2019 Daten und Veröffentlichungskonzept

Dr.-Ing. Dipl.-Phys. Tobias Schmid 2019

Daten und

Veröffentlichungskonzept

15.11.2019

© FfE München Lizenz: CC-BY 4.0

2

Motivation für DemandRegio

Die Datenbankstruktur

Beispiele

Das Veröffentlichungskonzept

Daten und

Veröffentlichungskonzept

3

Regionale Auflösung Zeitliche Auflösung

• Einheitliche räumliche Auflösung

• Energienachfragbestimmende Größen

• Spezifische Verbrauchswerte

• Validierung bzw. Plausibilisierung

• Einheitliches Wetterjahr bzw. verschiedene Wetterjahre

• Energienachfrageindikatoren

• Lastprofile und Lastgänge

• Validierung bzw. Plausibilisierung

Motivation für DemandRegio

Herausforderung

- Vielzahl an Quellen und Formaten

- Dokumentation in vielen Studien nicht ausreichend

- Nicht einheitliche regionale und zeitliche Auflösung

- Keine Validierungsmöglichkeiten

4

BKG DWD, ICON-EU Destatis BfA CAMS

5

Ein paar Anmerkungen zur Arbeit mit räumlich aufgelösten Daten

6

id_ags ersetzt den Amtlichen Gemeindeschlüssel (AGS)

Beispiel: 03 2 54 021 = Hildesheim

• Position 1 bis 2: 03 Niedersachsen

• Position 3: 2 ehemaliger Regierungsbezirk Hannover

• Position 4 bis 5: 54 Landkreis Hildesheim

• Position 6 bis 8: 021 Stadt Hildesheim

Beispiel: 09 1 62 000 = München

• Position 1 bis 2: 09 Bayern

• Position 3: 1 Regierungsbezirk Oberbayern

• Position 4 bis 5: 62 kreisfreie Stadt München

• Position 6 bis 8: 000 keine weitere Einteilung nach Gemeinde

Regionalstatistik:

• München: 09162

• Hildesheim: 03254

Bedarf

• Einheitliche Nomenklatur

• Numerische Bezeichnung

• Transparente Definition Lösung: id_ags

• München: 9.162.000

• Hildesheim, Gemeinde: 3.254.021

• Hildesheim, Landkreis: 3.254.000

• Brandenburg: 12.000.000

Vorsicht b. Verbandsgemeinden u.ä.:

Südeifel: 07 2 32 5 005  NULL Ammeldingen b. Neuerburg:

07 2 32 005  7232005 Weitere Vorteile

• Einfache, mathematische Umrechnung verschiedener Verwaltungsebenen

id_ags

7

Probleme durch Gebietsreformen

Meist: Verlust der regionalen Auflösung

Darstellung und Auswertung von Zeitreihen nicht möglich ^{NWM LWL HWI SN DBR PCH HRO} G š M š ^NVP R ^{HST DM MST} R ^{NB HGW} š G ^{OV P UER NWM SN LUP} Verbrauchswerte und ^{HRO HRO RÜG MSE VG} Verwaltungsgrenzen zum Stand 31.12.2015

Verbrauchswerte und

Verwaltungsgrenzen zum Stand 31.12.2010

Energie verwe ndung der Be triebe des Ve ra rbe ite nde n G ew erbe s sowie des Bergbaus und der Gew innung v on St eine n und Erden

En er gieverb rauch Gas in GJ/km²

< 100

< 150

< 200

< 250

< 300

< 350

< 400

> 400

8

Bedarf für eine einheitliche regionale Auflösung

Bis zu 478 Landkreise in der Statistik  aktuelle Anzahl Landkreise: 401 364 Landkreise sind nicht von Gebietsveränderungen betroffen

114 Landkreise von 8 Gebietsveränderungen in 20 Jahren betroffen

350 370 390 410 430 450 470 490

19 97 19 99 2001 2003 2005 2007 2009 20 11 20 13 20 15 20 17

A nza hl d er L an dk re ise

Stand aktuelle Landkreise 350

370 390 410 430 450 470 490

19 97 19 99 2001 2003 2005 2007 2009 20 11 20 13 20 15 20 17

An za hl d er L an dk re ise

Stand aktuelle Landkreise gesamte Anzahl

NUTS-3

2007 2010 2013 2016

9

Beispiele für Eingangsdaten

Unterschiedliche Dateiformate und Tabellenstrukturen!

