Methodik GHD / Industrie – Abschlussworkshop am 15.11.2019 Paul Verwiebe | Stephan Seim
Verbundvorhaben DemandRegio
Bild © PlanetObserver Paul Verwiebe | Stephan Seim | Abschlussworkshop | DemandRegio | E&R TUB © TUB Förderkennzeichen: 03ET4040 C
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 2
Variante B: Auf Basis entwickelter Modelle und Realdaten
Variante A: Auf Basis generischer Modelle
Einleitung – Ziel des Vortrags
Eigene Darstellung mit D-Maps, Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
Das Modell beantwortet folgende Frage: Wie viel von welchem Energieträger wird wann, wo und von wem in Deutschland verbraucht?
Jahresenergieverbräuche anhand spezifischer Verbräuche und Anzahl ENaG je VG und Region
1. Regionalisierung
Normierte Lastgänge je VG und Region 2. Zeitliche Auflösung
Berechnung zeitlich und regional aufgelöster Energieverbräuche je VG und Region
3. Ergebnisse
ENaG– Energiebedarfsbestimmende Größe VG– Verbrauchergruppe
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 3
Gliederung
Einleitung – Ziel des Vortrags
Ziel und Vorüberlegungen Regionalisierung
Zeitliche Auflösung mittels generischer Modelle Inputs
Berechnung Outputs
Plausibilisierung
Zeitliche Auflösung mittels erhobener Daten Kritische Würdigung und Ausblick
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 4
Berücksichtigung differenzierter spezifischer Verbräuche je VG
Regionalisierung – Ziele und Vorüberlegungen
Ermittlung eines regionalen Energieverbrauchs je VG
ENaG: sozialversicherungspflichtig Beschäftigte Regionale Auflösung: Landkreise
VG: Wirtschaftszweige Vorüberlegungen Ziele
Validierbarkeit anhand bestehender Veröffentlichungen
ENaG – Energienachfragebestimmende Größe VG – Verbrauchergruppe
* 87 WZ (Zweisteller), ohne WZ 35 (Energieversorgung), Daten liegen teilweise aggregiert vor
Verwendung öffentlicher Daten
Suche nach geeigneten ENabG
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 5
Regionalisierung – Inputdaten
Quelle: Eigene Darstellung nach Destatis (2019)
• Energieverbrauch je WZ
Input
Modellierung Energieverbrauch je WZ
WZ – Wirtschaftszweig
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 6
Regionalisierung – Inputdaten
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
Modellierung Beschäftigtenzahlen je WZ und LK
Input
LK – Landkreis
WZ – Wirtschaftszweig
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 7
Regionalisierung – Inputdaten
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Regionalstatistik Strom Industrie
Input
LK – Landkreis
WZ – Wirtschaftszweig
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 8
Regionalisierung – Berechnung
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung GHD
Input
Berechnung
𝐸𝑛𝑒𝑟𝑔𝑖𝑒𝑣𝑒𝑟𝑏𝑟𝑎𝑢𝑐ℎ
𝑊𝑍𝐵𝑒𝑠𝑐ℎä𝑓𝑡𝑖𝑔𝑡𝑒
𝑊𝑍𝐸𝑠𝑝𝑒𝑧
𝑊𝑍Regionaler Energieverbrauch GHD 𝐸
𝑊𝑍,LK𝐵𝑒𝑠𝑐ℎä𝑓𝑡𝑖𝑔𝑡𝑒
𝑊𝑍,𝐿𝐾1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
E – Energieverbrauch
GHD – Gewerbe, Handel, Dienstleistungen LK – Landkreis
WZ – Wirtschaftszweige
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 9
Regionalisierung – Berechnung
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Industrie
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
𝐸𝑛𝑒𝑟𝑔𝑖𝑒𝑣𝑒𝑟𝑏𝑟𝑎𝑢𝑐ℎ
𝑊𝑍𝐵𝑒𝑠𝑐ℎä𝑓𝑡𝑖𝑔𝑡𝑒
𝑊𝑍Regionaler Energieverbrauch Industrie 𝐸
𝑊𝑍,LK,𝐼𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑒𝐸
𝑊𝑍,LKAnpassung
𝐸𝑠𝑝𝑒𝑧
𝑊𝑍,𝐿𝐾Abgleich Berechnung
𝐸
𝐿𝐾[RS]
Abgleich
E
WZ[UGR]
Anpassung
𝐸𝑠𝑝𝑒𝑧
𝑊𝑍,𝐿𝐾Berechnung
𝐸
𝑊𝑍,LK𝐸𝑠𝑝𝑒𝑧
𝑊𝑍𝐵𝑒𝑠𝑐ℎä𝑓𝑡𝑖𝑔𝑡𝑒
𝑊𝑍,𝐿𝐾[2]
𝐵𝑒𝑠𝑐ℎä𝑓𝑡𝑖𝑔𝑡𝑒
𝑊𝑍,𝐿𝐾E – Energieverbrauch LK – Landkreis
RS – Regionalstatistik
UGR – Umweltökonomische Gesamtrechnung WZ – Wirtschaftszweige
Berechnung
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 10
Regionalisierung – Berechnung
Quelle: FFE (2019a), Destatis (2015)
Differenzierung der Verbräuche für Vergleich mit weiteren Statistiken
0%
50%
100%
davon Strom aus Netzbezug [Faktor] davon Strom aus Eigenerzeugung [Faktor]
0%
50%
100% Erdgas energetisch Erdgas nicht-energetisch andere Gase
Gas St rom
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 11
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Strom GHD
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 12
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Strom Industrie
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 13
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Gas GHD
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 14
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Gas Industrie
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 15
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Gas Industrie
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 16
Regionalisierung – Output
Quelle: Destatis (2019), FFE nach Bundesagentur für Arbeit (2019), FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
• Energieverbrauch je WZ
• Beschäftigtenzahlen je WZ und LK
• Industrieverbräuche nach je LK
Modellierung Gas Industrie
Input
1. Berechnung spez. Verbräuche 2. Regionalisierung anhand
Beschäftigtenzahlen je LK und WZ
Berechnung
Output • Energieverbrauch je LK und WZ für 2015-2035
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 17
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, LAK (2019), AGEB (2017), UBA (2018), BMWi (2019)
Modellergebnisse im Vergleich: Strom GHD
Differenzen über Definition des Sektors erklärbar
Angaben der LAK mussten teilweise geschätzt werden
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 18
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, LAK (2019), AGEB (2017), UBA (2018), BMWi (2019)
Modellergebnisse im Vergleich: Gas GHD
Geringe Differenzen zwischen Modell und AGEB u. a.
