Volatilität im Elektrolyseur-Betrieb

Teil 1 einer dreiteiligen Analyse von Speicherdimensionierung und Leistungsauslegung unter realen Nachfragebedingungen

Zusammenfassung

Wasserstoffverbraucher laufen in der Praxis nicht kontinuierlich. Wartung, Teillast, Systemstörungen und schwankende Prozessanforderungen erzeugen ein hochvolatiles Nachfragemuster, das in klassischen Wirtschaftlichkeitsrechnungen oft vernachlässigt wird. In dieser Case Study zeigen wir, wie ein stochastisches Modell – basierend auf einem 4-Zustand-Markov-Prozess und einer Monte-Carlo-Simulation mit 10.000 Szenarien – die Wechselwirkung zwischen Elektrolyseur-Leistung, Pufferspeicher und Versorgungssicherheit quantifiziert.

Das zentrale Ergebnis: Bei nahezu gleichen spezifischen Investitionskosten (3,32 vs. 3,43 €/kg) kann die stochastische Optimierung die nicht-verfügbare Betriebszeit von 19 % auf 6 % senken – allein durch eine bessere Abstimmung von Erzeugungsleistung und Speicher auf die reale Nachfragevolatilität.

Ausgangslage: Was Gestehungskosten zeigen – und was nicht

Die Levelized Cost of Hydrogen (LCOH) ist die Standardmetrik für die ökonomische Bewertung von Elektrolyseprojekten. Sie aggregiert CAPEX, OPEX und Stromkosten in einem einzigen Wert pro Kilogramm. Weiter zum interaktiven Wasserstoffgestehungskostenrechner →

Die dominanten Hebel sind der Strompreis und die Volllaststunden:

Abbildung 1: Iso-Kostenlinien der Wasserstoffgestehungskosten. Bei 6.000 Betriebsstunden und 50 €/MWh liegen die Kosten bei etwa 6 €/kg. Doch welche Betriebsstunden sind realistisch, wenn die Nachfrage volatil ist?

Diese Betrachtung ist der strategisch richtige erste Schritt. Sie macht transparent, welche Annahmen die Kostenstruktur dominieren, und ermöglicht eine fundierte Einordnung von Szenarien – bevor ein einziger Euro in die Detailplanung fließt. Wer die Sensitivität gegenüber Strompreis und Volllaststunden nicht versteht, kann auch nachgelagerte Optimierungen nicht bewerten.

Doch sobald ein Projekt in die konkrete Auslegungsphase übergeht, kommen Fragen auf, die über den stationären Betriebspunkt hinausgehen:

• Wie volatil ist der tatsächliche Wasserstoffbedarf der angeschlossenen Verbraucher?
• Wie stark schwankt die Nachfrage über das Betriebsjahr?
• Welcher Pufferspeicher ist nötig, um eine definierte Versorgungssicherheit zu garantieren?
• Wie verteilt man das Investitionsbudget optimal zwischen Elektrolyseurleistung und Speicher?

Für diese Fragen braucht es ein Modell, das die zeitliche Struktur der Nachfrage abbildet – als Vertiefung der strategischen LCOH-Analyse, nicht als deren Ersatz.

Methodik: Vom Nachfragemuster zum Optimierungsmodell

Unser Analyseansatz besteht aus drei aufeinander aufbauenden Stufen: der stochastischen Nachfragemodellierung, der Simulation paralleler Verbraucher und der Monte-Carlo-basierten Optimierung der Erzeugungsseite.

Stufe 1: 4-Zustand-Markov-Modell der Nachfragevolatilität

Reale Verbrauchsdaten von Wasserstoffabnehmern lassen sich nicht sinnvoll durch eine Normalverteilung oder einfache Zufallsprozesse beschreiben. Die Daten zeigen typischerweise diskrete Bedarfscluster mit charakteristischer Verweildauer und definierten Übergängen.

Wir modellieren den Betrieb jeder Verbrauchereinheit als Markov-Kette mit vier Zuständen:

Die in dieser Case Study verwendeten Parameter – Clustergrenzen, Übergangswahrscheinlichkeiten und Verbrauchsbereiche – sind synthetisch generiert und bilden typische Nachfragemuster ab, wie sie in der Praxis bei industriellen Wasserstoffverbrauchern auftreten. Die Methodik ist in realen Projekten erprobt; die bewusst synthetische Parametrierung ermöglicht es, den analytischen Ansatz transparent und nachvollziehbar darzustellen. Alle quantitativen Ergebnisse sind entsprechend als illustrativ zu verstehen – die methodischen Zusammenhänge und Designentscheidungen, die sich daraus ableiten, sind jedoch allgemeingültig.

