Content uploaded by Andreas Gabriel Von Recklinghausen
Author content
All content in this area was uploaded by Andreas Gabriel Von Recklinghausen on May 25, 2016
Content may be subject to copyright.
DIE ROLLE URBANER RÄUME ZUR
INTEGRATION FLUKTUIERENDER
ERNEUERBARER ENERGIEN
Optimierung von Strom- und Wärmeerzeugung unter Berücksichtigung
einer zeitlichen Änderung des Anlagenparks
Masterarbeit
02. März 2016
vorgelegt von: Andreas von Recklinghausen
Studiengang: Regenerative Energiesysteme
Matrikelnummer: 316248
E-Mail: andreas.von.recklinghausen@mailbox.org
Betreuer: Prof. Dr.-Ing. Prof. e.h. Dr. h.c. George Tsatsaronis (TU Berlin)
Dipl.-Ing. Andreas Christidis (TU Berlin)
Dipl.-Ing. Jens Buchgeister (KIT)
Eidesstattliche Erklärung
Hiermit erkläre ich an Eides statt, dass ich die vorliegende Arbeit selbständig und ohne fremde Hilfe
bzw. ausschließlich unter Zuhilfenahme zugelassener Hilfsmittel verfasst habe. Es wurden keine
anderen als die angegebenen Quellen verwendet. Die aus den benutzten Quellen wörtlich oder
inhaltlich entnommenen Stellen wurden als solche kenntlich gemacht. Die Arbeit wurde bisher keiner
anderen Prüfungsbehörde vorgelegt und auch noch nicht veröffentlicht.
Die selbständige und eigenhändige Ausfertigung versichert an Eides statt
Sohland am Rotstein, den
Andreas von Recklinghausen
iii
Zusammenfassung
Ausgehend von der These, dass in Zukunft die Nutzung von Wärmepumpen und Kraft-Wärme-
Kopplungsanlagen zur Wärmeversorgung von einzelnen Häusern und auch von ganzen Fernwärme-
netzen zur Integration fluktuierender erneuerbarer Energien beitragen kann, wird in dieser Arbeit
ein Energiesystem-Modell sowohl der Strom- als auch Wärmeversorgung der Stadt Berlin entwickelt.
Dieses berechnet unter Vorgabe bestimmter Rahmenbedingungen sowohl den kostenoptimalen Anla-
genausbau als auch deren Betrieb für den Zeithorizont 2010 bis 2050. Hierzu wird zunächst das schon
etablierte generische Energiesystemmodell Balmorel durch die Modellierung der Wärmeversorgung
von einzelnen Häusern sowie der gleichzeitigen Optimierung eines mehrjährigen Zeithorizontes erwei-
tert. Dann wird ein Datensatz zur Beschreibung des bestehenden Energiesystems und der Entwicklung
zukünftiger Rahmenbedingungen etabliert.
Um nun die Möglichkeiten des Strom- und Wärmeversorgungssystems einer ganzen Stadt zur
Integration fluktuierender erneuerbarer Energien (fEE) zu untersuchen, werden eine Vielzahl an
Optimierungsrechnungen jeweils unter geänderten Rahmenbedingungen durchgeführt. Die Ergebnisse
dieser Rechnungen werden anhand der generierten Energiesystementwürfe diskutiert sowie anhand
gewichteter Strompreise und der zeitlichen Korrelation von Einspeisung und Last auf ihr jeweiliges
Integrationspotential untersucht.
Die Ergebnisse zeigen zweierlei: 1. die Potentiale der Integration von fEE durch dezentrale Heizsys-
teme ist stark eingeschränkt durch den heute existierenden Anlagenpark. 2. Trotzdessen kann eine
deutliche Ausrichtung des Energiesystems an die fluktuierende Einspeisung von Photovoltaik- und
Windkraft-Anlagen beobachtet werden. Möglich ist dies durch eine Mischung zentraler Fernwärme-
Heizkraftwerke und dezentraler Wärmepumpensysteme, beide jeweils kombiniert mit thermischen
Speichern.
Die Ergebnisse sind jedoch stark abhängig vom Import-/Export-Strompreis. In der Berechnung
der Systementwürfen wirken sich niedrige Strompreisen und eine hohe Fluktuation positiv auf
die Errichtung von Wärmepumpen aus: Diese werden in den entsprechenden Szenarien in der
Fernwärmeversorgung kosteneffizient. Gegenüber einer Änderung der Investitionskosten dezentraler
Blockheizkraftwerke, Wärmepumpen und Photovoltaik-Anlagen erweisen sich die Ergebnisse jedoch
als stabil.
v
Inhaltsverzeichnis
Abbildungsverzeichnis xi
Tabellenverzeichnis xiii
Abkürzungsverzeichnis xv
1 Einleitung 1
1.1 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Grundlagen der Modellierung von Elektrizitäts- und Wärmeversorgung 5
2.1 Kategorisierung von Energiesystemmodellen . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Methoden der modellhaften Darstellung von Zeit . . . . . . . . . . . . . . . . . . 7
2.1.2
Methoden der modellhaften Darstellung des Anlagenbetriebs: Unit commitment
vs. Economic dispatch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Gemeinsame Modellierung von Elektrizitäts- und Wärmeversorgungsstrukturen . . . 9
2.2.1
Die gemeinsame Betrachtung von Strom- und Wärmeversorgung: Herausforde-
rung und Lösungsansätze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2
Repräsentation der Elektrizitätsverteilung – Methoden und deren Vor- und
Nachteile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Modellierung von Stromspeichern . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Das Optimierungsmodell Balmorel und die in dieser Arbeit implementierten Er-
weiterungen 13
3.1 Grundprinzipien des Energiesystemmodells Balmorel . . . . . . . . . . . . . . . . . . . . 14
3.1.1 Repräsentation von Geographie und Zeit in Balmorel . . . . . . . . . . . . . . . 14
3.1.2 Darstellung der wichtigsten Gleichungen aus Balmorel . . . . . . . . . . . . . . 16
3.2 Anpassung von Balmorel in dieser Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1
Das BalBase4-Modell: von myopischer Optimierung zu rollierendem Zeithorizont
23
3.2.2
Implementierung einer erweiterten Darstellung der Einzelobjekt-Wärmeversorgung
26
3.2.3 Abstraktion der geographischen Bezeichner . . . . . . . . . . . . . . . . . . . . . 28
3.2.4
Darstellung von dezentralen thermischen Speichern und solarthermischen
Anlagen zur Heizungsunterstützung . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3
Diskussion der Realitätsnähe der dargelegten mathematischen Darstellung von technisch-
physikalischen Zusammenhängen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Szenariodaten 33
4.1 Machbarkeitsstudie Klimaneutrales Berlin 2050 . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.1 Betrachtete Handlungsfelder und Status Quo des Berliner Energiesystems . . 34
4.1.2 Die Szenarien der Machbarkeitsstudie . . . . . . . . . . . . . . . . . . . . . . . . . 35
vii
Inhaltsverzeichnis
4.2 Szenario des Wärme- und Stromverbrauchs . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.1 Entwicklung des Wärmeverbrauchs . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.2 Entwicklung des Stromverbrauchs . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Entwicklung variabler Kosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.1 Brennstoffkosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3.2 Stundenpreise des Im- und Exports von Strom . . . . . . . . . . . . . . . . . . . . 42
4.4 Anlagenbestand und Portfolio zukünftiger Technologieoptionen . . . . . . . . . . . . . 44
4.4.1 Heizungsanlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.4.2 EE-Anlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4.3 Anlagen zur Fernwärmeversorgung . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Analysekonzept zur Bewertung der Potentiale der Integration fluktuierender er-
neuerbarer Energien durch eine Kopplung von Wärme- und Elektrizitätssystemen 51
5.1
Kennzahlen zur Analyse des Integrationspotentiales fluktuierender erneuerbarer Ener-
gien eines städtischen Raumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Differenzierung der Szenarien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6 Darstellung und Diskussion der Ergebnisse 55
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE und Low-Price . . . . . . 57
6.1.1
Installierte elektrische und thermische Leistung sowie produzierte elektrische
Energie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.1.2 Gewichteter Strompreis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.1.3 Korrelationswerte für externen Strompreis und Residuallast . . . . . . . . . . . 63
6.2 Ergebnisdiskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2.1 BASE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2.2 Low-Price . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.2.3 EXPORT-0 und EXPORT-1000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.2.4 HIGH-FLUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.2.5 NO-BEST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2.6 ONLY-ICE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2.7 NO-HORIZON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2.8 NO-ROLLING . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.2.9
Vergleich der Ergebnisse aus Machbarkeitsstudie und Kosten-optimiertem Ausbau
75
7 Fazit 77
A Szenariodaten 81
A.1 Tabellen zur Bestimmung des Heizungsanlagenbestandes . . . . . . . . . . . . . . . . . 81
A.2 Annahmen zu Subventionen, Steuern, Stromverlusten und -preisen . . . . . . . . . . . 83
A.3 Technologiekennzahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung 89
B.1 Addon IND-Heat - Kurzdarstellung des neu-entwickelten Gleichungssystems in engli-
scher Sprache . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.2 Addon IND-Heat - Code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
C Inhalt des beigelegten Datenträgers 103
viii
Abbildungsverzeichnis
2.1 Klassifizierung ausgewählter Energiesystemmodelle . . . . . . . . . . . . . . . . . . . . . 6
3.1 Überblick über basale Zusammenhänge und Restriktionen in Balmorel . . . . . . . . . 15
3.2 Das modellierte Energiesystem im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1 Prognosen der Bevölkerungsentwicklung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Szenario der Wärmeverbrauchsentwicklung . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Kostenentwicklung der Energieträger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.1 Drei-Jahres Gesamtkosten der verschiedenen Szenarien . . . . . . . . . . . . . . . . . . 57
6.2 BASE - Installierte elektrische Leistung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.3 BASE - Produzierte elektrische Energie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.4 BASE - Installierte thermische Leistung zur Fernwärmeversorgung . . . . . . . . . . . . 59
6.5 BASE - Installierte thermische Leistung zur Einzelobjekt-Wärmeversorgung . . . . . . 59
6.6 Low-Price - Installierte elektrische Leistung . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.7 Low-Price - Produzierte elektrische Energie . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.8 Low-Price - Installierte thermische Leistung zur Fernwärmeversorgung . . . . . . . . . 60
6.9 Low-Price - Installierte thermische Leistung zur Einzelobjekt-Wärmeversorgung . . . . 60
6.10 BASE - Gewichtete Strompreise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.11 Low-Price - Gewichtete Strompreise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.12 BASE - Korrelationswerte für externen Strompreis . . . . . . . . . . . . . . . . . . . . . . 63
6.13 BASE - Korrelationswerte für Residuallast . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.14 Low-Price - Korrelationswerte für externen Strompreis . . . . . . . . . . . . . . . . . . . 64
6.15 Low-Price - Korrelationswerte für Residuallast . . . . . . . . . . . . . . . . . . . . . . . . 64
6.16 ONLY-ICE - Gewichtete Strompreise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.17 ONLY-ICE - Korrelationswerte für externen Strompreis . . . . . . . . . . . . . . . . . . . 73
6.18 ONLY-ICE - Korrelationswerte für Residuallast . . . . . . . . . . . . . . . . . . . . . . . . . 74
xi
Tabellenverzeichnis
3.1 Beispiele rollierender Simulationshorizonte . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1
Kenngrößen des Berliner Energiesystems 2010 nach AGEB-Sektoren und MKB-Handlungsfeldern
im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2
Stromverbrauch nach Handlungsfeldern für das Jahr 2010 und die verschiedenen
Szenarien (Reusswig u.a. 2014a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Kennwerte der Entwicklung des Stundenstrompreises im Basispfad . . . . . . . . . . . 43
4.4 Aufteilung des Heizungsanlagenbestands . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5 Aufteilung des Fernwärmebezugs auf Gebäudetypen . . . . . . . . . . . . . . . . . . . . 46
4.6 Kennzahlen der BHKW-Optionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.7 Auslegung der Heizungsanlage für die verschiedenen Gebäudetypen . . . . . . . . . . 48
4.8 Kennzahlen der Heizungsoptionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.9
Bestand [MW]und Potentiale [TJ]erneuerbarer Energien in Berlin (Quelle: Bestand -
EnergyMap (2015) und Potential - Reusswig u. a. (2014a, Tabelle 7, Tabelle 32)) . . . 49
6.1
Durchschnittliche Rechendauer differenziert nach verschiedenen Merkmalskombina-
tionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.2
Vergleich gewichteter Preise für Stromexport und -import auf Basis der Schattenwerte
(A) und des exogenen externen Strompreises (B); Werte sind dem BASE-Szenario
entnommen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.3 BASE - Korrelationen der Wärmelast . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.4
Kennwerte der Entwicklung des Stundenstrompreises für die Szenarien BASE und
HIGH-FLUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.5
HIGH-FLUX - Korrelationen von Power-to-Heat-Anlagen aufgeteilt nach dezentralen
Anlagen (Einzelobjekt-Wärmeversorgung) und FW-Anlagen . . . . . . . . . . . . . . . . 70
A.1 Entwicklung des Fernwärmebezugs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.2 Beheizungsstruktur von EZFH und MFH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.3 Angenommene feste Fördersätze auf Basis des Erneuerbare-Energien-Gesetzes . . . . 83
A.4 KWKG - Zusammenfassung der Zuschläge für Neuanlagen . . . . . . . . . . . . . . . . . 84
A.5 Eigene Abschätzung der KWK-Förderung für aggregiert modellierte Anlagen . . . . . . 84
A.6 CO2-Zertifikatskosten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
A.7 Bestandsanlagen zur Fernwärmeversorgung . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A.8
Technologieoptionen auf Basis von Erdgas (Gas Turbine World 2010; Rieder, Christidis
und Tsatsaronis 2014; Schröder u. a. 2013) . . . . . . . . . . . . . . . . . . . . . . . . . . 87
A.9 Technologieoptionen auf Basis EE Teil 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
A.10 Technologieoptionen auf Basis EE - Teil 2: Biogas . . . . . . . . . . . . . . . . . . . . . . 88
A.11 Technologieoptionen auf Basis EE - Teil 3: Holz . . . . . . . . . . . . . . . . . . . . . . . . 88
xiii
Abkürzungsverzeichnis
a,A area
AfS Amt für Statistik Berlin-Brandenburg
AGEB Arbeitsgemeinschaft Energiebilanzen
ASUE Arbeitsgemeinschaft für Sparsamen und umweltfreundlichen Energieverbrauch
BBSR Bundesinstituts für Bau, Stadt und Raumforschung
BHKW Blockheizkraftwerk
BMU Bundesumweltministerium
BR Brennstoff
BPR back-pressure turbine (Gegendruck-Turbine)
c Konstante
C country
CRF Kapitalwiedergewinnungsfaktor
EE erneuerbare Energien
EEG Erneuerbare-Energien-Gesetz
el elektrisch
ES Speicher elektrischer Energie
EStG Energiesteuergesetz
EZFH Ein- und Zweifamilien-Häuser
EXT extraction turbine (Entnahme-Kondensationsturbine)
fEE Fluktuierende erneuerbare Energien
f Faktor
f,F fuel, Brennstoff
FW Fernwärme
g,G generation technology
GEM General Equilibrium Model
GHD Gewerbe, Handel, Dienstleistung
HF Handlungsfeld
HO heat-only
HWE Heißwasser-Erzeuger
IND Einzelobjekt-Wärmeversorgung
inv Investition
ICE Internal combustion engine
k Kosten
KWK Kraft-Wärme-Kopplung
KWKG Kraft-Wärme-Kopplungsgesetz
LAK Länderarbeitskreises Energiebilanzen
MFH Mehrfamilien-Haus
xv
Abkürzungsverzeichnis
MKB Machbarkeitsstudie Klimaneutrales Berlin
n Anzahl
OM Operation and maintenance
P Leistung, Kapazität
PEM Partial Equilibrium Model
PtG Power-to-Gas
PtH Power-to-Heat
PV Photovoltaik
˙
QWärmestrom
r,R region
s,S season
ST Solarthermie
StromStG Stromsteuergesetz
tZeit, time step
th thermisch
TS Speicher thermischer Energie
UInnere Energie
VLS Volllaststunden
WEO World Energy Outlook
WK Wartungskosten
WP Wärmepumpe
WTG Wartung
y,YJahr, year
ZZielgröße
xvi
Kapitel 1
Einleitung
Die von der Bundesregierung 2010/11 beschlossene Umgestaltung des Energiesystems wird auf
mehreren räumlichen Ebenen und mit unterschiedlichsten Motivationen verfolgt. Während die Bun-
desregierung mit dem Energiepaket aus Energiekonzept und dem Beschluss zum Ausstieg aus der
Kernenergie am 6. Juni 2011 die „Oberziele“
1
Verminderung der Treibhausgasemissionen um 40 %
bis 2020 in Bezug zu 1990 und das Betriebsende der Kernkraftwerke bis 2022 verfolgt, haben sich die
einzelnen Länder des Bundes eigene Ziele für den Ausbau der erneuerbaren Energien (EE) gesetzt,
welche kumulativ die diesbezüglichen Ziele der Bundesregierung weit übertreffen.
2
Dieser Umstand
hat mehrere Gründe: allen voran der deutsche Föderalismus an sich, aber auch die Hoffnung der
Länder auf eine gesteigerte regionale Wertschöpfung durch den dezentralen Ausbau von EE und somit
einer Stabilisierung angeschlagener Landes- und Kommunalhaushalte.3
Dabei gestalten sich die Möglichkeiten zum Umsetzen der Ziele der Energiewende auf Grund von
geographischen und sozioökonomischen Ausgangssituationen in den Regionen recht unterschiedlich.
Insbesondere sind die Unterschiede zwischen ländlichen und städtischen Regionen hervorzuheben.
Während - stark vereinfacht - ländliche Regionen auf Grund der dünnen Besiedlung größere Flächen-
potentiale zum Ausbau von Windkraftanlagen und Freiflächen-Photovoltaikanlagen bieten sowie bei
vorhandener landwirtschaftlicher Landnutzung Biomasseanbau zur energetischen Nutzung möglich
ist, sind die genannten Umwandlungstechniken erneuerbarer Energien in städtischen Gebieten stark
eingeschränkt. Jedoch können hier verbrauchernahe Dach-Photovoltaikanlagen errichtet werden,
deren Elektrizitätseinspeisung auf Grund meist gut ausgebauter städtischer Verteilernetze keinen
erhöhten Netzausbau nach sich zieht.
4
Angemerkt sei aber auch, dass auf Grund der Bebauungsstruk-
tur (viele Mehrfamilien-Häuser) auf die Einwohnerzahl bezogen die Photovoltaik-Flächenpotentiale
nicht so hoch sind wie auf dem Land. Unter anderem durch den hohen Mieteranteil in Städten -
und somit keiner personellen Übereinstimmung von Dacheigentümer und darunter lebenden Strom-
verbrauchern - ist der Ausbau von Photovoltaik-Anlagen (PV) bislang nicht stark ausgeprägt. Des
Weiteren wird die Rolle der Städte in der Energiewende als Kompensator der volatilen Einspeisung
wetterabhängiger erneuerbarer Energien gesehen. So soll sowohl durch eine erhöhte Flexibilität der
effizienten Stromerzeugung in Kraft-Wärme-Kopplung (KWK) als auch durch einen einspeisesensiblen
Stromverbrauch zur Deckung der Residuallast beigetragen werden. Der Begriff Residuallast bezeichnet
die elektrische Leistungsnachfrage nach Abzug der Einspeiseleistung volatiler erneuerbarer Energien.
1Löschel u. a. 2012.
2Breyer und Müller 2013.
3Ohlhorst, Tews und Schreurs 2013.
4Büchner u. a. 2014.
1
Kapitel 1 Einleitung
Gleichzeitig wird auch eine stärkere Elektrifizierung bislang durch andere Energieträger gedeckter
Energiedienstleistungen gefordert, z.B. der Individualmobilität oder der Wohnraumbeheizung. Dies
ist darauf zurück zu führen, dass von den Endenergieträgern aus erneuerbaren Energien mit heutigen
Technologien Strom am kostengünstigsten beim Endverbraucher bereitzustellen ist.
Damit verbunden ist auch ein weiteres Handlungsfeld in der städtischen Energieversorgung: ein effi-
zienteres Wärmesystem. Dieses kann durch einerseits effizientere Wärmeversorgung und andererseits
bessere Gebäudedämmung umgesetzt werden. Letzteres aber konkurriert in Teilen wieder mit den
Integrationspotentialen von EE durch KWK-Anlagen, da durch sinkende gebäudespezifische Wärme-
verbräuche einerseits in Fernwärmenetzen die Wärmeabnahmedichte pro Leitungsabschnitt ebenfalls
sinkt und so deren Rentabilität gefährdet wird sowie andererseits in der dezentralen Wärmeversorgung
kleinere ineffizientere und weniger wirtschaftliche KWK-Anlagen zum Einsatz kommen. Die so darge-
legte Ausgangssituation zur Umstrukturierung des Energiesystems auf einen hohen Anteil EE erfordert
also eine regional differenzierte gemeinsame Betrachtung von Strom- und Wärmeversorgung.
Eine große Bandbreite von Studien untersucht das deutsche Energiesystem auf nationaler Ebene
5
,
wobei es bei diesen auch verschiedene Ansätze gibt, regionale Verteilungen von Energiebedarf bzw.
-verbrauch und Energieumwandlung abzubilden; etwa über Geoinformationsdaten zu EE-Potentialen
6
oder Statistikdaten zur Bevölkerungsverteilung
7
. Diese legen ihren Fokus meist auf das Elektrizi-
tätssystem. Ausnahmen bilden hier etwa die Modelle Times-Heat-DE
8
und REMod-D
9
, sowie der
iterative Ansatz gezeigt von Bauermann, Spiecker und Weber (2014). Doch wird in diesen Studien
der regionalen Diversität kein expliziter Untersuchungsansatz gewidmet. Wenige Studien zur Wärme-
und Stromversorgung unterhalb der nationalen Ebene existieren; etwa Twele, Müller und Möller
(2012) betrachten das Energiesystem (Elektrizität und Heizwärme) von Brandenburg und Berlin. Hier
werden allerdings keine Investitionspfade der Strom- und Wärmeversorgung über einen mehrjährigen
Zeitraum entwickelt, sondern nur ein zukünftiger Zustand im Jahr 2030 betrachtet. Noch kleintei-
ligere Betrachtungen gibt es zur urbanen Energieversorgung. Einen Überblick über die vielfältigen
Modellierungsansätze geben Keirstead, Jennings und Sivakumar (2012).
1.1 Problemstellung
Die vorliegende Arbeit beschäftigt sich mit einer Untersuchung von Kraft-Wärme-Kopplung- und
Power-to-Heat-Potentialen zur Integration fluktuierender erneuerbarer Energien unter sich ändernden
Rahmenbedingungen im Berliner Stadtgebiet. Zum Verständnis dieses Untersuchungsthemas sind
mehrere Erläuterungen notwendig. Erst einmal ist konkret zu klären, inwiefern ein Zusammenhang
zwischen Kraft-Wärme-Kopplung sowie Power-to-Heat (PtH) und der Integration erneuerbarer Ener-
gien besteht. Dann stellt sich die Frage, was mit sich ändernden Rahmenbedingungen gemeint und
warum dieser Aspekt wichtig für die Untersuchung von Potentialen zur Integration fluktuierender EE
ist. Dies ist eng verbunden mit der zu Grunde liegenden Konzeption des Begriffs Potential.
In Sathaye u. a. (2001) werden fünf hierarchische Potentialstufen der technischen Treibhausgasre-
duktion unterschieden (von hohem zu niedrigem Potential): Physikalisches Potential, technisches
Potential, sozioökonomisches Potential, ökonomisches Potential und zuletzt das umgesetzte Markt-
5vgl. hierzu Kronenberg u. a. 2012.
6Scholz 2012-06-01.
7vgl. hierzu auch Elsland u. a. 2014-04-17.
8Merkel u. a. 2012.
9Henning und Palzer 2014.
2
1.2 Aufbau der Arbeit
potential. Die vorliegende Untersuchung ordnet sich zwischen technischem und ökonomischem
Potential ein. So wird die reine technische Machbarkeit bestimmter Optionen eingegrenzt durch 1)
ihre Sinnhaftigkeit auf Basis eines ökonomischen Aspekts (hier die Minimierung der Bereitstellungs-
kosten vorgegebener Strom- und Wärmeverbräuche) und 2) festzulegende Investitionszeiträume für
neue Umwandlungsanlagen basierend auf der Altersstruktur des bestehenden Anlagenparks und
deren durchschnittlicher Lebensdauer. Für die komplette Bestimmung des sozioökonomischen und
ökonomischen Potentials wäre unter anderem die Berücksichtigung von gesellschaftlichen Diffusions-
prozessen neuer Technologien, Wissensasymmetrien und Marktverhalten unterschiedlicher Akteure,
sowie diesem zu Grunde liegenden Geschäftsmodellen, notwendig. Von herausragender Bedeutung
sind hier das Verhalten der Stadtregierung und der großen Energie- und Wohnungsbaugesellschaften.
Die Entscheidung Investitionszeiträume zu berücksichtigen, wird begründet mit den relativ langen
Austauschzyklen energietechnischer Anlagen, und somit einer andauernden Festlegung der Infra-
struktur bei gleichzeitiger Weiterentwickelung der zum Einsatz kommenden Technologien und sich
ändernder Verbrauchsstrukturen sowie Energieträgerpreisen. Hierdurch ist zu bestimmten zukünfti-
gen Zeitpunkten nur ein Teil des bestehenden Anlagenparks durch moderne Anlagen ersetzbar und
nicht das gesamte technische und ökonomische Potential zu verwirklichen. Auch verändern sich die
Kostenbeiträge der betrachteten Technologieoptionen durch sich ändernde Rahmenbedingungen in
der Zukunft.
1.2 Aufbau der Arbeit
Zu Beginn dieser Arbeit wird in Kapitel 2 ein kurzer Überblick über die Grundlagen zur Energie-
systemmodellierung gegeben. Durch diese soll eine bessere Einordnung des im nächsten Kapitel 3
vorgestellten und zur Beantwortung der gestellten Forschungsfrage genutzten Energiesystemmodells
Balmorel ermöglicht werden. Schwerpunkt in diesem Methodik-Kapitel bildet die Darstellung der im
Rahmen dieser Masterarbeit entwickelten Erweiterungen des Balmorel-Modells.
Im nächsten Kapitel ab Seite 33 wird zunächst ein Überblick über Studien zum Berliner Ener-
giesystem gegeben, um dann auf die im Auftrag der Senatsverwaltung für Stadtentwicklung und
Umwelt erstellte „Machbarkeitsstudie Klimaneutrales Berlin 2050“
10
vertiefend einzugehen. Diese
stellt die bis zum heutigen Tag umfangreichste Arbeit zum Berliner Energiesystem dar. Ausgehend
von dieser Studie werden zukünftige Entwicklungen des Energieverbrauchs erstellt (Abschnitt 4.2).
Darauf folgend werden in Abschnitt 4.3 Annahmen zu einer möglichen zukünftigen Entwicklung
der Energieträgerkosten basierend auf einer Literaturrecherche getroffen.
11
Weiterhin werden in
Abschnitt 4.4 Datensätze heute in Berlin installierter Energieanlagen sowie zukünftig verfügbarer
Technologieoptionen entwickelt.
Zur Beantwortung der oben dargestellten Forschungsfrage wird in Kapitel 5 ein Analysekonzept
bestehend aus einer sequenziellen Szenario-Erstellung und geeigneten Kennwerten entwickelt. Auch
wird ein Bewertungsansatz für den Beitrag des betrachteten städtischen Systems zur Integration eines
von seiner Umwelt abhängenden Sachverhalts vorgestellt.
Die Ergebnisse der Modellrechnungen werden in Kapitel 6 zuerst anhand der zuvor etablierten
Kennwerte dargestellt und diskutiert. Hierbei werden verschiedene Systemzusammenhänge beleuchtet
und deren Sensitivität besprochen. Abgeschlossen wird die Arbeit mit einer Zusammenfassung der in
10Reusswig u. a. 2014a.
11
Eine Aufarbeitung weiterer für die Energiesystembetrachtung relevanter Kosten wie Förder- und Steuersätze wird in
Anhang A.2 durchgeführt
3
Kapitel 1 Einleitung
dieser Arbeit erhaltenen Einsichten und sich daraus ergebenden Schlussfolgerungen. Des Weiteren
wird der aus Sicht des Verfassers weitere Forschungsbedarf dargestellt.
4
Kapitel 2
Grundlagen der Modellierung von Elektrizitäts-
und Wärmeversorgung
In diesem Kapitel werden Grundlagen der Energiesystemmodellierung dargelegt. Auf Grund des
umfangreichen Themengebietes konzentriert sich dieser Abschnitt dabei auf ausgewählte Themen,
welche als relevant für die vorliegende Arbeit gehalten werden. So wird zuerst als Einordnung des in
dieser Arbeit angewandten Modells eine Kategorisierung von Energiesystemmodellen vorgenommen.
Diese ist angelehnt an die Dissertation von Schaber (2013, S. 25) sowie die Diplomarbeit von Dittmar
(2006, S. 4 ff.). Anschließend wird auf die Gründe für eine gemeinsame Modellierung von Elektrizitäts-
und Wärmesystemen eingegangen (siehe Abschnitt 2.2). Hierbei werden auch die Schwierigkeiten,
die sich bei diesem Versuch ergeben, erörtert. Das Grundlagenkapitel wird mit einem Überblick über
unterschiedliche Energiespeichertechnologien und die Möglichkeiten, diese in Energiesystemmodellen
abzubilden, abgeschlossen (Abschnitt 2.2.3).
Da großer Aufwand betrieben wurde eine Optimierung über den gesamten betrachteten Zeit-
horizont durchzuführen, wird in Abschnitt 2.1.1 der Einfluss des Betrachtungszeitraums auf die
Optimierungsergebnisse aufgegriffen und übliche Ansätze aus der Literatur andiskutiert. Um eine
Einordnung der Modellierungsergebnisse zu vereinfachen, werden in Abschnitt 2.1.2 verschiedene
Methoden der Modellierung des Einsatzes technischer Anlagen vorgestellt.
2.1 Kategorisierung von Energiesystemmodellen
Trotz der langen Tradition der Energiesystemmodellierung existiert kaum eine systematische Dar-
stellung der verschiedenen Modellierungsmethoden mit deren jeweiligem Erkenntnisgewinn. Eine
konkrete Kategorisierung gestaltet sich unter anderem deshalb schwierig, da unterschiedlichste Fra-
gestellungen in der Energiemodellierung bearbeitet wurden und häufig methodische Mischformen
Anwendung fanden.
1
Ein weiterer gewichtiger Grund für die Unzulänglichkeit der theoretischen
Aufbereitung ist der stete Anwendungs- und Politikberatungsbezug der Modellierungsvorhaben im
Energiebereich. Hierdurch hinkt die Theorieentwicklung der Methodenentwicklung deutlich hinterher.
Entlang von verschiedensten Aspekten werden Energiesystemmodelle versucht zu kategorisieren:
Während etwa Timmerman, Vandevelde und van Eetvelde (2014) eine methodische Klassifizierung
1
Eine Vermutung des Autors ist, dass eine Vielzahl an Modellen für jeweils eine spezifische Fragestellung entwickelt
wurden, dann aber teilweise auf Grund des mit der Erstellung einhergehenden Arbeits- und Zeitaufwands auch für
nicht ursprünglich angedachte Forschungsfragen verwendet und zu diesem Zweck sequentiell weiterentwickelt wurden.
5
Kapitel 2 Grundlagen der Modellierung von Elektrizitäts- und Wärmeversorgung
anhand von Modellierungsverfahren versuchen, ordnet Schaber (2013)
2
Energiesystemmodelle nach
zwei thematischen Aspekten: nach deren erstens zeitlichen und zweitens räumlichen Auflösung. Hierzu
benennt sie die drei Kategorien: langfristige Modelle, kurzfristige Modelle (Anlageneinsatzplanung)
und hybride Modelle. Durch die zeitlich fluktuierende Leistungseinspeisung eines Großteils der
erneuerbaren Energietechnologien gewinnen die letzteren Modelle an Bedeutung. In Abbildung 2.1
ist eine Auswahl an Modellen nach den vorgenannten thematischen Aspekten abgebildet. Eine weitere
allgemein anerkannte basale Kategorisierung wird häufig auch anhand der Unterscheidung von
Bottom-up- und Top-down-Modellierung getroffen. Diese geht häufig mit der oben genannten zeitlichen
und räumlichen Auflösung überein. Allerdings ist der Differenzierungsaspekt ein methodischer: das
Detaillevel der Darstellung von (Teil-)Systemaspekten und die Art und Weise der Wechselwirkungen
zwischen diesen. Die folgende kurze Differenzierung entlang der Aspekte Top-down und Bottom-up
basiert auf den Ausführungen von Dittmar (2006) sowie Möst und Fichtner (2009).
Top-down-Ansätze sind charakterisiert durch makroökonomische Modellierungsansätze, welche es
ermöglichen sich gesamtwirtschaftlichen Systemzusammenhängen auf regionaler, nationaler oder in-
ternationaler Ebene anzunähern. Hierzu werden für die verschiedenen betrachteten Güter aggregierte
Nachfrage- und Produktionsfunktionen gebildet, welchen häufig Elastizitäten zugeordnet werden.
Methodisch umgesetzt wird dies in General Equilibrium Models (GEMs)
3
oder Input-Output-Modellen
(I/O-Modelle). Letztere werden häufig als Kurzfrist-Modelle (Horizont von wenigen Jahren) eingesetzt,
da eine modellendogene Veränderung der Zusammenhänge von Eingangs- und Ausgangswarenströ-
men der einzelnen betrachteten Sektoren - wenn überhaupt - nur stark abstrahiert implementiert
werden kann, und somit geänderte Produktionszusammenhänge nicht abgebildet werden können.
system operation
long term development
hours minutes secondsdaysweeksseasons1 year5 years>10 years
Temporal
resolution
ReMIND
EFDA-TIMES
IMAKUS
URBS-EU/D
ELMOD
LIMES
PSST
DIANA
DIMENSION
WITCH
POLES
ReMIX
Grid simulation (e.g. DigSiLENT)
inter-temporal
hybrid
operational
RICE
world continents countries regions cities houses
Spatial
resolution
Abbildung 2.1: Klassifizierung ausgewählter Energiesystemmodelle (Quelle: Schaber 2013, S. 25)
2unter Bezugnahme auf Haller 2012; Pina, Silva und Ferrão 2013.
3deutsch - Allgemeines Gleichgewichtsmodell
6
2.1 Kategorisierung von Energiesystemmodellen
Dagegen können Bottom-up-Ansätze in erster Linie über eine technologieexplizite Darstellung des
Energieumwandlungssektors charakterisiert werden. Es werden wenig bis keine Rückkopplungen
mit anderen Wirtschafts- oder Gesellschaftsbereichen betrachtet. Hierdurch ist zum Beispiel keine
modellinterne Darstellung des Zusammenhangs aus verstärkter Nutzung eines bestimmten Brennstoffs
und eines dadurch bedingten Preisanstiegs für diesen möglich. Auch Lernkurven durch verstärkten
Einsatz bestimmter Technologien sind nur bedingt abbildbar.
Die meisten Energiesystemmodelle berechnen auf Basis einer ökonomischen Optimierung die
Ausgangsgrößen und werden dann häufig als Partial Equilibrium Models (PEMs) bezüglich des jeweils
betrachteten Energieträgers bezeichnet. Jedoch gibt es auch iterative Simulationsmodelle (etwa
für rein technische Systeme umgesetzt in Simulink oder für sozio-technische Systeme in System
Dynamics-Umgebungen) sowie eher buchhalterische Modelle (zum Beispiel das zur Berechnung der
BMU-Leitstudie 2011
4
genutzte Modell MESAP/PlaNet
5
).
6
Mit buchhalterischen Modellen ist hier
die quantitative Erfassung eines Anlagenparks sowie dessen Charakteristik gemeint. Es werden die
physikalischen und monetären Ströme bilanziert, während die Anteile der einzelnen Technologien
exogen vorzugeben sind. Somit sind derartige Modelle stark von Parametern getrieben und können
nicht - basierend auf Algorithmen - modellendogen Zubau und Betrieb von energietechnischen
Anlagen bestimmen.
Ausgehend von der oben dargestellten Klassifizierung nach dem zeitlichen Aspekt wird im Folgenden
auf den Einfluss der Zeitdarstellung auf die Ergebnisse in Optimierungsmodellen eingegangen. Dabei
wird zuerst der insgesamt betrachtete Zeithorizont diskutiert und dann auf dessen innere zeitliche
Auflösung eingegangen, d.h. welches ist der kürzeste betrachtete Zeitschritt innerhalb des modellierten
Zeithorizonts und wie wird dieser dargestellt. Eine sowohl „kurz“ als auch „lang“ gänzlich und
kontinuierlich abdeckende Betrachtungsweise kann auf Grund begrenzter Rechenkapazitäten nicht
geleistet werden. Somit muss je nach Forschungsfrage entschieden werden, welche Betrachtungsweise
und Modellierungsmethode der Zeitdarstellung zum Einsatz kommt.
2.1.1 Methoden der modellhaften Darstellung von Zeit
In Abhängigkeit vom Forschungsgegenstand sind gewisse Zeiträume mehr oder weniger von Bedeu-
tung. Beispiele für unterschiedliche Fragestellungen mit unterschiedlichen Zeithorizonten sind die
folgenden:
• Klimamodellierung /Integrated Assessment Models: 30 - 100 Jahre
• Langfristige Kraftwerkparksplanung: 20 - 50 Jahre
•
Strompreisprognose (sogenannte Fundamentalmodelle, häufig ohne endogenen Kraftwerksaus-
bau): >5 Jahre
• Stromnetzsimulation: Minuten bis Sekunden
4Nitsch u. a. 2012b.
5Schlenzig 1997.
6
Sowohl bei der Konzeption als auch der Ergebnisinterpretation von Modellen werden unterschiedliche und teils nicht
explizierte Annahmen getroffen (Dieckhoff 2015; Pissarskoi 2014). So werden etwa häufig optimierende Modelle je nach
Umfang der Vorgabe von Eingangsgrößen als General Equilibrium Models (GEMs) oder Partial Equilibrium Models (PEMs)
bezeichnet und auf diese Weise die Annahme eines perfekten bzw. teilweise perfekten Marktes getroffen. Inwieweit
diese überhaupt für gewisse Güter gegeben sind oder die modellierten Systemgrenzen mit denen des entsprechenden
Marktes übereinstimmen, wird teilweise nicht diskutiert oder gar untersucht.
7
Kapitel 2 Grundlagen der Modellierung von Elektrizitäts- und Wärmeversorgung
Ein weiterer Anwendungsfall der Modellierung nur eines zukünftigen Jahres ist die Abschätzung
maximal möglicher Beiträge von Technologien. Etwa Hedegaard und Balyk (2013) untersuchen den
Einfluss von Wärmepumpen auf das Stromsystem. Pfadabhängigkeiten werden hier für eine erste
Abschätzung nicht berücksichtigt.
Neben dem gesamten betrachteten Zeitraum ist auch die Modellierung der Zeit innerhalb dessen
von Bedeutung. Hier kann noch einmal unterschieden werden zwischen einerseits der intertemporalen
Verknüpfung der Einzeljahre und andererseits der unterjährigen (intraannualen) Zeitbetrachtung
(für letzteres siehe auch nächster Abschnitt 2.1.2). Mit intertemporaler Verknüpfung der Einzeljahre
ist die gemeinsame und gleichzeitige (interannuale) Optimierung aller Jahre gemeint im Gegensatz
zu einer sequentiellen Optimierung der Einzeljahre. Bei ersterer Vorgehensweise werden zukünftige
Entwicklungen eines Jahres
y
+
n
schon im Jahr
y
bei Investitionsentscheidungen durch die Optimie-
rung mit berücksichtigt. Wie stark diese zukünftigen Entwicklungen in die Zielfunktion eingehen,
wird besonders durch die Diskontierungsrate beeinflusst. In Modellen, die den Anspruch haben real-
mögliche Entwicklungen abzubilden, wird die interannuale Optimierung auch mit einer perfekten
Voraussicht (Perfect Forsight) gleichgesetzt. Dies wird teilweise kritisiert und so wird dann auch in
anderen Modellen ein höherer „Realismus“ durch einen kürzeren intertemporalen Optimierungszeit-
raum (nur Einzeljahre) gesucht. Neben dieser inhaltlichen Begründung hat dieses Vorgehen seinen
praktischen Nutzen durch einen geringeren Rechenaufwand. In der entsprechenden Fachliteratur
wird hier auch von myopischen, d.h. kurzsichtigen Modellen gesprochen.
Eine Mischform beider Vorgehensweisen ist die Implementierung eines sogenannten rollierenden
Zeithorizonts. Hierbei werden nicht alle Zeitschritte in einer Optimierungsrechnung berücksichtigt,
sondern aneinander anschließende oder überlappende Zeiträume sequentiell optimiert, bei Übernah-
me der Ergebnisse des jeweilig vorhergehenden Zeitraums (siehe hierzu auch Abschnitt 3.2.1). Dieser
Ansatz wird sowohl für Jahre als auch für unterjährige Zeiträume genutzt.
Ein weiterer Ansatz zur Reduktion des Rechenaufwandes ist die Anwendung von (statistisch)
repräsentativen Teilabschnitten eines Referenzzeitraums (in der Fachterminologie wird hier auch
von Zeitscheiben gesprochen). Dies kann sowohl für Jahre (z.B. Modellierung jedes fünften Jahres)
als auch für Teilzeiträume eines Jahres durchgeführt werden (etwa sogenannte Typwochen oder
Typtage). Hierbei ergeben sich allerdings mehrere Probleme: zum einen die gut begründete Auswahl
der Zeitscheiben (Berücksichtigung aller in diesem Zeitraum zeitvarianten Eingangsgrößen) und zum
anderen in der mathematischen Darstellung des Zusammenhangs der Zeitscheiben (etwa bei der
Modellierung eines Speicherinhalts).
2.1.2 Methoden der modellhaften Darstellung des Anlagenbetriebs: Unit
commitment vs. Economic dispatch
In der mathematischen Darstellung des Betriebs thermischer Energieumwandlungsanlagen in Opti-
mierungsmodellen werden häufig zwei Methoden unterschieden: Unit commitment und Economic
dispatch.
7
Während erstes eine eher technisch-basierte Anlageneinsatz-Planung darstellt, ist zweites
die Betrachtung eines ganzen Anlagenparks unter ökonomischen Gesichtspunkten. Diese thema-
tische Differenzierung ist aber nicht trennscharf. Im Unit commitment wird versucht durch eine
genauere Betrachtung der Betriebszustände die Limitierung eines einzelnen Kraftwerkes oder so-
gar Kraftwerkblocks abzubilden. Dies gelingt durch Implementierung von An- und Abfahrrampen,
Mindest-Stillstands- und Betriebszeiten sowie Kalt- und Warmstarts. Das ist jedoch mindestens mit ei-
7Kunz und Zerrahn 2014-10-06.
8
2.2 Gemeinsame Modellierung von Elektrizitäts- und Wärmeversorgungsstrukturen
ner verknüpften Darstellung der einzelnen modellierten Zeitschritte aber auch häufig mit der Nutzung
von Integervariablen verbunden. Dies führt zu einem sehr rechenintensiven linearen oder eben auch
gemischt-ganzzahligen Optimierungsproblem. Noch weitergehende moderne Optimierungsmethoden
formulieren sogar in nicht-linearen Optimierungsproblemen Teillastverhalten unter Berücksichtigung
variabler Temperaturen.
