Szenarien und Methoden

Szenarien

Das Grundszenario ist der Status quo (Stand der Daten: Ende 2017), der als Ausgangspunkt für Variationen dient. Mögliche Variationen umfassen die Anpassung der Energieerzeugung (und diese beeinflussende EE-Potenzialflächen) sowie des Energieverbrauchs.

Es können weitere Szenarien definiert werden, die anschließend im Tool ausgewählt werden können. Mehr über die Integration der Szenarien erfahren Sie unter Szenarien (für EntwicklerInnen).

Methoden

Im Folgenden werden die wichtigsten Methoden skizziert, die für die Aufbereitung der Rohdaten zu verwendbaren Daten innerhalb des Tools und Parametrierung des Energiesystems verwendet wurden.

Erzeugung der Tooldaten

Wenn Sie beabsichtigen neue Eingangsdaten zu erzeugen, können Sie die folgenden Schritte selbst ausführen oder alternative Daten und Tools verwenden, siehe Kapitel Übertragung des Tools auf andere Regionen.

Kraftwerksdaten

  1. Herunterladen des aktuellen Kraftwerksdatensatzes von Open Power Systems Data (OPSD) (Stand EE: Ende 2017, Stand konventionelle Kraftwerke: Ende 2018).
  2. Zuordnung der Kraftwerke zu Gemeinden anhand der Koordinaten
  3. Aggregation von Leistung und Anzahl nach Technologie und Gemeinde

Datentabelle Ergebnisse: stemp_abw.models.MunData

Anmerkung: Für die räumliche Zuordnung auf Gemeindeebene ist die Genuigkeit des OPSD-Datensatzes ausreichend, nicht jedoch für eine exakte Geopositionierung. Hierfür sollte auf OSM-Daten oder zukünftig auf das Marktstammdatenregister zurückgegriffen werden, s. Übertragung des Tools auf andere Regionen.

Verbrauchsdaten Strom

  1. Herunterladen des Datensatzes zu Lastgebieten (Load Areas), von der OpenEnergy Platform, welcher den jährlichen Verbrauch je OSM-Lastgebiet und Sektor enthält (Paper zum Hintergrund).
  2. Herunterladen des Datensatzes zu industriellen Großverbrauchern (Large scale consumer), von der OpenEnergy Platform, welcher den jährlichen Verbrauch für große Industriegebiete enthält.
  3. Zuordnung der Load Areas und Large scale consumer zu Gemeinden anhand der Koordinaten
  4. Aggregation des Verbrauchs nach Sektor und Gemeinde

Die Datensätze in 1 und 2 wurden im Projekt open_eGo erstellt (Abschlussbericht hier abrufbar).

Datentabelle Ergebnisse: stemp_abw.models.MunData

Verbrauchsdaten Wärme

Die Wärmebedarfe von Haushalten wurden mit Hilfe folgender Daten und Studien gemeindescharf bestimmt:

Die gemeindescharfen Wärmebedarfe für Gewerbe, Handel, Dienstleistungen und Landwirtschaft basieren auf folgenden Studien und Daten:

Datentabelle Ergebnisse: stemp_abw.models.MunData

Einspeisezeitreihen

Verwendetes Wetterjahr: 2013 (in Region ABW ca. 100 % Globalstrahlung nach DWD2 und 100 % Windenergieertrag nach IEE1 im Vergleich zum langjährigen Mittel)

Windenergie

  1. Wetterdaten herunterladen und aufbereiten (hier coastdat2).
  2. Zuordnung der Gemeinden zu Zellen des Wettermodells
  3. Kennlinien von betrachteten Anlagentypen auswählen: Hier entsprechend der Marktanteile in Deutschland nach IEE2 (2017):
    • 40 % Enercon (E-82 mit 85 m und 98 m Nabenhöhe und E-115 mit 122 m Nabenhöhe) und 24 % Vestas (V90 mit 80 m und 100 m Nabenhöhe und V112 mit 119 m Nabenhöhe), hochskaliert auf 100 %: Enercon 63 %, Vestas 37 %.
    • Die einzelnen Anlagentypen wurden anhand des Anlagenbestandes (Kraftwerksdaten wie oben beschrieben) vereinfacht in 2 Klassen <2,5 MW (87 %) und >2,5 MW (13 %) sortiert und die o.g. 6 Typen entsprechend gewichtet.
    • Für Zukunftsszenarien: Enercon E-141 mit 159 m Nabenhöhe verwendet
  4. Erzeugung von normierten Zeitreihen (stündlich) pro Technologie und Gemeinde für a) Status quo und b) Zukunftsszenerien.
  5. Erhöhung der Repräsentativität durch Skalierung der Status-quo-Zeitreihen auf langjähriges Mittel der Jahresvolllaststunden von Sachsen-Anhalt anhand von Erhebungen der AEE1 (2011-2015: 1630 h).

