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¶
- Herunterladen des aktuellen Kraftwerksdatensatzes von Open Power Systems Data (OPSD) (Stand EE: Ende 2017, Stand konventionelle Kraftwerke: Ende 2018).
- Zuordnung der Kraftwerke zu Gemeinden anhand der Koordinaten
- 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¶
- Herunterladen des Datensatzes zu Lastgebieten (Load Areas), von der OpenEnergy Platform, welcher den jährlichen Verbrauch je OSM-Lastgebiet und Sektor enthält (Paper zum Hintergrund).
- Herunterladen des Datensatzes zu industriellen Großverbrauchern (Large scale consumer), von der OpenEnergy Platform, welcher den jährlichen Verbrauch für große Industriegebiete enthält.
- Zuordnung der Load Areas und Large scale consumer zu Gemeinden anhand der Koordinaten
- 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:
- Wohngebäudebestand (Alter, Größe, Wohneinheiten, Leerstand etc.) nach Zensus 2011
- Einwohner nach Regionalstatistik
- Wohngebäudetypologie nach IWU
- Temperaturen nach DWD1
Die gemeindescharfen Wärmebedarfe für Gewerbe, Handel, Dienstleistungen und Landwirtschaft basieren auf folgenden Studien und Daten:
- Bevölkerung und Erwerbstätigkeit nach STALA1
- Energieverbrauch des Sektors GHD nach BMWi
- Arbeitsmarktstatistiken der Bundesagentur für Arbeit
- Temperaturen nach DWD1
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
- Wetterdaten herunterladen und aufbereiten (hier coastdat2).
- Zuordnung der Gemeinden zu Zellen des Wettermodells
- 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
- Erzeugung von normierten Zeitreihen (stündlich) pro Technologie und Gemeinde für a) Status quo und b) Zukunftsszenerien.
- 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
- Normierte Einspeisezeitreihen herunterladen von renewables.ninja (Wetterdatensatz: CM-SAF SARAH)
- Anlagen-Setting:
- 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
- Erzeugung von normierten Zeitreihen (stündlich) pro Typ (Dach, Freifläche) und Gemeinde, die sowohl für den Status quo als auch Zukunftsszenerien verwendet werden.
Laufwasserkraft
- Es wird eine konstante Einspeiseleistung über das gesamte Jahr an allen Anlagen angenommen.
- 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¶
- Voraussetzung: Verbrauchsdaten (s.o.)
- 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.