EMT-Modellierung von Kryptowährungs-Mining-Lasten zur Bewertung der Spannungseinbruchstoleranz in Stromnetzen

1. Einleitung

Das rasante Wachstum der erneuerbaren Energien, insbesondere in Netzen wie dem texanischen ERCOT, geht einher mit dem Aufkommen großer, leistungsintensiver Lasten wie Kryptowährungs-Mining-Anlagen. Diese Anlagen, die oft 75 MW oder mehr pro Standort beanspruchen, stellen eine neue Klasse von Netzteinehmern dar. Im Gegensatz zu traditionellen Industrielasten werden Krypto-Miner von leistungselektronischen Umrichtern versorgt, was sie als umrichterbasierte Ressourcen (IBRs) klassifiziert. Diese Arbeit adressiert eine kritische Lücke: das Fehlen detaillierter elektromagnetischer Transientenmodelle (EMT), um zu verstehen, wie diese massiven, nichtlinearen Lasten bei Netzstörungen mit dem Netz interagieren, mit besonderem Fokus auf ihre Spannungseinbruchstoleranz (LVRT) – eine Schlüsselvoraussetzung für die Netzstabilität.

2. Methodik & Modellentwicklung

Das Kernstück dieser Forschung ist die Entwicklung eines skalierbaren EMT-Modells für Kryptowährungs-Mining-Lasten, das mit der Software Electromagnetic Transients Program (EMTP) erstellt wurde.

2.1 EMT-Modellarchitektur

Das Modell repliziert das Verhalten kommerzieller anwendungsspezifischer integrierter Schaltkreise (ASIC), die in großskaligen Anlagen eingesetzt werden. Es erfasst die umrichterbasierte Eingangsstufe, die Dynamik der Rechenlast und die Steuerlogik, die die Reaktion des Miners auf Netzspannungsschwankungen regelt. Das Modell ist modular aufgebaut, sodass mehrere Miner-Einheiten aggregiert werden können, um eine vollständige Anlage darzustellen. Dies ermöglicht Studien zu den Auswirkungen von Hunderten von MW solcher Lasten auf die Dynamik des Übertragungssystems.

2.2 Lastcharakterisierung & Validierung

Die Modellleistung wurde mit physischen ASIC-Minern kreuzvalidiert. Zu den übereinstimmenden Schlüsselmerkmalen gehören:

• Stationäres Verhalten: Hoher Leistungsfaktor (~0,995 kapazitiv).
• Transientes/Startverhalten: Nichtlinearer Strombezug und Oberschwingungsverzerrung, wie in Labortests und Feldmessungen von Industrieanlagen beobachtet.
• LVRT-Schwellwert: Der Punkt, an dem die Leistungselektronik des Miners aufgrund niedriger Eingangsspannung den Betrieb einstellt.

3. Bewertung der Spannungseinbruchstoleranz (LVRT)

Die LVRT-Fähigkeit – die Fähigkeit, während Spannungseinbrüchen verbunden zu bleiben – ist für IBRs entscheidend, um kaskadierende Ausfälle zu verhindern. Während sie für Erzeuger Standard ist, ist sie für große IBR-basierte Lasten wie Krypto-Miner nicht vorgeschrieben, was eine Schwachstelle darstellt.

3.1 Testszenarien & Fehleranalyse

Das validierte Modell wurde verschiedenen Fehlerszenarien ausgesetzt:

• Lokale Fehler: Fehler innerhalb der eigenen elektrischen Infrastruktur der Mining-Anlage.
• Entfernte Netzfehler: Fehler an entfernten Knoten im verbundenen Übertragungsnetz, um die Reaktion der Last auf Spannungseinbrüche zu testen, die sich über das Netz ausbreiten.

3.2 Leistungskennzahlen & Ergebnisse

Die Studie quantifizierte die LVRT-Fähigkeit der Mining-Last und identifizierte den Spannungs-Zeit-Profil-Bereich, innerhalb dessen die Last online bleibt. Die Ergebnisse zeigen wahrscheinlich, dass Miner zwar robuste interne Stromversorgungen haben können, ihre netzseitigen Umrichter jedoch spezifische Unterspannungs-Auslöseeinstellungen (UVLO) aufweisen. Ein plötzlicher Verlust von Hunderten von MW Last durch gleichzeitiges UVLO-Auslösen in einer Mining-Farm kann ein erhebliches Ungleichgewicht zwischen Last und Erzeugung erzeugen, was möglicherweise zu Frequenzspitzen und weiterer Instabilität führt – ähnlich den Problemen, die bei IBR-basierter Erzeugung beobachtet werden.