Das Übergangsverhalten wird durch eine 4×4-Transitionsmatrix beschrieben:

Zwei Eigenschaften fallen sofort auf: Der Zustand „Aus" ist hochpersistent (76 % Selbstübergang) – ein Verbraucher, der gerade keinen Wasserstoff abnimmt, bleibt mit hoher Wahrscheinlichkeit offline. Umgekehrt ist auch der Volllastzustand relativ stabil (60 %). Das Ergebnis sind längere zusammenhängende Perioden ohne Abnahme und mit hoher Abnahme, nicht ein gleichmäßiges Hin und Her.

Stationäre Verteilung: Im Langzeitmittel befindet sich ein Verbraucher zu 50,5 % im Zustand „Aus", zu 19,4 % in niedriger Teillast, zu 12,3 % in mittlerer Teillast und nur zu 17,9 % in Volllast. Das bedeutet: Mehr als die Hälfte der Zeit fragt ein einzelner Verbraucher keinen Wasserstoff nach – aber wenn er läuft, dann oft mit hohem Bedarf.

Die Modellvalidierung über 10.000 Simulationsschritte zeigt eine maximale Abweichung von unter 2 % zwischen theoretischer und simulierter Zustandsverteilung.

Stufe 2: Parallele Verbraucher und Aggregationseffekte

In der Praxis versorgt ein Erzeugungssystem typischerweise mehrere Verbraucher gleichzeitig. Wir simulieren vier unabhängige Verbrauchereinheiten über ein Betriebsjahr (365 Tage).

Abbildung 2: Generierte Zeitreihen des 4-Zustand-Markov-Modells. Oben: Aggregierter Gesamtverbrauch über das Betriebsjahr. Rechts: Häufigkeitsverteilung des täglichen Gesamtverbrauchs mit ausgeprägter Multimodalität.

Die Korrelationsanalyse bestätigt die Unabhängigkeit der Verbraucher: Die paarweisen Korrelationskoeffizienten liegen zwischen −0,085 und +0,078 – praktisch null. Der aggregierte Gesamtverbrauch der vier Einheiten beträgt rund 241,5 t/a, mit einer ausgeprägten Streuung zwischen den einzelnen Verbrauchern (49,9 bis 70,8 t/a).

Entscheidend ist die Verteilung des täglichen Gesamtverbrauchs: Sie ist nicht normalverteilt, sondern multimodal – ein direktes Resultat der diskreten Markov-Zustände. Genau diese Verteilung bestimmt die Anforderungen an die Erzeugung und Speicherdimensionierung.

Stufe 3: Monte-Carlo-Simulation der Erzeugungsoptimierung

Auf Basis der generierten Bedarfszeitreihen führen wir eine Monte-Carlo-Simulation mit 10.000 Szenarien durch. In jedem Szenario werden Elektrolyseur-Leistung (2, 3 oder 4 MW) und Speichergröße (0 bis 10 t) variiert und gegen die simulierte Nachfrage gefahren.

Die Leistungsstufen 2, 3 und 4 MW sind bewusst grob gewählt – spiegeln aber realistische Skalierungsschritte wider. Aktuelle Elektrolyseur-Stacks liegen typischerweise im Bereich von 1 MW pro Einheit; Systeme werden aus mehreren Stacks zusammengesetzt. Die gewählten Stufen entsprechen damit 2-, 3- und 4-Stack-Konfigurationen. Feinere Abstufungen wären modellseitig möglich, würden aber die Übersichtlichkeit der Analyse reduzieren, ohne die strukturellen Erkenntnisse zu verändern.

Bewertungskriterien für jede Konfiguration:

• Spezifischer CAPEX [€/kg]: Annuisierte Investitionskosten pro Kilogramm bereitgestellten Wasserstoffs, inklusive Elektrolyseur (1,70 €/W) und Pufferspeicher (0,40 €/kWh bei 39,4 MWh/t).
• Nicht-verfügbare Betriebszeit [%]: Anteil der Tage, an denen die Nachfrage nicht vollständig bedient werden kann.

