open_eGoNetzebenenübergreifendes Planungsinstrument – zur Bestimmung des optimalen Netz- und Speicherausbaus in Deutschland – integriert in einer OpenEnergy-Plattform Projektabschlussbericht Netzebenenübergreifendes Planungsinstrument — zur Bestimmung des optimalen Netz- und Speicherausbaus in Deutschland — integriert in einer OpenEnergyPlatform Autoren: Ulf Philipp Müller, Birgit Schachler, Wolf-Dieter Bunke, Julian Bartels, Martin Glauer, Clara Büttner, Stephan Günther, Editha Kötter, Ilka Cußmann, Ludwig Hülk, Malte Scharf, Till Mossakowski, Jochen Wendiggensen unter Mitwirkung von: Guido Plessmann, Jonathan Amme, Martin Söthe, Katharina Esterl, Eva Wiechers Verbundkoordination: Prof. Dr. Jochen Wendiggensen Zentrum für nachhaltige Energiesysteme (ZNES) Hochschule Flensburg – University of Applied Sciences Projektpartner: Europa-Universität Flensburg Reiner Lemoine Institut gGmbH Otto-von-Guericke-Universität Magdeburg DLR-Institut für Vernetzte Energiesysteme e.V. April 2019 Abschlussbericht: open_eGo - Netzebenenübergreifendes Planungsinstrument - zur Bestimmung des optimalen Netz- und Speicherausbaus in Deutschland - integriert in einer OpenEnergyPlatform Förderkennzeichen: 0325881 (A-E) Projektträger: Projektträger Jülich - Forschungszentrum Jülich GmbH (PtJ) Projektzeitraum: 01.08.2015 – 31.10.2018 Impressum: Zentrum für nachhaltige Energiesysteme (ZNES) Hochschule Flensburg – University of Applied Sciences Kanzleistraße 91-93 24943 Flensburg www.hs-flensburg.de Forschungsergebnisse Ausgabe 8 ISSN: 2196-7164 (Online Version) Projekthomepage: openegoproject.wordpress.com Lizenz: Für jeden Inhalt und Grafiken gilt – soweit nicht anders gekennzeichnet die: Creative Commons - Namensnennung - Weitergabe unter gleichen Bedingungen 3.0 Deutschland (CC BY-SA 3.0 DE) Das diesem Bericht zugrundeliegende Vorhaben wurde mit Mitteln des Bundesmi- nisteriums für Wirtschaft und Energie unter dem Förderkennzeichen 0325881 (A-E) gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Au- tor. https://openegoproject.wordpress.com/ https://creativecommons.org/licenses/by/3.0/de Zusammenfassung Zusammenfassung Die Entwicklung und Modellierung des zukünftigen deutschen Energiesystems ist durch eine Vielzahl von Akteuren und intransparenten Modellen geprägt. Darüber hinaus dominieren einerseits netzebenenspezifische Netzausbauplanungen und an- dererseits allgemeine Energiesystemmodelle den Planungsprozess der Energiewende. Das Ziel des Forschungsprojekts open_eGo bestand darin, ein transparentes, netze- benenübergreifendes Planungsinstrument auszuarbeiten, welches volkswirtschaftlich optimalen Netz- und Speicherausbau für Deutschland bestimmen kann und im Zu- sammenspiel mit einer offenen Energiesystemmodellierungsplattform fungiert. Die um das Netzplanungsinstrument eGo herum geschaffene Open-Source-Tool-Land- schaft kann alle Spannungsebenen in Deutschland modellieren, die grundsätzlichen Funktionsweisen des Strommarktes unter Berücksichtigung des physikalischen AC- Lastflussverhaltens simulieren und gleichzeitig Netz- und Speicherausbau integriert optimieren. Des Weiteren ermöglicht die im Projekt entwickelte OpenEnergyPlat- form eine systematisierte, modellübergreifende Nutzung offener Energiedaten. Das geschaffene Datenmodell umfasst offene Netzmodelle für die Höchstspannungs- und Hochspannungs- sowie Mittelspannungs- und Niederspannungsebene. Grund- legend basieren diese Netzmodelle auf einer geografisch hochaufgelösten Verteilung von Erzeugung und Verbrauch. Diese Erzeuger und Verbraucher weisen ein stündlich variierendes Verhalten innerhalb verschiedener Szenariojahre auf. Drei wesentliche Szenarien wurden entwickelt, die in erster Linie den gegenwärtigen (Status Quo- Szenario) und zukünftigen (NEP 2035 - und eGo 100 -Szenario) Kraftwerkspark dar- stellen. Die Netztopologie der Höchst- und Hochspannungsebene wird im Wesentli- chen aus OpenStreetMap-Daten mittels des Tools osmTGmod erstellt. Mit Hilfe von Annahmen zu den elektrischen Eigenschaften der Betriebsmittel und einer Zuord- nungsmethode von Verbrauch und Erzeugung zu adäquaten Netzverknüpfungspunk- ten wird ein Netzmodell geschaffen, welches als Basis für wirtschaftliche Optimierun- gen als auch lineare und nicht-lineare AC-Lastflussberechnungen dient. Dieses Mo- dell umfasst die Gesamtheit des Verbrauchs und der Erzeugung. Ein- bzw. Ausspei- ser der unteren Spannungsebenen sind als Aggregate an der Hochspannungsebene angeschlossen. Zur Abbildung der Mittel- und Niederspannungs-Netztopologien wurde aufgrund mangelnder Datenlage (u.a. der OpenStreetMap-Daten) das Tool ding0 zur syn- I Zusammenfassung thetischen Generierung der Netztopologien erstellt. ding0 ist in der Lage, ländliche und suburbane Netzstrukturen, welche den örtlichen Verbrauchs- und Erzeugungs- gegebenheiten angepasst sind, zu generieren. Hierfür wird bezüglich der Mittelspan- nungs-Netztopologien imWesentlichen ein Routing Algorithmus verwendet, während im Falle der Niederspannungsnetze Referenznetze die Grundlage bilden. Mit Hilfe der Netzmodelle können die entwickelten Netzplanungsinstrumente eTraGo, eDisGo bzw. eGo umfangreiche Simulations- und Optimierungsrechnungen zur Be- antwortung diverser Fragestellungen durchführen. Das Tool eTraGo zur Optimierung von Netz- und Speicherausbau auf Höchst- und Hochspannungsebene verwendet im Kern das ebenfalls offene Tool PyPSA. Hier finden insbesondere die lineare Leistungsfluss-Optimierung (LOPF) als auch nicht- lineare Lastflussberechnungen Anwendung. Unter Berücksichtigung technischer Ne- benbedingungen werden sowohl der Kraftwerkseinsatz als auch Investitionsentschei- dungen (Netz und Speicher) kostenminimal bestimmt und resultierende Wirk- und Blindleistungsflüsse modelliert. Räumliche und zeitliche Komplexitätsreduktionsme- thoden erlauben umfassende Optimierungsrechnungen in diversen Auflösungen und Rechenzeiten. Zur Bestimmung des Netzausbau- und -verstärkungsbedarfs in Mittel- und Nieder- spannungsnetzen unter Berücksichtigung von Flexibilitätsoptionen (Speicherintegra- tion und Abregelung) dient die Software eDisGo. Aufgrund des im Projekt gewähl- ten Top-Down-Ansatzes ist der Fokus des Tools die möglichst optimale Umsetzung der Vorgaben aus den darüberliegenenden Netzebenen bezüglich Abregelung und Speicherausbau zur Minimierung des Netzausbaubedarfs. Zu diesem Zweck werden heuristische Verfahren bereitgestellt. Netzausbaukosten werden auf Basis eines au- tomatisierten Verfahrens zur Netzverstärkung ermittelt. Die Integration der beiden Planungsinstrumente eTraGo und eDisGo liefert das Tool eGo. Dementsprechend stellt die Schnittstelle zwischen der Hochspannungs- und Mittelspannungsebene die wesentliche Funktion des Tools dar. Des Weiteren liefert eGo eine komplexitätsreduzierende Methode zum Clustern von Mittelspan- nungsnetzen, um ausgehend von der Berechnung repräsentativer Netze deutschland- weite Ergebnisse für alle Mittelspannungs- und Niederspannungsnetze abzuleiten. Letztlich lassen sich Netz- und Speicherausbaukosten für alle Spannungsebenen be- stimmen und auswerten. Für ein zukünftiges Energiesystem mit einer erneuerbaren Stromproduktion von 100% beläuft sich für die Höchst- und Hochspannungsebene der ko-optimierte deutsch- landweite Netz- und Speicherausbau auf 114GVA bzw. 14GW. Die Speicherinte- gration in der Mittelspannungsebene reduziert die dortigen Netzausbaukosten im II Zusammenfassung Mittel um 22%. Insgesamt werden die Netzausbaukosten in der Mittel- und Nie- derspannungsebene durch den Einsatz von Flexibilitätsoptionen (Abregelung und Speicherausbau) aber nur marginal gesenkt. Die Investitionskosten über alle Span- nungsebenen betragen 18,6Mrd.EUR für den Netz- und 11,1Mrd.EUR für den Speicherausbau. Um eine einfache Zusammenarbeit zwischen verschiedenen ModelliererInnen zu er- möglichen, bedarf es einer gemeinsamen Datenbasis und -schnittstelle. Zu diesem Zweck wurde mit der OEDB eine offene Datenbank für die Energiesystemmodel- lierung entwickelt. Neben dem Einspeisen verschiedener Datensätze wurden auch Kriterien für die Qualität und Dokumentation von Daten und Datensätzen erstellt. Diese Datenbank wird von allen im Projekt entwickelten Werkzeugen genutzt. Mit der OEP wird ein Webservice bereitgestellt, der es ModelliererInnen ermöglicht, die Daten der OEDB abzurufen und ihre eigenen Daten auf dieser zur Verfügung zu stellen. Die Plattform bietet außerdem Möglichkeiten, diese Daten zu dokumen- tieren und durch Tag- und Suchfunktionen leicht auffindbar zu machen. Mit den entwickelten Factsheets bietet die Plattform auch einen Überblick über existierende Energiesystemmodelle, -frameworks und -szenarien. III Mitwirkende Mitwirkende Gedankt sei an dieser Stelle herzlich den zahlreichen Menschen, die die erfolgreiche Umsetzung des Projektes erst ermöglicht haben. Seitens der am Projekt beteiligten Institute geht dieser Dank an die studentischen Hilfskräfte, PraktikantInnen, Bachelor- sowie Master-AbsolventInnen: Johanna Lau- sen1, Mario Kropshofer1, Hernan Felipe Torres Mejia1, Mirco Hansen2, Malte Scharf2, Marlon Schlemminger2, Kim Kanitz2, Marius Vespermann2, Manuel Linsenmeier3, Mohamed Abdelhafez3, Jonas Gütter3, Inga Löser3, Miguel Parada Contzen3, Mar- co Finkendei5, Tom Heimbrodt5, Till Isenhuth5, Aeman Malik5, Johann Wagner5, Jorge Mario Vélez Gutiérrez4, Oriol Raventós Morera4, Omio Zahid4 und Wilko Heitkötter4. Ein besonderer Dank geht an die MitarbeiterInnen aller Projektpartner, die erfolgreich an der Realisierung des Projektes gearbeitet haben: Ilka Cußmann2, Clara Büttner2, Ulf Philipp Müller2, Jochen Wendiggensen2, Clemens Wingenbach1, Simon Hilpert1, Stephan Günther1, Eva Wichers1, Martin Söthe1, Malte Scharf1, Wolf-Dieter Bunke1, Berit Müller3, Birgit Schachler3, Editha Kötter3, Jonathan Amme3, Guido Pleßmann3, Ludwig Hülk3, Jochen Bühler3, Matthias Resch3, Tho- mas Vogt4, Wided Medjroubi4, David Kleinhans4, Lukas Wienholt4, Carsten Matke4, Julian Bartels4, Martin Glauer5, Stephan Günther5 und Till Mossakowski5. Des Weiteren geht unser Dank an die Community der Open Energy Modelling In- itiative (openmod) und insbesondere an Tom Brown für seinen aktiven Austausch und Treffen mit dem Projektteam. Auch möchten wir uns bei allen wissenschaflichen MitarbeiterInnen und externen Studierenden, die auf Basis unserer Veröffentlichung ihre Arbeiten anfertigten und ihre Erkenntnisse dem Projektteam zurückgespielt haben, bedanken. Für die Betreuung des Projektes geht unser Dank an den PtJ, der in allen ad- ministrativen Fragen und Entscheidungen ein verlässlicher Partner war. Schließlich danken wir dem BMWi für die Finanzierung des Projektes. 1 Europa-Universität Flensburg 2 Hochschule Flensburg 3 Reiner Lemoine Institut 4 DLR-Institut für Vernetzte Energiesysteme 5 Otto-von-Guericke-Universität Magdeburg V Inhaltsverzeichnis Inhaltsverzeichnis Zusammenfassung I Mitwirkende IV Abkürzungsverzeichnis XIII Abbildungsverzeichnis XV Tabellenverzeichnis XIX 1 Einführung 1 1.1 Motivation und Ziele . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Projektpartner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3 Stand der Wissenschaft und innovativer Ansatz . . . . . . . . . . . . 5 1.4 Aufbau des Projekts . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung 11 2.1 Anforderungsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 OpenEnergyDatabase . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3 OpenEnergyPlatform . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3.1 Datensichten . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3.2 Factsheets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3.3 API und Dialekt . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.4 Lizenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 Lizenzwahl für Sourcecode . . . . . . . . . . . . . . . . . . . . 21 2.4.2 Lizenzwahl für Daten . . . . . . . . . . . . . . . . . . . . . . 25 3 Datengrundlage (exklusive Netzmodelle) 27 3.1 Szenarienerstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2 Technologieauswahl und installierte Leistungen . . . . . . . . . . . . 29 3.2.1 Erzeuger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2.2 Speicher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3 Kostenannahmen und -umrechnungen . . . . . . . . . . . . . . . . . 30 3.3.1 Marginalkosten . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3.2 Kapitalkosten . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 VII Inhaltsverzeichnis 3.3.3 Annualisierung der Kapitalkosten . . . . . . . . . . . . . . . . 34 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.1 Umspannwerke (HöS-HS und HS-MS) . . . . . . . . . . . . . 36 3.4.2 Übertragungsnetzgebiete . . . . . . . . . . . . . . . . . . . . . 38 3.4.3 Mittelspannungsnetzgebiete . . . . . . . . . . . . . . . . . . . 38 3.4.4 Lastgebiete . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.5 Niederspannungsnetzgebiete . . . . . . . . . . . . . . . . . . . 41 3.4.6 Verteilung des elektrischen Energiebedarfs . . . . . . . . . . . 41 3.4.7 Verteilung der Konventionellen & Erneuerbare-Energie-Anlagen 42 3.5 Erstellung von Zeitreihen . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.1 Lastzeitreihen . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5.2 Kraftwerkseinsatzzeitreihen . . . . . . . . . . . . . . . . . . . 46 3.5.3 Wetterabhängige potentielle Einspeisezeitreihen von Photovoltaik- und Windkraftanlagen . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Kritische Betrachtung der Ergebnisse . . . . . . . . . . . . . . . . . . 50 3.7 Umsetzung und Anwendung in der Open-Source-Umgebung . . . . . 52 4 Netzmodelle 55 4.1 Netzdatenmodell der HöS- und HS-Ebene . . . . . . . . . . . . . . . 55 4.1.1 Modellierung der Netztopologie . . . . . . . . . . . . . . . . . 55 4.1.2 Annahmen zu den elektrischen Betriebsmitteleigenschaften . 58 4.1.3 Zuordnung von Erzeugungs-, Verbrauchs- und Speicherdaten zum Netzmodell . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.1.4 Modellierung der Netzverbindungen zu Nachbarstaaten . . . 63 4.1.5 Kritische Betrachtung . . . . . . . . . . . . . . . . . . . . . . 65 4.1.6 Anwendung des Tools . . . . . . . . . . . . . . . . . . . . . . 67 4.2 Netzdatenmodell der MS- und NS-Ebene . . . . . . . . . . . . . . . . 67 4.2.1 Modellierung von Mittelspannungsnetzen . . . . . . . . . . . 68 4.2.1.1 Methodische Kurzzusammenfassung . . . . . . . . . 68 4.2.1.2 Zentrale Annahmen . . . . . . . . . . . . . . . . . . 69 4.2.1.3 Ermittlung der initialen Ringtopologie . . . . . . . . 70 4.2.1.4 Verbesserung der initialen Topologie . . . . . . . . . 70 4.2.1.5 Erweiterung der initialen Topologie . . . . . . . . . 71 4.2.1.6 Überprüfung der Netzbelastung und etwaige Netz- verstärkung . . . . . . . . . . . . . . . . . . . . . . . 72 4.2.2 Modellierung von Niederspannungsnetzen . . . . . . . . . . . 73 4.2.3 Kritische Betrachtung . . . . . . . . . . . . . . . . . . . . . . 75 4.2.3.1 Statistische Auswertung . . . . . . . . . . . . . . . . 76 4.2.3.2 Qualitative Auswertung . . . . . . . . . . . . . . . . 77 VIII Inhaltsverzeichnis 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene 79 5.1 Optimierungsverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . 80 5.1.1 Technische Nebenbedingungen der Optimierung . . . . . . . . 81 5.1.2 Speicherausbau . . . . . . . . . . . . . . . . . . . . . . . . . . 83 5.1.3 Netzausbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 5.1.3.1 Begrenzung des maximalen Ausbaus je Leitung . . . 85 5.1.3.2 Vorauswahl von Leitungen mit potentiellen Engpässen 85 5.1.4 Optionale globale Nebenbedingungen . . . . . . . . . . . . . . 87 5.1.5 Strategien zur Verbesserung der Lösbarkeit und Verringerung der Rechenzeit . . . . . . . . . . . . . . . . . . . . . . . . . . 88 5.2 Berücksichtigung von Blindleistung . . . . . . . . . . . . . . . . . . . 90 5.2.1 Nicht-lineare AC-Lastflussberechnung . . . . . . . . . . . . . 90 5.2.2 Anpassungen und Umsetzung in eTraGo . . . . . . . . . . . . 92 5.3 Komplexitätsreduktion . . . . . . . . . . . . . . . . . . . . . . . . . . 93 5.3.1 Räumliche Ansätze . . . . . . . . . . . . . . . . . . . . . . . . 93 5.3.1.1 K-Means-Clustering . . . . . . . . . . . . . . . . . . 93 5.3.1.2 eHV-Clustering . . . . . . . . . . . . . . . . . . . . . 95 5.3.2 Zeitliche Ansätze . . . . . . . . . . . . . . . . . . . . . . . . . 96 5.3.2.1 Snapshot Skipping . . . . . . . . . . . . . . . . . . . 96 5.3.2.2 Snapshot Clustering . . . . . . . . . . . . . . . . . . 96 5.4 Anwendungsfälle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 5.4.1 Optimaler Speicherausbau . . . . . . . . . . . . . . . . . . . . 98 5.4.1.1 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . 99 5.4.1.2 Sensitivitätsanalyse . . . . . . . . . . . . . . . . . . 100 5.4.2 Optimaler Netz- und Speicherausbau . . . . . . . . . . . . . . 102 5.4.2.1 Ergebnisse NEP 2035 -Szenario . . . . . . . . . . . . 102 5.4.2.2 Ergebnisse eGo 100 -Szenario . . . . . . . . . . . . . 103 5.4.3 Die Rolle der Hochspannungsebene . . . . . . . . . . . . . . . 104 5.4.3.1 Methodik . . . . . . . . . . . . . . . . . . . . . . . . 104 5.4.3.2 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . 105 5.4.3.3 Diskussion . . . . . . . . . . . . . . . . . . . . . . . 107 5.4.4 Netzausbau nach dem Netzentwicklungsplan . . . . . . . . . . 108 5.4.4.1 Methodik . . . . . . . . . . . . . . . . . . . . . . . . 108 5.4.4.2 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . 109 5.4.4.3 Diskussion . . . . . . . . . . . . . . . . . . . . . . . 111 5.4.5 Simulation von Einspeisemanagementeinsätzen in Schleswig- Holstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.5 Kritische Betrachtung der Methodik und Ergebnisse . . . . . . . . . 117 5.6 Anwendung des Tools . . . . . . . . . . . . . . . . . . . . . . . . . . 120 IX Inhaltsverzeichnis 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS 123 6.1 Netzausbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 6.1.1 Bestimmung des Netzausbaubedarfs . . . . . . . . . . . . . . 124 6.1.2 Standard-Netzausbauvarianten . . . . . . . . . . . . . . . . . 126 6.1.3 Berechnung der Netzausbaukosten . . . . . . . . . . . . . . . 