Beitrag erneuerbarer Energien zum Primärenergieverbrauch - in PJ

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Wasserkraft 70 72 76 74 69 75 64 78 83 71 68

Windkraft 98 111 143 146 139 136 176 182 186 206 285

Photovoltaik 4.6 8.0 11.1 15.9 24 42.1 69.6 95.0 111.6 129.8 139.4 Holz, Stroh u. a. feste Stoffe 338 368 388 418 465 532 511 458 525 479 505 Biodiesel u.a.flüssige Brennstoffe 110 190 217 195 174 191 168 130 121 125 117

Müll, Deponiegas 88 102 120 102 99 106 110 114 127 131 129

Klärgas einschl. Biogas 43 69 140 165 198 292 321 268 283 308 326

Sonstige Erneuerbare1) 17 19 22 32 35 39 43 60 62 68 74

Insgesamt 769 939 1,117 1,147 1,201 1,413 1,463 1,385 1,499 1,519 1,644 prozentualer Anteil am

Primärenergieverbrauch 5.3 6.3 7.9 8.0 8.9 9.9 10.8 10.3 10.8 11.5 12.4

10

Normalisierung von Daten

Der Filter mit einem Schlüssel führt zu den Daten!

Weitere Attribute wie Energieträger, Anwendung, …

Fremdschlüssel

11

BKG DWD, ICON-EU Destatis BfA CAMS

id_ags

Gebietsreformen Datenaufbereitung &

-normalisierung

Datenschnittstellen

12

Motivation für DemandRegio

Die Datenbankstruktur

Beispiele

Das Veröffentlichungskonzept

Gliederung

13

Die Datenbankstruktur

Beispiele mit räumlich aufgelösten Daten

Räumliche Auflösung Zeitliche Auflösung (+räumlich)

14

Beispiel: Einwohnerzahl

id_region year internal_id value

1001000 1997 <NULL> 85547

1001000 1998 <NULL> 84742

1001000 1999 <NULL> 84449

1001000 2000 <NULL> 84281

1001000 2001 <NULL> 84480

1001000 2002 <NULL> 84704

1001000 2003 <NULL> 85300

1001000 2004 <NULL> 85762

1001000 2005 <NULL> 86080

1001000 2006 <NULL> 86630

1001000 2007 <NULL> 87792

1001000 2008 <NULL> 88718

1001000 2009 <NULL> 88502

1001000 2010 <NULL> 88759

1001000 2011 <NULL> 82801

1001000 2012 <NULL> 83462

1001000 2013 <NULL> 83971

1001000 2014 <NULL> 84694

1001000 2015 <NULL> 85942

1001000 2016 <NULL> 87432

1001000 2017 <NULL> 88519

1002000 1997 <NULL> 240516

1002000 1998 <NULL> 237337

1002000 1999 <NULL> 233795

1002000 2000 <NULL> 232612

Spalte Wert

id_spatial 1

title Einwohnerzahl

description_short Einwohnerzahl zum Stand 31.12.

description_long Einwohnerzahl zum Stand 31.12. nach Regionalstatistik Tabelle 12411-01-01-4: Bevölkerungsstand: Bevölkerung nach Geschlecht

years {1997,1998,1999,2000,2001,2002,2003,2004,2005,2006,2007, 2008,2009,2010,2011,2012,2013,2014,2015,2016,2017}

region_types {lk}

sector private Haushalte

application alle

units Einwohner

internal_id_description <NULL>

Flensburg

Kiel

Anzahl Einwohner id_spatial=1 Anzahl Einwohner

verfügbare Jahre

... ... ... ...

15

Beispiel: Haushalte

Flensburg

Kiel id_spatial=14 Anzahl Haushalte nach Haushaltsgröße

Haushaltsgröße

... ... ... ...