Angaben der LAK liegen andere
Definitionen zu Grunde
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 19
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, LAK (2019), AGEB (2017), UBA (2018), BMWi (2019), ), FFE nach Regionalstatistik (2019)
Modellergebnisse im Vergleich: Strom Industrie
Angaben der LAK mussten teilweise geschätzt werden Differenzen über Definition des Sektors erklärbar, insb.
Umwandlung:
WZ 5,6,7,19 mitΣ13,39TWh
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 20
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, LAK (2019), AGEB (2017), UBA (2018), BMWi (2019), ), FFE nach Regionalstatistik (2019)
Modellergebnisse im Vergleich: Gas Industrie
Differenz
zwischen AGEB und BMWi ist nichtenerget.
Verbrauch:
30,8 TWh
Differenzen zwischen BMWi und Modell:
Betrachtung aller Gase und Umwandlung:
Σ56,6 TWh
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 21
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
Modellergebnisse im Vergleich: Gas Industrie
Definition der normierten relativen Abweichung:
𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑒 𝐴𝑏𝑤𝑒𝑖𝑐ℎ𝑢𝑛𝑔 𝑗𝑒 𝐿𝐾 𝑀𝑖𝑡𝑡𝑒𝑙𝑤𝑒𝑟𝑡 𝑑𝑒𝑟 𝑅𝑆 ü𝑏𝑒𝑟 𝑎𝑙𝑙𝑒 𝐿𝐾
𝐸 𝐿𝐾,𝑀𝑜𝑑 − 𝐸 𝐿𝐾,𝑅𝑆 𝐸 𝑅𝑆
𝐸 𝑅𝑆 ≈ 0,76 𝑇𝑊ℎ
RS – Regionalstatistik
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 22
Regionalisierung – Plausibilisierung der Ergebnisse
Quelle: Eigene Berechnungen, FFE nach Regionalstatistik (2019), Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
Modellergebnisse im Vergleich: Strom Industrie
Definition der normierten relativen Abweichung:
𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑒 𝐴𝑏𝑤𝑒𝑖𝑐ℎ𝑢𝑛𝑔 𝑗𝑒 𝐿𝐾 𝑀𝑖𝑡𝑡𝑒𝑙𝑤𝑒𝑟𝑡 𝑑𝑒𝑟 𝑅𝑆 ü𝑏𝑒𝑟 𝑎𝑙𝑙𝑒 𝐿𝐾
𝐸 𝐿𝐾,𝑀𝑜𝑑 − 𝐸 𝐿𝐾,𝑅𝑆 𝐸 𝑅𝑆
𝐸 𝑅𝑆 ≈ 0,6 𝑇𝑊ℎ
RS – Regionalstatistik
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 23
Gliederung
Einleitung – Ziel des Vortrags Regionalisierung
Zeitliche Auflösung mittels generischer Modelle
Zeitliche Auflösung mittels erhobener Daten Kritische Würdigung und Ausblick
Ziel und Vorüberlegungen Inputs
Berechnung Outputs
Plausibilisierung
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 24
Erstellung normierter typischer Modelllastgänge bis 2035
Zeitliche Auflösung – Ziele und Vorüberlegungen
Zeitliche Verteilung der Verbräche je WZ und LK anhand generischer
Modelllastgänge
Vorüberlegungen Ziele
LK – Landkreis
SLP – Standardlastprofile WZ – Wirtschaftszweig
Keine Abbildung einzelner Betriebe
Abdeckung aller WZ unter Verwendung öffentlicher Daten
Berücksichtigung regionaler Unterschiede, z. B. Feiertage
GHD: Verwendung von SLP
Industrie: Entwicklung typischer Lastprofile auf Basis typischer Betriebsschicht-Regime (BSR)
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 25
Zeitliche Auflösung – Inputdaten und Berechnung
Quelle: VDEW (2000), BDEW (2017)
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung GHD
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
BSR – Betriebsschicht-Regime WZ – Wirtschaftszweig
LK – Landkreis
G1 G2 G3 G4
G0 G5 G6
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 26
Zeitliche Auflösung – Inputdaten und Berechnung
Quelle: Eigene Darstellung
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung Industrie
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
BSR – Betriebsschicht-Regime WZ – Wirtschaftszweig
LK – Landkreis
0 20 40 60 80
MWh
S1_WT S2_WT S3_WT
0 20 40 60 80
MW h
S1_WT_SA S2_WT_SA S3_WT_SA
0 20 40 60 80
MW h
S1_WT_SA_SO S2_WT_SA S3_WT_SA_SO
Input
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 27
Zeitliche Auflösung – Output
Quelle: Eigene Darstellung
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung Strom GHD
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
Input
• Lastgänge je Jahr, LK und WZ, für 2015 - 2035
Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 28
Zeitliche Auflösung – Output
Quelle: Eigene Darstellung
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung Strom Industrie
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
Input
• Lastgänge je Jahr, LK und WZ, für 2015 - 2035
Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 29
Zeitliche Auflösung – Output
Quelle: Eigene Darstellung
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung Gas GHD
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
Input
• Lastgänge je Jahr, LK und WZ, für 2015 - 2035
Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 30
Zeitliche Auflösung – Output
Quelle: Eigene Darstellung
• Energieverbrauch je LK und WZ
• Zuordnung von WZ zu SLP und BSR
• SLP-Parameter und Bildungsvorschriften
Modellierung Gas GHD
Input
Berechnung
1. Erstellung skalierbarer Lastprofile je WZ und LK für Strom und Gas
2. Skalierung je LK und WZ
Input
• Lastgänge je Jahr, LK und WZ, für 2015 - 2035
Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 31
Zeitliche Auflösung – Plausibilisierung der Ergebnisse
Quelle: Eigene Darstellung nach eigenen Berechnungen und ENTSO-E (2019)
Modellergebnisse im Vergleich: Strom Gesamtlastgang
Verbrauch ENTSO-E 2015: 517 TWh
Verbrauch Modell 2015: 529 TWh (inkl.
Eigenerzeugung)
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 32
Gliederung
Einleitung – Ziel des Vortrags Regionalisierung
Zeitliche Auflösung mittels generischer Modelle Zeitliche Auflösung mittels erhobener Daten
Kritische Würdigung und Ausblick
Ziele des Realdatenbasierten Ansatzes Datenerhebung
Umsetzung der Modellierung Branchenmodell - Ergebnisse Validierung
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 33
„Heatmap“-Darstellung einer
Differenzbilanzkreiszeitreihe nach StromNZV §12 der Stadtwerke Hagenow (eigene Darstellung)
Vergleich des StatusQuo Modells mit Summenlastgang eines VNB
StatusQuo Modell VNB Summenlast
Anwendung – Verbesserung der Standardlastprofile
▪ SLPs weisen strukturelle Fehler auf
▪ Bedarf an Ausgleichs-/ bzw.
Regelenergie in Bilanzkreisen, u.a. durch
▪ Zunahme des Eigenverbrauchs
▪ Veränderte Verbrauchsmuster
▪ Unzureichende Genauigkeit der Standardlastprofile (SLPs)
▪ Wettereffekte in Strom-SLPs nicht abgebildet
▪ Ausblick: Vergleich der entwickelten Branchenprofile mit den gewerblichen SLPs des VDEW
Beuker (2018), Rykala (2018), Ecke und Kaufmann (2013), Sohns (2015), Hinterstocker et al. (2014) 150
100
50
0
M W h
Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez
160
120
80
40
0
-40
% A b w e ichu n g
0 4 8 12 16 20 24
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 34
Ziele der Modellerstellung auf Basis von Realdaten
Entwicklung eines Verfahrens zur Erstellung von Lastmodellen
Abbildung wirtschaftszweigspezifischer (ex-post) Lastprognosen
Quantifizierung des Einflusses von EnBG
Anonymisierung und Nutzbarmachung
Aufbau einer belastbaren Datenbasis
Arbeitspaket 2 – zeitliche Auflösung Ziele
Weiterentwicklung
Realdatenbasierte Modelle
Status Quo Modell
Standardlast- profile
Betriebsschicht- regime
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 35
Unternehmensspezifische Lastgänge einer Branche
Lastgänge der Unternehmen einer Branche über mehrere Jahre
Standortspezifische Kalender- und Wetterdaten
Auswahl der Modellkonfiguration Unternehmensspezifische Regressionsanalyse
Branchenspezifisches Lastgang- modell – Durchschnittsbildung und Normalisierung
Regionale Verteilung auf Basis
• Regionalstatistischer Bezugseinheiten (insb. MA)
• Regionalspezifischer Kalender- und Wetterdaten
Originaldaten Modellierung Regionalisierung
2
Standortverteilung einer Branche Standortverteilung einer Branche