127 6.2 Abregelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 6.3 Speichereinsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 6.4 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.4.1 Netzausbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.4.1.1 Ergebnisse für ein exemplarisches Mittelspannungsnetz134 6.4.1.2 Ergebnisse für Gesamtdeutschland . . . . . . . . . . 136 6.4.2 Abregelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.4.2.1 Ergebnisse für ein exemplarisches Mittelspannungsnetz138 6.4.2.2 Ergebnisse für Gesamtdeutschland . . . . . . . . . . 140 6.4.3 Speicherausbau . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.5 Diskussion der Methodiken und Ergebnisse . . . . . . . . . . . . . . 144 6.6 Anwendung des Tools . . . . . . . . . . . . . . . . . . . . . . . . . . 146 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems 149 7.1 Schnittstelle HS- und MS-Ebene . . . . . . . . . . . . . . . . . . . . 150 7.2 Komplexitätsreduktion in der Mittelspannungsebene . . . . . . . . . 154 7.3 Netzebenenübergreifende Kostenberechnung . . . . . . . . . . . . . . 157 7.4 Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 7.4.1 Spannungsebenenübergreifende Korrelationsanalysen . . . . . 158 7.4.2 Netzebenenübergreifender Netz- und Speicherausbau . . . . . 160 7.4.3 Sensitivitätsanalyse . . . . . . . . . . . . . . . . . . . . . . . 164 7.5 Kritische Betrachtung der Methodik und Ergebnisse . . . . . . . . . 168 7.6 Anwendung des Tools . . . . . . . . . . . . . . . . . . . . . . . . . . 171 8 Wissenschaftliche Verwertung 177 8.1 Eigenveranstaltete Workshops und Tutorials . . . . . . . . . . . . . . 178 8.1.1 Workshop zur Ausgestaltung der OpenEnergyPlatform . . . . 178 8.1.2 Workshops zur Transparenz und Reproduzierbarkeit . . . . . 178 8.1.3 Workshop zur Methodik und Datengrundlage auf Höchst- und Hochspannungsebene . . . . . . . . . . . . . . . . . . . . . . . 179 8.1.4 Workshop zur Methodik und Datengrundlage auf Mittel- und Niederspannungsebene . . . . . . . . . . . . . . . . . . . . . . 180 8.1.5 Tutorial und Workshop OEP . . . . . . . . . . . . . . . . . . 180 8.1.6 open_eGo-Abschlussworkshop . . . . . . . . . . . . . . . . . 181 X Inhaltsverzeichnis 8.2 Beiträge auf Tagungen und Konferenzen . . . . . . . . . . . . . . . . 182 8.2.1 Beteiligung an der Open Energy Modelling (openmod) Com- munity und den zugehörigen Workshops . . . . . . . . . . . . 182 8.2.2 Beteiligung am Forschungsnetzwerk Energiesystemanalyse . . 183 8.2.3 Etablierung einer Fachgruppe unter dem Dach der Arbeits- gemeinschaft Simulation (ASIM) . . . . . . . . . . . . . . . . 184 8.2.4 Weitere Beteiligungen an Konferenzen . . . . . . . . . . . . . 184 8.3 Veröffentlichungen und studentische Arbeiten . . . . . . . . . . . . . 186 8.3.1 Wissenschaftliche Publikationen . . . . . . . . . . . . . . . . 186 8.3.2 Poster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 8.3.3 Studentische Arbeiten . . . . . . . . . . . . . . . . . . . . . . 187 8.3.4 Modell- und Datenveröffentlichungen . . . . . . . . . . . . . . 188 8.4 Projektexterne Verwertung . . . . . . . . . . . . . . . . . . . . . . . 189 8.4.1 Projekt open_FRED . . . . . . . . . . . . . . . . . . . . . . . 190 8.4.2 Projekt SzenarienDB . . . . . . . . . . . . . . . . . . . . . . 190 8.4.3 Projekt Einsparzähler . . . . . . . . . . . . . . . . . . . . . . 191 8.4.4 Projekt BuergEN . . . . . . . . . . . . . . . . . . . . . . . . . 191 8.4.5 Factsheets: MODEX vom BMWi und Horizon 2020 . . . . . 191 8.4.6 Projekt demandRegio . . . . . . . . . . . . . . . . . . . . . . 192 8.4.7 Projekt SimBench . . . . . . . . . . . . . . . . . . . . . . . . 192 8.4.8 Weitere externe Verwertung . . . . . . . . . . . . . . . . . . . 192 9 Fazit 195 10 Ausblick 201 Literaturverzeichnis 207 A Anhang i A.1 Anhang nach Kapitel . . . . . . . . . . . . . . . . . . . . . . . . . . . i XI Abkürzungsverzeichnis Abkürzungsverzeichnis ASIM . . . . . . . . . Arbeitsgemeinschaft Simulation BBPlG . . . . . . . . Bundesbedarfsplangesetz BDEW . . . . . . . . Bundesverband der Energie- und Wasserwirtschaft BMWi . . . . . . . . . Bundesministerium für Wirtschaft und Energie BNetzA . . . . . . . Bundesnetzagentur ding0 . . . . . . . . . . DIstribution Network GeneratOr DLR-VE . . . . . . DLR-Institut für Vernetzte Energiesysteme e. V. eDisGo . . . . . . . . Electricity Distribution Grid Optimization EE . . . . . . . . . . . . Erneuerbare Energien EEA . . . . . . . . . . Erneuerbare-Energie-Anlagen EEG . . . . . . . . . . Erneuerbare-Energien-Gesetz eGo . . . . . . . . . . . Electricity Grid Optimization EinsMan . . . . . . Einspeisemanagement EnLAG . . . . . . . . Energieleitungsausbaugesetz eTraGo . . . . . . . . Electricity Transmission Grid Optimization FEE . . . . . . . . . . . fluktuierende Erneuerbare Energien GHD . . . . . . . . . . Gewerbe, Handel und Dienstleistung HS . . . . . . . . . . . . Hochspannung HöS . . . . . . . . . . . Höchstspannung KWK . . . . . . . . . Kraft-Wärme-Kopplung LOPF . . . . . . . . . linear optimal power flow MS . . . . . . . . . . . . Mittelspannung NEP . . . . . . . . . . Netzentwicklungsplan NS . . . . . . . . . . . . Niederspannung OEDB . . . . . . . . . OpenEnergyDatabase oemof . . . . . . . . . Open Energy Modelling Framework OEP . . . . . . . . . . OpenEnergyPlatform XIII Abkürzungsverzeichnis ONS . . . . . . . . . . . Ortsnetzstation openmod . . . . . . Open Energy Modelling Initiative OPSD . . . . . . . . . Open Power System Data OSM . . . . . . . . . . Open Street Map osmTGmod . . . . Open Source German Transmission Grid Model OVGU . . . . . . . . Otto-von-Guericke-Universität PF . . . . . . . . . . . . power flow PV . . . . . . . . . . . . Photovoltaik PyPSA . . . . . . . . Python for Power System Analysis renpass . . . . . . . . Renewable Energy Pathways Simulation System RLI . . . . . . . . . . . Reiner Lemoine Institut SQL . . . . . . . . . . . Structured Query Language UW . . . . . . . . . . . Umspannwerk VNB . . . . . . . . . . Verteilnetzbetreiber WKA . . . . . . . . . Windkraftanlage ZNES . . . . . . . . . Zentrum für nachhaltige Energiesysteme ÜNB . . . . . . . . . . Übertragungsnetzbetreiber XIV Abbildungsverzeichnis Abbildungsverzeichnis 2.1 Darstellung der Metadaten auf der OEP. . . . . . . . . . . . . . . . . 15 2.2 Tabellendarstellung einer Kraftwerksliste. . . . . . . . . . . . . . . . 17 2.3 Graphendarstellung einer Einspeisezeitreihe. . . . . . . . . . . . . . . 17 2.4 Kartendarstellung einer Kraftwerksliste. . . . . . . . . . . . . . . . . 18 2.5 Ausschnitt aus dem Überblick der Modell-Factsheets OEP. . . . . . 19 2.6 Nutzung der OEP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1 Betrachtete Netzebenen und deren Schnittstellen . . . . . . . . . . . 36 3.2 Beispiel für die Erstellung von MS-Netzgebieten . . . . . . . . . . . . 39 3.3 Erstellung der Lastgebiete . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4 BDEW-Standardlastprofile und industrielles Stufenprofil für eine ex- emplarische Woche . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Wetterzellen der Einspeisezeitreihen . . . . . . . . . . . . . . . . . . 47 3.6 Geografische Verteilung der Onshore-Referenzanlagen . . . . . . . . 50 3.7 Bottom-Up-Methode der Lastzeitreihenerstellung im Vergleich zur ENTSOE-Last . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.1 Exogene Netzausbauszenarien nach dem NEP . . . . . . . . . . . . . 58 4.2 Installierten Erzeugungsleistungen und Verbrauch je Mittelspannungs- netzgebiet (resp. Hochspannung (HS)-Mittelspannung (MS)-Umspannwerk (UW)) im Status Quo-Szenario. . . . . . . . . . . . . . . . . . . . . . 61 4.3 Verteilung von installierten Leistungen im HöS-Netz. . . . . . . . . . 62 4.4 Unterschiedliche denkbare Orte für unterirdische Wasserstoffspeicher mit Anschluss an das Stromnetz . . . . . . . . . . . . . . . . . . . . 62 4.5 Übersicht der Nachbarländer . . . . . . . . . . . . . . . . . . . . . . 63 4.6 Vergleich der grenzüberschreitenden Leitungskapazitäten. . . . . . . 66 4.7 Graphoperatoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.8 Entwicklung von MS-Netztopologien. . . . . . . . . . . . . . . . . . . 72 4.9 Leitungsbelastungen und Spannungsabweichungen vor und nach Netz- verstärkung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 5.1 eTraGo: Funktionsweise und Einordnung in die Tool-Landschaft. . . 79 5.2 Abweichungen des Netzausbaus mit Vorauswahl von Leitungen mit potentiellen Engpässen . . . . . . . . . . . . . . . . . . . . . . . . . . 87 XV Abbildungsverzeichnis 5.3 Exemplarische Visualisierung des EM-Algorithmus . . . . . . . . . . 94 5.4 Netzmodell in Deutschland vor und nach dem eHV-Clustering . . . . 96 5.5 Eingespeiste Solarleistung normiert auf die Kapazität für jede Stunde des Jahres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 5.6 Räumliche Verteilung des Speicherausbaus. . . . . . . . . . . . . . . 99 5.7 Sortierte Jahresdauerline je Speichertechnologie. . . . . . . . . . . . 100 5.8 Speicherfüllstand im Jahresverlauf je Speichertechnologie . . . . . . 100 5.9 Räumliche Verteilung des Speicherausbaus bei einem EE-Anteil von 67%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 5.10 Räumliche Verteilung von Netz- und Speicherausbau im NEP 2035 - Szenario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 5.11 Räumliche Verteilung von Netz- und Speicherausbau im eGo 100 - Szenario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 5.12 Abweichungen im Kraftwerkseinsatz zwischen Ansatz A und B . . . 106 5.13 Mittlere Leitungsauslastung für Ansatz A und B in % . . . . . . . . 107 5.14 Räumliche Verteilung von Speicherausbau-Kapazitäten in MW für Ansatz A und B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 5.15 Ermittelter Ausbaubedarf der Leitungen des NEP im Vergleich zu der geplanten Übertragungskapazität . . . . . . . . . . . . . . . . . . . . 109 5.16 Ermittelter Ausbaubedarf der Leitungen des NEP im Vergleich zu der geplanten Übertragungskapazität mit minimalem Anteil EE . . . . . 110 5.17 Modellierten Abschaltungen (nach EinsMan) im Vergleich zur Refe- renzzeitreihe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5.18 Verteilung des Prognosefehlers. . . . . . . . . . . . . . . . . . . . . . 116 5.19 Regionale EinsMan-Abschaltungen (Must-Run-Szenario). . . . . . . 117 6.1 eDisGo: Funktionsumfang und Einordnung in die Tool-Landschaft . 123 6.2 Angewendete Netzausbaumaßnahmen . . . . . . . . . . . . . . . . . 126 6.3 Verwendeter linearer Zusammenhang zur Zuweisung der abzuregeln- den Leistung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 6.4 Veranschaulichung der Ermittlung der Speichergröße, welche die ma- ximale Leitungsbelastung des betrachteten MS-Abgangs minimiert . 132 6.5 MS-Netztopologie des exemplarischen Mittelspannungsnetzes für die Szenarien Status Quo und NEP 2035 . . . . . . . . . . . . . . . . . . 134 6.6 Maximale Leitungsbelastungen und Spannungsabweichungen vor und nach Netzverstärkung . . . . . . . . . . . . . . . . . . . . . . . . . . 135 6.7 Netzausbaukosten für Betriebsmittel in der MS sowie die MS-NS- Umspannebene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 6.8 Vergleich von gesamtdeutschen Netzausbaukosten . . . . . . . . . . . 137 XVI Abbildungsverzeichnis 6.9 Absolute Häufigkeitsdichten der Leitungsüberlastungen und Span- nungsbandverletzungen . . . . . . . . . . . . . . . . . . . . . . . . . 139 6.10 Gesamtdeutsche Netzausbaukosten . . . . . . . . . . . . . . . . . . . 140 6.11 Kumulierte Last und Erzeugung in dem betrachteten MS-Netzgebiet 141 6.12 Ermittelte Speicherstandorte und -größen . . . . . . . . . . . . . . . 142 6.13 Leitungsbelastung am UW der beiden MS-Abgänge, in denen Spei- cher integriert wurden, für verschiedene Speichergrößen . . . . . . . 142 6.14 Leitungsbelastungen und Spannungsabweichungen vor sowie nach Spei- cherintegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 7.1 Übersicht der Modell-Integration von open_eGo . . . . . . . . . . . 149 7.2 Abschnitt des Übertragungsnetzes mit einem beispielhaften MS-Netz und der entsprechenden HS-MS-Umspannstation . . . . . . . . . . . 151 7.3 Exemplarische Darstellung der Disaggregation von Speichern . . . . 152 7.4 Relative Abweichung der berechneten Netzausbaukosten je Clustergröße156 7.5 MS-Netz Cluster für Auswahl von repräsentativen Netzen . . . . . . 157 7.6 Netzgebietbezogener Pearson Korrelationskoeffizient zwischen Eng- pässen der HS- und HöS-Ebene . . . . . . . . . . . . . . . . . . . . . 160 7.7 Pearson Korrelationskoeffizient zwischen Engpässen der MS- und HS- Ebene für MS-Netzgebiete mit stark ausgeprägten Engpässen . . . . 160 7.8 Netz- und Speicherausbau eines repräsentativen MS-Netz . . . . . . 163 7.9 Netz- und Speicherausbaukosten für alle Spannungsebenen . . . . . . 164 7.10 Beispiel der eGo-Objektinitialisierung . . . . . . . . . . . . . . . . . 174 7.11 Übersicht des Objektaufbaus des Tools eGo . . . . . . . . . . . . . . 174 7.12 Beispiel iplot der Gesamtergebnisse von eGo . . . . . . . . . . . . . . 175 9.1 Räumliche Verteilung von Netz- und Speicherausbau im eGo 100 - Szenario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198 9.2 Netz- und Speicherausbaukosten für alle Spannungsebenen . . . . . . 199 XVII Tabellenverzeichnis Tabellenverzeichnis 2.1 Relevante Copyleft-Lizenzen . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Relevante Non-Copyleft-Lizenzen . . . . . . . . . . . . . . . . . . . . 23 2.3 Vergleich der Lizenztypen für Projektsoftware in open_eGo. . . . . . 24 2.4 Lizenzierung in anderen Open-Source-Projekten. . . . . . . . . . . . 24 3.1 Charakterisierung der Szenarien nach Schlüsselparametern . . . . . . 28 3.2 Installierte Erzeugungskapazitäten pro Szenario . . . . . . . . . . . . 29 3.3 Installierte Speicherkapazitäten pro Szenario . . . . . . . . . . . . . 30 3.4 Zusammenstellung der technischen Annahmen für Batterie- , Wasserstoff- und Pumpspeicher . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5 Exogene Annahmen der Marginalkosten nach Energieträger/Erzeu- gung und Szenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6 Exogene Annahmen zu den Netzausbaukosten in der MS und NS . . 32 3.7 Exogene Annahmen zu den Netzausbaukosten in der HöS-HS-Ebene 32 3.8 Exogene Annahmen zu den Speicherausbaukosten pro Szenario . . . 33 3.9 Parameter der Annualisierung pro Szenario . . . . . . . . . . . . . . 35 3.10 Annualisierte Kosten pro Szenario . . . . . . . . . . . . . . . . . . . 35 3.11 Abstraktionsprozess zur Herleitung der Höchstspannung (HöS)- und HS-UW basierend auf OpenStreetMap (OSM )-Daten [1]. . . . . . . . 37 3.12 Zuordnung der Generatoren zur Spannungsebene sowie Gesamtkapa- zitäten pro Spannungsebene für Deutschland . . . . . . . . . . . . . 42 3.13 Anteil der Onshore-Referenzanlagen nach Szenario . . . . . . . . . . 48 3.14 Technische Parameter der Onshore-Referenzanlagen . . . . . . . . . 49 3.15 Korrekturfaktoren und Volllaststunden der Wind-Referenzanlagen . 49 4.1 Qualität von OSM-Daten und deren Berücksichtigung in Netzmodel- len je Spannungsebene [2]. . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2 Überblick über das resultierende Netzmodell der HöS- und HS-Ebene 57 4.3 Elektrische Parameter für über- und unterirdische Stromleitungen der HöS- und HS-Ebene . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.4 Annahmen zum Zusammenhang zwischen installierter Kraftwerksleis- tung und Netzebenenanschluss . . . . . . . . . . . . . . . . . . . . . 60 4.5 Zuordnung der Niederspannungsnetzgebiete zu Netzklassen . . . . . 74 4.6 Vergleich von Modellwerten für Betriebsmittel mit realen Werten . . 76 XIX Tabellenverzeichnis 4.7 Mediane bzw. Mittelwerte untersuchter Variablen für entsprechende MS-Netz-Datensätze . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5.1 Abweichungen der Rechnungen mit Vorauswahl von ausbaufähigen Leitungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 5.2 Relativer Unterschied der jährlichen Systemkosten zwischen Ansatz A und B in den verschiedenen Szenariovarianten . . . . . . . . . . . 105 5.3 Zusammenstellung der Ergebnisse der Berechnungen des Netzausbaus nach dem NEP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.4 Fehler und Pearson-Korrelation je Szenarien. . . . . . . . . . . . . . 115 5.5 Basis-Einstellungsmöglichkeiten von eTraGo. . . . . . . . . . . . . . 122 6.1 Verwendete Skalierungsfaktoren für die Betriebsfälle Starklastfall und Rückspeisefall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 6.2 Verwendete Spannungsbandaufteilung . . . . . . . . . . . . . . . . . 125 6.3 Verwendete zulässige Betriebsmittelbelastungen im ungestörten Betrieb125 6.4 Verwendete Standardbetriebsmittel für Netzverstärkungsmaßnahmen 127 6.5 Rahmenparameter der verglichenen Szenarien. . . . . . . . . . . . . . 137 7.1 Vergleich der Netzausbaukosten je Szenario für die MS- und NS-Ebene im Rahmen von Rechnungen mit 20 Clusternetzen . . . . . . . . . . 161 7.2 Vergleich der Netzausbaukosten je Szenario für die MS- und NS-Ebene im Rahmen von Rechnungen mit 600 Clusternetzen . . . . . . . . . . 162 7.3 Überblick der netzebenenübergreifenden Ausbaukosten für die entwi- ckelten Grundszenarien. . . . . . . . . . . . . . . . . . . . . . . . . . 166 7.4 Überblick der netzebenenübergreifenden Ausbaukostenveränderungen für diverse Sensitivitäten . . . . . . . . . . . . . . . . . . . . . . . . . 167 7.5 Übersicht der eGo-Einstellungsparameter . . . . . . . . . . . . . . . 174 A.1 Investitionskosten nach Energieträger pro Szenario . . . . . . . . . . i A.2 Übersicht der Dataprocessing Skripte . . . . . . . . . . . . . . . . . . iv XX 1 Einführung Das Projekt open_eGo wurde über einen Zeitraum von drei Jahren und drei Mo- naten zwischen dem 01.08.2015 und dem 31.10.2018 bearbeitet. In diesem Zeitraum förderte das Bundesministerium für Wirtschaft und Energie (BMWi) das Projekt im Rahmen der Förderinitiative „Optimierung der Stromversorgungssysteme“ mit insgesamt ca. 1,8 Mio EUR. Im Folgenden werden einleitend die Motivation und Zie- le des Projekts erläutert sowie die Projektpartner vorgestellt. Darüber hinaus wird der übergeordnete Stand der Wissenschaft und der sich daraus ableitende innovative Ansatz des Projekts beschrieben. Die in diesem Sinne gewählte allgemeine Vorge- hensweise, aus der sich auch der Aufbau des Berichts ableitet, ist im Unterkapitel 1.4 dargelegt. 