Einfacher wird dies bei Economic dispatch gehandhabt. Hier wird häufig lediglich über Brennstoff-
kosten sowie fixe und variable Betriebs- und Wartungskosten eine Staffelung zwischen verschiedenen
Kraftwerkstechnologien erreicht und somit nur lineare Optimierungsprogramme erstellt. Die Im-
plementierung von Mindestlasten führt hier schon zu einer deutlich besseren Annäherung an reale
Kraftwerksbeschränkungen.
Auf Grund der unterschiedlichen Anforderungen an die Rechenleistung, ist der Einsatzbereich einer
Unit commitment-Modellierung eher die Strompreisprognose und die Einsatzplanung eines Kraft-
werksportfolios von Unternehmen, während Economic Dispatch-Modellierung in der Ausbauplanung
von Energiesystemen angewendet wird.
Ein Vergleich dreier unterschiedlicher Modellierungsansätze der Einsatzplanung wird von Ommen,
Markussen und Elmegaard (2014) durchgeführt. Pruitt, Braun und Newman (2013) untersuchen
den Einfluss der Genauigkeit mathematischer Formulierungen auf Investitions- und Einsatzplanung
anhand der spezifischen Versorgungsaufgabe eines Hotels. Für ein größeres (nationales) Energiesystem
führen Manuel Welsch u. a. (2015) eine Untersuchung zur Adäquatheit einer exakteren Darstellung
kurzfristiger Beschränkungen der Kraftwerksfahrweise in Modellen zur langfristigen Kraftwerks-
Ausbauplanung durch.
2.2 Gemeinsame Modellierung von Elektrizitäts- und
Wärmeversorgungsstrukturen
Zukünftig ist ein immer stärkeres Wechselspiel von Wärme- und Elektrizitätsversorgungssystemen
etwa durch klassische Kraft-Wärme-Kopplungsanlagen, aber auch durch Wärmepumpen zu erwarten.
Für beide Wärmeerzeugersysteme ist zu beobachten, dass immer kleinere Anlagengrößen auf dem
Markt verfügbar sind und so ein verstärkter Einsatz in Ein- und Zweifamilienhäusern zu erwarten ist.
Dies könnte auf den ersten Blick eher als eine zusätzliche Anforderung an das Elektrizitätssystem
gedeutet werden, da hier weitere - hauptsächlich von Wettereinflüssen abhängige und somit nur
bedingt steuerbare - Einspeisungen beziehungsweise Lasten eingebracht werden. Doch besteht die
Hoffnung durch die Nutzung thermischer Speicher und eine intelligente Regelung oder Steuerung,
das übergeordnete Elektrizitätsversorgungssystem deutlich zu entlasten und somit durch diese Wär-
meerzeuger sogar zur Integration fluktuierender erneuerbarer Energien beizutragen (Fürstenwerth
u. a. 2014; Wünsch u. a. 2011).
2.2.1 Die gemeinsame Betrachtung von Strom- und Wärmeversorgung:
Herausforderung und Lösungsansätze
Wie eben dargelegt können Strom- und Wärmeversorgungssystem eine starke Überschneidung durch
KWK-Anlagen haben, doch besteht ein grundsätzlicher Unterschied zwischen den beiden Energie-
formen, die eine gleichzeitige Betrachtung in einem Modell erschweren: Während in der Elektri-
zitätsversorgung ein räumlicher Ausgleich von Angebot und Nachfrage durch eine kostengünstige
9
Kapitel 2 Grundlagen der Modellierung von Elektrizitäts- und Wärmeversorgung
leitungsgebundene Distribution auch über große Distanzen möglich ist, muss in der Niedertemperatur-
Wärmeversorgung Produktion und Verbrauch an ein und demselben Ort erfolgen. So ist also für die
Modellierung von Stromsystemen die Betrachtung einer kumulierten, zeitlich hochaufgelösten Nach-
fragekurve für ein größeres Gebiet adäquat, wohingegen bei Wärmesystemen der Versorgung dezen-
traler Einzelobjekte Rechnung getragen werden muss. Ein Ansatz dies zu tun, ohne jede individuelle
Anlage zu betrachten, ist die Aufgliederung der Abnehmerstruktur nach zu definierenden Kriterien.
8
Wie können nun beide unterschiedlichen Charakteristika in einem Systemmodell zusammengeführt
werden? Ansätze liefern die schon in der Einleitung erwähnten Modelle REMod-D (Henning und
Palzer 2014) und Times-Heat (McKenna u. a. 2013; Merkel u. a. 2014).9
Im Energiesystemmodell Times-Heat werden Nachfrageklassen gebildet, welchen dann verschiedene
Technologieoptionen zugeordnet werden. Die Nachfrageklassen ergeben sich aus den Kombinationen
von Gebäudegrößenklasse (Einfamilien-Haus, Zweifamilienhaus, kleines Mehrfamilienhaus, großes
Mehrfamilienhaus), Verbrauchsklasse (drei flächenspezifische Verbrauchswerte), Infrastrukturklasse
(Endenergieträger) und Anwendungsbereich (Raumwärme und Trinkwarmwasser). Große Unsicher-
heiten ergeben sich bei solch einer hoch differenzierten Aufteilung in der Ermittlung zukünftiger
Entwicklungen der Eingangsparameter.
Auch im Modell REMod-D wird eine Zuordnung von thermischer Nachfrage zu Heizungstechnologie
gebildet. Allerdings wird hier dem Modell kein Freiheitsgrad in der Zusammenstellung der Heiz-
energieversorgung gelassen, sondern durch den Nutzer muss eine feste Zuordnung zu einer der vier
modellierten Heizungssysteme (zentrale KWK-Anlage, dezentrale KWK-Anlage, Gas-Wärmepumpen
und elektrische Wärmepumpen) gesetzt werden. Die existierende Energieinfrastruktur findet hier
keine Beachtung.
In beiden Studien wird regionalen Unterschieden innerhalb des jeweils betrachteten geographischen
Raums keine Beachtung geschenkt.
Münster u. a. (2012) und Hedegaard (2013) führen beide in das Energiesystemmodell Balmorel
eine Betrachtung der Einzelobjekte-Wärmeversorgung ein. Deren Vorgehensweise wird in Abschnitt
3.2.2 diskutiert, vergleichend zu der in dieser Arbeit eingeführten Darstellung.
2.2.2 Repräsentation der Elektrizitätsverteilung – Methoden und deren Vor-
und Nachteile
Die Darstellung eines elektrischen Verteilsystems stellt durch sein hochgradig nicht-lineares Verhalten
(Verlust- und Phasenverhalten) und der stark verzweigten Netzstrukturen auf unterschiedlichen
Spannungsebenen eine große Herausforderung dar. So ist eine exakte mathematisch-physikalische
Systemabbildung eines Elektrizitätsverteilsystems über alle Spannungsebenen in optimierenden
Energiesystemmodellen heute nicht möglich. In der heutigen Modellierung des Elektrizitäts-transport-
und -verteilsystems kann man vereinfachend zwei gegensätzliche Pole identifizieren: den einen Pol
stellt die korrekte Abbildung des physikalischen Verhaltens auf der höchsten betrachteten Netzebene
8
Die Nutzung von Fernwärme schwächt die Bedingung der Deckung der thermischen Last an jedem einzelnen Verbrau-
cherstandort teilweise durch ein Versorgungsgebiet von bis zu 50 km. Auch können in Fernwärmenetzen im Gegensatz
zur Einzelobjektversorgung mehrere und vor allem verschiedene Anlagen zur Lastdeckung genutzt und somit jeweils
spezialisiert für bestimmte Versorgungsfälle wie etwa Grundlast- oder Spitzenlast ausgelegt und eingesetzt werden.
9
Neben diesen Modellen zur gemeinsamen Betrachtung von Elektrizitäts- und Wärmeversorgungssystemen und den oben
genannten Modellen zur reinen Elektrizitätsversorgung gibt es auch Modelle, die alleinig die Entwicklung des Anlagen-
parks zur Wärmeversorgung von Einzelobjekten betrachten. Diese werden häufig als ökonomische Diffusionsmodelle
ausgeführt. Beispielhaft seien hier die Discrete Choice-Modelle von Henkel (2012) sowie Dieckhöner und Hecking
(2014) genannt.
10
2.2 Gemeinsame Modellierung von Elektrizitäts- und Wärmeversorgungsstrukturen
bei gleichzeitig fehlender Abbildung eines zeitlichen Verlaufs dar, den anderen Pol die sogenannte
„Kupferplatte“, d.h. eine Vernachlässigung aller Kapazitätsrestriktionen und des Phasenverhaltens.
Nun gibt es unterschiedliche Ideen einer Umsetzung, welche die offensichtlichen Schwächen der
vorher genannten Pole in gewisser Weise ausgleichen. Eine Übersicht der Modellierungsansätze von
Stromnetzstrukturen findet sich in Nolden u. a. (2013).
Ein weiterer Ansatz - eingesetzt an der Universität Nürnberg/Erlangen
10
- wird dort jedoch nicht
genannt. Dieser besteht aus einem iterativen, schrittweisen Verfahren, in dem zuerst kostenoptimale
Investitionspläne mit hoher (etwa stündlicher) Auflösung berechnet werden und dann die Plausibilität
einzelner Zeitschritte anhand eines Wechselstrommodells geprüft wird. Werden hierbei physikalisch
nicht mögliche Zustände des Übertragungsnetzes gefunden, werden entsprechende Restriktionen in
das Optimierungsmodell implementiert und eine erneute Iteration durchgeführt.
Doch auch mit diesem Vorgehen können viele der zukünftig immer wichtiger werdenden Themen
(speziell die Verteilnetze betreffend) nicht behandelt werden, wie etwa die häufig unterstellte Notwen-
digkeit regelbarer Ortsnetztransformatoren, die Blindleistungskompensation oder Demand Response
zur Netzentlastung.11
2.2.3 Modellierung von Stromspeichern
Das große technische Thema der deutschen Energiewende ist der Ausgleich von auf der einen Seite
Stromeinspeisung fluktuierender erneuerbarer Energien und auf der anderen Seite Stromnachfrage.
Und dies im Zeitraum von sowohl Sekunden als auch Jahreszeiten. Das führt zu dem Themenkreis
der Speicherung. Während in einem auf fossilen Brennstoffen basierenden Elektrizitätssystem der
Ausgleich von Produktion und Nachfrage durch die Lagerung der fossilen Primärenergieträger und
dann deren bedarfsgerechte kraftwerksseitige Umwandlung erfolgt (und somit eine Art chemische
Speicherung am Anfang der Energieumwandlungskette durchgeführt wird), muss in einem auf er-
neuerbaren Energieressourcen basierenden Elektrizitätssystem der Ausgleich beim Endenergieträger
Strom ansetzen. Hier sind allerdings vielfältige Wege im Gespräch, weshalb auch die Begrifflichkeit
„funktioneller Stromspeicher“ im Gebrauch ist. Dies bezeichnet die Möglichkeit nicht über direkte
Stromspeicherung
12
, sondern über andere Energieformen einen Ausgleich im Elektrizitätssystem
zu erreichen. Da diese Möglichkeiten meist aber nicht in erster Linie zur Stromspeicherung entwi-
ckelt und angewendet werden, ist eine Abgrenzung ihrer Aufgabe und damit der Ermittlung der
Speicherkosten schwierig. Ein Beispiel für einen funktionellen Stromspeicher ist die Nutzung von
Strom zur Herstellung von synthetischem Erdgas (engl. Power to Gas - PtG). Bei einer einfachen
Rückverstromung des Produktgases sind der Nutzungsweg und die Aufgabe klar abgegrenzt und
der Wirkungsgrad niedrig; jedoch ist das so produzierte Gas auch zu anderen Zwecken nutzbar: als
Brennstoff für Mobilität und Heizwärmeerzeugung, sowie als Rohstoff in der chemischen Industrie.
Eine genaue Analyse der Möglichkeiten von PtG müsste all diese Teilsysteme abbilden können. Weitere
Beispiele funktioneller Stromspeicher sind Hochtemperaturspeicher zur Flexibilisierung von Gas-
und Dampfturbinen-Kraftwerken, die Nutzung von Batterien parkender Elektrofahrzeuge, zeitliche
Verlagerung des Lastabrufs durch Endkunden (Demand-Side-Management oder Demand-Response)
und Niedertemperaturspeicher zur Entkopplung von kleinen KWK-Anlagen.
10Pruckner u. a. 2014.
11vgl. hierzu Büchner u. a. 2014.
12
wobei dies strenggenommen physikalisch gar nicht möglich ist; es ist die Umwandlung von Elektrizität in andere
Energieformen und anschließende Rückumwandlung nur zum Zwecke der Speicherung derselben gemeint
11
Kapitel 2 Grundlagen der Modellierung von Elektrizitäts- und Wärmeversorgung
Neben dieser Problematik der Multi-Modalität vieler funktioneller Stromspeicher kommen die
obengenannten unterschiedlichen Zeitskalen des Ausgleichsbedarfs zum Tragen. Deren Repräsentation
in Modellen würde unterschiedliche Anforderungen an die Abbildung des technisch-physikalischen
Systemverhaltens erfordern. Wie aber in Abschnitt 2.1 schon diskutiert, sind nicht alle Aspekte in einem
Modell abbildbar. In dieser Arbeit wird die Nutzung von Niedertemperaturspeichern zum Ausgleich
von Stromeinspeisung und -nachfrage im Bereich von Stunden bis wenigen Tagen untersucht.
12
Kapitel 3
Das Optimierungsmodell Balmorel und die in
dieser Arbeit implementierten Erweiterungen
Zur Beantwortung der in der Einleitung ausgeführten Forschungsfrage wird in diesem Kapitel ein
Modell entwickelt. Die Anforderungen, die sich an dieses Modell stellen, lassen sich wie folgt zusam-
menfassen:
•
Berechnung kostenoptimaler Entwicklungspfade der Strom- und Heizwärmebereitstellung unter
Vorgabe bestimmter Rahmenbedingungen
•
Darstellung von unterschiedlichen Energieumwandlungstechnologien, elektrischen und thermi-
schen Energiespeichern sowie Spannungsebenen der Elektrizitätsübertragung und - verteilung
•
Darstellung der verstärkten Kopplung von Elektrizitäts- und Niedertemperatur-Wärmeversorgung
durch Kraft-Wärme-Kopplung und Wärmepumpen
Als Basis der Modellierungsarbeiten wurde das Energiesystemmodell Balmorel (Baltic Model of
Regional Electricity Liberalisation) zur Bearbeitung der Fragestellung gewählt. Die Gründe dafür
waren:
• Technologie-explizite Darstellung von Elektrizitäts- und Fernwärmesystemen
• Zeitauflösung im Stundenbereich möglich
•
langfristige wissenschaftliche Anerkennung durch Publikationen (Hindsberger u. a. 2003; Kir-
kerud u. a. 2014)
• Gute Dokumentation erhältlich
• Veröffentlicht im Internet zur kostenlosen und freien Verwendung
Allerdings sind nicht alle geforderten Systemeigenschaften in der Basisversion von Balmorel darstell-
bar. Die entscheidendsten Einschränkungen sind, dass weder die Optimierung der Wärmeversorgung
von Einzelobjekten noch eines zusammenhängenden mehrjährigen Zeithorizontes möglich ist. Diese
und weitere notwendige Anpassungen werden in Abschnitt 3.2 vorgestellt.
Während in diesem Kapitel auf die Formulierung des Modells in mathematischen Zusammenhängen
eingegangen wird, werden im Kapitel 4 die notwendigen Eingangsdaten zusammengestellt.
13
Kapitel 3 Das Optimierungsmodell
3.1 Grundprinzipien des Energiesystemmodells Balmorel
Im folgenden wird das Energiesystemmodell Balmorel vorgestellt. Die Ausführungen basieren auf
Dittmar (2006) und Ravn (2001). Auf diese Literaturstellen wird auch verwiesen für eine genauere
Darstellung von Balmorel, da an dieser Stelle nur oberflächlich auf dieses eingegangen wird, um
ausführlicher die in dieser Arbeit geleisteten Modellierungsarbeiten darlegen zu können. Die initiale
Entwicklung des Modells fand in den Jahren 1999 und 2000 im Rahmen eines Forschungsprojektes
statt. Dieses wurde gefördert durch das Dänische Energieforschungsprogramm und Forschungsinsti-
tutionen aus dem gesamten Ostsee-Raum haben an der Entwicklung mitgewirkt.
1
Das Modell war
und ist ausgelegt zur mittel- bis langfristigen Analyse des Strom- und Fernwärmemarktes (in den
Ostsee-Ländern von besonderer Bedeutung) über Ländergrenzen hinweg, und soll damit zu einem
übernationalen Überblick und Austausch beitragen. Um diesen Austausch zu befördern, wurde vom
Projektträger gefordert, Transparenz durch eine gute Dokumentation und Open-Source Bereitstellung
des Codes herzustellen. Ebenso sollte das Modell erweiterbar und anpassbar an vielfältige Kontex-
te sein. Dieses Konzept ist aufgegangen, sichtbar in einer nun mehr als 15 jährigen Nutzung und
einer Vielzahl an entwickelten Erweiterungen (Addons genannt) zu bestimmten Themengebieten.
Mittlerweile befindet sich die Version 3.03 in der Entwicklung, auf die sich viele der folgenden
Ausführungen beziehen. Diese ist allerdings auf Grund ihres Entwicklungsstadiums noch nicht im
Internet veröffentlicht.
Das Energiesystemmodell Balmorel kann nach der oben dargestellten Kategorisierung (Abschnitt
2.1) als Bottom-up-Hybrid-Modell eingeordnet werden; mit einer sequentiellen ökonomischen Opti-
mierung von mehreren Einzeljahren in einer zeitlichen Auflösung von Stunden sowie einer üblichen
räumlichen Betrachtung unterhalb der nationalen Ebene.
2
Abbildung 3.1 gibt einen Überblick über
die in Balmorel abgebildeten Zusammenhänge. Ziel des Modells ist es für jedes betrachtete Jahr
einzeln, die kostenminimale Bereitstellung eines exogen vorgegebenen, elastischen oder inelastischen
Strom- und Wärmebedarfs zu berechnen. Hierzu hat es die Möglichkeit ausgehend von bestehenden
(vorgegebenen oder im Vorjahr endogen-installierten) Erzeugungs- und Übertragungskapazitäten
den Zubau neuer Kapazitäten zu bestimmen, aber auch den unterjährigen Betrieb dieser. Betrieb
und Kapazitätsausbau werden von verschiedensten Eingangsgrößen begrenzt (Produktionsrestrikti-
on). Diese bestehen etwa in technischen (z.B. Wirkungsgrad und Anlagen-spezifischer Zusammen-
hang von Elektrizität und Wärme) oder energiepolitischen Parametern (z.B. Emissionsgrenzen und
Primärenergieträger-Potential).
3.1.1 Repräsentation von Geographie und Zeit in Balmorel
In Balmorel wird der geographische Bilanzierungsraum in drei unterschiedlichen Hierarchieebenen
betrachtet: countries,regions und areas. Je nach Ebene werden unterschiedliche Charakteristika des
Energiesystems beschrieben. Grob werden auf der Ebene von countries politische Rahmenbedingungen
(Steuern, Emissionsgrenzen, Potentiale) definiert, während regions das Stromsystem (Nachfrage und
Erzeugung, Übertragungsverluste und -kapazitäten) und areas wiederum (als Teilmenge der regions)
1
Elkraft System, Projektleiter: Hans F. Ravn, Dänemark; Risø National Laboratory, Dänemark; AKF, Institute of Local
Government Studies, Dänemark; Stockholm Environment Institute, Estland; Institute of Physical Energetics, Lettland;
Lithuanian Energy Institute, Litauen; PSE International, Polen; Kaliningrad State University, Russland
2
Hierbei ist zu erwähnen, dass sowohl der zeitliche als auch räumliche Diskretisierungsgrad durch den Anwender angepasst
werden kann. Jedoch muss dabei Rücksicht auf die Aussagekraft der Ergebnisse genommen werden (etwa bei einer
zeitlichen Auflösung unter einer Stunde müssten Teillastverhalten sowie An- und Abfahrzeiten Berücksichtigung finden,
welche nicht explizit modelliert werden).
14
3.1 Grundprinzipien des Energiesystemmodells Balmorel
Abbildung 3.1:
Überblick über basale Zusammenhänge und Restriktionen in Balmorel (basierend auf
Dittmar 2006, S. 17)
das Wärmesystem definieren. Somit können regions als Abstraktion eines Hochspannungsnetzes und
areas als Abstraktion eines Fernwärmegebietes verstanden werden.
Die zeitliche Dimension in Balmorel wird ebenfalls auf drei Ebenen definiert: years (y), seasons (s)
und time steps (t). Ein Jahr (year) besteht aus seasons, welche wiederum aus time steps zusammenge-
setzt sind.
Besondere Relevanz erlangt die Differenzierung zwischen season und time step bei der Modellierung
von Speichern. In der mathematischen Darstellung dieser werden die Zeitelemente time steps über
den Speicherinhalt verknüpft. Dieser wird von einem time step zum nächsten weitergegeben, geändert
durch Lade- und Entladeflüsse. Wird nun eine season in nur wenige time steps aufgeteilt, verringert sich
der rechnerische Aufwand durch die Verknüpfung. Siehe hierzu auch die Gleichungen
(3.6)
und
(3.7)
und den begleitenden Text. Durch die Wahl der Elemente von seasons und time steps kann weiterhin
entschieden werden, ob eine Darstellung der Zeit in Typ-Zeitscheiben oder in einer chronologischen
Art (vgl. hierzu auch Abschnitt 2.1.1) erfolgt. Die meisten zeitabhängigen Inputgrößen sind in ihrem
Jahresverlauf über seasons und time steps definiert und werden nur in ihrer Jahressumme über years
variiert (Wärme- und Strombedarf sowie die Einspeisekurven erneuerbarer Energien). Ausnahme
bildet hier der Strompreis des Im- und Exports über die modellierte geographische Grenze des
Bilanzierungsraumes hinaus.
15
Kapitel 3 Das Optimierungsmodell
3.1.2 Darstellung der wichtigsten Gleichungen aus Balmorel
Als Modellierungssprache kommt GAMS (General Algebraic Modeling System) zum Einsatz. Das Modell
wird in dieser Sprache durch die mathematische Formulierung – Gleichungen – kodiert. Es wird
eine Zielfunktion definiert, welche durch die weiteren Gleichungen (Restriktionen) beschränkt wird
und für welche ein externer Solver (Lösungsalgorithmus) das globale Optimum (in diesem Fall
ein Minimum einer Kostenfunktion) bestimmt. Die Gleichungen sind derart formuliert, dass das
entstehende Gleichungssystem linear ist. Dies ermöglicht eine schnelle Berechnung oder generell die
Lösbarkeit des Systems, bedingt aber gewisse Vereinfachungen in der mathematischen Darstellung
von Systemzusammenhängen.
Zy=
BrennstoffkostenStrom
z }| {
X
aX
Gel X
f
kBR
y,a,f·X
t
∆t
Pel
y,a,Gel(f),t
ηGel(f)
+
BrennstoffkostenW¨
arme
z }| {
X
aX
Gth X
f
kBR
y,a,f·X
t
∆t
Pth
y,a,Gth(f),t·cV
Gth(f)
ηGth(f)
+
Wartungs-und Betriebskosten, variabel, Strom
z }| {
X
aX
Gel
kOM,var
Gel ·X
t
∆t
Pel
y,a,Gel,t
ηGel
+
Wartungs-und Betriebskosten, variabel, W¨
arme
z }| {
X
aX
Gth
kOM,var
Gth ·X
t
∆t
Pth
y,a,Gth,t·cV
Gth
ηGth
+
Wartungs-und Betriebskosten, fix
z }| {
X
aX
gkOM,fix
g·Pmax,tot
y,a,g
+
¨
Ubertragungskosten
z }| {
X
r6=˜
rkX
r,˜
r·X
t
∆t·PX
y,r,˜
r,t
+
Investitionskosten neuer Erzeugungskapazit¨
aten
z }| {
X
gX
akinv
g·Pmax,neu
y,a,g·CRFC∈C(A)
+
Investitionskosten neuer ¨
Ubertragungskapazit¨
aten
z }| {
X
r6=˜
rkinv,X
r,˜
r·PX,max,neu
y,r,˜
r·CRFC∈C(r)+CRFC∈C(˜
r)
2
+SteuernundSubventionen
+Kosten(+) undErl¨
ose(−)ausElektrizit¨
ats-Im-/Export
+¨
Anderungim Strom- und W¨
armeverbrauch
+Strafterme
∀y∈Y(3.1)
16
3.1 Grundprinzipien des Energiesystemmodells Balmorel
Der Zusammenhang zwischen den Restriktionen und den Entscheidungsvariablen wird in Abbil-
dung 3.1 vereinfacht dargestellt. Im Folgenden werden die wichtigsten Gleichungen kurz vorgestellt
und diskutiert.
Die Zielfunktion
(3.1)
setzt sich zusammen aus der Summe aller jährlichen Kosten und Erlöse
sowie aus Straf-Termen. Diese Straf-Terme quantifizieren mit Hilfe von sogenannten relaxierenden Va-
riablen die Verletzungen ausgesuchter Nebenbedingungen des Modells. Durch die Einführung solcher
relaxierender Variablen in Nebenbedingungen wird für diese im Optimum nicht die strikte Einhaltung
gefordert. Dies dient u.a. dazu eine Hierarchie in die Erfüllung der Nebenbedingungen einzuführen,
sowie die mathematische Lösbarkeit des Modells auch bei widersprüchlichen Eingangsgrößen zu
erhalten.3
Es wird die folgende Nomenklatur genutzt:
Sets
a area, aus der Menge aller im Modell betrachteter areas A.
fBrennstoff, aus der Menge aller simulierter Brennstoffe F.
gEnergieumwandlungstechnologien, aus der Menge aller betrachteter Technologien G.
Gel Teilmenge von G; definiert die Strom erzeugenden Technologien.
Gth Teilmenge von G; definiert die Wärme erzeugenden Technologien.
GHO Teilmenge von G; definiert die nur Wärme erzeugenden Technologien.
GBPR Teilmenge von G; definiert KWK-Technologien mit festem Strom-Wärme-Verhältnis
siehe auch unten (3.5a).
GEXT Teilmenge von G; definiert KWK-Technologien mit freierer Wärmeauskopplung
siehe auch unten (3.5b) und (3.5c).
r,˜
r region, aus der Menge aller simulierter regions R.
tZeitschritt4.
yJahr, aus der Menge aller simulierten Jahre Y.
Parameter
CRF Kapitalwiedergewinnungsfaktor (engl. capital recovery factor)
cVStromverlust-Kennziffer , nur für GEXT
cV
g=1 für GHO und GBPR
∆tZeitschrittlänge
ηWirkungsgrad; für Technologien aus GEXT entspricht dieser dem elektrischen
Wirkungsgrad, für sonstige Technologien gleich dem Gesamtwirkungsgrad
kBR Brennstoffkosten
kinv Investitionskosten für Energieumwandlungsanlagen
kinv,X Investitionskosten für Stromübertragungskapazitäten
kOM,fix fixe Betriebs- und Wartungskosten
kOM,var variable Betriebs- und Wartungskosten
kXÜbertragungskosten
Entscheidungsvariablen
Pel Stromproduktion
3vgl. Kallrath 2002, S. 165.
4
Zur einfacheren Lesbarkeit wurde die beiden Sets season und time step, die einen Zeitschritt definieren, hier und im
Folgenden kombiniert dargestellt
17
Kapitel 3 Das Optimierungsmodell
Pth Wärmeproduktion
PXStromübertragung zwischen zwei benachbarten regions
Pmax,tot Maximale Erzeugungskapazität, wobei gilt Pmax,tot =Pmax,alt +Pmax,neu
Pmax,neu im Jahr yneu installierte Erzeugungskapazität
PX,max,neu im Jahr yneu installierte Stromübertragungskapazität
Die wichtigsten Nebenbedingungen zur Erfüllung der Zielfunktion stellen die Energiebilanzen
für Strom (Gleichung 3.2) und Wärme (Gleichung 3.3) dar. Diese fordern das Gleichgewicht von
Produktion und Verbrauch in jedem Zeitschritt
t
. In der Strombilanz muss dieses Gleichgewicht auf
der Ebene von regions gebildet werden - einschließlich überregionalem Austausch, während in der
Wärmebilanz dieses in jeder area autark erfüllt sein muss.
Stromerzeugung
z }| {
X
a∈rX
Gel\GPtH Pel
y,a,Gel,t+
Elektrospeicher
z }| {
X
GES PES,out
y,a,GES,t−PES,in
y,a,GES,t+
Import
z }| {
X
˜
rPX
y,˜
r,r,t1−closs,X
˜
r,r(3.2)
=
Stromverbrauch
z}|{
Pel,Soll
y,r,t1−closs,el
r+
W¨
armepumpen
z }| {
X
a∈rX
GPtH Pel
y,a,GPtH,t+
Export
z }| {
X
˜
rPX
y,r,˜
r,t
∀y∈Y,r∈R,t
W¨
armeerzeugung
z }| {
X
Gth Pth
y,a,Gth,t+
W¨
armespeicher
z }| {
X
GTS PTS,out
y,a,GTS,t−PTS,in
y,a,GTS,t=
W¨
armeverbrauch
z}|{
Pth,Soll
y,a,t/1−closs,th
a(3.3)
∀y∈Y,a∈A,t
Die folgenden zusätzlichen Symbole werden hier genutzt:
Sets
GPtH Teilmenge von G; definiert die Power-to-Heat-Technologien.
GES Teilmenge von G; definiert die Elektrizitätsspeicher.
GTS Teilmenge von G; definiert die thermischen Speicher.
Parameter
closs,X Übertragungsnetzverluste
closs,el Verteilnetzsverluste
closs,th Verluste im Fernwärmenetz
Pel,Soll Stromverbrauch
Pth,Soll Wärmeverbrauch
Entscheidungsvariablen
PES,in Ladestrom, Elektrizitätsspeicher
PES,out Entladestrom, Elektrizitätsspeicher
PTS,in Ladestrom, thermischer Speicher
PTS,out Entladestrom, thermischer Speicher
18
3.1 Grundprinzipien des Energiesystemmodells Balmorel
Damit die Produktion in einem Zeitschritt nicht die entsprechenden installierten Kapazitäten
übersteigt, wird eine Kapazitätsrestriktion in Gleichung
(3.4a)
eingeführt. Eine funktional ähnliche
Restriktion wird mit Gleichung (3.4b) auch für die Stromübertragung eingeführt.
Py,a,g,t≤Pmax,tot
y,a,g∀y∈Y,a∈A,g∈G,t(3.4a)
PX
y,˜
r,r,t≤PX,max,tot
y,˜
r,r∀y∈Y,˜
r,r∈R,t(3.4b)
Zusätzlich zu diesen schon genannten Restriktionen werden die Technologie-bedingten Neben-
bedingungen
(3.5)
aufgestellt. Diese betreffen einmal für Kraft-Wärme-Kopplungstechnologien den
Zusammenhang aus Elektrizitäts- und Wärmeauskopplung
5
(Gleichungen 3.5a - 3.5d) und zum ande-
ren dargebotsabhängige Energieumwandlungstechnologien, also fluktuierende erneuerbare Energien
(Gleichung 3.5e).
Pel
y,a,GBPR,t=Pth
y,a,GBPR,t·cB
GBPR ∀y∈Y,a∈A,GBPR,t(3.5a)
Pel
y,a,GEXT,t≥Pth
y,a,GEXT,t·cB
GEXT ∀y∈Y,a∈A,GEXT,t(3.5b)
Pel
y,a,GEXT,t≤Pmax,tot
y,a,GEXT −Pth
y,a,GEXT,t·cV
GEXT ∀y∈Y,a∈A,GEXT,t(3.5c)
Pel
y,a,GPtH,t=Pth
y,a,GPtH,t/cCOP
GPtH ∀y∈Y,a∈A,GPtH,t(3.5d)
Py,a,GfEE,t=∆tVLS
a,GfEE ·Pmax,tot
y,a,GfEE ·Pa,GfEE,t∀y∈Y,a∈A,GfEE,t(3.5e)
Die folgenden zusätzlichen Symbole werden hier genutzt:
Sets
GBPR Teilmenge von G; definiert KWK-Technologien mit festem Strom-Wärme-Verhältnis,
z.B. Gegendruck-Dampfturbinen (engl. back-pressure turbine).
GEXT Teilmenge von G; definiert KWK-Technologien mit freierer Wärmeauskopplung,
z.B. Entnahme-Kondensationsturbinen (engl. extraction turbine).
GfEE Teilmenge von G; definiert Umwandlungstechnologien fluktuierender erneuerbarer
Energien.
Parameter
cBStromkennzahl
cVStromverlust-Kennziffer (Steigung der Gegendrucklinie)
cCOP Leistungskennzahl (engl. coefficient of power),
„Effizienz“links-laufender thermischer Prozesse
∆tVLS Volllaststunden
5Konstantin 2013, vgl. hierzu auch die Darstellung S. 422 ff.
19
Kapitel 3 Das Optimierungsmodell
Der Parameter
Pa,GfEE,t
in [
1/h
]bezeichnet die auf die Jahressumme normierte Erzeugung im
Zeitschritt
t
einer fluktuierend einspeisenden erneuerbaren Energieressource in Abhängigkeit von
der betrachteten Region a.
Im Folgenden wird die Modellierung von Energiespeichern in Balmorel an Hand von Elektrizitäts-
speichern dargestellt. Einziger Unterschied zu thermischen Speichern stellt der dort nicht berück-
sichtigte Speicherwirkungsgrad dar.
6
Um nun die Charakteristik der implementierten Gleichungen
nachvollziehen zu können, ist die genauere Modelldarstellung der Zeitschritte in ihrer Zweiteilung
in season (
s
)und time step (
t
)notwendig, statt der oben verkürzten Schreibweise nur mit
t
. Die zu
einem Zeitschritt, gegeben über das Tupel (
s,t
), gespeicherte Wärmemenge wird über Gleichung
(3.6)
berechnet. Diese stellt die Integration einer zeitlich diskretisierten Funktion dar. Es gilt die Annahme,
dass die im Zeitschritt (
s,t
)gespeicherte Energie und deren Änderung durch Be- und Entladen den
Energieinhalt des Speichers zum Zeitpunkt (
s,t
+1)ergeben. Durch das Inkrement nur über das Set
t
kann ein zeitlicher Ausgleich nur innerhalb einer season stattfinden. Somit ist die Nutzung der so
abgebildeten Speicher als Kurz- oder Seasonalspeicher über die Wahl der chronologischen Länge der
season (s)abhängig.
UES
y,a,GES,s,t+1=UES
y,a,GES,s,t+(3.6)
+PES,in
y,a,GES,s,t·ηGES −PES,out
y,a,GES,s,t·∆t
∀y∈Y,a∈A,GES,s,t
Dabei gelten folgende Nebenbedingungen:
UES
y,a,GES,s,t≤UES,max,tot
y,a,GES ∀y∈Y,a∈A,GES,s,t(3.7a)
UES
y,a,GES,s,t=t0=UES
y,a,GES,s,t=tEnde ∀y∈Y,a∈A,GES,s(3.7b)
PES,in
y,a,GES,s,t≤
UES,max,tot
y,a,GES
∆tin
GES
PES,out
y,a,GES,s,t≤
UES,max,tot
y,a,GES
∆tout
GES
(3.7c)
∀y∈Y,a∈A,GES,s,t
Nebenbedingung
(3.7a)
limitiert den dynamischen Speicherinhalt in jedem Zeitschritt auf den
maximalen Speicherinhalt. Dieser wiederum definiert die Investitionskosten und geht so in die Ziel-
funktion ein. Damit nicht am Anfang oder Ende einer season Speicherinhalt ohne den entsprechenden
korrespondierenden Brennstoffaufwand generiert wird, wird in Gleichung
(3.7b)
gefordert, dass
Anfangszustand (
t0
)des Speichers gleich Endzustand (
tEnde
)ist. Durch die Bedingungen in
(3.7c)
wird der maximale Lade- und Entladestrom des Speichers gesetzt.
In den Speichergleichungen werden folgende zusätzliche Symbole genutzt:
6
Bei der Darstellung thermischer Speicher ist die genutzte Betrachtung nur des Energiegehalts problematisch. Durch
Vernachlässigung des Temperaturniveaus der gespeicherten Energie, kann nicht auf das damit zusammenhängende
Volumen (bei gegebenem Energieinhalt) rückgeschlossen werden. Dieses ist aber entscheidend für die Investitionskosten.
Gerade bei Niedertemperatursystemen wie Wärmepumpen kommen so zu geringe Volumen-spezifische Investitionskosten
für diesen zugehörige thermische Speicher zu Stande.
20
3.2 Anpassung von Balmorel in dieser Arbeit
Parameter
∆tin Ladezeit des Speichers
∆tout Entladezeit des Speichers
Entscheidungsvariablen
UES Energieinhalt des Speichers zum Zeitpunkt t.
UES,max,tot maximaler Energieinhalt des Speichers.
3.2 Anpassung von Balmorel in dieser Arbeit
Um der Fragestellung mit dem Energiesystemmodell Balmorel gerecht werden zu können, mussten
wie erwähnt gewisse Änderungen hieran vorgenommen werden. Abbildung 3.2 gibt einen graphischen
Überblick über die grundlegenden Eigenschaften des modellierten Energiesystems. Folgend werden
die notwendigen Anpassungen zur Umsetzung dessen in einer Übersicht zusammengestellt, um dann
in den nächsten Abschnitten auf die entscheidendsten einzeln ein zu gehen:
1.
Weiterentwicklung und Anwendung einer im Entwicklungsstadium befindlichen Version von
Balmorel zur Optimierung mehrjähriger Zeithorizonte (Abschnitt 3.2.1)
2.
hierbei auch Anpassung der Modellerweiterung zum Preis-abhängigen Im- und Export von
Strom an die im ersten Punkt genannte Version
3.
Entwicklung einer Modellerweiterung (Addon IND-Heat) zur Darstellung von Technologien zur
Wärmeversorgung von Einzelobjekten (Abschnitt 3.2.2)
4.
in diesem Zusammenhang Abstraktion der geographischen Elementen zu eher funktionalen
Bezeichnungen (Abschnitt 3.2.3). Hierdurch ist es möglich:
a) Wärmeabnehmerklassen darzustellen
b) Stromnetzebenen in rudimentärer Form abzubilden
5. Exaktere Darstellung von thermischen Speichern (Abschnitt 3.2.4)
a) Implementierung von Lade- und Speicherverlusten
b) Implementierung von dezentralen Speichern
6. Sowie die Einführung weiterer Abhängigkeiten für bestimmte Eingangsgrößen
a) Volllaststunden von Wind und Photovoltaik: Abhängigkeit von Technologie hinzugefügt
b) Technologie- und Geographie-spezifische Steuern und Subventionen eingeführt
Zusätzlich zu diesen Erweiterungen des Balmorel-Codes wurde eine Dokumentation des Add-Ons
zur Darstellung der Wärmeversorgung von Einzel-Objekten (IND-Heat) in Englisch angefertigt, um
die Möglichkeit der Weiterverwendung sicherzustellen. Dieser Text und der Programmcode der
Erweiterung sind im Anhang in den Abschnitten B.1 und B.2 abgebildet.
21
Kapitel 3 Das Optimierungsmodell
Erdgas
Biomasse
Erdöl (fossil)
Elektrizität
(400 V)
Elektrizität
(10/110 kV)
Private
Haushalte
E-Mobilität
Industrie
GHD
Elektrizität
(380 kV) Im-/Export
Wind
(onshore)
PV
(Kraftwerk)
PV
(Dachanlage) Batterie
Transformator
Windkraft
Solarstrahlung
KWK
(Nahwärme)
KWK
(Fernwärme)
Wärmepumpe
(el.)
µKWK
Kohlen
Thermischer
Speicher
Thermischer
Speicher
Thermischer
Speicher
Thermischer
Speicher
mit FW
ohne FW
Heißwasser-
Erzeuger
Erdgas
Biomasse
Heizöl (fossil)
Elektrizität
(400V)
Elektrizität
(400 V)
Elektrizität
(10/110 kV)
Kohlen
Wärmepumpe
(el.)
µKWK
KWK
(Nahwärme)
KWK
(Fernwärme)
mit FW
ohne FW
mit FW
ohne FW
mit FW
ohne FW
Teilsystem Elektrizitätsversorgung
Teilsystem Wärmeversorgung
Abbildung 3.2:
Das modellierte Energiesystem im Überblick; oben das Teilsystem Elektrizitätsver-
sorgung und unten das Teilsystem Wärmeversorgung, Kopplungs-Technologien sind
mit Ring-Symbol gekennzeichnet, durch die Optimierung beeinflussbare Elemente
sind grau hinterlegt, grau-schraffierte Elemente (Transformator und Import/Export)
werden nur in ihrem Betrieb optimiert
22
3.2 Anpassung von Balmorel in dieser Arbeit
3.2.1 Das BalBase4-Modell: von myopischer Optimierung zu rollierendem
Zeithorizont
Eine der größten Veränderungen zur Standard-Balmorel-Version, in der wie oben beschrieben jedes
Jahr des Betrachtungszeitraums einzeln optimiert wird, ist die Nutzung einer noch im Entwicklungs-
stadium befindlichen Version (BalBase4 oder noch kürzer BB4 genannt), in der die Methode des
rollierenden Zeithorizontes (Vergleiche hierzu 2.1.1) angewandt wird. Diese Modellerweiterung
wurde erstmals in Balmorel im Rahmen der gemeinsamen Masterarbeit von Felstedt und Pedersen
2005 eingearbeitet.7
Zur Differenzierung von methodisch unterschiedlich genutzten Zeithorizonten wird folgende Begriff-
lichkeit eingeführt: Studienhorizont wird der gesamte in einer Optimierungsaufgabe berücksichtigte
Zeitraum genannt, während mit Simulationshorizont der in einem einzelnen Optimierungsvorgang
betrachtete (/simulierte) Zeitraum bezeichnet wird. Durch die mit dem BB4-Modell eingeführten Er-
weiterung kann nun im besten Fall der Simulationshorizont mit dem Studienhorizont übereinstimmen.
Dies ist aber verbunden mit einem sehr hohen Rechenaufwand, daher wird der Simulationshorizont
meist kürzer gewählt als der Studienhorizont. Anhand von Tabelle 3.1 wird das Vorgehen dargestellt.
Der Studienhorizont ist hier in allen Beispiele von 2010 bis 2030, der Simulationshorizont ist je nach
Beispiel unterschiedlich gewählt.