4. Technische Analyse & Erkenntnisse

4.1 Kernaussage

Kryptowährungs-Mining-Lasten sind nicht nur große Verbraucher; sie sind netzformende Akteure mit destabilisierendem Potenzial. Ihre IBR-Natur bedeutet, dass sie keine inhärente Trägheit oder Fehlerströme wie Synchrongeneratoren bereitstellen. Das texanische Blackout-Ereignis im Oktober 2022, bei dem ein Spannungseinbruch einen 400-MW-Ausfall einschließlich Miner auslöste, war keine Anomalie – es war ein Stresstest, den die aktuellen Netzmodelle nicht bestanden. Das EMT-Modell dieser Arbeit ist das erste entscheidende Werkzeug, um das nächste Ereignis vorherzusagen.

4.2 Logischer Ablauf

Die Forschungslogik ist einwandfrei: 1) Identifizierung eines neuen, schlecht verstandenen Netzelements (Krypto-Lasten) mit nachgewiesener Vorgeschichte von Störungen. 2) Ablehnung vereinfachter statischer Modelle; Entwicklung eines dynamischen EMT-Modells, das das schnelle Schalten der Leistungselektronik erfasst. 3) Validierung anhand von Hardware – keine Blackbox. 4) Stresstests unter realistischen Netzfehlerbedingungen. 5) Schlussfolgerung, dass Skalierbarkeit und Integration in systemweite Studien nicht nur vorteilhaft, sondern für die Zuverlässigkeit notwendig sind. Es bewegt sich vom Phänomen zur hochauflösenden Simulation hin zu umsetzbaren Erkenntnissen für die Netzplanung.

4.3 Stärken & Schwächen

Stärken: Die Skalierbarkeit des Modells und seine EMTP-Basis sind seine herausragenden Merkmale. Es lässt sich direkt in die Werkzeuge der Übertragungsnetzplaner integrieren. Der Fokus auf LVRT adressiert die unmittelbarste Bedrohung. Die Validierung mit echten Minern verleiht unbestreitbare Glaubwürdigkeit.

Schwächen: Die Arbeit deutet die Steuerungsebene an, untersucht sie aber nicht vollständig. Miner können basierend auf Rentabilitätsalgorithmen in Millisekunden abschalten, unabhängig von der Spannung. Dieses "wirtschaftliche Abschalten" könnte störender sein als ein technischer LVRT-Ausfall. Das Modell muss auch erweitert werden, um Oberschwingungswechselwirkungen und Risiken subsynchroner Schwingungen einzubeziehen, bekannte Probleme bei hohem IBR-Anteil, wie von NERC und der IEEE Power & Energy Society dokumentiert.

4.4 Umsetzbare Erkenntnisse

Für Netzbetreiber (wie ERCOT): LVRT-Anforderungen für große IBR-Lasten vorschreiben, nicht nur für Erzeuger. Dieses Modell für obligatorische Netzanschlussstudien für alle Mining-Anlagenanträge nutzen. Für Mining-Unternehmen: In netzunterstützende Umrichtersteuerungen investieren (z.B. dynamische Spannungsstützung, vorübergehende Abschaltung) als Geschäftskosten – es ist billiger, als für einen Ausfall verantwortlich gemacht zu werden. Für Forscher: Dieses Lastmodell mit zusammengesetzten Systemmodellen integrieren, um die kombinierte Instabilität von hohem Anteil erneuerbarer Energien und hohen Krypto-Lasten zu untersuchen. Der nächste Schritt ist die Modellierung der softwaregesteuerten Reaktion der gesamten Flotte, wo das eigentliche systemische Risiko liegt.