1.1 Motivation und Ziele Das Projekt open_eGo dient der Erstellung eines transparenten, netzebenenüber- greifenden Planungsinstruments zur Ermittlung volkswirtschaftlich günstiger Netz- ausbauszenarien unter Berücksichtigung alternativer Flexibilitätsoptionen wie z.B. dem Einsatz von Speichern oder Redispatch-Maßnahmen. Die Entwicklung des Pla- nungsinstruments eGo (Akronym für electricity Grid optimization) erfolgte auf ei- ner öffentlich zugänglichen virtuellen Forschungsplattform, der OEP (Akronym für OpenEnergyPlatform), die ebenfalls im Rahmen des Projekts entwickelt worden ist. Diese Forschungsplattform zielt dabei auch darauf ab, Akteuren der Energiewende einen Baustein zur Partizipation bereitzustellen. Innerhalb des Projektes werden aktuelle Probleme der Netzausbauplanung, die im Zusammenhang mit der Energiewende stehen, aufgegriffen und mit einer effizienten Nutzung von Ressourcen im Bereich der Energiesystemmodellierung verknüpft. Das deutsche Stromnetz wird von über 800 verschiedenen Netzbetreibern bewirtschaf- tet. Die daraus resultierende Vielzahl von Interessen steht im Spannungsfeld mit den volkswirtschaftlichen Herausforderungen der Energiewende, die eine ganzheitli- che Netzplanung erfordern. Zu Projektbeginn fehlte es jedoch an einem geeigneten Netzplanungsinstrument, das eine volkswirtschaftlich optimale Nutzung von Flexi- bilitätsoptionen auf verschiedenen Ebenen berücksichtigen kann. 1 1 Einführung Der Bereich Energiesystemanalyse und -modellierung ist gegenwärtig von proprietä- rer Modellentwicklung und intransparentem Umgang mit verwendeten Eingangsda- ten geprägt. In Bezug auf Forschung, die die Netzausbauplanung betrifft, führt dies zu einem Mangel an Transparenz und Partizipationsmöglichkeiten interessierter Ak- teure. Durch die Entwicklung der öffentlich zugänglichen virtuellen Forschungsplatt- form OEP werden Transparenz, Partizipation und die Bündelung der eingesetzten Ressourcen erzielt. Die Entwicklung des Netzplanungsinstrumentes eGo auf dieser Plattform wurde mit dem Ziel verfolgt, ebendiese Attribute auf einen Grundpfeiler der Energiewende, nämlich die Netzausbauplanung, zu übertragen. Es ist somit ein Werkzeug geschaf- fen worden, welches von allen Akteuren genutzt werden kann und die verwendete Datengrundlage für die Berechnungen offenlegt. Dies zielt darauf ab, die Beteiligung am gesellschaftlichen Prozess der Energiewende zu steigern. Insgesamt werden durch das geschaffene netzebenenübergreifende Netzplanungsinstrument neue Optionen für eine volkswirtschaftlich optimal ausgestaltete Netzausbauplanung sichtbar gemacht und durch die erweiterten Beteiligungsoptionen die Akzeptanz der Energiewende gefestigt. 1.2 Projektpartner Das Projekt open_eGo wurde in Kooperation von vier Forschungsinstituten bzw. Hochschulen erarbeitet und durchgeführt. Die Verbundkoordination erfolgte durch das Zentrum für nachhaltige Energiesysteme (ZNES) seitens der Hochschule Flens- burg. Im Folgenden werden die einzelnen Projektpartner kurz vorgestellt. Zentrum für nachhaltige Energiesysteme - Hochschule und Europa-Universität Flensburg Das ZNES ist ein interdisziplinäres Forschungs- und Entwicklungszentrum der Hoch- schule Flensburg und Europa-Universität Flensburg. Das Zentrum hat sich die Er- forschung, Entwicklung und Implementierung dauerhaft umwelt- und klimaverträg- licher Energiesysteme und Energietechnologien zum Ziel gesetzt. Die Hochschule liefert im ZNES primär die energietechnischen Kompetenzen aus den Bereichen Elektro-, Regelungs-, Kraftwerks- und Regenerative Energietechnik. Komplemen- tär liegt der Fokus der Universität vor allem im Bereich der energiewirtschaftlichen Fragestellungen. Im Bereich der herkömmlichen Netzberechnung stehen den Hoch- schulen einschlägige Software wie SINCAL, NEPLAN, PowerFactory und Matlab Simulink zur Verfügung, welche in Lehre und Forschung genutzt werden. 2 1.2 Projektpartner Wie viele der bisherigen Arbeiten wurde auch das Forschungsprojekt open_eGo in enger Verzahnung der beiden Hochschulen durchgeführt. Dabei konnte von Er- fahrungen vorangegangener Projekte und Arbeiten profitiert werden, da am ZNES bereits verschiedene Open-Source-Modelle (mit-)entwickelt und angewandt wurden. Dazu zählen unter anderem das offene Simulationsmodell Renewable Energy Pa- thways Simulation System renpass, Open Power System Data OPSD und das Open- Source-Energiesystemmodell Schleswig-Holstein openMod.SH. Weiterhin entwickelt das ZNES kooperativ das Open Energy Modelling Framework oemof. Otto-von-Guericke Universität Magdeburg Die Schwerpunkte des Lehrstuhls Formale Methoden und Semantik am Institut für intelligente kooperierende Systeme (IKS) der Otto-von-Guericke-Universität (OVGU) liegen im Bereich formale Methoden, Ontologien und räumliches Schließen. In die- sem Rahmen werden größere Open-Source-Software-Projekte entwickelt. Im Rahmen der internationalen Open Ontology Repository Initiative arbeitet der Lehrstuhl auch an Standardisierung von zugehörigen Programmierschnittstellen (Application Pro- gramming Interfaces, APIs). Im Zuge des Förderprojekts open_eGo übernahm das IKS eine führende Rolle im Entwurf der offenen Energiedatenbank OEDB sowie der offenen Energieplattform OEP und war an diesen als Hauptentwickler beteiligt. Im Zuge der zahlreichen Projekttreffen und Teilnahmen an den Treffen der Open Energy Modelling Initiative (openmod) konnte das IKS tiefe Einblicke in die Modellierungs- und Entwicklungsprozesse der Energiesystemanalyse gewinnen. Die so erlangten Er- kenntnisse konnten bereits im Zuge weiterer Projekte, wie open_FRED oder Szena- rienDB, genutzt werden. Reiner Lemoine Institut gGmbH Das Reiner Lemoine Institut (RLI) ist ein gemeinnütziges, unabhängiges Forschungs- institut mit Sitz in Berlin. Ziel des Institutes ist es, einen wissenschaftlichen Beitrag zu der langfristigen Umstellung des Energiesystems hin zu 100% erneuerbaren Ener- gien zu leisten. Forschungsfelder sind dabei Transformation von Energiesystemen, Mobilität mit erneuerbaren Energien und Off-Grid Systems. Kernkompetenzen des RLI sind Energiesystemmodellierungen und Simulationen von erneuerbarer Ener- gieversorgung in Hybridsystemen, in Mini-Grids und regionalen bis globalen Versor- gungsnetzen. Die MitarbeiterInnen engagieren sich institutsübergreifend für das Ziel, die Qua- lität und Transparenz von Energiesystemanalysen zu verbessern - sowohl in der 3 1 Einführung openmod als auch im eigenfinanzierten Vorhaben Open Energy Modelling Frame- work (oemof ) sowie in den Förderprojekten open_eGo, open_BEA, open_FRED, oemof_heat, SzenarienDB und den EU-Projekten REEEM und GRECO werden Open-Data- und Open-Source-Lösungen erarbeitet, die die Transparenz von Daten, Modellen und Prozessen gewährleisten und fortlaufend verbessern. Mit den Förderprojekten open_eGo und Smart Power Flow baute das RLI vertief- te elektrotechnische Expertise auf. Dies betrifft insbesondere die Modellierung und Optimierung von Verteilnetzen als auch deren Wechselwirkungen mit dem Übertra- gungsnetz. Der Einsatz und die optimierte Betriebsführung von Großbatterien im Verteilnetz wurden beforscht und konnten im Feldversuch validiert werden. DLR Institut für Vernetzte Energiesysteme Das DLR-Institut für Vernetzte Energiesysteme e. V. (DLR-VE) in Oldenburg ist mit seinen rund 150 MitarbeiterInnen ein rechtlich eigenständiges Institut. Es ist geplant, das Institut bis Ende des Jahres 2020 vollständig in das Deutsche Zentrum für Luft- und Raumfahrt e. V. zu integrieren. Das DLR-VE entwickelt Technologien und Konzepte für die zukünftige Energiever- sorgung auf Basis erneuerbarer Energien. Im Fokus steht die Herausforderung, aus wetterabhängiger, dezentraler Erzeugung stabile und effiziente Energiesysteme zu gestalten. Dieser Transformationsprozess wird im Rahmen eines konsequenten D3- Ansatzes (D3 = Dekarbonisierung, Dezentralisierung, Digitalisierung) erforscht. Mit seinen Abteilungen Stadt- und Gebäudetechnologien, Energiesystemtechnologie und Energiesystemanalyse widmet sich das Institut systemorientierten Fragestellun- gen zur intelligenten und effizienten Verknüpfung der Sektoren Strom, Wärme und Verkehr. Betrachtet werden Systemebenen von der Einzelanlage über das „smar- te“ Gebäude bis hin zu vernetzten Wohnquartieren und Städten. Zudem bewertet das Institut Energiesysteme auf nationaler und internationaler Ebene anhand eigen- entwickelter Netzstrukturmodelle sowie mit den Methoden der Technologiebewer- tung und der Energiemeteorologie. Die Abteilung Energiesystemanalyse verfolgt das Ziel, durch die Bereitstellung von detailliertem Orientierungswissen eine optimale Gestaltung von Energiesystemen mit hohen Anteilen erneuerbarer Energien zu ermöglichen. Hierzu werden die räum- liche und zeitliche Variabilität sowie das Systemverhalten erneuerbarer Energien erforscht. Vor diesem Hintergrund werden energiemeteorologische Methoden für die Analyse und Vorhersage des Systemverhaltens erneuerbarer Energien erstellt, Po- tenziale von Technologien identifiziert und Handlungsempfehlungen erarbeitet sowie 4 1.3 Stand der Wissenschaft und innovativer Ansatz Modelle, Methoden und Algorithmen für die Simulation von Netzen und Energie- systemen entwickelt. 1.3 Stand der Wissenschaft und innovativer Ansatz Vor dem Hintergrund des erhöhten Netzausbaubedarfs, begründet einerseits durch die Energiewende, andererseits durch strukturelle Veränderungen wie beispielsweise der Liberalisierung der Energiemärkte, ist in den vergangenen Jahren die Bedeu- tung der Umsetzung und Planung von Netzausbau gestiegen. Dies, sowie die seit 2012 gemäß Energiewirtschaftsgesetz verpflichtende Veröffentlichung des Netzent- wicklungsplans (NEP), trägt dazu bei, dass Netzausbau in der Umsetzung und Pla- nung vermehrt auch Teil öffentlicher Diskussionen ist. Diese Faktoren begründen auch die Vielzahl an Forschungsprojekten, die sich aktuell mit der Erstellung von Netzmodellen oder der Berechnung von Netzausbau befassen. Im Folgenden wird zunächst auf die aktuell umgesetzte Netzausbauplanung einge- gangen. Daraufhin werden mit open_eGo vergleichbare Projekte erläutert und die Alleinstellungsmerkmale des hier beschriebenen Forschungsprojekts dargelegt. Grundlage für die tatsächliche Netzausbauplanung auf Ebene der Höchstspan- nung (HöS) ist der von den Übertragungsnetzbetreibern regelmäßig (aktuell zwei- jährig) erarbeitete NEP [3], der gemäß Energiewirtschaftsgesetz zu veröffentlichen ist. In einem mehrstufigen Verfahren werden hier zunächst aktuelle und zukünfti- ge Marktsituationen identifiziert und daraufhin in Netzanalysen mögliche Überlas- tungen der Betriebsmittel und daraus resultierender Netzausbaubedarf nach dem NOVA-Prinzip ermittelt. Nach Prüfung der Notwendigkeit der Maßnahmen seitens der Bundesnetzagentur (BNetzA) erfolgt die Umsetzung des Netzausbaus, rechtliche Grundlage bilden das Bundesbedarfsplangesetz (BBPlG) und das Energieleitungs- ausbaugesetz (EnLAG). Die Umsetzung der Netzausbauplanung in den Verteilnetzen baut im Wesentlichen auf der des NEP auf. Die Netzbetreiber orientieren sich an den dort verwendeten Pla- nungsrichtlinien. Mittels statischer Lastflussberechnungen in Programmen wie SIN- CAL, NEPLAN oder INTEGRAL bestimmen Worst-Case-Analysen die notwendi- gen Netzausbaumaßnahmen. Die zugrunde liegenden Methodiken sind beispielsweise in der dena-Verteilnetzstudie [4] sowie der vom BMWi beauftragten Verteilernetz- studie [5] dargelegt. Für die notwendigen Netzberechnungen werden in der dena- Verteilnetzstudie reale Netze der Mittelspannung (MS) und Niederspannung (NS) verwendet (siehe [4]); die BMWi-Verteilnetzstudie greift auf Typ- bzw. Extrem- wertnetze des Netzgebietes E.On Bayern (siehe [5]) zurück. In beiden Fällen sind 5 1 Einführung die entstandenen Datenmodelle nicht öffentlich zugänglich. Zudem wird in beiden Studien vernachlässigt, wie Systemdienstleistungen, beispielsweise von elektrischen Speichern, aus dem Verteilnetz das Übertragungsnetz beeinflussen. Dieses Vorgehen der Netzentwicklungsplanung weist Kritikpunkte auf, die in dem offenen netzebenenübergreifenden Tool eGo aufgegriffen werden. So werden in der Netzplanung proprietäre Netzmodelle verwendet, die zudem nach [6] nicht ausrei- chend dokumentiert sind. Im Gegensatz dazu entsprechen die hier erstellten Daten- modelle dem Open-Source- und Open-Data-Ansatz und werden öffentlich zugäng- lich gemacht. Die ausschließliche Bestimmung von Netzausbaumaßnahmen nach dem NOVA-Prinzip erlaubt keine neuen, flexiblen Lösungsstrategien. Auch die Vernach- lässigung von Optionen wie Speicherausbau und Redispatch sind fraglich. In eGo können jedoch auch Flexibilitäten wie der Ausbau von Speichern in die Netzplanung einbezogen werden. In der Praxis sind die jeweiligen Netzbetreiber für die Ausbaupla- nung ihres Netzgebiets verantwortlich. Somit findet keine ganzheitliche Netzausbau- planung aller Netzebenen statt, was zu einer Überschätzung des Netzausbaubedarfs führen kann. Die netzebenenübergreifende Berechnung in eGo hingegen bestimmt Ausbaumaßnahmen in allen Netzebenen, die auch auf andere Spannungsebenen Aus- wirkungen haben, so wird eine ganzheitlich optimale Netzaubauplanung angestrebt. In ähnlichen Forschungsprojekten werden vergleichbare Netzmodelle und Pla- nungstools entwickelt. Dazu zählen beispielsweise MONA 2030 6 oder KonVen- TrO7, deren Forschungsziele ebenso eine ganzheitliche Betrachtungsweise von Netz- ausbau beinhalten. Das bereits abgeschlossene Projekt MONA 2030 berschäftigte sich ebenfalls mit der netzebenenübergreifenden Planung von Netzausbau. Die dort entstandenen Methoden und Datenmodelle sind jedoch nicht öffentlich zugänglich. Das Projekt KonVenTrO entstand in Zusammenarbeit der Abteilung Verkehrslogis- tik des Fraunhofer IML und des Instituts für Energiesysteme, Energieeffizienz und Energiewirtschaft der TU Dortmund. Fokussiert werden dabei die Synergien bei der Optimierung von logistischen und elektrischen Transportnetzen. Dieser Ansatz stellt auch eine netzebenenübergreifende Behandlung dar, weist jedoch aufgrund der expliziten Betrachtung des Verkehrssektors deutliche Unterscheide zu der in open_eGo angewandten Methodik auf. Im Rahmen des vom DLR-VE geführten Open-Source- und Open-Data-Projektes SciGRID8 ist ein Übertragungsnetzmodell basierend auf Daten aus OpenStreetMap (OSM ) erstellt worden, auf dessen Erfah- rungen im open_eGo-Projekt aufgebaut wird. Das ebenfalls auf OSM -Daten basie- 6https://www.ffe.de/themen-und-methoden/speicher-und-netze/521-merit-order-netz- ausbau-2030-mona-2030 7https://www.iml.fraunhofer.de/de/presse_medien/pressemitteilungen/projekt_ konvetro.html 8https://www.scigrid.de/ 6 https://www.ffe.de/themen-und-methoden/speicher-und-netze/521-merit-order-netz-ausbau-2030-mona-2030 https://www.ffe.de/themen-und-methoden/speicher-und-netze/521-merit-order-netz-ausbau-2030-mona-2030 https://www.iml.fraunhofer.de/de/presse_medien/pressemitteilungen/projekt_konvetro.html https://www.iml.fraunhofer.de/de/presse_medien/pressemitteilungen/projekt_konvetro.html https://www.scigrid.de/ 1.3 Stand der Wissenschaft und innovativer Ansatz rende Tool Open Source German Transmission Grid Model (osmTGmod), welches am Wuppertal Institut in Kooperation mit dem ZNES entwickelt wurde, eignet sich insbesondere aufgrund der verwendeten Heuristiken für eine Betrachtung der Hoch- spannung (HS)-Ebene. Diese wurde zu Projektbeginn allerdings nicht auf Basis von Open Data modelliert. Weitere Projekte zur Optimierung von Netzausbau wie das von der RWTH Aa- chen entwickelte Tool genesys9, das Modell REMix10 des Deutschen Zentrums für Luft und Raumfahrt oder auch das Open-Source- und Open-Data-Projekt Rene- wable Energy Pathways Simulation System (renpass)11 des ZNES verwenden kei- ne Netztopologie, sondern abstrahieren das Netz auf den Kapazitätsaustausch zwi- schen einzelnen Regionen, die meist einem Land entsprechen. Eine Bestimmung von Netzausbaubedarf ist so nur zwischen den Regionen und nicht für die tatsäch- lichen Stromnetze möglich. Bei einer Berücksichtigung der Netztopologie wie im Projekt ELMOD12 der TU Dresden entfällt die Betrachtung der Verteilnetzebene, zudem werden keine Daten veröffentlicht. Das Projekt ANaPlan13 vom Fraunhofer IEE umfasst die Entwicklung eines Tools zur automatischen Netzausbauplanung im Verteilnetz. Aufgrund der Verwendung von proprietären Daten sind die entwickel- ten Datenmodelle und Methodiken jedoch nicht frei verfügbar. Die Beschränkung auf die Verteilnetzebene ermöglicht zudem keine Wechselwirkungen derer mit dem Übertragungsnetz. Im Projekt KoNeMaSim14 der Universität Duisburg-Essen wird die Kopplung der für die Netzplanung benötigten Netz- und Marktsimulationen un- tersucht. Berücksichtigt wird dabei ausschließlich die Übertragungsnetzebene, zu- dem werden die Methoden auch hier nicht öffentlich zugänglich gemacht. Im aktuell laufenden Projekt SwarmGrid15 am ACS Institut der RWTH Aachen findet eine Fokussierung auf die Verteilnetze statt, die in Zusammenhang mit angeschlossenen verteilten Energieressourcen mit einem Schwarmansatz simuliert werden sollen. In dem Projekt INTEEVER16 wird die Rolle von Flexibilitätsoptionen auf regiona- ler, nationaler und europäischer Ebene mit Hilfe eines integrativen Modellansatzes untersucht. Es werden insbesondere die Energieoptimierung und die Netzausbaupla- nung der HöS-Ebene des Stromnetzes simuliert. Die Netzausbausimulation der un- teren Spannungsebenen begrenzt sich auf eine Beispielbetrachtung in einem einzigen 9http://www.genesys.rwth-aachen.de/wordpress/ 10https://www.dlr.de/tt/desktopdefault.aspx/tabid-2885/4422_read-12423/ 11http://www.znes-flensburg.de/projekt/110?language=de 12https://tu-dresden.de/bu/wirtschaft/ee2/ressourcen/dateien/lehrstuhlseiten/ordner_ programmes/ordner_modelle/ordner_elmod/elmod_modellbeschreibung_de?lang=de 13https://www.iee.fraunhofer.de/de/projekte/suche/laufende/ANaPlan-automatisierte- netzausbauplanung-im-verteilnetz.html 14https://forschung-stromnetze.info/projekte/netz-und-marktsimulationen-fuer-die- netzplanung-koppeln/ 15http://www.acs.eonerc.rwth-aachen.de/cms/E-ON-ERC-ACS/Forschung/ Forschungsprojekte/Gruppe-Large-Software-System-Challenges/~lrjn/SwarmGrid/ 16https://www.iee.fraunhofer.de/de/projekte/suche/laufende/inteever.html 7 http://www.genesys.rwth-aachen.de/wordpress/ https://www.dlr.de/tt/desktopdefault.aspx/tabid-2885/4422_read-12423/ http://www.znes-flensburg.de/projekt/110?language=de https://tu-dresden.de/bu/wirtschaft/ee2/ressourcen/dateien/lehrstuhlseiten/ordner_programmes/ordner_modelle/ordner_elmod/elmod_modellbeschreibung_de?lang=de