Bei Anwendung eines rollierenden Zeithorizontes werden in einem Optimierungsvorgang die
Investitionsentscheidungen eines Jahres
y1
optimiert, bei gleichzeitiger Berücksichtigung der nach-
folgenden Jahre (
ny−
1). Hierbei werden jedoch nicht unbedingt die zeitlich direkt nachfolgenden
Jahre in die Optimierung eingeschlossen, sondern diejenigen Jahre definiert über die Menge
Y
. Im
Beispiel 1 aus Tabelle 3.1 sind dies jedes fünfte Jahr zwischen 2010 und 2030 mit (
ny
=3)(mit x
markierte Jahre sind Elemente der Menge
Y
). Die Kombination aus Menge der modellierten Jahre
Y
und Anzahl simulierter Jahre
ny
entspricht dem oben eingeführten Simulationshorizont. Ist eine
Lösung für den aktuellen Simulationshorizont gefunden, wird das Ergebnis des ersten Jahr dieses
Simulationshorizontes
y1
festgesetzt. Dann wird
y1
auf das nächste Element aus
Y
erhöht und die
Optimierung des nächsten Simulationshorizontes durchgeführt. Diese Abfolge wird wiederholt bis
der betrachtete Simulationshorizont das letzte Element aus
Y
einschließt. Durch dieses Vorgehen
entstehen mehrere zeitliche Submodelle die sequentiell gelöst werden können (im Beispiel 1 drei
Modelle BB4 a bis BB4 c). Wie in den Beispielen dargestellt, können verschiedene Kombinationen
von Menge in der Optimierung berücksichtigter Jahre
Y
und Anzahl simulierter Jahre
ny
definiert
und so unterschiedliche Simulationshorizonte gebildet werden. Auf diese Weise kann die Darstellung
des Studienhorizontes an unterschiedliche Forschungsfragen angepasst werden. In Beispiel 3 wird
der gesamte Studienhorizont mit einem Simulationshorizont abgedeckt: es wird kein „Rollieren“
eingesetzt. Dagegen wird in Beispiel 4 ausgiebiger Gebrauch von dieser Methode gemacht: es wird
7
Sowohl Dittmar (2006) als auch Ravn (2001) unterscheiden verschiedene Stufen der Änderungen am Modell Balmorel.
So könnten einfache Änderungen darin bestehen nur die Daten an sich zu ändern oder eine weitere Dimension (d.h. in
der Balmorel-Nomenklatur die Abhängigkeit eines bestimmten Parameters von einem weiteren Set) der Eingangsgröße
hinzu zu fügen. Das andere Extrem einer schwerwiegenden Änderung des Codes bestünde dann in der Änderung der
Modellstruktur an sich, so dass eine erneute Validierung des gesamten Modells erforderlich werden würde.
Solch eine schwerwiegende Anpassung ist die Einführung eines rollierenden Zeithorizontes durch das BB4-Modell.
An der Weiterentwicklung dieses Modells konnte während der Erstellung dieser Masterarbeit durch Tests und Fehler-
Beseitigung mitgewirkt werden. Da das BB4-Modell auf der Balmorel-Version 3.02 basierte, konnte weiterhin daran
mitgewirkt werden, Eigenschaften der Version 3.03 entsprechend umzuformulieren und in das BB4-Modell zu integrieren.
Die Neu-Entwicklung des weiter unten beschriebenen Addons zur Darstellung der Einzel-Objekt-Wärmeversorgung
(IND-Heat) sowie die Anpassung des Addons zum Preis-abhängigen Im- und Export von Strom (X3V) an das BB4-Modell
kann als mittelschwere Änderung bezeichnet werden.
23
Kapitel 3 Das Optimierungsmodell
jedes Jahr einzeln optimiert und das Vorgehen entspricht so der Anwendung des originalen Balmorel.
Die Beispiele 1 und 2 verwenden einen rollierenden Zeithorizont, unterscheiden sich jedoch in der
definierten Menge modellierter Jahre
Y
und der Anzahl simulierter Jahre. Hierdurch stimmt zwar
jeweils der Simulationshorizont (11 Jahre) überein, doch wird in Beispiel 1 jedes fünfte und in
Beispiel 2 jedes zweite Jahr modelliert.
Um diesen Ansatz des rollierenden Zeithorizontes in Balmorel umzusetzen wird nun die ursprüng-
liche Zielfunktion, dargestellt in Gleichung
(3.1)
, dahingehend geändert, dass die Summe über die
Kosten und Erlöse der Einzeljahre eines Simulationshorizontes
y∈
[
y1.. y1
+
ny−
1]gebildet und diese
durch den Optimierungsvorgang minimiert wird. Um die verschiedenen Zeitpunkte von Ausgaben und
Gewinne berücksichtigen zu können, werden die jährlichen Kosten (aus Anlagenbetrieb und Investi-
tionen) und Erlöse aller zukünftigen Jahre auf das Anfangsjahr
y0
des Studienhorizontes diskontiert.
Die in Tabelle 3.1 aufgeführten Werte sind die beispielhaften Diskontierungsfaktoren der einzelnen
Jahre
y
bei einem Zinssatz
cZins
=0
,
03. Während der Kapitalwiedergewinnungsfaktor (eng. capital
recovery factor -
CRFC
) die Gewinnerwartungen der Unternehmen des jeweiligen Landes repräsentiert,
kann der zur Diskontierung genutzte Zinssatz
cZins
als Repräsentation einer gesamt-gesellschaftlichen
Wertzuschreibung zukünftiger Zahlungen gesehen werden.
Zusätzlich zu der Anpassung der Zielfunktion sind alle Variablen und Gleichungen entsprechend
der neuen Struktur in ihrer jeweiligen GAMS-Formulierung zu reformulieren.
24
3.2 Anpassung von Balmorel in dieser Arbeit
Tabelle 3.1:
Beispiele rollierender Simulationshorizonte mit Diskontierungsfaktoren der im jeweiligen Jahr
y
entstehenden Kosten und Erlöse;
Zinssatz cZins =0,03, Bsp. 1 (ny=3), Bsp. 2 (ny=6), Bsp. 3 (ny=5), Bsp. 4 (ny=1)
Jahr ’10 ’11 ’12 ’13 ’14 ’15 ’16 ’17 ’18 ’19 ’20 ’21 ’22 ’23 ’24 ’25 ’26 ’27 ’28 ’29 ’30
Bsp. 1 yxxxxx
BB4 a y1=y01 0,86 0,74
BB4 b y1=’15 0,86 0,74 0,64
BB4 c y1=’20 0,74 0,64 0,55
Bsp. 2 yxxxxxxxxxxx
BB4 a y1=y01 0,94 0,89 0,84 0,79 0,74
BB4 b y1=’12 0,94 0,89 0,84 0,79 0,74 0,7
BB4 c y1=’14 0,89 0,84 0,79 0,74 0,7 0,66
BB4 d y1=’16 0,84 0,79 0,74 0,7 0,66 0,62
BB4 e y1=’18 0,79 0,74 0,7 0,66 0,62 0,59
BB4 f y1=’20 0,74 0,7 0,66 0,62 0,59 0,55
Bsp. 3 yx x x x x
BB4 a y1=y01 0,94 0,86 0,74 0,55
Bsp. 4 yx x x x x x
BB4 a y1=y01
BB4 b y1=’12 0,94
BB4 c y1=’15 0,86
BB4 d y1=’19 0,77
BB4 e y1=’24 0,66
BB4 f y1=’30 0,55
25
Kapitel 3 Das Optimierungsmodell
3.2.2 Implementierung einer erweiterten Darstellung der
Einzelobjekt-Wärmeversorgung
Schon zuvor wurde mit Balmorel die dezentrale Wärmeversorgung von Wohngebäuden untersucht.
Während Hedegaard (2013) auf die Systemwirkung von Wärmepumpen und hier speziell deren
Kombination mit unterschiedlichen Möglichkeiten der thermischen Speicherung eingeht, analysiert
Münster u. a. (2012) die Expansion von Fernwärmenetzen in zuvor durch Einzel-Heizungsanlagen
versorgte Gebieten. In der Standardversion von Balmorel wird die Deckung der Wärmenachfrage
über die Wärmebilanz-Gleichung
(3.3)
dargestellt. Diese erlaubt einen Ausgleich der Produktion
unterschiedlicher Technologien innerhalb einer area. Diese Modellierung ist für die Betrachtung von
Fernwärmenetzen zielführend, jedoch nicht für eine dezentrale Wärmeversorgung. Hier muss jede
Technologie oder Technologiekombination (etwa Wärmepumpe mit solarthermischer Unterstützung)
zu jedem Zeitpunkt autark den Bedarf bedienen.
Die zuvor genannten Arbeiten nutzen jeweils unterschiedliche Herangehensweisen zur Darstel-
lung der Einzelobjekt-Versorgung. Hedegaard (2013) ordnet jedem Verbrauchertypen
8
eine eigene
area zu und lässt hier jeweils nur eine Heiztechnologie (Wärmepumpe) zu. Der Freiheitsgrad der
Optimierung besteht nun in der Einsatzplanung und der Investition in Flexibilisierungstechnologien
(Verdrängungsspeicher, ungesteuerte Speicherung in der Gebäudemasse und gesteuerte Speicherung
in Bodenflächen bei Vorhandensein einer Fußbodenheizungen). Im Fokus der Modellierungsarbeit
steht somit nicht die Untersuchung eines Anlagenmixes, sondern die Darstellung der Thermodynamik
von Baukörpern. Münster u. a. (2012) dagegen lassen neben der Expansionsplanung von Fernwär-
megebieten die Optimierung auch von Einzel-Heizungsanlagen zu. Dies gelingt über die Einführung
einer zusätzlichen Nebenbedingung für areas mit Einzelobjekt-Wärmeversorgung:
Ly,a,gpt=˙
Qy,a,g,t∀a∈AIND,g∈GIND,t(3.8)
Mit Hilfe dieser Nebenbedingung muss die Wärmeproduktion (
˙
Qy,j,g,t
) zu jedem Zeitpunkt ei-
ner normalisierten Wärmelastkurve (
pt
) folgen.
Lj,g
wird als der Anteil der Wärmeproduktion mit
einer spezifischen Technologie
g
in Bezug zur Jahressumme des Wärmeverbrauchs definiert. Wie
sich dieser Anteil allerdings konkret berechnet, wurde weder aus der Publikation noch aus der Be-
trachtung des dem Autor zur Verfügung stehenden GAMS-Codes
9
ersichtlich. Eine Berücksichtigung
von dezentralen thermischen Speichern kann mit dieser Formulierung nicht erfolgen. Durch die
Definition von Einzelobjekt-versorgten Gebieten
AIND
als Teilmengen aller areas (
a
)und von Techno-
logien zur Einzelobjekt-Wärmeversorgung
GIND
als Teilmenge aller Technologien (
g
)werden andere
Technologien von dieser Nebenbedingung nicht berührt.
Während oben eingeführte Gleichung
(3.8)
ein Ausbalancieren zwischen einzelnen Technologien
innerhalb eines Jahres theoretisch erfolgreich verhindert, können bei Betrachtung eines mehrjährigen
Zeitraums noch ausgleichende Effekte zwischen sinkender Wärmenachfrage und installierter Anla-
genkapazität auftreten. Dies liegt an der aggregierten Betrachtung des Verbrauchs aller Haushalte
sowie aller Heizungsanlagen einer Technologie in einer area. Ein Beispiel soll diesen Zusammenhang
verdeutlichen:
8
in diesem Fall Kombinationen aus unterschiedlichen Wärmeübergabesystemen (Flächenheizung und klassische Radiato-
ren) und Wärmedämmstufen
9
Dem Autor der vorliegenden Masterarbeit wurden Code-Fragmente des in (Münster u. a. 2012) entwickelten Addons
durch Hans Ravn zur Verfügung gestellt
26
3.2 Anpassung von Balmorel in dieser Arbeit
Die hypothetische Aufgabe soll die Optimierung der Strom- und Wärmeversorgung eines
nur mit Einzelobjekt-Heizungen Wärme-versorgbaren Gebietes über einen mehrjährigen
Zeithorizont sein. Die Rahmenbedingung stellen sich dabei wie folgt dar:
Der Anlagenpark zu Beginn und dessen Rückbau sind vorgegeben. Der zukünftige Wär-
meverbrauch sinkt in Folge einer besseren Wärmedämmung bestehender Gebäude und
dem Zubau von neuen Häusern mit sehr geringem Heizenergiebedarf. Die Gesamtanzahl
der Häuser soll allerdings konstant bleiben und somit auch in einer ersten Annäherung
die Anzahl an erforderlichen Heizungsanlagen.
Wenn nun nur der kumulierte Wärmeverbrauch aller Haushalte die Restriktion für die
Optimierung der Einzelobjekt-Versorgung darstellte, könnte folgendes Problem auftreten:
sinkender Wärmebedarf und Rückbau der Heizungskapazitäten könnten sich gerade in
der Weise ausgleichen, dass keine neuen Heizungsanlagen zugebaut werden müssten.
Dies vernachlässigt aber die Tatsache, dass jede rückgebaute Heizungsanlage gerade
ein spezifisches Haus versorgt hatte und demnach durch eine neue (vielleicht kleinere)
Anlage ersetzt werden müsste, die diese Versorgungsaufgabe übernimmt.
Um dieses Problem zu lösen wurde nun eine neue Modellerweiterung zur Darstellung von Gebieten
mit Einzelobjekt-Wärmeversorgung (Addon IND-Heat) geschrieben. Ausgangspunkt bildet die Betrach-
tung der Anzahl an Heizungsanlagen. Gleichung
(3.9)
stellt wie Gleichung
(3.8)
von Münster u. a.
(2012) die Bedingung, dass die Wärmeproduktion einer spezifischen Heiztechnologie dem Verlauf
der thermischen Last folgt, allerdings wird über die Anzahl der Heizungen einer Technologie der
Deckungsanteil dieser am gesamten Wärmeverbrauch
10
beschrieben. Die zusätzliche Nebenbedingung
(3.10)
stellt sicher, dass die Summe aller Heizungsanlagen gleich einer vorgegebenen Anzahl an
Anlagen ist.
W¨
armeproduktion
z }| {
Pth
y,a,g,t=
Deckungsanteil
z}|{
ny,a,g
nSoll
y,a
Pth,Soll
y,a,t(3.9)
=
Pmax
y,a,g
Pth,max
g
1
nSoll
y,a
Pth,Soll
y,a,t
∀y∈Y,a∈AIND,g∈Gth,t
X
Gth
ny,a,g=nSoll
y,a(3.10)
∀y∈Y,a∈AIND
Es wird die folgende Nomenklatur genutzt:
Sets
10
Lastkurven von einzelnen Häusern sind sehr erratisch. Die einfache Multiplikation von Anzahl der Wärmeverbraucher
und Last eines Verbrauchers zu einem bestimmten Zeitpunkt spiegelt nicht die Einspeisekurve der Summe aller KWK-
und Wärmepumpen-Anlagen wieder. Dies ist aber das Ziel der zeitaufgelösten Betrachtung der Wärmeversorgung.
Daher wird in dieser Arbeit die Lastkurve eines Fernwärmenetzes herangezogen. Zum Thema der Gleichzeitigkeit
(engl. simultaneity oder diversity factor) des Wärmeverbrauchs vergleiche auch (Frederiksen und Werner 2013; Tol und
Svendsen 2012).
27
Kapitel 3 Das Optimierungsmodell
AIND Teilmenge der areas a;
Gebiete, in denen eine Einzelobjekt-Wärmeversorgung vorliegt.
Parameter
Pth,max
gdurchschnittliche Netto-Leistung einer einzelnen Anlage von Technologie g
nSoll
y,abenötigte Gesamtanzahl an Heizungsanlagen in area a
Pth,Soll
y,a,tzeitvarianter Wärmeverbrauch in area a
Entscheidungsvariablen
Pth
y,a,g,tWärmeerzeugung durch Technologie gin area aim Zeitschritt t
Pmax
y,a,gkumulierte Leistungskapazität aller in area a installierter Anlagen
der Technologie g
ny,a,gAnzahl aller in area a installierter Anlagen der Technologie g
Die Anzahl benötigter Heizungsanlagen
nSoll
y,a
ist abhängig von 1) der Gebäudestruktur (z.B. Verhält-
nis von Mehrfamilienhäusern zu Einfamilienhäusern), 2) dem Heizungssystem in diesen Gebäuden
(Zentral-, Etagen- oder Zimmerheizung) und 3) der Anzahl an Fernwärmeanschlüssen im gesamten
Betrachtungsraum. Diese Abhängigkeit besteht nicht nur für den heutigen sondern auch für zukünftige
Zustände. Somit ist dieser wichtige Parameter gleichzeitig auch geprägt von einer hohen Unsicherheit.
Ebenfalls von hohem Einfluss und hoch beeinflusst in dem Sinne, dass er von einer Vielzahl externer
Rahmenbedingungen abhängt und somit nur schwer ein konkreter Wert zu zu ordnen ist, ist die
durchschnittliche Netto-Leistung einer einzelnen Heizungsanlage
Pth,max
g
. Bei der Abschätzung dieses
Parameters muss sowohl die durchschnittliche Dämmung als auch Größe aller Gebäude der jeweiligen
area in Betracht gezogen werden. Gleichzeitig ist aber auch die Gebäudegröße selbst Einflussparame-
ter auf die Technologiewahl für ein spezifisches Gebäude, da bestimmte Technologien nur in kleinen
respektive großen Gebäuden sinnvoll realisierbar sind.
3.2.3 Abstraktion der geographischen Bezeichner
Um nun die eben ausgeführten Unsicherheiten in der Wertzuweisung zu den Parametern
nSoll
y,a
und
Pth,max
g
zu verringern, werden die Wärmeverbrauch definierenden areas nicht nur nach geographischen
Gesichtspunkten sondern auch nach weiteren Strukturmerkmalen untereinander abgegrenzt. So
werden in dieser Arbeit fünf verschiedene areas definiert, deren räumliche Ausdehnung nahezu
identisch ist: eine area deckt den Fernwärmeverbrauch, während die vier übrigen die Einzelobjekt-
Wärmeversorgung repräsentieren unterteilt nach einerseits Ein- und Zweifamilien-Häusern (EZFH)
sowie Mehrfamilien-Häusern (MFH) und andererseits nach Bestandsbauten vor 2010 und Neubauten
nach 2010.
11
Weitere Distinktionsmerkmale könnten etwa die Verfügbarkeit bestimmter Technologien
(z.B. die nur geringfügige Verfügbarkeit von Kollektorwärmepumpen in städtischen Räumen) oder
eine feinere Unterteilung der Gebäudestruktur sein.12
Ebenfalls für den Bezeichner region wurde eine Abstraktion des geographischen Merkmals vorge-
nommen. So ist nun über diesen Bezeichner eine rudimentäre Darstellung von Netzebenen ermöglicht.
Dies gelingt durch die Zuordnung sowohl bestimmter Technologien als auch Verbrauchergruppen
11Diese Entscheidung basiert auf der gegebenen Datenverfügbarkeit, siehe hierzu Abschnitt 4.2.1
12vergleiche hierzu auch Merkel u. a. 2014.
28
3.2 Anpassung von Balmorel in dieser Arbeit
einer Netzebene (etwa Photovoltaik-Dachanlagen und private Haushalte der Niederspannungsebene)
zu einer bestimmten region. Entsprechend der Darstellung des Elektrizitätssystems im oberen Teil der
Abbildung 3.2 findet die Zuordnung von Verbrauchern und Energieumwandlungsanlagen statt. Durch
diese Darstellungsweise wird es etwa ermöglicht die Auswirkungen einer großflächigen dezentralen
Einspeisung durch z.B. PV-Anlagen und
𝜇
KWK-Anlagen in die Niederspannungsebene auf die Haupt-
stromflussrichtung im Stromnetz zu analysieren und somit eine erste Einschätzung der zukünftigen
Legitimität des Kostenwälzungsmechanismus (StromNEV § 14 Kostenwälzung) zu geben. Weiterhin
unterscheidet sich auch der Strompreis je nach Spannungsebene und Verbrauchergruppe, so dass etwa
die Photovoltaik-Dachanlage nicht mit den Gestehungskosten eines Großkraftwerks konkurrieren
sondern mit dem Endkundenstrompreis von privaten Haushalten. Dieser Zusammenhang ist durch
das gewählte Vorgehen abbildbar.
3.2.4 Darstellung von dezentralen thermischen Speichern und
solarthermischen Anlagen zur Heizungsunterstützung
Bei der Darstellung von Speichern in der originalen Balmorel-Version wird jeder Speicher einer area
zugeordnet. Bei der Betrachtung von Heizungen zur Einzelobjekt-Versorgung mit jeweils zugehörigem
thermischem Speicher ist diese Zuordnung jedoch nicht ausreichend. In diesem Fall wäre nämlich
ein zeitlicher Ausgleich zwischen verschiedenen Technologien über diesen „area“-Speicher möglich,
obwohl jedoch nach hier angewendeter Betrachtungsweise diese verschiedenen Technologien auch
in verschiedenen Häusern stehen müssen und somit keine direkte physische Verbindung besteht.
Zur Lösung dieses Sachverhalts wird jede die Speicher betreffende Entscheidungsvariable um die
Dimension der Heizungstechnologie erweitert. Die in Abschnitt 3.2.2 eingeführte Wärmebilanz
von Einzelobjekt-versorgten Gebieten
(3.9)
wird um den Lade- und Entladestrom des jeweiligen
thermischen Speichers erweitert (vgl. Gleichung 3.11), während die obigen Speichergleichungen
(3.6)
und
(3.7)
des originalen Balmorel in Gebieten
AIND
durch die Gleichungen
(3.12)
-
(3.13)
ersetzt werden. Zusammen mit dieser Anpassung wird die Darstellung der Verluste geändert: Die oben
verwendete Speichereffizienz
η
wird aufgeteilt in Ladeverlust
cin
und konstanten Speicherverlust
cTS
.
Solarthermische Anlagen (
GST
) werden im Modell zur Unterstützung von nicht dargebotsabhängi-
gen Heizungssystemen implementiert. So wird die Wärmeerzeugung aus Solarthermie in Gleichung
3.11 auf der linken Seite als weitere Wärmequelle hinzugefügt. Um allerdings eine direkte Zuordnung
zum Hauptheizsystem zu ermöglichen, werden auch die die solarthermischen Anlagen betreffenden
Entscheidungsvariablen um die Dimension der Haupt-Heizungstechnologie erweitert. Dementspre-
chend muss auch obengenannte Gleichung
(3.5e)
zur Begrenzung der solarthermischen Erzeugung
auf das zeitabhängige Strahlungsangebot für areas mit Einzelobjekt-Versorgung, um die Dimension
des Hauptheizsystems erweitert, erneut formuliert werden.
Wärmebilanz:
Hauptheizsystem
z }| {
Pth
y,a,Gth,s,t+
Solarthermie
z }| {
X
GST Pth
y,a,Gth,GST ,s,t+
W¨
armespeicher
z }| {
X
GTS PTS,out
y,a,Gth,GTS ,s,t−PTS,in
y,a,Gth,GTS ,s,t(3.11)
=ny,a,Gth
nSoll
y,a
Pth,Soll
y,a,s,t
∀y∈Y,a∈AIND,Gth \GST ∪GTS,s,t
29
Kapitel 3 Das Optimierungsmodell
Speicherinhalt:
UTS
y,a,Gth,GTS ,s,t+1= (1−cTS
GTS )·UTS
y,a,Gth,GTS ,s,t+(3.12)
+PTS,in
y,a,Gth,GTS ,s,t·(1−cin
GTS )−PTS,out
y,a,Gth,GTS ,s,t·∆t
∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t
Nebenbedingungen:
UTS
y,a,Gth,GTS ,s,t≤UTS,max
y,a,Gth,GTS ∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t(3.13a)
UTS
y,a,Gth,GTS ,s,t=t0=UTS
y,a,Gth,GTS ,s,t=tEnde ∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s(3.13b)
PTS,in
y,a,Gth,GTS ,s,t≤
UTS,max
y,a,Gth,GTS
∆tin
GTS
PTS,out
y,a,Gth,GTS ,s,t≤
UTS,max
y,a,Gth,GTS
∆tout
GTS
(3.13c)
∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t
Die hier neu definierten Entscheidungsvariablen mit der zusätzlichen Dimension der Heizungs-
technologie können nicht ohne weiteres an die Gleichungen der Basis-Version von Balmorel (z.B.
Zielfunktion und Wärmebilanzgleichung) übergeben werden. Um eine Nutzung des Addons ohne
Veränderung des Hauptteils des Balmorel-Codes zu ermöglichen, werden die so feiner aufgegliederten
Entscheidungsvariablen in zusätzlichen Gleichungen durch Summation über das Set Gth wieder auf
die ursprüngliche Dimensionszahl zurückgeführt.
3.3 Diskussion der Realitätsnähe der dargelegten
mathematischen Darstellung von technisch-physikalischen
Zusammenhängen
Modell-bedingt können bestimmte technisch-physikalische Zusammenhänge nicht dargestellt werden.
Die wichtigsten werden im Folgenden kurz genannt.
Es wird nur die Einhaltung von Energiebilanzen gefordert ohne die Berücksichtigung der Tempera-
tur im Falle thermischer Energie. Dies führt dazu, dass kein Rückschluss auf die Qualität (Exergie)
der thermischen Energie möglich ist. Auch kann für thermische Speicher so keine Betrachtung des
Speichervolumens erfolgen, welche allerdings entscheidenden Einfluss auf die zu tätigenden Investiti-
onskosten hat. Es werden keine strömungsphysikalischen Beschränkungen berücksichtigt bis auf die
indirekte Darstellung von minimalen und maximalen Speicher-Ladeströmen (vgl. Gleichung 3.7c).
Dies kann etwa bei der Modellierung von Fernwärmenetzen zu real nicht umsetzbaren Systemzustän-
den führen: Wenn etwa zu einem Zeitpunkt das Ergebnis der Optimierung die Deckung der gesamten
thermischen Last eines Fernwärmenetzes nur durch eine Anlage vorgibt, eine Wärmeverteilung aber
über das reale Rohrsystem von diesem bestimmten Anlagenstandort zu den Verbrauchern auf Grund
von hydraulischen Restriktionen nicht durchführbar ist. Das Teillastverhalten von Energieumwand-
lungsanlagen wird nicht berücksichtigt. Dies wäre nur bei einer blockscharfen Modellierung möglich,
30
3.3 Diskussion der Realitätsnähe der dargelegten mathematischen Darstellung
die für die hier im Fokus der Betrachtung stehende hohe Zahl an Kleinstanlagen (BHKW, PV, WP)
allerdings keinen Sinn hat. Zusätzlich ist zu bemerken, dass Kleinstanlagen häufig gar keine kontinu-
ierlich Modulation der Leistung zulassen, sondern taktend, d.h. im Wechsel von an und aus, betrieben
werden. Allerdings findet diese Taktung unterhalb des Stundenbereiches statt und ist somit generell
außerhalb der zeitlichen Betrachtungsmöglichkeit des Modells. Der Zusammenhang aus Stromer-
zeugung und Wärmeauskopplung (
P
-
˙
Q
-Verhalten) wird nur rudimentär linear abgebildet durch die
Stromkennzahl und die Gegendrucklinie. Teilweise werden in realen Anwendungen von größeren,
Strompreis-geführten Blockheizkraftwerken und Gasturbinen Bypässe um den Hauptwärmetauscher
installiert. Dies führt zu der Möglichkeit der reinen Stromproduktion ohne Wärmeauskopplung und
somit einem weiteren Freiheitsgrad im Betrieb der Anlage. Auch diese Systemeigenschaft ist nicht im
Modell integriert. Der gegensätzliche Anlagenentwurf mit dem Ziel einer gesteigerten Wärmeprodukti-
on ohne gleichzeitig erhöhte Stromproduktion durch einen befeuerten Abhitzekessels bei Gasturbinen-
sowie Gas- und Dampfturbinen-Prozessen kann auch nicht abgebildet werden. Instationäres Verhalten
kann gar nicht betrachtet werden.
Ein weiterer Aspekt spezifisch für elektrische Versorgungssysteme ist das systemimmanente Vorhan-
densein von Vorhersage-Fehlern. Dies betrifft sowohl die Verbrauchsseite als auch die Erzeugungsseite.
Letzteres mit steigender Relevanz, da ein immer höher werdender Anteil der Stromerzeugung von
fluktuierenden erneuerbaren Energien bereitgestellt wird. Eine Berücksichtigung der damit zusammen-
hängenden Aspekte wie etwa die Vorhaltung von Kapazitäten wird in dieser Arbeit nicht durchgeführt.
Eine Abschätzung der Auswirkungen dieser Vereinfachungen der modellhaften Darstellung auf
die Optimierungsergebnisse ist nur schwer erreichbar. So könnten Teilaspekte dieses Modells mit
exakteren kleinteiligen Modellen (etwa für einzelne Fernwärmenetze (Christidis u.a. 2012; Hofmann
u. a. 2011), oder für Nahwärmesysteme (Rieder, Christidis und Tsatsaronis 2014)) verglichen werden.
Jedoch folgen die eben genannten Beispiele einer Optimierung der Kosten von Einzelsystemen
(Unternehmenssicht), wohingegen das hier dargestellte Modell eine Optimierung der gesamten
Versorgungsstruktur einer Stadt verfolgt und somit die Entscheidungen für Investitionen und Betrieb
nur bedingt vergleichbar sind.
31
Kapitel 4
Szenariodaten
Um die in dieser Arbeit gestellte Fragestellung der Entwicklung von Potentialen urbaner Energie-
systeme zur Integration fluktuierender erneuerbarer Energien zu beantworten, ist die Vorgabe von
Rahmenbedingungen notwendig. Zu diesem Zweck wird im vorliegenden Kapitel zuerst ein Über-
blick über den heutigen Zustand des Berliner Energiesystems auf Basis einer Literaturrecherche
gegeben, um dann Zukunftsszenarien des Strom- und Wärmeverbrauchs zu entwickeln (Abschnitt
4.2). Weiterhin werden in den Abschnitten 4.3 und 4.4 die verwendeten Pfade der Kosten- und
Technologieentwicklung dargelegt. Auch die Annahmen zur Ausgangssituation des Anlagenparks
werden hier dargestellt.
In den letzten Jahren wurden mehrere Studien erarbeitet, die sich mit dem Berliner Energiesystem
beschäftigen. So legt die in Kooperation von Siemens, Vattenfall und TU Berlin erstellte Studie „Su-
stainable Urban Infrastructure - Intelligente Energieversorgung für Berlin 2037“ Einsatzmöglichkeiten
von sogenannten smarten Technologien dar
1
. Es werden die Themenbereiche Automatisierung der Ge-
bäudetechnik, Elektromobilität, Stromnetz-Dienstleistungen und weiteres behandelt. Die im Auftrag
der Brandenburger Landtagsfraktion Bündnis 90 /Die Grünen erstellte Studie „Szenarioberechnung
einer Strom- und Wärmeversorgung der Region Brandenburg-Berlin auf Basis Erneuerbarer Energien“
2
analysiert die Möglichkeit, die Strom- und Wärmeversorgung der Region Berlin-Brandenburg auf
einen hohen Anteil erneuerbarer Energien zu stützen. Dabei wird die Stromversorgung für ein zukünf-
tiges Jahr (2020 bzw. 2030) stundengenau modelliert und ein abstrahiertes Transportnetz-Modell
genutzt. Jedoch wird dabei nicht auf eine Veränderung sonstiger Rahmenbedingungen eingegangen.
Mit der Koordination der Länder Berlin und Brandenburg beschäftigt sich auch das „Gemeinsame
Raumordnungskonzept Energie und Klima für Berlin und Brandenburg“
3
. Hier werden hauptsäch-
lich konkurrierende Raumnutzungsansprüche der Energieversorgung und der Anpassung an den
Klimawandel diskutiert. Im Handlungsbereich Energie wird Berlin hier in erster Linie als Verbraucher
gesehen und somit der Fokus auch auf eine Senkung des Energiebedarfs gelegt. Mit den Berlin-
spezifischen Potentialen von Energieeinsparung und Ausbau der erneuerbaren Energien sowie den
passenden Maßnahmen beschäftigt sich die zur Erstellung des Berliner Klimakonzepts vom Institut für
ökologische Wirtschaftsforschung erarbeitete Studie „Potenziale erneuerbarer Energien in Berlin 2020
und langfristig“
4
. Auf dieser aufbauend wurde die im März 2014 veröffentlichte „Machbarkeitsstudie
1Siemens AG und Vattenfall Europe AG 2011.
2Twele, Müller und Möller 2012.
3INFRASTRUKTUR & UMWELT, Prof. Böhm und Partner 2011.
4Hirschl u. a. 2011.
33
Kapitel 4 Szenariodaten
Klimaneutrales Berlin 2050“
5
(MKB) im Auftrag der Senatsverwaltung für Stadtentwicklung und
Umwelt erarbeitet. Dies ist die bislang umfangreichste Arbeit zur langfristigen sozio-technischen
Entwicklung des Berliner Energiesystems. Das beauftragte Forschungskonsortium bestand aus acht
Partnern
6
, welche sich etwa ein Jahr mit der Frage beschäftigt hat, ob und auf welche Weise Berlin
die Klimaneutralität
7
erreichen kann. Die genannte Studie soll laut Auftraggeber auch die Grundlage
für die Erstellung eines Berliner Energiewende-Gesetzes legen.
Ausgehend vom Status Quo in Berlin (Jahr 2010) entwickelte das Konsortium ein Referenzsze-
nario und zwei Zielszenarien zur Erreichung der Klimaneutralität sowie Empfehlungen hinsichtlich
möglicher Maßnahmen und Leitprojekte. Die MKB zeichnet sich durch eine detaillierte Aufbereitung
der bisher erstellten Studien, eine tiefgehende Betrachtung des Gebäudesektors und einer breiten
Beteiligung von Interessengruppen und Fachleuten (zwei Veranstaltungen mit Stakeholder-Workshops
sowie einige Experteninterviews) aus. Insgesamt seien ca. 320 VertreterInnen von Organisationen,
Verbänden, Unternehmen, öffentlicher Verwaltung sowie engagierte Einzelpersonen beim Prozess
beteiligt gewesen.
Im folgenden Abschnitt werden die in der Machbarkeitsstudie entwickelten Zukunftsszenarien
des Energiesystems kurz dargelegt und die daraus für die vorliegende Studie entnommenen Werte
des Nutzenergiebedarfs (Strom und Niedertemperatur-Wärme) und der Energieversorgungsstruktur
erläutert.
Es sei an dieser Stelle nur darauf hingewiesen, dass die Entwicklung von Zukunftsszenarien mit
vielen Schwierigkeiten verbunden ist, auf die hier allerdings nicht näher eingegangen wird, da dies
den Umfang der Arbeit überschreiten würde. Eine Einführung in die Szenario-Entwicklung und
Interpretation geben Appelrath u. a. (im Erscheinen), Dieckhoff u. a. (2014), Kosow und Gassner
(2008) und Mai u. a. (2013). Erkenntnistheoretische Probleme der sogenannten Zukunftsforschung
im generellen und der Szenarioanalyse im speziellen sowie ein möglicher Umgang mit diesen werden
von Grunwald (2014) behandelt.
4.1 Machbarkeitsstudie Klimaneutrales Berlin 2050
4.1.1 Betrachtete Handlungsfelder und Status Quo des Berliner
Energiesystems
Den Ausgangspunkt der MKB bildet die Energie- und
CO2
-Bilanz basierend auf Daten des Amtes
für Statistik Berlin-Brandenburg.
8
Diese Erhebung folgt der Methode des Länderarbeitskreises Ener-
5Reusswig u.a. 2014a.
6
Leitung: Postdam-Institut für Klimafolgenforschung (PIK) und Institut für ökologische Wirtschaftsforschung gGmbH
(IÖW) in Stellvertretung. Weitere Partner: BLS Energieplan GmbH, InnoZ – Innovationszentrum für Mobilität und
gesellschaftlichen Wandel, UmbauStadt, LUP – Luftbild Umwelt Planung GmbH, bgmr Landschaftsarchitekten, HFK
Rechtsanwälte LLP.
7
Klimaneutralität wird definiert über die Begrenzung der Erderwärmung auf
2◦C
. Bei einer Weltbevölkerung von schät-
zungsweise 9 Milliarden Menschen im Jahr 2050 darf dann laut Intergovernmental Panel on Climate Change (2013)
(IPCC) die Emission von
2tCO2eq/Kopf
nicht übersteigen. In der MKB wird jedoch ein absolutes Reduktionsziel von 85 %
im Vergleich zu den direkt energiebedingten
CO2
-Emissionen 1990 definiert. Bezieht man diesen Zielwert auf die in
der Machbarkeitsstudie genutzte Bevölkerungsprognose für 2050 erhält man als bevölkerungsspezifische Emission
einen Wertebereich von
1, 1 −1,7tCO2/Kopf
. Die Differenz zu dem durch das IPCC definierten Zielwert wird in der MKB
als eine Art Puffer aufgefasst, da in der hier angewandten Methodik keine weiteren klimarelevanten Treibhausgase
berücksichtigt wurden und die Bevölkerungsentwicklung mit großen Unsicherheiten behaftet ist.
8Reusswig u.a. 2014a, S. 48.
34
4.1 Machbarkeitsstudie Klimaneutrales Berlin 2050
giebilanzen (LAK)
9
. Ein Erkenntnisziel der Studie war die Ausweisung des Energieverbrauchs im
Gebäudebereich (Raumwärme) und davon abgeleitet Energieeinspar- und Treibhausgasreduktionspo-
tentiale aufzuzeigen. Um dies zu erreichen, wurde eine Neustrukturierung der LAK-Verbrauchssektoren
zu Handlungsfeldern (HF) vorgenommen: Die drei ursprünglichen Sektoren aus der amtlichen Sta-
tistik (1) private Haushalte und Gewerbe, Handel, Dienstleistung (GHD), (2) Industrie sowie (3)
Verkehr wurden mit Hilfe von Anwendungsbilanzdaten der Arbeitsgemeinschaft Energiebilanzen
(AGEB) sowie eines Verteilungsschlüssels des Endenergiebedarfs zwischen GHD und Haushalten
aus der Umweltökonomischen Gesamtrechnung der Länder in die Handlungsfelder Verkehr, Private
Haushalte (ohne Raumwärme, Warmwasser und Klimatisierung), Wirtschaft (GHD und Industrie,
ohne Raumwärme, Warmwasser und Klimatisierung) und Gebäude (Raumwärme und Warmwasser
sowie Klimatisierung) umgerechnet. Die Verwendung von bundesdeutschen Verteilungsschlüsseln
der AGEB führt zu einer teilweisen Vernachlässigung regionaler Besonderheiten. Für Berlin sind
dies im Wohngebäude-Bereich unter anderem a) der hohe Anteil an Mehrfamilienhäusern (kleinere,
kompakt-gebaute Wohnungen führen zu sinkendem Raumwärmeanteil gegenüber Strom), b) die
klimatischen Bedingungen in Ballungsräumen (Hitzestauung, Starkregen) sowie c) der geringere
Anteil an Strom-betriebenen Nachtspeicherheizungen im Vergleich zu Westdeutschland.
Zusätzlich zu diesen Handlungsfeldern im Nachfragesektor wird der Energieumwandlungssektor als
weiteres Handlungsfeld identifiziert. Dieser wird in der Machbarkeitsstudie als die Bereitstellung der
leitungsgebundenen Energieträger Strom und Fernwärme definiert. Somit wird hier einmal die zentrale
Erzeugung von Strom und Fernwärme in Großkraftwerken betrachtet und zum anderen die dezentrale
Erzeugung von Strom direkt in den Liegenschaften der Endabnehmer durch Umwandlungsanlagen
erneuerbarer Energien und KWK-Anlagen. Die Bereitstellung mechanischer Energie wird in den
einzelnen Verbrauchssektoren behandelt. Eine genauere Analyse des bestehenden Anlagenparks zur
Elektrizitäts- und Wärmeerzeugung in Berlin wird in der Machbarkeitsstudie nicht durchgeführt.
Zum Zwecke der vorliegenden Arbeit wird ein Überblick über den Anlagenbestand im Abschnitt 4.4
gegeben.
Einen summarischen Überblick über Primär- und Endenergieverbrauch sowie die energiebedingten
CO2
-Emissionen (nach Quellen- und Verursacherbilanz der direkten Emissionen) zeigt Tabelle 4.1.
Die Werte werden zum einen in der Aufteilung nach Sektoren der AGEB und zum anderen nach
Handlungsfeldern der Machbarkeitsstudie gelistet. Es zeigt sich, dass der Endenergieverbrauch
privater Haushalte von 41 % auf 9 % reduziert wird durch die Verschiebung der Anwendungsbereiche
Raumwärme und Warmwasser in das neue Handlungsfeld Gebäude. Letzteres trägt zu 56 % des
Endenergieverbrauches und zu 47 % der energiebedingten
CO2
-Emission bei und hat so entscheidende
Bedeutung bei der Erreichung der Klimaziele der Stadt Berlin.
4.1.2 Die Szenarien der Machbarkeitsstudie
Um verschiedene Wege zum Ziel der Klimaneutralität aufzuzeigen, wurden drei Zukunftsszenarien des
Berliner Energiesystems entwickelt: ein Referenzszenario und zwei Zielszenarien. Das Referenzszena-
rio ist nicht nur ein Business-as-Usual-Szenario, sondern ein Szenario, in dem bisher beschlossene
Überlegungen im Bereich des Klimaschutzes und der Stadtplanung, wie zum Beispiel aus den Stadt-
entwicklungsplänen Klima und Verkehr, bereits erfolgreich implementiert wurden.
9
Hier werden nur die direkt energiebedingten
CO2
-Emission berücksichtigt ohne weitere Treibhausgase. Dabei wird
methodisch bedingt der mit dem Warenimport verbundene „graue“ Energieverbrauch und
CO2
-Ausstoß vernachlässigt.
In der Folge wirkt sich etwa eine Abwanderung von Betrieben des verarbeitenden (und somit energieintensiven)
Gewerbes positiv auf die berechnete Bilanz aus.
35
Kapitel 4 Szenariodaten
Tabelle 4.1:
Kenngrößen des Berliner Energiesystems 2010 nach AGEB-Sektoren und MKB-
Handlungsfeldern im Überblick (Reusswig u.a. (2014a, Tabelle 5, S.55) und AfS)
Primär- End- Quellen- Verursacher-
energie energie bilanz-CO2bilanz-CO2
Handlungsfeld [TJ/a] [TJ/a] [Mio. t/a] [Mio. t/a]
Verkehr 65.775 4,9
Industrie 16.974 1,7
GHD 75.011 14,7
Haushalte 110.028
Verkehr 65.775 65.775 4,37 4,85
Konsum 12.290 12.290 0 1,86
Wirtschaft 39.458 39.458 0,97 4,56
Gebäude 150.275 150.275 6,12 10,02
Energie 36.752 0 8,29 0
insgesamt 304.549 267.797 19,76 21,29
Für die oben differenzierten Handlungsfelder wurden Schlüsselfaktoren identifiziert und mögliche
Entwicklungen dieser erarbeitet. Sowohl die Erarbeitung von Schlüsselfaktoren und ihrer zukünftigen
Ausprägungen als auch deren Kombination zu Szenarien wurde begleitet durch verschiedene Formen
der Stakeholder-Integration. Besonders hervorstechende Treiber des Endenergieverbrauchs, welche
aber nicht primär dem Klimabereich zu zu ordnen sind, wurden in den so erstellten Szenarien
nicht variiert. Es wird argumentiert, dass deren Einfluss die Wirkung verschiedener Klimapolitiken
überdeckt hätte. Zu diesen nicht betrachteten Treibern gehören die Bevölkerungsentwicklung (2050
3,75 Mio. Einwohner) und die Wirtschaftsentwicklung (1 % Wachstum des Bruttoinlandsprodukts pro
Jahr). Die in der MKB genutzte zukünftige Bevölkerungszahl basiert auf der oberen Variante der durch
die Senatsverwaltung für Stadt und Umwelt erstellten Bevölkerungsprognose für 2030, korrigiert
durch die Zensus-Erhebung von 2011. Die beiden Zielszenarien wurden nun entlang der folgenden
Bereiche charakterisiert: (1) Werte, Einstellungen und Konsummuster, (2) Technologieentwicklung/-
diffusion, (3) Grad der Zentralität/Dezentralität von Wirtschaft, Infrastruktur und Stadtentwicklung
sowie (4) der Gewichtung der Beiträge von Energieträger-Substitution und -Einsparungen. Die
Ergebnisse wurden durch das Forschungskonsortium zusammengefasst als „die zentrale, effiziente
Stadt“ (Zielszenario 1) und „die dezentrale, vernetzte Stadt“ (Zielszenario 2). Exemplarisch wird im
Folgenden anhand der beiden Handlungsfelder Wirtschaft und Gebäude das Studienvorgehen zur
Abschätzung möglicher Entwicklungen energierelevanter Größen dargestellt. Als Zusammenfassung
aller Handlungsfelder werden dann die resultierenden Stromverbräuche der drei Szenarien vorgestellt.