regionale Verteilung
kWMethodisches Vorgehen
Mo Di Mi Do Fr Sa So
Branchenspezifisches Lastgangmodell
Mo Di Mi Do Fr Sa So BE
kW BE
3 1
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 36
Anwendung E rz eu ge r Händ ler Netz be tr ei be r Li ef erant S taa t V erbr au c he r Alle
Planung und Betrieb ■ ■ ■ ■
Kostenminimierung ■ ■ ■
Energiepolitik ■
Erzeugungsplanung ■
Versorgungssicherheit ■ ■
Wartung/Instandhaltung ■ ■
Handel ■ ■ ■ ■
Gleichgewicht ■ ■ ■
Expansionsplanung ■ ■ ■
Energiesparmaßnahmen ■ ■
Preisgestaltung ■
Gebäudemanagement ■
Mikronetz ■
Methoden der Energienachfragemodellierung
Methoden der Nachfragemodellierung
Quelle: Debnath, Mourshed (2018); Hong, Fan (2016), Morozov, Alexandra (2019) Methoden der
Energienachfrage -modellierung
Ingenieur- methoden
Prozessketten- analyse
Gebäudeenergie- Simulationen
weitere
Statistische Methoden
Multivariate Regressions- analyse (MLR)
Time series methods
weitere
Computational intelligence (CI)
Methoden
Künstliche neuronale Netze
Random Forest / Decision tree
weitere
Anwendungsfelder
• Weitverbreitete Anwendung in der Lastmodellierung
• Vielseitig anwendbares Analyseverfahren
• Vermeidung des Blackbox-Charakters von CI-Verfahren
• Quantile Regression möglich
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 37
Die Erhebung und Nutzbarmachung von realen Lastgangdaten war wesentlicher Bestandteil von DemandRegio
▪ Definition und Priorisierung der Verbrauchergruppen
▪ Kanäle der Datenerhebung
– Telefonische Datenakquise – Studentische Abschlussarbeiten – Frankfurter Energiemanagement – Studentisches Beratungsprojekt – BAFA-Pilotprogramm Einsparzähler
▪ Lizenzbestimmungen
– Option A: Nur Ergebnisse werden veröffentlicht
– Option B: Auch anonymisierte Originaldaten werden veröffentlicht
Datenerhebung
Energiemonitoring FFM (2019), Einsparzähler (2019)
Jan Mar Mai Jul Sep Nov Jan Mar Mai Jul Sep Nov Jan Mar Mai Jul Sep Nov Jan
Datenerhebung
Methodik
2017 2018 2019 2020
Modellerstellung Validierung
Vorbetrachtung
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 38
Datenbasis nach AGEB (2016)
Quelle: AGEB (2016)
Anmerkung: Ein Datensatz entspricht dem Lastgang (Strom oder Gas) eines Jahres.
- 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000 90.000 100.000
Strom- und Gasverbrauch GHD und energieintensive Industrie [GWh] - 2015
GHD Industrie
> 3 Datensätze Strom verfügbar
≤ 3 Datensätze Strom verfügbar Keine Datensätze Strom verfügbar
> 3 Datensätze Gas verfügbar
≤ 3 Datensätze Gas verfügbar Keine Datensätze Gas verfügbar
Anzahl Stromdatensätze: 728 Anzahl Gasdatensätze: 104 Anzahl Datensätze Gesamt: 832
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 39
Realdatenbasierte Modellierung - Umsetzung
• Test unterschiedlicher Modellkonfigurationen
• Auswahl auf Basis von R²
korr.• Prüfung der Rohdaten
• Normalisierung und Visualisierung
• Branchenmodell aus Einzelunternehmen
• Quantile Regression Konfidenzintervalle
• Bestimmung MAPE des Branchenmodells gegenüber den Einzelmodellen
Branchenmodell
• Ein Lastgang je Landkreis, Branche und Jahr
• 10 Wetterjahre (2009 – 2018)
• ca. 30 – 40 Branchen (Strom) und ca. 10 Branchen (Gas)
• Konfidenzintervalle
• Prognosegüte MAPE
• Korrelationsanalyse-Matrix
Daten- vorbereitung
Prognose- güte
Kreuz- validierung
Branchen- modell Modell- auswahl
Modellierung Output
Kreuz- validierung
• Betriebsindividuelle Regressionsanalysen und Korrelationsanalysen
Einzel- unternehmen
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 40
Modellkonfiguration der Regression
Auf Basis des R² korr wurde am Beispiel der Ämter eine passende Modellkonfiguration ausgewählt und für alle weiteren Branchen angewendet.
