Abschlussworkshop DemandRegio
15.11.2019 SIMON BURGES, BASTIAN GILLESSEN, FABIAN GOTZENS
Methodik und Ergebnisse für den Bereich private Haushalte
FKZ: 03ET4040A
Zusammenfassung & Ausblick 5
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation
1
Zusammenfassung & Ausblick 5
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation 1
AGENDA
Endenergieverbrauch in Deutschland historisch nahezu konstant
ngstabellen zur Energiebilanz für die Bundesrepublik Deutschland 1990 –2018 (Stan
STROM UND ERDGAS WESENTLICHE ENERGIETRÄGER
Motivation
Strom und Erdgas haben bis Mitte der 2000er an Bedeutung gewonnen
Seitdem stagnierender Anteil von ca. 20 % (Strom) und 38 % (Erdgas)
ngstabellen zur Energiebilanz für die Bundesrepublik Deutschland 1990 –2018 (Stand August 2019)
Private Haushalte
Wo werden diese Energieträger wann verbraucht?
Für welche Anwendungen werden diese Energieträger eingesetzt?
Wie verändert sich die Nachfrage in der Zukunft?
Fragen von zentraler Bedeutung für viele Forschungsprojekte (insb. Infrastrukturauslegung)
Heterogene Methoden- und Datenlandschaft
Häufig sich wiederholende Aufgabe in der Wissenschaft
Zusammenfassung & Ausblick 5
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation 1
AGENDA
Literaturrecherche
Datenablage
EnNabG identifizieren
Datenprovider finden
Datenakquise
ok? Daten prüfen Ansprache
Rückfragen
Energienachfrage bestimmende Größen (EnNabG) ermittelt
Fachgespräche geführt
Daten strukturiert
RÄUMLICHE AUFLÖSUNGEN
Hintergrund
NUTS-1
16 Bundesländer NUTS-0
Deutschland 401 Kreise und
kreisfreie Städte NUTS-3
NUTS-3 Code
Bezeichnung
DE111 Stuttgart DE112 Böblingen
... ...
DE300 Berlin
... ...
DEG0P Wartburgkreis
Zusammenfassung & Ausblick 5
Ergebnisse 4
Diskussion der Varianten 3.3
Zeitliche Aufschlüsselung 3.2
Räumliche Aufschlüsselung 3.1
Verfahren und Modellbildung 3
Hintergrund 2
Motivation
1
VERFAHREN UND MODELLBILDUNG
Methoden zur räumlichen Auflösung
Haushalte + Einwohner
+ Gebäudestruktur + Wohnfläche
Gas G_TD G_BU
Haushalte + Einwohner
+ Gebäudestruktur + Wohnfläche
Bottom-Up (BU) Top-Down (TD)
Stro m
S_TD
Einwohner Einwohner
+ Einkommen
S_TD_EK
Haushalte Haushalte
+Einkommen
S_BU S_BU_EK
Strom- verbrauch Haushalte
Strom-Jahreslast: Top-Down-Verfahren mit geringem Datenbedarf
GasProzess
Aufschlüsseln
Zwischenergebnis
Strombedarf Jahr: 2015
(NUTS-3)
Fortschreibung
Prozess
Strombedarf Jahr: 2030
(NUTS-3)
Ergebnis Inputs
Einwohner- zahlen je
NUTS-3
Fortschreibung auf Basis einer Bevölkerungsprognose Status-quo im
Basisjahr NUTS-3 Personen
DE111 623,738
… ...
