PresentationPDF Available

Simulationsbasierte Entwicklung von Betriebsstrategien für Wärmenetze und -komponenten

Authors:
Christopher Lange at Fraunhofer Institute for Integrated Systems and Device Technology
Christopher Lange
Christian Rettenbeck
Christian Rettenbeck
Christian Rettenbeck
  • This person is not on ResearchGate, or hasn't claimed this research yet.
Download file PDF
Read file
Download citation

Abstract

The presentation discussed the use of simulations for optimising energy systems, focusing on the challenges and strategies for efficient operational of energy systems, involved plants and storages and the application on heating grids. Several realisation types for operational strategies where presented followed by a concrete example consisting of a combined heat and power plant, a thermal energy storage and a battery from the real-world laboratory for decentral intelligent energy systems at Fraunhofer IISB. Simulations are the backbone of the optimisation process, as they enable the non-inversive investigation of the system. They are used for planning and optimisation, for load prognosis, grid analysis and management and energy efficiency measures. Additionally, the presentation covered the optimization of heat networks through multi-stage simulation-based operational enhancements based on the services in leveraging flexibility for the energy transition of VK Energie. Overall, the presentation provided insights into the complexities of energy system optimisation and the practical applications of simulation tools in this context.
Content uploaded by Christopher Lange
Author content
All content in this area was uploaded by Christopher Lange on May 15, 2024
Content may be subject to copyright.
Kommunale Wärmeversorgung – Herausforderungen und Lösungen
—
Simulationsbasierte Entwicklung von Betriebsstrategien für
Wärmenetze und -komponenten
Dr. Christopher Lange, Christian Rettenbeck
Public
15.05.2024Seite 2
Inhalte des Vortrags
1.
Motivation für die simulationsbasierte Entwicklung
Wo liegen die Schwierigkeiten bei der Optimierung von Energiesystemen?
2.
Optimierung von Energiesystemen
Wie sehen Betriebsstrategien aus und wie werden Simulationen eingesetzt?
3.
Kurzvorstellung von
VK Energie
Flexibilität optimal für die Energiewende nutzen
4.
Optimierung von Wärmenetzen
Mehrstufige simulationsgestützte Betriebsoptimierung
© Fraunhofer IISB
Public
Motivation für Einsatz von Simulationen
Komplexität, Vorgehen
Motivation
15.05.2024 © Fraunhofer IISBSeite 3
Public
Motivation
15.05.2024 © Fraunhofer IISB
Was macht die Optimierung von Energiesystemen so schwierig?
Komplexe Energieinfrastrukturen mit enger Kopplung
der (Sub)Systeme
Hohe Anzahl von Randbedingungen, Einschränkungen
und Optimierungszielen
▪Ganzheitliche Betrachtung des zu optimierenden Energiesystems nötig
▪Hohe Komplexität erfordert Hilfsmittel bei der Optimierung
Gekoppelte Energiesysteme mit verschiedenen Energiesektoren
▪Elektrische Netze (AC und DC)
▪Wärme & Kälte (Heizung, Lüftung, Klimatisierung, Prozesskühlung)
▪Gase (Wasserstoff, Erdgas, Prozessgase)
▪Druckluft, Vakuum
Die Energiesektoren sind über Erzeugungsanlagen gekoppelt
▪Optimierung einer Komponente oder eines Subsystems führt nicht
unbedingt zu einer Verbesserung des Gesamtsystems
▪Daher müssen bei der Optimierung alle Zusammenhänge zwischen
den Komponenten und Netzen bei berücksichtigt werden
Randbedingungen der Komponenten
▪Verschiedene Klassen von Komponenten: Import/Export,
Erzeugungsanlagen, Energiespeicher and Verbraucher
▪Jede Komponente besitzt individuelle Randbedingungen, wie z. B.