Diese beiden Kennzahlen bilden einen inhärenten Trade-off: Mehr Erzeugungsleistung und mehr Speicher erhöhen die Versorgungssicherheit, treiben aber die spezifischen Kosten nach oben. Die resultierende Kostenfunktion ist nichtlinear – der Speicheranteil am Gesamt-CAPEX wächst mit zunehmender Kapazität überproportional, weil bei der Umrechnung über die Energiedichte bereits kleine Tonnagen in große kWh-Werte übersetzen.

Vom Punkteschwarm zur Entscheidungskurve: Die 10.000 Szenarien pro Leistungsklasse erzeugen zunächst eine Punktwolke im CAPEX-Verfügbarkeits-Raum. Durch LOWESS-Glättung (Locally Weighted Scatterplot Smoothing, Glättungsfaktor 0,1) entstehen die glatten Pareto-Fronten, die den Trade-off zwischen Kosten und Verfügbarkeit visuell und quantitativ erfassbar machen. Die Konvergenz des Modells wird durch die Stabilität des CAPEX-Mittelwerts über die letzten 1.000 Samples verifiziert: Die Abweichung beträgt weniger als 0,11 %.

Ergebnisse: Der Trade-off zwischen Kosten und Versorgungssicherheit

Die Pareto-Fronten als Planungsinstrument

Die Monte-Carlo-Ergebnisse zeigen für jede Leistungsklasse eine charakteristische Pareto-Front – die Menge aller Konfigurationen, bei denen sich die Versorgungssicherheit nicht verbessern lässt, ohne die Kosten zu erhöhen (und umgekehrt).

Abbildung 3: LOWESS-geglättete Pareto-Fronten der drei Leistungsklassen. Jeder Punkt auf einer Kurve repräsentiert eine Speichergröße. Die Kurven sind von rechts nach links zu lesen: Welche Verfügbarkeit brauche ich – und was kostet die günstigste Konfiguration, die das leistet?

Der entscheidende Gedanke hinter diesem Plot: Man plant nicht von der Konfiguration zur Performance, sondern umgekehrt. Am Anfang steht die Frage: Welche Verfügbarkeit muss mein System garantieren? Diese Vorgabe – ob 5 %, 10 % oder 30 % maximal zulässige Ausfallzeit – bestimmt, auf welchem Abschnitt der Kurven man sich bewegt und welche Kombination aus Leistung und Speicher das kosteneffizient erfüllt.

Genau das macht die Kurven zum Planungsinstrument: Sie übersetzen eine betriebliche Anforderung in eine konkrete Auslegungsentscheidung – und machen gleichzeitig sichtbar, was diese Anforderung kostet.

Speicher vs. Leistung: Wo liegt der größere Hebel?

Die Pareto-Fronten verlaufen näherungsweise hyperbolisch – der Grenznutzen zusätzlichen Speichers fällt mit zunehmender Kapazität zwangsläufig. Das ist erwartbar. Die eigentlich relevante Erkenntnis liegt nicht im Kurvenverlauf selbst, sondern im Vergleich zwischen den Kurven: Der Wechsel von einer Leistungsklasse zur nächsten verschiebt die gesamte Front – und damit den Raum erreichbarer Konfigurationen.

Konkret: Bei 2 MW lässt sich selbst mit 5 t Speicher nur knapp unter 10 % Nicht-Verfügbarkeit erreichen – bei einem spezifischen CAPEX von fast 5 €/kg. Mit 3 MW und lediglich 2 t Speicher liegt man bei 6,3 % Ausfallrate und 3,43 €/kg. Der Sprung auf eine höhere Leistungsklasse eröffnet einen Bereich der Pareto-Front, der mit Speicher allein schlicht nicht erreichbar ist.

Hinzu kommt, dass die Kurven im unteren Verfügbarkeitsbereich nicht immer streng monoton verlaufen – bei sehr kleinen Speichergrößen kann die Kurve „umschlagen" und sich über den rechten Arm biegen. Das unterstreicht, warum eine pauschale Aussage wie „mehr Speicher hilft immer" in die Irre führt. Die Wirkung von Speicher hängt entscheidend davon ab, auf welcher Leistungskurve man sich bewegt.

Mehr Erzeugungsleistung schlägt mehr Speicher

Eine der praxisrelevantesten Erkenntnisse betrifft den Vergleich von „viel Speicher bei wenig Leistung" gegen „mehr Leistung bei moderatem Speicher":

Die 3-MW-Konfiguration erreicht weniger als die Hälfte der spezifischen Investitionskosten. Die 2-MW-Variante erzielt zwar eine niedrigere Ausfallrate – und im flachen Bereich der Pareto-Kurve ist der Schritt von 6,3 % auf 3,9 % tatsächlich ein signifikanter Zugewinn, der normalerweise hohe Zusatzinvestitionen erfordert. Doch der Preis dafür ist unverhältnismäßig: Die spezifischen CAPEX mehr als verdoppeln sich.