DE300 3,520,031
DE 132 TWh
Inputs
Geringer Datenbedarf
REGIONALE AUFSCHLÜSSELUNG
Strom-Jahreslast: Top-Down-Verfahren mit Berücksichtigung des Einkommens
Prozess
Aufschlüsseln
Zwischenergebnis
Strombedarf Jahr: 2015
(NUTS-3)
Fortschreibung
Prozess
Strombedarf Jahr: 2030
(NUTS-3)
Ergebnis Inputs
Top-Down Bottom-Up
GasStrom
Fortschreibung auf Basis einer Bevölkerungsprognose Status-quo im
Basisjahr Pro-Kopf
Einkommen je NUTS-3 Einwohner-
zahlen je NUTS-3
Strom- verbrauch Haushalte
Höherer Datenbedarf, Wohlstandseffekt berücksichtigt
Strom-Jahreslast: Bottom-Up-Verfahren mit geringem Datenbedarf
GasProzess
Aggregation
Zwischenergebnis
Strombedarf Jahr: 2015
(NUTS-3)
Fortschreibung
Prozess
Strombedarf Jahr: 2030
(NUTS-3)
Ergebnis
Fortschreibung auf Basis einer Bevölkerungsprognose
spezifischer Verbrauch je
HH-Größe Haushalts- anzahlen je HH-Größe +
NUTS-3
Inputs
Haushaltsstruktur entscheidend
REGIONALE AUFSCHLÜSSELUNG
Strom-Jahreslast: Bottom-Up-Verfahren mit Berücksichtigung des Einkommens
Prozess
Aggregation
Zwischenergebnis
Strombedarf Jahr: 2015
(NUTS-3)
Fortschreibung
Prozess
Strombedarf Jahr: 2030
(NUTS-3)
Ergebnis
Top-Down Bottom-Up
GasStrom
Haushaltszahlen nur für 2011 verfügbar:
Gewichtung mit Einwohnern
Fortschreibung auf Basis einer Bevölkerungsprognose
spezifischer Verbrauch je
HH-Größe
Inputs
Pro-Kopf Einkommen je
NUTS-3
Haushalts- anzahlen je HH-Größe +
NUTS-3
Haushaltsstruktur entscheidend, Wohlstandseffekt berücksichtigt
Berechnung Gasbedarf über AGEB Anwendungsbilanz Gas-Jahreslast: Top-Down-Verfahren
Gasbedarf [GWh/a]
NUTS-3Gas
Inputs
Einwohnerzahlen Jahresbedarf Warmwasser Gebäudebestand
Jahresbedarf Raumheizung Jahresbedarf
Kochen Anzahl Haushalte
Aufschlüsseln
Aufschlüsseln Aufschlüsseln
Prozess
Kochen [GWh/a]
NUTS-3Warmwasser [GWh/a]
NUTS-3Raumheizung [GWh/a]
NUTS-3Ergebnis
Kochen 0.4%
Warmwasser 18.6%
Raumwärme 81.0%
Kochen Warmwasser Raumwärme
REGIONALE AUFSCHLÜSSELUNG
Berechnung des Gasbedarfs Bottom-Up Verfahren
Gasbedarf gesamt 𝐺𝑊ℎ/𝑎
𝑁𝑈𝑇𝑆−3Top-Down Bottom-Up
GasStrom
Mit Erdgas beheizte Wohnfläche [𝑚²]
- je Baualtersklasse - je NUTS-3
Bau-AK
≤ 1948 1949 – 1968 1969 – 1985 1986 – 1995 1996 – 2000
≥ 2001 spez. Heizwärme-
bedarf [
𝑘𝑊ℎ𝑚2𝑎
]
- je Baualtersklasse - eine NUTS3-Reg.