Nennleistungen, Ladezustandsgrenzen, dynamisches Verhalten…
Typische Optimierungsziele in Energiesystemen
▪Eigenversorgungsoptimierung durch erneuerbare Energien
▪Effizienz der Erzeugungsanlagen und Energieverteilung
▪Lastspitzenreduktion und -verschiebung
→Emissionsreduzierung, Kosteneinsparungen
vgl. [1]
Seite 4
Public
Motivation
15.05.2024 © Fraunhofer IISBSeite 5
Schritte bei der Energiesystemoptimierung
Vorgehen bei der Optimierung von Energiesystemen
Datenakquise und -analyse
▪Aufbereitung
▪Auswertung
Entwicklung Betriebsstrategien
▪Anlagenebene
▪Energiemanagement
Implementierung
▪Automatisierung
▪Monitoring
12 kW
26 kW
Simulation und Optimierung
▪Modellierung, Szenarien
▪Dimensionierung
Unterstützung durch Simulationen (Analyse, Entwicklung, Optimierung) Überführung in Realität
Public
Optimierung von Energienetzen
Betriebsstrategien
Betriebsstrategien
15.05.2024 © Fraunhofer IISBSeite 6
Public
Betriebsstrategien
© Fraunhofer IISBSeite 7
Formulierungsarten
Formulierung von Betriebsstrategien zur Umsetzung in realen Anlagen
Betriebsstrategien können in verschiedenen Formen formuliert werden und verschiedene Komponenten beinhalten
▪Entscheidungsbäume oder Programmablaufpläne („if/elsif/else“)
▪Deterministische, endliche Zustandsautomaten bzw. -maschinen
▪Mathematische Zusammenhänge, z. B. Verfahren wie PID-Regler oder MPC (Model Predictive Control)
▪Optimierungsfunktionen, z. B. MILP (Mixed-Integer Linear Programming)
▪Machine learning (z. B. lineare Regression, Support Vector Machine, K-Nearest Neighbor, Random Forest etc.) oder
deep learning (z. B. künstliches neuronales Netzwerk) Modelle
→Es sind auch Kombinationen aus mehreren der gezeigten Formen möglich
15.05.2024
Maximize
Subject to  ,
 
and


 
with
ML-
basiert
Optimierungs-
basiert
Regel-
basiert
Public
Betriebsstrategien
© Fraunhofer IISBSeite 8
Wirkungsweise
Kategorisierung der Anlagen
Gründe für die Unterteilung in Kategorien
▪verschiedene Wirkungsweisen von enthaltenen Speichern
▪unterschiedliche Einflüsse auf die gekoppelten Netze
Beispiel: Wirkungsweise auf elektrisches Netz
15.05.2024
Abschaltung führt zu (temporär)
verringertem elektrischen Bedarf
→geringere Bezugsleistung
Speicher übernimmt in der Zwischenzeit die
(teilweise) Versorgung
Beispiele:
Kältemaschine,
Wärmepumpe
Abschaltbare Verbraucher
P
Zuschaltung führt zu (temporär)
erhöhter lokaler Erzeugung
→geringere Bezugsleistung
Speicher nimmt die „überschüssige“
Sekundärenergie (z. B. Wärme) auf
Beispiele:
Blockheizkraftwerk,
Brennstoffzelle
Zuschaltbare Erzeuger
P
Entladung führt zu (temporär) verringertem
elektrischen Bedarf
→geringere Bezugsleistung
Speicher stellt die benötigte elektr. Leistung
direkt bereit (Entladung)
Beispiele: Lithium-Ionen-Batterie,
Redox-Flow-Batterie
Elektrische Speicher
+
PP
Wärmenetz
Stromnetz
Anlage 󰇗
→ 
Bezug Fernwärme Verbraucher
Bezug Strom Verbraucher
Public
Optimierung von Energienetzen
Anwendung von Simulationen
Simulationen
15.05.2024 © Fraunhofer IISBSeite 9
Public
Simulationen
15.05.2024 © Fraunhofer IISBSeite 10
Grundlagen
Von der Simulation zum realen System
Was ist eine Simulation?
▪Nachbildung eines realen Prozesses, Systems oder Ereignisses mit Hilfe eines Modells
▪Einsatz: Vorhersage, Analyse und Verständnis des Verhaltens und der Auswirkungen des realen Systems
▪Manipulation von Variablen und Eingangsparametern, um verschiedene Szenarien zu untersuchen und mögliche Ergebnisse abzuleiten
→Abbildung auch von sehr komplexen Systemen, die nicht (vollständig) theoretisch und formelmäßig beschreibbar sind
Warum Simulationen statt Experimente?
Untersuchung am realen System zu aufwendig/teuer/gefährlich/…, reales System existiert (noch nicht), reales System zu komplex etc.
Wozu werden Simulationen im Bereich der Energiesysteme eingesetzt?
