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