spez. Heizwärme- bedarf [
𝑘𝑊ℎ𝑚2𝑎
]
- je Baualtersklasse - je NUTS-3
Korrektur mit Heiz- gradtagen - je NUTS-3
Gasbedarf für Kochen
aus Top-Down
Gasbedarf für Raumheizung
Gasbedarf für Warmwasser
aus Top-Down
×
Berechnung Gasbedarf für Raumwärme mit spezifischen Kennzahlen
η
Zusammenfassung & Ausblick 5
Ergebnisse 4
Diskussion der Varianten 3.3
Zeitliche Aufschlüsselung 3.2
Räumliche Aufschlüsselung 3.1
Verfahren und Modellbildung 3
Hintergrund 2
Motivation
1
VERFAHREN UND MODELLBILDUNG
Methoden zur zeitlichen Auflösung
G_SLP
S_ZVE
Gas Strom
Zeitverwendungserhebung (ZVE) Standardlastprofile (SLP)
S_SLP
Bewertungskriterium Pro Contra Allgemein Etabliertes und in der Anwendung verbreitet
+ einfaches Verfahren
Einflussparameter auf Lastprofil weitestgehend unbekannt
Treffsicherheit Relativ hoch Abweichungen z. B. in der Abendspitze
Möglichkeit zur Anpassung Ja: über bewusste Manipulation Jedoch keine analytische Vorgehensweise Regionalisierung möglich? Berücksichtigung lokaler Feiertage möglich Nicht anhand struktureller Einflussfaktoren
Basiert auf Messreihen von Haushalten
Stammen vom VDEW (heute: BDEW) aus dem Jahr 1996
Werden für Stromkunden ohne registrierende Leistungsmessung zur Prognose eingesetzt für
Haushalte
Landwirtschaft
Gewerbe
Jahreszeit
T y p tag
Werktag- Winter
Werktag- Sommer
Werktag- Übergang Samstag-
Winter
Samstag- Sommer
Samstag- Übergang Werktag-
Winter
Werktag- Sommer
Werktag-
Übergang
SLP ABHÄNGIG VOM WOCHENTAG
Strom: Standardlastprofilverfahren (SLP)
SLP-Werktag SLP-Samstag SLP-Sonntag
Lastspitze Werktags am Abend
Lastspitze Samstags sowohl Mittags als auch Abends
Lastspitze Sonntags am Mittag
Legende
Übergang Winter Sommer
S_SLP S_ZVE G_SLP
Las t [W ]
Ante il an der Las t je Anw endungs bereic h
Strombedarf nach Anwendung und Haushaltsgröße
Büro Licht
Warmwasser Waschen
Trocknen Spülen
Kochen TV/Audio
AKTIVITÄTSBASIERTE LASTPROFILE
Strom: Zeitverwendungserhebung (ZVE)
S_SLP S_ZVE G_SLP
Ante il an der Stromnac hfrage
Berücksichtigung von
aktivitätsbasierter Last: Tätigkeit → Anwendung
Grundlast: z. B. Kühlgeräte
Regionalisierte Lastprofile: Sonnenstand → Beleuchtungsbedarf
Strombedarf je Anwendung + Haushaltsgröße
Etabliertes Verfahren
Außentemperatur (T) als entscheidende Einflussgröße für den zeitlichen Gasverbrauch
Volatilität bei Mehrfamilienhäusern (MFH) höher als bei Einfamilienhäusern (EFH)
01. Jan 01. Apr 01. Okt
Zusammenfassung & Ausblick 5
Ergebnisse 4
Diskussion der Varianten 3.3
Zeitliche Aufschlüsselung 3.2
Räumliche Aufschlüsselung 3.1
Verfahren und Modellbildung 3
Hintergrund 2
Motivation 1
AGENDA
Räumlich
Strom: S_TD | S_TD_EK | S_BU | S_BU_EK
Verschiedene Varianten für Strom
berücksichtigen unterschiedliche Datenlagen
Verfügbares Pro-Kopf-Einkommen hat Einfluss auf Stromverbrauch
Validierung nur auf auf Bundeslandebene möglich
Gas: G_TD | G_BU
Gasbedarf basiert auf Wärmebedarf für Raumheizung + Kochen + Warmwasser
Zeitlich
Strom: S_SLP | S_ZVE
SLP-Verfahren etabliert und basiert auf Messwerten
ZVE-Verfahren berücksichtigt verschiedene Haushaltsgrößen + Anwendungen
und
ist – sonnenstandsbedingt – regionaliert
Gas: G_SLP
Aktuellste Version (2016) des etablierten
Verfahrens
METHODIK IN PYTHON IMPLEMENTIERT
disaggregator : Ein quelloffenes Python-Framework
provide I/O file paths
load settings from config.yaml
perform raw string database requestat RestfulAPI and cache the results
clear local cache
provide NUTS-3 regions
Main functions
Dimensionless data
electricity demand
heat demand
gas demand
Spatial data
population
household sizes
living spaces
incomes etc.