▪Planung und Optimierung, z. B. Integration erneuerbarer Energien
▪Lastprognose, z. B. für den effizienten Einsatz der vorhandenen Erzeugungsanlagen
▪Netzanalyse und –management, z. B. Untersuchung von Störungen und Netzstabilität
▪Energieeffizienzerhöhung, z. B. durch intelligente Betriebsstrategien und Regelungsverfahren
▪etc.
Public
Simulationen
© Fraunhofer IISBSeite 11
Beispiel vom IISB
BHKW mit Wärmespeicher und Batterie
Nutzung BHKW zur Wärme-/Stromversorgung und zur Lastspitzenreduktion
▪Wärmespeicher wird virtuell in Ladezustandszonen unterteilt
▪Eine dieser Ladezustandszonen wird exklusiv für die Lastspitzenreduktion reserviert
▪Zustandsautomat zur Ablaufsteuerung sowie zur Ansteuerung der Stellglieder
▪Vorteil: Auch bestehende Systeme können mit dieser Betriebsstrategie nachgerüstet werden
15.05.2024
Z12
10->20
Z13
10 ->30
Z21
20 ->10
Z23
20 ->30
Z61
60 ->10 Z62
60 ->20
a131
a132
a612
a611
a560 a450
a540
a340
a350
a231
a232
a121 a122
a212 a211
a621
a622
a010
a460
Z10
Standby
Z00
Fehler
Z20
Exkl. Entladung
Z30
BHKW Anlauf
Z60
BHKW Nachlauf Z40
Normalbetrieb
Z50
Lastspitzenbetrieb
ax00
SOCmax
SOCLR
SOCmin
Lastspitze 0 1 0 1
BHKW an 1 1 0 0
Speicher laden entladen
Voll
Lastspitzen-
betrieb
Normal- und
Lastspitzen-
betrieb
Leer
= Startpunkte
© Kurt Fuchs / Fraunhofer IISB vgl. [2,5]
Public
Simulationen
© Fraunhofer IISBSeite 12
Beispiel vom IISB
BHKW mit Wärmespeicher und Batterie
Vergleich Simulationsergebnis mit Messung aus dem Reallabor am Fraunhofer IISB
▪Zwei Lastspitzen erkennbar
▪BHKW läuft bereits → keine Aktion erforderlich
▪BHKW wird zugeschaltet
▪Batterie überbrückt bei den Anfahrvorgang des
BHKW und wird mit überschüssiger Leistung geladen
Ergebnisse
▪Reduktion der Lastspitze um 14 %
→15.000 € Ersparnis pro Jahr bei LP von 150 €/kW
▪Simulation und Messungen stimmen sehr gut überein
▪MAE (Trafo 15 min) liegt bei 3,9 kW
▪Max. Abweichung liegt bei ca. 25 kW
15.05.2024
12
1
2
3
3
vgl. [2-5]
Public
Simulationen
15.05.2024 © Fraunhofer IISB
Open-Source Softwaretoolbox für die Optimierung der EGI
Übersicht über die Softwaretoolbox
PROENERGIE -BAYERN
Screenshots der ProEnergie-Softwaretools (https://proenergie-bayern.de), frei verfügbar unter: https://gitlab.cc-asp.fraunhofer.de/proenergie vgl. [6,7]
Seite 13
Public
VK Energie
Kurzvorstellung und Leistungen
VK Energie
15.05.2024 © VK EnergieSeite 14
Public
15
>100 Kunden
aus Energieversorgung und Industrie
>300 MW
elektrische Leistung in unserem Anlagenportfolio
seit 2017
optimieren wir erfolgreich Energiesysteme
20 Personen
arbeiten für Ihren Erfolg
VK Energie
Seite 15 15.05.2024 Public
© VK Energie
Public
VK Energie
15.05.2024 © VK EnergieSeite 16
Unsere Leistungen
Betriebsoptimierung Simulation
Einsatzbereiche
KWK-Anlagen iKWK-Systeme Dezentrale Energiesysteme
Redispatch
Public
Optimierung von Wärmenetzen
Simulationsgestützte Betriebsoptimierung
Optimierung von Wärmenetzen
15.05.2024 © VK EnergieSeite 17
Public
VK Betriebsoptimierung
15.05.2024 © VK EnergieSeite 18
Mehrstufiger Optimierungsprozess
Intraday Optimierung
▪Berücksichtigung von live Preissignalen, Störungen etc.