5. Originalanalyse: Der neueste Gegner oder Verbündete des Netzes?

Diese Forschung von Samanta et al. ist ein zeitgemäßer und kritischer Beitrag zur Energiesystemlandschaft, die mit den doppelten Herausforderungen der Dekarbonisierung und Digitalisierung ringt. Die Arbeit identifiziert Kryptowährungs-Mining-Lasten korrekt als ein paradigmenwechselndes Netzelement. Ihre hohe Leistungsdichte, geografische Flexibilität und IBR-basierte Architektur machen sie grundlegend anders als traditionelle Industrielasten. Die Entwicklung eines skalierbaren EMT-Modells ist ein bedeutender technischer Beitrag, der eine Lücke schließt, die statische oder aggregierte Lastmodelle nicht füllen können. Wie die "Grid Modernization Initiative" des US-Energieministeriums betont, ist das Verständnis des dynamischen Verhaltens neuer Lasten für ein resilientes Netz unerlässlich.

Der Fokus der Studie auf LVRT ist angesichts des historischen Präzedenzfalls angemessen. Der Blackout in Südaustralien 2016, ausführlich analysiert vom Australian Energy Market Operator (AEMO), wurde durch Schutzschaltungen von Windparks ausgelöst, die zu kaskadierenden Abschaltungen während Spannungseinbrüchen führten. Die Parallele zu Krypto-Mining-Lasten ist frappierend. Das Modell dieser Arbeit ermöglicht es Planern, ähnliche forensische Analysen proaktiv durchzuführen. Das Modell adressiert jedoch primär die "Hardware"-Reaktion. Die größere Unsicherheit, wie in Studien zur Nachfragesteuerung von Rechenzentren gesehen, ist die "Software"- oder wirtschaftliche Reaktion. Der Betrieb eines Miners wird durch eine Rentabilitätsfunktion $\Pi = R(\text{Münzpreis}) - C(\text{Strompreis})$ gesteuert. Ein plötzlicher Strompreisanstieg während einer Netzkrise könnte eine koordinierte Abschaltung schneller auslösen als jeder Spannungseinbruch – ein Verhalten, das in diesem EMT-Modell nicht erfasst wird, aber für ein vollständiges Bild entscheidend ist.

Darüber hinaus ist der Kontext der Arbeit im texanischen ERCOT-Netz aufschlussreich. Der Energy-Only-Markt von ERCOT und der hohe Anteil erneuerbarer Energien schaffen ein perfektes Labor für solche Studien. Die Arbeit unterstreicht einen breiteren Trend: die Konvergenz der cyber-physischen und wirtschaftlichen Ebenen in Energiesystemen. Zukünftige Modelle müssen sich zu Co-Simulationsplattformen entwickeln, die EMT-Dynamiken (wie dieses Modell), Kommunikationsnetzverzögerungen und agentenbasierte Wirtschaftsalgorithmen integrieren. Nur dann können wir beurteilen, ob diese massiven, flexiblen Lasten ein Netzstabilisator sind – in der Lage, schnelle Laststeuerung zu bieten – oder eine latente Quelle der Instabilität. Diese Arbeit liefert die wesentliche Grundlage für die physikalische Schicht, auf der diese komplexere Analyse aufbauen muss.

6. Technische Details & Mathematische Formulierung

Das EMT-Modell erfasst die Schaltdynamik der AC/DC-Umrichtereingangsstufe des ASIC-Miners. Eine vereinfachte Darstellung der Umrichtersteuerung zur Aufrechterhaltung der DC-Zwischenkreisspannung ($V_{dc}$) kann mit einem Standard-Proportional-Integral (PI)-Regler im $dq$-Koordinatensystem ausgedrückt werden:

$\begin{aligned} i_{d}^{ref} &= K_{p}(V_{dc}^{ref} - V_{dc}) + K_{i} \int (V_{dc}^{ref} - V_{dc}) dt \\ i_{q}^{ref} &= 0 \quad \text{(für Einheitsleistungsfaktor-Steuerung)} \end{aligned}$

Wobei $i_{d}^{ref}$ und $i_{q}^{ref}$ die Sollströme für die innere Stromregelschleife sind. Das LVRT-Verhalten wird durch die Unterspannungsschutzlogik modelliert, die die Umrichterimpulse deaktiviert, wenn die gemessene Effektivspannung $V_{rms}$ für eine Zeit $t > t_{delay}$ unter einen Schwellwert $V_{th}$ fällt:

$\text{UVLO-Auslösesignal} = \begin{cases} 1 & \text{wenn } V_{rms} < V_{th} \text{ für } t \ge t_{delay} \\ 0 & \text{sonst} \end{cases}$

Die Lastdynamik der ASIC-Verarbeitungseinheiten wird als konstante Leistungslast ($P_{load}$) am DC-Zwischenkreis dargestellt, die den Strom $I_{dc} = P_{load} / V_{dc}$ zieht.

7. Experimentelle Ergebnisse & Diagrammbeschreibung

Während der bereitgestellte PDF-Auszug keine spezifischen Ergebnisdiagramme zeigt, beschreibt er wichtige experimentelle Ergebnisse:

• Abbildung 1 (referenziert): Wahrscheinlich ein Foto oder Diagramm der "Riot Platforms, Inc." Mining-Anlage in Rockdale, Texas, das ihre dedizierte 750-MW-Umspannstation hervorhebt und visuell den massiven Umfang der erforderlichen Netzanbindung betont.
• Abbildung 2 (referenziert): Beschrieben als Labortestergebnisse, die Spannungs- und Stromverläufe eines physischen Miners (z.B. S9 AntMiner) zeigen. Die zentrale Erkenntnis ist, dass während die Versorgungsspannung sinusförmig bleibt (angeschlossen an eine ideale Quelle), der Stromverlauf während des Starttransienten erhebliche Verzerrungen aufweist. Dieser nichtlineare, oberschwingungsreiche Einschaltstrom ist ein entscheidendes Detail, das vom EMT-Modell erfasst, aber von stationären Modellen oft übersehen wird.
• LVRT-Fähigkeitskurve: Das zentrale experimentelle Ergebnis wäre eine Darstellung von Spannung (pu) über Zeit (Sekunden), die die Grenze der Durchfahrfähigkeit der Mining-Last definiert. Sie würde zeigen, dass für Fehler, die Spannungseinbrüche tiefer als eine bestimmte Kurve verursachen (z.B. unter 0,7 pu für mehr als 0,5 Sekunden), der modellierte Mining-Last sich trennt und den UVLO-Auslösevorgang simuliert. Ein Vergleich mit den LVRT-Anforderungen für Erzeuger (z.B. von ERCOT) würde die Einhaltungslücke visuell hervorheben.

8. Analyseframework: Eine Fallstudie ohne Code

Szenario: Ein Übertragungsnetzplaner bei ERCOT bewertet den Anschluss einer neuen 300-MW-Kryptowährungs-Mining-Anlage an einen 138-kV-Knoten, an dem auch ein 200-MW-Windpark angeschlossen ist.

Framework-Anwendung:

1. Modellintegration: Der Planer verwendet das skalierbare EMT-Modell aus dieser Arbeit, um ein 300-MW-Aggregat-Mining-Lastmodell zu erstellen. Dies wird in ein größeres EMT-Modell des regionalen Netzes integriert, einschließlich detaillierter Modelle des Windparks (mit eigener LVRT-Steuerung) und von Synchrongeneratoren.
2. Störfalldefinition: Ein schwerwiegender Störfall wird definiert: ein dreiphasiger Kurzschluss auf einer nahegelegenen Übertragungsleitung, der von Leistungsschaltern in 5 Perioden (0,083 Sekunden) abgeschaltet wird.
3. Simulation & Analyse: Die EMT-Simulation wird durchgeführt.
   • Beobachtung A: Der Fehler verursacht einen Spannungseinbruch auf 0,45 pu am Anschlusspunkt für 0,1 Sekunden.
   • Beobachtung B: Der Windpark, der LVRT-Standards entspricht, bleibt verbunden und versucht, die Spannung zu stützen.
   • Beobachtung C: Das Mining-Lastmodell, basierend auf typischen UVLO-Einstellungen, schaltet bei 0,08 Sekunden aufgrund der niedrigen Spannung ab.
4. Auswirkungsbewertung: Der plötzliche Verlust von 300 MW Last verursacht einen starken Anstieg der Systemfrequenz (z.B. einen 0,3-Hz-Sprung). Diese Überfrequenz kann andere Generatorsteuerungen auslösen oder im schlimmsten Fall dazu führen, dass der Windpark aufgrund von Überfrequenzschutz abschaltet, was zu einem kaskadierenden Ausfall führt.
5. Empfehlung: Der Planer empfiehlt, dass der Netzanschlussvertrag für die Mining-Anlage davon abhängig gemacht wird, dass sie ihre Umrichtersteuerungen anpasst, um ein bestimmtes LVRT-Profil zu erfüllen (z.B. für Spannungen bis zu 0,2 pu für bis zu 0,15 Sekunden verbunden zu bleiben), und das Systemmodell wird erneut ausgeführt, um die Stabilität zu überprüfen.