Temporal data
load curves CTS / Industry / households
Spatiotemporal data
ambient temperature
solar irradiation etc.
disaggregate
households: electric power
by: distribution key
weight by income
disaggregate households heat demands
by: distribution key
weight by income
disaggregate
households natural gas
distribution key
weight by income
config.py
configuration functions
data.py
import and mend datasets
spatial.py
spatial
disaggregation
disagg_temporal Give regional
disaggregated data a temporal dimension by
temporal_id
given timeseries
create_projection
Return a time projection of temporal or
spatiotemporal data for a given future year
temporal.py
temporal disaggregation
choropleth map Plotting of single or
multiple maps with colored regions, colorbars and many options
create animations
Function for making a GIF or mp4-file of spatio- temporal data
helper functions
plot.py
plotting and helper functions
Zusammenfassung & Ausblick 5
Szenario 2030 4.2
Status quo 4.1
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation
1
RÄUMLICHER STROMVERBRAUCH IM JAHR 2015
Ergebnisse Status quo
Stromverbrauch abhängig von Einwohnerdichte
Verteilung der Haushaltsgrößen – identische Farbskalen
Stromverbrauch abhängig von Einwohnerdichte
HAUSHALTSSTRUKTUR DEFINIERT STROMVERBRAUCH
Ergebnisse Status quo
Verteilung der Haushaltsgrößen – unterschiedliche Farbskalen
RÄUMLICHER GASVERBRAUCH IM JAHR 2015
Ergebnisse Status quo
Gleich
Grundstruktur
Lastspitzen: Mittag & Abends Unterschied
ZVE gegenüber SLP:
höhere Abendspitze
Geringere Last in der Nacht
Leicht geringere Last am Mittag
Geringere Last im Sommer
REGIONALE UNTERSCHIEDE (S_ZVE)
Ergebnisse Status quo
Sommer Übergang Winter
Regionale Zusammensetzung der Haushaltsgrößen beeinflusst Anwendungen
Standort beeinflusst Licht
Deutliche Lastspitzen im Winter (Tag 0 bis 50 und Tag 280 bis 360)
Tageslast bestimmend – stündliche Unterschiede eher gering
Keine Typtage erkennbar (im Gegensatz zu Strom)
ZEITLICHER VERLAUF DER WÄRMENACHFRAGE
Ergebnisse Status quo
Temperaturverlauf
Temperatur und Uhrzeit haben maßgeblichen Einfluss auf Gasverbrauch
Gasverbrauch
Strom
Winter Sommer
Gas
Winter Sommer
Zusammenfassung & Ausblick 5
Szenario 2030 4.2
Status quo 4.1
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation 1
AGENDA
2015 → 2030 2015 → 2030
https://www.presseportal.de/pm/35604/740022 https://www.destatis.de/DE/Themen/Gesellschaft-
Umwelt/Bevoelkerung/Bevoelkerungsvorausberechnung/Publikati onen/Downloads-Vorausberechnung/bevoelkerung-deutschland- 2060-5124202199014.pdf
ERGEBNISSE – FORTSCHREIBUNG
Ergebnisse Szenario 2030
Gas
Strom
Zusammenfassung & Ausblick 5
Ergebnisse 4
Verfahren und Modellbildung 3
Hintergrund 2
Motivation
1
HIGHLIGHTS
Zusammenfassung und Ausblick
Toolsammlung für räumlich und zeitlich hochaufgelöste Strom- und Gasnachfragen der privaten Haushalte
Open Source-Verfügbarkeit
Recherchierte Eingangs- und Ergebnisdaten in Online-Datenbank
Open Data-Lizenz
Historische Nachfragen abrufbar
Beispielszenario bis 2030 verfügbar
Eigene Nachfrageszenarien berechenbar
Pixabay License:Free for Commercial Use https://pixabay.com/photos/lamp-light-lightbulb-lighting-4535320/
Erweiterung auf weitere Energieträger
Erweiterung auf Verkehrssektor
Pflege der Datenbank
Methodische Weiterentwicklung
Pixabay License:Free for Commercial Use https://pixabay.com/photos/window-castle-windows-castle-218269/