▪KI-basierte Prognosen
▪Fahrplantreue & Vermeidung von Ausgleichsenergie
Echtzeitregelung
▪Einhaltung der Wärmeverpflichtung
▪Dynamische Erzeugerpriorisierung
▪Leistungsregelung aller Erzeuger (Störungsvermeidung und optimale Speicherausnutzung)
live
alle 15 min
täglich
täglich
Ständiges Monitoring der Ergebnisse/Messdaten durch das VK-Operations-Team
Day-Ahead Optimierung
▪Optimierter Fahrplan für alle Erzeuger an allen Märkten
▪KI-basierte Prognosen
▪Aktives Wärmespeichermanagement
Langzeitoptimierung
▪Einhaltung von Jahres- und Monatszielen
▪Flexprämie, Primärenergiefaktor, iKWK-Referenzwärme etc.
Public
VK Betriebsoptimierung
15.05.2024 © VK EnergieSeite 19
Multi Market Optimierung
Terminmarkt Day-Ahead Intraday Regelleistung
ID-A ID-C
EIN Optimierungsmodell
RLM RAM
Betriebsoptimierung
Bestandteil der
vgl. [8]
Public
Referenz: Stadtwerke Georgsmarienhütte
15.05.2024 © VK EnergieSeite 20
CO2-Einsparung durch Abwärmenutzung
CO2-Einsparung durch Abwärmenutzung
▪BHKW-Betrieb (Biomethan) in Kombination mit Abwärmenutzung aus einem
Stahlwerk
▪Zusätzliche laufende Prognose der Stahlwerk-Abwärme
▪Spotmarktoptimierung mit gleichzeitiger Regelleistungsvermarktung
Anlagensteckbrief
Georgsmarienhütte
1 x 2 MWel BHKW
1 x 2,5 MWth Gaskessel
1 x 4,5 MWth Ölkessel
3.800 m3 Wärmespeicher
Mehrerlöse
80 €
pro MWh
Mehrerlöse CO2-Einsparung
220 Tonnen
pro Jahr
330.000 €
pro Jahr
Public
Referenz: REWAG
15.05.2024 © VK EnergieSeite 21
Optimierte Kopplung von Wärme- und Kälteerzeugung
Public
Referenz: REWAG
15.05.2024 © VK EnergieSeite 22
Optimierte Kopplung von Wärme- und Kälteerzeugung
Optimierte Kopplung von Wärme- und Kälteerzeugung
▪Stabile Kälteversorgung im Sommer bei gleichzeitiger optimaler
Abwärmenutzung im Fernwärme-Netz
▪Prognose für Kälte- und Wärmebedarf
▪Simultanes Wärmespeichermanagement für Eis- und Heißwasserspeicher
▪Reduktion des Biomethaneinsatzes durch optimierte Nutzung von Abwärme aus
der Kälteerzeugung
Anlagensteckbrief
Marina Quartier
2 x 190 kWel BHKW
2 x 2,9 MWth Gaskessel
2 x 300 kWth Kältemaschinen
20 m3 Wärmespeicher
7 m3 Eisspeicher
Mehrerlöse
49 €
pro MWh
Mehrerlöse CO2-Einsparung
220 Tonnen
pro Jahr
40.000 €
pro Jahr
Public
Relevante Publikationen
15.05.2024 © Fraunhofer IISBSeite 23
[1] C. Lange, R. Öchsner, J. Geiling, A. Rueß. „Intelligent Energy Management“. Presentation (2022). Fraunhofer IISB.
DOI: 10.13140/RG.2.2.33911.29602.
[2] C. Lange. „Energiesektoren-übergreifende Lastspitzenreduktion mit elektrischen und thermischen Energiespeichern“.
PhD-Thesis, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) (2021). URN: urn:nbn:de:bvb:29-opus4-169778.
[3] C. Lange. „BHKW des Jahres 2020. BHKW mit Wärmespeicher und Batterie zur Strom-/Wärmeversorgung sowie Lastspitzenreduktion“. Presentation. BHKW 2021 –
Innovative Technologien und neue Rahmenbedingungen, 09.11.2021 –10.11.2021, Magdeburg (2021).