9. Zukünftige Anwendungen & Forschungsrichtungen

• Netzcode-Entwicklung: Dieses Modell wird für ISOs und Regulierungsbehörden (wie FERC in den USA) entscheidend sein, um verbindliche technische Standards für große, flexible IBR-basierte Lasten zu entwickeln und zu rechtfertigen, die über LVRT hinausgehen und Frequenzhaltung (FRT) und Blindleistungsbereitstellung einschließen.
• Hybridressourcen-Modellierung: Zukünftige Arbeiten werden Mining-Lastmodelle mit vor Ort vorhandenen Ressourcen integrieren, wie z.B. netzgekoppelter Solar+Speicher, um die Dynamik von "Prosumer"-Mining-Anlagen zu untersuchen, die sich inseln oder Netzdienstleistungen erbringen können.
• Cyber-Physisch-Wirtschaftliche Co-Simulation: Die nächste Grenze ist die Verknüpfung des EMT-Modells mit einem wirtschaftlichen Agentenmodell. Dies würde simulieren, wie Echtzeit-Strompreise oder Blockchain-Schwierigkeitsanpassungen den flottenweiten Stromverbrauch beeinflussen und einen digitalen Zwilling für Markt- und Stabilitätsanalysen schaffen.
• Verallgemeinerung auf andere Lasten: Das Modellierungsframework ist auf andere große IBR-Cluster anwendbar, wie Elektrofahrzeug-Ladezentren, Wasserstoffelektrolyseure und andere rechenzentrumsähnliche Lasten, und bietet eine Vorlage zur Bewertung ihrer Netzeinflüsse.
• Hardware-in-the-Loop (HIL)-Validierung: Zukünftige Forschung sollte das Modell in einem HIL-Setup einsetzen, um tatsächliche Miner-Hardware und Netzschutzrelais gegen simulierte Fehlerszenarien zu testen und so die Lücke zwischen Simulation und physikalischer Validierung zu schließen.

10. Referenzen

1. ERCOT, “ERCOT Quick Facts,” 2023.
2. J. Doe, “The Energy Footprint of Blockchain,” Nature Energy, vol. 5, pp. 100–108, 2020.
3. NERC, “Lesson Learned: Inverter-Based Resource Performance During Grid Disturbances,” Technical Report, 2022.
4. ERCOT, “Disturbance Report: West Texas Event October 12, 2022,” 2022.
5. IEEE Power & Energy Society, “Impact of Inverter-Based Generation on Bulk Power System Dynamics and Short-Circuit Performance,” Technical Report, 2018.
6. Riot Platforms, Inc., “Rockdale Facility Overview,” 2023.
7. ERCOT, “Nodal Protocols,” Section 6, 2023.
8. ERCOT, “Generation Interconnection Status Report,” 2023.
9. Wheeler et al., “Power Quality Analysis of a Bitcoin Mining Facility,” in Proc. IEEE ECCE, 2021.
10. Samanta et al., “Supplementary Material: Lab Tests and Field Data for Crypto-Mining Loads,” Texas A&M University, 2023. [Online]. Available: [Link to Repository]
11. U.S. Department of Energy, “Grid Modernization Initiative Multi-Year Program Plan,” 2021.
12. Australian Energy Market Operator (AEMO), “Black System South Australia 28 September 2016 – Final Report,” 2017.