Die Entwicklung des Endenergieverbrauchs im Handlungsfeld Wirtschaft wird anhand folgender
drei Bereiche beschrieben: Aktivitätsgrad der einzelnen Unternehmen und Unternehmensgruppen;
Bedeutung der Energieeffizienz und der Erneuerbaren Energien; Ausgestaltung von Kooperation und
Vernetzung. Für diese werden in den drei Szenarien unterschiedliche Entwicklungen gezeichnet und
als Resultat die Endenergieeinsparung und jeweiligen Anteile der Endenergieträger abgeleitet. Die
Potentialabschätzungen für eine Reduktion des Energiebedarfs basieren auf dem Energiekonzept
36
4.1 Machbarkeitsstudie Klimaneutrales Berlin 2050
der Bundesregierung (2010) und der WWF-Studie „Modell Deutschland, Klimaschutz bis 2050“.
10
Folgende Werte zeigen die Reduktionswirkungen ausgewählter Maßnahmen für den GHD-Sektor:
Information, Kommunikation und Beleuchtung:
40-80 % durch „Green IT“-Lösungen und in-
telligente Beleuchtungskonzepte
Mechanische Energie:
30-50 % Effizienzmaßnahmen und Substitution von Kraftstoffen im Off-
Road-Verkehr (=Elektrifizierung)
Thermische Prozessenergie:
bis zu 40 % durch Prozessoptimierung (z.B. Sterilisierung durch
Dampf, Entfallen von Trocknung in Wäschereien durch wasserloses Waschen)
Probleme bei der Interpretation dieser Annahmen ergeben sich aus zwei Punkten: 1) aus der Be-
trachtung reiner Endenergiereduktionspotentiale ohne die Betrachtung der Qualität der Energieträger
und ihrer Umwandlungsketten zu Nutzenergie und letztendlich Energiedienstleistungen (Stichwort
Exergie) und 2) aus der Betrachtung der Reduktionspotentiale bezogen auf den absoluten Endener-
giebedarf und nicht auf einen spezifischen (Wertschöpfung, Erwerbstätige).
11
Dabei kann etwa das
Wachstum von Wirtschaftszweigen mit hohem Prozessenergiebedarf (z.B. Prozesskälte im Gastge-
werbe) zu einer Minderung der absoluten Einsparpotentiale führen. Durch das gewählte Vorgehen
kann nicht differenziert werden zwischen Strukturveränderungen der Wirtschaft und tatsächlichen
Effizienzsteigerungen sowie Energieeinsparungen.
Die Entwicklung des Handlungsfeldes Gebäude wird ebenfalls anhand der drei Szenarien be-
schrieben.
12
Diese werden charakterisiert durch die folgenden Namen: Referenzszenario, „Moderate
Modernisierung“ (Zielszenario 1) und „Konsequente Modernisierung“ (Zielszenario 2). Es werden die
als entscheidend identifizierten Einflussgrößen Bau- und Flächenentwicklung sowie die Intensität
und Qualität der Sanierungs- und Neubautätigkeiten variiert. Diese gehen als Parameteränderungen
in ein Gebäudemodell ein, welches hauptsächlich auf einer Geoinformationsdatenbank des Berliner
Stadtgebietes beruhend Nutz- und Endenergiebedarf berechnet.
13
Hierzu müssen nicht nur Aussagen
zu möglichen Entwicklungen der thermischen Last getroffen werden, sondern auch zum Bestand der
Anlagen zur Bereitstellung thermischer Energie im Jahre 2050. So werden für die Abschätzung des
Fernwärmebedarfs verschiedene Entwicklungen der Anschlussquote angegeben, die mit unterschiedli-
chen Priorisierungs- und Bebauungsentscheidungen in den Szenarien begründet werden. Auch für den
Einsatz solarthermischer Anlagen werden verschiedene Annahmen auf Basis von Kausalketten herge-
leitet.
14
Hier wird etwa die Nutzung in Fernwärmegebieten ausgeschlossen, die Anteile an nutzbarer
Dach- und Fassadenfläche festgelegt und für den Denkmalschutz verschiedene Ausführungsformen
angesetzt. Für die Nutzung von Biomasse wird ein Absolutwert von 156.000 t/a Hackschnitzel und
Holzpellets basierend auf Hirschl u. a. (2011) für alle Szenarien angenommen. Für die Abschätzung
des Anteils der übrigen Umwandlungstechnologien fehlt eine Argumentation.
Aus den in den einzelnen Handlungsfeldern erstellten Szenarien wurden jeweils Stromverbräuche
berechnet. Tabelle 4.2 zeigt die Werte der Machbarkeitsstudie absolut, sowie relativ deren Veränderung
gegenüber 2010.
10Reusswig u. a. 2014a, S. 69.
11
Zusätzlich wird durch die fehlende lebenswegbasierte Betrachtung der Mehraufwand in der Herstellung und Entsorgung
von Alternativtechniken nicht berücksichtigt.
12Reusswig u. a. 2014a, S. 97 ff.
13Reusswig u. a. 2014b, S. 313 ff.
14vgl. Reusswig u. a. 2014a, S. 109.
37
Kapitel 4 Szenariodaten
Tabelle 4.2:
Stromverbrauch nach Handlungsfeldern für das Jahr 2010 und die verschiedenen Szena-
rien (Reusswig u.a. 2014a)
2010 2050
Referenz Ziel 1 Ziel 2
absolut [TJ/a] [TJ/a] [TJ/a] [TJ/a]
HF Wirtschaft 23.047 18.463 12.878 14.597
HF Private Haushalte und Konsum 12.221 11.000 8.555 6.111
HF Verkehr 3.152 4.729 8.716 8.320
HF Gebäude 5.381 6.756 14.588 11.128
Gesamt 43.801 40.948 44.737 40.156
Gesamt (ohne Gebäude) 38.420 34.192 30.149 29.028
relativ
HF Wirtschaft -20% -44% -37%
HF Private Haushalte und Konsum -10% -30% -50%
HF Verkehr 50% 177% 164%
HF Gebäude 26% 171% 107%
Gesamt -7% 2% -8%
Gesamt (ohne Gebäude) -11% -22% -24%
Während im Zielszenario 1 der Stromverbrauch gegenüber 2050 um 2 % steigt, kann er im Refe-
renzszenario und im Zielszenario 2 um 7 % bzw. 8 % gesenkt werden. Eine deutliche Elektrifizierung
des Verkehrsbereichs ist in den beiden Zielszenarien zu bemerken (Steigerung von 177 % bzw. 164 %
verglichen mit Referenzszenario mit nur 50 % Zuwachs). Auch das Handlungsfeld Gebäude unterliegt
in den beiden Zielszenarien einer starken Elektrifizierung. Die Verschiebung des Endenergieverbrauchs
in den Stromsektor hat den Vorteil den hohen Anteil erneuerbarer Energien des bundesdeutschen
Strommixes nutzen zu können. In den beiden Zielszenarien kann ein deutlicher Unterschied in der
Verteilung der Einsparmaßnahmen zwischen den Handlungsfeldern Wirtschaft und private Haushalte
festgestellt werden: Im Zielszenario 1 wird ein großer Teil der Einsparungen im Wirtschaftssektor
erbracht, wohingegen im Zielszenario 2 dieser weniger zur Einsparung beiträgt, dies jedoch durch
eine anteilig größere Reduktionsleistung der privaten Haushalte kompensiert wird (-50 % statt nur
-30 %).
Zusammenfassend werden die in der Machbarkeitsstudie Klimaneutrales Berlin entwickelten Sze-
narien als sehr umfangreich und viele Aspekte abdeckend eingeschätzt. Durch die starke Einbindung
von Stakeholdern wurden unterschiedlichste Entwicklungstendenzen und Wechselwirkungen be-
rücksichtigt, auch wenn diese nicht immer als eigene Szenariovarianten umgesetzt werden konnten.
Trotzdessen wurden die Szenarioanalysen mit diesem Wissen angereichert. Allerdings ist methodisch
zu bemängeln, dass die Auswahl der Szenarioindikatoren und die Kombination der entsprechenden
Indikatorvarianten nicht gut nachvollziehbar sind. Auch wurde durch die bewusste Festsetzung von
besonders hervorstechenden Treibern des Energiebedarfs wie der Bevölkerungs- und Wirtschafts-
entwicklung auf einen Wert die Sensitivität des betrachteten Systems bezüglich dieser Größen nicht
untersucht. Das diese Treiber jedoch selbst schon mit einer großen Unsicherheit versehen sind, zeigen
38
4.2 Szenario des Wärme- und Stromverbrauchs
Abbildung 4.1:
Prognosen der Bevölkerungsentwicklung (Schlömer, Bucher und Hoymann 2015;
Statistisches Bundesamt 2010; Wiener 2012)
die in Abbildung 4.1 dargestellten verschiedenen Prognosen der Bevölkerungsentwicklung.
15
Jedoch
werden auf Grund der vorher genannten Aspekte und einer Begrenzung des Arbeitsaufwandes dieser
Masterarbeit, die Szenarioergebnisse der MKB für die Erstellung eigener Szenarien in den Bereichen
des Stromverbrauchs, Fernwärmebezugs sowie weiteren Rahmenannahmen der Gebäudeentwicklung
genutzt.
4.2 Szenario des Wärme- und Stromverbrauchs
Ausgehend von den Szenarien der Machbarkeitsstudie wird ein Szenario des Nutzenergieverbrauchs
für die im erarbeiteten Modell berücksichtigten Verbrauchssektoren entwickelt. Dies wird im Folgenden
getrennt nach Niedertemperatur-Wärme und Strom dargelegt.
4.2.1 Entwicklung des Wärmeverbrauchs
Da das vorliegende Energiesystemmodell getrieben wird durch exogen vorzugebende Nutzenergie-
verbräuche, um dann kostenminimale Endenergieverbräuche zu berechnen, wird eine zukünftige
Entwicklung des Wärme-Nutzenergieverbrauchs benötigt. Dieser wird leider in der MKB nicht explizit
angegeben.
16
Einzig der Fernwärmeverbrauch - dem Nutzenergieverbrauch für diesen Endenergieträ-
ger fast gleichsetzbar - kann der Studie entnommen werden. Daher wird eine alternative Methode
zur Berechnung des Nutzenergieverbrauchs herangezogen. Diese berücksichtigt allerdings nur den
Nutzenergieverbrauch zur Beheizung von Wohnfläche und Bereitstellung von Trinkwarmwasser; nicht
wie in der Machbarkeitsstudie die gesamten beheizten Gebäudeflächen einschließlich gewerblicher
15
Eine Methode, die Kombination von Indikatorvarianten zu Szenarien nachvollziehbar zu gestalten und gleichzeitig
eine zusätzliche interne Konsistenz dieser Szenarien zu erhalten, ist durch die Cross-Impact-Bilanzanalyse gegeben:
Weimer-Jehle (2006) und http://www.cross-impact.de/
16Auf die schriftlichen Anfragen, diesen Sachverhalt aufzuklären, wurde nicht reagiert.
39
Kapitel 4 Szenariodaten
und industrieller Nutzung. Dies liegt begründet in der schlechten Datenlage bei den letztgenannten
Nutzungsformen.
Es wird zum einen die amtliche Statistik und zum anderen die Wohnungsmarktprognose des
Bundesinstituts für Bau, Stadt und Raumforschung (BBSR)
17
zur Ermittlung von Wohnfläche und
Gebäudeanzahl herangezogen. Die genannte Wohnungsmarktprognose berechnet basierend auf der
Bevölkerungsentwicklung der Raumordnungsprognose 2035
18
- ebenfalls erstellt durch das BBSR -
auf (Land-)Kreisebene eine mögliche Entwicklung des Gebäudebestandes. Weitere berücksichtigte
Einflussgrößen in der Wohnungsmarkprognose neben der Bevölkerungsentwicklung (Haushaltsanzahl
und -größe) sind unter anderem die einwohnerspezifische Wohnfläche und die Eigentumsverhältnisse
der Wohnungen. Da es für Berlin einen deutlichen Unterschied in der ausgewiesenen Wohnfläche
zwischen der Gebäudestatistik (Zensus 2011) und der BBSR-Prognose gibt, werden die Startwerte
der Prognose im Jahr 2015 durch die entsprechenden Zensus-Werte ersetzt und dann lediglich die
jährlichen Änderungen aus der Prognose übernommen. Weiterhin wird die nur bis ins Jahr 2030
reichende Prognose durch die Mittelwerte 2025-2030 linear verlängert bis 2050. Die so berechnete
Flächenentwicklung - unterteilt nach EZFH und MFH sowie Bestand vor 2010 und Neubau nach 2010 -
wird in eine entsprechende Anzahl an Gebäuden umgerechnet, um so einen Bedarf an Heizungsanlagen
differenziert nach Größen zu erhalten (siehe hierzu 3.2.2). Die Ergebnisse dieser Berechnungen sind
in der Abbildung 4.2 dargestellt, während die Eingangsdaten und Zwischenergebnisse den Dateien
des beiliegenden Datenträgers entnommen werden können.19
Abbildung 4.2:
Szenario der Wärmeverbrauchsentwicklung privater Haushalte: links Wohnflächenbe-
darf, mittig Gebäudeanzahl, rechts Nutzwärmeverbrauch
Trotz wachsender Bevölkerungszahl in der BBSR-Raumordnungsprognose (vgl. Abbildung 4.1)
steigt der Wohnflächenbedarf insgesamt nicht an. Diese Tendenz ist gegenläufig zum nationalen
Mittelwert, wird allerdings auch in der MKB angenommen und kann teilweise durch die schon hohe
Verdichtung in Berlin sowie eine steigende Atttraktivität und somit knapper werdendem Wohnraum
begründet werden. Die Anzahl an Gebäuden ist sogar rückläufig. Dies resultiert bei angenommener
hoher Sanierungsrate von 2 % (heute etwa 0,8 %
20
) und entsprechender Umsetzung der Energie-
Einspar-Verordnung (EnEV) in einer deutlichen Reduzierung des Energieverbrauchs zu Heizzwecken.
17Held und Waltersbacher 2015.
18Schlömer, Bucher und Hoymann 2015.
19
Der genutzte spezifische Energieverbrauch differenziert nach EZFH und MFH basiert für den Gebäudebestand auf Walberg
u. a. (2011, S. 45) und für Neubauten auf Bigalke u. a. (2015, S. 40).
20Diefenbach u. a. 2010.
40
4.3 Entwicklung variabler Kosten
Die Annahme eines etwa gleichbleibenden gesamten Wohnflächenbedarfs und eine Umsetzung hoher
Dämmstandards geht überein mit dem Zielszenario 2 der Machbarkeitsstudie sowie nationalen
Zielsetzungen.
4.2.2 Entwicklung des Stromverbrauchs
Dem Vorgehen der vorliegenden Masterarbeit folgend wird der Stromverbrauch der Handlungsfelder
Wirtschaft, private Haushalte und Verkehr als Eingangsgröße des Modells verwendet. Der Stromver-
brauch resultierend aus Wärmeanwendungen, wird an dieser Stelle nicht berücksichtigt, da dieser
modellendogen durch den Anlagenpark zur Deckung des Wärmeverbrauchs bestimmt wird.
Entsprechend der im vorigen Abschnitt ermittelten Entwicklung des Wärmeverbrauchs in Anlehnung
an Zielszenario 2 der MKB, wird auch für den Stromverbrauch dieses Szenario herangezogen. Die Ent-
wicklung des Strombedarfs in den nicht durch die MKB betrachteten Jahre zwischen 2010 und 2050
wird durch eine lineare Approximation bestimmt. Der Verbrauch des Handlungsfeldes Wirtschaft wird
pauschal der Stromspannungsebene Hoch-/Mittelspannung zugeordnet, wohingegen die Handlungs-
felder Private Haushalte und Verkehr der Niederspannung zugeordnet werden. Dies ist eine starke
Vereinfachung der realen Situation
21
, doch auf Grund fehlender weiterer Differenzierungsmerkmale
können keine weitergehenden Abschätzungen getroffen werden.
Neben der Jahressumme des Strom- und Wärmebedarfs ist auch eine Definition des unterjährigen
Lastgangs für die Modellierung notwendig. Hierzu werden die in Balmorel hinterlegten Lastkurven
genutzt. Zu verschiedenen Einflussfaktoren auf die Struktur des elektrischen Lastverlaufs sei verwiesen
auf Hauser, Evora und Kremers (2012) und Klingler und Boßmann (2015).
4.3 Entwicklung variabler Kosten
In der Machbarkeitsstudie Klimaneutrales Berlin 2050 werden keine Annahmen zu heutigen und
zukünftigen variablen Kosten der Energieumwandlung getroffen. Somit muss hier auf andere Quellen
zurückgegriffen werden. Im Folgenden werden diese dargelegt und die jeweilig recherchierten Werte
in ihren Kontext gestellt.
4.3.1 Brennstoffkosten
Die Brennstoffkosten für konventionelle Energieträger sowie die Preise für Im- und Export von
Elektrizität (beides übereinstimmend) werden aus den Langfristszenarien 2011 für das Bundesum-
weltministerium (BMU), verfasst von Nitsch u. a. 2012a, und die Kosten für Biomasse aus Scholz 2010
übernommen. Die Annahmen zu konventionellen Energieträgern basieren auf dem World Energy
Outlook 2010 (WEO)
22
, wohingegen die Kosten für biogene Brennstoffe auf persönlichen Kommuni-
kationen beruhen. In Nitsch u. a. 2012a werden drei Entwicklungsvarianten angegeben: deutlicher,
mäßiger und (nur zur Information) sehr niedriger Preisanstieg. Abbildung 4.3 zeigt eine Übersicht der
Kostenentwicklungspfade. Für Elektrizität werden mehrere Entwicklungen zum Vergleich angegeben;
in dieser Arbeit findet Preispfad A („deutliche Preissteigerung“) Anwendung.
21
etwa Schnellladestationen und Schienenverkehr aus dem HF Verkehr werden über die Mittelspannung versorgt, dagegen
sind kleinere Gewerbetreibende aus dem HF Wirtschaft an der Niederspannung angeschlossen
22Publishing 2010.
41
Kapitel 4 Szenariodaten
Die Preisentwicklungen des WEO sind die mit am meisten genutzten. Ein Vergleich verschiedener
Kostenannahmen in deutschen Szenariostudien findet sich in Studienvergleich: Annahmen zur Entwick-
lung der Importpreise für fossile Brennstoffe: Rohöl, Erdgas, Steinkohle (2012). Die Kostenannahmen
in der das Energiekonzept der Bundesregierung informierenden Studie von Schlesinger u. a. (2010)
gehen entgegengesetzt zu den Langfristszenarien 2011 von konstanten Brennstoffpreisen bis 2030
und erst dann einem leichten Anstieg aus.
Abbildung 4.3: Kostenentwicklung der Energieträger (Nitsch u. a. 2012a; Scholz 2010)
4.3.2 Stundenpreise des Im- und Exports von Strom
Die Kostenannahmen zu lagerbaren, chemischen Energieträgern werden auf Jahresbasis getroffen.
Dies ist für jene eine genügend hohe zeitliche Auflösung, auch wenn es bei ihnen zu unterjährigen Preis-
schwankungen kommt. Diese bewegen sich aber häufig auf einer jahreszeitlichen Skala (Heizperiode)
und werden nicht unbedingt direkt an private Endverbraucher weitergegeben, während Großverbrau-
cher über mehrjährige Lieferverträge verfügen. Anders ist dies für den nicht direkt speicherbaren
Energieträger Strom. Dieser wird von vielen Produzenten stundenweise an der Leipziger Strombörse
EEX gehandelt und auch an Endkunden sollen mittelfristig die untertägigen Preisschwankungen
weitergegeben werden, um ihnen einen Anreiz zu Lastverschiebungen (Demand-Response) zu geben.
Eine Bestimmung der zukünftigen Schwankung des Strompreises wäre eine eigene Forschungsarbeit
42
4.3 Entwicklung variabler Kosten
und mit großen Unsicherheiten hinsichtlich des gesamtdeutschen (oder sogar europäischen) Anla-
genparks und Strommarkt-Designs verbunden. Um aber dennoch die Volatilität des Strompreises in
das Modell mit einzubeziehen, wird ein recht einfaches Verfahren genutzt. Dieses hat nicht den An-
spruch einen tatsächlich möglichen Strompreis abzubilden, sondern vielmehr die durch einen starken
Windkraftausbau entstehende Fluktuation des Strompreises zu repräsentieren. Hierdurch entsteht
ein Maß des Beitrages der Stadt Berlin zur überregionalen Integration fluktuierender EE am Beispiel
Windkraft (siehe hierzu auch Abschnitt 5). Die spezifischen Import-/Exportkosten von Strom werden
unterjährig überlagert mit dem Einspeiseprofil von Onshore-Windparks
23
unter Beibehaltung des
Jahres-Mittelwertes von Nitsch u. a. (2012a). Hierzu wird die Einspeisekurve wie folgt transformiert
und auf die Vollkosten der Stromerzeugung addiert:
kel
y,t=kel
y+fy·Pel,∅
2008,Wind −Pel
2008,Wind,t
Pel,max
2008,Wind
(4.1)
Parameter
kel Jahresmittelwert des Strompreises
kel stündlicher Strompreis
fSkalierungsfaktor
Pel
2008,Wind,tstündliche Windeinspeisung
Pel,∅
2008,Wind Jahresdurchschnitt der Windeinspeisung
Pel,max
2008,Wind Jahresmaximum der Windeinspeisung
Durch eine stete Steigerung des Skalierungsfaktors
f
nimmt die Amplitude der Preisfluktuation
über die Jahre zu. Die Werte des Skalierungsfaktors werden im Basispfad der Kostenentwicklung
um 0,5 pro Jahr erhöht. In Tabelle 4.3 werden Kennwerte des resultierenden Stundenstrompreises
aufgeführt.24
Tabelle 4.3: Kennwerte der Entwicklung des Stundenstrompreises im Basispfad
2010 2015 2020 2025 2030 2040 2050
Jahrespreis [€2009/MWh]48 58 74 87 100 123 145
Skalierung [-]96 98,5 101 103,5 106 111 116
S-Abweichung [€2009/MWh]21,7 24,0 26,3 28,5 30,8 35,3 39,9
Minimum [€2009/MWh]-25,3 -22,9 -14,6 -9,2 -3,9 3,9 10,6
Maximum [€2009/MWh]70,7 83,0 101,4 116,8 132,1 159,8 186,6
Zusätzlich zu den Brennstoffkosten werden verschiedene Steuern (für Brennstoffe und
CO2
) und
Subventionen (EEG und KWKG) berücksichtigt. Diese sind im Anhang A.2 aufgeführt. Ebenso werden
dort die Netzverluste und Differenzkosten zwischen den Stromverbrauchergruppen aufgeführt.
2350Hertz 2015.
24Zu beachten ist die im Vergleich zur Abbildung 4.3 geänderte Einheit.
43
Kapitel 4 Szenariodaten
4.4 Anlagenbestand und Portfolio zukünftiger
Technologieoptionen
Der Energieumwandlungssektor Berlins ist geprägt von zentralen Heizkraftwerken zur Bereitstellung
von Fernwärme. Es besteht ein großes Fernwärmenetz, dass sich sowohl über den Ost- als auch den
Westteil der Stadt erstreckt und durch die Firma Vattenfall betrieben wird. Auf Grund dieser heraus-
ragenden Rolle von Vattenfall, die weitergehend auch darin besteht, der Grundversorger von Strom
zu sein, wurde eine Klimaschutzvereinbarung zwischen Vattenfall und dem Land Berlin getroffen.
Hier werden die Maßnahmen genannt:„Modernisierung seines [Vattenfalls]Berliner Kraftwerkparks
zur Fernwärmeversorgung, den Ausbau dezentraler Erzeugungsanlagen, die Nutzung Erneuerbarer
Energien, den Einsatz biogener Stoffe sowie den Einsatz innovativer Technologien zur Erhöhung
der Energieeffizienz in der Stadt“
25
.
26
Zur Verstetigung dieser Vereinbarung ist ein jährlicher Bericht
durch Vattenfall an den Berliner Senat vorgesehen.27
Die Heizkraftwerke der Vattenfall Europe Wärme AG basieren hauptsächlich auf Kohle (Braun-
und Steinkohle) und Erdgas. Zukünftig wird ein Wechsel in Richtung Gas und Holzmitverbren-
nung angestrebt. Neben diesem großen Fernwärmenetz existieren kleinere Netze in Neukölln und
Treptow-Köpenick der Firmen Fernheizwerk Neukölln AG (FHW) und Blockheizkraftwerks-Träger- und
Betreibergesellschaft mbH Berlin (BTB). Daneben werden noch zahlreiche kleinere Nahwärmenetze
teilweise von Vattenfall betrieben, aber auch von der Berliner Gaswerke AG (GASAG) und kleineren
Vertragsnehmern.
Der Ausbau erneuerbarer Energien ist bislang noch nicht weit fortgeschritten. Doch ist im Bereich
der Photovoltaik in den letzten Jahren eine deutliche Dynamik zu sehen: diese hat sich in den
Jahren 2010 bis 2014 etwa verdoppelt von 36 MW auf 71 MW. Bezieht man diesen Wert aber auf die
Einwohnerzahl, fällt er im Vergleich zum Bundesdurchschnitt sehr niedrig aus (21
Wp/EW
gegenüber
470
Wp/EW
). Stadtbedingt ist Windkraft noch geringer erschlossen. Tatsächlich ist sogar nur eine
einzige große Windkraftanlage von 2 MW Leistung installiert.
Im Folgenden werden der Anlagenbestand und zukünftige Technologieoptionen, die der Optimie-
rungsrechnung zur Verfügung stehen, getrennt nach Heizungsanlagen, EE zur Stromerzeugung und
Anlagen der Fernwärmeversorgung, vorgestellt. Für kumuliert betrachtete Technologien wird nicht
der Wirkungsgrad sondern der Jahresnutzungsgrad angesetzt.
4.4.1 Heizungsanlagen
Der Anlagenbestand zur Heizenergieversorgung der Stadt Berlin wurde auf Basis von Daten der
Machbarkeitsstudie Klimaneutrales Berlin bestimmt. Hierzu wurde vom oben berechneten Nutzener-
gieverbrauch zur Wohnraumbeheizung (20.725 GWh/a) die Fernwärmebereitstellung für private
Haushalte (12.151 GWh/a) - gegeben in der MKB - abgezogen. Die Aufteilung des Restes wurde
nach einem Anlagenbestandsschlüssel - ebenfalls aus der MKB - vorgenommen. Dieser bezieht sich
25Klimaschutzvereinbarung zwischen dem Land Berlin und Vattenfall: Klimaschutzvereinbarung 2008 - 2020 2009.
26
Die verstärkte Nutzung biogener Brennstoffe ist in der Berliner Öffentlichkeit kontrovers diskutiert worden, da Vattenfall
das Konzept entwickelt hatte diese von einer Firma aus Liberia, an welcher eine Beteiligung besteht, zu importieren. Um
diesen kritischen Stimmen entgegen zu treten, wurde eine Studie zu Nachhaltigkeitskriterien und indirekten Effekten
(insbesondere der indirekten Landnutzungsänderungen) der Biomassebeschaffung durchgeführt (Fehrenbach u.a.
2011). Diese mündete dann in einer weiteren Vereinbarung zwischen Vattenfall und dem Land Berlin (Vereinbarung
zwischen dem Land Berlin und der Vattenfall Europe AG über Kriterien zur Nachhaltigkeit der Beschaffung von holzartiger
Biomasse 2011).
27Klimaschutzvereinbarung zwischen dem Land Berlin und Vattenfall: Zwischenbericht 2014 2015, etwa.
44
4.4 Anlagenbestand und Portfolio zukünftiger Technologieoptionen
allerdings nur auf den gesamten Gebäudebestand. Die für diese Arbeit benötigte Aufteilung auf
Gebäudetypen (EZFH und MFH) wurde basierend auf Diefenbach u. a. (2010) durchgeführt, wobei
der Fernwärmeanteil aus den gegebenen Prozentwerten abgezogen wurde (siehe hierzu auch Tabelle
A.2). Die Aufteilung des Fernwärmeverbrauchs auf die Gebäudetypen basiert auf eigener Abschätzung.
Da in dieser Arbeit die Aufteilung zwischen Fernwärmebezug und Einzelobjekt-Versorgung nicht Teil
der Optimierung ist, muss auch zum zukünftigen Fernwärmeabsatz eine Annahme getroffen werden.
Die Tabellen 4.4 und 4.5 zeigen zum einen die angenommene heutige Zusammensetzung der
Heizungsstruktur und zum anderen die Entwicklung des Fernwärmeabsatzes, jeweils aufgeteilt nach
Gebäudetyp.
Der Gesamt-Fernwärmeabsatz im Zielszenario 2 der MKB sinkt von 12.922 GWh/a (2010) auf 9.222
GWh/a (2050). Dies ist ein Resultat des stark sinkenden spezifischen Wärmebedarfs, welcher selbst
durch die angenommene Kompensationsmaßnahme einer Steigerung der angeschlossenen Wohnfläche
um 45 % nicht ausgeglichen werden kann. Der zukünftige Fernwärmebedarf für die Beheizung
von Wohnraum wurde anhand dieser vorgegebenen angeschlossenen Wohnflächen abgeschätzt.
Hierzu wurde zunächst der Zuwachs der fernwärmeversorgten Wohnflächen auf die vier Häusertypen
aufgeteilt und dann je Häusertyp mit deren jeweilig spezifischen Wärmebedarfen der Fernwärmebezug
ermittelt. Der so nicht zuteilbare Fernwärmeabsatz wurde dem HF Wirtschaft zugeordnet und als
Bedarf weiter mitgeführt.
Die zukünftige Entwicklung des für 2010 angenommenen installierten Anlagenparks zur Einzelob-
jektversorgung wird mit der in Diefenbach u. a. (2010, S. 89) angegebenen Zahl der Heizungsmo-
dernisierung für die Jahre 2005 bis 2009 mit 2,4 %/a linear approximiert. Diese Zahl bezieht sich
auf Altbauten (vor 1978 erbaut) der neuen Bundesländer inklusive Berlin. Die Modernisierungsrate
im Westen der Bundesrepublik lag im Vergleichszeitraum um einen Prozentpunkt höher. Dies kann
auf den nahezu kompletten Heizungsanlagentausch in den 90er Jahren nach der Wende in den
neuen Bundesländern und einer dem entsprechend homogenen Altersverteilung der Anlagen zurück
geführt werden. Auf eine weitergehende Analyse dieses Sachverhaltes und damit einhergehende
Implikationen für diese Arbeit kann leider an dieser Stelle nicht eingegangen werden. Der in dieser
Weise berechnete Anlagenrückbau hat zur Folge, dass im Jahr 2050 noch gut 3,5 % der Anlagen aus
dem Jahr 2010 im Einsatz sind. Bezieht man diese Größe auf die oben dargestellte bis 2050 leicht
sinkende Gebäudezahl müssen 94 % des Heizungsanlagenparks durch die Optimierungsrechnung
neu bestimmt werden.
Für Blockheizkraftwerke (BHKW) werden von der Arbeitsgemeinschaft für Sparsamen und umwelt-
freundlichen Energieverbrauch (ASUE) veröffentlichte Kenndaten
28
genutzt. Diese Veröffentlichung
ist nun schon deren dritte Herstellererhebung zu BHKWs. Die Ergebnisse werden als Funktionen der
Anlagengröße für Wirkungsgrad, Modulkosten und Instandhaltungskosten zusammengefasst. Kosten
für Transport, Montage und Inbetriebnahme werden zusätzlich als Prozentsatz der Modulkosten
angegeben.
28ASUE Arbeitsgemeinschaft für sparsamen und umweltfreundlichen Energieverbrauch e.V. 2014.
45
Kapitel 4 Szenariodaten
Tabelle 4.4:
Aufteilung des Heizungsanlagenbestands (Eigene Berechnungen auf Basis von (Diefenbach u. a. 2010; Held und Waltersbacher
2015; Reusswig u.a. 2014a)
Aufteilung des Gesamt EZFH - Bestand MFH - Bestand
Heizungsanlagen- Anteil an Anteil an Absolut Anteil an Anteil an Absolut
bestands [GWh/a]Technologie Typ [GWh/a]Technologie Typ [GWh/a]
HH gesamt 20.725 18,5% 100,0% 3.833 81,4% 100,1% 16.880
Davon aus:
Fernwärme 12.151 10,0% 31,7% 1.215 89,9% 65% 10.924
Stromheizung 240 40% 2,5% 96,0 60% 1% 144
Wärmepumpe 25,7 100,0% 0,7% 25,7 0% 0% 0
Gaskessel 5.513 25,7% 36,9% 1.416 74% 24% 4.097
Biomassekessel 42,9 0,0% 0,0% 0 100% 0% 42,9
Ölkessel 2.701 40,0% 28,2% 1.080 60% 10% 1.621
Kohleofen 60,0 0,0% 0,0% 0 100,0% 0% 60,0
Tabelle 4.5:
Abschätzung der Aufteilung des Fernwärmebezugs auf Gebäudetypen; 2010 und zukünftige Entwicklung; BGF - Brutto-
Geschossfläche (Eigene Berechnungen)
Wärmeverbrauch Fläche BGF mit FW-Anschluss Fernwärmebezug
Gebäudetyp [GWh/a] [106m²] [106m²] [% von BGF] [GWh/a]
2010 2050 2010 2050 2010 2050 2010 2050 2010 2050
EZFH - Bestand 3.833 495 21,8 6,19 6,91 2,27 0,32 0,37 1.215 182
EZFH - Neubau 11,5 938 0,191 17,2 0,096 8,59 0,50 0,50 5,73 469
MFH - Bestand 16.880 6.170 113 91,1 73,3 82,0 0,65 0,90 10.924 5.553
MFH - Neubau 12,3 1.550 0,194 26,4 0,097 23,8 0,50 0,90 6,17 1.395
46
4.4 Anlagenbestand und Portfolio zukünftiger Technologieoptionen
Als Kostendaten für mit Gas, Heizöl, Holzpellets und Umgebungswärme betriebene reine Heizungs-
anlagen werden Daten aus (Bundesministerium für Verkehr 2012) genutzt. Die hier entwickelten
Kostenfunktionen basieren auf Kostenfeststellungen aus dem KfW-Förderprogramm „Energieeffizi-
ent Sanieren“ sowie dem dena-Projekt
29
„Niedrigenergiehaus im Bestand“. Die Kosten werden in
Abhängigkeit von der Gebäudewohnfläche dargestellt und nicht - wie vielleicht zuerst erwartbar -
auf die Nennleistung bezogen. Dies wird begründet mit der notwendigen zusätzlichen Infrastruktur
und der steigenden Komplexität des Heizsystems bei größeren Gebäuden. Tatsächlich wurden an-
scheinend bei der Auswertung der Primärdaten keine wesentlichen Unterschiede in der Nennleistung
der Heizsysteme beobachtet, trotz sehr unterschiedlicher Gebäudegrößen. Die auf diese Weise eta-
blierten Kostenfunktionen sind Gesamtkosten einschließlich Demontage und Entsorgung alter Kessel,
Montage und Inbetriebnahme der neuen Anlage (inkl. Durchbrüche, Abnahme und evtl. Pelletlager).
Nicht betrachtet werden Kosten, die das Wärmeverteilsystem im Gebäude selbst betreffen. Da in
(Bundesministerium für Verkehr 2012) keine entsprechenden Nutzungsgrade mit erfasst wurden,
sind diese VDI - Gesellschaft Bauen und Gebäudetechnik (2014-11-01) entnommen.
Die Auslegung der Heizungsanlagen auf den jeweiligen Wärmeverbrauch der vier Gebäudetypen
wird angelehnt an (Deutsches Institut für Normung e.V. 2003; Loga u. a. 2005) durchgeführt. In
Tabelle 4.7 sind die so ermittelten Anlagenkennzahlen für die einzelnen Heizungssysteme getrennt
nach Gebäudetyp dargelegt, während in den Tabellen 4.6 und 4.8 die entsprechenden Kenndaten
für die Heizungsoptionen gelistet werden. Die Konstanttemperaturkessel werden dem heutigen
Analgenbestand zugeordnet, während die Brennwert- und Niedertemperatur-Kessel sowie BHKWs als
Optionen der Optimierungsrechnung zur Verfügung stehen.
Tabelle 4.6:
Kennzahlen der BHKW-Optionen (ASUE Arbeitsgemeinschaft für sparsamen und umwelt-
freundlichen Energieverbrauch e.V. 2014)
Investition Wartung Wirkungsgrad ηStrom-
[€2009/m2][ct/kWhel]thermisch elektrisch gesamt kennzahl
EZFH - Bestand
Erdgas 516 3,05 0,60 0,31 0,91 0,52
Biogas 618 4,19 0,60 0,31 0,91 0,52
EZFH - Neubau
Erdgas 268 5,31 0,60 0,28 0,88 0,46
Biogas 317 6,21 0,60 0,28 0,88 0,46
MFH - Bestand
Erdgas 240 1,84 0,50 0,37 0,87 0,73
Biogas 235 1,94 0,50 0,37 0,87 0,75
MFH - Neubau
Erdgas 141 1,78 0,50 0,37 0,87 0,74
Biogas 138 2,25 0,50 0,37 0,87 0,73
29dena - Deutsche Energie-Agentur
47
Kapitel 4 Szenariodaten
Tabelle 4.7:
Auslegung der Heizungsanlage für die verschiedenen Gebäudetypen (Eigene Berechnungen nach: Deutsches Institut für Normung
e.V. (2003) und Loga u. a. (2005))
Wohnfläche Wärmeverbrauch Nennleistung Pth,max
g
2010 2050 2010
Gebäudetyp [m2] [MWhth/a] [MWhth/a] [kWth]
EZFH - Bestand 125 22,2 9,98 23,3
EZFH - Neubau 142 8,38 7,74 8,41
MFH - Bestand 836 124 56,6 138
MFH - Neubau 1466 131 85,9 146
Tabelle 4.8:
Kennzahlen der Heizungsoptionen; KT: Konstanttemperatur-Kessel, BW: Brennwert-Kessel, NT: Niedertemperatur-Kessel, ES:
Erdsonde, KL: Kollektor (Bundesministerium für Verkehr 2012; VDI - Gesellschaft Bauen und Gebäudetechnik 2014-11-01)
EZFH MFH
Bestand Neubau Bestand Neubau
Investition ηInvestition ηInvestition ηInvestition η
[€2009/m2] [-] [€2009/m2] [-] [€2009/m2] [-] [€2009/m2] [-]
Gas-KT 0,86 0,86 0,88 0,88
Öl-KT 0,85 0,85 0,87 0,87
Kohle-KT 0,79 0,79 0,82 0,82
Holz-KT 0,79 0,79 0,82 0,82
Gas-BW 60 0,97 55 0,97 18 0,98 12 0,98
Öl-BW 70 0,91 65 0,91 21 0,92 15 0,92
Pellet-NT 148 0,91 136 0,91 38 0,91 26 0,91
WP-ES 222 3,2 204 4,5 63 3,2 44 4,5
WP-KL 176 3,1 163 3,8 54 3,1 38 3,8
WP-Luft 141 2,7 131 3,1 47 2,7 34 3,1
48
4.4 Anlagenbestand und Portfolio zukünftiger Technologieoptionen
4.4.2 EE-Anlagen
Daten zum historischen Zubau von stromerzeugenden EE-Anlagen wurden der Website energy-
map.info
30
entnommen. Hier werden die Angaben zu EE-Anlagen aller Übertragungsnetzbetreiber
zusammengeführt und bestimmten Plausibilitätsprüfungen unterzogen. Unter Annahme einer durch-
schnittlichen Lebensdauer von 20 Jahren für alle EE-Anlagen wurde eine zukünftige Entwicklung des
heute bestehenden Anlagenparks berechnet.
Die Potentiale des Ausbaus erneuerbarer Energien im Berliner Stadtgebiet werden der MKB entnom-
men, da hier eine umfassende Zusammenführung der bisher erstellten Potentialstudien durchgeführt
wurde. Problematisch bei der Etablierung von solchen Potentialwerten ist die schon in der Einleitung
erwähnte Definition der Systemgrenzen und deren konsequente Einhaltung über alle Technologien. So
wird etwa eine eher als technisch zu beurteilende Grenze für solarbasierte Technologien genutzt, da
hier die verfügbare Dachfläche und deren Himmelsausrichtung als Ausgangspunkt der Abschätzung ge-
nutzt wird. Das Potential von Windkraftanlagen dagegen wird aus Überlegungen zur städtebaulichen
Struktur begrenzt: So werden 50 Standorte für große Windkraftanlagen an der Peripherie Berlins iden-
tifiziert und für Klein-Windkraftanlagen hauptsächlich Umsetzungsmöglichkeiten in Gewerbegebieten
gesehen. Dies stellt aber, wenn auch nachvollziehbar bei einer vermutet höheren Belastung durch
Windkraftanlagen, eine soziale Begrenzungen dar. Generell werden die Potentiale als konservativ
durch die Autoren bezeichnet, da keine Technologieentwicklung berücksichtigt wird. Tabelle 4.9 führt
die entsprechenden für diese Arbeit übernommenen Daten der zukünftigen Bestandsentwicklung und
des Energie-Potentials auf.
Volllaststunden für diesen bestehenden Anlagenpark wurden Hirschl u. a. (2011) entnommen, wäh-
rend für zukünftig-installierbare EE-Anlagen Technologie- und Kostendaten auf Nitsch u. a. (2012a)
basieren. Die entsprechenden Daten sind im Anhang in den Tabellen A.9 bis A.11 aufgeführt.
Tabelle 4.9:
Bestand [MW]und Potentiale [TJ]erneuerbarer Energien in Berlin (Quelle: Bestand -
EnergyMap (2015) und Potential - Reusswig u. a. (2014a, Tabelle 7, Tabelle 32))
Bestand [MW]Potential [TJ]
2010 2015 2020 2025 2030 Langfristig31
Photovoltaik 36,0 71,4 71,4 67,1 35,4 13.400
Windkraft 2 2 2 2 0 1.125
Biomasse 21,7 41,7 41,7 21,7 20,0 2.900
Als Einspeisekurve für Solartechnologien und Windkraft werden die historischen Daten aus dem Jahr
2008 des Übertragungsnetzbetreibers
32
genutzt. Balmorel nimmt hier automatisch eine Normierung
auf die Jahressumme vor, so dass die dann konkret im Modell Anwendung findenden Werte der Ein-
speiseleistung nur noch von der Volllaststundenzahl der jeweiligen Technologie und der installierten
Erzeugungskapazität abhängt. Jedoch ist zu bemerken, dass der Verlauf der Einspeisung fluktuierender
erneuerbarer Energien noch von weiteren hier nicht abgebildeten Einflussgrößen abhängt: geographi-
sche Ausdehnung des betrachteten Gebiets, Technologiediversität und Designparameter
33
. Verschie-
30EnergyMap 2015.