DOI: 10.13140/RG.2.2.26423.80803.
[4] C. Lange, A. Rueß, A. Nuß, R. Öchsner, M. März. „Dimensioning battery energy storage systems for peak shaving based on a real-time control algorithm“. Applied
Energy 280 (2020), 115993. ISSN: 306-2619. DOI: 10.1016/j.apenergy.2020.115993.
[5] R. Öchsner, A. Nuß, C. Lange, A. Rueß. „Research Platform: Decentralized Energy System for Sector Coupling“.
Chemical Engineering & Technology 42.9 (2019), S. 1886–1894. DOI: 10.1002/ceat.201800714.
[6] A. Trenz, C. Hoffmann, C. Lange, R. Öchsner. „Increasing energy efficiency and flexibility by forecasting production energy demand based on machine learning”.
Manufacturing Driving Circular Economy. Hrsg. von Kohl, H., Seliger, G., Dietrich, F. GCSM 2022. Lecture Notes in Mechanical Engineering. Cham: Springer. DOI:
10.1007/978-3-031-28839-5_50.
[7] IISB. „Kosten und CO2-Emissionen einsparen durch intelligentes Energiemanagement: Open-Source-Softwaretoolbox für Unternehmen“. Press release (2023).
Available online: www.iisb.fraunhofer.de/en/press_media/press_releases/pressearchiv/archiv_2023/open-source-softwaretoolbox.html (access: 29.04.2024).
[8] A. Zeiselmair, A. Möbius, J. Jungwirth und T. Kern. „Optimierte Intraday-Vermarktung von dezentralen Wärme- und Kälteerzeugern“. Energiewirtschaftliche
Tagesfragen 73 Jahrgang 2023, Heft 11.
Vielen Dank für Ihre
Aufmerksamkeit
—
© Rolf Schulten
Kontakt
—
Dr.-Ing Christopher Lange Christian Rettenbeck
Fraunhofer IISB VK Energie GmbH
Schottkystraße 10 | 91058 Erlangen Goethestraße 25 a | 80336 München
christopher.lange@iisb.fraunhofer.de christian.rettenbeck@vk-energie.de
www.iisb.fraunhofer.de www.vk-energie.de
www.energie.fraunhofer.de
ResearchGate has not been able to resolve any citations for this publication.
Intelligent Energy Management
Presentation
Full-text available
  • Jun 2022
Intelligent energy management is the basis for economical and low-emission operation of decentral energy systems. This presentation gives a brief overview on the basics of an intelligent energy management system (iEMS) and explains some of its aspects (e.g., operational strategies, modeling and simulation) using concrete examples. An industrial-scale real-world laboratory was set up at Fraunhofer IISB, where, among other things, many aspects of an iEMS were implemented and demonstrated. In the framework ToSyCo an approach for the control of energy systems was developed. Two levels have been defined, which divide the operational strategy into a global level (storage schedules, load forecasts, etc.) and a local level (for real-time control, security, etc.).
View
BHKW des Jahres 2020
Presentation
Full-text available
  • Nov 2021
View
Energiesektoren-übergreifende Lastspitzenreduktion mit elektrischen und thermischen Energiespeichern
Thesis
Full-text available
  • Aug 2021
Peak loads cause high and unpredictable loads on the power grids and increased transmission losses in the distribution networks. The compensation of short-term high electrical energy demand also requires inefficient and expensive peak load power plants as well as oversized grid components. In order to achieve an electrical energy demand by larger consumers that is as even as possible, the grid operators set financial incentives. These include a demand rate, which depends on the maximum power value during the billing period. A reduction of the peak loads thus opens up high savings potentials for industrial and commercial companies. The methodology and application of peak shaving across different energy sectors as well as the influence on the energy system are investigated in the present thesis. In addition to electrical energy storage systems, thermal plants are also used for peak shaving to increase the reduction potential, which is different from existing literature. This includes heat and cold water supply systems, which are often part of industrial energy systems. The thesis focuses on a combined heat and power plant with heat energy storage and a cooling plant with cold thermal energy storage. However, the approach can be transferred to similar components. The energy storages provide the flexibility, which is needed for the additional usage of the plants for peak shaving. Data-based models are used to represent the behavior of the components (plants, energy storages and peripherals) in simulations, which enable a non-invasive investigation of the cross-sectorial peak shaving. Peak shaving with the plants and storages requires algorithms and operational strategies for the detection of relevant peak loads, calculation of setpoints as well as for the operation in normal and peak modes. In comparison to the state of the art, relevant characteristics of the components (e.g. startup procedures) are fully taken into account. The methods can be transferred to fields, which were not considered in the thesis, e.g., compressed air and air reservoir. The overall objective is to comply with a power limit, which can be varied over time to apply for