Dieser Prozess wurde mit Hilfe von reegis automatisiert durchgeführt.

Photovoltaik

  1. Normierte Einspeisezeitreihen herunterladen von renewables.ninja (Wetterdatensatz: CM-SAF SARAH)
  2. Anlagen-Setting:
    • 20 % Systemverluste nach ISE
    • Tilt: 45° (Dach), 35° (Freifläche/Flachdach, optimale Ausrichtung für DE)
    • Azimut: 180°, Berücksichtigung verschiedener Ausrichtungen auf Dächern durch nachträgliche Ertragskorrektur mit Minderungsfaktor von 0,85 nach FfE.
  3. Korrektur der Zeitreihen anhand der mittleren Jahresvolllaststunden nach AEE2, für Sachsen-Anhalt (2011-2015: 998 h), da mit Wetterdatensatz CM-SAF SARAH produzierte Einspeisung tendenziell zu niedrig ist (Pfenninger et al.):
    • Aus Kraftwersdaten folgt: Anteil Dachanlagen an Gesamtleistung: 20%, Anteil Freiflächenanlagen an Gesamtleistung: 80%
    • Anhand dieser Gewichtung werden die Zeitreihen skaliert, sodass beim aktuellen Bestand für alle 20 Gemeinden die mittlere Vollaststundenzahl (s.o.) von 998 h erreicht werden.
    • Vernachlässigt: Modul- und Wechselrichterkonfiguration, Flach- und Fassadenbauweise, Degradation, Tracking, variabler Airmass-Faktor
  4. Erzeugung von normierten Zeitreihen (stündlich) pro Typ (Dach, Freifläche) und Gemeinde, die sowohl für den Status quo als auch Zukunftsszenerien verwendet werden.

Laufwasserkraft

  1. Es wird eine konstante Einspeiseleistung über das gesamte Jahr an allen Anlagen angenommen.
  2. Erzeugung konstante, normierte Zeitreihe mit mittlerer Jahresvolllaststundenzahl in Sachsen-Anhalt nach STALA2 (2012-2017: 3833 h).

Konventionelle Kraftwerke

Unterteilung in 2 Klassen nach Netto-Stromerzeugungsleistung:

  • >=10 Megawatt: 2 Erdgaskraftwerke (106 MW, 40 MW), 1 Braunkohlekraftwerk (49 MW). Es wird eine stromgeführte Betriebsweise mit konstanter Einspeiseleistung angenommen mit typischen Werten für die Jahresvolllaststunden:
    • Erdgaskraftwerk (Turbine): 1250 h/a
    • Erdgaskraftwerk (GuD): 2900 h/a
    • Braunkohlekraftwerk: 7000 h/a
  • <10 Megawatt: Hierzu zählen 21 Anlagen im Leistungsbereich von 750 kW bis 9,9 MW. Es werden eine wärmegeführte Betriebsweise und 5000 Jahresvolllaststunden angenommen.

Datentabelle Ergebnisse: stemp_abw.models.FeedinTs

Die normierten Zeitreihen werden beim Start des Tools geladen und anhand der eingestellten EE-Kapazitäten ad hoc auf absolute Zeitreihen skaliert (s. stemp_abw.simulation.esys.prepare_feedin_timeseries()).

Verbrauchszeitreihen Strom

  1. Voraussetzung: Verbrauchsdaten (s.o.)
  2. Erzeugung von absoluten Verbrauchszeitreihen (stündlich) mit Hilfe von BDEW-Standardlastprofilen, hierbei wurden die Typen H0 für Haushalte, G0 für GHD und L0 für Landwirtschaft verwendet. Für industrielle Verbraucher wurde ein Stufenlastprofil angenommen.

Datentabelle Ergebnisse: stemp_abw.models.DemandTs

Schritt 2 wurde mit Hilfe der demandlib durchgeführt.

Die Zeitreihen werden beim Start des Tools geladen und entsprechend den Tool-Einstellungen im Bereich Verbrauch skaliert (s. stemp_abw.simulation.esys.prepare_demand_timeseries()).

Flächen und Potenziale

Details zur Ermittlung der Potenzialflächen für erneuerbare Energieanlagen finden sie im Bereich EE-Flächen und -Potenziale.