31hinzu kommt ein solarthermisches Potential von 3.700 TJ
3250Hertz 2015.
33Molly 2012.
49
Kapitel 4 Szenariodaten
dene Ansätze zur Darstellung der fluktuierenden Einspeisung in Bottom-up-Energiesystemmodellen
stellt Hirth (2014-09-18) vor.
4.4.3 Anlagen zur Fernwärmeversorgung
Die Anlagenkenndaten zu den bestehenden Fernwärmeanlagen basieren in erster Linie auf Bun-
desnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen (2014) und Um-
weltbundesamt (2015) und gefolgt von Unternehmensmitteilungen (Unternehmenswebsites, Unter-
nehmenspräsentationen). Hier nicht ermittelbare Kennzahlen wie variable und fixe Betriebs- und
Wartungskosten sowie Stromkennzahl und Steigung der Gegendrucklinie orientieren sich an den
Publikationen ASUE Arbeitsgemeinschaft für sparsamen und umweltfreundlichen Energieverbrauch
e.V. (2014, 2015), Buttermann und Baten (2013), Gas Turbine World (2010), Konstantin (2013)
und Schröder u. a. (2013). Eine Auflistung der so zusammengestellten Daten ist in Tabelle A.7 im
Anhang zu finden. Ebenso ist hier eine Abschätzung der Rückbauzeitpunkte für die Anlagen getroffen
worden. Zur schnelleren Berechnung des Modells wurden gleichartige Technologien mit sich im
Tausendstel-Bereich unterscheidenden Wirkungsgraden implementiert. Hierdurch wird dem Optimie-
rungsalgorithmus ein klares Ranking zwischen den Technologien ermöglicht und die Rechendauer
verkürzt.
Technische Daten zur Müllverbrennungsanlage (MVA) Ruhleben sind Gosten u.a. (2013, S. 145)
entnommen. Diese Anlage speist Prozessdampf in das nahegelegene Heizkraftwerk Reuter Block M
ein. Etwa 500.000 t Hausabfälle werden in der Anlage pro Jahr verbrannt (entspricht ungefähr 5000
TJ Brennstoffleistung). Diese Zahl unterliegt Schwankungen auf Grund eines variierenden Heizwertes
des Hausmülls und der Verfügbarkeit der Anlage.
Als zukünftig der Optimierung zur Verfügung stehende Großanlagen wurden nur KWK-Anlagen auf
Basis von Erdgas oder Biomasse ausgewählt. Die entsprechenden Anlagenkenndaten basieren auf
Nitsch u. a. (2012a) und Schröder u. a. (2013). Letztere Quelle bezieht sich nicht direkt auf Anlagen
mit Wärmeauskopplung: Es wird angenommen, dass die Anlagen zu gleichen Kosten mit KWK-Betrieb
errichtet werden können. Die konkret in dieser Arbeit implementierten Daten sind Tabelle A.8 des
Anhangs A zu entnehmen.
50
Kapitel 5
Analysekonzept zur Bewertung der Potentiale
der Integration fluktuierender erneuerbarer
Energien durch eine Kopplung von Wärme- und
Elektrizitätssystemen
Im folgenden Kapitel soll dargestellt werden, wie der Beitrag bestimmter Technologien zur Integration
fluktuierender erneuerbarer Energien quantitativ in einer Analyse eines größeren Energiesystems
bewertet werden kann.
Im Laufe der Bearbeitung dieser Studie hat sich immer deutlicher die Schwierigkeit herausgebildet,
einen Bewertungsansatz für den Beitrag eines Systems zur Integration eines von seiner Umwelt abhän-
genden Sachverhalts zu finden: der Ausbau fluktuierender erneuerbarer Energien findet hauptsächlich
außerhalb der betrachteten Systemgrenzen statt, ebenso seine Integration. Wie kann nun trotzdem der
Beitrag dieses für das eigentliche Problem als Subsystem identifizierten Betrachtungsraums bemessen
werden? Hierzu wird basierend auf einer Literaturrecherche zum einen ein Set aussagekräftiger
Kennzahlen vorgestellt und zum anderen entsprechende Szenarien zur Untersuchung der Interaktion
mit der Systemaußenwelt entwickelt.
Weiterhin soll ein generelles erkenntnistheoretisches Problem mathematischer Optimierungsme-
thoden diskutiert werden. Diese generelle methodische Schwierigkeit besteht in der Methode der
Optimierung selbst, da Optimierungsprogramme nur die eine beste Lösung ausgeben und somit
erst einmal keine Aussagen über die nur geringfügig schlechteren oder nah-optimalen Lösungen
abgeleitet werden können. Doch können die Lösungsräume des Gleichungssystems um das Minimum
respektive Maximum stark unterschiedliche Krümmungen aufweisen. So kann ein steiles Gefälle um
das Extremum als eine eher singuläre, robuste Lösung angesehen werden, wohingegen ein flaches
Gefälle mehrere fast gleichwertige Lösungen darstellt. Ist letzteres der Fall sollte geprüft werden, ob
es sich hier „nur“ um quantitative Variationen handelt oder tatsächlich qualitative, d.h. strukturell un-
terschiedliche Lösungen in diesem nah-optimalen Bereich liegen. Da keine analytische Untersuchung
des Lösungsraums möglich ist, muss eine numerische Annäherung gefunden werden. In Voll u. a.
(2015) wird eine Methodik zur Untersuchung von „nah-optimalen“ Lösungen für den Anwendungsfall
von dezentralen industriellen Energieversorgungssystemen dargelegt. Auch Trutnevyte (2013) fordert
die Untersuchung von „nah-optimalen“ Ergebnissen. Das prinzipielle Vorgehen, das diese vorschla-
gen: Vergleich von Ergebnissen bei Kosten-Minimierung unter den originären Einschränkungen mit
ebenso Kosten-minimierten Ergebnissen unter zusätzlichen Einschränkungen. Hierbei können sowohl
51
Kapitel 5 Analysekonzept
bestimmte in der optimalen Lösung genutzte Optionen der Optimierung komplett ausgeschlossen
werden, als auch nur Mengen-Restriktionen unterhalb der originären Ergebnisse eingeführt werden.
Das in dieser Arbeit angewendete Vorgehen wird in Abschnitt 5.2 näher erläutert.
5.1 Kennzahlen zur Analyse des Integrationspotentiales
fluktuierender erneuerbarer Energien eines städtischen
Raumes
Das zuvor vorgestellte Modell hat hauptsächlich über den Import- und Export von Strom mit dem
die Stadt Berlin umgebenden Elektrizitätssystem „Kontakt“.
1
So ist es naheliegend, anhand dieses
Austauschs das Integrationspotential ab zu messen. Der Stromaustausch wird größtenteils von vier
Parametern beeinflusst: Import-/Exportpreis und Restriktion der Import-/Exportkapazität. Erstere
können für jede Stunde eines jeden Jahres variiert werden. In dieser Arbeit wird nun dieser Strompreis
als Indikator des in der Systemumgebung fortschreitenden Windenergieausbaus genutzt. Steigt der
Anteil der Windkraft an der gesamten Stromerzeugung wird der unterjährige Strompreis vermutlich
in immer stärkerem Maße von dieser bestimmt. Diese These wird in dieser Arbeit, wie in Abschnitt
4.3.2 dargestellt, durch eine Überlagerung der Entwicklung des jahresmittleren Strompreis mit den
Stundenwerten einer skalierten Windeinspeisekurve umgesetzt.
In Blarke und Lund (2008) wird durch einen systemspezifischen Korrelationsfaktor
RC
eine Möglich-
keit zur Bestimmung der „intermittency-friendliness“ einer Technologie eingeführt. Dieser relocation
coefficient genannte Faktor
RC
ist als Korrelation zwischen Elektrizitätsproduktion einer Anlage und
Residuallast definiert.
Dieser wird in vorliegender Arbeit in zweifacher Weise genutzt: zum einen zur Analyse der Anpas-
sung an die systemimmanente/städtische Residuallast und zum anderen umgeformt als Korrelation
mit dem externen, durch die Windeinspeisung geprägten Strompreis. Die Nutzung solch eines volati-
len Strompreises zur Analyse der Flexibilität des berechneten Systemaufbaus gegenüber externen
Einflüssen hat mehrere Vorteile gegenüber der Vorgabe einer fixen, externen Stromnachfrage, wie sie
etwa in Blarke und Lund (2008) eingesetzt wurde:
•
Grad der Flexibilität ist selbst Optimierungsgröße (Quantifizierung des Vorteils aus mehr
Flexibilität durch Bestimmung des gewichteten Export- und Importpreises, s.u.)
•
bei Implementation einer externen Stromnachfrage kommt eine weitere teilweise arbiträre
Restriktion zum Gleichungssystem hinzu, die keine Über-/Unterproduktion erlauben würde
Schattenwerte einer Gleichung (auch Dualvariablen oder Schattenvariablen genannt) können
als Grenzkosten des jeweils in dieser Gleichung betrachteten Gutes interpretiert werden.
2
Diese
Schattenwerte bilden - sehr kurz dargestellt - den Wert der 1. Ableitung einer jeweiligen Funktion
nach der Größe der Zielfunktion an der Stelle des Optimums der Zielfunktion ab. Somit stellen sie
die Kosten der letzten produzierten Einheit unter Berücksichtigung aller Nebenbedingungen dar.
Durch inelastische Restriktionen wie etwa Potentialgrenzen bestimmter Energieträger können diese
Kosten sehr hohe Werte annehmen, die nur bedingt mit realen Kosten oder Preisen vergleichbar
1
weitere indirekte, jedoch nicht in ihrer Wechselwirkung modellierte Interdependenzen zwischen urbanem Energiesystem
und übergeordnetem umgebenden Energiesystem sind Brennstoffpreise und Technologieentwicklung
2Vergleiche hierzu auch (Kallrath 2002, S. 37, 63, 237, 269)
52
5.2 Differenzierung der Szenarien
sind. In der Realität bestehen diese Inelastizitäten von Restriktionen nicht, sondern folgen eher
einem exponentiell ansteigenden Aufwand der für die Herstellung der nächsten Einheit eines Gutes
notwenidg ist. Im Modell Balmorel werden diese Schattenwerte der Energiebilanzen zur Ermittlung
von Strom- und Wärmekosten verwendet. In dieser Arbeit wird der Schattenpreis von Strom in einer
weiter modifizierten Art und Weise angewandt. Angelehnt an die in Hirth, Ueckerdt und Edenhofer
(2015) genutzte Definition des Marktwertes der Windeinspeisung wird für die unterschiedlichen
Energieumwandlungstechnologien der durchschnittliche Systemwert einer Technologie in einer region
definiert:
kSW
y,r,g=X
t
wel
y,r,g,t·kel,SP
y,r,t(5.1)
wel
y,r,g,t=Pel
y,r,g,t
1MWh
PtPel
y,r,g,t·∆t(5.2)
Durch diese Gleichung wird der Schattenpreis der Strombilanz
kel,SP
y,r,t
, interpretierbar als der Elek-
trizitätspreis in einer region, mit dem Erzeugungsanteil einer Technologie
g
gewichtet. Der Wich-
tungsfaktor wird mit Gleichung
(5.2)
so definiert, dass er sich über ein Jahr zu eins aufsummiert.
Der durchschnittliche Jahresstromwert wird ähnlich wie in Gleichung
(5.1)
gebildet, nur dass der
Wichtungsfaktor über den Stromverbrauch gebildet wird.
Zusätzlich zu diesen Kennwerten werden die Szenarien anhand der Differenz ihrer Gesamtsystem-
kosten untersucht.
5.2 Differenzierung der Szenarien
Ausgehend von der weiter oben in diesem Kapitel entwickelten Erkenntnis, dass lineare Optimierungs-
programme nur die eine kostenminimale Systemkonfiguration berechnen, wurden die im nächsten
Kapitel 6 untersuchten Szenarien sequentiell entwickelt. Hierzu wurde zuerst eine Berechnung mit
den originären Rahmenannahmen und dem kompletten Technologieportfolio durchgeführt. In den
nachfolgenden Berechnungen wurde dann das Technologieportfolio nach und nach eingegrenzt oder
die für die eigentliche Fragestellung als wichtig identifizierte Eingangsparameter variiert. Dies sind für
die Beurteilung des Integrationspotentials fluktuierender erneuerbarer Energien einmal die zukünftige
Entwicklung des externen Strompreises im Sinne des Mittelwerts sowie der zeitlichen Fluktuation
und zum anderen die Kostenstrukturen der Energieumwandlungstechnologien.
Diese letztere Variation überschneidet sich mit einer klassischen Sensitivitätsanalyse. Die Ergebnisse
der Optimierungsrechnung sind von vielen Eingangsparametern abhängig, welche in ihrer jeweiligen
Ausprägung starken Unsicherheiten unterliegen. Dies gilt für Daten, welche die aktuelle Situation
beschreiben, und ganz besonders für zukünftige Entwicklungen. Im Folgenden werden weitere
wesentliche Eingangsparameter aufgelistet:
• Energieträgerkosten
• Subventionen und Steuern
• Entwicklung der Strom- und Wärmenachfrage
53
Kapitel 5 Analysekonzept
•
Kongruenz/Korrelation von Last- und Einspeisekurven (Strom und Wärme sowie Wind und
Sonne)
•
Technologie (Kostendifferenzen zw. Technologien, Kostendegression (Lernkurve), Effizienzent-
wicklung, Auslegung von Technologieoptionen/Kombinationstechnologien)
• Diskontierungsfaktor
Es stellt sich nun die Frage auf welche Weise und hinsichtlich welcher Größe eine Sensitivitäts-
anlayse durchgeführt werden muss und kann. Eine Berechnung aller möglichen Kombinationen
dieser Eingangsparameter - etwa in der Art einer Monte-Carlo-Studie - ist auf Grund der enormen
Kalkulationsdauer eines einzelnen Optimierungsdurchlaufs nicht möglich. Eine Reduktion der zu
untersuchenden Kombinationen kann mathematisch-analytisch (Heitsch u.a. 2009), argumenta-
tiv (Weimer-Jehle 2006) oder hierarchisch basierend auf dem abgeschätzten Ergebniseinfluss der
einzelnen Eingangsparameter durchgeführt werden. Letzteres wurde in dieser Arbeit angewendet.
Im Folgenden werden die Begriffe Szenario und Optimierungsrechnung synonym verwendet: Hier-
unter wird jeglicher Optimierungsdurchlauf mit geänderten Eingangsdaten verstanden. Dies bezieht
sich also auf eine Variation sowohl des der Optimierung zur Verfügung stehenden Technologieport-
folios als auch der sonstigen Rahmenannahmen. Diese Klarstellung wird bezugnehmend auf einen
enger gefassten Begriff des (Zukunfts-)Szenarios getätigt, wie er etwa in der sogenannten Zukunfts-
forschung oder genereller der Analyse sozio-technischer Systeme angewendet wird. Hier werden
unter Szenarien einheitliche „Bilder“ einer zukünftigen Entwicklung ganzer Gesellschaftsbereiche
verstanden. So sollten die in Kapitel 4 zusammengestellten Rahmenannahmen, welche in ihrer Ge-
samtheit als sozio-technisches Kontextszenario bezeichnet werden könnten
3
, in weiteren Studien
zumindest partikulär auf ihren Einfluss auf das Strom- und Wärmeversorgungssystem hin untersucht
werden.
3Weimer-Jehle u.a. 2016.
54
Kapitel 6
Darstellung und Diskussion der Ergebnisse
In diesem Kapitel werden die numerischen Ergebnisse verschiedener Optimierungsrechnungen anhand
bestimmter Kennwerte dargestellt und anschließend in Bezug auf Modellstruktur und Forschungsfrage
der vorliegenden Arbeit diskutiert. Abschließend erfolgt für ausgewählte Eingangsparameter eine
Sensitivitätsanalyse.
Ziel dieser Arbeit ist es, zu untersuchen, in wie weit urbane Räume zur Integration fluktuierender
erneuerbarer Energien beitragen können und dies mit besonderem Fokus auf Wärmeerzeugungsanla-
gen, die Strom- und Wärmesystem koppeln. Hierbei soll untersucht werden wie sich kostenoptimale
Investitionsentscheidungen und Anlagenbetrieb an einen fluktuierenden Import- und Exportstrom-
preis unter Vorgabe bestimmter Rahmenbedingungen anpassen. Besonderes Augenmerk wird hierbei
auf die Wärmeversorgung von Einzelobjekten gerichtet.
Wie im vorigen Kapitel dargelegt, wurden die untersuchten Szenarien iterativ entwickelt, um so
eine Einschätzung des Modellverhaltens zu erreichen. Es wurden die folgenden Szenarien erstellt:
BASE
Basis-Szenario; freie Optimierung des Anlagenparks ab dem Jahr 2015 mit den in Kapitel 4
dargelegten Rahmendaten
EXPORT-0 wie BASE, aber ohne Möglichkeit des Strom-Exports
EXPORT-1000 wie BASE, aber Strom-Export auf 1000 MW begrenzt
HIGH-FLUX wie BASE, aber mit stärker fluktuierendem Strompreis
NO-BEST
wie BASE, allerdings darf die in BASE am meisten ausgebaute Technologie je area nicht
installiert werden
ONLY-ICE
wie BASE, jedoch steht zur Einzelobjektversorgung nur BHKWs, Solarthermie und thermi-
sche Speicher zur Verfügung
Zur Einschätzung der Robustheit dieser Szenarien wird zusätzlich eine Sensitivitätsanalyse für aus-
gewählte Rahmenannahmen durchgeführt. Diese betreffen die zukünftig angenommene Entwicklung
des Strompreises und die Annahmen der Investitionskosten folgender Technologien: dezentrale BHKW
(nach unten), Photovoltaik (nach oben), dezentrale Wärmepumpen (nach oben). Die Veränderung
der Rahmenannahmen in der Sensitivitätsanalyse erfolgte Schrittweise und zwar wie folgt:
1. Low-Price
wie BASE-Szenario, jedoch mit Strompreis aus Schlesinger u. a. (2010) (siehe auch
Abbildung 4.3)
55
Kapitel 6 Darstellung und Diskussion der Ergebnisse
2. zusätzlich Verringerung der ursprünglichen Investitionskosten dezentraler BHKW auf 80 %
3.
zusätzlich Erhöhung der ursprünglichen Investitionskosten von Photovoltaik-Anlagen auf 150
% und von Wärmepumpen auf 120 %
4. CHEAP-ICE
wie BASE-Szenario, jedoch Veränderung der ursprünglichen Investitionskosten für
dezentrale BHKW auf 80 %, für Photovoltaik-Anlagen auf 150 % und für Wärmepumpen auf
120 %
All diese Szenario-Rechnungen wurden mit rollierendem Zeithorizont durchgeführt. Die Menge
modellierter Jahre setzt sich zusammen aus jedem fünften Jahr im Zeitraum 2010 bis 2050. Durch die
gemeinsame Betrachtung von drei Jahren wurde jeweils ein Simulationshorizont von 15 Jahren opti-
miert (vgl. hierzu Beispiel 1 aus Tabelle 3.1). Es wurde kein Diskontierungszinssatz angenommen. D.h.
alle Jahre eines Simulationshorizontes sind gleich gewichtet. Die innerhalb eines Jahres angewendete
Zeitauflösung beträgt für fast alle Szenarien jede erste Woche aus zwei jeweils dargestellt mit einem
2-Stunden-Intervall. Ausnahmen bilden hier die beiden Szenarien mit verringerter Export-Kapazität.
Dies lag begründet in der übermäßig langen notwendig Rechendauer. So wurde hier nur noch jede
vierte Woche mit einem 4-Stunden-Intervall modelliert.
Neben diesen Szenarien wurden noch zwei weitere Szenarien berechnet, die sich vom Szenario
BASE hinsichtlich der Anwendung des rollierenden Zeithorizontes unterscheiden:
NO-HORIZON wie BASE, aber rein myopische Optimierung von Einzeljahren
NO-ROLLING
wie BASE, aber eine einzige Optimierung aller Jahre auf einmal (Perfekte Vorausschau)
Anhand dieser Szenarien sollen Unterschiede in der Modellierung des Studienhorizontes diskutiert
werden. Diese beiden Szenarien können gleichzeitig auch als Extremwerte des Diskontierungs-
faktors und somit als Sensitivitätsanalyse bezüglich dieser Größe aufgefasst werden: Während in
NO-HORIZON jedes Jahr ohne Berücksichtigung der zukünftigen Entwicklung optimiert wird und
so den folgenden Jahren kein Wert zugeschrieben wird, werden in NO-ROLLING alle Jahre des
Studienhorizontes gleich gewichtet.
Bei der Berechnung dieser Szenarien hat sich herausgestellt, dass ein deutlicher Unterschied in
der benötigten Rechendauer besteht. Tabelle 6.1 führt die durchschnittlichen Rechenzeiten auf, diffe-
renziert nach Einschränkung der Technologieoptionen und Darstellung der Zeit. Die Nutzung des
gesamten Technologieportfolios und eine hohe zeitliche Auflösung zusammen mit einem rollieren-
den Zeithorizont führt zu sehr hohen Rechenzeiten von im Durchschnitt 10 Stunden. Hier gibt es
allerdings eine starke Abhängigkeit von den jeweiligen Rahmenannahmen. Durch eine Einschrän-
kung des Technologieportfolios (NO-BEST und ONLY-ICE) wurde der Nebeneffekt einer mehr als
halbierten Rechendauer erreicht. Noch mehr beschleunigen lassen sich die Berechnungen durch 1)
eine Verringerung der zeitlichen Auflösung innerhalb eines Jahres oder 2) die Nicht-Nutzung des
rollierenden Zeithorizontes. Ein sehr überraschendes Verhalten konnte bei der Berechnung des gesam-
ten Studienhorizontes (NO-ROLLING) beobachtet werden: Die Rechendauer war sehr kurz, jedoch
die Auslastung des Arbeitsspeichers sehr hoch. Letzteres führte dann auch beim Versuch, weitere
Rechnungen für den gesamten Zeithorizont durchzuführen, zum Abbruch des Optimierungsvorgangs.
56
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE und Low-Price
Tabelle 6.1:
Durchschnittliche Rechendauer differenziert nach verschiedenen Merkmalskombinatio-
nen
Technologieoptionen Alle Eingeschränkt Alle Alle Alle
Woche jede zweite jede zweite jede vierte jede zweite jede zweite
Stunden-Intervall 2 h 2 h 4 h 2 h 2 h
Anzahl Simulationsjahre; ny=3; 15 a ny=3; 15 a ny=3; 15 a ny=1; 5 a ny=9; 40 a
Simulationshorizont
Dauer 10:09 h 04:37 h 01:32 h 01:09 h 00:29 h
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE
und Low-Price
In diesem Abschnitt wird die Entwicklung bestimmter Kennwerte der Szenarien BASE und Low-
Price über den gesamten Studienhorizont graphisch dargestellt. Weitere Zahlenwerte dieser beiden
Szenarien sowie die Ergebnisse der weiteren Szenarien sind auf dem beigelegten Datenträger enthalten
(siehe C). Diskutiert werden diese Ergebnisse im nächsten Abschnitt 6.2.
In Abbildung 6.1 wird eine Übersicht der Drei-Jahres-Gesamtkosten aller Szenarien im Zeitverlauf
dargestellt.
-1E+10
-5E+09
0
5E+09
1E+10
1,5E+10
2E+10
2,5E+10
2010 2015 2020 2025 2030 2035 2040
Drei-Jahres Gesamtkosten [106€]
BASE
EXPORT-0
EXPORT-1000
HIGH-FLUX
NO-BEST
JUST-ICE
LOW-PRICE
NO-HORIZON
NO-ROLLING
Abbildung 6.1:
Drei-Jahres Gesamtkosten der verschiedenen Szenarien; die Werte für die Szenarien
NO-HORIZON und NO-ROLLING wurden an den Simulationshorizont der anderen
Szenarien angepasst.
57
Kapitel 6 Darstellung und Diskussion der Ergebnisse
6.1.1 Installierte elektrische und thermische Leistung sowie produzierte
elektrische Energie
0
2000
4000
6000
8000
10000
12000
14000
2010 2020 2030 2040 2050
Installierte elektrische Leistung [MW]
BHKW Photovoltaik
Wind Biomasse (Strom)
Biomasse (KWK) Erdgas (Strom)
Erdgas (KWK) Photovoltaik
MVA (KWK) Wind
Biomasse (KWK) Heizöl (Strom)
Heizöl (KWK) Erdgas (KWK)
Kohle (KWK)
Abbildung 6.2: BASE - Installierte elektrische Leistung
0,0E+00
5,0E+06
1,0E+07
1,5E+07
2,0E+07
2,5E+07
3,0E+07
3,5E+07
2010 2020 2030 2040 2050
Produzierte elektrische Energie
[MWh]
BHKW Photovoltaik
Wind Biomasse (Strom)
Biomasse (KWK) MVA (KWK)
Heizöl Erdgas (Strom)
Erdgas (KWK) Koh le (KWK)
Last PtH Verbraucherlast
Abbildung 6.3: BASE - Produzierte elektrische Energie
58
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE und Low-Price
0
1000
2000
3000
4000
5000
6000
7000
2010 2020 2030 2040 2050
Installierte thermische Leistung [MW]
Biomasse (Wärme) Biomas se (KWK)
Erdgas (Wärme) Erdgas (KWK)
MVA (KWK) Biomasse (Wärme)
Biomasse (KWK) Heizöl (Wärme)
Heizöl (KWK) Erdgas (Wärme)
Erdgas (KWK) Kohle (KWK)
Abbildung 6.4: BASE - Installierte thermische Leistung zur Fernwärmeversorgung
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
2010 2020 2030 2040 2050
Installierte thermische Leistung [MW]
Solarthermie Holz-Pellets
Erdgas (Wärme) Power-to-Heat
BHKW Scheitholz
Power-to-Heat Heizöl
Erdgas Kohle
Abbildung 6.5: BASE - Installierte thermische Leistung zur Einzelobjekt-Wärmeversorgung
0
2000
4000
6000
8000
10000
12000
2010 2020 2030 2040 2050
Installierte elektrische Leistung [MW]
BHKW Photovoltaik
Wind Biomasse (Strom)
Biomasse (KWK) Erdgas (Strom)
Erdgas (KWK) Photovoltaik
MVA (KWK) Wind
Biomasse (KWK) Heizöl (Strom)
Heizöl (KWK) Erdgas (KWK)
Kohle (KWK)
Abbildung 6.6: Low-Price - Installierte elektrische Leistung
59
Kapitel 6 Darstellung und Diskussion der Ergebnisse
0,0E+00
5,0E+06
1,0E+07
1,5E+07
2,0E+07
2,5E+07
3,0E+07
3,5E+07
2010 2020 2030 2040 2050
Produzierte elektrische Energie
[MWh]
BHKW Photovoltaik
Wind Biomasse (Strom)
Biomasse (KWK) MVA (KWK)
Heizöl Erdgas (Strom)
Erdgas (KWK) Koh le (KWK)
Last PtH Verbraucherlast
Abbildung 6.7: Low-Price - Produzierte elektrische Energie
0
1000
2000
3000
4000
5000
6000
2010 2020 2030 2040 2050
Installierte thermische Leistung [MW]
Biomasse (Wärme) Biomas se (KWK)
Erdgas (Wärme) Erdgas (KWK)
MVA (KWK) Biomasse (Wärme)
Biomasse (KWK) Heizöl (Wärme)
Heizöl (KWK) Erdgas (Wärme)
Erdgas (KWK) Kohle (KWK)
Abbildung 6.8: Low-Price - Installierte thermische Leistung zur Fernwärmeversorgung
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
2010 2020 2030 2040 2050
Installierte thermische Leistung [MW]
Solarthermie Holz-Pellets
Erdgas (Wärme) Power-to-Heat
BHKW Scheitholz
Power-to-Heat Heizöl
Erdgas Kohle
Abbildung 6.9: Low-Price - Installierte thermische Leistung zur Einzelobjekt-Wärmeversorgung
60
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE und Low-Price
6.1.2 Gewichteter Strompreis
In den folgendenden Abbildungen wird der gewichtete Strompreis für den Stromverbrauch, Import,
Export und verschiedene Technologien dargestellt. Die Berechnung erfolgte nach Gleichung
(5.1)
mit
den Schattenwerten der jeweiligen Strombilanz. Bei der Interpretation dieser Preise ist zu berück-
sichtigen, dass Schattenwerte einer Gleichung die Eigenschaft haben, durch Kapazitätsrestriktionen
geprägt zu sein. Anhand eines Zahlenbeispiels aus den Ergebnissen des BASE-Szenarios wird dies
deutlich gemacht:
In Tabelle 6.2 sind die gewichteten Preise von Stromimport und -export aufgeführt, jedoch wird bei
den mit A bezeichneten Werten als Preisbasis der Schattenwert der Strombilanz der Hochspannungs-
ebene und bei den mit B bezeichneten Werten der originäre externe Strompreis auf Basis von Nitsch
u. a. (2012b) genutzt. Einmal kann ein deutlicher Unterschied im generellen Preisniveau festgestellt
werden, zum anderen kann aber auch ein über die Jahre andersartiger Verlauf der beiden gewichteten
Exportstrompreise ausgemacht werden. Während der Importstrompreis bei beiden Verfahren den
selben Verlauf über die Jahre des betrachteten Zeithorizontes aufweist (zuerst ein Einbrechen um
gute 30 % bevor der Preis dann jährlich 20 - 30 % pro Jahr steigt), sinkt der Export-Strompreis bei
Nutzung der Schattenwerte im Jahr 2015 deutlich ab, während der durch den Export erzielte Preis bei
Bewertung mit dem exogen-vorgegebenen Strompreis direkt steigt. Im weiteren Verlauf ist für beide
Exportstrompreise ein Anstieg zu sehen, wenn auch jeweils mit unterschiedlicher Geschwindigkeit:
Der Exportstrompreis auf Basis der Schattenwerte zieht langsamer an.
Erklärt werden kann dieses Verhalten durch die Vorgabe einer Begrenzung der Leistungskapazität
des Stromimports- und -exports. Während diese aber im Falle des Imports nie ausgereizt wird, wird der
Export in einem Großteil des Jahres durch diese Restriktion begrenzt. So schlägt sich diese Restriktion
dann auch deutlich in den Schattenwerten nieder und führt zu einem deutlich geringeren relativen
Preisanstieg im Vergleich zum Bezug auf den exogenen Strompreis.
Dieses Verhalten - von Schattenwerten modellendogene Restriktionen mit abzubilden - hat den
Nachteil, dass ihre absolute Höhe nicht direkt mit realen Preisen vergleichbar sind. Jedoch geben sie
dadurch gleichzeitig auch einen guten Einblick in das Entscheidungsverhalten des Modells.
Tabelle 6.2:
Vergleich gewichteter Preise für Stromexport und -import auf Basis der Schattenwerte (A)
und des exogenen externen Strompreises (B); Werte sind dem BASE-Szenario entnommen
2010 2015 2020 2025 2030 2035 2040 2045 2050
Absolut [€/MWh]
Stromexport A 318 299 331 371 408 455 490 523 550
Stromexport B 64 70 85 97 109 121 131 142 152
Stromimport A 167 115 148 198 245 286 319 349 391
Stromimport B 33 23 30 40 49 57 64 70 78
Relativ zu 2010 [-]
Stromexport A 1,0 0,9 1,0 1,2 1,3 1,4 1,5 1,6 1,7
Stromexport B 1,0 1,1 1,3 1,5 1,7 1,9 2,1 2,2 2,4
Stromimport A 1,0 0,7 0,9 1,2 1,5 1,7 1,9 2,1 2,3
Stromimport B 1,0 0,7 0,9 1,2 1,5 1,7 1,9 2,1 2,3
61
Kapitel 6 Darstellung und Diskussion der Ergebnisse
0
100
200
300
400
500
600
700
800
900
1000
2010 2020 2030 2040 2050
Gewichteter Strompreis [€/MWh]
Last Niederspannung
PtH dezentral
Sonne
BHKW dezentral
Last Mittelspannung
Wind
Fernwärme
Reine Stromproduktion
Stromexport
Stromimport
Abbildung 6.10:
BASE - Gewichteter Strompreis von Verbrauch und Produktion sowie Import und Ex-
port;
grau
- Verbrauch auf der Niederspannungsebene,
schwarz
- Stromproduktion
auf der Niederspannungsebene,
hellblau
- Verbrauch auf der Mittelspannungsebene,
dunkelblau - Stromproduktion auf der Mittelspannungsebene
0
100
200
300
400
500
600
700
800
900
1000
2010 2020 2030 2040 2050
Gewichteter Strompreis [€/MWh]
Last Niederspannung
PtH dezentral
Sonne
BHKW dezentral
Last Mittelspannung
Wind
Fernwärme
Reine Stromproduktion
Stromexport
Stromimport
Abbildung 6.11:
Low-Price - Gewichteter Strompreis von Verbrauch und Produktion sowie Import
und Export;
grau
- Verbrauch auf der Niederspannungsebene,
schwarz
- Strompro-
duktion auf der Niederspannungsebene,
hellblau
- Verbrauch auf der Mittelspan-
nungsebene, dunkelblau - Stromproduktion auf der Mittelspannungsebene
62
6.1 Darstellung der wichtigsten Kennwerte der Szenarien BASE und Low-Price
6.1.3 Korrelationswerte für externen Strompreis und Residuallast
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation des Strompreises mit ...
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.12:
BASE - Korrelationswerte zwischen externem Strompreis und Stromproduktion bzw.
-verbrauch sowie Wärmelast
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation der Residuallast mit ...
Strompreis
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.13:
BASE - Korrelationswerte zwischen Residuallast und Stromproduktion bzw. -
verbrauch sowie Wärmelast
63
Kapitel 6 Darstellung und Diskussion der Ergebnisse
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation des Strompreises mit ...
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.14:
Low-Price - Korrelationswerte zwischen externem Strompreis und Stromproduktion
bzw. -verbrauch sowie Wärmelast
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation der Residuallast mit ...
Strompreis
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.15:
Low-Price - Korrelationswerte zwischen Residuallast und Stromproduktion bzw.
-verbrauch sowie Wärmelast
64
6.2 Ergebnisdiskussion
6.2 Ergebnisdiskussion
In diesem Abschnitt werden die Ergebnisse der Optimierungsrechnungen diskutiert. Hierzu werden
Systemkonfigurationen und grundlegende Zusammenhänge anhand des Szenarios BASE ausführlich
vorgestellt, um dann auf Basis der weiteren Rechnungen und ihrer jeweilig anderen Rahmenbedin-
gungen weitere Wechselwirkungen aufzudecken.
6.2.1 BASE
Die installierte elektrische und thermische Leistung
In Abbildung 6.2 wird die Entwicklung
der installierten elektrischen Kapazität über den Studienhorizont dargestellt. Es ist deutlich zu
erkennen, dass Photovoltaik und Wind schon im ersten Jahr, in dem sie der Optimierung zur Verfügung
stehen, stark ausgebaut werden. Tatsächlich wird sofort die Potentialgrenze dieser Energieträger
ausgereizt. In den folgenden Jahren begrenzen sich folglich die Neuinstallationen für diese nur noch
auf die Substitution zurückgebauter Anlagen.
Weiterhin wird schon 2015 Biomasse-KWK installiert. In diesem Jahr sind dies nur 160 MW Holz-
Dampfturbinen-Heizkraftwerke, doch im weiteren Verlauf erhöht sich die installierte Leistung auf
knapp 1,7 GW, zusammengesetzt aus Holzvergaser-BHKWs, Holz-Dampfturbinen-Heizkraftwerke und
Biogas-BHKWs (in absteigender Reihenfolge der installierten Leistung).
Zusätzlich werden Erdgas-Anlagen aufgebaut: einmal zur reinen Stromproduktion die Technologie
Gas- und Dampfturbinen-Kraftwerk, mit 1,35 GW in 2015 und bis 2050 auf 1,8 GW ausgeweitet,
und zum anderen als GuD-Heizkraftwerk die schon heute projektierte Ersatzanlage am Standort
Klingenberg sowie eine große Anzahl an BHKWs. Letzteres lässt sich begründen durch die Begrenzung
der Kapazität des Kraftwerks Klingenberg auf die heute anvisierte Leistung von 300 MW. In Abbildung
6.4 werden die entsprechenden thermischen Leistungen der Technologien dargestellt.
Die installierten Kapazitäten der Wärmeversorgung von Einzelobjekt-versorgten Gebäude ist in
Abbildung 6.5 über den Studienhorizont dargestellt. Anfänglich ist diese noch sehr stark geprägt von
den Bestandsanlagen: an erster Stelle Erdgas-Anlagen, gefolgt von Heizöl-Anlagen und dann mit
größerem Abstand Power-to-Heat (setzt sich zusammen aus reinen Stromnachtspeicher-Heizungen
hauptsächlich in MFH und einem kleineren Anteil Wärmepumpen nur in EZFH). Vergleiche hierzu
auch die Tabelle A.2. Ersetzt werden diese Anlagen durch Wärmepumpen und Holzpellet-Heizungen.
Bemerkenswert ist, dass die benötigte Anzahl an Heizungs-Neuinstallationen relativ gering ist
und somit auch die Möglichkeit, den Heizungsanlagenpark an die fluktuierend einspeisende EE
anzupassen. So wird im Zeitraum 2010 bis 2050 nur knapp 60 % des Anlagenbestandes von 2010
neu errichtet. Dies gilt unter der Annahme eines verstärkten Ausbaus des Fernwärmenetzes zur
Kompensation sinkender Gebäude-spezifischer Wärmeverbrauchskennwerte sowie einer als eher hoch
eingeschätzten Neubaurate: in 2050 sind 31 % der Gebäudefläche werden nach 2010 erbaut. Die mit
2 % als eher hoch einzustufende Gebäudesanierungsrate verringert die Möglichkeit des Ausgleichs
der fluktuierenden Stromeinspeisung erneuerbarer Energien durch eine Kopplung von Strom- und
Wärmesystem zusätzlich, da weniger Wärmeenergie bereitgestellt werden muss und somit auch
weniger elektrischer Strom bedarfsgerecht durch Wärmepumpen verbraucht bzw. durch KWK-Anlagen
erzeugt werden kann.
Die vier Gebäudegrößenklassen unterscheiden sich in der jeweilig kosteneffizientesten Anlagen-
kombination. In Mehrfamilien-Bestandshäusern (d.h. vor 2010 errichtete Gebäude) sind Wärme-
pumpen mit entsprechend ausgelegten thermischen Speichern bis einschließlich 2035 die günstigste
Wärmeversorgungsoption. Diese werden dann durch die Kombination aus Holzpellet-Heizungen,
65
Kapitel 6 Darstellung und Diskussion der Ergebnisse
solarthermischen Anlagen und Speichern abgelöst. Jedoch ist der Anteil an installierter solarther-
mischer Leistung mit etwa einem Prozent sehr niedrig. So ist der Wechsel der kostengünstigsten
Technologie auf die Kombination aus 1) geänderter Preisdifferenz zwischen elektrischer Energie und
Holz sowie 2) sinkendem Gebäude-spezifischen Wärmeverbrauch zurück zu führen. Da über den
Studienhorizont keine Änderung von Technologieparametern und Investitionskosten für Anlagen der
Einzelobjekt-Wärmeversorgung hinterlegt ist, scheiden diese Aspekte als Grund für die Veränderung
in der Reihenfolge kostenminimaler Technologieoptionen aus.
Im Gegensatz zu diesem Ergebnis für MFH-Bestandsgebäude installiert der Optimierungsalgorith-
mus in Neubauten über den gesamten Zeithorizont Wärmepumpen. Dies kann durch die zu Grunde
gelegte schwächere Verringerung des Gebäude-spezifischen Wärmeverbrauchs erklärt werden (vgl.
Tabelle 4.7). Auf diese Weise sinkt die Auslastung der Wärmepumpen nicht so stark wie bei Bestands-
bauten. Darum überwiegen die Vorteile der effizienten Wärmebereitstellung die - im Vergleich zu
reinen thermischen Heizanlagen - höheren Investitionskosten. Aber auch auf Grund der durchschnitt-
lich größeren Wohnfläche
1
von Neubauten sind Wärmepumpen, auf die installierte Einheit bezogen,
mit geringeren Kosten verbunden als in Bestandsbauten.
In Bestandsbauten der Größenklasse Ein- und Zweifamilien-Haus ist eine ähnliche Konstellation zu
beobachten wie für MFH-Bestandsbauten: zu Beginn des Studienhorizontes werden Wärmepumpen
errichtet, welche dann durch Holzpellet-Heizungen mit solarthermischer Unterstützung abgelöst
werden. Allerdings kommt der Zeitpunkt des Wechsels der jeweils „besten“ Technologie schon im Jahr
2030 und damit früher. Jedoch ist auch hier die Auslegung der Solarthermie-Anlagen mit ungefähr
einem Prozent der Leistung des Hauptwärmeerzeugers ähnlich.
Für nach 2010 errichtete Ein- und Zweifamilien-Häuser ist schon 2010 die Holzpellet-Heizung
am Kosten-effizientesten. Ab 2020 werden hier zusätzlich Solarthermie-Anlagen errichtet, was der
bisher früheste Zeitpunkt ist. Diese werden auch doppelt so groß ausgelegt, wenn auch mit guten
zwei Prozent immer noch sehr klein. An dieser Stelle sei aber darauf hingewiesen, dass die Kapazität
eines einzelnen Hauptwärmeerzeuger
Pth,max
g
exogen vorgegeben wurde und auf der sehr stark
vereinfachten Formel aus (Deutsches Institut für Normung e.V. 2003) basiert. Hiermit ist also eine viel
zu große Auslegung der Hauptwärmeerzeuger verbunden, während die Auslegung der Solarthermie-
Anlagen durch den Optimierungsalgorithmus erfolgt und dazu die hierfür relevante Größe der geringe
Wärmeverbrauch in den sonnenreichen Monaten darstellt.
Stromproduktion
Betrachtet man nun die in Abbildung 6.6 dargestellte produzierte elektrische
Leistung der jeweiligen Anlagen, kann festgestellt werden, dass der Anteil an in Kohle-Heizkraftwerken
produzierten Stroms kontinuierlich mit dem Rückbau der entsprechenden Anlagen zurückgeht.
Gleichzeitig erhöht sich die Stromproduktion aus Erdgas-Anlagen von 2010 zu 2050 um mehr als das
neunfache. Ebenso steigt die aus EE bereitgestellte elektrische Energie. Doch sowohl für Photovoltaik
als auch für Windkraft ist ihr jeweiliger Anteil an der gesamten erzeugten elektrischen Energie -
technologisch bedingt - wesentlich geringer als ihr Anteil an der installierten Kapazität. Während 2010
nur temporär Überschüsse produziert werden und Berlin noch Netto-Importeur ist, ändert sich dies
schon im Jahr 2015. Dies ist bedingt durch den hohen externen Strompreis, der die Stromproduktion
für den Export lukrativ macht.