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
k – Anzahl unabhängiger Variablen * durch Kreuzvalidierung ermittelt MAPE – Mean absolute percentage error OLS – Ordinary Least Square Tp – Außentemperatur Sr – Globalstrahlung
𝑀𝐴𝑃𝐸 = 1 𝑇
𝑡=1
𝑇
𝑇𝑟𝑢𝑒
𝑡− 𝑃𝑟𝑒𝑑
𝑡𝑇𝑟𝑢𝑒
𝑡Modellkonfiguration MAPE* [%] 𝑹
𝒌𝒐𝒓𝒓𝟐∗ k Rechenzeit [s]
y log(y) y log(y) y log(y)
1 y | log(y) ~ holiday+C(month):C(weekday)+C(hour) 48,1 30,0 0,65 0,72 108 0,59 0,60
2 y | log(y) ~ holiday+C(month)+C(weekday)+C(quarter) 48,0 29,9 0,64 0,72 114 0,60 0,62
3 y | log(y) ~ holiday+C(month)+C(weekday):C(hour) 22,4 14,4 0,84 0,89 180 0,81 0,85
4 y | log(y) ~ holiday+C(month):C(weekday)+C(quarter) 47,9 29,7 0,65 0,72 180 0,79 0,81
5 y | log(y) ~ holiday+C(month)+C(weekday):C(hour)+tp 22,2 14,2 0,85 0,90 181 0,83 0,84
6 y | log(y) ~ holiday+C(month)+C(weekday):C(hour)+sr 21,8 14,3 0,85 0,90 181 0,82 0,85
7 y | log(y) ~ holiday+C(month)+C(weekday):C(hour)+tp+sr 21,8 14,2 0,86 0,90 182 0,83 0,85 8 y | log(y) ~ holiday+C(month)+C(weekday):C(hour)+C(quarter) 22,5 14,6 0,85 0,90 275 1,25 1,29 9 y | log(y) ~ holiday+C(month)+C(weekday):C(hour)+C(quarter)+tp+sr 21,7 13,8 0,86 0,91 277 1,26 1,29
10 y | log(y) ~ holiday+C(month):C(hour)+C(weekday) 47,2 29,9 0,65 0,72 295 1,23 1,27
11 y | log(y) ~ holiday+C(month)+C(weekday):C(quarter) 22,2 14,1 0,83 0,89 684 3,16 3,24
12 y | log(y) ~ holiday+C(month):C(quarter)+C(weekday) 48,1 30,4 0,56 0,65 1159 6,31 6,52
13 y | log(y) ~ holiday+C(month):C(weekday):C(hour) 15,5 13,3 0,85 0,86 2017 16,01 16,10
𝑦 = 𝑓 𝑋 1 , 𝑋 2 , … , 𝑋 𝑛 + 𝑒 min. σ 𝑖=1 𝑛 𝑒 𝑖 2
(Details vgl. Backup) Zielgröße Durchschnittlicher
Zusammenhang Störgröße OLS
Modellkonfiguration
log(y) = ℎ𝑜𝑙𝑖𝑑𝑎𝑦 + 𝐶 𝑚𝑜𝑛𝑡ℎ + 𝐶 𝑤𝑒𝑒𝑘𝑑𝑎𝑦 : 𝐶 ℎ𝑜𝑢𝑟 + 𝑡𝑝 + 𝑠𝑟
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 41
Mittelwertbildung der Regressionskoeffizienten
𝑥
1− 𝐴𝑢ß𝑒𝑛𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟 [°𝐶]
𝑥
2− 𝐺𝑙𝑜𝑏𝑎𝑙𝑠𝑡𝑟𝑎ℎ𝑙𝑢𝑛𝑔 [
𝑊𝑚2
]
Regionalisierung des branchenspezifischen Lastgangmodells mithilfe einer entsprechenden Skalierung durch Bezugseinheiten (BE)
− Mitarbeiter (alternativ: Betriebsfläche, Produktionsmenge) Standort 1: 𝑓(𝑥)
0−1= 0,4 ∙ 𝑥
1− 0,09 ∙ 𝑥
2Standort 2: 𝑔(𝑥)
0−1= 0,6 ∙ 𝑥
1− 0,05 ∙ 𝑥
2Branche: ℎ(𝑥)
0−1= 0,5 ∙ 𝑥
1− 0,07 ∙ 𝑥
2Quelle: Administrative boundaries: © GeoBasis-DE / BKG 2017; Generalization: FfE e.V. (edited)
Mittelwertbildung und Regionalisierung
kW
Mo Di Mi Do Fr Sa So
BE Branchenmodell
kW
Mo Di Mi Do Fr Sa So
BE Branchenmodell
Standort 1
Regressionsmodell
Standort 2
Regressionsmodell
regionale Verteilung
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 42
Strukturelle Auffälligkeiten
• Regelmäßige Wochenstruktur
• Wochenenden und Feiertage werden deutlich abgebildet
• Deutlicher Einfluss von Außentemperatur, Globalstrahlung und Büroarbeitszeiten (S_Büro)
• Lastunterschiede zwischen Winter und Sommer bis zu 30% in Einzelbetrieben
Temp.
Solar Wochentag Feiertag S_Büro Sommer Winter
Last T emp S olar Woch en tag Fe iert ag S _B üro S ommer
Branchenmodell – Büroähnliche Betriebe
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
N orm alis iert e Las t Büroähnliche Betriebe
Tag der Arbeit Himmelfahrt
01.05. 05.05. 09.05. 13.05. 17.05. 21.05. 25.05. 29.05. 01.06.
Branchenmodell TUB Standorte 1 – 5
MAPE: 17,2%
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 43
Strukturelle Auffälligkeiten
• Regelmäßige Wochenstruktur
• Wochenenden werden deutlich abgebildet, Feiertage hingegen kaum
• Erkennbarer Einfluss der Außentemperatur
Branchenmodell – Molkerei
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
N orm alis iert e Las t Molkereien
Für Mai 2017?
01.05. 05.05. 09.05. 13.05. 17.05. 21.05. 25.05. 29.05. 01.06.
Branchenmodell TUB Standorte 1 – 5
MAPE: 15,8 %
Himmelfahrt Tag der Arbeit
Temp.