https://tu-dresden.de/bu/wirtschaft/ee2/ressourcen/dateien/lehrstuhlseiten/ordner_programmes/ordner_modelle/ordner_elmod/elmod_modellbeschreibung_de?lang=de https://www.iee.fraunhofer.de/de/projekte/suche/laufende/ANaPlan-automatisierte-netzausbauplanung-im-verteilnetz.html https://www.iee.fraunhofer.de/de/projekte/suche/laufende/ANaPlan-automatisierte-netzausbauplanung-im-verteilnetz.html https://forschung-stromnetze.info/projekte/netz-und-marktsimulationen-fuer-die-netzplanung-koppeln/ https://forschung-stromnetze.info/projekte/netz-und-marktsimulationen-fuer-die-netzplanung-koppeln/ http://www.acs.eonerc.rwth-aachen.de/cms/E-ON-ERC-ACS/Forschung/Forschungsprojekte/Gruppe-Large-Software-System-Challenges/~lrjn/SwarmGrid/ http://www.acs.eonerc.rwth-aachen.de/cms/E-ON-ERC-ACS/Forschung/Forschungsprojekte/Gruppe-Large-Software-System-Challenges/~lrjn/SwarmGrid/ https://www.iee.fraunhofer.de/de/projekte/suche/laufende/inteever.html 1 Einführung MS-Netz. Außerdem setzt sich open_eGo auch hier aufgrund der durch den Open- Source- und Open-Data-Ansatz geschaffenen Transparenz ab. Dieser findet sich mit dem Open-Data-Gedanken zwar zum Teil in der Arbeit des Projektes SimBench17 zur Entwicklung und Bereitstellung eines Benchmark-Datensatzes für repräsentati- ve Netze wieder, jedoch werden hier nur einzelne Netze anwendungsfallbezogen für Untersuchungen bereitgestellt. Außerdem wird die Methodik, mit der die Datenmo- delle erstellt werden, nur in Dokumentationen und wissenschaftlichen Publikationen dargelegt und nicht als Quellcode veröffentlicht. Das im Projekt open_eGo entwickelte Netzplanungstool eGo stellt im Vergleich zu den genannten Forschungsprojekten und der aktuellen tat- sächlichen Netzausbauplanung verschiedene innovative Ansätze dar. Her- vorzuheben ist hier vor allem die kombinierte Betrachtung von Verteil- und Übertragungsnetz, die Berücksichtigung von Flexibilitäten wie Spei- cherausbau sowie der offene Modellierungsansatz. Die aus der Verwendung von Open Source und Open Data entstehenden Vortei- le wurden in einer Machbarkeitsstudie18 von sechs Energieversorgern ermittelt und untersucht. Aus der Studie geht hervor, dass der gegenwärtige Einsatz von Closed- Source-Software besonders bei großen Netzleitsystemen erhebliche wirtschaftliche, qualitative und operative Schwachstellen aufweist (u.a. hohe Anpassungskosten an neue Schnittstellen sowie große Herstellerabhängigkeit, sog. Vendor-Lock-in). Die Verwendung von Open-Source-Software kann hingegen zu Kosteneinsparungen, bes- serer Anpassbarkeit und einer erhöhten Innovationsgeschwindigkeit führen. Der Ef- fekt der Kosteneinsparungen tritt vor allem dann auf, wenn die Open-Source-Software von einer Vielzahl an EntwicklerInnen und AnwenderInnen genutzt wird. Erforscht werden diese Effekte in der Forschungsgruppe von Prof. Dr. Riehle an der Universität Erlangen-Nürnberg19. Bei der Verwendung von Open Source und Open Data ist zwischen verschiedenen Li- zenztypen, die von unterschiedlichen Energiesystemmodellen genutzt werden, zu un- terscheiden. So sind die beiden älteren Modelle HOMER20 und EnergyPLAN 21 frei verfügbar und erfüllen so das Kriterium der kostenfreien Nutzung. Dies gilt jedoch nicht für alle von der Open-Source-Initiative definierten Open-Software-Kriterien22, 17https://www.simbench.de/ 18http://osbf.eu/fileadmin/2013_Okt_KSE_Studie_gesamt_final.pdf 19http://osr.cs.fau.de/people/members/riehle-dirk/ 20http://www.homerenergy.com/ 21http://www.energyplan.eu/ 22http://opensource.org/osd 8 https://www.simbench.de/ http://osbf.eu/fileadmin/2013_Okt_KSE_Studie_gesamt_final.pdf http://osr.cs.fau.de/people/members/riehle-dirk/ http://www.homerenergy.com/ http://www.energyplan.eu/ http://opensource.org/osd 1.4 Aufbau des Projekts da die Verfügbarkeit von Quellcode sowie die Möglichkeit, diesen anzupassen und zu verbreiten, nicht gegeben ist [6]. Zusätzlich zu den definierten Kriterien gibt es weitere Unterschiede in der Umset- zung der Open-Source-Energiesystemmodelle. So stellen einige zwar den Quellcode zur Verfügung, allerdings sind Teile der verwendeten Software kostenpflichtig. Das in GAMS implementierte dänische Modell Balmorel23 ist dafür ein prominentes Bei- spiel. Unter Verwendung der BSD-Lizenz werden des Weiteren Modelle wie zum Beispiel das Smart Grid Tool GridLab-D24 veröffentlicht, die nicht der Verpflichtung unterliegen, den Quellcode offenzulegen, sobald Anpassungen an dem ursprünglichen Modell vorgenommen worden sind. Das am ZNES entwicklte Energiesystemmodell renpass stellt ein Open-Source- und Open-Data-Modell nach der Definiton der Open Software Initiative dar. Nachteilig ist hier, dass die Akzessibilität nicht hinreichend gewährleistet wird. Diese kann nur mit dem Einhalten klarer Konventionen und Mo- dularität gewährleistet werden. Dieser Gedanke wird in Projekten wie mosaik25 und oemof 26 verfolgt. Auch die zu Beginn des hier beschriebenen Vorhabens gegründete openmod geht in die Richtung einer offenen Energiesystemmodellierungsplattform. Dennoch fehlt bisher eine systematisierte, modulare, offene Energiesy- stemmodellierungsplattform, wie sie in Form der OEP im Rahmen des Projekts open_eGo entwickelt worden ist. Die Entwicklung des offe- nen Netzplanungsinstruments eGo integriert in der OpenEnergyPlatform (OEP) stellt zusammenfassend den innovativen Ansatz dieses Vorhabens dar. 1.4 Aufbau des Projekts Das Projekt ist in zwei grundlegende Teilbereiche untergliedert. Zum einen galt es, eine offene Datenbank und Plattform für die Energiesystemmodellierung zu entwi- ckeln. Zum anderen wurde ein netzebenenübergreifendes Planungsinstrument zur Bestimmung des optimalen Netz- und Speicherausbaus in Deutschland erstellt. Die Erstellung der offenen Datenbank und Plattform erfolgte federführend durch das Institut für intelligente kooperierende Systeme der OVGU und wurde in Fragen der Energiesystemmodellierung durch das RLI und die Europa-Universität Flens- burg unterstützt. Im Kapitel 2 sind die Bestandteile der Plattform und Datenbank bezüglich ihrer Funktionsweise beschrieben. 23http://www.balmorel.com/ 24http://www.gridlabd.org/brochures/20121130_gridlabd_brochure.pdf 25http://mosaik.readthedocs.org/ 26https://oemof.org/ 9 http://www.balmorel.com/ http://www.gridlabd.org/brochures/20121130_gridlabd_brochure.pdf http://mosaik.readthedocs.org/ https://oemof.org/ 1 Einführung Die Entwicklung des Netzplanungsinstruments gliedert sich in vier inhaltliche Ar- beitspakete, die das allgemeine Vorgehen verdeutlichen und in die im Folgenden kurz eingeführt wird. Die wesentliche Grundlage für das Netzplanungsinstrument stellt der Aufbau eines konsistenten Stromsystemmodells für alle Spannungsebenen in Deutschland dar. In diesem Sinne werden sämtliche exogene Rahmenbedingungen definiert. Hierzu ge- hört die Auswahl und Entwicklung von verschiedenen Szenarien, die zeitliche und räumliche Auflösung von Erzeugung und Verbrauch, technische und wirtschaftliche Annahmen sowie die Generierung von Netztopologiemodellen. Diese, in den Kapiteln 3 und 4 beschriebene, Datengrundlage ermöglicht es, inhaltliche Ergebnisse mittels der entwickelten Netzplanungsinstrumente zu erzeugen. Die Hochschule Flensburg in leitender Funktion wurde durch sämtliche Projektpartner unterstützt. Grundsätzlich lag beim RLI der Fokus auf der Erstellung der MS-NS-Netzmodelle, wohingegend das ZNES und das DLR-VE die Modellierung der HöS-HS-Modelle ausgestaltete. Die entwickelte Methodik zur wirtschaftlichen und netzbetrieblichen Optimierung auf HöS- und HS-Ebene wird in Kapitel 5 beschrieben. Das entstandene Tool eTraGo (Akronym für electricity Transmission Grid optimization) bestimmt den Kraftwerk- seinsatz und Speicherausbau für das gesamte Energiesystem als auch den Netzausbau für die genannten höheren Spannungsebenen des Übertragungs- und Verteilnetzes unter Zuhilfenahme von Methoden der Komplexitätsreduktion. Die Federführung für diesen Arbeitsschritt übernahm das DLR-VE mit substanzieller Unterstützung durch das ZNES. Zur Bestimmung des Netzausbaubedarfs in MS-NS-Netzen unter Berücksichtigung von Flexibiltitäsoptionen (Speicherintegration und Abregelung) dient die vom RLI entwickelte Software eDisGo (Akronym für electricity Distribution Grid optimization), welche in Kapitel 6 erläutert wird. Die konsistente Synthese der beiden Verfahren auf den verschiedenen Netzebenen findet im Rahmen des Netzplanungsinstruments eGo statt, sodass Vorgaben aus der HöS- und HS-Ebene bezüglich des Kraftwerkseinsatzes und Speicherausbaus in den MS-NS-Netzen optimal eingesetzt werden. Das Tool stellt letztlich Ergebnisse für alle Spannungsebenen bereit. Die Methoden und Ergebnisse diesbezüglich sind in Kapitel 7 geschildert. 10 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Im Zuge des Projekts open_eGo ist mit der OEP und der OEDB (Akronym für OpenEnergyDatabase) der Grundstein für eine Struktur gelegt worden, die es ver- schiedensten Akteuren der Energiesystemmodellierung ermöglicht, einen einfachen Überblick über bestehende Forschungsresultate wie neue Datensätze und Modelle zu erhalten. Die Funktionalitäten der OEP beinhalten nicht nur eine Auflistung der in der OEDB gespeicherten Datensätze, sondern auch verschiedene Möglichkeiten, neue Datensätze zu finden und auf diese zuzugreifen (z.B. Filter- und Suchfunktio- nen). Über diese Darstellungsmöglichkeiten hinaus wurden Methodiken entwickelt, mit denen Datensätze und Modelle beschrieben werden können. Dies erleichtert es Nutzenden, die Daten und Modelle zu verstehen und erlaubt es ihnen, diese in ihre eigenen Vorhaben zu integrieren. Somit liefert die entwickelte Umgebung auch über die Projektlaufzeit hinaus einen Mehrwert und senkt gegebenenfalls den Arbeitsauf- wand, der von anderen Vorhaben in den Aufbau einer Dateninfrastruktur investiert werden muss. Auch Anwendende, die nicht mit der Domäne vertraut sind, erhal- ten durch die verschiedenen Visualisierungs- und Beschreibungsmöglichkeiten gute Einsichten in die Energiesystemmodellierung. Somit ist es auch neuen Agierenden möglich, einen schnelleren Einstieg in diese Domäne zu erhalten. Im Folgenden wird der Entwicklungsprozess der OEP aufgezeigt. Ziel war die Ent- wicklung einer Plattform und der notwendigen Prozesse, damit wissenschaftliche Prozesse in der Energiesystemmodellierung transparenter und übersichtlicher ge- staltet werden können. 2.1 Anforderungsanalyse Im Zuge der Nutzeranforderungsanalyse stellt sich heraus, dass eine der Hauptursa- chen fehlender Transparenz in der Art und Weise liegt, wie Daten aus Simulationen und anderen Forschungsergebnissen veröffentlicht werden. Hierbei werden häufig die folgenden Probleme hervorgehoben: 11 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Keine Übersicht Es gibt keine zentrale Übersicht über bestehende Datensätze. So- mit ist es für Forschende schwierig herauszufinden, ob es bereits Daten oder Resultate zu gewissen Fragestellungen gibt. Keine persistente Speicherung Die genutzten oder erzeugten Datensätze werden häufig auf projekteigenen Webseiten veröffentlicht, deren Pflege nach Ablauf der Projektlaufzeiten eingestellt wird. Hierdurch werden Datensätze für die Öffentlichkeit unzugänglich. Fehlende Dokumentation/Metadaten Das Erzeugen von Daten ist ein Prozess, in dem viele Designentscheidungen getroffen werden müssen. Werden diese nicht ausreichend dokumentiert, können Datensätze aufgrund ihrer unklaren Bedeu- tung nicht genutzt werden. Weiterhin müssen wichtige Informationen wie etwa Quellen oder physikalische Einheiten festgehalten werden, um die Interpreta- tion des Datensatzes im richtigen Kontext zu ermöglichen. Restriktive/Mangelnde Lizenzierung Die richtige Wahl von Lizenzen für Daten- sätze ist eine komplizierte rechtliche Fragestellung, die von vielen Faktoren beeinflusst wird. So können die Lizenzen genutzter Eingangsdatensätze bereits die möglichen Auswahlmöglichkeiten für Lizenzen der Ergebnisdaten limitieren (z.B. durch copyleft-Regelungen). Somit verbleiben Datensätze oft ohne Lizen- zierung, was zur Folge hat, dass jede Nutzung beim Rechteinhaber angefragt werden muss. Im Folgenden wird erläutert, welche Maßnahmen im Zuge des Projekts open_eGo ergriffen worden sind, um diese Problematiken zu bearbeiten. Hierbei wurde im Besonderen darauf geachtet, dass die entwickelten Lösungen nicht nur in diesem Projekt verwendbar sind, sondern auch darüber hinaus einen Mehrwert liefern. 2.2 OpenEnergyDatabase Die Methoden der Energiesystemmodellierung involvieren oft große und komplexe Datensätze. Dies setzt hohe Anforderungen an die genutzte Hardware. So wurden aus eigenen Mitteln der OVGU ein neuer, eigenständiger Server (512 GB RAM, 26 TB HDD/SSD) angeschafft und im April 2018 um zusätzliche Hardware erweitert, sodass nun erweiterte Ressourcen (1 TB RAM, 42 TB HDD/SSD) zur Verfügung stehen. Dieser Server kann innerhalb der Fakultät für Informatik auch über den Pro- jektzeitraum hinaus betrieben und gepflegt werden und stellt somit eine persistente Speichermöglichkeit dar. 12 2.2 OpenEnergyDatabase Um eine möglichst reibungslose Arbeit mit den Daten zu gewährleisten, wurde auf diesem Server eine Postgres-Datenbank aufgesetzt. Postgres gehört nicht nur zu den führenden Datenbanktechnologien und fügt sich somit hervorragend in den Open- Source-Charakter von open_eGo ein, sondern bietet mit PostGIS auch einen um- fangreichen und weitläufig genutzten Satz an Werkzeugen zur effizienten Verarbei- tung von räumlichen Daten. Qualitätskriterien für Daten Um die genannten Herausforderungen bezüglich der Dokumentation und Lizenzierung zu adressieren, wurden Qualitätskriterien für Da- ten und Datensätze ausgearbeitet. Diese beinhalten Vorgaben dafür, wie Daten in der OEP strukturiert sein sollten. Darauf aufbauend wurde auch ein Metadaten-Satz entwickelt, der die notwendigen Informationen über jeden Datensatz systematisch beschreibt. Dafür wurden zunächst Anforderungen an die Metadaten erstellt und in einem agilen Prozess getestet und implementiert. Zu den wichtigsten Anforderungen gehören die Lesbarkeit für Menschen und Maschinen sowie die Anwendbarkeit für Datenbanken und Dateien, weswegen der Data Package Standard27 im JSON-Format als Grundlage gewählt wurde. Zusätzlich wurde eine Reihe von weiteren existieren- den Metadaten-Standards analysiert und bei Eignung ergänzt. Dazu zählen u.a. das Projekt Open Power System Data (OPSD)28, German Open Data Portal29 und IN- SPIRE30. Die aktuellen OEP-Metadaten31 sind in der Version v1.4 und beinhalten folgende Kategorien: • Allgemein – Name, Titel, Beschreibung – Sprache, Keywords, Datum – Homepage, Repository, Kontakt, Fördernummer • Räumlich – Lage oder Standort – Ausdehnung und Auflösung • Zeitlich – Referenzdatum – Zeitreihen: Anfang, Ende, Auflösung 27https://frictionlessdata.io/specs/data-package/ 28https://data.open-power-system-data.org/renewable_power_plants/2018-03-08/ datapackage.json 29https://github.com/fraunhoferfokus/ogd-metadata 30https://inspire.ec.europa.eu/documents/Metadata/MD_IR_and_ISO_20131029.pdf 31https://github.com/OpenEnergyPlatform/examples/blob/master/metadata/oep_metadata_ template.json 13 https://frictionlessdata.io/specs/data-package/ https://data.open-power-system-data.org/renewable_power_plants/2018-03-08/datapackage.json https://data.open-power-system-data.org/renewable_power_plants/2018-03-08/datapackage.json https://github.com/fraunhoferfokus/ogd-metadata https://inspire.ec.europa.eu/documents/Metadata/MD_IR_and_ISO_20131029.pdf https://github.com/OpenEnergyPlatform/examples/blob/master/metadata/oep_metadata_template.json https://github.com/OpenEnergyPlatform/examples/blob/master/metadata/oep_metadata_template.json 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung • Quellen – Quellenangabe, Lizenz, Attributierung • Lizenz – SPDX, Link zum Lizenztext, Attributierung • Beschreibung der Ressource – Format, Kodierung – Spaltennamen, Datentypen, Einheiten, Beschreibung – Tabellenstruktur, Primärschlüssel • Informationen zu den Metadaten – Metadatenversion – Metadatenlizenz Werden die entsprechenden Metadaten für einen Datensatz angegeben, erhalten Nut- zende einen guten Überblick über die Art der beschriebenen Daten, was die Bewer- tung der Qualität erheblich erleichtert. Abbildung 2.1 zeigt wie die Metadaten auf der Plattform präsentiert werden. 2.3 OpenEnergyPlatform Die OEP ist ein Portal für alle ModelliererInnen, die eine offenere, transparente- re Forschungslandschaft in der Energiesystemanalyse schaffen wollen. Der gesamte Entwicklungsprozess der Plattform erfolgte transparent unter ständiger Versions- kontrolle auf GitHub32. Die OEP bietet Werkzeuge, die es ermöglichen, die Daten der OEDB zu durchsuchen und zu visualisieren. Dies erleichtert es insbesondere unerfahrenen oder externen ModelliererInnen, die gespeicherten Daten zu verste- hen. Des Weiteren können alle vorhandenen, offenen Datensätze im CSV-Format heruntergeladen werden, sodass vorhandene Datensätze reibungslos in anderen Pro- jekten wiederverwendet werden können. Neben diesen datenbezogenen Funktionen beinhaltet die OEP noch weitere Funktionen, die im Folgenden erläutert werden. 