1
auf der Gebäude-spezifischen Wohnfläche beruhen letztendlich die Investitionskosten, siehe hierzu weiter oben Abschnitt
4.4.1 und Bundesministerium für Verkehr (2012)
66
6.2 Ergebnisdiskussion
Gewichtete Strompreise
Dieser hohe externe Strompreis ist auch bestimmend für die gewichte-
ten Strompreise, wie sie in Abbildung 6.10 abgebildet sind. Rot ist der mit dem Stromexport erzielte
durchschnittliche Preis gekennzeichnet. Dieser ist nahezu identisch mit dem gewichteten Strompreis
der in gekoppelter Erzeugung bereitgestellten elektrischen Energie der Fernwärmeanlagen (dun-
kelblaue lange Striche). Geringfügig bessere Preise erzielen die Anlagen zur reinen Stromproduktion
- hier sind nur die steuerbaren Anlagen inbegriffen (durchgezogene dunkelblaue Linie). Elektrische
Energie aus Photovoltaik- und Windkraft-Anlagen, die in ihrer Produktion vom Energie-Dargebot
abhängen und nur gedrosselt werden können, haben die geringsten gewichteten Preise. Für Photovol-
taik ist diese Differenz noch einmal gravierender als für Windkraftanlagen, da der Vergleichspreis
für Photovoltaik der gewichtete Preis der Niederspannung ist: Hier speisen die PV-Anlagen ihren
Strom ein. Deutlich ist der starke Einbruch des erzielten Preises zu sehen: während 2010 noch der
Verbraucherstrompreis erreicht wird, sinkt der Preis durch den extremen Ausbau der Solarenergie im
Jahr 2015 auf ein Drittel. Der erneute Anstieg in den nächsten Jahren ist gekoppelt an den externen
Strompreis.
Besonders interessant ist der Verlauf des Preises für Wärmepumpen und Stromheizungen (graue
kurze Striche). Dieser sinkt deutlich von 2010 zu 2015 durch den Ausbau der Photovoltaik, bliebt
dann aber auf einem Niveau zwischen Mittelspannungspreis und Niederspannungspreis. Im Gegensatz
zu den anderen Preisverläufen steigt der gewichtete Preis der Power-to-Heat-Anlagen nicht parallel
mit dem externen Strompreis an, sondern beginnt ab 2040 sogar zu sinken. Dies ist verbunden mit
den zu diesem Zeitpunkt schon niedrigen Verbrauchswerten der Gebäude und so einer deutlichen
Überdimensionierung der PtH-Anlagen und diesen zugeordneten thermischen Speichern. Hinzu
kommt, dass ab 2030 (je nach Gebäudegröße variiert dies leicht) solarthermische Anlagen zur
Heizungsunterstützung rentabel werden.
Korrelationswerte
Betrachtet man nun die in den Abbildungen 6.12 und 6.13 auf Seite 63 ge-
zeigten Korrelationswerte verschiedener zeitvarianter Werte, können gewisse Systemzusammenhänge
noch weiter verdeutlicht werden.
So ist deutlich die Auswirkung der ab 2015 stark erhöhten PV-Einspeisung auf die Residuallast zu
sehen: Während anfänglich die Korrelation zwischen Photovoltaik-Einspeisung und Residuallast bei
-0,24 liegt, steigt diese 2015 mit dem Ausbau der Phtovoltaik auf -0,72 an. Dies bedeutet einen fast
gegensätzlichen zeitlichen Verlauf dieser beiden Größen. Mit sinkendem Stromverbrauch im Laufe
des Studienhorizontes erhöht sich auch die Auswirkung der Photovoltaik auf die Residuallast, so dass
der Korrelationswert bis auf -0,78 steigt. Für Windkraft ist dieser Mechanismus nicht so deutlich zu
sehen (0,23 in 2015 verringert sich auf 0,18 in 2050). Dies kann durch die geringere installierte
Windleistung erklärt werden und durch die somit auch weniger produzierte elektrische Leistung.
Eine interessante Wechselwirkung kann anhand der Korrelation zwischen Windkraft und externem
Strompreis abgelesen werden. Zur Erinnerung: Die zeitliche Variation des externen Strompreises
wird durch eine Aufprägung der Windeinspeisung erreicht (vgl. Gleichung 4.1 und Abschnitt 5).
Folglich sollte eine perfekte negative Korrelation zu beobachten sein. Dies ist aber nur im Jahr 2010
der Fall, in den darauf folgenden Jahren verringert sich dagegen die Korrelation und zwar auf -0,40.
Dies ist eine Ergebnis der im Modell implementierten Möglichkeit der Abschaltung von Wind- und
Photovoltaik-Einspeisung.
Während die gerade besprochenen fluktuierenden erneuerbaren Energien in ihrer Einspeisung
hauptsächlich durch eine zeitvariante Größe (das klimatisch bedingte Energieangebot) geprägt
sind, werden Wärmepumpen durch zwei zeitvariante Größen beeinflusst: Wärmeverbrauch und
67
Kapitel 6 Darstellung und Diskussion der Ergebnisse
Strompreis. Sieht man sich hierfür also noch die in Tabelle 6.3 dargestellten Korrelationen für Wärme
an, kann beobachtet werden, dass bei Wärmepumpen weder für das eine noch für das andere die
Korrelationen steigen. Allerdings wird die in 2010 relativ hohe negative Korrelation (-0,58) mit
der Residuallast bis 2050 auf knapp 0,2 deutlich erhöht. Für diese beiden Größen kann aber kein
direkter Systemzusammenhang hergeleitet werden, da die elektrische Last von Wärmepumpen im
Vergleich zum gesamten Stromverbrauch sehr gering ist und somit keine relevante Beeinflussung der
Residuallast erreicht werden kann. So wird an dieser Stelle die Vermutung geäußert, dass sich der
Betrieb der Wärmepumpen gleichermaßen an Wärmeverbrauch und Strompreis anpasst, in Folge
dieser Anpassung an zwei verschiedene Parameter jedoch für keinen eine starke Korrelation festgestellt
werden kann. Bestärkt wird diese Vermutung durch die mit -0,36 sehr geringe Korrelation zwischen
Wärmeverbrauch und Strompreis.
Durch die zu Beginn hohen Überkapazitäten in der Fernwärmeversorgung kann eine Anpassung
des Betriebs von KWK-Anlagen an den Strompreis erfolgen (Korrelation von knapp 0,5), während die
Anpassung an die Wärmelast relativ niedrig ist (Korrelation 0,37).
2
Im Verlauf des Studienhorizontes
passt sich jedoch der Betrieb der KWK-Anlagen im Fernwärmenetz stärker an die Wärmelast an, da
die gesamt-installierte Wärmeleistung zurückgeht (vgl. Abbildung 6.4). Hierdurch sinkt nun auch die
Korrelation der Stromerzeugung aus Fernwärme-KWK-Anlagen mit dem Strompreis. Die Korrelation
zur Residuallast steigt bis 2050 und liegt dann mit 0,64 leicht über dem Wert der Korrelation zwischen
Wärmelast und Residuallast von 0,56.
Da die gesamte steuerbare Stromproduktion (durchgezogene blaue Linie in den Abbildungen 6.12
und 6.13) stark durch die Fernwärme-Anlagen geprägt wird, sinkt die Korrelation zwischen gesamter
steuerbare Stromproduktion und dem externen Strompreis (nach einem Anstieg im Jahr 2015 auf
0,67) bis 2050 auf 0,46 und somit sogar unter das Ausgangsniveau von 2010.
6.2.2 Low-Price
Durch die Reduzierung des Import-/Export-Strompreises werden Wärmepumpen auch in der Fernwär-
meversorgung konkurrenzfähig. Es werden sowohl WP als auch GuD und BHKW installiert. Auch hier
sind die Gesamtkosten von zentralen Heißwassererzeugern im Vergleich zu den anderen Technologien
noch zu hoch: Es werden keine reinen Wärmeerzeuger auf Erdgas-Basis gebaut. Und dies obwohl die
Systemvorteile von KWK-Anlagen durch den im Vergleich zum BASE-Szenario niedrigeren externen
Strompreis geringer sind. Reine thermische Kraftwerke werden in diesem Szenario nicht installiert.
In der Einzelobjekt-Wärmeversorgung können dagegen nur geringe Unterschiede in den jeweilig
Kosten-optimalen Konfigurationen der Heizungssysteme ausgemacht werden. So ist nun bei den
2
Diese Freiheitsgrade in der Betriebsführung bestehen in der Realität so nicht, da hier mehr Restriktionen bestehen
insbesondere durch hydraulische Vorgaben im Fernwärmenetz, die in diesem Modell jedoch nicht abgebildet werden
können (vgl. hierzu auch Abschnitt 3.3
Tabelle 6.3: BASE - Korrelationen der Wärmelast
Korrelationen 2010 2015 2020 2025 2030 2040 2050
Wärmelast - Solar -0,31 -0,31 -0,31 -0,31 -0,31 -0,31 -0,31
Wärmelast - PtH 1,00 0,44 0,37 0,33 0,29 0,24 0,17
Wärmelast - FW-KWK 0,37 0,35 0,27 0,39 0,39 0,54 0,61
68
6.2 Ergebnisdiskussion
Mehrfamilien-Bestandsbauten wie schon zuvor in den Neubauten über den gesamten Zeitraum die
Wärmepumpe am rentabelsten: es wird keine Solarthermie mehr installiert und es findet keine
Ablösung mehr durch Holzpellet-Heizungen statt. In den Ein- und Zwei-Familienhäusern werden
die selben Heizungskonfigurationen wie im BASE-Szenario gewählt. D.h., in Bestandsbauten sind
anfangs noch Wärmepumpen, ab 2030 Holzpellet-Heizungen am günstigsten und in Neubauten
über den gesamten Zeitraum Holzpellet-Heizungen. In beiden Fällen werden auch hier im Laufe des
Studienhorizontes Solarthermie-Anlagen errichtet.
Das sich in der Einzelobjekt-Wärmeversorgung im Gegensatz zur Fernwärmebereitstellung so wenig
ändert, kann durch folgenden Umstand erklärt werden. Der gewichtete Strompreis sowohl auf der
Mittelspannungsebene als auch auf der Niederspannungsebene steigt entsprechend der geänderten
Rahmenbedingung im Vergleich zum BASE-Szenario bis zum Jahr 2050 auf einen 100
€
/MWh
niedrigeren Wert (siehe hierzu die Abbildungen auf Seite 62). Jedoch setzt sich dieser Unterschied
auf Grund des insgesamt höheren Preisniveaus der Niederspannungsebene nicht so stark durch und
so bleibt der im Durchschnitt „gezahlte“ Preis der Wärmepumpen (grau kurz-gestrichelte Linie in den
Abbildungen) fast auf der Höhe des BASE-Szenarios (2015: BASE - 477
€
/MWh, Low-Price - 461
€/MWh; 2050: BASE - 485 €/MWh, Low-Price - 447 €/MWh).
Die Korrelation von gesamter regelbarer Stromerzeugung (abzüglich des Verbrauchs von PtH-
Technologien) zu sowohl Residuallast (0,27 im Jahr 2050) als auch Strompreis (0,41 im Jahr 2050) ist
in diesem Szenario geringer als im BASE-Szenario. Jedoch kann die Stromeinspeisung der Fernwärme-
versorgung durch das Zusammenspiel von Wärmepumpen und KWK-Anlagen besser an den externen
Strompreis angepasst werden (Korrelation von 0,38 in 2050) als dies für die Fernwärmeversorgung
in BASE der Fall ist (Korrelation von 0,17 in 2050).
Variation der Investitionskosten
Wie am Anfang dieses Kapitels geschildert, wurden im Zuge
der Veränderung des Strompreises auch Rechnungen mit Variationen der Investitionskosten bestimmter
Technologien durchgeführt. Bei einer Reduktion der Investitionskosten dezentraler BHKW auf 80 %
sind diese im Vergleich zu dezentralen Wärmepumpen noch nicht kompetitiv und werden folglich
nicht installiert. Werden nun auch noch die Kosten von Wärmepumpen und Photovoltaik-Anlagen
um 20 % bzw. 50 % erhöht, ändern sich die Ergebnisse der Optimierungsrechnungen trotzdem nicht
grundlegend.
6.2.3 EXPORT-0 und EXPORT-1000
Die Szenarien mit verminderter Exportkapazität zeigen die höchsten Gesamtkosten aller berechneter
Szenarien (siehe Abbildung 6.1).
3
Dies ist hauptsächlich auf die fehlende Möglichkeit des Stromexports
(und damit verbundener Gewinne) zurückzuführen.
Durch die Begrenzung der Export-Kapazität erfolgt eine höhere Nutzung des in der Stadt produ-
zierten Stroms. So werden bei komplettem Verbot des Stromexports Wärmepumpen bei der Fernwär-
meversorgung und in EZFH-Neubauten konkurrenzfähig. Trotz diesem erhöhten Verbrauch werden
weniger KWK-Anlagen errichtet; von FW-BHKWs werden nun nur noch knapp 220 MW und von
Biomasse-KWK ungefähr 1100 MW errichtet. Auch bei einer Lockerung der Begrenzung des Exports
auf 1000 MW bleiben Wärmepumpen für die Fernwärmeversorgung attraktiv; allerdings werden
3Die Optimierungsvorgänge waren für diese Szenarien sehr rechenintensiv; so war hier eine Reduzierung der zeitlichen
Auflösung notwendig.
69
Kapitel 6 Darstellung und Diskussion der Ergebnisse
keine Wärmepumpen mehr in EZFH-Neubauten installiert. Solarthermie ist in beiden Szenarien nicht
kostenoptimal.
6.2.4 HIGH-FLUX
Dieses Szenario hat die gleichen Rahmenbedingungen wie das BASE-Szenario bis auf die Fluktuation
des Strompreises. Dies wird durch eine Erhöhung des Skalierungsfaktors
fy
aus Gleichung
(4.1)
erreicht. Tabelle 6.4 zeigt sowohl Kennwerte der ursprünglichen Eingangsdaten als auch die in dieser
Berechnung genutzten Werte.
Tabelle 6.4:
Kennwerte der Entwicklung des Stundenstrompreises für die Szenarien BASE und HIGH-
FLUX
2010 2015 2020 2025 2030 2040 2050
Jahrespreis [€2009/MWh]48 58 74 87 100 123 145
BASE
Skalierung [-]96 98,5 101 103,5 106 111 116
S-Abweichung [€2009/MWh]21,7 24,0 26,3 28,5 30,8 35,3 39,9
Minimum [€2009/MWh]-25,3 -22,9 -14,6 -9,2 -3,9 3,9 10,6
Maximum [€2009/MWh]70,7 83,0 101,4 116,8 132,1 159,8 186,6
HIGH-FLUX
Skalierung [-]150 155 160 165 170 180 190
S-Abweichung [€2009/MWh]35,0 36,1 37,3 38,5 39,6 42,0 44,3
Minimum [€2009/MWh]-65,0 -58,8 -46,5 -37,3 -28,1 -12,6 1,9
Maximum [€2009/MWh]82,8 94,0 111,1 125,3 139,5 164,8 189,1
Die Vorteile eines Systementwurfs kombiniert aus stromproduzierenden und stromkonsumierenden
Wärmeerzeugungsanlagen kommen aber bei einem derartig stark fluktuierenden Strompreis in der
Fernwärme-Versorgung zum Tragen: Es werden neben Erdgas-BHKWs, GuD Klingenberg schon ab
2015 - auf Kosten der im BASE-Szenario errichteten Biomasse-KWK - 920
MWth
Wärmepumpen
errichtet. Ab 2025 werden zusätzlich 850 MW Holz-Vergaser-BHKW errichtet.
Anhand der Korrelationswerte aus Tabelle 6.5 kann die unterschiedliche Betriebsweise dezentraler
Wärmepumpen und Wärmepumpen in Fernwärmenetzen diskutiert werden. Während bei dezentralen
Wärmepumpen, wie schon oben besprochen, weder an die Wärmelast noch an den Strompreis
Tabelle 6.5:
HIGH-FLUX - Korrelationen von Power-to-Heat-Anlagen aufgeteilt nach dezentralen
Anlagen (Einzelobjekt-Wärmeversorgung) und FW-Anlagen
Korrelationen 2010 2015 2020 2025 2030 2040 2050
Wärmelast - dezentrale PtH 1,00 0,43 0,35 0,32 0,29 0,23 0,19
Residuallast - dezentrale PtH -0,58 -0,01 0,03 0,03 0,05 0,10 0,13
Strompreis - dezentrale PtH 0,37 0,33 0,29 0,28 0,27 0,24 0,22
Wärmelast - FW PtH - 0,51 0,46 0,41 0,35 0,36 0,29
Residuallast - FW PtH - 0,26 0,21 0,15 0,13 0,20 0,15
Strompreis - FW PtH - -0,78 -0,78 -0,77 -0,78 -0,72 -0,61
70
6.2 Ergebnisdiskussion
eine deutliche Annäherung des Zeitverlaufs der Einspeisung anhand steigender Korrelationswerte
beobachtet werden kann, kann für zentrale Wärmepumpenanlagen eine starke Korrelation mit dem
Strompreis ausgemacht werden (Werte zwischen -0,61 und -0,78). Diese Ausrichtung der Fahrweise
von in Fernwärmenetzen eingesetzten Wärmepumpen an niedrige Strompreise ist auf Grund der
gemeinsamen Deckung der thermischen Last mit konventionellen Kraft-Wärme-Kopplungsanlagen
möglich. Da in der Einzelobjekt-Wärmeversorgung in diesem Modell nur ein einziger steuerbarer
Hauptwärmeerzeuger in einem Gebäude installiert werden kann, ist hier eine derartige Anpassung
an den Strompreis nicht möglich.
Insgesamt kann in diesem Szenario eine leicht höhere Anpassung der steuerbaren Stromerzeugung
an den externen Strompreis - und somit an die "Simulation“ eines in der Umwelt des städtischen
Energiesystems stattfindenden Ausbaus von Windkraft - als im BASE-Szenario festgehalten werden:
die Korrelationswerte sind über den gesamten Studienhorizont oberhalb von 0,6.
6.2.5 NO-BEST
In diesem Szenario ist das Technologieportfolio verringert um die im BASE-Szenario installierten
Technologien. Hierdurch können die zweitbesten Technologien je Versorgungsgebiet ermittelt werden.
Mittelspannungsebene
Für die reine Stromerzeugung darf nun kein GuD-Kraftwerk errichtet
werden. Die noch zur Verfügung stehenden Gasturbinen und Holz-Dampfkraftwerke sind aber nicht
kosteneffizient und werden nicht errichtet. In der Fernwärmeversorgung dürfen keine BHKWs errichte-
te werden. Dies wird durch eine entsprechend stärkeren Aufbau von Biomasse-basierten KWK-Anlagen
ausgeglichen. Hier sind wie in BASE die Holz-Vergaser-BHKW am kosten-effizientesten.
Niederspannungsebene
In den MFH-Gebäuden (Bestand und Neubau) sind in diesem Szenario
keine Wärmepumpen verfügbar. Die nun installierte Heiztechnologie sind Holzpellet-Heizungen, mit
Unterstützung durch Solarthermie schon ab 2020. In EZFH-Bestandsbauten sind WP und Holzpellet-
Anlagen aus dem Portfolio entfernt und bei EZFH-Neubauten Gas-Brennwert- und Holzpellet-Anlagen.
Bei den Bestandsbauten wird auf Gas-Brennwert-Heizungen ausgewichen mit zusätzlichen Solarthermie-
Anlagen. In Neubauten sind nun die Wärmepumpen am kosten-effizientesten, jedoch wird auch ein
kleiner Anteil Heizöl-Brennwertkessel mit solarthermischer Unterstützung errichtet. Auch in diesem
Szenario sind für keinen Gebäudetyp dezentrale Blockheizkraftwerke rentabel.
Durch die geringere Nutzung von Power-to-Heat und insbesondere durch die nicht vorhandenen
steuerbaren reinen Stromerzeugungsanlagen ist die Anpassung an den externen Strompreis mit 0,37
in 2050 sehr gering.
6.2.6 ONLY-ICE
Durch die Anwendung des selben Auslegungsverfahren nach (Deutsches Institut für Normung e.V.
2003) für die Leistungskapazität
Pth,max
auf alle Heizungstechnologien zur Einzelobjekt-Wärmeversorgung
werden für BHKWs tendenziell zu hohe Kosten angesetzt. Da BHKWs eine relativ kapitalintensive
Technologieoption darstellen, werden diese Anlagen in der Realität exakter auf die abgeschätzte
maximale Wärmelast ausgelegt und häufig auch noch mit zusätzlichem Spitzenlastkessel installiert.
In dieser Arbeit allerdings ist durch Gleichung
(3.11)
lediglich die Installation eines Hauptwärmever-
71
Kapitel 6 Darstellung und Diskussion der Ergebnisse
sorgers vorgesehen. Folge ist, dass in keinem der Szenarien dezentrale BHKWs durch die Optimierung
installiert werden.
Um dennoch Gesamtkosten und die Anpassung eines auf Blockheizkraftwerken basierten Wärmever-
sorgungssystems untersuchen zu können, wurde ein Szenario erstellt in dem die Wärmeversorgung von
Einzelobjekten nur mit diesen als Hauptheizungssystem erlaubt ist. Zusätzlich kann die Optimierung
noch die Größe zugehöriger thermischer Speicher und solarthermischer Anlagen bestimmen.4
Als erstes kann festgestellt werden, dass die veränderte Wärmeversorgung von Einzelobjekten
keinen Einfluss auf den sonstigen Systementwurf zu haben scheint. Dies ist insofern überraschend,
da durch die dezentralen BHKW weitere Stromproduzenten in das System eingebracht werden,
die folglich durch ihre Einspeisung auch zu einer Beeinflussung (Senkung) des Strompreisniveuas
beitragen. Jedoch ist die produzierte elektrische Energie durch diese Anlagen so gering (im Jahr
2010 3 % am Stromverbrauch, steigt bis 2050 auf 7 %), dass keine nennenswerte Reduktion des
Verbraucherstrompreises festgestellt werden kann (siehe hierzu Abbildung 6.16 im Vergleich zu
Abbildung 6.10). Bemerkenswert ist, dass Blockheizkraftwerke durch die Einspeisung auf der mo-
dellhaften Darstellung der Niederspannungsebene einen vergleichsweise hohen Strompreis (100
€
/MWh über dem Verbraucherpreis) erzielen können und trotzdem im Vergleich zum sonstigen
Technologieportfolio nicht rentabel sind.
5
Es ist die Schlussfolgerung zu ziehen, dass eine deutliche
Anpassung der in dieser Arbeit für BHKWs angenommenen Daten vorgenommen werden muss.
Es kann durch Betrachtung der Korrelationswerte aus den Abbildungen 6.17 und 6.18 festgestellt
werden, dass sich die dezentralen BHKWs schlechter an den externen Strompreis anpassen können.
Dies kann einerseits auf den höheren Freiheitsgrad in der gekoppelten Erzeugung von Strom und
Wärme von großen Heizkraftwerken zurückgeführt werden (Entnahme-Kondensationsturbinen), aber
andererseits auch auf die höhere Stromkennzahl größerer Anlagen und somit einem höheren Anreiz
größere thermische Speicher zu errichten.
In der Folge der oben dargelegten Systemkonfiguration und damit verbundener Mechanismen ist
die Anpassung der Stromerzeugung an Residuallast (0,63) und externen Strompreis (0,44) in diesem
Szenario geringer als im BASE-Szenario.
6.2.7 NO-HORIZON
NO-Horizon bezieht sich darauf, dass in diesem Szenario jedes Jahr einzeln ohne die Beachtung
eines weiteren Zeithorizontes optimiert wird. Folglich wird keine zukünftige Erhöhung der Ener-
gieträgerpreise oder auch Vergünstigung der Investitionskosten bestimmter Technologien in den
Systementwürfen berücksichtigt.
Dies bewirkt, dass in Mehrfamilien-Häusern keine Solarthermie installiert wird. Trotzdem kommen
auch hier wie in BASE Wärmepumpen zum Einsatz, die auch genauso in Bestandsgebäuden 2030
durch Holzpellet-Heizungen abgelöst werden, in Neubauten jedoch über den gesamten Zeithorizont
am Kosten-günstigsten sind.
In diesem Szenario wird in EZFH-Bestandsbauten bis 2030 Gasheizungen, ab diesem Jahr dann
Holzpellet-Heizungen kombiniert mit Solarthermie-Anlagen installiert. Bei EZFH-Neubauten sind
ebenfalls Gasheizungen am kosteneffizientesten und dies sogar über den gesamten Studienhorizont.
Ab 2030 wird auch hier die Hauptheizung durch Solarthermie-Anlagen unterstützt.
4
Es wird im Programmcode der englisch Begriff internal combustion engine (ICE) für dezentrale
µ
KWK-Anlagen gebraucht,
daher der entsprechende Szenarioname.
5
Zum Thema gewichtete Strompreise siehe die Ausführungen in Abschnitt 6.1.2: Ein direkter Vergleich der hier berechneten
Preise mit realen Preisen ist nicht möglich!
72
6.2 Ergebnisdiskussion
0
100
200
300
400
500
600
700
800
900
1000
1100
2010 2020 2030 2040 2050
Gewichteter Strompreis [€/MWh]
Last Niederspannung
PtH dezentral
Sonne
BHKW dezentral
Last Mittelspannung
Wind
Fernwärme
Reine Stromproduktion
Stromexport
Stromimport
Abbildung 6.16:
ONLY-ICE - Gewichteter Strompreis von Verbrauch und Produktion sowie Import
und Export;
grau
- Verbrauch auf der Niederspannungsebene,
schwarz
- Strompro-
duktion auf der Niederspannungsebene,
hellblau
- Verbrauch auf der Mittelspan-
nungsebene, dunkelblau - Stromproduktion auf der Mittelspannungsebene
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation des Strompreises mit ...
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.17:
ONLY-ICE - Korrelationswerte zwischen externem Strompreis und Stromproduktion
bzw. -verbrauch sowie Wärmelast
73
Kapitel 6 Darstellung und Diskussion der Ergebnisse
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
0,80
1,00
2010 2020 2030 2040 2050
Korrelation
Korrelation der Residuallast mit ...
Strompreis
Wärmelast
Sonne
Wind
Strom (Gesamt ohne fEE)
Strom (FW)
Strom (BHKW)
Strom (PtH)
Abbildung 6.18:
ONLY-ICE - Korrelationswerte zwischen Residuallast und Stromproduktion bzw. -
verbrauch sowie Wärmelast
In der Fernwärmeversorgung wird in diesem Szenario später und weniger KWK-Kapazitäten in-
stalliert. Während in BASE die Erdgas-BHKWs schon im Jahr 2015 mit knapp 870 MW ausgebaut
werden, wird diese Technologie in NO-HORIZON in zwei Stufen ausgebaut: 2015 etwa 400 MW
und 2025 weitere 430 MW. In BASE wird durch die Nutzung des rollierenden Zeithorizontes die
Notwendigkeit eines weiteren Ausbaus der Fernwärmeversorgung (durch den Rückbau der Bestands-
Kraftwerke) im Jahr 2025 schon in 2015 „vorhergesehen“ und dementsprechend die Kapazitäten
schon früher installiert. Auch werden keine Holzvergaser-BHKWs errichtet, sondern stattdessen
Holz-Dampfturbinen-Heizkraftwerke und dies später und sukzessive.
Die für 2050 aus dieser Systemkonfiguration resultierenden Korrelationswerte sind trotz dieser
„kurzsichtigen“ Kraftwerksplanung recht ähnlich wie im BASE-Szenario. Lediglich die Korrelation der
Stromeinspeisung aus KWK-Fernwärme-Anlagen mit der Residuallast ist mit 0,72 höher.
6.2.8 NO-ROLLING
In diesem Szenario wird der komplette Studienhorizont in einer Optimierungsrechnung betrachtet. Das
heißt, es werden sowohl Ausgaben aus Investitionen und Betrieb als auch Erlöse aus dem Stromexport
in allen Jahren zwischen 2010 und 2050 gleichzeitig und gleichbedeutend berücksichtigt.
Eigentlich nicht überraschend, wird in diesem Szenario der Investitionszeitpunkt für Anlagen,
deren Kosten- oder Technologieparameter sich nicht im Verlaufe des Studienhorizontes verändern,
sehr früh gewählt (also bis auf EEG-geförderte Anlagen und sonstigen EE-Anlagen, da nur für diese
eine solche Veränderung hinterlegt ist). Dies gilt zum Beispiel für die Technologien zur Einzelobjekt-
Wärmeversorgung. Gleichzeitig machen Investitionskosten durch die nicht eingesetzte Diskontierung
nur noch einen sehr geringen Anteil an den Gesamtkosten aus. So werden dann auch die eher teuren
Technologien installiert. Nach errichteter Kapazität sind dies Holzvergaser-BHKW, GuD-Kraftwerk
Klingenberg, Biogas-BHKW (500 kW) und Holz-Dampfturbinen-Heizkraftwerk. Zusätzlich zu diesen
74
6.2 Ergebnisdiskussion
Investitionen wird ein großer thermischer Speicher errichtet (251.897 MWh). Wärmepumpen zur
Fernwärme-Versorgung sind in diesem Szenario nicht rentabel.
Auch in der Einzelobjekt-Versorgung werden eher Technologien mit hohen Investitionskosten
errichtet. So werden in EZFH-Bestandsbauten zwischen 2015 und 2025 Wärmepumpen installiert,
ab 2020 mit solarthermischer Unterstützung. Ab 2030 werden jedoch wieder Holzpellet-Heizungen
errichtet. Für EZFH-Neubauten ergibt sich fast das selbe Bild, jedoch werden Solarthermie-Anlagen
erst ab 2030 errichtet. Während mit einer Installation von 205 MW Wärmepumpen knapp 3900 MWh
Speicherkapazität verbunden ist und 4,5 MW Solarthermie ohne weiteren Speicherzubau integriert
werden können, geht der kombinierte Ausbau ab 2030 von 245 MW Holzpellet-Heizungen und
ungefähr 4,7 MW solarthermischer Leistung einher mit einer zusätzlich Installation von 2000 MWh
Wärmespeicher.
In MFH-Bestandsbauten werden bis 2040 fast hauptsächlich Wärmepumpen installiert, schon ab
2020 unterstützt durch 3,7 MW Solarthermie. Hierfür wird sogar noch einmal der thermische Speicher
um etwa 1000 MWh vergrößert. Ab 2040 ist auch in MFH-Bestandsbauten die Kombination aus
Solarthermie und Holzpellet-Heizungen am kosteneffizientesten. In Neubauten werden dagegen über
den gesamten Studienhorizont Wärmepumpen mit Speichern installiert.
Bei zu Beginn starkem Ausbau von Wärmepumpen sind diese im weiteren Zeitverlauf durch
den sinkenden Gebäude-spezifischen Heizwärmebedarf zunehmend überdimensioniert, ebenso die
zugehörigen thermischen Speicher. Dies ist eine ideale Situation zur Installation von solarthermischen
Anlagen zur Heizungsunterstützung und somit Einsparung kostenpflichtiger Endenergieträger. Je
nach Szenario und Gebäudetyp liegt dieser Zeitpunkt in unterschiedlichen Jahren:
Im NO-ROLLING-Szenario liegt dieser für SDO bei 2020, für SDN bei 2030. Letztere haben auch
einen geringeren Rückgang des Gebäude-spezifischen Heizwärmebedarf zu Grunde gelegt und somit
verschiebt sich der entsprechende Zeitpunkt der Kosteneffizienz von solarthermischen Anlagen nach
hinten.
6.2.9 Vergleich der Ergebnisse aus Machbarkeitsstudie und
Kosten-optimiertem Ausbau
In den Zielszenarien der Machbarkeitsstudie Klimaneutrales Berlin wird folgende Zusammensetzung
der Fernwärmeversorgung angestrebt: 5 % Spitzkessel, 20 % PtH, 75 % Gas-KWK. Diese Werte sind
ein Ergebnis der Stakeholder-Befragung sowie intuitiver Schlussfolgerungen der Autoren. Der mit
Spitzenlastkesseln gedeckte Anteil von 5 % wird als das minimal möglichste eingeschätzt, während
durch den Einsatz von Power-to-Heat eine Nutzung von Überschussstrom aus fEE erfolgen soll. Der
hohe Anteil an Gas-KWK wird begründet durch den spezifisch relativ geringen
CO2
-Ausstoß dieser
Technologie. Der Emissionswert von Gas wird noch zusätzlich verringert angenommen durch die
Beimischung von auf Erdgas-Niveau aufbereitetes Biogas sowie in Power-to-Gas-Prozess hergestelltem
synthetischem Erdgas.
In den in dieser Masterarbeit durchgeführten Berechnungen kostenoptimaler gemeinsamer Aus-
baupfade von Strom- und Wärmeversorgungssytem erfolgt die Fernwärmebereitstellung in 2050 in
den meisten Szenarien über Biomasse-KWK. Ausnahmen bilden hier die beiden folgenden Szenarien:
Low-Price 73 % über Biomasse-KWK, die restlichen 27 % über Power-to-Heat
HIGH-FLUX 95 % über Biomasse-KWK, 5 % über Power-to-Heat
75
Kapitel 6 Darstellung und Diskussion der Ergebnisse
Es kann festgestellt werden, dass Power-to-Heat auch in der kostenoptimierten Bereitstellung von
Fernwärme eine Rolle spielt, allerdings ist der jeweilige Anteil stark abhängig von den gewählten
Rahmenbedingungen. Interessanter Weise spielt Biomasse in den Ergebnissen der Optimierung eine
deutlich größere Rolle. Jedoch ist einerseits in der MKB unter dem Brennstoff Gas auch synthetisches
Erdgas aus PtG (und somit auch aus EE) sowie aus auf Erdgas-Niveau aufbereitetes Biogas subsumiert
und andererseits wurde in den Optimierungsrechnungen die Nutzung von Holz nicht begrenzt.
Lediglich die Stadt-interne Produktion von Biogas wurde limitiert (vgl. hierzu auch 4.4.2).
Durch die sehr einfache Darstellung der Betriebscharakteristika von Fernwärmeanlagen (vgl. hierzu
einmal die Gleichungen
(3.5)
sowie auch die Darstellung unterschiedlicher Methoden auf Seite 8),
wird der Einsatz von Spitzenlastkesseln in keinem der betrachteten Szenarien notwendig. Dies sollte
durch Anpassungen des Modells analysiert werden, etwa durch die Implementation von Mindestlasten
für entsprechende Anlagen. Hiermit wäre allerdings auch die Einführung diskreter Anlagengrößen
der Technologieoptionen verbunden und somit auch eine deutliche Steigerung der Komplexität des
Optimierungsproblems. Diese war aber wie oben geschildert schon an der Grenze einer vernünftigen
Handhabung.
76
Kapitel 7
Fazit
Ausgehend von der These, dass in Zukunft die Nutzung von Wärmepumpen und KWK-Anlagen zur
Wärmeversorgung von einzelnen Häusern und auch von ganzen Fernwärmenetzen zur Integration
fluktuierender erneuerbarer Energien beitragen kann, wurde ein kosten-optimierendes Energiesystem-
Modell sowohl der Strom- als auch Wärmeversorgung der Stadt Berlin entwickelt. Hierzu wurde
einerseits das schon bestehende Energiesystemmodell Balmorel erweitert durch a) die Modellierung
der Wärmeversorgung von einzelnen Häusern sowie b) die gleichzeitige Optimierung eines mehrjähri-
gen Zeithorizontes und andererseits ein Datensatz zur Beschreibung des bestehenden Energiesystems
und zukünftiger Rahmenbedingungen etabliert. Hierdurch wurde es möglich, das technische und
ökonomische Potential eines urbanen Energiesystems zur Integration fluktuierender erneuerbarer
Energien zu untersuchen. Dieses techno-ökonomische Potential wurde in der vorliegenden Arbeit
durch folgende Begrenzungen bestimmt: Technologieverfügbarkeit, Technologiekosten, Energieträger-
potential, bestehenden Anlagenpark und dessen Rückbau sowie dem alles überspannenden Kriterium
der Kostenoptimierung.
Nicht betrachtet blieben hierbei direkte gesellschaftliche Einflussfaktoren wie z.B. Kapitalverfüg-
barkeit, Machtstrukturen, Wissensasymmetrien und unterschiedliche individuelle Präferenzen von
Akteuren oder Akteursgruppen.
Es wurde ein Analysekonzept für die Bewertung des Integrationspotentials fluktuierender er-
neuerbarer Energien erstellt. Hierbei stellten sich zwei Herausforderungen: 1. sollte nicht nur die
Integrationsleistung der Stadt bezüglich von fEE, die im Betrachtungsraum errichtet sind oder wer-
den, bewertet werden, sondern auch der Beitrag zur Integration von Anlagen, die außerhalb des
modellierten Systems liegen; 2. wird in Optimierungsmodellen lediglich die eine optimale Lösung
ausgegeben, was erst einmal keinen Rückschluss auf die Gründe für diese Lösung ermöglicht und
weiterhin keine Einsicht in die Beschaffenheit weiterer nah-optimaler Systemkonfigurationen erlaubt.
Dem zweiten Punkt wurde durch die Durchführung einer Vielzahl an Berechnungen unter unter-
schiedlichen Restriktionen begegnet, während für den ersten Punkt über den Stromaustausch mit der
Systemumgebung (Preis und Quantität) ein Bewertungskriterium entwickelt wurde.
Ein erstes Ergebnis bei der Zusammenstellung der Rahmendaten war, dass die benötigte Anzahl an
Heizungs-Neuinstallationen relativ gering ist und somit auch die Möglichkeit den Heizungsanlagen-
park an fluktuierend einspeisende EE anzupassen. So wird im Zeitraum 2010 bis 2050 nur knapp 60 %
des Anlagenbestandes von 2010 neu errichtet. Dies gilt unter der Annahme eines verstärkten Ausbaus
des Fernwärmenetzes zur Kompensation sinkender gebäudespezifischer Wärmeverbrauchskennwerte
sowie einer als eher hoch eingeschätzten Neubaurate: in 2050 sind 31 % der Gebäudefläche erst
nach 2010 erbaut. Die mit 2 % als eher hoch einzustufende Gebäudesanierungsrate verringert die
77
Kapitel 7 Fazit
Möglichkeit des Ausgleichs der fluktuierenden Stromeinspeisung erneuerbarer Energien durch eine
Kopplung von Strom- und Wärmesystemen zusätzlich, da weniger Wärmeenergie bereitgestellt werden
muss und somit auch weniger elektrischer Strom bedarfsgerecht durch Wärmepumpen verbraucht
beziehungsweise durch KWK-Anlagen erzeugt werden kann.
Die Analyse der durch die Optimierung erstellten Systemkonfigurationen unter den verschiedenen
Rahmenannahmen und Restriktionen zeigt, dass das Energiesystem durch den Ausbau von thermi-
schen Speichern sowohl in der Fernwärme- als auch in der Einzelobjekt-Versorgung sowie durch
den verstärkten Einsatz von Wärmepumpen an die fluktuierende Einspeisung von Windkraftanla-
gen und Photovoltaik angepasst wird. Möglich ist dies durch eine Mischung zentraler Fernwärme-
Heizkraftwerken und dezentraler Wärmepumpensystemen, beide jeweils kombiniert mit thermischen
Speichern. Hierdurch kann die Korrelation zwischen Stromerzeugung und Residuallast von 0,2 (2010)
auf etwa 0,6 (2050) erhöht werden.
Das gewählte Vorgehen, die Einzelobjekt-Wärmeversorgung integriert in einem Energiesystemmo-
dell einer ganzen Stadt und über einen langen Zeithorizont zu betrachten, hat sich als geeignet für
die Bearbeitung der Forschungsfrage erwiesen. Zum einen wurden hierdurch die durch den Anlagen-
Bestand 2010 und dessen kontinuierlichen Austausch über den gesamten Studienhorizont die dann im
Jahr 2050 sehr begrenzten Investitionsspielräume berücksichtigt. Zum anderen konnte aber auch die
Anpassung der Wärmeversorgung einzelner Gebäude an das übergeordnete Energiesystem analysiert
werden. Auch die Betrachtung unterschiedlicher Gebäudetypen mit jeweils eigenen Rahmendaten, hat
sich als sinnvoll herausgestellt: Es haben sich deutliche Unterschiede in den jeweils kostenoptimalen
Heizungskonfigurationen ergeben.
Die Ergebnisse sind jedoch auch stark abhängig vom Import-/Export-Strompreis, der in dieser
Arbeit als „Simulation“ eines in der Umwelt des städtischen Energiesystems stattfindenden Ausbaus
fluktuierender erneuerbarer Energien genutzt wird. In der Berechnung der Systementwürfen wirkten
sich niedrige Strompreisen und eine hohe Fluktuation positiv auf die Errichtung von Wärmepumpen
aus: Diese wurden in den entsprechenden Szenarien für die Fernwärmeversorgung kosteneffizient.
Gegenüber einer Änderung der Investitionskosten dezentraler Blockheizkraftwerke, Wärmepumpen
und Photovoltaik-Anlagen erwiesen sich die Ergebnisse jedoch als robust.
Viele weitere interessante Analysen könnten mit Hilfe des in dieser Arbeit etablierten Modells
durchgeführt werden: Wie unterscheidet sich die Speicherauslegung je nach Gebäudetyp und Kom-
bination aus Hauptheizung und Solarthermie? Wie sensitiv ist das System bezüglich der Parameter
Netto-Leistung einer einzelnen Heizungsanlage
Pth,max
und der Gesamtanzahl benötigter Heizungsan-
lagen je Gebäudetyp
nSoll
? Auch eine weitere Untersuchung des Einsatzes der Fernwärmeanlagen
durch Einführung weiterer Restriktionen des Anlagenbetriebs könnte durchgeführt werden. Dies ist
allerdings auf Grund der damit einhergehenden Komplexitätssteigerung mit einem hohen Rechenauf-
wand verbunden. Auch von entscheidender Bedeutung für die berechneten Systemkonfigurationen ist
die Annahme zur durchschnittlichen technischen Lebensdauer von Heizungsanlagen. Dieser Aspekt
könnte durch Variation der Rückbaurate des bestehenden Heizungsparks und Implementierung eines
modellendogenen Anlagenrückbaus quantifiziert werden. Der starke Ausbau von Photovoltaik und
Windkraft in allen in dieser Arbeit durchgeführten Berechnungen ist unter anderem auf die Förderung
durch das Erneuerbare-Energien-Gesetz zurück zu führen. Eine Analyse dieser Fördersätze und auch
der Bezuschussung von KWK-Anlagen wäre eine weitere spannende Studie.
In zukünftigen Untersuchungen könnten weitere Möglichkeiten der (funktionellen) Stromspei-
cherung in der Systemmodellierung implementiert und untersucht werden wie zum Beispiel Bat-
78
Anhang A
Szenariodaten
A.1 Tabellen zur Bestimmung des Heizungsanlagenbestandes
In Tabelle A.1 wird eine Abschätzung des zukünftigen Fernwärmebezugs in Berlin dargestellt. Während
die Angaben zum Fernwärmebezug und dem auf das Jahr 2010 bezogenen Prozentsatz der an das
FW-Netz angeschlossenen Brutto-Geschossfläche in 2010 und in den Szenarien des Jahres 2050 aus
Reusswig u.a. (2014a) entnommen sind, sind der Gesamt-Nutzenergieverbrauch von Haushalten
und die Absolutwerte der ans FW-Netz angeschlossenen Brutto-Geschossflächen in 2010 und 2050
eigene Berechnungen.