Solar Wochentag Feiertag S_Büro Sommer Winter
Last T emp S olar Woch en tag Fe iert ag S _B üro Somm er
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 44
Exogenous production With production
Branchenmodell – Papierindustrie
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
N orm alis iert e Las t Papierindustrie
Without production
06.05. 13.05. 20.05. 27.05.
Strukturelle Auffälligkeiten
• Geringe Abhängigkeit des Energieverbrauchs von exogenen Größen (Witterungs-,
Tagezeitliche oder Kalendarische Einflüsse)
• Miteinbeziehung von (endogenen)
Prozessschwankungen bzw. Auslastungs- fluktuationen (Wartungsintervalle,
Stillstandszeiten, Revisionen, Betriebsferien etc.)
Realdaten Regressionsanalyse
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 45
Without production With production Exogenous production
Branchenmodell – Papierindustrie
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
Papierindustrie
N orm alis iert e Las t
06.05. 13.05. 20.05. 27.05.
Strukturelle Auffälligkeiten
• Geringe Abhängigkeit des Energieverbrauchs von exogenen Größen (Witterungs-,
Tagezeitliche oder Kalendarische Einflüsse)
• Miteinbeziehung von (endogenen)
Prozessschwankungen bzw. Auslastungs- fluktuationen (Wartungsintervalle,
Stillstandszeiten, Revisionen, Betriebsferien etc.)
MAPE: 21,0 %
Temp.
Solar Wochentag Feiertag Phase S_Büro Sommer Winter
Last
Realdaten Regressionsanalyse
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 46
With production Without production
Strukturelle Auffälligkeiten
• Geringe Abhängigkeit des Energieverbrauchs von exogenen Größen (Witterungs-,
Tagezeitliche oder Kalendarische Einflüsse)
• Miteinbeziehung von (endogenen)
Prozessschwankungen bzw. Auslastungs- fluktuationen (Wartungsintervalle,
Stillstandszeiten, Revisionen, Betriebsferien etc.)
Branchenmodell – Papierindustrie
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
Papierindustrie
Exogenous production
N orm alis iert e Las t
06.05. 13.05. 20.05. 27.05.
Temp.
Solar Wochentag Feiertag Phase S_Büro Sommer Winter
Last TUB Branchenmodell
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 47
Einzelhandel non-food (WZ 47)
Quelle: Eigene Berechnungen
Branchenmodell – Übersicht
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
Heime (WZ 87) Büroähnliche Betriebe (div.) Hallenbäder (WZ 96)
Molkereien (WZ 10.5)
Einzelhandel food (WZ 47)
Brauereien (WZ 11) Pharmazeut. Industrie (WZ 21) Papierindustrie (WZ 17)
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 48
08.05. 09.05. 10.05. 11.05. 12.05. 13.05. 14.05.
Regressionsanalyse – Quantile Regression
Hong, Tao; Fan Shu (2016)
Eigenschaften
• Abbildung von Konfidenzintervallen der 5%-/95% Perzentile
• Gütekriterien:
• MAPE des vorhergesagten Mittelwerts
• Zuverlässigkeit („Reliability“)
• Auflösung („Resolution“)
• Nächste Untersuchung: Anwendbarkeit der Perzentile in Kombination mit festgelegtem Verbrauch
Heime
Heime
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
TUB Vorhersage 5% / 95% Perzentile TUB Branchenmodell
Box raus
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 49
Output
• Branchenmodelle:
• 30 – 40 Branchen (Strom), 10 Branchen (Gas)
• für 10 Wetterjahre
• je Landkreis
08.05. 09.05. 10.05. 11.05. 12.05. 13.05. 14.05.
Regressionsanalyse – Quantile Regression
Hong, Tao; Fan Shu (2016)
Heime
Heime
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
TUB Vorhersage 5% / 95% Perzentile TUB Branchenmodell
• Konfidenzintervalle
• Prognosegüte
• Korrelationsmatrix
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 50
Validierung der zeitlichen Auflösung
Quelle: Bitterer, R.; Schieferdecker, B. (1999)
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
1) Vergleich mit VDEW-Standardlastprofilen
01.01. 02.01. 03.01. 04.01. 05.01. 06.01. 07.01. 08.01. 09.01.
2017
Vergleich zwischen G1-SLP und dem TUB Branchenmodell der büroähnlichen Betriebe
TUB Branchenmodell MAPE: 17,2%
G1-Standardlastprofil MAPE: 72,3%
kW
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 51
2) Validierung durch VNB-Summenlastgänge
0 20 40 60 80 100 120 140 160
Vergleich eigener Modelle mit Summenlastgang Dortmund
Validierung der zeitlichen Auflösung
Modellauswahl Datenvorbereitung Einzelunternehmen Branchenmodell Prognosegüte Output
M W h
Summenlastgang Dortmunder Netz GmbH Modelloutput TUB
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 52
Gliederung
Einleitung – Ziel des Vortrags Regionalisierung
Zeitliche Auflösung mittels generischer Modelle Zeitliche Auflösung mittels erhobener Daten Kritische Würdigung und Ausblick
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 53
• Repräsentativität
• Heterogene Wirtschaftszweige
• Stochastische Einflüsse schwierig abbildbar
• Fortschreibung komplex
• Unkenntnis der Produktionspläne für Industriebetriebe
• Zukünftiger Einfluss des Lastmanagements
Kritische Würdigung
• Weiterentwicklung der Datengrundlage
• Anwendung weiterer Modellierungs- methoden der künstlichen Intelligenz
• Modellierung eines repräsentativen Betriebs
• Abschätzung zukünftiger
Prognoseintervalle auf Basis der Vereinigung mehrerer Wetterjahre
• Detaillierte Fortschreibung
• Branchenspezifische Effizienz- und Lastverschiebungspotenziale
Herausforderungen Künftige Anwendungen
Hong, Tao; Fan Shu (2016)
15.11.2019DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 54
Publikationen
▪ Seim, Verwiebe, Blech, Gerwin, Müller-
Kirchenbauer (2019): Die Datenlandschaft der deutschen Energiewirtschaft
▪ Forschungsfragen
– Über welche Akteure und Elemente der
Energiewirtschaft gibt es welche Informationen?