Spalte Wert

id_spatial 14

title Anzahl Haushalte nach Haushaltsgröße

description_short Anzahl der privaten Haushalte nach Größe des Haushalts in Personen

description_long

Anzahl der privaten Haushalte nach Größe des Haushalts in Personen:

1 Person 2 Personen 3 Personen 4 Personen 5 Personen

6 und mehr Personen Insgesamt

years

{2011}

region_types {lk}

sector private Haushalte

application Strom

units Haushalte

internal_id_description

internal_id[1] = Haushaltsgröße 0 = Insgesamt

1 = 1 Person 2 = 2 Personen 3 = 3 Personen 4 = 4 Personen 5 = 5 Personen

6 = 6 und mehr Personen

id_region year internal_id value

1001000 2011 {0} 44746

1001000 2011 {1} 22722

1001000 2011 {2} 13172

1001000 2011 {3} 4619

1001000 2011 {4} 2928

1001000 2011 {5} 871

1001000 2011 {6} 434

1002000 2011 {0} 127889

1002000 2011 {1} 61501

1002000 2011 {2} 41088

1002000 2011 {3} 13166

1002000 2011 {4} 8225

1002000 2011 {5} 2591

1002000 2011 {6} 1318

1003000 2011 {0} 109077

1003000 2011 {1} 50171

1003000 2011 {2} 35482

1003000 2011 {3} 12241

1003000 2011 {4} 7658

1003000 2011 {5} 2298

1003000 2011 {6} 1227

1004000 2011 {0} 37895

1004000 2011 {1} 16275

1004000 2011 {2} 11963

1004000 2011 {3} 4886

Lübeck

Neumünster

16

Beispiel: Wohnfläche

Einheitliche Ablage komplexer Datensätze

id_spatial=12 Wohnfläche private Haushalte nach Heizstruktur, Gebäudetyp und Baualter

... ... ... ...

Spalte Wert

id_spatial 12

title Wohnfläche private Haushalte

description_short Wohnfläche nach Heizstruktur, Gebäudetyp, Baualter description_long Wohnfläche nach Heizstruktur, Gebäudetyp, Baualter years

{2011,2018}

region_types {lk}

sector private Haushalte

application alle

units Wohnfläche in m²

internal_id_description

internal_id[1] = id_gt Gebäudetyp: 1: EFH, 2: ZFH, 3: MFH(3-6), 4: MFH(7-12) ,5: MFH(>12) internal_id[2] = id_ba Baultersklasse: 1: vor 1900; 2: 1900 bis 1945; 3: 1946 bis 1960; 4: 1961 bis 1970; 5: 1971 bis 1980; 6: 1981 bis 1985; 7: 1986 bis 1995; 8: 1996 bis 2000; 9: 2001 bis 2005; 10:

nach 2006; 2012: 2012; 2013: 2013; 2014: 2014; 2015: 2015; 2016: 2016; 2017: 2017; 2018: 2018 internal_id[3] = Heizsystem (bzw. Energieträger): 9: Steinkohle; 10: Braunkohle; 11: Erdgas; 34:

Heizoel; 35: Biomasse (fest); 68: Umgebungswaerme; 69: Solarwaerme; 71: Fernwaerme; 72:

Elektrische Energie; 218: Biomasse (außer Holz, Biogas) internal_id[4] = Leerstand: 0 Leerstand, 1 kein Leerstand

id_region year internal_id value 1001000 2011 {1,1,71,0} 4655.59035 1001000 2011 {1,1,71,1} 72138.6785 1001000 2011 {1,2,71,0} 8564.71473 1001000 2011 {1,2,71,1} 132710.818 1001000 2011 {1,3,71,0} 18073.2457 1001000 2011 {1,3,71,1} 428901.848 1001000 2011 {1,4,71,0} 5645.3319 1001000 2011 {1,4,71,1} 122362.782 1001000 2011 {1,5,71,0} 2023.93368 1001000 2011 {1,5,71,1} 39144.308 1001000 2011 {1,6,71,0} 787.07893 1001000 2011 {1,6,71,1} 52676.7462 1001000 2011 {1,7,71,0} 1570.32487 1001000 2011 {1,7,71,1} 112406.09 1001000 2011 {1,8,71,0} 1944.08211 1001000 2011 {1,8,71,1} 75719.7616 1001000 2011 {1,9,71,0} 2205.16449 1001000 2011 {1,9,71,1} 65680.4529 1001000 2011 {1,10,71,0} 1731.93344 1001000 2011 {1,10,71,1} 28052.3192 1001000 2011 {2,1,71,0} 1924.0748 1001000 2011 {2,1,71,1} 29813.6655 1001000 2011 {2,2,71,0} 1265.61364 1001000 2011 {2,2,71,1} 19610.7666 1001000 2011 {2,3,71,0} 2395.81561

65.680 m² Wohnfläche internal_id: {1,9,71,1}

1: Gebäudetyp: Einfamilienhaus

9: Baujahr: 2001 bis 2005

71: Heizung: Fernwärme

1: Nutzung: kein Leerstand

17

Die Datenbankstruktur

Beispiele mit zeitlich aufgelösten Daten

Räumliche Auflösung Zeitliche Auflösung (+räumlich)

18

Beispiel: Wochentage

id_temporal=1 Wochentage als Zeitstrahl

... ... ... ...