Tabelle A.2 zeigt die Beheizungsstruktur von EZFH und MFH sowie rein informatorisch für Neu-
bauten nach 2005. Die Prozentwerte sind bezogen auf die jeweilige Gebäudeanzahl und basieren
auf Diefenbach u. a. (2010, S. 84, ff.). Da in Berlin der Fernwärmeanteil außerordentlich hoch ist,
werden in der jeweils zweiten Spalte Werte ohne den Fernwärmeanteil angegeben. Die jeweils dritte
Spalte weist den in dieser Arbeit iterativ festgelegten und als Bestandswert genutzten Prozentsatz der
jeweiligen Heizungstechnologie aus.
81
Anhang A Szenariodaten
Tabelle A.1: Entwicklung des Fernwärmebezugs; BGF: Brutto-Geschossfläche (Reusswig u.a. 2014a und eigene Berechnungen)
2010 2050
Referenz Zielszenario 1 Zielszenario 2 Quelle
[GWh/a] [GWh/a] [GWh/a] [GWh/a]
Fernwärme Gesamt 12.922 13.167 11.944 9.222 Machbarkeitsstudie
Fernwärme HH 12.151 Machbarkeitsstudie
Fernwärme GHD 448 Machbarkeitsstudie
Fernwärme Industrie 324 Machbarkeitsstudie
HH Gesamt Nutzenergie 20.737 9.153 Eigene Berechnung
Gebäude Gesamt Endenergie 41.743 Machbarkeitsstudie
BGF mit FW-Anschluss
[% von 2010]100% 125% 150% 145% Machbarkeitsstudie
[106m²]80 100,5 120,6 116,6 Eigene Berechnung
Tabelle A.2:
Beheizungsstruktur von EZFH und MFH; Prozentwerte bezogen auf die jeweilige Gebäudeanzahl (Eigene Berechnungen und
Diefenbach u. a. 2010, S. 84, ff.)
EZFH MFH Neubau
Original Ohne FW Verwendet Original Ohne FW Verwendet Original Ohne FW
Fernwärme 2,1% - - 12,7% - - 0,036 -
Stromheizung 4,3% 4,4% 3,7% 1,6% 1,8% 2,4% 0,0%
Wärmepumpe 0,5% 0,5% 1,0% 0,0% 0,0% 0,211 21,9%
Gaskessel 50,3% 51,3% 54,1% 59,2% 67,7% 68,7% 0,601 62,4%
Biomassekessel 6,3% 6,4% 0,0% 2,0% 2,3% 0,7% 0,092 9,6%
Ölkessel 35,9% 36,6% 41,3% 24,2% 27,7% 27,2% 0,059 6,1%
Kohleofen 0,7% 0,7% 0,0% 0,4% 0,5% 1,0% 0 0,0%
82
A.2 Annahmen zu Subventionen, Steuern, Stromverlusten und -preisen
A.2 Annahmen zu Subventionen, Steuern, Stromverlusten und
-preisen
Eine Einführung in die Besteuerung und Förderung von bestimmten Energieformen ist bei Konstantin
(2013, Seite 91 ff) nachzulesen.
Für Anlagen zur Umwandlung erneuerbarer Energien in Strom, werden basierend auf dem Erneuerbare-
Energien-Gesetz (basierend auf den Fassungen aus den Jahren 2010
1
und 2015
2
) Abschätzungen
fester Vergütungssätze
3
für die Stromeinspeisung vorgenommen. Es kann keine direkte Übernah-
me der Förderhöhen aus den entsprechenden Gesetzestexten erfolgen, da sowohl eine aggregierte
Darstellung des Anlagenparks in dieser Arbeit erfolgt sowie die gesetzliche Degression der Vergü-
tungssätze dynamisch erfolgt (Stichwort „atmender Deckel“). In Tabelle A.3 werden die in dieser
Arbeit angenommenen Fördersätze gelistet.
Tabelle A.3:
Angenommene feste Fördersätze auf Basis des Erneuerbare-Energien-Gesetzes in den
Versionen aus den Jahren 2010 und 2015
Degression pro Jahr
€/MWh Basis Obere Grenze Anmerkung
PV - Dachanlagen
2010 430,1 0,09 0,210
2015 155,6 0,06 0,336
Wind
2010 50,2 0,010 -
2015 49,5 0,016 0,048
Biomasse
2010
<150 kW 146,7 0,01 - Grundvergütung +KWK-Bonus
<500 kW 121,8 0,01 - Grundvergütung +KWK-Bonus
<20 MW 107,9 0,01 - Grundvergütung +KWK-Bonus
2015
<150 kW 68,3 0,02 0,051 Biogas ohne Bioabfälle und Gülle
<500 kW 58,9 0,02 0,051 Biogas ohne Bioabfälle und Gülle
<20 MW 58,5 0,02 0,051 Holz
Da in der hier angewandten Darstellung der Anlagen nicht zwischen einzelnen Anlagen differenziert
werden kann und somit weder der Leistungsanteil noch die Volllaststunden einer einzelnen Anlage
bestimmt werden können, dies jedoch für die exakte Bestimmung der KWK-Zuschläge notwendig wäre,
wird in dieser Arbeit eine Abschätzung der Höhe der Zuschlagszahlungen vorgenommen. In Tabelle
A.4 werden die relevanten gesetzlichen Zuschlagssätze für Neuanlagen
4
aufgezeigt sowie in Tabelle
A.5 die in der vorliegenden Arbeit einzelnen Anlagen-Typen zugeschriebenen Förderungen. Diese
1Bundesregierung 2008-10-25.
2Bundesregierung 2014-07-21.
3eine Förderung nach dem Marktprämien-Modell wird in dieser Arbeit nicht implementiert
4
Bundesministerium für Wirtschaft und Energie 2015-12-21; Bundesministerium für Wirtschaft und Technologie 2002-03-
19.
83
Anhang A Szenariodaten
beziehen sich auf die gesamte Lebensdauer und den gesamten Leistungsbereich der entsprechenden
Typen. Anlagen, die eine Förderung nach dem EEG erhalten, können keine Bezuschussung durch das
KWKG beantragen.
Tabelle A.4: KWKG - Zusammenfassung der Zuschläge für Neuanlagen
KWKG-2009
Zuschlagshöhe
Leistungsanteil <50 kW >50 kW >2000 kW
Zuschlag 5,11 ct/kWh 2,1 ct/kWh 1,5 ct/kWh
Zahlungsdauer
Pmax <50 kW >50 kW
10 Jahre 30.000 VLST
KWKG-2015
Zuschlagshöhe
Leistungsanteil <50 kW >50 kW >100 kW >250 kW >2000 kW
8 ct/kWh 6 ct/kWh 5 ct/kWh 4,4 ct/kWh 3,1 ct/kWh
Zahlungsdauer
Pmax 50 kW >50 kW
60.000 VLST 30.000 VLST
Tabelle A.5: Eigene Abschätzung der KWK-Förderung für aggregiert modellierte Anlagen
€/MWh
EZFH - Bestand 40
EZFH - Neubau 40
MFH - Bestand 30
MFH - Neubau 30
Zentrale Bestandsanlagen 0
Zentrale Neuanlagen 15
Für die Erzeugung von Strom in alleiniger Produktion oder gekoppelt mit Wärme (KWK) bestehen
umfangreiche Steuererleichterungen nach dem Energiesteuer-Gesetz
5
sowie dem Stromsteuergesetz.
Für die vorliegende Arbeit können diese wie folgt zusammengefasst werden: Anlagen zur reinen
Stromerzeugung werden ab einer Nennleistung über zwei MW nur mit der Stromsteuer belastet,
während für Anlagen mit geringerer Nennleistung nur die Brennstoffsteuer zum Tragen kommt
(Anlagen dieses Typs werden in der Modellierung nicht betrachtet). Auch für Anlagen mit einer
gekoppelten Erzeugung von Elektrizität und Wärme wird die zwei MW-Grenze für die Besteuerung
herangezogen: Anlagen mit größerer Nennleistung werden nur mit der Stromsteuer belegt, Anlagen
mit geringerer Leistung werden, wenn sie nach (Europäische Union 2004-02-11) als hocheffizient gel-
ten, vollständig von der Strom und Energieträgersteuer entlastet. KWK-Anlagen, die dieses Kriterium
5Bundesministerium für Wirtschaft und Energie 2006-07-15, § 2 (3), § 3, § 28, § 37 (2) 3, §§ 53, 53a und 53b.
84
A.3 Technologiekennzahlen
nicht erfüllen, werden mit einem ermäßigten Energiesteuersatz belegt (Anlagen dieses Typs werden
in der Modellierung nicht betrachtet). Ebenso werden Anlagen mit dem Zweck der Bereitstellung
von Wärme mit ermäßigten Energiesteuersätzen belegt: für Erdgas- (1,53
€
/GJ) und Heizölkessel
(0,55
€
/GJ). Die Verbrauchersteuer auf Strom nach dem Stromsteuergesetz (derzeit in der Höhe
von 20,50
€
/MWh)
6
wird auf Grund der vielfältigen Vergünstigungen im Sinne von steuerfreier
Verwendung, Steuerermäßigung und -entlastung, die sowohl auf Basis der Erzeugungsumstände als
auch der Verteilungsstruktur und des Verbrauchertyps zu Stande kommen, nicht implementiert. Eine
Betrachtung der entsprechenden Ausnahmeregelungen ist auf Grund der aggregierten Darstellung im
angewendeten Modell von Verbrauchern und Erzeugungsanlagen nicht möglich. Allerdings trägt die
Stromsteuer und deren Ausnahmen teilweise zu dem im folgenden Absatz dargelegten Differenzpreis
der Endabnehmer bei und wird somit indirekt berücksichtigt.
Zusätzlich zu den oben genannten Steuersätzen und Subventionen in Form von festen Einspei-
severgütungen und Zuschlägen werden Netzverluste der Stromübertragung und -verteilung mit
pauschalen Abschlägen berücksichtigt. Übertragungen zwischen regions werden mit einem Verlust in
Höhe von 0,1 % beaufschlagt, Verteilverluste innerhalb dieser mit 5 % (letzterer Wert ist aus Balmorel
3.02 übernommen). Zusätzlich wird ein Differenzpreis zwischen Großabnehmern (Abnehmer auf
Hoch-/Mittelspannungsebene) und privaten Haushalten (Abnehmer auf Niederspannungsebene) in
Höhe von 100
€
/MWh implementiert (siehe hierzu auch Abschnitt 3.2.3). Dieser Preis wird demjeni-
gen Stromfluss zugewiesen, der von der Hoch-/Mittelspannungsebene zur Niederspannungsebene
übertragen wird. Die Differenz in den Elektrizitätsbezugspreisen repräsentiert unterschiedliche Strom-
Bezugsmöglichkeiten der Verbrauchergruppen (Direkteinkauf an der Strombörse, Sondervertrag,
Grundversorgertarif für Haushaltskunden) sowie rechtliche Vergünstigungen (Reduzierungen bei
den Netzentgelten, der Konzessionsabgabe, bei der Stromsteuer sowie bei den Umlagen nach EEG,
KWKG, § 19 StromNEV und § 17f EnWG). Nach Bundesnetzagentur für Elektrizität, Gas, Telekommu-
nikation, Post und Eisenbahnen und Bundeskartellamt (2015) kann der Preis für Großkunden (ebd.
beispielhaft mit 24 GWh Jahresverbrauch angesetzt) im Extremfall bei nur knapp 5 ct/KWh liegen,
wohingegen private Haushalte (3500 kWh Jahresverbrauch, ebd.) im arithmetischen Mittel bei ihrem
jeweiligen Grundversorger 30 ct/kWh zahlen. Gewerbliche Kunden (50 MWh/Jahr, ebd.) zahlen laut
selbiger Quelle etwa 21,5 ct/kWh. Die genannten zahlen sind Endverbraucherpreise inklusive aller
gesetzlichen Zuschläge.
Die Annahme zur Entwicklung der Kosten für den Erwerb von Emissionszertifikaten für Treibhaus-
gase ist Nitsch u. a. (2012b) entnommen und wird in Tabelle A.6 aufgeführt.
Tabelle A.6: CO2-Zertifikatskosten
Jahr 2010 2015 2020 2025 2030 2035 2040 2045 2050
€/t CO214,39 20 27 35 45 52,5 60 67,5 75
A.3 Technologiekennzahlen
6Bundesministerium für Wirtschaft und Energie 1999-03-24.
85
Anhang A Szenariodaten
Tabelle A.7: Bestandsanlagen zur Fernwärmeversorgung
Betriebs- Energie- Netto-Nenn- Effizienz cBcVWartungs-/
Beginn Ende träger leistung Betriebskosten
el th Fix Variabel
Blockname [Jahr] [Jahr]-[MW] [MW] [-] [-] [-] [k€/MW] [€/MWh]
RWE HHKW EXT 2005 2035 Biomasse 16,5 65 0,83 0,31 0,00 42
RWE HHKW HWE 2003 2035 Erdgas - 99 0,91 - -
Moabit A 1990 2030 Steinkohle 100 136 0,85 0,63 0,10 30 6
Moabit GT 1971 2020 Heizöl 51 - 0,40 - - 6 3
Moabit HWE 1987 2030 Heizöl - 105 0,91 - -
Reuter C 1969 2020 Steinkohle 132 144 0,76 0,79 0,12 30 6
Reuter M 1998 2040 Abfall 36 100 0,98 0,36 -
Reuter West D 1987 2030 Steinkohle 300 363 0,76 0,70 0,12 30 6
Reuter West E 1988 2030 Steinkohle 300 363 0,76 0,70 0,12 30 6
Reuter West Speicher 2016 2050 - 3483 - -
MWh - -
Charlottenburg 2000 2025 Erdgas 211 295 0,94 0,72 -
Wilmersdorf 1977 2020 Heizöl 276 330 0,86 0,84 -
Lichterfelde GT 1 1972 2016 Erdgas 144 240 0,93 0,60 0,00 15 3
Lichterfelde GT 2 1974 2017 Erdgas 144 240 0,93 0,60 0,00 15 3
Lichterfelde GT 3 1973 2018 Erdgas 144 240 0,93 0,60 0,00 15 3
Lichterfelde GuD 2016 2045 Erdgas 300 230 0,97 1,30 0,20 20 4
Lichterfelde HWE 2014 2045 Erdgas - 360 0,91 - -
Klingenberg 1981 2020 Braunkohle 164 590 0,80 0,28 - 36 2
Mahrzahn GuD 2020 2050 Erdgas 300 230 0,97 1,30 0,20 20 4
Mitte GuD 1996 2025 Erdgas 460 430 0,99 1,07 0,20 20 4
Mitte HWE 1996 2025 Erdgas - 240 0,91 - -
Scharnhorststr Dampf 1979 2018 Erdgas - 50 0,91 - -
Scharnhorststr HWE 2013 2045 Erdgas - 111 0,91 - -
Scharnhorststr BHKW 2010 2018 Erdgas 0,6 0,6 0,83 0,96 - 10
Scharnhorststr GT 2018 2050 Erdgas 11,7 17,5 0,81 0,67 - 15 3
Scharnhorststr GT ZF 2018 2050 Erdgas - 47,5 0,91 - -
86
A.3 Technologiekennzahlen
Tabelle A.8:
Technologieoptionen auf Basis von Erdgas (Gas Turbine World 2010; Rieder, Christidis
und Tsatsaronis 2014; Schröder u. a. 2013)
Investitions- Wartungs-/Effizienz Strom- Stromverlust-
kosten Betriebskosten kenn- Kenn-
Fix Variabel zahl ziffer
[M€/MW] [k€/MW] [€/MWh] [-] [-] [-]
GuD (KWK) 0,53 20 4 0,55 1,30 0,2
GuD (Strom) 0,8 20 4 0,60 - -
GT 0,4 15 3 0,39 - -
BHKW 0,49 9,3 9 0,90 0,90 -
HWE 0,07 - - 0,90 - -
Tabelle A.9:
Technologieoptionen auf Basis EE - Teil 1; Investitionskosten in [M
€
/MW], Fixe Wartungs-
/Betriebskosten in [k€/MW]
Bestand 2010 2015 2020 2030 2040 2050
Photovoltaik
Investitionskosten - 2,60 1,64 1,19 0,98 0,92 0,88
Fixe Wartungs-/Betriebskosten 25 26 16 12 10 9 9
Volllaststunden 660 809 839 883 905 934 950
Solarthermie (zentral)
Investitionskosten - 11,33 9,46 7,92 6,48 5,73 5,53
Fixe Wartungs-/Betriebskosten - 227 189 158 130 115 111
Solarthermie (dezentral)
Investitionskosten - 18,01 15,84 12,92 9,76 8,74 7,87
Fixe Wartungs-/Betriebskosten - 360 317 258 195 175 157
Windkraft
Investitionskosten - 1,18 1,09 1,04 1,00 1,00 1,00
Fixe Wartungs-/Betriebskosten 47 47 44 42 40 40 40
Volllaststunden 1900 1900 1930 2150 2300 2450 2600
Wärmepumpe (Zentral)
Investitionskosten - 1,40 1,27 1,17 1,00 0,95 0,90
Fixe Wartungs-/Betriebskosten - 49 44 41 35 33 32
Leistungskennzahl - 3,15 3,26 3,45 3,65 3,75 3,80
87
Anhang A Szenariodaten
Tabelle A.10:
Technologieoptionen auf Basis EE - Teil 2: Biogas; Investitionskosten in [M
€
/MW],
Fixe Wartungs-/Betriebskosten in [k€/MW]
Bestand 2010 2015 2020 2030 2040 2050
BHKW - 300 kW
Investitionskosten - 1,90 1,85 1,80 1,75 1,70 1,70
Fixe Wartungs-/Betriebskosten - 124 120 117 114 111 111
Gesamt-Effizienz - 0,80 0,80 0,80 0,80 0,80 0,80
Stromkennzahl - 0,78 0,78 0,78 0,78 0,78 0,78
BHKW - 500 kW
Investitionskosten - 1,60 1,55 1,50 1,50 1,50 1,50
Fixe Wartungs-/Betriebskosten - 104 101 98 98 98 98
Gesamt-Effizienz - 0,82 0,82 0,82 0,82 0,82 0,82
Stromkennzahl - 0,83 0,83 0,83 0,83 0,83 0,83
Tabelle A.11:
Technologieoptionen auf Basis EE - Teil 3: Holz; Investitionskosten in [M
€
/MW], Fixe
Wartungs-/Betriebskosten in [k€/MW]
Bestand 2010 2015 2020 2030 2040 2050
Dampfturbinen-Kraftwerk
Investitionskosten - 0,70 0,67 0,65 0,65 0,65 0,65
Fixe Wartungs-/Betriebskosten - 35 34 33 33 33 33
Gesamt-Effizienz - 0,28 0,28 0,28 0,28 0,28 0,28
Dampfturbinen-Heizkraftwerk
Investitionskosten - 0,76 0,73 0,70 0,70 0,70 0,70
Fixe Wartungs-/Betriebskosten - 42 40 39 39 39 39
Gesamt-Effizienz - 0,85 0,85 0,85 0,85 0,85 0,85
Stromkennzahl - 0,42 0,42 0,42 0,42 0,42 0,42
Vergaser-BHKW
Investitionskosten - 1,50 1,25 1,00 0,90 0,85 0,80
Fixe Wartungs-/Betriebskosten - 90 75 60 54 51 48
Gesamt-Effizienz - 0,65 0,65 0,65 0,65 0,65 0,65
Stromkennzahl - 0,89 0,89 0,89 0,89 0,89 0,89
Heizwerk
Investitionskosten - 1,40 1,27 1,17 1,00 0,95 0,90
Fixe Wartungs-/Betriebskosten - 49 44 41 35 33 32
Gesamt-Effizienz - 0,85 0,85 0,85 0,85 0,85 0,85
88
Anhang B
Erweiterung von Balmorel um die Darstellung
der Einzelobjekt-Wärmeversorgung
B.1 Addon IND-Heat - Kurzdarstellung des neu-entwickelten
Gleichungssystems in englischer Sprache
Um die Weiterverwendung des in dieser Masterarbeit erstellten Modells zu ermöglichen, wurde neben
einer Kommentierung im Programmcode eine kurze Darstellung des theoretischen Hintergrundes des
neu eingeführten Gleichungssystems auf englisch geschrieben. Dieser Text ist in diesem Abschnitt
aufgeführt.
Research Question
In this paragraph the motivation is presented for the implementation of individual heating systems in
the energy system model Balmorel and an exemplary research questions, that could be answered by
this exercise.
This considerations were part of the employment as research associate at the Karlsruhe Institute of
Technology (KIT) as well as of a master thesis at the TU Berlin (department of Prof. Tsatsaronis). The
title of this master thesis is "The Role of Urban Areas for the Integration of Fluctuating Renewable
Energies - Optimizing Power and Heat Generation Accounting for Investment Cycles". By this some
core aspects of the work are already named.
As stated in Münster u. a. (2012, Page 2) the following trends for the overall heating system
presumably are of main relevance:
•
large scale coal-fired power plants may gradually be converted to biomass or decommissioned
and replaced by new biomass power plants or large-scale heat pumps
• the latter utilizing wind power
•
decoupling of heat and power supply by thermal storages and by this an increased possibility
to react on the feed-in of fluctuating renewable energy sources
•
overall lower heating needs due to increased insulation and construction of new houses with a
very low area-specific heat demand
New aspects, which are also of relevance:
89
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
•
increasing competition between individual heating (IH) and district heating (DH) on the one
hand due to lower heat demand per section DH pipeline, on the other hand due to efficient and
affordable IH technologies (e.g. small heat pumps and
µ
CHPs, both eventually in combination
with heat storage and solar thermal collector)
•
the possibility of individual heating systems to provide system services by intelligent control
mechanisms (e.g. virtual power plants, Demand-Side Management or embedded de-central
control)
Taking this as given environment, the economic potential (cf. Sathaye u. a. (2001)) is explored of
new supply technologies (electricity and heat) to integrate fluctuating RES. This should be done over
a multi-year optimization horizon, taking into account the existing supply structure, decommissioning
thereof, as well as the development of electricity and heat demand. By doing this, the crucial aspect
of path dependencies due to differing investment dates can be considered.
Modelling Approach
To answer the before outlined research question, the BB4 model in combination with the Addons
FV ("Fjernvarme") (stated in Münster u. a. (2012)) and X3V seems to be the right choice. The BB4
model of the upcoming Balmorel version 3.03 conducts a rolling horizon approach, so it is possible
to consider all years
y∈Y
nearly simultaneously in one optimization step instead of the myopic
approach of the 3.02 version. This is at the moment under development by Hans Ravn and Xiong
Weiming. The Addon FV extends the standard Balmorel model by five additional equations/constraints
to represent individual heating technologies as wells as expansion of district heating networks in
areas, former only by individual heating supplied. However, a problem occurs with Equation (2) from
Münster u. a. (2012) when applied on this research question, shown again here:
Lj,gpt=ht
j,g∀j∈IND, g∈GIND,t(B.1)
By controlling the cumulative power output
ht
j,g
of one individual heating technology as shown
above, we prevent a balancing of different individual heating technologies within one area.
Lj,g
represents the level of heat generation in relation to heat demand over the year supplied by the
individual technology
GIND
. The time variation in heat demand
pt
is given as the portion of annual
demand falling into time period
t
in capacity terms. However, there is still an aggregation of the
consumption of multiple households as well as of all the individual heating systems of one type.
Investigating several years, maybe balancing effects occur between decreasing heating needs and
installed capacities, despite this is not possible in reality. An example to illustrate this problem:
An hypothetical task is the optimization of the electricity and heat supply system over a
time horizon of several years (in an BB2 or BB4 model) with the following framework
conditions:
The initial power plant park and the decommission thereof are given. Only individual
heating units are utilized. The future projection of the heat demand is decreasing due
to better insulation of existing buildings and construction of new houses with a very
low heat demand. However, the number of houses and thus in a first approximation the
number of heating systems is overall constant.
90
B.1 Addon IND-Heat - Kurzdarstellung in englischer Sprache
Here the following problem can occur when only using the cumulative heat demand as
constraint for the optimization of individual heating systems: decreasing heat demand
and exogenous given decrease of existing heat supply capacities could be balancing each
other, ignoring the fact that every decommissioned heating system belongs to one specific
house and therefore must be replaced by a new (maybe smaller) system, taking over this
task.
B.1.0.1 Constraint on the number of heating units
To catch this problem and adapt the equation system to the new BB4 model (rolling horizon) the
following equation system is proposed with the additional constraint on the number of heating
systems:
Heatgeneration
z }| {
Pth
y,a,g,t=
Heatshare
z }| {
ny,a,g
nDemand
y,a
Pth,Demand
y,a,t(B.2)
=
Pmax
y,a,g
Pth,max
g
1
nDemand
y,a
Pth,Demand
y,a,t
∀y∈Y,a∈AIND,g∈Gth,t
X
Gth
ny,a,Gth =nDemand
y,a(B.3)
∀y∈Y,a∈AIND
Here the following nomenclature is used:
Sets
a area from the set of simulated areas
AIND subset of areas a; where only individual heating is utilized.
ttime step
yyear, out of the set of actual simulated years Y.
ggeneration technology from the set of available technologies G.
Gth subset of G; representing heating technologies.
Parameter
Pth,max
gaverage net power capacity of one individual heating unit of technology g
nDemand
y,anumber of required individual heating units at area a (see discussion below)
Pth,Demand
y,a,tintermittent heat demand1in area a
Decision variables
1
Heat load curves of single dwellings are very erratic. Just multiplying the number of houses and load of one consumer at
time step
t
does not represent the sum of the electricity feed-in of all de-central CHP units and heat pumps. But the
electricity feed-in of individual heating units is the point of matter. Therefore the author used the original Balmorel
district heating load curve adjusted to the actual heat demand. On the matter of simultaneity (also called diversity) see
(Frederiksen und Werner 2013; Tol und Svendsen 2012).
91
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
Pth
y,a,g,theat generation in area a, by technology gin time t
Pmax
y,a,gaccumulated power capacity in area a of technology g
ny,a,gnumber of installed individual heating systems in area a of technology g
The required number of installed individual heating systems
nDemand
y,a
is dependent of the housing
structure (apartment building vs. one-family dwelling), the heating system within the building (central
heating vs. storey heating) and the development of district heating systems. And this also for the
future, thus a most critical and sensitive parameter. The average net power capacity of one individual
heating unit
Pth,max
g
is also a very sensitive but crucial parameter. By applying a number to it, one must
take into account the average insulation and volume of buildings. However, the particular choice
of technology also depends on the building volume, since some technologies are only used either
in small buildings or in big buildings. So a discrimination in areas of small houses and big houses
could be helpful. Maybe a more sophisticated and fragmented definition of heat demand ’areas’ can
be established, cf. Merkel u.a. (2014).
In the above mentioned master thesis it was decided - due to data availability - to divide the
individual heated buildings in four categories each represented by one area: one and two dwelling
unit (stock), one and two dwelling unit (newly constructed), multi-dwelling unit (stock), multi-
dwelling unit (newly constructed).
B.1.0.2 Description of de-central thermal storages and solar thermal collectors
In the original Balmorel coding every thermal storage belongs to one area. This attribution is not
sufficient, if representing individual heating technologies. In this case a temporal balancing between
different heating technologies by this ’area’ storage would be possible. But in above stated method
of approach different technologies must be installed in different buildings and therefore don’t have
any possibility to exchange heat. To solve this circumstance every decision variable belonging to
thermal storage technologies in individual heated areas is extended by the dimension of heating
technology
Gth
. Loading and unloading of thermal storages is added to above established equation
(B.2)
resulting in
(3.11)
.
2
The original Balmorel thermal storage equations are replaced by
(B.5)
and
(B.6)
in individual heated areas
AIND
. Along with this adjustment the representation of storage losses
is changed: the storage efficiency is divided in loading loss cin and constant storage loss cTS.
Solar thermal technologies
GST
are implemented as additional heating systems only able to support
them, but not as stand alone systems. So an additional heat flow is implemented on the left hand side of
Equation
(B.4)
. However, to facilitate an assignment to the main heating system every decision variable
belonging to solar thermal technologies in individual heated areas is extended by the dimension of
heating technology
Gth
, in the same way as it is done for thermal storage technologies. Additionaly
the time variant heat generation must be re-formulated.
2in contrast to paragraph B.1.0.1 the time steps are represented by the original double of sand t.
92
B.1 Addon IND-Heat - Kurzdarstellung in englischer Sprache
Heat balance:
Main heating system
z }| {
Pth
y,a,Gth,s,t+
Solarheat
z }| {
X
GST Pth
y,a,Gth,GST ,s,t+
Thermal storage
z }| {
PTS,out
y,a,Gth,GTS ,s,t−PTS,in
y,a,Gth,GTS ,s,t(B.4)
=ny,a,g
nDemand
y,j
Pth,Demand
y,a,s,t
∀y∈Y,a∈AIND,Gth \GST ∪GTS,s,t
Storage content:
UTS
y,a,Gth,GTS ,s,t+1= (1−cTS
GTS )·UTS
y,a,Gth,GTS ,s,t+(B.5)
+PTS,in
y,a,Gth,GTS ,s,t·(1−cin
GTS )−PTS,out
y,a,Gth,GTS ,s,t·∆t
∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t
Restrictions:
UTS
y,a,Gth,GTS ,s,t≤UTS,max
y,a,Gth,GTS ∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t(B.6a)
UTS
y,a,Gth,GTS ,s,t=t0=UTS
y,a,Gth,GTS ,s,t=tEnd ∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s(B.6b)
PTS,in
y,a,Gth,GTS ,s,t≤
UTS,max
y,a,Gth,GTS
∆tin
GTS
PTS,out
y,a,Gth,GTS ,s,t≤
UTS,max
y,a,Gth,GTS
∆tout
GTS
(B.6c)
∀y∈Y,a∈AIND,Gth \GST ∪GTS,GTS,s,t
Here the following additional terms are used:
Sets
s season
t time step
GTS subset of G, representing storage technologies
Parameter
∆tin charging time of storage
∆tout discharge time of storage
Decision variables
PTS,in load heat flow
PTS,out unload heat flow
UES actual storage content at time step t.
UES,max maximal storage content.
93
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
To make these equations work with the main part of Balmorel, the dimension of parameters and
variables is reduced to the original count. This is done by summing up over the respective sets. The
restriction
(B.6b)
is represented in the code by writing (
t
+1)of equation
(3.12)
with the GAMS
statement ’t++1’. Using this references the next time period to the current one and wraps to the first.
B.2 Addon IND-Heat - Code
Im Folgenden wird der Programmcode des im Rahmen dieser Masterarbeit entwickelten Balmorel-
Addons IND-Heat gezeigt. Dem beiliegenden Datenträger kann der gesamte Programmcode eingebettet
in das BB4-Model von Balmorel entnommen werden.
Wie der Datei Addon-Guide entnommen werden kann; müssen bestimmte kleinere Anpassungen
im Hauptcode des BalBase4-Models von Balmorel vorgenommen werden, um das Addon anwenden
zu können. Dies betrifft hauptsächlich den Aufruf der Gleichungen und Variablen an den richtigen
Stellen, aber auch die Einführung zusätzlicher $-Konditionen. Durch diese werden die Gleichungen
der Wärmebilanz, der thermischen Speicher sowie der solarthermischen Anlagen für Gebiete, in
denen Einzelobjekt-Wärmeversorgung angewendet werden soll, durch die neuen Gleichungen ersetzt.
Definition der für das Addon zusätzlich notwendigen Variablen - Datei
ind_var.inc
*Variables regarding individual heating areas
Positive Variables
VHSTOVOL_T(Y,AAA,G,G,S,T)
’Heat storage contents at beginning of time segment (MWh);
equivalent to VHSTOVOLT(Y,AAA,S,T)’
VHSTO_IN_T(Y,AAA,G,G,S,T)
’Loading of heat storage (MW);
equivalent to VHSTOLOADT(Y,A,S,T)’
VHSTO_OUT_T(Y,AAA,G,G,S,T)
’Unloading of heat storage (MW);
equivalent to VGH_T(Y,A,IGHSTO,S,T)’
VGKN_IND_STO(Y,AAA,G,G)
’New installed storage capazity;
equivalent to VGKN(Y,A,IGHSTO)’
VGKNACCUMNET_IND_STO(Y,AAA,G,G)
’Accumulated new investments this BB4, at end of
(ULTimo) previous (i.e., start of current) year (MW);
equivalent to VGKNACCUMNET(Y,A,IGHSTO)’
VQHSTOVOL_T(Y,AAA,G,G,S,T,IPLUSMINUS)
’Feasibility in heat storage equation QHSTOVOL_T (MWh);
equivalent to VQHSTOVOLT(Y,AAA,S,T,IPLUSMINUS)’
VQGKNACCUMNET_IND_STO(Y,AAA,G,G,IPLUSMINUS)
’Feasibility in storage capacity accumulation (MWh);
equivalent to VQGKNACCUMNET(Y,AAA,G,IPLUSMINUS)’
94
B.2 Addon IND-Heat - Code
VGH_IND_SOLH_T(Y,AAA,G,G,S,T)
’Heat generation by solar thermal technologies’
VGKN_IND_SOLH(Y,AAA,G,G)
’New installed solar thermal capazity;
equivalent to VGKN(Y,A,IGHSTO)’
VGKNACCUMNET_IND_SOLH(IY402,AAA,G,G)
’Accumulated new investments this BB4, at end of
(ULTimo) previous (i.e., start of current) year (MW);
equivalent to VGKNACCUMNET(Y,A,IGSOLH)’
VQGKNACCUMNET_IND_SOLH(Y,AAA,G,G,IPLUSMINUS)
’Feasibility in solar heat capacity accumulation (MWh);
equivalent to VQGKNACCUMNET(Y,AAA,G,IPLUSMINUS)’
;
Deklaration und Spezifikation der zusätzlichen Gleichungen - Datei ind_eq.inc
*---- Definitions of equations regarding individual heating areas
Equations
QGH_IND_T(Y,AAA,G,S,T)
"Generation on individual technologies must follow demand (MW)"
QGH_IND_NUM(Y,AAA)
"Capacity of individual technologies restricted by number
of heating units"
*Storage equations
*These equations are necessary to match each heating technology in individual
*heating areas with exactly one heat storage
QHSTOVOL_T(Y,AAA,G,G,S,T)
"Heat storage dynamic equation (MWh)"
QHSTO_IN_LIM(Y,AAA,G,G,S,T)
"Upper limit to heat storage loading (MW)"
QHSTO_OUT_LIM(Y,AAA,G,G,S,T)
"Upper limit to heat storage unloading (MW)"
QHSTOVOL_LIM(Y,AAA,G,G,S,T)
"Heat storage capacity limit (MWh)"
QGKNACCUMNET_IND_STO(Y,AAA,G,G)
"Accumulation of thermal storage capazities in previous years by
endogenoues investments during present BB4 model"
QSOLHDISPATCH_IND(Y,AAA,G,G,S,T)
"Solar thermal generation can not be dispatched"
QGKNACCUMNET_IND_SOLH(Y,AAA,G,G)
95
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
"Accumulation of solar thermal capazities in previous years by
endogenoues investments during present BB4 model"
*---- Summing storage and solar thermal variables up to original Balmorel variables
QSTOSUMVOLT(Y,AAA,S,T)
QSTOSUMIN(Y,AAA,S,T)
QSTOSUMOUT(Y,AAA,G,S,T)
QSTOSUMIPLUSMINUS(Y,AAA,S,T,IPLUSMINUS)
QSTOSUMVOL2(Y,AAA,G,S,T)
QSTOSUMVOL3(Y,AAA,G,S,T)
QSTOSUM_QGKNACCUMNET(Y,AAA,G,IPLUSMINUS)
QSOLHSUMOUT(Y,AAA,G,S,T)
QSOLHSUMVOL2(Y,AAA,G,S,T)
QSOLHSUMVOL3(Y,AAA,G,S,T)
QSOLHSUM_QGKNACCUMNET(Y,AAA,G,IPLUSMINUS)
;
QGH_IND_T(IY411,IA,IGH,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGH) AND AIND(IA)
AND GDATA(IGH,"GDINDMAXC")
AND IND_NUM(IY411,IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
(GKFX(IY411,IA,IGH)
+ VGKN(IY411,IA,IGH)$IAGKNY(IY411,IA,IGH)
+ SUM(IY402$IY411PREVY(IY411,IY402),VGKNACCUMNET(IY402,IA,IGH))
)
/ GDATA(IGH,"GDINDMAXC")
*IDH_T(IY411,IA,IS3,T)
/ IND_NUM(IY411,IA)
=E=
VGH_T(IY411,IA,IGH,IS3,T)
+ SUM(IGSOLH$IAGK_HASORPOT(IY411,IA,IGSOLH),
VGH_IND_SOLH_T(IY411,IA,IGH,IGSOLH,IS3,T))
+ SUM(IGHSTO$IAGK_HASORPOT(IY411,IA,IGHSTO),
(VHSTO_OUT_T(IY411,IA,IGH,IGHSTO,IS3,T)
- VHSTO_IN_T(IY411,IA,IGH,IGHSTO,IS3,T))
)
;
QGH_IND_NUM(IY411,IA)$AIND(IA)..
IND_NUM(IY411,IA)
=L=
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH) AND GDATA(IGH,"GDINDMAXC")),
96
B.2 Addon IND-Heat - Code
(GKFX(IY411,IA,IGH)
+ VGKN(IY411,IA,IGH)$IAGKNY(IY411,IA,IGH)
+ SUM(IY402$IY411PREVY(IY411,IY402),VGKNACCUMNET(IY402,IA,IGH))
)
/ GDATA(IGH,"GDINDMAXC"))
;
*----- Non-dispatchable solar heat generation -----------------------
QSOLHDISPATCH_IND(IY411,IA,IGH,IGSOLH,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGH)
AND IAGK_HASORPOT(IY411,IA,IGSOLH)
AND ISOLHSUMST(IA) AND AIND(IA)
AND NOT (GDATA(IGH,’GDTYPE’)=GSOLH
OR GDATA(IGH,’GDTYPE’)=GHSTO)
)..
VGH_IND_SOLH_T(IY411,IA,IGH,IGSOLH,IS3,T)
$ifi %SOLHSHUTDOWN%==yes =L=
$ifi not %SOLHSHUTDOWN%==yes =E=
(SOLHFLH(IA) *(
GKFX_IND_SOLH(IY411,IA,IGH,IGSOLH)
+ VGKN_IND_SOLH(IY411,IA,IGH,IGSOLH)$IAGKNY(IY411,IA,IGSOLH)
+ SUM(IY402$IY411PREVY(IY411,IY402),
VGKNACCUMNET_IND_SOLH(IY402,IA,IGH,IGSOLH))
)
*SOLH_VAR_T(IA,IS3,T) *IGKRATE(IA,IGSOLH,IS3,T))
/ ISOLHSUMST(IA)
;
*accumulated new solar heat capazities by endogenoues investments during
*present BB4 model
QGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH)$(IAGK_HASORPOT(IY411,IA,IGH)
AND IGKFIND(IGSOLH)
AND IAGKN(IA,IGSOLH)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GSOLH
OR GDATA(IGH,’GDTYPE’)=GHSTO)
)..
*VGKNACCUMNET_IND_SOLH at end of this year (available at beginning of next year):
VGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH)
=E=
*VGKNACCUMNET_IND_SOLH available at end of previous (i.e., start of this) year
*PLUS investment during this year (missing: MINUS decommissioning due to
*lifetime expirence):
SUM(IY402$IY411PREVY(IY411,IY402),
97
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
VGKNACCUMNET_IND_SOLH(IY402,IA,IGH,IGSOLH))$(NOT IYFIRST(IY411))
+ VGKN_IND_SOLH(IY411,IA,IGH,IGSOLH)$IAGKNY(IY411,IA,IGSOLH)
+ VQGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH,"IPLUS")
- VQGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH,"IMINUS")
;
*----- Storage Equations --------------------------------------------
*Dynamic heat storage content equation
QHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
(1 - GDATA(IGHSTO,"GDSTOLOSS")) *VHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T)
+ IHOURSINST(IS3,T)*(VHSTO_IN_T(IY411,IA,IGH,IGHSTO,IS3,T)
*(1 - GDATA(IGHSTO,"GDLOADLOSS"))
- VHSTO_OUT_T(IY411,IA,IGH,IGHSTO,IS3,T) )
=E= VHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T++1)
*Using the statement T++1 references the next time period to the current one
*and wraps to the first element when on the last element
- VQHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T,"IPLUS")
+ VQHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T,"IMINUS")
;
*Heat storage input limit
QHSTO_IN_LIM(IY411,IA,IGH,IGHSTO,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
(
GKFX_IND_STO(IY411,IA,IGH,IGHSTO)/GDATA(IGHSTO,"GDSTOHLOAD")
+ (VGKN_IND_STO(IY411,IA,IGH,IGHSTO)/
GDATA(IGHSTO,"GDSTOHLOAD"))$IAGKNY(IY411,IA,IGHSTO)
+ SUM(IY402$IY411PREVY(IY411,IY402),
VGKNACCUMNET_IND_STO(IY402,IA,IGH,IGHSTO))/GDATA(IGHSTO,"GDSTOHLOAD")
)*IGKRATE(IA,IGHSTO,IS3,T)
=G=
VHSTO_IN_T(IY411,IA,IGH,IGHSTO,IS3,T)
;
*Heat storage output limit
98
B.2 Addon IND-Heat - Code
QHSTO_OUT_LIM(IY411,IA,IGH,IGHSTO,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
(
GKFX_IND_STO(IY411,IA,IGH,IGHSTO)/GDATA(IGHSTO,"GDSTOHUNLD")
+ (VGKN_IND_STO(IY411,IA,IGH,IGHSTO)/
GDATA(IGHSTO,"GDSTOHUNLD"))$IAGKNY(IY411,IA,IGHSTO)
+ SUM(IY402$IY411PREVY(IY411,IY402),
VGKNACCUMNET_IND_STO(IY402,IA,IGH,IGHSTO))/GDATA(IGHSTO,"GDSTOHUNLD")
)*IGKRATE(IA,IGHSTO,IS3,T)
=G=
VHSTO_OUT_T(IY411,IA,IGH,IGHSTO,IS3,T)
;
*"Heat storage capacity limit (MWh)"
QHSTOVOL_LIM(IY411,IA,IGH,IGHSTO,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
GKFX_IND_STO(IY411,IA,IGH,IGHSTO)
+ VGKN_IND_STO(IY411,IA,IGH,IGHSTO)$IAGKNY(IY411,IA,IGHSTO)
+ SUM(IY402$IY411PREVY(IY411,IY402),
VGKNACCUMNET_IND_STO(IY402,IA,IGH,IGHSTO))
=G=
VHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T)
;
*accumulated new storage capazities by endogenoues investments during
*present BB4 model
QGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO)$(IAGK_HASORPOT(IY411,IA,IGH)
AND IGKFIND(IGHSTO)
AND IAGKN(IA,IGHSTO)
AND AIND(IA) AND NOT
(GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)
)..
*VGKNACCUMNET_IND_STO at end of this year (available at beginning of next year):
VGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO)
=E=
*VGKNACCUMNET_IND_STO available at end of previous (i.e., start of this) year
99
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
*PLUS investment during this year (missing: MINUS decommissioning due to
*lifetime expirence):
SUM(IY402$IY411PREVY(IY411,IY402),
VGKNACCUMNET_IND_STO(IY402,IA,IGH,IGHSTO))$(NOT IYFIRST(IY411))
+ VGKN_IND_STO(IY411,IA,IGH,IGHSTO)$IAGKNY(IY411,IA,IGHSTO)
+ VQGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO,"IPLUS")
- VQGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO,"IMINUS")
;
*------------------------------------------------------------------------------
*---- Summing the storage and solar thermal variables up ----------------------
*---- to original Balmorel variables ----------------------
*------------------------------------------------------------------------------
*---- Thermal storage ---------------------------
QSTOSUMVOLT(IY411,IA,IS3,T)$(SUM(IGHSTO$IAGK_HASORPOT(IY411,IA,IGHSTO),1)
AND AIND(IA))..