Der Grund liegt in der Natur des spezifischen CAPEX: Speicher puffert die Versorgung zeitlich, erzeugt aber selbst keinen Wasserstoff. Zusätzliche Elektrolyseurleistung dagegen erhöht die nutzbaren Betriebsstunden und verteilt die Fixkosten auf eine größere Produktionsmenge – der Nenner in €/kg wächst. Der Speicher erhöht dagegen nur den Zähler, ohne den Output zu steigern. In der Gestehungskostenlogik wirkt mehr Leistung also doppelt: über höhere Verfügbarkeit und über einen besseren Auslastungseffekt.

Zielvorgaben und optimale Konfigurationen

Für verschiedene Ziel-Versorgungsniveaus ergeben sich aus der Monte-Carlo-Analyse optimale Konfigurationen:

Der Sprung von 30 % auf 5 % Nicht-Verfügbarkeit kostet nur 0,55 €/kg zusätzlich (von 2,93 auf 3,48 €/kg). Die letzten Prozentpunkte bis nahezu vollständiger Verfügbarkeit sind dagegen überproportional teuer. Die Analyse identifiziert einen systemweiten Sättigungs-CAPEX von 3,81 €/kg – oberhalb dieses Wertes lässt sich die Verfügbarkeit durch weitere Investitionen nur noch marginal verbessern.

Die 5-%-Schwelle verdient besondere Aufmerksamkeit, weil sie in vielen Projektspezifikationen als Mindestanforderung formuliert wird. Die 2-MW-Klasse benötigt dafür 7,6 t Speicher bei 6,12 €/kg – die 3-MW-Klasse nur 2,3 t bei 3,48 €/kg. Das ist keine lineare Skalierung, sondern ein qualitativer Unterschied: Bei 2 MW muss der Speicher die strukturelle Erzeugungslücke kompensieren; bei 3 MW puffert er lediglich kurzfristige Nachfrageschwankungen.

Deterministisch vs. stochastisch: Der Mehrwert der Volatilitätsmodellierung

Der vielleicht wichtigste Vergleich betrifft den Unterschied zwischen einer klassischen deterministischen Auslegung und der stochastischen Optimierung:

Bei einer Kostensteigerung von nur 3,1 % (0,10 €/kg) sinkt die Ausfallrate um den Faktor 3. Die deterministische Planung verteilt das Budget suboptimal, weil sie die zeitliche Struktur der Nachfrage ignoriert. Die stochastische Optimierung investiert gezielt in den richtigen Mix aus Erzeugungsleistung und Speicher.

Fazit: Volatilität erfordert stochastische Planung

Die statische LCOH-Berechnung ist der strategische Ausgangspunkt – aber sie reicht nicht aus, um Investitionsentscheidungen im Bereich der Elektrolyse fundiert zu treffen. Wer die zeitliche Struktur der Nachfrage ignoriert, riskiert entweder eine Unterversorgung (zu wenig Speicher) oder eine massive Überinvestition (zu viel Speicher statt mehr Erzeugungsleistung).

Zwei Kernerkenntnisse:

1. Nachfragevolatilität ist kein Rauschen, sondern hat Struktur. Die Verbrauchsmuster industrieller Wasserstoffabnehmer folgen identifizierbaren Zustandsübergängen mit charakteristischer Persistenz. Diese Struktur lässt sich modellieren und für die Optimierung der Erzeugungsseite nutzen.

2. Mehr Leistung eröffnet neue Möglichkeiten, mehr Speicher nicht. Der Wechsel auf eine höhere Elektrolyseur-Leistungsklasse verschiebt die gesamte Pareto-Front und macht Verfügbarkeitsniveaus erreichbar, die mit Speicher allein nicht realisierbar wären – und das oft zu niedrigeren spezifischen Kosten.

Doch eine Frage bleibt: Die Pareto-Fronten zeigen den Trade-off – aber was kostet der nächste Prozentpunkt Versorgungssicherheit? Ab wann wird zusätzliche Investition unverhältnismäßig teuer? Und gibt es harte Grenzen, die keine Investition überwinden kann?