– Welchen Datenbedarf gibt es seitens der Community?
– Was steht der Nutzung der Informationen im Wege?
▪ Working title (2020): Demand Drivers for modelling of final Energy Demand – A systematic literature review
▪ Forschungsfragen
– What are the interdependencies between methods, demand drivers and level of detail of recent energy modelling attempts?
– Which demand drivers are most commonly?
Datenlandschaft dt. Energiewirtschaft Modelling Final Energy Demand – Review
Energie- träger
Strom
Erzeugung / Beschaffung
Netze
Speicher
Verbrauch
Haushalte
GHD
Industrie
Verkehr Handel
Gas
Wärme
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 55
▪ AGEB (2017): Bilanz 2015, https://ag-energiebilanzen.de/10-0-Auswertungstabellen.html
▪ BDEW(2017): https://www.bdew.de/energie/standardlastprofile-strom/
▪ BMWi (2019): Energiedaten Gesamtausgabe,
https://www.bmwi.de/Redaktion/DE/Artikel/Energie/energiedaten-gesamtausgabe.html
▪ Destatis (2015): Erhebung über die Energieverwendung der Betriebe des Verarb. Gewerbes sowie des Bergbaus und der Gewinnung von Steinen und Erden, Tabelle 2: Energieverbrauch nach Energieträgern, Deutschland, Berichtszeitraum 2015, erhältlich auf Anfrage
▪ DESTATIS (2019): https://www.destatis.de/DE/Themen/Gesellschaft-
Umwelt/Umwelt/Publikationen/Umweltnutzung-Wirtschaft/umweltnutzung-und-wirtschaft- energie-pdf-5850014.html
▪ ENTSO-E: Monthly Hourly Load Values, https://www.entsoe.eu/data/power-stats/hourly_load/
▪ FFE nach Bundesagentur für Arbeit (2019):http://opendata.ffe.de/dataset/employees-by- economic-sectors-german-districts/
▪ FFE nach Regionalstatistik (2019): basiert auf 43531-01-02-4 Energieverbrauch -
Jahressumme - regionale Tiefe: Kreise und krfr. Städte, http://opendata.ffe.de/dataset/energy- consumption-by-manufacturing-mining-and-quarrying-industries-german-districts/
▪ FFE (2019a): http://opendata.ffe.de/dataset/industrial-electricity-consumption-per-district-and- economic-sector-wz2008-german-districts/
▪ LAK (2019): Energiebilanzen der Länder, https://www.lak-energiebilanzen.de/laenderbilanzen
▪ UBA (2018): Endenergieverbrauch,
https://www.umweltbundesamt.de/sites/default/files/medien/384/bilder/dateien/2_und_4_date ntabelle_eev_2018-02-14.pdf
▪ VDEW (2000): Zuordnung der VDEW-Lastprofile zum Kundengruppenschlüssel
Quellen I
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 56
• Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf, Multivariate Analysemethoden – eine Anwendungsorientierte Einführung; 2016
• Beuker, Simon- Statistische Auswertung von Differenzbilanzkreiszeitreihen. Implikationen für die Verwendung von Standardlastprofilen im Netzbetrieb, Bachelorarbeit, TU Berlin, 2018
• Bitterer, R.; Schieferdecker, B.: „Repräsentative VDEW-Lastprofile“.VDEW Materialien, M-32/99, Frankfurt, 1999
• D-Maps, Landkarte Berlin https://d-maps.com/carte.php?num_car=6142&lang=de letzter Zugriff: 13.11.2019 um 12:30
• Debnath, Kumar; Mourshed, Monjur´, Forecasting methods in energy planning models; Renewable and Sustainable Energy Reviews; Elsevier; 2018, https://doi.org/10.1016/j.rser.2018.02.002
• Ecke, Julius; Kauffmann, Andreas – Bewirtschaftung von Differenzbilanzkreisen: Status Quo, Optimierungspotenzial und Geschäftsfelder, enervis, 2013
• Einsparzähler (2019) – Bundesförderung für das Pilotprogramm Einsparzähler, Bundesamt für Wirtschaft und Ausfuhrkontrolle https://www.bafa.de/DE/Energie/Energieeffizienz/Einsparzaehler/einsparzaehler_node.html letzter
• Energiemonitoring FFM (2019) – Energiemonitoring der Stadt Frankfurt am Main http://www.energiemonitoring.stadt- frankfurt.de/ letzter Zugriff: 13.11.2019 um 12:30