Spalte Wert

id_temporal 1

title Wochentag

description_short Zeitstrahl mit den Wochentagen

description_long Zeitstrahl mit den Wochentagen (Mo=1..So=7 => "isodow") in stündlicher Auflösung.

years_weather

{1995,1996,1997,1998,1999,2000,2001,2002,2003,2004,2005,2006,200 7,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,20 20,2021,2022,2023,2024,2025,2026,2027,2028,2029,2030,2031,2032,2 033,2034,2035,2036,2037,2038,2039,2040,2041,2042,2043,2044,2045, 2046,2047,2048,2049,2050}

region_types {land}

time_step 1 Std

sector alle

application alle

units Wochentag

internal_id_description <NULL>

id_region year_weather internal_id values max min sum 276 1995 <NULL> {7,7,7,7,7,7,7,7,7,7} 7 1 35112 276 1996 <NULL> {1,1,1,1,1,1,1,1,1,1} 7 1 35016 276 1997 <NULL> {3,3,3,3,3,3,3,3,3,3} 7 1 35016 276 1998 <NULL> {4,4,4,4,4,4,4,4,4,4} 7 1 35040 276 1999 <NULL> {5,5,5,5,5,5,5,5,5,5} 7 1 35064 276 2000 <NULL> {6,6,6,6,6,6,6,6,6,6} 7 1 35256 276 2001 <NULL> {1,1,1,1,1,1,1,1,1,1} 7 1 34968 276 2002 <NULL> {2,2,2,2,2,2,2,2,2,2} 7 1 34992 276 2003 <NULL> {3,3,3,3,3,3,3,3,3,3} 7 1 35016 276 2004 <NULL> {4,4,4,4,4,4,4,4,4,4} 7 1 35160 276 2005 <NULL> {6,6,6,6,6,6,6,6,6,6} 7 1 35088 276 2006 <NULL> {7,7,7,7,7,7,7,7,7,7} 7 1 35112 276 2007 <NULL> {1,1,1,1,1,1,1,1,1,1} 7 1 34968 276 2008 <NULL> {2,2,2,2,2,2,2,2,2,2} 7 1 35064 276 2009 <NULL> {4,4,4,4,4,4,4,4,4,4} 7 1 35040 276 2010 <NULL> {5,5,5,5,5,5,5,5,5,5} 7 1 35064 276 2011 <NULL> {6,6,6,6,6,6,6,6,6,6} 7 1 35088 276 2012 <NULL> {7,7,7,7,7,7,7,7,7,7} 7 1 35136 276 2013 <NULL> {2,2,2,2,2,2,2,2,2,2} 7 1 34992 276 2014 <NULL> {3,3,3,3,3,3,3,3,3,3} 7 1 35016 276 2015 <NULL> {4,4,4,4,4,4,4,4,4,4} 7 1 35040 276 2016 <NULL> {5,5,5,5,5,5,5,5,5,5} 7 1 35208 276 2017 <NULL> {7,7,7,7,7,7,7,7,7,7} 7 1 35112 276 2018 <NULL> {1,1,1,1,1,1,1,1,1,1} 7 1 34968 276 2019 <NULL> {2,2,2,2,2,2,2,2,2,2} 7 1 34992

... ...

