikronetze und netzseitige Hilfsdienstprojekte eingesetzt, um Netzschwankungen zu stabilisieren, die Nutzung erneuerbarer Energien zu steigern und die Gesamtenergiekosten zu senken.