2.3.1 Datensichten Um eine offene Datenbank zu betreiben, bedarf es nicht nur geeigneter Schnittstellen, die eine reibungslose Kommunikation gewährleisten. Gleichzeitig müssen die enthal- tenen Daten auch auffindbar und übersichtlich gestaltet werden. Die verschiedenen 32https://github.com/OpenEnergyPlatform/oeplatform 14 https://github.com/OpenEnergyPlatform/oeplatform 2.3 OpenEnergyPlatform Abbildung 2.1: Darstellung der Metadaten auf der OEP. 15 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Anwendungsfälle und Expertisen der unterschiedlichen Nutzergruppen und der he- terogene Charakter der in der OEDB enthaltenen Daten führen zu einem Bedarf mannigfaltiger Such-, Filter- und Visualiserungsmethoden. Um eine schnelle Auffindbarkeit der Daten zu fördern, wurden die Daten zunächst thematisch in mehrere Kategorien (Schemata) unterteilt. Die Einteilung beruht auf den ISO Topic Categories33 und wurde um energiespezifische Schemata erweitert. Es ist möglich, weitere Schemata hinzuzufügen, wenn diese benötigt werden. Boundaries (Grenz-)Daten, z.B. Politische Verwaltungsbezirke Climate Klima- und wetterbezogene Daten, z.B. Windzeitreihen Economy Wirtschaftsbezogene Daten, z.B. Kosten Demand Energiebedarfsdaten, z.B. Lastzeitreihen Grid Netz-Daten, z.B. Stromnetz Supply Erzeugungsdaten, z.B. Kraftwerkslisten, Einspeisezeitreihen Environment Umweltdaten, z.B. Landnutzung, Naturschutzgebiete Society Gesellschaft, z.B. Bevölkerungsdaten Scenario Szenariendaten, z.B. aggregierte Modelldaten Model_draft Sandbox, z.B. temporäre Modelldaten Reference Literatur, z.B. Veröffentlichungen Alle Datensätze in diesen Schemata können mit Tags annotiert werden. Durch diese können Datensätze mehreren Themen gleichzeitig zugeordnet werden. Mit den im- plementierten Suchfunktionen können Datensätze leicht über diese gefunden werden und erhöhen so die Sichtbarkeit enthaltener Datensätze. Die Datensätze in der OEDB sind sehr heterogen und spiegeln verschiedenste Sach- verhalte wieder. So gibt es Kraftwerkslisten, die mit Geo-Daten versehen sind, Wet- terdaten in Form von hochaufgelösten Zeitreihen und viele weitere. Diese hetero- genen Strukturen benötigen verschiedene Visualisierungsmethoden, um sie entspre- chend darzustellen. Hierfür nutzt die OEP das recline-Framework34 der Open Know- ledge Foundation und liefert drei verschiedene Arten der Visualiserung für einen Datensatz: 33https://geo-ide.noaa.gov/wiki/index.php?title=ISO_Topic_Categories 34http://okfnlabs.org/recline/ 16 https://geo-ide.noaa.gov/wiki/index.php?title=ISO_Topic_Categories http://okfnlabs.org/recline/ 2.3 OpenEnergyPlatform Als Tabelle: DieOEDB ist eine relationale Datenbank und speichert alle Datensätze entsprechend in einer Tabellenform. Diese Struktur wird in dieser Visualisie- rungsform dem Nutzenden direkt angezeigt. Hierdurch werden nicht nur die Daten für den Nutzer sichtbar, sondern auch die interne Struktur (z.B. Spal- tennamen) der Datenbank, die benötigt werden um komplexe Abfragen über die automatische Programmierschnittstelle (API) abzusetzen. In Abbildung 2.2 ist eine Tabelle aus der OEDB dargestellt. Die Spalten können beliebig an- gereiht und vergrößert werden und Zeilen können bezüglich einzelner Spalten sortiert werden. Abbildung 2.2: Tabellendarstellung einer Kraftwerksliste. Als Graph: Zeitreihen und andere Daten in einer Tabelle lassen sich leicht mitein- ander vergleichen, indem diese als Graph dargestellt werden. Nutzer können hierfür die Spalten, die als Achsen genutzt werden sollen, individuell wählen. In Abbildung 2.3 wird eine stündlich aufgelöste Einspeisereihe aus Windkraft- anlagen (WKA) dargestellt. Abbildung 2.3: Graphendarstellung einer Einspeisezeitreihe. 17 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Auf einer Karte: Viele der in der Energiesystemmodellierung genutzten Daten sind an geographische Daten gekoppelt. Diese können als Punkte auf einer Kar- te dargestellt werden. In Abbildung 2.4 sind drei Punkte aus einer Tabelle der OEDB anhand ihrer Breitengrad(lat-) und Längengrad (lon-)Spalten an- gezeigt. Abbildung 2.4: Kartendarstellung einer Kraftwerksliste. 2.3.2 Factsheets Im Zuge der Analyse bestehender Energiesystemmodelle wurden aufbauend auf be- stehenden Formblättern der openmod35 wichtige Eigenschaften von Energiessystem- modellen herausgearbeitet. Diese Datenblätter wurden analysiert und um Eigen- schaften erweitert, die für die Transparenz von Energiesystemmodellen wichtig sind. Anhand dieser Eigenschaftslisten wurden Factsheets für Modelle erstellt und auf der OEP veröffentlicht36. Neue Modelle können jederzeit durch angemeldete Nut- zerInnen über die entwickelten Formulare ergänzt werden. So wurden sie auch im MODEX-Vorhaben genutzt, umModelle zu charakterisieren (siehe 8.4.5). Somit kön- nen Factsheets abgerufen und nach wichtigen Eigenschaften sortiert werden (Abb. 2.5). Weiterhin wurden 8 Modelle bezüglich ihrer Anschlussfähigkeit betrachtet: • Calliope • DESSTinEE • DIETER • oemof • osmTGmod • renpass • renpassGIS • SciGRID 35https://wiki.openmod-initiative.org/wiki/Open_Models 36http://openenergy-platform.org/factsheets/models/ 18 https://wiki.openmod-initiative.org/wiki/Open_Models http://openenergy-platform.org/factsheets/models/ 2.3 OpenEnergyPlatform Abbildung 2.5: Ausschnitt aus dem Überblick der Modell-Factsheets OEP. Das Ergebnis dieser Untersuchung war, dass der heterogene Charakter der verschie- denen Modelle ihrer Anschlussfähigkeit entgegensteht. Es gibt jedoch bereits Be- strebungen diese Heterogenität aufzulösen. So bietet das Tool oemof Im- und Ex- portfunktionen für verschiedene Datenformate sowie generische Schnittstellen, die von anderen Modellen genutzt werden können, um die Interoperabilität zwischen Modellen zu steigern. Der unterstützende Charakter von oemof zeigt, dass Modell- Factsheets nicht geeignet sind, um diese Funktionalitäten abzubilden. Daher wurden gesonderte Framework-Factsheets ausgearbeitet. 2.3.3 API und Dialekt Die vielseitigen Datensätze, die auf der OEP verfügbar sind, können aufgrund der offenen Datenlizenzen (siehe Abschnitt 2.4) auch für andere Vorhaben genutzt wer- den. Um eine direkte Anbindung externer Werkzeuge an diese Daten zu ermöglichen, bedarf es einer automatischen Programmierschnittstelle (API). Diese Schnittstelle sollte einer möglichst breiten Nutzerbasis zugänglich sein und sich entsprechend nicht auf einzelne Programmiersprachen beschränken. Anwender OEP Python Webbrowser R Julia ... OEDB PostgreSQL Abbildung 2.6: Nutzung der OEP. 19 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Um die Sicherheit und Konsistenz der Daten zu gewährleisten, sollte die direkte Schnittstelle einer Datenbank jedoch nicht öffentlich zugänglich sein, um diese gegen Angriffe zu schützen. Um dennoch einen offenen Zugriff auf die Datenbank zu ge- währleisten, bietet die OEP eine programmiersprachenunabhängige, HTTP-basierte Schnittstelle, welche die Nutzeranfragen an die Datenbank, wie in Abbildung 2.6 dar- gestellt, verarbeitet und verwaltet. Für einfache und häufig genutzte Operationen wie direktes Lesen und Bearbeiten von Daten wurde eine Schnittstelle (API) ent- sprechend des REST-Standards entwickelt. Über diese können beispielsweise durch den Aufruf einer einfachen URL Daten aus der OEDB im JSON- oder CSV-Format ausgelesen werden. Komplexere Anfragen, die etwa mehrere Datensätze und Berech- nungen involvieren, können jedoch nicht in eine URL kodiert werden. Daher bietet die OEP auch eine komplexere Schnittstelle (’advanced API ’), deren Befehle im JSON-Format übermittelt werden und es ermöglicht, auch derartige Anfragen zu beantworten. Insbesondere beim Verarbeiten von räumlichen Daten werden häufig sehr komplexe Datenbankabfragen entwickelt. Diese lassen sich nur in komplizierten JSON-Queries abbilden. Daher wurde ein Python Tool entwickelt, welches das Erstellen dieser An- fragen erleichtern soll. Die Grundlage für dieses Werkzeug bildet SQLAlchemy, eine Pythonbibliothek, welche das Programmieren von Datenbankanfragen in Struktu- ren der objektorientierten Programmierung erlaubt. Diese Strukturen werden von SQLAlchemy in Abfragen der Structured Query Language (SQL) umgewandelt und an die Datenbank geschickt. Die in open_eGo entwickelte Erweiterung (oedialect37) schaltet sich zwischen diesen Prozess und erlaubt so die Übersetzung in JSON- Strukturen und somit die Kommunikation mit der OEP-API. Der Dialekt wurde derart gestaltet, dass Code, der (ohne Dialekt) auf lokalen Postgres-Datenbanken lauffähig ist, auch ohne Anpassungen des Programmcodes mit der API funktioniert. Somit ist es möglich, dass ModelliererInnen ihre Datenverarbeitung zunächst mit ei- ner lokalen Datenbank testen können und, sobald sie mit den Ergebnissen zufrieden sind, den Dialekt nutzen können, um ihre Ergebnisse auf der OEP zu veröffentli- chen. Der entwickelte Dialekt wird auch von den entwickelten Werkzeugen genutzt. So werden die Datensätze, die in der OEDB hinterlegt sind, durch das Programm SQLACodegen in SQLAlchemy-Datenstrukturen reflektiert und sind in Form des ego.io-Paketes veröffentlicht. Durch diese Datenstrukturen werden die Tabellen der OEDB transparent gemacht und die enthaltenen Datensätze können ohne großen Aufwand aus der OEDB geladen werden, was ein konfliktfreies ausführen der entwi- ckelten Werkzeuge ermöglicht. Das Paket ego.io bietet darüber hinaus verschiedene 37https://github.com/openego/oedialect 20 https://github.com/openego/oedialect 2.4 Lizenzen Möglichkeiten des Zugriffs auf andere Datenbanken und eine entsprechende Verwal- tung von Zugangsdaten. Die Datenschnittstelle der OEP erlaubt auch das Hochladen und Verwalten eigener Datensätze. Jeder Nutzende, der einen neuen Datensatz veröffentlicht, hat automa- tisch Administrationsrechte für diesen Datensatz und kann ihn beliebig verändern und auch wieder löschen. Um die Validität der eigenen Daten zu gewährleisten, können verschiedene Rechte (z.B. Schreibrechte, Löschrechte) für einen Datensatz vergeben werden. Hierdurch ist es auch in Zukunft möglich, dass Nutzende ihre ei- genen Datensätze auf der OEP der Öffentlichkeit verfügbar machen. Dies steigert nicht nur die Transparenz der eigenen Forschungsresultate, sondern verhindert auch gegebenenfalls, dass ähnliche Daten mehrfach erhoben werden. Die entwickelte Datenschnittstelle kann durch ihren programmiersprachenunabhän- gigen Charakter auch in anderen Energiesystemmodellen genutzt werden. So kann die OEP als eine einfache Datenschnittstelle für Modelle dienen, die auch die Kom- munikation über verschiedene Werkzeuge und Programmiersprachen hinweg ermög- licht, wie in Abbildung 2.6 skizziert. Somit wird der nötige Arbeitsaufwand, der für die Veröffentlichung und Dokumentation der eigenen Daten nötig ist, erheblich reduziert. 2.4 Lizenzen Die Lizenzierung von Software und Daten innerhalb eines Open-Source- und Open- Data-Projektes spielt eine bedeutende Rolle. Die alleinige Veröffentlichung von Da- ten und Software reicht hierbei nicht aus. Zum Beispiel ist die Nutzung von fremder Software (§ 69c UrhG) ohne eingeräumte Nutzungsrechte verboten. Ausnahmen be- stehen bei gesetzlicher und vertraglicher Erlaubnis. Eine allgemeine Regelung kann über die Vergabe von Lizenzen erreicht werden. In den nächsten beiden Abschnitten wird die Lizenzwahl für die entwickelte Software und Daten beschrieben. 2.4.1 Lizenzwahl für Sourcecode Lizenzen dienen zur Einräumung von Nutzungsrechten als vertragliche Gestattung der Softwarenutzung. Die Mindestanforderung an Open-Source-Software (die vier Freiheiten) sind dabei das Recht zur: 21 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung • Benutzung der Software • Vervielfältigung der Software • Weitergabe der Software • Veränderung der Software In diesem Zusammenhang gelten weitergehend auch die notwendigen Voraussetzun- gen zur Wahrnehmung der oben genannten Rechte der Zugänglichkeit des freien Sourcecodes und der Lizenzgebührenfreiheit der Software. Die freien/offenen Li- zenzen lassen sich in drei Gruppen einteilen. Die Gemeinfreien Lizenzen (Public Domain), Freizügige Lizenzen (Permissive/ Non-Copyleft) und Copyleft-Lizenzen. Public-Domain-Lizenzen sind bei Software kaum vertreten. Die freizügigen Lizen- zen werden häufig verwendet, wenn eine breite Nutzung in anderen Programmen erleichtert werden soll. Dagegen zielen die Copyleft-Lizenzen darauf ab, dass Wei- terentwicklungen stets unter der Ursprungslizenz veröffentlicht werden müssen. Die Wahl der passenden offenen Lizenz sollte also immer zum Projekt passen und mit den EntwicklerInnen abgestimmt werden. In den Tabellen 2.1 und 2.2 ist eine Auswahl von relevanten und im Projektkontext infrage kommenden Lizenzen für Software aufgeführt. Lizenz Beschreibung GPL - GNU General Public License, Version 338 Klassischer Vertreter von Lizenzen mit starkem Copyleft. Software, die GPL-Software einsetzt, muss ebenfalls unter die GPL gestellt werden und bei Veröffentlichung auch Open Source zu Verfügung stehen. LGPL - GNU Lesser General Public License39 Spezielle Form der GPL. Copyleft greift nur dann, wenn die verwendete LGPL-Software erweitert oder verändert wird, nicht aber, wenn die Bibliotheken ausschließlich ein- gebunden werden. Falls die eigene Software die LGPL- lizenzierte Software aber erweitert, ändert sich ihr Cha- rakter und das eigene Produkt muss vollständig unter die LGPL gestellt werden. AGPL - GNU Affero General Public License, Version 340 Weiterentwicklung der GPL. Sourcecode muss auch dann zur Verfügung gestellt werden, wenn Software nur über Netzwerke genutzt wird. Kompatibel mit GPLv3. Tabelle 2.1: Relevante Copyleft-Lizenzen, basierend auf dem Vortrag von Dr. Jäger beim DLR VE, 15.11.2016.41 22 2.4 Lizenzen Lizenz Beschreibung BSD License42 Einer der bekanntesten Vertreter der Gruppe der BSD- Lizenzen. Diese Lizenzen sind allgemein so frei definiert, dass unter ihnen stehende Software beliebig einsetzbar, erweiterbar, modifizierbar und zu vertreiben ist. MIT License43 Eine kurze und einfach gehaltene freizügige Lizenz. Ei- gene Software darf grundsätzlich unter eigenen Lizenzen veröffentlicht werden. Allerdings ist grundsätzlich die ur- sprüngliche Lizenz beizulegen und die oder der ursprüng- liche Rechteinhaberin oder Rechteinhaber zu nennen. Apache License 2.044 Eine beliebte freizügige Lizenz. Eigene Software darf grundsätzlich unter eigenen Lizenzen veröffentlicht wer- den. Allerdings ist grundsätzlich die ursprüngliche Lizenz beizulegen, der ursprüngliche Rechteinhaber zu nennen sowie Änderungen am Code kenntlich zu machen. Tabelle 2.2: Relevante Non-Copyleft-Lizenzen, basierend auf dem Vortrag von Dr. Jäger beim DLR VE, 15.11.2016.41 Zur Auswahl der eigenen Lizenz für die im Projekt entwickelten Tools und den Sourcecode wurden die Vor- und Nachteile der jeweiligen Lizenztypen abgewägt, dies ist in Tabelle 2.3 dargestellt. Darüber hinaus wurden auch die Lizenzierung in anderen Open-Source-Projekten und deren Lizenzkompatibilität geprüft. In der Tabelle 2.4 sind die für open_eGo relevanten Open-Source-Projekte mit ihrer jeweiligen Softwarelizenz aufgelistet. 39https://opensource.org/licenses/GPL-3.0 40https://opensource.org/licenses/LGPL-3.0 41https://opensource.org/licenses/AGPL-3.0 41 https://www.it-economics.de/blog/2016-3/pt9oi6kzodgcl1tmsfc1yn1vzq4usb?rq=lizenz 42https://opensource.org/licenses/BSD-2-Clause 43https://opensource.org/licenses/MIT 44https://opensource.org/licenses/Apache-2.0 23 https://opensource.org/licenses/GPL-3.0 https://opensource.org/licenses/LGPL-3.0 https://opensource.org/licenses/AGPL-3.0 https://www.it-economics.de/blog/2016-3/pt9oi6kzodgcl1tmsfc1yn1vzq4usb?rq=lizenz https://opensource.org/licenses/BSD-2-Clause https://opensource.org/licenses/MIT https://opensource.org/licenses/Apache-2.0 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Copyleft Permissive/Non-Copyleft Software kann beliebig verwendet und angepasst werden, muss aber bei Wei- tergabe / Vertrieb unter der gleichen Copyleft-Lizenz veröffentlicht werden. Software kann beliebig genutzt, verän- dert und vertrieben werden. Je nach Li- zenz ist ein Hinweis auf Ursprung erfor- derlich. + Transparenz der Softwareentwick- lung - keine Möglichkeit zur Nachverfolgung der Software-Entwicklung + Software bleibt stets Open Source - Software kann Closed Source werden - Änderungen müssen mit Datum dar- gelegt werden - (je nach gewählter Lizenz) keine Pflicht zur Markierung von Änderun- gen - keine Kombination von Code mit zwei inkompatiblen Copyleft-Lizenzen + Kombination von Permissive mög- lich, Kombination mit Copyleft fle- xibler - dies erschwert ggf. Anwendung des entwickelten Tools durch Dritte + keinerlei Einschränkungen der weite- ren Entwicklung und Verwendung des Tools Tabelle 2.3: Vergleich der Lizenztypen für Projektsoftware in open_eGo. Projekt Lizenz oemof GNU GPLv3 PyPSA GNU GPLv3 PyPOWER BSD 3-Clause License OSeMOSYS Apache License, Version 2.0 SciGRID Apache License, Version 2.0 osmTGmod Apache License, Version 2.0 OPSD MIT License Tabelle 2.4: Lizenzierung in anderen Open-Source-Projekten. 24 2.4 Lizenzen Als Anforderung an die eigene Lizenz wurden von den Projektpartnern zwei Prä- missen formuliert: • Das eGo-Tool und seine zugehörige Daten sollen von jeder und jedem (auch kommerziell) nutzbar sein. • Code und Daten sollen immer offen und frei zugänglich bleiben. Auf Grundlage dieser Vorgabe und den vorangegangenen Abwägungen wurde die standardmäßige Softwarelizenzierung unter AGPLv3 ausgewählt und vorgenom- men. Die weitergehende Implementierung der Lizenzierung innerhalb der Software wurde auf GitHub45 veröffentlicht. 2.4.2 Lizenzwahl für Daten Im Rahmen von open_eGo wurden nicht nur Code, sondern auch unterschiedliche Daten erstellt (Input und Output) und auf der OEP veröffentlicht. Bevor Datensätze im Projekt verwendet werden können, werden alle Lizenzen und die jeweilige Urhe- berschaft recherchiert und dokumentiert. Vor dem Prozessieren wird dann die ent- sprechende Lizenz-Kompatabilität geprüft. Dabei sind die jeweiligen Attribuierun- gen (z.B. Nennung des Urhebers und der Lizenz) und vorhandene Copyleft-Lizenzen zu beachten. Für die korrekte Verfolgung aller Datenverschneidungen wurde eine UML-Variante namens BPMN angepasst. Dadurch können alle Tabellen zurückver- folgt werden und mit der richtigen Attribuierung versehen werden. Einige der verwendeten Datensätze sind Public Domain und verlangen keinerlei Nut- zungspflichten. Der größte Teil der offenen Daten steht jedoch unter freizügigen Da- tenlizenzen mit Attributierungs-Pflichten. Zum Beispiel wird von vielen deutschen Behörden die Datenlizenz Deutschland verwendet. Bei offenen Datenlizenzen gibt es zudem das gleiche Copyleft-Konzept wie bei Software. Dadurch kann festgelegt wer- den, dass Daten mit einer offenen Lizenz stets offen bleiben und daraus abgeleitete Daten ebenfalls unter dieser Lizenz veröffentlicht werden müssen. Die am weitesten verbreitetste Daten-Copyleft-Lizenz ist die ODbL, die vom OSM -Projekt verwendet wird. Beispiel: In die Erstellung von Grid Districts fließen beispielsweise OSM (Lizenz: ODbL) und Zensus-Daten (Lizenz: Datenlizenz Deutschland) ein. Die resultierenden Daten müssen daher mit OdbL wieder veröffentlicht und die beiden Urheber genannt werden. 