0 1 2 3 4 5 6 7 8

0 2000 4000 6000 8000

Wochentag (1..7)

Stunde des Jahres

Kontrollgrößen

8.760/8.784 Werte

19

id_region year_weather internal_id values max min sum 1001000 2005 <NULL> {0,0,0,0,0,0,0,0,0,0} 217 0 1051420.1 1001000 2006 <NULL> {0,0,0,0,0,0,0,0,0,0} 216 0 1024077.4 1001000 2007 <NULL> {0,0,0,0,0,0,0,0,0,0} 214 0 1041775.9 1001000 2008 <NULL> {0,0,0,0,0,0,0,0,0,0} 220 0 1084121.2 1001000 2009 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1091541.9 1001000 2010 <NULL> {0,0,0,0,0,0,0,0,0,0} 220 0 1020511.4 1001000 2011 <NULL> {0,0,0,0,0,0,0,0,0,0} 220 0 1011862 1001000 2012 <NULL> {0,0,0,0,0,0,0,0,0,0} 210 0 1016451.5 1001000 2013 <NULL> {0,0,0,0,0,0,0,0,0,0} 221 0 1038220.8 1001000 2014 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1105847.4 1001000 2015 <NULL> {0,0,0,0,0,0,0,0,0,0} 217 0 1065595 1001000 2016 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1066632 1001000 2017 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1019200.8 1001000 2018 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1108542.3 1002000 2005 <NULL> {0,0,0,0,0,0,0,0,0,0} 224 0 1076203.1 1002000 2006 <NULL> {0,0,0,0,0,0,0,0,0,0} 218 0 1047444.1 1002000 2007 <NULL> {0,0,0,0,0,0,0,0,0,0} 216 0 1056355.6 1002000 2008 <NULL> {0,0,0,0,0,0,0,0,0,0} 220 0 1100952.1 1002000 2009 <NULL> {0,0,0,0,0,0,0,0,0,0} 222 0 1113067.3 1002000 2010 <NULL> {0,0,0,0,0,0,0,0,0,0} 223 0 1029414.4 1002000 2011 <NULL> {0,0,0,0,0,0,0,0,0,0} 217 0 1038813.2 1002000 2012 <NULL> {0,0,0,0,0,0,0,0,0,0} 212 0 1041145 1002000 2013 <NULL> {0,0,0,0,0,0,0,0,0,0} 222 0 1068197.4 1002000 2014 <NULL> {0,0,0,0,0,0,0,0,0,0} 222 0 1135471.6 1002000 2015 <NULL> {0,0,0,0,0,0,0,0,0,0} 219 0 1111553.1 1002000 2016 <NULL> {0,0,0,0,0,0,0,0,0,0} 217 0 1092447.6 1002000 2017 <NULL> {0,0,0,0,0,0,0,0,0,0} 216 0 1046118.4 1002000 2018 <NULL> {0,0,0,0,0,0,0,0,0,0} 220 0 1133615.3

Beispiel: Globalstrahlung

id_temporal=17 Globalstrahlung nach CAMS (15 Minuten)

... ... ... ... ... ...

Kontrollgrößen

4 x 8.760/8.784 Werte

0 50 100 150 200 250 300

0 10000 20000 30000

Energie in Wh/15 Minuten

Viertelstunde des Jahres

Spalte Wert

id_temporal 17

title Globalstrahlung

description_short Globalstrahlung nach CAMS (15 Minuten)

description_long Globalstrahlung auf horizontale Ebene nach CAMS in viertelstündlicher Auflösung

years_weather {2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015, 2016,2017}

region_types {lk}

time_step 15 Min

sector alle

application alle

units Wh/m²

internal_id_description <NULL>

0 50 100 150 200 250 300

15264 15360 15456

Energie in Wh/15 Minuten

Viertelstunde des Jahres

20

Ausgewählte Datensätze

Räumliche Auflösung Zeitliche Auflösung (+räumlich)

Anzahl Haushalte nach Haushaltsgröße Bevölkerung

Bevölkerungsentwicklung

Erwerbspersonen

Gasverbrauch der Haushalte

Sozialversicherungspflichtig

Beschäftigte Fortschreibung:

Szenario Basis/Digital

Stromerzeugungsanlagen in der Industrie (je WZ)

Heizstrukturen

Umweltökonomische Gesamtrechnung Stromverbrauch nach

Haushaltsgröße

Energieverwendung In der Industrie

Außentemperatur (LK-Mittelpunkt)

Außentemperatur (größte Siedlung)

Globalstrahlung Sonnenhöhe

Wochentag Stunde des Tages Tag des Jahres Feiertage Schulferien

Gleitende Temperaturen, 24h-Mittel, …

SLP Zeitreihe SLP

Jahreszeiten

Zeitreihen Last (LK) Zeitreihen Last (Wirtschaftszweige)