individual network fees like atypical network usage. The models and operational strategies are merged in an expandable and flexible simulation environment. This is used to present and investigate various scenarios as well as to optimize components and parameters. The components are linked dynamically within the program via a netlist, which greatly simplifies extensions and thus enables extensive investigations. The simulations show that a battery is necessary to observe a predefined load limit, as it can be operated very dynamically and provides a continuously variable output power. In the first scenario, a battery system is considered. A peak shaving potential of about 10 % is determined for the parameters of a reference system, which shows load peaks in the range of one Megawatt. This leads to a payback time of less than five years. With the additional consideration of a combined heat and power plant with thermal energy storage this value increases to approx. 18 %. A combination with a cold thermal energy storage shows a potential of 21 %. This leads to an annual saving of 21 thousand euros assuming a demand rate of 100 euros per kilowatt. A second annual data set from the reference system confirms a similar impact of the measures on total savings. If the normal operation of the CHP is also taken into account, the savings are in the range of 139 thousand euros per year, which results in a payback period of less than three years. As the absolute results are strongly dependent on the plant dimensions, a method for the calculation of the reduction potential with variation of nominal power and capacity of the plants and storages is shown and applied for numerous parameter sets. The algorithms and operational strategies were implemented into a reference system. It provides measurements, which are used for validation of the simulations. Compared to the measurements, only minor differences with a mean absolute error of four kilowatts occur for the resulting transformer power. The present thesis thus provides an approach for planning and realization of the successful cross-sectorial peak shaving. The thesis also illustrates the exemplary application of component dimensioning, optimization of algorithm parameters and implementation of operation strategies in a real system.
View
Dimensioning battery energy storage systems for peak shaving based on a real-time control algorithm
Article
  • Dec 2020
  • APPL ENERG
In order to reduce power peaks in the electrical grid, battery systems are used for peak shaving applications. Under economical constraints, appropriate dimensioning of the batteries is essential. A dimensioning process is introduced consisting of a simulation environment to determine the behavior of the energy system, a real-time peak shaving control algorithm and an optimization process for detection of battery and algorithm parameters. The dimensioning process is investigated on the basis of four exemplary load profiles and in comparison to a conventional approach. Deviations between -7% and 75% for capacity and up to 43% for discharging power indicate undersized batteries using the conventional approach. The proposed approach relies on 1-min measurement data and does not require prediction data, leading to accurate dimensioning results for a given load profile, as verified in simulation. The practical use and effectiveness of the control algorithm is proven in a real-world laboratory. A battery system of 60 kWh capacity and 65 kW maximum power achieved successful peak load reduction by 50 kW (8%) for an a priori defined limit of 570 kW. The comparison with simulation shows only small deviations below 17 kW (4.1%) for the resulting load profile proving the realistic representation of an energy system in simulation.
View
Research Platform: Decentralized Energy System for Sector Coupling
Article
  • May 2019
Industrial facilities usually need multiple energy subsystems, e.g. for heat, cold and electric power supply. Normally those energy subsystems are controlled locally and independent of each other. Coupling of the different subsystems can open up additional potentials. Fraunhofer IISB developed a demonstration and research platform for investigation of the benefits of such sector coupling. A major precondition is to understand the energy flows in the system as well as establishing an overall and flexible system control to realize the required algorithms for setting up an intelligent decentralized energy system. Major components of the overall system are various storages, which extend the degree of freedom for sector coupling as well as increase the effectiveness of the different subsystems.
View
Optimierte Intraday-Vermarktung von dezentralen Wärme-und Kälteerzeugern
  • A Zeiselmair
  • A Möbius
  • J Jungwirth
  • T Kern
A. Zeiselmair, A. Möbius, J. Jungwirth und T. Kern. "Optimierte Intraday-Vermarktung von dezentralen Wärme-und Kälteerzeugern". Energiewirtschaftliche Tagesfragen 73 Jahrgang 2023, Heft 11.