45https://github.com/openego/data_processing/wiki/Header-and-License 25 https://github.com/openego/data_processing/wiki/Header-and-License 2 Eine offene Datenbank und Plattform für die Energiesystemmodellierung Da der überwiegende Teil der erstellten OSM -Daten als Eingangsdaten verwendet wird, wurde entschieden, alle erstellten Datensätze ebenfalls mit der ODbL zu ver- sehen. Dies vereinfacht die Lizenzwahl und stellt die Kompatibilität aller Daten untereinander sicher. Das Vorgehen gliedert sich in folgende drei Punkte auf: • Alle verwendeten Eingangsdaten werden auf Lizenzkompatibilität geprüft, die Attribuierung wird in den Metadaten festgehalten. • Als Standard-Lizenz wird die ODbL gewählt. In Einzelfällen kann eine andere Lizenz gewählt werden, sofern dies möglich ist. • Als Lizenzgeber wird analog zur Code-Lizenzierung der Name des Instituts oder der Hochschule gewählt. Beispiel für entsprechende Metadaten auf der OEP: ’licenses’: ’name’: ’ODbL-1.0’, ’title’: ’ODC Open Database License v1.0’, ’path’: ’http://opendatacommons.org/licenses/odbl/1.0/’, ’attribution’: ’© CopyrightOwner’ ’sources’: ’title’: ’OpenStreetMap’, ’path’: ’http://www.openstreetmap.org’ ’attribution’; ’© OpenStreetMap-Mitwirkende’ Während die Fragen der Software-Lizenzierung durch die durchgeführte Rechtsbe- ratung zum überwiegenden Teil beantwortet werden konnten, gibt es bei der Da- tenlizenzierung juristische Uneindeutigkeiten die dazu führen, dass aufwändige und detaillierte Betrachtung jedes einzelnen Datensatzes notwendig sind. 26 http://opendatacommons.org/licenses/odbl/1.0/' http://www.openstreetmap.org' 3 Datengrundlage (exklusive Netzmodelle) Die im Rahmen des Forschungsprojekts entwickelten Netzplanungs- und -berechnungstools verlangen eine fundierte und konsistente Datengrundlage über alle betrachteten Net- zebenen hinweg. Diese gemeinsame Datenbasis ist im Rahmen von open_eGo ge- schaffen worden. Die Erstellung erfolgt im Dataprocessing, einem aus SQL- und Python-Skripten bestehenden Tool und wird im Folgenden ausführlich dargelegt. Es wird zunächst die Erstellung der Szenarien beschrieben und auf die Technolo- gieauswahl und installierten Leistungen von Erzeugern und Speichern eingegangen. Zentraler Aspekt der technisch-wirtschaftlichen Optimierung sind Kostenannahmen, die in Kapitel 3.3 dargelegt werden. Daraufhin wird die Erstellung von Last- und Netzgebieten sowie die räumliche und zeitliche Verteilung von Lasten und Erzeugern erläutert. Die Erstellung und Veröffentlichung folgt dabei durchgehend den Kriterien von Open Source und Open Data, worauf in Kapitel 3.7 genauer eingegangen wird. Abschließend erfolgt eine Diskussion der erstellten Methoden und Daten sowie eine Vorstellung der Anwendung des Dataprocessings. Die Erstellung der Netzmodelle wird aufgrund der zentralen Rolle im darauffolgenden Kapitel separat erläutert. 3.1 Szenarienerstellung Für die Tool-Entwicklung und -anwendung wurden drei Szenarien erstellt, die als exogener Input dienen. Neben dem Status Quo gibt es zwei Szenarien, die mögliche Pfade der zukünftigen Entwicklung des elektrischen Energiesystems im Rahmen der deutschen Energiewende darstellen. Im Zentrum der Modellierung und Szenariener- stellung steht dabei Deutschland, welches mit einer möglichst hohen zeitlichen und geografischen Auflösung abgebildet wird. Zudem werden die direkten Nachbarländer mit geringerer räumlicher Auflösung betrachtet, wie in Kapitel 4.1.4 erläutert. Als Szenarien wurden definiert: (1) Status Quo, (2) NEP 2035 und (3) eGo 100. Diese werden im Folgenden kurz beschrieben. Eine detaillierte Beschreibung der einzelnen Szenarien liefert [7]. Das Status Quo-Szenario ist auf Basis statistischer Daten für das Jahr 2015 ent- wickelt. Für Deutschland sind die installierten Leistungen des Kraftwerksparks aus den Kraftwerkslisten und Anlagenregistern [8, 9], welche im OPSD-Projekt erstellt 27 3 Datengrundlage (exklusive Netzmodelle) worden sind (berücksichtigt den Kraftwerkspark bis Ende 2015), anlagenscharf ent- nommen. Die aggregierten Kapazitäten für das Ausland basieren auf dem ENTSO-E Scenario Outlook and adequacy forecast 2014-2030 -Datensatz für das Szenario B aus der Tabelle 19:00pm Werte - Best estimate [10]. Das NEP 2035-Szenario basiert auf dem deutschen NEP Strom 2015 des ersten Entwurfs der vier Übertragungsnetzbetreiber (ÜNB) [3]. Von den sieben Szenari- en in diesem Bericht wurde das B2-2035 für das open_eGo-Projekt gewählt. Das Szenario wird als ein Szenario mit Ausbau Erneuerbare-Energie-Anlagen (EEA) am oberen Rand und erhöhtem Anteil an Erdgas sowie einer fortschreitenden Emissi- onsreduktion über die 20 Jahre beschrieben (vgl. [3], S. 28). In Planung befindli- che Gaskraftwerke sowie sämtliche der BNetzA gemeldeten Pumpspeicherprojekte werden berücksichtigt. In Analogie zum NEP werden für Nachbarstaaten die instal- lierten Leistungen dem ENTSO-E-Bericht Scenario Outlook and adequacy forecast 2014-2030 (19:00pm Werte, Vision 3) [10] angenommen. Das eGo 100-Szenario basiert auf der Studie e-Highway 2050 - Modular Develop- ment Plan of the Pan-European Transmission System 2050 [11]. Das Szenario be- schreibt ein zukünftiges elektrisches Energiesystem, welches in Deutschland zu 100% mit Erneuerbare Energien (EE) und im Ausland mit limitierten Gaskraftwerkkapazi- täten versorgt wird. Im Gegensatz zum originalen Szenario werden für das deutsche Energiesystem 13GW installierter Leistung von Gaskraftwerken entnommen (vgl. [12] und [13]). Die Tabelle 3.1 zeigt die charakteristischen Hauptunterschiede der erstellten Szena- rien. Der Anteil von EE steigt zwischen den Szenarien hinsichtlich der installierten Leistung und dem Anteil am elektrischem Stromverbrauch bis zu einer vollen regene- rativen Versorgung. Für alle drei Szenarien wird ein konstanter Stromverbrauch so- wie eine konstante Spitzenlast angenommen. Dies wird durch sich gegenseitig laststa- bilisierende Maßnahmen (Kompensationsanlagen, Demand-Side-Management, Elek- tromobilität, etc.) begründet, die im Projektrahmen von open_eGo nicht näher be- handelt werden konnten. Status Quo NEP 2035 eGo 100 DE gesamt DE gesamt DE gesamt EE-Anteil an installierter Leistung (%) 50 42 75 67 100 97 Jährlicher Netto Stromverbrauch (TWh) 506 1569 506 1569 506 1569 Jährliche Spitzenlast (GW) 87 253 87 253 87 253 EE-Anteil am el. Stromverbrauch (%)1 27 - 66 - 100 - Tabelle 3.1: Charakterisierung der Szenarien nach Schlüsselparametern für Deutsch- land und das gesamte Modell. 1Literaturwerte (siehe BMWi 2017 [14], NEP 2025 [3]), je Rechnung variierend 28 3.2 Technologieauswahl und installierte Leistungen 3.2 Technologieauswahl und installierte Leistungen 3.2.1 Erzeuger Die Erzeugungskapazitäten werden in erneuerbare und konventionelle Erzeugung un- terteilt. Für die jeweiligen Szenarien werden die Kapazitäten den genannten Studien entnommen und gegebenenfalls angepasst. So werden beispielsweise abweichend zum NEP 2015 die kleinen Kraft-Wärme-Kopplungsanlagen den Biomasse- oder Erdgas- anlagen zugewiesen. Die Tabelle 3.2 zeigt die installierten elektrischen Erzeugungs- kapazitäten in Deutschland und dem gesamten Modell für die drei Szenarien. Eine volle Beschreibung der installierten Erzeugungskapazitäten der Nachbarländer pro Szenario ist online veröffentlicht (siehe [13]). Erzeugerkapazitäten Status Quo NEP 2035 eGo 100 in GW DE gesamt DE gesamt DE gesamt Kernenergie 12,0 92,5 0,0 57,5 0,0 0,0 Braunkohle 21,2 46,0 9,1 25,7 0,0 0,0 Steinkohle 27,8 62,3 11,0 27,3 0,0 0,0 Erdgas 27,5 59,4 35,7 91,2 0,0 28,5 Öl 4,4 15,8 0,8 5,6 0,0 0,0 Abfallstoffe 1,7 8,0 1,6 1,6 0,0 0,0 Sonstige konv. Erzeugung 2,5 2,5 1,0 1,0 0,0 0,0 Summe konv. Erzeugung 97,1 286,5 59,2 209,9 0,0 28,5 Wind Onshore 41,3 66,1 90,3 154,9 98,4 382,1 Wind Offshore 3,4 5,0 16,4 42,8 27,0 65,9 Photovoltaik 38,5 48,3 60,6 114,3 97,8 300,1 Biomasse 7,2 15,2 8,3 36,0 27,8 93,3 Wasserkraft 5,3 69,7 5,8 70,7 3,2 84,5 Summe erneuerbare Erzeugung1 95,6 204,3 181,5 418,8 254,2 925,9 Gesamt 192,7 490,8 240,7 628,6 254,2 954,4 Tabelle 3.2: Installierte Erzeugungskapazitäten pro Szenario für Deutschland sowie den gesamten Betrachtungsraum nach Energieträger. [13] 1Zusätzlich zu den genannten Technologien sind hier auch wenige MW Geothermie- anlagen enthalten. 3.2.2 Speicher Die Speichertechnologien werden in Pumpspeicher, Batteriespeicher und Wasser- stoffspeicher unterschieden. Je nach Szenario werden verschiedene Kapazitäten ange- nommen. Während in den Szenarien Status Quo und NEP 2035 lediglich Pumpspei- cherkraftwerke als exogen installierte Speicherkapazitäten angenommen werden, wer- den im Szenario eGo 100 Batteriespeicher und Wasserstoffspeicher in den Nach- barländern ergänzt. In Deutschland werden zunächst keine Batterie- oder Wasser- 29 3 Datengrundlage (exklusive Netzmodelle) stoffspeicher fest installiert, da deren Einsatz und Verteilung Ziel der Optimierung (vgl. Kapitel 5) ist. Die Tabelle 3.3 zeigt die installierten Leistungen der Speicher für Deutschland sowie den gesamten Betrachtungsraum nach Speichertechnologie und Szenario. Speicherkapazitäten Status Quo NEP 2035 eGo 100 in GW DE gesamt DE gesamt DE gesamt Pumpspeicher 9,3 19,7 9,3 33,9 9,3 51,4 Batteriespeicher 0,0 0,0 0,0 0,0 0,0 16,7 Wasserstoffspeicher 0,0 0,0 0,0 0,0 0,0 39,7 Summe exogene Speicher 9,3 19,7 9,3 33,9 9,3 107,8 Tabelle 3.3: Speicherkapazitäten für Deutschland sowie den gesamten Betrachtungs- raum pro Szenario, auf Basis von [13]. Die Ermittlung der Pumpspeicherkapazitäten der verschiedenen elektrischen Nach- barn erfolgt mit Hilfe einer Annahme der zugrundeliegenden Statistik der ENTSO-E [10]. Die Notwendigkeit für dieses Vorgehen begründet sich durch unterschiedliche Angaben und statistische Zählweisen der verschiedenen nationalen und internatio- nalen Behörden, Instituten und Studien hinsichtlich der installierten Leistung von Pumpspeicherkraftwerken. Ein Abgleich der verschiedenen Angaben46 zeigt hierbei die inhomogene Datenlage bei den gemeldeten Kapazitäten. Zur Ermittlung der Ka- pazitäten auf Basis einer einheitlichen Quelle [10] wird diese näherungsweise aus der Differenz zwischen gesamter Wasserkraft-Kapazität und Wasserkraft aus erneu- erbarer Erzeugung bestimmt. Die Priorisierung zur Verwendung einer einheitlichen statistischen Quelle [10] führt dazu, dass die Kapazitäten für Länder wie Österreich, Schweiz und Schweden tendenziell unterschätzt und dagegen die Kapazitäten der Laufwasserkraft überschätzt werden. Das Verhältnis von Leistung und Energie P/E − ratio wird in Anlehnung an die verwendete Software Python for Power System Analysis (PyPSA) als konstant an- genommen. Dieses Verhältnis sowie die Wirkungsgrade der berücksichtigten Tech- nologien sind pro Szenario in Tabelle 3.4 dargestellt. 3.3 Kostenannahmen und -umrechnungen Die Optimierung der Kraftwerkseinsätze sowie des Netz- und Speicherausbaus (siehe Kapitel 5, 6, 7) erfolgt hinsichtlich minimaler, volkswirtschaftlicher Kosten. Somit werden zum einen Grenzkosten für die Erzeuger und Speicher je Szenario benötigt. 46OPSD National Capacities: https://data.open-power-system-data.org/national_ generation_capacity/2017-07-07/national_generation_capacity_since2013.xlsx 30 https://data.open-power-system-data.org/national_generation_capacity/2017-07-07/national_generation_capacity_since2013.xlsx https://data.open-power-system-data.org/national_generation_capacity/2017-07-07/national_generation_capacity_since2013.xlsx 3.3 Kostenannahmen und -umrechnungen Wirkungsgrad P/E-ratio Status Quo NEP 2035 eGo 100 Pumpspeicher 78,3% 78,3% 78,3% 6 Batteriespeicher 85,5% 87,0% 90,0% 6 Wasserstoffspeicher 25,3% 30,8% 44,8% 168 Tabelle 3.4: Zusammenstellung der technischen Annahmen für Batterie-, Wasser- stoff- und Pumpspeicher [15]. Zum anderen erfordert die netzebenenübergreifende wirtschaftliche Optimierung von Netz- und Speicherausbau die Kapitalkosten für die einzelnen Betriebsmittel der HöS- und HS-Ebene sowie der MS- und NS-Ebene. Im Folgenden werden die hier getroffenen Kostenannahmen dargestellt und erläutert. 3.3.1 Marginalkosten Die verwendeten Marginalkosten der Kraftwerke sind pro Erzeuger bzw. Energieträ- ger für die drei Szenarien in Tabelle 3.5 angegeben. In den Kosten sind die CO2- Preise pro Tonne (Status Quo: 5,91 EUR/tCO2, NEP 2035 : 31,00 EUR/tCO2, eGo 100 : 62,05 EUR/tCO2) inkludiert. Eine detailierte Beschreibung der Kostenannah- men, Quellen [13] und Berechnungen finden sich online47. Energieträger/Erzeugung Status Quo NEP 2035 eGo 100 EUR/MWh EUR/MWh EUR/MWh Kernenergie 4,68 5,48 – Braunkohle 10,78 17,64 – Steinkohle 14,95 24,79 – Erdgas 32,30 41,93 56,05 Öl 41,02 68,86 – Abfallstoffe 31,65 39,93 – KWK < 10 MW 23,96 31,11 31,63 Biomasse 23,96 31,11 31,63 Sonstige konventionelle Erzeugung 31,65 39,93 – Tabelle 3.5: Marginalkosten nach Energieträger und Szenario in EUR2014/MWh [13]. 3.3.2 Kapitalkosten Die Investitionskosten für die MS- und NS-Ebene sind in der Tabelle 3.6 darge- stellt. Es wird angenommen, dass nur Erdkabel zum Einsatz kommen. Die Investi- 47github.com/znes/FlEnS/tree/dev/open_eGo 31 github.com/znes/FlEnS/tree/dev/open_eGo 3 Datengrundlage (exklusive Netzmodelle) Komponente Overnight Investitionskosten TEUR pro Kabel, NS 9 km Kabel, NS inkl. Erdarbeiten (ländlich) 60 km Kabel, NS inkl. Erdarbeiten (urban) 100 km Kabel, MS 20 km Kabel, MS inkl. Erdarbeiten (ländlich) 80 km Kabel, MS inkl. Erdarbeiten (urban) 140 km Transformator, HS-MS 1000 Stück Transformator, MS-NS 10 Stück Tabelle 3.6: Exogene Annahmen zu den Netzausbaukosten in der Mittel- und Nie- derspannung auf Grundlage von [4] und [16]. Komponente Overnight Investitionskosten Mio. EUR pro EUR pro AC-Leitung, 380 kV 0,2 km 85 MVA · km AC-Leitung, 220 kV 0,15 km 290 MVA · km AC-Leitung, 110 kV 0,06 km 230 MVA · km Transformator, 380-220 kV 8,5 Stück 14167 MVA Transformator, 380-110 kV 5,2 Stück 17333 MVA Transformator, 220-110 kV Stück 7500 MVA DC-Leitung 1,5 km 375 MW · km DC-Konverter 0,2 Stück 200000 MW Tabelle 3.7: Exogene Annahmen zu den Netzausbaukosten in der Höchstspannungs- und Hochspannungsebene auf Grundlage von [4] (HS) und [3] (HöS). tionskosten der verschiedenen Kabel werden weitergehend in ländliche und urbane Gebiete unterschieden, da sich hier die Kosten bezüglich der Erdarbeiten deutlich unterscheiden (vgl. dena-Verteilnetzstudie [4]). Die Kosten für Leitungsausbau in der HöS- und HS-Ebene sind stark von der Art des Ausbaus abhängig. So ist die Zubeseilung eines Freileitungsseils auf bestehen- den Masten etwa ein Vierfaches günstiger als der Neubau einer Trasse (vgl. [3]). Ein weiterer Einflussfaktor auf die Kosten des Netzausbaus ist die Wahl der Über- tragungstechnologie. So ist der Ausbau von Erdkabeln deutlich kostenintensiver als der von Freileitungen. Im Folgenden werden zunächst die geringsten Kosten für ei- ne Zubeseilung einer Freileitung angenommen, in der Optimierung des HöS- und HS-Netzes (vgl. 5) ist es jedoch möglich die Kosten entsprechend zu erhöhen. Die Annahmen zu den Kosten für Leitungs- und Transformatorausbau auf HöS- und HS-Ebene können Tabelle 3.7 entnommen werden. In der ersten Spalte in Tabelle 3.7 sind die Kosten pro Kilometer bzw. Stück aus [3] und [4] angegeben. Da 32 3.3 Kostenannahmen und -umrechnungen der Netzausbau in der Optimierung der HöS und HS kontinuierlich stattfindet, wer- den Kosten pro Leistungseinheit benötigt, die in der zweiten Spalte dargestellt sind. Diese Umrechnung benötigt die Übertragungskapazität der einzelnen Komponenten die, sofern möglich, aus der entsprechenden Quelle oder dem bestehenden Netzda- tenmodell (vgl. Kap. 4) entnommen wird. Bei Leitungen erfolgt zusätzlich die Mul- tiplikation mit der jeweiligen Leitungslänge, welche im Netzdatenmodell enthalten ist. Für alle Szenarien werden in Anlehnung an [17] und [18] die gleichen Kostenan- nahmen getroffen. Dies ist auch nach den Veröffentlichungen des Projekts eHighway 2050 im Rahmen der vorausberechneten Kosten bis zum Jahr 2050 ein mögliches Szenario. Da das Innovationspotenzial von Wasserstoff- und Batteriespeichern im Ver- gleich zu Leitungen und Transformatoren deutlich höher ist, wird beim Ausbau von Energiespeichern im Gegensatz zum Netzausbau von variierenden Kosten je Sze- nario ausgegangen. Die Tabelle 3.8 zeigt die angenommenen Investitionskosten der Speichertechnologien in den drei hier betrachteten Szenarien. Batterien (Li-Ion) Wasserstoffspeicher Status Quo NEP 2035 eGo 100 Status Quo NEP 2035 eGo 100 Investitionskosten Leistung (TEUR/MW) 160 73 45 1215 815 575 Investitionskosten Energie (TEUR/MWh) 445 141 106 0,5 0,5 0,5 Investitionskosten insgesamt (TEUR/MW) 2830 919 678 1291 891 651 Betriebskosten (TEUR/MW/a) 2,27 0,65 0,44 3,21 2,21 1,62 Tabelle 3.8: Exogene Annahmen zu den Speicherausbau- und -betriebskosten je Sze- nario auf Grundlage von [19]. Die Quellen liefern Investitionskosten je Leistungseinheit und Energieeinheit. Um in der Optimierung der Nennleistung (siehe Kapitel 5) beide Kosten zu berücksichti- gen, werden diese über das jeweilige Verhältnis von Leistung und Energie (vgl. Kapi- tel 3.2.2) summiert. Zudem werden jährliche Betriebskosten berücksichtigt. Da der Ausbau von Pumpspeicherkraftwerken wie in Kapitel 3.2.2 beschrieben als exogene Annahme vorgegeben ist, werden nur Kostenannahmen für Batterien und Wasser- stoffspeicher benötigt. 33 3 Datengrundlage (exklusive Netzmodelle) 3.3.3 Annualisierung der Kapitalkosten Aufgrund der oben erläuterten unterschiedlichen Betrachtungsweisen des Netz- und Speicherausbaus der Netzebenen ist nur für die HöS- und HS-Ebene eine Annualisie- rung der Kapitalkosten notwendig, um temporäre Effekte innerhalb einer unterjäh- rigen Berechnung abbilden zu können. Mit der Barwertmethode werden die in den obigen Tabellen dargestellten Overnight costs (Kovernight) für den Netz- und Spei- cherausbau annualisiert. Hierzu wird der Rentenbarwertfaktor mittels des Zinsatzes p sowie über die gesetzliche Investitionsdauer T [20] für das jeweilige Vorhaben ge- bildet. Der Rentenbarwertfaktor PV A (present value of an annuity factor) ist in Gleichung 3.1 beschrieben. PV A = 1 p − 1 p · (1 + p)T (3.1) Aufgrund der Möglichkeit einer unterjährigen, stündlichen Berechungung bezieht sich auch der Barwert Kannuity auf die jeweilige Berechnungsperiode tPeriode und wird mit der Formulierung von 3.2 und 3.3 gebildet. tJahr ist hierbei mit 8.760 h definiert. tPeriode = tend_snapshot − tstart_snapshot [h] (3.2) Die unterjährigen, annualisierten Kosten als Barwert werden mit 3.3 durch die Multi- plikation des Rentenbarwertfaktors und dem Faktor für die unterjährige Berechnung bestimmt. Kannuity = Kovernight PV A · tPeriode + 1 tJahr (3.3) Standardmäßig werden die annualisierten Kosten mit den in Tabelle 3.9 dargelegten Parametern berechnet, Anpassungen sind für die Anwendung (vgl. Kap. 5 u. Kap. 7) jedoch möglich. 