22

Motivation für DemandRegio

Die Datenbankstruktur

Beispiele

Das Veröffentlichungskonzept

Gliederung

23

Beispiel 1: Energieverbrauch in den Sektoren „Industrie und GHD“

24

Eingangsdaten

id_spatial = 21 [de]

Energieverwendung in der Industrie: Stromverbrauch

je WZ (2008..2017)

id_spatial = 22 [de]

Fachserie 4 Reihe 6.4:

Stromerzeugungsanlagen in der Industrie (ausgewählte WZ,

2008..2017)

id_spatial = 17 [lk]

Sozialversicherungspflichtig Besch. je LK & WZ (2008..2018)

id_spatial = 15 [lk]

Regionalstatistik, Tabelle 43531:

Energieverwendung (2003...2017)

id_spatial = 25 [lk]

Stromverbrauch der Industrie je LK und WZ

mit Netzbezug und Eigenerzeugung

(2008..2017)

25

id_spatial = 18: Synthese von Beschäftigtenzahlen

Rohdaten WZ

Jahr 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 35 36 37 38 39 41 42 43 45 46 47 49 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 2008-6

2008-9 2009-6 2009-9 2010-6 2010-9 2011-6 2011-9 2012-6 2012-9 2013-6 2013-9 2014-6 2014-9 2015-6 2015-9 2016-6 2016-9 2017-6 2017-9 2018-6 2018-9

Synthese WZ

Jahr 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 35 36 37 38 39 41 42 43 45 46 47 49 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 2008-6

2008-9 2009-6 2009-9 2010-6 2010-9 2011-6 2011-9 2012-6 2012-9 2013-6 2013-9 2014-6 2014-9 2015-6 2015-9 2016-6 2016-9 2017-6 2017-9 2018-6 2018-9

MünchenMünchen

M ün che n, id _s pati al = 17 M ün chen, id _s pati al = 18

26

id_spatial = 18: Synthese von Beschäftigtenzahlen

D üren, id _s pati al = 17 D üren, id _s pati al = 18

Rohdaten WZ

Jahr 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 35 36 37 38 39 41 42 43 45 46 47 49 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 2008-6

2008-9 2009-6 2009-9 2010-6 2010-9 2011-6 2011-9 2012-6 2012-9 2013-6 2013-9 2014-6 2014-9 2015-6 2015-9 2016-6 2016-9 2017-6 2017-9 2018-6 2018-9

Synthese WZ

Jahr 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 35 36 37 38 39 41 42 43 45 46 47 49 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 2008-6

2008-9 2009-6 2009-9 2010-6 2010-9 2011-6 2011-9 2012-6 2012-9 2013-6 2013-9 2014-6 2014-9 2015-6 2015-9 2016-6 2016-9 2017-6 2017-9 2018-6 2018-9

DürenDüren

28

id_spatial = 25 „Stromverbrauch Industrie“, davon Eigenerzeugung

Industrielle Stromerzeugung 2008..2018

Größte Anteile

• WZ 20 „Herstellung von chem. Erzeugnissen“

• WZ 05 „Kohlenbergbau“

• WZ 24 „Metallerzeugung und -bearbeitung “

Jahressumme = 100 % nach BMWi Energiedaten, Tabelle 21

Regionale Verteilung

29

id_spatial = 25 „Stromverbrauch Industrie“, davon Stromverbrauch

Stromverbrauch d. Industrie 2008..2018

Größte Anteile

• WZ 20 „Herstellung von chem. Erzeugnissen“

• WZ 29 „Herstellung von Kraftwagen und Kraftwagenteilen “

• WZ 24 „Metallerzeugung und -bearbeitung “

Abweichung zu BMWi Energiedaten, Tabelle 21: +1..+4 %

Regionale Statistiken Saarland

https://www.destatis.de/GPStatistik/servlets/MCRFileNodeServlet/SLAusgabe_derivate_00000191/SL_Sonderhefte_22 6_(Produzierendes_Gewerbe_2014).pdf;jsessionid=490865F8690EBEBBCF1DC23AE6AC0342