SUM((IGH,IGHSTO)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T))
=E=
VHSTOVOLT(IY411,IA,IS3,T);
QSTOSUMIN(IY411,IA,IS3,T)$AIND(IA)..
SUM((IGH,IGHSTO)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VHSTO_IN_T(IY411,IA,IGH,IGHSTO,IS3,T))
=E=
VHSTOLOADT(IY411,IA,IS3,T);
QSTOSUMOUT(IY411,IA,IGHSTO,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND AIND(IA)
)..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VHSTO_OUT_T(IY411,IA,IGH,IGHSTO,IS3,T))
=E=
VGH_T(IY411,IA,IGHSTO,IS3,T);
QSTOSUMIPLUSMINUS(IY411,IA,IS3,T,IPLUSMINUS)$(
100
B.2 Addon IND-Heat - Code
SUM(IGHSTO$IAGK_HASORPOT(IY411,IA,IGHSTO),1)
AND SUM(IGH$IAGK_HASORPOT(IY411,IA,IGH),1)
AND AIND(IA)
)..
SUM((IGH,IGHSTO)$(IAGK_HASORPOT(IY411,IA,IGHSTO)
AND IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VQHSTOVOL_T(IY411,IA,IGH,IGHSTO,IS3,T,IPLUSMINUS))
=E=
VQHSTOVOLT(IY411,IA,IS3,T,IPLUSMINUS);
*Sum for GKFX; Added at the end of GKFX.inc.
QSTOSUMVOL2(IY411,IA,IGHSTO,IS3,T)$(IAGKN(IA,IGHSTO)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VGKN_IND_STO(IY411,IA,IGH,IGHSTO))
=E=
VGKN(IY411,IA,IGHSTO);
QSTOSUMVOL3(IY411,IA,IGHSTO,IS3,T)$(IAGKN(IA,IGHSTO)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO))
=E=
VGKNACCUMNET(IY411,IA,IGHSTO);
QSTOSUM_QGKNACCUMNET(IY411,IA,IGHSTO,IPLUSMINUS)$(IGKFIND(IGHSTO)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VQGKNACCUMNET_IND_STO(IY411,IA,IGH,IGHSTO,IPLUSMINUS))
=E=
VQGKNACCUMNET(IY411,IA,IGHSTO,IPLUSMINUS);
*------ Solar thermal ---------------------------
QSOLHSUMOUT(IY411,IA,IGSOLH,IS3,T)$(IAGK_HASORPOT(IY411,IA,IGSOLH)
101
Anhang B Erweiterung von Balmorel um die Darstellung der Einzelobjekt-Wärmeversorgung
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VGH_IND_SOLH_T(IY411,IA,IGH,IGSOLH,IS3,T))
=E=
VGH_T(IY411,IA,IGSOLH,IS3,T);
*Sum for GKFX; Added at the end of GKFX.inc.
QSOLHSUMVOL2(IY411,IA,IGSOLH,IS3,T)$(IAGKN(IA,IGSOLH)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VGKN_IND_SOLH(IY411,IA,IGH,IGSOLH))
=E=
VGKN(IY411,IA,IGSOLH);
QSOLHSUMVOL3(IY411,IA,IGSOLH,IS3,T)$(IAGKN(IA,IGSOLH)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH))
=E=
VGKNACCUMNET(IY411,IA,IGSOLH);
QSOLHSUM_QGKNACCUMNET(IY411,IA,IGSOLH,IPLUSMINUS)$(IGKFIND(IGSOLH)
AND AIND(IA))..
SUM(IGH$(IAGK_HASORPOT(IY411,IA,IGH)
AND NOT (GDATA(IGH,’GDTYPE’)=GHSTO
OR GDATA(IGH,’GDTYPE’)=GSOLH)),
VQGKNACCUMNET_IND_SOLH(IY411,IA,IGH,IGSOLH,IPLUSMINUS))
=E=
VQGKNACCUMNET(IY411,IA,IGSOLH,IPLUSMINUS);
102
Anhang C
Inhalt des beigelegten Datenträgers
Die Hauptordner der DVD sind:
- Elektronische Textfassung dieser Arbeit
- Szenariodaten
- Ergebniszusammenfassung
- Balmorel - Dateiordner
Elektronische Textfassung dieser Arbeit
Dieser Ordner enthält eine elektronische Fassung der vorliegenden Arbeit im pdf-Format sowie den
L
A
T
EX-Quellcode und abgedruckten Grafiken.
Szenariodaten
Hier werden die verschiedenen Eingangsgrößen mit ihren jeweiligen Berechnungen in Exceldateien
zur Verfügung gestellt.
Ergebniszusammenfassung
In diesem Ordner sind die Ergebnisdaten der verschiedenen berechneten Szenarien in Exceldateien
zusammengefasst.
Balmorel - Dateiordner
Dieser Ordner enthält den GAMS-Quellcode des Balmorel Energiesystemmodells mit den in der
vorliegenden Arbeit erstellten Anpassungen und den entsprechenden Input-Daten. Zur Anwendung
dieses Modells wird auf die entsprechende Dokumentation von Balmorel verwiesen.
103
Literatur
[1]
50Hertz, Hrsg. Zeitlicher Verlauf der EEG-Stromeinspeisung. 2015. URL:
http://www.50hertz.
com/de/EEG/Veroeffentlichung-EEG-Daten/Verlauf-EEG-Stromeinspeisung
(besucht
am 12. 08. 2015).
[2]
Hans-Jürgen Appelrath, Christian Dieckhoff, Manfred Fischedick, Armin Grunwald, Felix
Höffler, Christoph Mayer und Wolfgang Weimer-Jehle. Anforderungen an Energieszenarien:
[Stellungnahme]. Stand: März 2015. Schriftenreihe Energiesysteme der Zukunft. München:
acatech [u.a.], im Erscheinen, S. 20.
[3]
ASUE Arbeitsgemeinschaft für sparsamen und umweltfreundlichen Energieverbrauch e.V.,
Hrsg. BHKW-Kenndaten 2014/2015: Module, Anbieter, Kosten. Berlin, 2014.
[4]
ASUE Arbeitsgemeinschaft für sparsamen und umweltfreundlichen Energieverbrauch e.V.,
Hrsg. Gasturbinen-Kenndaten und Referenzen. Berlin, 2015.
[5]
Klaas Bauermann, Stephan Spiecker und Christoph Weber. „Individual decisions and system
development – Integrating modelling approaches for the heating market“. In: Applied Energy
116 (2014), S. 149–158. DOI:10.1016/j.apenergy.2013.11.046.
[6]
Uwe Bigalke, Yang Zhang, Jan Kunde, Martina Schmitt, Zeng Yang, Hennig Discher und Bens-
mann, Katharina, Stolte, Christian. Der dena-Gebäudereport 2015: Statistiken und Analysen
zur Energieeffizienz im Gebäudebestand. Hrsg. von Deutsche Energie-Agentur GmbH. Berlin,
2015.
[7]
Morten B. Blarke und Henrik Lund. „The effectiveness of storage and relocation options in
renewable energy systems“. In: Renewable Energy 33.7 (2008), S. 1499–1507. IS SN: 09601481.
DOI:10.1016/j.renene.2007.09.001.
[8]
Christian Breyer und Berit Müller. Vergleich und Optimierung von zentral und dezentral ori-
entierten Ausbaupfaden zu einer Stromversorgung aus erneuerbaren Energien in Deutschland:
Im Auftrag von Haleakala-Stiftung, 100 prozent erneuerbar stiftung, BVMW Bundesverband
mittelständische Wirtschaft. 2013.
[9]
Jens Büchner, Jörg Katzfey, Albert Moser, Henning Schuster, Sebastian Dierkes, Tobias van
Leeuwen, Lukas Verheggen, Matthias Uslar und Marie van Amelsvoort. Moderne Verteiler-
netze für Deutschland: Verteilernetzstudie: Studie im Auftrag des Bundesministeriums für Wirt-
schaft und Energie (BMWi). 2014. URL:
http : / / www . bmwi . de / BMWi / Redaktion / PDF /
Publikationen / Studien / verteilernetzstudie , property = pdf , bereich = bmwi2012 ,
sprache=de,rwb=true.pdf (besucht am 28. 04.2015).
[10]
Bau und Stadtentwicklung (BMVBS) Bundesministerium für Verkehr, Hrsg. Kosten energie-
relevanter Bau- und Anlagenteile bei der energetischen Modernisierung von Wohngebäuden.
2012.
[11]
Bundesministerium für Wirtschaft und Energie. Stromsteuergesetz: StromStG. 1999-03-24. URL:
http://www.gesetze-im-internet.de/stromstg/index.html
(besucht am 14. 02. 2016).
105
Literatur
[12]
Bundesministerium für Wirtschaft und Energie. Energiesteuergesetz: EnergieStG. 2006-07-
15. URL:
http://www.gesetze- im- internet.de/energiestg/index.html
(besucht am
14. 02. 2016).
[13]
Bundesministerium für Wirtschaft und Energie. Gesetz für die Erhaltung, die Modernisierung
und den Ausbau der Kraft-Wärme-Kopplung: KWKG 2015. 2015-12-21. URL:juris.de.
[14]
Bundesministerium für Wirtschaft und Technologie. Gesetz für die Erhaltung, die Modernisie-
rung und den Ausbau der Kraft-Wärme-Kopplung: KWKG 2002. 2002-03-19. URL:juris.de.
[15]
Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen, Hrsg.
Bundesnetzagentur - Kraftwerksliste. 2014. URL:
http://www.bundesnetzagentur.de/DE/
Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/
Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html
(besucht am
05. 09. 2015).
[16]
Bundesnetzagentur für Elektrizität, Gas, Telekommunikation, Post und Eisenbahnen und Bun-
deskartellamt, Hrsg. Monitoringbericht 2015. Bonn, 2015. URL:
http://www.bundesnetzagentur.
de / SharedDocs / Downloads / DE / Allgemeines / Bundesnetzagentur / Publikationen /
Berichte / 2015 / Monitoringbericht _ 2015 _ BA . pdf ? _ _ blob = publicationFile & v = 3
(besucht am 14. 02. 2016).
[17]
Bundesregierung. Gesetz für den Vorrang Erneuerbarer Energien: EEG. 2008-10-25. URL:
juris.
de.
[18]
Bundesregierung. Gesetz für den Ausbau erneuerbarer Energien: EEG 2014. 2014-07-21. URL:
juris.de.
[19]
Hans-Georg Buttermann und Tina Baten. „Wirtschaftlichkeit des Neubaus von Braunkohle-
kraftwerken“. In: Energiewirtschaftliche Tagesfragen 63.4 (2013), S. 46–51.
[20]
Andreas Christidis, Christoph Koch, Lothar Pottel und George Tsatsaronis. „The contribution
of heat storage to the profitable operation of combined heat and power plants in liberalized
electricity markets“. In: Energy 41.1 (2012), S. 75–82. ISSN: 03605442. DOI:
10.1016/j.
energy.2011.06.048.
[21]
Deutsches Institut für Normung e.V. Energetische Bewertung heiz- und raumlufttechnischer
Anlagen Teil 10: Heizung, Trinkwassererwärmung, Lüftung. 2003.
[22]
Christian Dieckhoff. Modellierte Zukunft: Energieszenarien in der wissenschaftlichen Politikbera-
tung. Science Studies. Bielefeld: transcript, 2015. ISBN: 3839430976.
[23]
Christian Dieckhoff, Selina Byfield, Hans-Jürgen Appelrath, Manfred Fischedick, Armin Grun-
wald, Felix Höffler, Christoph Mayer und Wolfgang Weimer-Jehle. Zur Interpretation von
Energieszenarien: [Analyse]. Stand: Mai 2014. Schriftenreihe Energiesysteme der Zukunft.
München: acatech [u.a.], 2014, 44 S. ISBN: 978-3-9817048-1-5.
[24]
Caroline Dieckhöner und Harald Hecking. „Developments of the German Heat Market of Pri-
vate Households Until 2030: A Simulation Based Analysis“. In: Zeitschrift für Energiewirtschaft
38.2 (2014), S. 117–130. ISSN: 0343-5377. DOI:10.1007/s12398-014-0131-2.
[25]
Nikolaus Diefenbach, Holger Cischinsky, Markus Rodenfels und Klaus-Dieter Clausnitzer.
Datenbasis Gebäudebestand: Datenerhebung zur energetischen Qualität und zu den Moderni-
sierungstrends im deutschen Wohngebäudebestand. 1. Aufl. Darmstadt, 2010, 150 S. ISBN:
978-3-941140-16-5.
106
Literatur
[26]
Lars Dittmar. „Integration of Energy Saving Technologies and Learning Curves into the Baltic
Model of Regional Electricity Liberalisation“. Diplomarbeit. Flensburg: Universität Flens-
burg, 2006. URL:
http://www.eabalmorel.dk/files/download/Trainingandeducation/
Integration%20of%20energy%20saving%20technologies%20and%20learning%20curves%
20into%20Balmorel.pdf (besucht am 21. 10. 2015).
[27]
Rainer Elsland, Anna-Lena Klingler, Patrick Degner, Yannick Oswald und Martin Wietschel. Are
Current Regionalisation Approaches Sufficient to Decompose Electricity Demand? A German Case
Study. Dresden, 2014-04-17. URL:
http://tu-dresden.de/die_tu_dresden/fakultaeten/
fakultaet_wirtschaftswissenschaften/bwl/ee2/lehrstuhlseiten/ordner_enerday/
ordner_pacp/ordner_fpap/presentations%202015/klingler.pdf.
[28]
EnergyMap. Berlin. URL:
http://www.energymap.info/map.html
(besucht am 13. 08. 2015).
[29]
Europäische Union. RICHTLINIE 2004/8/EG – über die Förderung einer am Nutzwärmebe-
darf orientierten Kraft-Wärme-Kopplung im Energiebinnenmarkt und zur Änderung der Richt-
linie 92/42/EWG: Richtlinie 2004/8/EG. 2004-02-11. URL:
http://eur-lex.europa.eu/
LexUriServ / LexUriServ . do ? uri = OJ : L : 2004 : 052 : 0050 : 0060 : DE : PDF
(besucht am
08. 03. 2011).
[30]
Horst Fehrenbach, Susanne Köppen, Nils Rettenmaier und Elmar Seizinger. Kriterien zur nach-
haltigen Beschaffung holzartiger Biomasse für die Strom- und Wärmegewinnung im Land Berlin:
Im Auftrag der Vattenfall Europe New Energy GmbH und dem Land Berlin. Heidelberg, 2011.
URL:
www. stadtentwicklung. berlin.de/umwelt/klimaschutz/aktiv/vereinbarung/
download/IFEU_nachhaltiges_Holz_VattenfallSenGUV.pdf (besucht am 07. 02. 2016).
[31]
Jesper Felstedt und Morten Middelboe Pedersen. „Modellering af Investeringer i Elsektoren“.
Masterarbeit. Lyngby: Technical University of Denmark, 2005. U RL:
http://www.eabalmorel.
dk / files / download / Trainingandeducation / Modellering % 20af % 20investeringer %
20i%20elsektoren.pdf (besucht am 22. 02. 2016).
[32]
Svend Frederiksen und Sven Werner. District heating & cooling. Lund: Studentlitteratur Ab,
2013, S. 586. ISBN: 978-91-44-08530-2.
[33]
Daniel Fürstenwerth, Norman Gerhardt, Christoph Richts, Patrick Hochloff, Thorsten Müller,
Johannes Hilpert, Oilver Antoni und Wolfgang Schulz. Power-to-Heat zur Integration von
ansonsten abgeregeltem Strom aus Erneuerbaren Energien: Handlungsvorschläge basierend auf
einer Analyse von Potenzialen und energiewirtschaftlichen Effekten. Hrsg. von Agora Ener-
giewende. 2014. URL:
http :/ / www. agora - energiewende. de /fileadmin / downloads/
publikationen/ Studien/ Power_to_Heat/Agora_PtH _Langfassung _WEB .pdf
(besucht
am 23. 04. 2015).
[34]Gas Turbine World. 2010 GTW Handbook. Bd. 28. Fairfield: Pequot Publishing Inc, 2010.
[35]
Alexander Gosten, Ralf Hauser, Bernd Rintel und Jochen Hensel. „Errichtung der Linie A und
teilweise Erneuerung der Infrastruktur im laufenden Betrieb der Abfallverbrennungsanlage
Berlin Ruhleben“. In: Energie aus Abfall. Hrsg. von Karl J. Thomé-Kozmiensky und Michael
Beckmann. Neuruppin: TK Verlag, 2013, S. 125–186. ISBN: 3935317921. URL:
http://
www.vivis.de/phocadownload/2013_eaa/2013_EaA_125_186_Gosten.pdf
(besucht am
21. 10. 2015).
107
Literatur
[36]
Armin Grunwald. „Modes of orientation provided by futures studies: making sense of diversity
and divergence“. In: European Journal of Futures Research 2.1 (2014). ISSN: 2195-4194. DOI:
10.1007/s40309-013-0030-5.
[37]
Markus Haller. „CO2 Mitigation and Power System Integration of Fluctuating Renewable Ener-
gy Sources: A Multi-Scale Modeling Approach“. Dissertation. Berlin: Technische Universität
Berlin, 2012. URL:http://d-nb.info/102121972X/34 (besucht am 13.10. 2015).
[38]
Wolfgang Hauser, José Evora und Enrique Kremers. „Modelling Lifestyle Aspects Influencing
the Residential Load-Curve“. In: Shaping reality through simulation. Hrsg. von Klaus G.
Troitzsch, Michael Mohring und Ulf Lotzmann. 2012. ISBN: 978-0-9564944-4-3.
[39]
Karsten Hedegaard. „Wind power integration with heat pumps, heat storages, and electric
vehicles: Energy systems analysis and modelling“. Dissertation. Kgs. Lyngby: Technical Uni-
versity of Denmark, 2013. URL:
http://orbit.dtu.dk/en/publications/wind- power-
integration- with - heat - pumps- heat - storages- and - electric - vehicles- - energy-
systems- analysis-and- modelling%285000dc3a-ef15 -43f1- 8ab5-138e05873f1a%29.
html (besucht am 08. 04. 2014).
[40]
Karsten Hedegaard und Olexandr Balyk. „Energy system investment model incorporating heat
pumps with thermal storage in buildings and buffer tanks“. In: Energy 63 (2013), S. 356–365.
ISSN: 03605442. DO I:10.1016/j.energy.2013.09.061.
[41]
H. Heitsch, R. Henrion, C. Küchler und W. Römisch. „Generierung von Szenariobäumen und
Szenarioreduktion für stochastische Optimierungsprobleme in der Energiewirtschaft“. In: Um-
welt und Ressourcenökonomie: Innovative Modellierung und Optimierung von Energiesystemen.
Hrsg. von Rüdiger Schultz und Hermann-Josef Wagner. LIT Verlag Berlin, 2009, S. 227–254.
[42]
Tobias Held und Matthias Waltersbacher. Wohnungsmarktprognose 2030. Bd. 2015,7. BBSR-
Analysen KOMPAKT. Bonn: BBSR, 2015, 1 online resource (20 S. :) ISBN: 978-3-87994-688-4.
[43]
Johannes Henkel. „Modelling the Diffusion of Innovative Heating Systems in Germany: Deci-
sion Criteria, Influence of Policy Instruments and Vintage Path Dependencies“. Dissertation.
Berlin: Technische Universität Berlin, 2012.
[44]
Hans-Martin Henning und Andreas Palzer. „A comprehensive model for the German electricity
and heat sector in a future energy system with a dominant contribution from renewable
energy technologies—Part I: Methodology“. In: Renewable and Sustainable Energy Reviews 30
(2014), S. 1003–1018. ISSN: 13640321. DOI:10.1016/j.rser.2013.09.012.
[45]
Magnus Hindsberger, Malene Hein Nybroe, Hans F. Ravn und Rune Schmidt. „Co-existence
of electricity, TEP, and TGC markets in the Baltic Sea Region“. In: Energy Policy 31.1 (2003),
S. 85–96. ISSN: 03014215. DOI:10.1016/S0301-4215(02)00120-9.
[46]
Bernd Hirschl, Astrid Aretz, Elisa Dunkelberg, Anna Neumann und Julika Weiß. Potenziale
erneuerbarer Energien in Berlin 2020 und langfristig: Quantifizierung und Maßnahmenge-
nerierung zur Erreichung ambitionierter Ausbauziele ; Langfassung der Studie zum Berliner
Energiekonzept (Anlage 6). Bd. 198. Schriftenreihe des IÖW. Berlin: IÖW, 2011, 186 S. IS BN:
978-3-940920-01-0.
[47]
Lion Hirth. Modelling VRE in-feed. Mohrenstraße 58, Berlin, 2014-09-18. URL:
http://neon-
energie.de/workshop-offene-energiesystem-modellierung/.
108
Literatur
[48]
Lion Hirth, Falko Ueckerdt und Ottmar Edenhofer. „Integration costs revisited – An economic
framework for wind and solar variability“. In: Renewable Energy 74 (2015), S. 925–939. ISSN:
09601481. DOI:10.1016/j.renene.2014.08.065.
[49]
Mathias Hofmann, Andreas Christidis, Joachim Schneider und George Tsatsaronis. „Optimie-
rung eines Energiesystems mit Kraft-Wärme-Kopplungsanlagen und Kurzzeit-Wärmespeichern:
Der wirtschaftliche Betrieb eines Fernwärmenetzes“. In: Energieeffizienz in den Städten und
der Industrie von morgen. Hrsg. von Russell McKenna und Wolf Fichtner. Energieeffizienz.
Karlsruhe: KIT Scientific Publishing, 2011, S. 43–59. ISBN: 978-3-86644-710-3.
[50]
INFRASTRUKTUR & UMWELT, Prof. Böhm und Partner. Gemeinsames Raumordnungskonzept
Energie und Klima für Berlin und Brandenburg (GRK) - Teil 1. Potsdam, 2011.
[51]
Intergovernmental Panel on Climate Change, Hrsg. Climate Change 2013: The Physical Science
Basis: Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental
Panel on Climate Change. Cambridge, New York: Cambridge University Press, 2013.
[52]
Josef Kallrath. Gemischt-ganzzahlige Optimierung: Modellierung in der Praxis. 1. Aufl. Braun-
schweig/Wiesbaden: Vieweg Verlag, 2002. ISBN: 3-528-03141-7.
[53]
James Keirstead, Mark Jennings und Aruna Sivakumar. „A review of urban energy system
models: Approaches, challenges and opportunities“. In: Renewable and Sustainable Energy
Reviews 16.6 (2012), S. 3847–3866. ISSN: 13640321. DOI:10.1016/j.rser.2012.02.047.
[54]
Jon Gustav Kirkerud, Erik Trømborg, Torjus Folsland Bolkesjø und Åsa Grytli Tveten. „Mo-
deling the Power Market Impacts of Different Scenarios for the Long Term Development
of the Heat Sector“. In: Energy Procedia 58 (2014), S. 145–151. ISSN: 18766102. DOI:
10.1016/j.egypro.2014.10.421.
[55]
Klimaschutzvereinbarung zwischen dem Land Berlin und Vattenfall: Klimaschutzvereinbarung
2008 - 2020. Berlin, 2009. URL:
http:/ / www.stadtentwicklung. berlin .de/ umwelt /
klimaschutz/aktiv/vereinbarung/download/vattenfall-ks_senguv.pdf
(besucht am
07. 02. 2016).
[56]
Klimaschutzvereinbarung zwischen dem Land Berlin und Vattenfall: Zwischenbericht 2014.
2015. URL:
http: //www .stadtentwicklung. berlin. de/umwelt /klimaschutz/ aktiv/
vereinbarung/download/klimschv_zwischenbericht_vattenfall2014 . pdf
(besucht
am 26. 11. 2015).
[57]
Anna-Lena Klingler und Tobias Boßmann. „Technologiebasierte Lastmodellierung vor dem
Hintergrund von PV-Stromerzeugung und Lastmanagement“. In: 9. Internationale Energiewirt-
schaftstagung. Hrsg. von Hans Auer, Wolfgang Gawlik und Reinhard Haas. 2015. URL:
http:
//www.isi.fraunhofer.de/isi-wAssets/docs/e/de/publikationen/Klingler_Anna-
Lena_30-Jan-2015_16-01.pdf (besucht am 13. 08. 2015).
[58]
Panos Konstantin. Praxisbuch Energiewirtschaft. Berlin, Heidelberg: Springer Berlin Heidelberg,
2013. ISBN: 978-3-642-37264-3. DO I:10.1007/978-3-642-37265-0.
[59]Hannah Kosow und Robert Gassner. Methoden der Zukunfts- und Szenarioanalyse: Überblick,
Bewertung und Auswahlkriterien. Bd. 103. WerkstattBericht Nr. Berlin: IZT, 2008, 88 S. ISBN:
978-3-941374-03-4.
109
Literatur
[60]
Tobias Kronenberg, D. Martinsen, Thiemo Pesch, M. Sander, W. Fischer und Jürgen-Friedrich
Hake. „Energieszenarien für Deutschland: Stand der Literatur und methodische Auswertung“.
In: Energiewende - Aspekte, Optionen, Herausforderungen. Hrsg. von Hardo Bruhns. 2012,
S. 132–166. URL:
http : / / www . uni - saarland . de / fak7 / fze / AKE _ Archiv / DPG2012 -
AKE _ Berlin / Buch / DPG2012 _ AKE6 . 1Hake _ EnergieSzenarien _ p132 . pdf
(besucht am
11. 02. 2014).
[61]Friedrich Kunz und Alexander Zerrahn. Electricity Market Models. Berlin, 2014-10-06.
[62]
Tobias Loga, Nikolaus Diefenbach, Jens Knissel und Rolf Born. Entwicklung eines vereinfachten,
statistisch abgesicherten Verfahrens zur Erhebung von Gebäudedaten für die Erstellung des
Energieprofils von Gebäuden: Kurzverfahren Energieprofil. Darmstadt, 2005. (Besucht am
29. 05. 2014).
[63]
Andreas Löschel, Georg Erdmann, Frithjof Staiß und Hans-Joachim Ziesing. Expertenkommissi-
on zum Monitoring-Prozess „Energie der Zukunft“: Stellungnahme zum ersten Monitoring-Bericht
der Bundesregierung für das Berichtsjahr 2011. Berlin, Mannheim, Stuttgart, 2012.
[64]
Trieu Mai, Jeffrey Logan, Nate Blair, Patrick Sullivan und Morgan Bazilian. RE-ASSUME: A De-
cision Maker’s Guide to Evaluating Energy Scenarios, Modeling, and Assumptions: Implementing
Body: National Renewable Energy Laboratory. 2013.
[65]
Russell McKenna, Erik Merkel, Daniel Fehrenbach, Stephanie Mehne und Wolf Fichtner.
„Energy efficiency in the German residential sector: A bottom-up building-stock-model-based
analysis in the context of energy-political targets“. In: Building and Environment 62 (2013),
S. 77–88. ISSN: 03601323. DOI:10.1016/j.buildenv.2013.01.002.
[66]
Erik Merkel, Daniel Fehrenbach, Russell McKenna und Wolf Fichtner. „Analyse der Wärme- und
Elektrizitätsversorgung des deutschen Wohngebäudesektors in einem optimierenden Ener-
giesystemmodell“. In: Alternativen für die Energiezukunft Europas. Hrsg. von Udo Bachhiesl.
2012.
[67]
Erik Merkel, Daniel Fehrenbach, Russell McKenna und Wolf Fichtner. „Modelling decentralised
heat supply: An application and methodological extension in TIMES“. In: Energy 73 (2014),
S. 592–605. ISSN: 03605442. DOI:10.1016/j.energy.2014.06.060.
[68]
Jens Peter Molly. Design of Wind Turbines and Storage: A Question of System Optimisation:
Auslegung von Windturbinen und Speicher: Eine Frage der Systemoptimierung. Wilhelmshaven,
2012. URL:
http://www.dewi.de/dewi/fileadmin/pdf/publications/Magazin_40/04.
pdf.
[69]
Dominik Möst und Wolf Fichtner. „Einführung zur Energiesystemanalyse“. In: Energiesystem-
analyse. Hrsg. von Dominik Möst, Wolf Fichtner und Armin Grunwald. Karlsruhe: Univ.-Verl.
Karlsruhe, 2009, S. 11–32. ISBN: 978-3-86644-389-1.
[70]
Marie Münster, Poul Erik Morthorst, Helge V. Larsen, Lars Bregnbæk, Jesper Werling, Hans
Henrik Lindboe und Hans Ravn. „The role of district heating in the future Danish energy
system“. In: Energy (2012). ISSN: 03605442. DOI:
10.1016/j.energy.2012.06.011
.URL:
http://www.sciencedirect.com/science/article/pii/S0360544212004628.
110
Literatur
[71]
Joachim Nitsch u. a. Langfristszenarien und Strategien für den Ausbau der erneuerbaren Energien
in Deutschland bei Berücksichtigung der Entwicklung in Europa und global: Datenanhang II zum
Schlussbericht. Berlin, 2012. URL:
http://www.erneuerbare- energien.de/files/pdfs/
allgemein/application/pdf/leitstudie2011_bf.pdf (besucht am 04. 06. 2012).
[72]
Joachim Nitsch u. a. Langfristszenarien und Strategien für den Ausbau der erneuerbaren Energien
in Deutschland bei Berücksichtigung der Entwicklung in Europa und global: Schlussbericht BMU -
FKZ 03MAP146. Berlin, 2012. URL:
http://www.erneuerbare-energien.de/files/pdfs/
allgemein/application/pdf/leitstudie2011_bf.pdf (besucht am 04. 06. 2012).
[73]
Christoph Nolden, Martin Schönfelder, Anke Eßer-Frey, Valentin Bertsch und Wolf Fichtner.
„Network constraints in techno-economic energy system models: towards more accurate
modeling of power flows in long-term energy system models“. In: Energy Systems 4.3 (2013),
S. 267–287. ISSN: 1868-3967. DOI:10.1007/s12667-013-0078-0.
[74]
Dörte Ohlhorst, Kerstin Tews und Miranda Schreurs. „Energiewende als Herausforderung
der Koordination im Mehrebenensystem“. In: Technikfolgenabschätzung - Theorie und Praxis
22.2 (2013), S. 48–55. URL:
http://www.tatup-journal.de/downloads/2013/tatup132_
ohua13a.pdf (besucht am 24. 04. 2015).
[75]
Torben Ommen, Wiebke Brix Markussen und Brian Elmegaard. „Comparison of linear, mixed
integer and non-linear programming methods in energy system dispatch modelling“. In:
Energy 74 (2014), S. 109–118. ISSN: 03605442. DOI:10.1016/j.energy.2014.04.023.
[76]
André Pina, Carlos A. Silva und Paulo Ferrão. „High-resolution modeling framework for
planning electricity systems with high penetration of renewables“. In: Applied Energy 112
(2013), S. 215–223. DOI:10.1016/j.apenergy.2013.05.074.
[77]
Eugen Pissarskoi. Gesellschaftliche Wohlfahrt und Klimawandel: Umgang mit normativen Annah-
men und Ungewissheiten bei der klimaökonomischen Politikberatung. Bd. 65. Hochschulschriften
zur Nachhaltigkeit. München: oekom verlag, 2014, IX, 273 S. ISBN: 3865818749.
[78]
Marco Pruckner, Christoph Thurner, Alexander Martin und Reinhard German. „A Coupled
Optimization and Simulation Model for the Energy Transition in Bavaria“. In: Proceedings
of the International Workshops /MMB & DFT 2014 - Modeling, Analysis and Management of
Social Networks and Their Applications (SOCNET 2014) & Demand Modeling and Quantitative
Analysis of Future Generation Energy Networks and Energy-Efficient Systems (FGENET 2014).
Hrsg. von Kai Fischbach, Marcel Großmann, Udo R. Krieger und Thorsten Staake. Bd. Bd.
16. Schriften aus der Fakultät Wirtschaftsinformatik und Angewandte Informatik der Otto-
Friedrich-Universität Bamberg. Bamberg: Univ. of Bamberg Press, 2014, S. 97–104. ISBN:
978-3-86309-208-5.
[79]
Kristopher A. Pruitt, Robert J. Braun und Alexandra M. Newman. „Evaluating shortfalls in
mixed-integer programming approaches for the optimal design and dispatch of distributed
generation systems“. In: Applied Energy 102 (2013), S. 386–398. DOI:
10.1016/j.apenergy.
2012.07.030.
[80]
OECD Publishing. World Energy Outlook 2010. 1. Aufl. Bd. 2010. World energy outlook.
s.l.: OECD, 2010, S. 700. ISBN: 978 92 64 08624 1. URL:
http://site.ebrary.com/lib/
alltitles/docDetail.action?docID=10435936.
[81]
Hans Ravn. Balmorel: A Model for Analyses of the Electricity and CHP Markets in the Baltic Sea
Region. 2001. URL:www.balmorel.com (besucht am 22. 01.2016).
111
Literatur
[82]Fritz Reusswig u.a. Machbarkeitsstudie Klimaneutrales Berlin 2050. Hrsg. von Senatsverwal-
tung für Stadtentwicklung und Umwelt. Potsdam, Berlin, 2014.
[83]
Fritz Reusswig u. a. Machbarkeitsstudie Klimaneutrales Berlin 2050: Anhang. Hrsg. von Se-
natsverwaltung für Stadtentwicklung und Umwelt. Potsdam, Berlin, 2014. URL:
http://www.
stadtentwicklung.berlin.de/umwelt/klimaschutz/studie_klimaneutrales_berlin/
index.shtml (besucht am 30. 07. 2015).
[84]
Andreas Rieder, Andreas Christidis und George Tsatsaronis. „Multi criteria dynamic design
optimization of a small scale distributed energy system“. In: Energy 74 (2014), S. 230–239.
ISSN: 03605442. DO I:10.1016/j.energy.2014.06.007.
[85]
Jayant Sathaye u. a. „Chapter 5: Barriers, Opportunities, and Market Potential of Technologies
and Practices“. In: Climate Change 2001: Mitigation. Hrsg. von Intergovernmental Panel on
Climate Change. 2001. URL:
http:/ /www. grida .no/ publications/other /ipcc_tar /
?src=/climate/ipcc_tar/wg3/179.htm (besucht am 29. 04. 2015).
[86]
Katrin Schaber. „Integration of Variable Renewable Energies in the European power system: a
model-based analysis of transmission grid extensions and energy sector coupling“. Dissertation.
München: Technische Universität München, 2013. URL:
http://mediatum.ub.tum.de/doc/
1163646/1163646.pdf.
[87]
Christoph Schlenzig. „PlaNet: Ein entscheidungsunterstützendes System für die Energie- und
Umweltplanung“. Dissertation. Stuttgart: Universität Stuttgart, 1997. URL:
http://elib.uni-
stuttgart.de/opus/volltexte/2001/742/pdf/diss_cs.pdf (besucht am 06. 11. 2015).
[88]
Michael Schlesinger u. a. Energieszenarien für ein Energiekonzept der Bundesregierung: Projekt
Nr. 12/10. Hrsg. von Prognos AG, Energiewirtschaftliches Institut an der Universität zu Köln
und Gesellschaft für Wirtschaftliche Strukturforschung mbH. Basel, Köln und Osnarbrück,
2010.
[89]
Claus Schlömer, Hansjörg Bucher und Jana Hoymann. Die Raumordnungsprognose 2035 nach
dem Zensus: Bevölkerung, private Haushalte und Erwerbspersonen. Bd. 2015,5. BBSR-Analysen
KOMPAKT. Bonn: BBSR, 2015, 1 online resource (20 S. :) IS BN: 978-3-87994-741-6.
[90]
Yvonne Scholz. Möglichkeiten und Grenzen der Integration verschiedener regenerativer Energie-
quellen zu einer 100% regenerativen Stromversorgung der Bundesrepublik Deutschland bis zum
Jahr 2050: Endbericht: Materialien zur Umweltforschung 42. Hrsg. von Sachverständigenrat für
Umweltfragen - SRU. 2010. URL:
http://www.umweltrat.de/SharedDocs/Downloads/DE/
03_Materialien/2010_MAT42_DZLR_Integration_Energiequellen_2050.html
(besucht
am 12. 08. 2015).
[91]
Yvonne Scholz. „Renewable energy based electricity supply at low costs: Development of
the REMix model and application for Europe“. Dissertation. Stuttgart: Universität Stuttgart,
2012-06-01.
[92]
Andreas Schröder, Friedrich Kunz, Jan Meiss, Roman Mendelevitch und Christian von Hirsch-
hausen. Current and Prospective Costs of Electricity Generation until 2050. Berlin, 2013. URL:
http : / / www . diw . de / documents / publikationen / 73 / diw _ 01 . c . 424566 . de / diw _
datadoc_2013-068.pdf (besucht am 13. 08.2015).
112
Literatur
[93]
Siemens AG und Vattenfall Europe AG, Hrsg. Sustainable Urban Infrastructure: Intelligente Ener-
gieversorgung für Berlin 2037: Eine Studie der Technischen Universität Berlin mit Unterstützung
der Siemens AG und Vattenfall Europe AG. Berlin, 2011.
[94]
Statistisches Bundesamt, Hrsg. Bevölkerung und Erwerbstätigkeit: Bevölkerung in den Bundes-
ländern, dem früheren Bundesgebiet und den neuen Ländern bis 2060: Tabellenband. Wiesbaden,
2010. URL:
https://www.destatis.de/DE/Publikationen/Thematisch/Bevoelkerung/
VorausberechnungBevoelkerung/BevoelkerungDeutschland2060_12Vorausberechnung.
html (besucht am 16. 07. 2015).
[95]
Studienvergleich: Annahmen zur Entwicklung der Importpreise für fossile Brennstoffe: Rohöl,
Erdgas, Steinkohle. Berlin, 2012. URL:
%7Bhttp:/ /www. forschungsradar.de / uploads/
media/AEE_Dossier_Studienvergleich_Brennstoffpreise_aug12_02.pdf%7D
(besucht
am 25. 01. 2016).
[96]
Jonas Timmerman, Lieven Vandevelde und Greet van Eetvelde. „Towards low carbon business
park energy systems: Classification of techno-economic energy models“. In: Energy 75 (2014),
S. 68–80. ISSN: 03605442. DOI:10.1016/j.energy.2014.05.092.
[97]
Hakan ˙
Ibrahim Tol und Svend Svendsen. „Optimal Dimensioning of Low-Energy District
Heating Networks with Operational Planning: Case Study for Existing Buildings“. In: 11th
International Conference on Sustainable Energy Technologies (Set-2012). 2012, S. 113–122. URL:
https:// www .researchgate.net / publication /275890614_Optimal _ dimensioning _
of_low- energy_district_ heating_networks_with_operational_planning_ -_Case_
study_for_existing_buildings (besucht am 09. 11. 2015).
[98]
Evelina Trutnevyte. „EXPANSE methodology for evaluating the economic potential of renewa-
ble energy from an energy mix perspective“. In: Applied Energy 111 (2013), S. 593–601. DOI:
10.1016/j.apenergy.2013.04.083.
[99]
Jochen Twele, Berit Müller und Caroline Möller. Szenarioberechnung einer Strom- und Wär-
meversorgung der Region Brandenburg-Berlin auf Basis Erneuerbarer Energien: Im Auftrag der
Fraktion Bündnis 90 /Die Grünen im Brandenburger Landtag. Hrsg. von Reiner Lemoine Institut
gGmbH. 2012. URL:
http://www.reiner-lemoine-institut.de/sites/default/files/
2012_10_16_szenarioberechnung_brandenburg_berlin.pdf (besucht am 30. 01. 2014).
[100]
Umweltbundesamt, Hrsg. Kraftwerke in Deutschland: (ab 100 Megawatt elektrischer Leistung).
2015. URL:
http : / / www . umweltbundesamt . de / sites / default / files / medien / 376 /
dokumente/kraftwerke_in_deutschland_ab_100_megawatt_elektrischer_leistung_
2015_09.xls (besucht am 07. 02. 2016).
[101]
VDI - Gesellschaft Bauen und Gebäudetechnik. VDI 3807 Blatt 5 Verbrauchskennwerte für
Gebäude - Teilkennwerte thermische Energie. Düsseldorf, 2014-11-01.
[102]
Vereinbarung zwischen dem Land Berlin und der Vattenfall Europe AG über Kriterien zur Nach-
haltigkeit der Beschaffung von holzartiger Biomasse. Berlin, 15. Apr. 2011. URL:
http://www.
stadtentwicklung.berlin.de/umwelt/klimaschutz/aktiv/vereinbarung/download/
nh-vereinbarung_vattenfall.pdf (besucht am 07. 02.2016).
[103]
Philip Voll, Mark Jennings, Maike Hennen, Nilay Shah und André Bardow. „The optimum is
not enough: A near-optimal solution paradigm for energy systems synthesis“. In: Energy 82
(2015), S. 446–456. ISSN: 03605442. DOI:10.1016/j.energy.2015.01.055.
113
Literatur
[104]
Dietmar Walberg, Astrid Holz, Timo Gniechwitz und Thorsten Schulze. Wohnungsbau in
Deutschland - 2011. Modernisierung oder Bestandsersatz: Studie zum Zustand und der Zukunfts-
fähigkeit des deutschen „Kleinen Wohnungsbaus“: Band 1. Textband. Hrsg. von Arbeitsgemein-
schaft für zeitgemäßes Bauen e.V. Kiel, 2011.
[105]
Wolfgang Weimer-Jehle. „Cross-impact balances: A system-theoretical approach to cross-
impact analysis“. In: Technological Forecasting and Social Change 73.4 (2006), S. 334–361.
ISSN: 00401625. DO I:10.1016/j.techfore.2005.06.005.
[106]
Wolfgang Weimer-Jehle u. a. „Context scenarios: and their usage for the construction of
socio-technical energy scenarios“. In: Energy im Erscheinen (2016). ISSN: 03605442.
[107]
M. Welsch, M. Howells, M. Bazilian, J. F. DeCarolis, S. Hermann und H. H. Rogner. „Modelling
elements of Smart Grids – Enhancing the OSeMOSYS (Open Source Energy Modelling System)
code“. In: Energy 46.1 (2012), S. 337–350. ISSN: 03605442. DOI:
10.1016/j.energy.2012.
08.017.
[108]Manuel Welsch u. a. „Supporting security and adequacy in future energy systems: The need
to enhance long-term energy system models to better treat issues related to variability“. In:
International Journal of Energy Research 39.3 (2015), S. 377–396. ISSN: 0363907X. DOI:
10.1002/er.3250.
[109]
Toska Wiener. Bevölkerungsprognose für Berlin und die Bezirke 2011 - 2030. Berlin, 2012.
URL:
http://www.stadtentwicklung.berlin.de/planen/bevoelkerungsprognose/de/
ergebnisse_2011_2030.shtml (besucht am 07. 02. 2016).
[110]
Marco Wünsch, Nils Thamling, Frank Peter und Friedrich Seefeldt. Beitrag von Wärmespeichern
zur Integration erneuerbarer Energien: Studie im Auftrag der AGFW. Hrsg. von Prognos AG.
2011.
[111]
Alexander Zerrahn und Wolf-Peter Schill. „On the representation of demand-side management
in power system models“. In: Energy 84 (2015), S. 840–845. ISSN: 03605442. DOI:
10.1016/
j.energy.2015.03.037.
114