• Fitzenberger, Bernd, Advanced Econometrics, Lecture, Humboldt-University Berlin, 2019
• Friedrich, Luiz; Armstrong, Peter; Afshari, Afshin, Mid-term forecasting of urban electricity load to isolate air-conditioning impact;
Energy and Buildings, Elsevier, 2014 http://dx.doi.org/10.1016/j.enbuild.2014.05.011
• Hinterstocker, von Roon, – Bewertung der aktuellen Standardlastprofile Österreichs und Analyse zukünftiger Anpassungsmöglichkeiten im Strom, 2014
• Hong, Tao; Fan, Shu, Probabilistic electric load forecasting – A tutorial review; International Journal of Forecasting, Elsevier, 2016 http://dx.doi.org/10.1016/j.ijforecast.2015.11.011
• Morozov, Alexandra Analyse von Anwendungsfeldern und Geschäftsmodellen von Stromnachfrageprognosen; Bachelorarbeit, TU Berlin, 2019
• Niematallah, Elamin; Mototsugu Fukushige,Quantile regression model for electricity peak demand forecasting: Approximation by local triangular distribution to avoid blackouts; 2017 IAAE Conference - International Association for Applied Econometrics June 27, 2017
• Rykala, Daniel Olaf - Entwicklung einer Methodik zur nachhaltigen Verringerung von Differenzbilanzkreisabweichungen, 2018
• Sohns, Stefan – Differenzmengen: eine Herausforderung für Netzbetreiber und Vertriebe, cronos info 39, 2015
Quellen II
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 57
Datenbasis nach WZ 2008
Quelle: Eigene Berechnungen 0
10.000 20.000 30.000 40.000 50.000 60.000
1 2 3 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 36 37 38 39 41 42 43 45 46 47 49
Energieverbräuche je Wirtschaftszweig [GWh]
0 10.000 20.000 30.000 40.000 50.000 60.000
50 51 52 53 55 56 58 59 60 61 62 63 64 65 66 68 69 70 71 72 73 74 75 77 78 79 80 81 82 84 85 86 87 88 90 91 92 93 94 95 96 97 98 99
> 3 Datensätze Strom verfügbar
≤ 3 Datensätze Strom verfügbar Keine Datensätze Strom verfügbar
> 3 Datensätze Gas verfügbar
≤ 3 Datensätze Gas verfügbar Keine Datensätze Gas verfügbar
Anmerkung: Ein Datensatz entspricht dem Lastgang (Strom oder Gas) eines Jahres.
135.103 103.010
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 58
▪ einer der meistgenutzten Gütekriterien zur Evaluation von Energienachfrageprognosen
→ ermöglicht Vergleichbarkeit über Vielzahl von Studien
▪ einfaches und transparentes Konzept
▪ Schwächen des MAPE liegen in Anwendungs- fällen, die sehr kleine Werte sowie “Null”-Werte im Nenner aufweisen, aufgrund derer der MAPE verzerrt werden kann
MAPE - Mean Absolute Percentage Error
Gütemaße - MAPE
Hong, Tao; Fan Shu (2016), Debnath, Kumar; Mourshed, Monjur (2018)
A bh än g ig e V aria bl e (La st )
Unabhängige Variablen (EnbGs)
X Y
MAPE entspricht dem Verhältnis aus Residuum (True
t– Pred
t) und dem tatsächlichen Wert (True
t)
Modellvorhersage
Messwerte
MAPE = 1 T
t=1
T True t − Pred t True t
15.11.2019
DemandRegio | Forschungszentrum Jülich GmbH | Forschungsstelle für Energiewirtschaft e.V. | Technische Universität Berlin Förderkennzeichen: 03ET4040C
Seite 59
Optimierungskriterium
Quantile Regression - Theorie
Fitzenberger, Bernd (2019)
Wahrscheinlichkeits- dichteverteilung der beobachteten Werte an Der Stelle X = X
2Intuition: Wenn 𝜃 = 0,75, werden positive Residuen höher gewichtet (0,75) als negative Residuen (0,25) Das Beispiel zeigt, dass Punkt stärker gewichtet eingeht als Punkt für das 0,75 Quantil von y an der Stelle X =X
i. Im
Minimierungsprozess müssen die Residuen nach der Transformation gleich groß sein.
𝛽 𝜃 = 𝑎𝑟𝑔𝑚𝑖𝑛
𝜃
σ 𝑖=1 𝑁 [𝜃 ∗ 𝐼(𝑦 𝑖 > 𝑥 𝑖 ′ 𝛽 𝜃 ) + 1 − 𝜃 ∗ 𝐼 𝑦 𝑖 < 𝑥 𝑖 ′ 𝛽 𝜃 ] ∗ |𝑦 𝑖 − 𝑥 𝑖 ′ 𝛽 𝜃 |
0,75 Indikatorfunktion 0,25 Absolute Abweichung
Residuen sind positiv Residuen sind negativ
1/3 * 0,75 = 0,25
1 * 0,25 = 0,25 𝜃 = 0,75
𝜃 = 0,25 𝜃 = 0,5
1
2
1 2
X = X
i1
2
15.11.2019