34 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete Komponente Zinssatz Betriebsdauer (a) Status Quo NEP 2035 eGo 100 AC-Leitungen 5% 40 40 40 DC-Leitungen 5% 40 40 40 Transformatoren 5% 40 40 40 Batteriespeicher 5% 20 25 30 Wasserstoffspeicher 5% 25 25 25 Tabelle 3.9: Parameter der Annualisierung je Szenario auf Grundlage von [19] (Spei- cher) und [21] (Leitungen und Transformatoren). Mit den Overnight-Investitionskosten der einzelnen Betriebsmittel und Speicher so- wie den Betriebskosten der Speichereinheiten aus dem vorangegangenen Unterkapi- tel ergeben sich die Investitionskosten für den entsprechenden Berechnungszeitraum. Diese sind exemplarisch für eine Jahresrechnung in Tabelle 3.10 dargestellt. Komponente Investitionskosten pro Jahr (EUR/MW) Status Quo NEP 2035 eGo 100 AC-Leitung, 380 kV 4,95 · Länge in km AC-Leitung, 220 kV 16,90 · Länge in km AC-Leitung, 110 kV 13,40 · Länge in km DC-Leitung 21,85 · Länge in km Transformator, 380-220 kV 825,63 Transformator, 380-110 kV 1010,14 Transformator, 220-110 kV 437,09 Batteriespeicher 227,27 65,25 44,13 Wasserstoffspeicher 91,76 63,38 46,30 Tabelle 3.10: Annualisierte Kosten je Szenario. 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete Das Ziel der netzebenenübergreifenden, hochaufgelösten Simulation und Optimie- rung des deutschen Stromsystems erfordert die räumliche Verteilung von elektri- schen Lasten und Erzeugern sowie die Zuordnung zu den einzelnen Netzebenen. Dabei ist eine der zentralen Herausforderungen, dass die Daten einerseits einen ho- hen Detaillierungsgrad aufweisen müssen, um den Anforderungen bei der Untersu- chung und Modellierung der niederen Spannungsebenen zu genügen, andererseits 35 3 Datengrundlage (exklusive Netzmodelle) für deutschlandweite Betrachtungen auf der HöS- und HS-Ebene auf ein sinnvol- les Maß aggregierbar sein müssen. Die im Projekt betrachteten Spannungsebenen und Schnittstellen zwischen diesen sind in Abbildung 3.1 schematisch dargestellt. Die im Projekt open_eGo verwendeten Methoden werden im Folgenden thematisch gegliedert vorgestellt. Abbildung 3.1: Betrachtete Netzebenen und deren Schnittstellen. 3.4.1 Umspannwerke (HöS-HS und HS-MS) In diesem Kapitel wird die geografische Lokation der Umspannwerke (UW) des HöS-HS-Datenmodells sowie an dem Übergabepunkt zwischen der 110 kV-Ebene zur MS-Ebene erläutert. Diese UW bilden nach Definition des open_eGo-Projektes die Schnittstelle zwischen Übertragungs- und Verteilnetz. Um den Open-Source- Anforderungen des Projekts zu entsprechen, werden im OSM -Datensatz vorliegende Daten zu UW verwendet [22]. Bedingt durch eine inhomogene Datenlage müssen die genutzten Daten vor ihrer weiteren Verwendung aufgearbeitet und angepasst werden. Um eine realistische und möglichst umfassende Datenbasis zu generieren, wird auf verschiedene in OSM verwendete Datentypen zurückgegriffen. So werden nicht nur UW des Datentypen way berücksichtigt, sondern auch die als node ge- kennzeichneten und im Falle der HöS-Netze auch UW des Datentypen relation einbezogen. Hinzu kommt, dass davon ausgegangen wird, dass die Daten bezüg- lich der Spannungsinformationen teils unvollständig oder nicht vorhanden sind. Um dennoch geeignete UW zu finden, werden solche identifiziert, die bereits den tag: power = {substation, sub_station, station}48 enthalten. Zusätzlich müssen diese auch Spannungsinformationen, die eine Verbindung zum HöS- bzw. HS-Netz auf- weisen, enthalten. Nicht berücksichtigt hingegen werden UW, die in Verbindung mit 48http://wiki.openstreetmap.org/wiki/Tag:power%3Dsubstation 36 http://wiki.openstreetmap.org/wiki/Tag:power%3Dsubstation 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete Step Assumption Result 1. Raw OSM data pro- cessing power=* extracted open power dataset of all voltage levels 2. Filter substations type node or way or relation power= substation or sub_station or station substations of all vol- tage levels 3. Filter voltage levels for EHV substations: voltage≥ 220,000 for HV substations: voltage=110,000 or 60,000 or line starts/ends at substation EHV substations HV substations HVRail substations 4. Filter relevant sub- stations situated within administrative bounda- ry frequency 6= 16.7 or 16.67 operator 6=DB_Energie or DB Energie GmbH or DB Netz or DB Netz AG substation 6= transition or traction EHV substations HV substations 5. Aggregate substati- ons aggregate substations that are situated within a distance of 75m from their boundary Transmission substa- tions Transition points Tabelle 3.11: Abstraktionsprozess zur Herleitung der HöS- und HS-UW basierend auf OSM -Daten [1]. dem Bahnnetz stehen. Ein Überblick über den Abstraktionsprozess ist in Tabelle 3.11 gegeben. Mittels der beschriebenen Methode konnten mögliche 4.082 HS-MS-Umspannwerke identifiziert werden. Von diesen sind 23 als node und 2.850 als way gekennzeichnet. Weitere 1.209 werden über die 110 kV-Leitungen, welche entweder im Bereich eines UW beginnen oder enden, kenntlich gemacht. Ausgehend von diesen 4.082 werden 361 UW, die irrelevant oder dem Bahnnetz zuzuordnen sind, ausgeschlossen. Weite- re 113 UW werden zu Gunsten benachbarter UW (Abstand kleiner 75m) mit einer größeren Fläche verworfen. Die resultierenden 3.608 HS-MS-Umspannwerke redu- zieren sich des Weiteren durch einen Abgleich mit der durch osmTGmod-erstellten Netztopologie (siehe Kapitel 4.1.1) auf 3.591 HS-MS-Umspannwerke (Datenmodell- version v0.4.5). Diese fungieren als Grundlage für die in Kapitel 3.4.3 beschriebenene Methodik zur Erstellung der MS-Netzgebiete und somit auch der Zuordnung von Er- zeugung und Verbrauch (vgl. Kapitel 4.1.3). Analog zur Ermittlung der HS-MS-Umspannwerke werden auch UW der Übertra- gungsnetzebene identifiziert und in das Datenmodell eingepflegt. Es resultieren ins- 37 3 Datengrundlage (exklusive Netzmodelle) gesamt 424 HöS-HS-Umspannwerke, welche in der weiteren Datensatzerstellung zur Zuordnung von Kraftwerken in der Übertragungsnetzebene dienen (siehe Kapitel 4.1.3). 3.4.2 Übertragungsnetzgebiete Übertragungsnetzgebiete stellen die „Einzugsgebiete“ der HöS-HS-Umspannwerke dar und werden im Projekt basierend auf den Standorten der UW mit Hilfe des Voronoi-Verfahrens gebildet (analog zu [23, 24]). Mit den in Kapitel 3.4.1 identifizier- ten 424 HöS-HS-Umspannwerken ergeben sich somit 424 Übertragungsnetzgebiete, die jeweils einem der UW zugeordnet werden. Dargestellt sind diese in Abbildung 4.3. 3.4.3 Mittelspannungsnetzgebiete MS-Netzgebiete werden in diesem Projekt als geografische Einheiten definiert, in denen sich das zugehörige MS-Netz erstreckt und welche somit der geographischen Zuordnung von Erzeugung und Verbrauch zu einem HS-MS-Umspannwerk dienen. Neben der Zuordnung von Erzeugung und Verbrauch müssen die MS-Netzgebiete sinnvolle geographische Einheiten für die Modellierung von MS-Netzen darstellen. Grund für die Modellierung der Topologie der MS-Netze ist, dass für diese im Ver- lauf des Projektes keine ausreichende und öffentlich verfügbare Datenlage existierte. Netzbetreiber sind nach [25] nur zur Veröffentlichung von aggregierten statistischen Werten verpflichtet. Aufgrund dieses Datenmangels mussten Methoden zur Gene- rierung von synthetischen Netztopologien erarbeitet werden, welche in Kapitel 4.2 dargelegt sind. Ein bereits bestehender Ansatz zur Bestimmung von Netzgebieten ist die Verwen- dung des Voronoi-Verfahrens (vgl. [24, 23]). Die Bildung von MS-Netzgebieten durch das Voronoi-Verfahren gewährleistet die Zuordnung von Erzeugern und Verbrau- chern zu den betrachteten UW. Allerdings eignen sich die entstehenden Gebiete aufgrund ihrer Geometrie nicht zur Modellierung der MS-Netztopologie. Den be- deutendsten Nachteil bildet die Zerschneidung einzelner Ortsteile bzw. Lastgebiete (vgl. Kapitel 3.4.4), welche dadurch doppelseitig an verschiedene MS-Netze ange- bunden würden und somit einen sehr hohen Netzausbaubedarf in der MS-Ebene zur Folge hätten. Um diesen Effekt zu verringern, werden Gemeindegrenzen als relevante Grenzen für MS-Netze betrachtet und in die Erstellungsmethodik integriert. Dabei können drei verschiedene Fälle auftreten: 38 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete 1. Befindet sich in einer Gemeinde genau ein UW, wird diese unbearbeitet als MS-Netzgebiet eingesetzt. 2. Befinden sich mehrere UW in einem Gemeindegebiet, wird dieses mit Hilfe des Voronoi-Ansatzes aufgeteilt. 3. Befindet sich kein UW in der betrachteten Gemeinde, wird diese dem nächst- gelegenen UW zugeordnet und die beiden Gebiete miteinander vereint. Die Erstellungsmethodik inklusive der genannten drei verschiedenen Fälle ist gra- phisch in Abbildung 3.2 dargestellt. Municipality border Type 1 (1 TP) Type 2 (> 1 TP) Type 3 (0 TP) Transition point Grid district Voronoi cell 0 10 20 km Abbildung 3.2: Beispiel für die Erstellung von Mittelspannungsnetzgebieten. Die beschriebene Methodik erzeugt für den verwendeten Datensatz 1.717 Gebiete, in denen sich genau ein UW befindet (Fall 1), 548 Gebiete mit einem oder mehreren UW (Fall 2) sowie 9.746 Gebiete, in denen sich kein UW befindet (Fall 3). Durch ver- schiedene Kombinationen dieser drei Fälle werden insgesamt 3.591 MS-Netzgebiete mit einer mittleren Fläche von 99 km2 geschaffen. Da MS-Leitungen über eine maxi- male Länge von 30 km verfügen [26, 27], darf auch im Modell die Distanz zwischen Verbraucher und UW diesen Grenzwert nicht überschreiten. Bei den vorgenommenen Berechnungen beläuft sich der größte Abstand auf 24 km. Folglich sind die resultie- renden Netzgebiete ausreichend klein, um darin technisch funktionierende MS-Netze zu modellieren. Durch die Anwendung der beschriebenen Methode der Kombination aus Voronoi-Zellen und Gemeindegrenzen zur Generierung von Netzgebieten kann eine Reduktion der Schnittlänge von Lastgebieten von 9.350 km auf 6.797 km gegen- über der Verwendung reiner Voronoi-Zellen erreicht werden (siehe [1]). 39 3 Datengrundlage (exklusive Netzmodelle) 3.4.4 Lastgebiete Um den Ansprüchen an eine hohe geographische Auflösung innerhalb des Projekts gerecht zu werden und gleichzeitig die Datenmengen so gering wie möglich zu halten, wurde eine Methodik zur Generierung sogenannter „Lastgebiete “(Load Areas) ent- wickelt. Diese stellen geographische Einheiten dar, denen ein elektrischer Verbrauch zugeordnet wird (vgl. Kapitel 3.4.6). Dafür werden aus dem OSM -Datensatz [28, 29] die Landnutzungsflächen (mit dem Tag landuse) den vier Bereichen Gewerbe, Han- del und Dienstleistung (GHD), Industrie, Wohnen und Landwirtschaft zugeordnet. Da bei der Kartographie subjektive Entscheidungen verschiedener Mapper einflie- ßen, gibt es Abweichungen bei den verwendeten Klassifizierungen und räumliche Qualitätsunterschiede der Grenzen eines Gebiets. So können ähnlich große Orte als eine gesamte Einheit oder auch als viele kleine Einheiten erfasst sein. Darum ist der erste Schritt Nutzungsflächen sinnvoll zusammen zu fassen und zu ergänzen. Die Methode ist in Abbildung 3.3 dargestellt. 0 250 500 m a) OSM sector residential OSM sector retail OSM sector industrial OSM sector agricultural 100m buffer OSM load area b) Population per ha Population load area c) Grid district Load area c)b)a) Abbildung 3.3: Erstellung der Lastgebiete: a) OSM-Landnutzung b) Zensus Bevöl- kerungsraster c) Resultierende Lastgebiete pro MS-Netzgebiet Um jede Nutzungsfläche wird ein Puffer von 100m erzeugt. Befindet sich in diesem Puffer eine weitere Nutzungsfläche, werden diese Gebiete zusammengeschlossen. Er- gänzt werden diese zusammengefassten Nutzungsgebiete mit den hochaufgelösten Zensusdaten [30]. Der Zensus-Datensatz enthält die Bevölkerungsanzahl in einem 100m × 100m Raster aus der Zensuserhebung im Jahr 2011. Da sich die Lastge- biete auch über die Grenzen der MS-Lastgebiete hinaus erstrecken können, werden diese verschnitten und in eigenständige benachbarte Lastgebiete aufgeteilt. Um eine Zuordnung des jährlichen elektrischen Energiebedarfs zu diesen geogra- phischen Gebieten zu ermöglichen, werden die Informationen zu den Anteilen der OSM-Landnutzungsflächen (GHD, Industrie, Wohnen, Landwirtschaft) und die Ein- wohnerzahl und -dichte für jedes erstelle Lastgebiet ergänzt. Mit dieser Methode werden deutschlandweit einheitliche Lastgebiete erstellt. Als Ergebnis entsteht ein Datensatz mit ca. 207.577 Lastgebieten mit einer Gesamtfläche von ca. 43.941 km2. 40 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete 3.4.5 Niederspannungsnetzgebiete Bei der Erstellung der NS-Netzgebiete kann nicht wie bei den MS-Netzgebieten vorgegangen werden, da keine ausreichend genaue Datengrundlage vorhanden ist. Es wird daher auf ein einfacheres Rasterverfahren zurückgegriffen. Ein Ziel ist es, die gesamte Fläche der Lastgebiete (Kapitel 3.4.4) in kleinere Einheiten zu zerlegen. Dafür werden die Flächen mit einem Raster der Größe 360 m× 360 m verschnitten. Innerhalb der Lastgebiete liegen somit abstrahierte, rechteckige NS-Netzgebiete vor. Um kleinere Fragmente an den Rändern zu vermeiden, werden kleine Teile dem nächsten Nachbarn zugeordnet. Im Mittelpunkt der Netzgebiete befindet sich die Ortsnetzstation (ONS). An diesem Punkt können sich jeweils mehrere NS-Transformatoren befinden. Über die ermittel- ten Kennwerte der Lastgebiete werden typische Anlagengrößen zugewiesen. Dadurch entsteht eine hierarchische Darstellung der Versorgungsstrukturen. 3.4.6 Verteilung des elektrischen Energiebedarfs Umfassende Kenntnisse der räumlichen Verteilung des elektrischen Energiebedarfs sind unerlässlich für die Durchführung von Lastflusssimulationen. In open_eGo wird der jährliche Stromverbrauch anhand von mehreren Datenquellen und Methoden den identifizierten Lastgebieten zugeordnet. Daten zum elektrischen Energiebedarf des Jahres 2011 für die verschiedenen Verbrauchssektoren werden dazu aus Veröffentli- chungen der statistischen Landesämter entnommen [31]. Die Methodik für die räumliche Zuordnung des Bedarfs ist vom betrachteten Sektor abhängig. Der jährliche Stromverbrauch der Haushalte wird anhand der Bevölke- rungsverteilung unter der Annahme einer direkten Korrelation zwischen der Ein- wohnerzahl und dem Stromverbrauch im Referenzgebiet ermittelt [32, 33, 34, 35, 24]. Für die Sektoren Industrie und GHD wird eine Korrelation zwischen Stromver- brauch und Bruttowertschöpfung angenommen [36, 23, 37]. Die Daten zur Brut- towertschöpfung liegen auf Landkreisebene für das Jahr 2011 vor [38]. In open_eGo wird die räumliche Auflösung für diese Sektoren erhöht, indem der jährliche Ver- brauch nicht nur den Landkreisen, sondern auch jedem Lastgebiet auf Basis von Daten zur Nutzungsfläche des jeweiligen Sektors zugeordnet wird. Der Annahme folgend, dass industrielle Großverbraucher über einen Direktanschluss an das HS- Netz verfügen, werden diese als Sonderfall betrachtet und nicht in die Lastgebiete integriert. Hier wird angenommen, dass, wenn einzelne OSM -Industriepolygone den maximalen Jahresstromverbrauch von 130 GWh/a (abgeleitet aus Annahmen in 4.4) 41 3 Datengrundlage (exklusive Netzmodelle) überschreiten, diese innerhalb des Modells als industrielle Großverbraucher gelten und im Rahmen der Zuordnung von Erzeugern und Verbrauchern zu den Netzknoten (vgl. 4.1.3) gesondert behandelt werden. Insgesamt beträgt der im Datenmodell berücksichtigte elektrische Stromverbrauch in Deutschland für das Jahr 2011 506 TWh. 45, 4 % davon wurden industriell genutzt. Haushalt und Handel waren für jeweils 26, 6 % und 28 % verantwortlich [31]. Es können 295 industrielle Großverbraucher, welche direkt an das HS-Netz angebunden sind und jährlich 26, 6 TWh Strom verbrauchen, identifiziert werden. 3.4.7 Verteilung der Konventionellen & Erneuerbare-Energie-Anlagen Die in open_eGo verwendeten Daten der Wirkleistungserzeuger werden aus offiziel- len, öffentlich verfügbaren Verzeichnissen wie z.B. der Kraftwerksliste und dem An- lagenregister, veröffentlicht von der BNetzA [39], entnommen. Diese Verzeichnisse stellen Informationen mit unterschiedlicher geografischer Auflösung zu den Kraft- werken bereit. Auftretende Datenlücken bezüglich der Spannungsebene, in welcher die Anlagen angeschlossen sind, und des genauen Standorts müssen daher ergänzt werden. Als Basis dafür dient die teilweise bereits angegebene Spannungsebene, die eingetragene Technologie und die installierte Leistung der einzelnen Kraftwerke. Mit Hilfe dieser Informationen können die Erzeugungsanlagen nicht nur räumlich, son- dern auch einer bestimmten Netzebene zugeordnet werden. Dabei werden Erzeu- ger mit einer Spannungslevel von 110 kV oder geringer UW mit dem Tag 110 kV zugeordnet, indem ein räumlicher Vergleich zwischen den Erzeugerstandorten und MS-Netzgebieten durchgeführt wird. Generatoren mit einem Spannungslevel über 110 kV werden den HöS-HS-Umspannwerken über die HS-Netzgebiete zugeordnet. Die Tabelle 3.12 zeigt die Zuordnung der Generatoren zu den Spannungsebenen für das Status Quo-Szenario für Deutschland. Spannungs- Nenn- Zuordnungs- Gesamtkapazität Gesamtkapazität ebene leistung ziel (erneuerbar) (konventionell) in MW in GW in GW 1 (HöS) HöS-Netz 7,39 88,66 2 (HöS-HS) Umspannebene 0,07 0,00 3 (HS) HS-Netz 16,28 19,56 4 (HS-MS) 4,5 - 17,5 Übertragungspunkt 9,73 2,45 5 (MS) 0,3 - 4,5 MS-Netz 34,89 0.05 6 (MS-NS) 0,1 - 0,3 Umspannebene 5,18 0,00 7 (NS) ≤ 0,1 NS-Netz 21,33 0,00 Tabelle 3.12: Zuordnung der Generatoren zur Spannungsebene über die Nennleis- tung sowie Summe der zugewiesenen Kapazitäten pro Spannungsebene für Deutschland im Status Quo (basierend auf [1]). 