• 2014, Stromverbrauch je WZ in GWh

WZ Statisik DemandRegio

B-C 4,572 4,572

24 1,863 1,865

29 596 544

20 467 265

25 401 211

28 316 156

22 259 153

10 173 209

32 123 21

16 100 50

23 74 197

17 1 231

Fazit

Summe und größte Verbraucher werden gut abgebildet

5 7 % 5 7 % 8 6 % 4 7 % 6 3 % 8 6 % 4 5 % 7 7 % 5 3 % 8 3 % 1 0 0 %

id_spatial=18

Anteil

Synthese

30

Beispiel 2: Energieverbrauch im Sektor „private Haushalte“

31

Eingangsdaten

id_spatial = 2 [de]

BMWi-Energiedaten Tabelle 21 1991..2018 (2016ff AGEB)

id_spatial = 1 [lk]

Regionalstatistik Tabelle 12411

1997..2017

id_spatial = 46 [bl]

GENESIS-Online Vorausberechnung

2019..2060

id_spatial = 13 [de]

EnergieAgentur.NRW 2015

id_spatial = 55 [lk]

Regional aufgelöster Stromverbrauch der privaten Haushalte nach

Haushaltsgröße 2016..2060

id_spatial in (40,41,43) [lk]

Raumordnungsprognose 2030 (BBSR)

Bevölkerung, Haushalte, …

32

id_spatial = 48 „Vorausberechnung der Bevölkerung [LK]“

Deutschland

Bayern München

Fürstenfeldbruck Sachsen-Anhalt

0 10 20 30 40 50 60 70 80 90

2000 2020 2040 2060

Be vö lk er un g in M io .

Jahr Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi -42#P DemandRegio_eV_00047

0 2 4 6 8 10 12 14 16

2000 2020 2040 2060

Be vö lk er un g in M io .

Jahr Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi -42#P DemandRegio_eV_00048

0 1 1 2 2 3 3

2000 2020 2040 2060

Be vö lk er un g in M io .

Jahr Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi -42#P DemandRegio_eV_00050

0 200 400 600 800 1000 1200 1400 1600

1990 2010 2030 2050

Be vö lk er un g in T sd .

Jahr Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi -42#P DemandRegio_eV_00051

0 50 100 150 200 250 300

1990 2010 2030 2050

Be vö lk er un g in T sd .

Jahr Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi -42#P DemandRegio_eV_00052

33

0 20 40 60 80 100 120 140 160

2000 2010 2020 2030 2040 2050 2060

St ro m ve rb ra uc h in T W h

Jahr

Historisch G2L2W1 G2L2W2 G2L2W3

©FfE CC-BY 4.0 BMWi-42#P DemandRegio_eV_00046

id_spatial = 55 „Stromverbrauch d. privaten Haushalte“

Stromverbrauch der privaten Haushalte

Entwicklung des Stromverbrauchs

• Anstieg bis 2030, da die Anzahl der 1-Pers.-Haushalte steigt

• Einfluss der Szenarien: ±5 %

• Nur Fortschreibung von konventionellen Stromanwendungen!

Keine Elektrostraßenfahrzeuge, kein Power-to-X!

Historische Daten entsprechen = BMWi Energiedaten, Tabelle 21

Regionale Verteilung

35 0

1000 2000 3000 4000 5000 6000 7000 8000

2000 2010 2020 2030 2040 2050 2060

St ro m ve rb ra uch i n G W h

Jahr private Haushalte

id_spatial = 55 „Stromverbrauch d. privaten Haushalte in Berlin“

28%

24%

40%

8%

28%

24%

40%

8%

28%

25%

34%

13%

1 Pers.

28%

2 Pers.

25%

3 Pers.

34%

4+ Pers.

13%

1 Pers. 2 Pers. 3 Pers. 4+ Pers.

36 0

50 100 150 200 250 300 350 400 450 500

2000 2010 2020 2030 2040 2050 2060

St ro m ve rb ra uch i n G W h

Jahr private Haushalte

id_spatial = 55 „Stromverbrauch d. privaten Haushalte in Düren“

1 Pers.

28%

2 Pers.

25%

3 Pers.

34%

4+ Pers.

13%

1 Pers. 2 Pers. 3 Pers. 4+ Pers.

14%

24%

40%

22% 16%

23%

47%

14% 16%

23%

47%

14%

37

Motivation für DemandRegio

Die Datenbankstruktur

Beispiele

Das Veröffentlichungskonzept

Gliederung

38

Wo liegen die Daten?

Projektantrag

Upload Anfang 2020 Schnittstelle im Projekt opendata.ffe.de