42 3.4 Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete In den Eingangsdaten liegt die geografische Auflösung bei ca. 15 km. Die vorhande- nen Koordinaten liegen in Mittelpunkten der Postleitzahlgebiete oder der Gemein- den. Dies führt dazu, dass eine große Anzahl von Kraftwerken gleicher und/oder verschiedener Technologie auf einem Punkt liegen. Bei Anlagen, die am HS-Netz angeschlossen sind, ist diese Auflösung ausreichend. Für die Zuordnung zu einem MS-Netzgebiet ist dies ebenfalls ausreichend, jedoch nicht für die Zuordnung zu den Last- und NS-Netzgebieten. Für die Erzeugung von möglichst realistischen MS-NS- Netzen ist diese Datengrundlage deshalb nur bedingt geeignet. Das Resultat wären eine auf wenige Netzknotenpunkte konzentrierte Erzeugungskapazität und stark ver- zerrte Ergebnisse in den Lastflussberechnungen. Aus diesem Grund wurde ein Verfahren zur räumlichen Verteilung der Anlagen- standorte in der MS und NS entwickelt und angewendet. Im ersten Schritt wird ermittelt, ob die Anlagen innerhalb des Betrachtungsgebietes, also den erstellten MS-Netzgebieten, liegen. Beispielsweise Offshore-WKA sowie Anlagen knapp außer- halb der Landesgrenzen liegen nicht in einem MS-Netzgebiet. Während die Offshore- Anlagen gesondert betrachtet werden, werden die übrigen Anlagen in das nächstlie- gende MS-Netzgebiet verschoben. Anschließend werden unterschiedliche Methoden zur Verteilung der verschiedenen Technologien angewendet. Als Grundlage dienen diverse Annahmen, z.B. dass WKA außerhalb (Abstandsregeln) und dachmontier- te Photovoltaik (PV)-Anlagen nur innerhalb der Lastgebiete liegen. Dabei werden die Methoden jeweils innerhalb eines MS-Netzgebietes durchgeführt. So wird sicher- gestellt, dass die Summen der Leistungen nicht verändert werden. Im Folgenden werden die Methoden einzeln beschrieben: M1-1: Biogas- und Biomasse-Anlagen Biogas-Anlagen finden sich überwiegend auf landwirtschaftlichen Betriebsflächen. Diese sind bereits bei der Erstellung der Lastgebiete ermittelt worden und liegen somit innerhalb der Lastgebiete. Es erfolgt eine Zuordnung über die installierte Leistung und die Größe der Fläche. Die größte Fläche erhält somit die größte Anlage. Auf jeder Fläche kann sich nur eine Anlage befinden. M1-2: Große PV-Aufdachanlagen PV-Aufdachanlagen, die wegen einer großen Anlagenleistung der HS-MS-Umspann- ebene zugeordnet werden, werden ebenfalls den landwirtschaftlichen Betriebsflächen zugeordnet. Dies basiert auf der Annahme, dass landwirtschaftliche Betriebe mit einer Biogas- oder Biomasse-Anlage häufig auch eine große PV-Anlage haben. M2: Windparks Im Eingangsdatensatz befinden sich viele WKA auf Punkten, die innerhalb von Lastgebieten liegen. Dies widerspricht dem Grundsatz, dass WKA aufgrund einzu- haltender Mindestabstände außerhalb von Städten oder Siedlungen stehen. Deswe- 43 3 Datengrundlage (exklusive Netzmodelle) gen wird ein Datensatz verwendet, der die sog. Weißflächen für Windenergieanla- gen (vgl. [40]) enhält. Diese Weißflächen zeigen Gebiete, in denen der Aufbau und der Betrieb von WKA zulässig ist. Große Windparks haben in der Regel einen ge- bündelten Stromnetzanschluss an der HS-MS-Umspannebene. Um diesen Umstand abzubilden, werden WKA, die einem zusammengehörenden Windpark mit HS-MS- Anschluss zugeordnet werden können, zusammen in eine Weißfläche verschoben. Die Zuordnung erfolgt über die Summe der installierten Leistung der WKA und der Größe der vorhandenen Weißfläche. Der größte Windpark verschiebt sich dadurch auf den Mittelpunkt der größten Weißfläche. M3: Windenergieanlagen Einzelne WKA werden über die gesamte Weißfläche innerhalb der MS-Netzgebiete verteilt. Es wird dazu ein gleichmäßiges Punkt-Raster mit einem Abstand von 500m innerhalb der Weißflächen erstellt. Die Verschiebung erfolgt über eine Zufallsvertei- lung. M4: Weitere Anlagen innerhalb der Lastgebiete In einigen MS-Netzgebieten kann es vorkommen, dass nicht ausreichend Weißflächen oder Landwirtschafsflächen zur Anlagenallokierung vorhanden sind. Zudem gibt es weitere Technologien (z.B. PV-Freiflächenanlagen), die nicht innerhalb der Lastge- biete liegen sollten. Diese und weitere Anlagen, die in den vorherigen Methoden nicht versetzt worden sind, werden über eine Zufallsverteilung außerhalb der Lastgebiete verschoben. M5: Niederspannungs-Anlagen Ein Großteil der Anlagen sind kleine PV-Dachanlagen. Diese sind zum überwie- genden Teil am NS-Netz angeschlossen, müssen sich also in diesem Datenmodell innerhalb der Lastgebiete befinden. Dafür wird ein gleichmäßiges Punkt-Raster mit einem Abstand von 50m innerhalb der Lastgebiete erstellt. Dies entspricht dem gemittelten Hausabstand. Alle NS-Anlagen werden über eine Zufallsverteilung auf diese Punkte verteilt. Da es in städtischen MS-Netzgebieten vorkommen kann, dass es deutlich mehr Anlagen als mögliche Punkte gibt, wird diese Methode mehrfach ausgeführt. Die Mehrfachbelegung innerhalb der Lastgebiete ist also möglich. Als Ergebnis entsteht ein Datensatz der Kraftwerke in Deutschland mit einer deut- lich höheren geografischen Auflösung. Sollte es in der Zukunft verbesserte Kraft- werkslisten mit genaueren oder sogar exakten Standortangaben geben, kann dieser Prozessschritt übersprungen werden. 44 3.5 Erstellung von Zeitreihen 3.5 Erstellung von Zeitreihen 3.5.1 Lastzeitreihen Die im Projekt verwendete Modellierung der Lastzeitreihen ist in Müller et al. [2] beschrieben. Hierbei wurde ein Bottom-Up-Ansatz, der im Wesentlichen auf der Ver- wendung von Standardlasprofilen des Bundesverband der Energie- und Wasserwirt- schaft (BDEW) [41] basiert, gewählt. Die räumlich hochaufgelöste Stromnachfrage steht sektorspezifisch (GHD, Industrie, Haushalt, Landwirtschaft) als Jahressum- me zur Verfügung (siehe Kapitel 3.4.6). Mit Hilfe von ebenfalls sektorspezifischen, normierten Standardlastprofilen wird der zeitliche Verlauf je Lastgebiet bestimmt. Hierfür wird die demandlib [42] verwendet, welche die BDEW-Standardlastprofile für Haushalt, Handel und Landwirtschaft [41] sowie ein Stufenprofil für die Industrie [43] liefert und Funktionen zur Skalierung der Daten bereitstellt. In der Abbildung 3.4 sind die vier verwendeten Profile für eine beispielhafte Woche dargestellt. Konsistent zu der Wahl des Wetterjahres stellt die Lastzeitreihe die Verbrauchscharakteriska des Jahres 2011 dar. Abbildung 3.4: BDEW-Standardlastprofile für GHD, Haushalt und Landwirtschaft sowie industrielles Stufenprofil für eine exemplarische Woche. Quelle: basierend auf [42] resp. [41] und [43] Das Blindleistungsverhalten der Verbraucher ergibt sich aus der Annahme, dass die aggregierten Verbraucher an den HS-MS–Umspannwerken einen induktiven cosφ von 0,95 aufweisen [44]. Standardmäßig und konsistent zu dieser Annahme wird auch innerhalb der Aggregate in der MS- und NS-Ebene vom gleichem Leistungsfaktor ausgegangen. 45 3 Datengrundlage (exklusive Netzmodelle) 3.5.2 Kraftwerkseinsatzzeitreihen Das Datenmodell liefert keine exogenen Kraftwerkseinsatzzeitreihen. Stattdessen ist der Kraftwerkseinsatz endogener Bestandteil der integrierten Optimierung, die in Kapitel 5 beschrieben ist. Die unterschiedlichen Grenzkosten der Technologien aus Tabelle 3.5 gehen dabei in die Zielfunktion ein, sodass günstige Kraftwerke bevorzugt eingesetzt werden. PV und WKA sind zusätzlich dargebotsabhängig, das heißt die Ressourcenverfüg- barkeit fluktuiert hier von Zeitschritt zu Zeitschritt. Diese Wetterabhängigkeit ist im folgenden Kapitel beschrieben. Alle weiteren erneuerbaren und konventionellen Anlagen werden ohne Ressourcenknappheit modelliert. 3.5.3 Wetterabhängige potentielle Einspeisezeitreihen von Photovoltaik- und Windkraftanlagen Die stundenscharfen, potentiellen Einspeisezeitreihen von PV- und WKA werden, wie im Folgenden erläutert, auf Basis von Wetterdaten aus einem Reanalyse-Wetter- modell erstellt und geografisch hochaufgelöst den einzelnen Anlagen zugewiesen. Wetterdaten-Modell CoastDat-2 : Die Wetterdaten des Zentrums für Material- und Küstenforschung in Geesthacht werden genutzt und über die in der CERA- Datenbank des DKRZ (Deutsches Klimarechenzentrum) gespeicherten Datensätze [45] abgerufen. Diese enthalten die atmosphärischen Daten des CoastDat-2 -Daten- satzes (ebd.), die mit dem Klimamodell COSMO-CLM generiert worden sind (vgl. [46]). Genutzt werden Windgeschwindigkeits- und Rauhigkeitszeitreihen, gemessen in einer Höhe von zehn Metern, sowie solare Einstrahlungsparameter. Auf Grundlage der Reanalysedaten von CoastDat-2 -Windgeschwindigkeiten und solaren Einstrah- lungen werden erhöhte Werte ermittelt, die mit einem Korrekturfaktor abgemildert werden, dies wird in einem späteren Abschnitt näher erläutert. Die räumliche Auflö- sung der Reanalyse liegt bei 0,22° Grad, was im betrachteten Gebiet in etwa einem Abstand zwischen den Rastermittelpunkten von ≈ 22 km entspricht. In Abbildung 3.5 ist die räumliche Verteilung der Wetterzellen (Bezugszellen des Wettermodells) dargestellt. Daraus geht zudem hervor, dass für die pro Land aggre- giert im Datenmodell dargestellten Nachbarländer auch die Auflösung der Wetter- daten auf eine Zelle im Mittelpunkt des jeweiligen Landes verringert ist. 46 3.5 Erstellung von Zeitreihen Abbildung 3.5: Geografische Verteilung der Wetterzellen zur Erstellung von wetter- abhängigen Einspeisezeitreihen auf Basis des COSMO-CLM Rasters von CoastDat-2. Wetterjahr In Analogie zu dem Messjahr der Lastzeitreihen und dessen histori- schen Lastprofilen auf nationaler Ebene (s. o.) steht die Wahl des Wetterjahres, da im Rahmen des Projektes keine Bereinigung der Wetterabhängigkeit z.B. des Temperaturverlaufes vorgenommen wurde. Als methodische Grundlage wurde das beschriebene Vorgehen des NEP (vgl. [3]) zur Wahl des Wetterjahres gewählt und für alle Szenarien angewendet. Im Netzentwicklungsplan 2015 1. Entwurf wird das Wetterjahr 2011 verwendet. Laut NEP handelt es sich bei dem gewählten Jahr 2011 um ein durchschnittliches Wetterjahr. Das Wetterjahr 2011 wird beim NEP 2015 hierbei zum ersten Mal gewählt. In den davor liegenden NEP wird das extremere Wetterjahr 2007, welches als windstarkes Wetterjahr klassifiziert wird (vgl. [47] und [48]), genutzt. Die Klassifizierung des Wetterjahres bezieht sich hierbei auf Deutsch- land. Berechnung der potentiellen Einspeisezeitreihen Mit der Datenbasis von CoastDat- 2 und der frei lizenzierten Software oemof feedin-lib [49], die gemeinschaftlich vom RLI sowie dem ZNES (Europa-Universität Flensburg und Hochschule Flensburg) entwickelt wird, werden normierte Einspeisezeitreihen pro Wetterzelle generiert. Um 47 3 Datengrundlage (exklusive Netzmodelle) die Komplexität der Optimierung nicht weiter zu steigern, werden standardisierte Referenzanlagen definiert und verwendet. Die Referenzanlagen dienen weitergehend für eine normierte potentielle Einspeisezeitreihenerstellung in Abhängigkeit ihrer geografischen Lage zu den Wetterzellen. Referenzanlagen Wind und Photovoltaik Für die Berechnung der PV-Einspei- sezeitreihen wird als Referenzanlage das Modul YL210 2008 E vom chinesischen Hersteller Yingli gewählt. Zudem wird ein Azimutwinkel von 180◦, eine Neigung von 30◦ sowie ein Rückstrahlungsvermögen von 0,2 p.u. verwendet. Als Referenzanlage für Offshore-WKA wird die von Siemens entwickelte SIEMENS SWT 3.6 120 mit einem Rotordurchmesser von 120m, einer Nennleistung von 3,6MW und einer Nabenhöhe von 90m gewählt. Die Anlage wird aufgrund des hohen Marktanteils des Herstellers gewählt. So hatte der Anlagenhersteller gemes- sen an der Anzahl der betriebenen Anlagen und der installierten Leistung im Jahr 2016 weltweit einen Marktanteil von über 60% [50], der in Deutschland noch einmal höher lag. Aufgrund des hohen Anteils von Onshore-Windenergie bei der Einspeisung in das HS- und MS-Netz, wird die Einspeisung der Onshore-WKA auf Basis von sieben Referenzanlagen mit unterschiedlichen Leistungsklassen berechnet. Die Tabelle 3.13 zeigt die sieben verwendeten Onshore-Referenzanlagen. Für das jeweilige Szenario sind der prozentuale Anteil der verschiedenen Referenzanlagen nach installierter Leistung und Anzahl der Anlagen aufgelistet. Status Quo NEP 2035 eGo 100 WKA-Modell Leistung Anzahl Leistung Anzahl Leistung Anzahl in % in % in % 1 VESTAS V 47 660 5,82 23,25 4,05 18,35 4,12 20,00 2 ENERCON E 53 800 4,72 8,77 6,06 11,34 6,21 11,40 3 NORDEX S 70 1500 13,80 15,49 14,75 17,54 14,59 17,10 4 VESTAS V 90 2000 31,95 26,95 28,71 25,23 27,85 24,08 5 ENERCON E 82 2300 14,73 10,51 14,76 10,86 14,50 10,49 6 NORDEX N 117 2400 17,42 10,15 18,56 11,32 19,00 11,40 7 VESTAS V 126 3300 11,56 4,88 13,11 5,37 13,73 5,54 Tabelle 3.13: Anteil der Onshore-Referenzanlagen an der installierten Leistung sowie der Anlagenanzahl pro Szenario. Die sieben Leistungsklassen wurden auf Basis von historischen Daten des Anlagenre- gisters für regenerative Erzeuger von der BNetzA gebildet. Sie sind jeweils durch eine untere und eine obere Grenze der Nennleistung auf Basis der Meldedaten der BNetzA ab August 2014 charakterisiert. Innerhalb jeder Leistungsklasse wird die meistver- wendete Anlage bestimmt. Als untere und obere Grenze sind die Zuordnungsgrößen in Form von Leistungsklassen nach installierter Leistung in MW angegeben. In der 48 3.5 Erstellung von Zeitreihen Leistungsbereich WKA-Modell Nabenhöhe Rotordurchmesser in MW in m von bis 1 0 0,7 VESTAS V 47 660 65 47 2 0,7 1,1 ENERCON E 53 800 73 53 3 1,1 1,6 NORDEX S 70 1500 65 70 4 1,6 2,1 VESTAS V 90 2000 105 90 5 2,1 2,4 ENERCON E 82 2300 108 82 6 2,4 3,1 NORDEX N 117 2400 141 117 7 3,1 inf VESTAS V 126 3300 137 126 Tabelle 3.14: Technische Parameter der Onshore-Referenzanlagen. Tabelle 3.14 sind die technischen Parameter für die Zeitreihenberechnung mit der oemof feedin-lib aufgelistet. Anhand der Wetterdaten und technischen Parameter berechnet das Python Tool oemof feedin-lib über hinterlegte Leistungskennlinien die potentiellen Einspeisezeitreihen der ausgewählten Anlagen. Die geografische Vertei- lung der Onshore-Referenzanlagen je HöS-HS-UW ist in Abbildung 3.6 dargestellt. Korrekturfaktor Die Einspeisezeitreihen der Referenzanlagen von Wind Onsho- re, Wind Offshore und PV sind mit Korrekturfaktoren versehen. Die Notwendig- keit eines Korrekturfaktors begründet sich durch die tendenzielle Überschätzung von Windgeschwindigkeiten und solarer Einstrahlung des verwendeten CoastDat- 2 -Wetterdatensatzes, welche zu überdurchschnittlich hohen Volllaststunden führt. Durch die Anwendung eines Korrekturfaktors werden diese auf durchschnittliche, reale Volllaststunden (siehe [51]) reduziert. Dies entspricht der Herangehensweise, die bereits in der Simulationssoftware renpass umgesetzt wurde (vgl. [52], S. 83). In Tabelle 3.15 sind die Korrekturfaktoren pro Technologie sowie die resultierenden maximalen Volllaststunden pro Szenario aufgelistet. Technologie Korrekturfaktor Volllaststunden Status Quo NEP 2035 eGo 100 Wind Onshore 0,6 1649 1611 1619 Wind Offshore 0,83 3897 3813 3813 Photovoltaik 0,8 968 963 962 Tabelle 3.15: Korrekturfaktoren und Volllaststunden der Wind-Referenzanlagen pro Szenario. 49 3 Datengrundlage (exklusive Netzmodelle) Abbildung 3.6: Übersicht über geografische Verteilung der Onshore-Windanlagen nach Anlagentypen sowie aggregiert pro HöS-HS-Umspannwerk. 3.6 Kritische Betrachtung der Ergebnisse Mit dem Ziel, eine möglichst detaillierte Abbildung des elektrischen Stromsystems von der HöS- bis zur NS-Ebene zu schaffen, kommt es zu einem Konflikt zwischen hoherKomplexität einhergehend mit einer großen Datenmenge undGenauigkeit. Die Entscheidung, den Kraftwerkspark sowie verschiedene Anlagen mit repräsenta- tiven und aggregierten Anlagentypen abzubilden, führt zu einer deutlichen Verein- fachung des Modells und verbessert die Rechenzeit in Bezug auf die Datenmodel- lerstellung sowie die folgenden Netzberechnungen und -optimierungen (vgl. Kap. 5). Jedoch sind durch diese Vereinfachung insbesondere lokale extreme Netzsituationen (z.B. in einzelnen MS- und NS-Netzen) nicht mehr abbildbar. Um diesen Effekt zu reduzieren, werden für Onshore-WKA mehrere Anlagentypen verwendet. Die methodische Verwendung eines Wetterjahres, wie sie im NEP beschrieben ist, ist ein gängiges Vorgehen. Hierbei muss jedoch die Abhängigkeit zwischen dem Wet- terjahr und dem Einfluss auf die Lastzeitreihen beachtet werden. Ungeachtet davon 50 3.6 Kritische Betrachtung der Ergebnisse beeinflusst die Wahl des Wetterjahres und die entsprechende Verwendung konsisten- ter historischer Lastzeitreihen die weiteren Modellergebnisse. Die Verwendung des Wetterjahres 2011 schafft eine bessere Vergleichbarkeit zum NEP 2015. Des Weite- ren schafft die Berechnung auf Basis von Wetterjahren in stündlicher Auflösung die Möglichkeit, realistische Extremsituationen, die im Planungsprozess berücksichtigt werden sollten, abzubilden. Die Verwendung eines alternativen Wetterjahres wur- de im Zuge des Anwendungsfalls (vgl. Kap. 5.4.5 und [53]) innerhalb des Projektes untersucht. Eine umfassende Sensitivitätsanalyse, welche eine Vielzahl von Wetter- jahren berücksichtigt, wurde dagegen nicht durchgeführt. Mit der Verwendung von Reanalyse-Wetterdaten des CoastDat-2 -Wetterdatensatzes müssen Korrekturfaktoren verwendet werden, um auf realistische Volllaststunden der fluktuierenden Erzeuger zu kommen. Aufgrund dieser bilanziellen Bereinigung werden Erzeugungspeaks um diesen Faktor gemindert. Verstärkend kommt hinzu, dass den Veröffentlichungen zu realen Volllaststunden, die aufgrund von Engpässen abgeschaltete Energie beinhalten. Daher wird das Potential tendenziell entsprechend zu stark reduziert. Da Netzausbaumaßnahmen maßgeblich von Extremsituationen abhängen, ist davon auszugehen, dass entsprechende Optimierungsergebnisse sensi- tiv auf dieses Vorgehen reagieren. Dieser Effekt ist besonders bei einer hohen geo- graphischen Auflösung sowie der detaillierten Berechnung von MS-NS-Netzen fest- zustellen. Die Verwendung von EEG-Bewegungsdaten für eine dynamischere Korrek- tur der Einspeisung und deren Abgleich waren zum Zeitpunkt der Modellentwick- lung aufgrund gekürzter Zuweisungsschlüssel und Lizenzrechte für eine konsequente Open-Data-Umsetzung unmöglich. Eine Analyse der Datenmodellgenauigkeit bezüglich der Erzeugungsanlagen wur- de im Rahmen einer Untersuchung des Einspeisemanagements (EinsMans) in Schles- wig-Holstein vorgenommen. Hier werden 94% der in 2015 vom EinsMan betroffenen Anlagen eindeutig im Modell identifiziert. Die nicht zuweisbaren Anlagen sind ledig- lich für 2% der Einspeisemanagementeinsätze verantwortlich [53]. Seitens der Verbrauchsannahmen besteht die Herausforderung, die verschiede- nen Verbrauchszeitreihen über die verschiedenen Spannungsebenen in einen zeit- lichen und geografischen Einklang zu bringen. Diesbezüglich wurden Top-Down- und Bottom-Up-Ansätze im Projekt untersucht. Als Ergebnis wurde eine Methode auf Basis der Lastgebiete mit einer Bottom-Up-Methode zur Lastzeitreihenerstel- lung entwickelt und angewendet. Die Abbildung 3.7 zeigt die Bottom-Up-Methode der aggregierten Lastzeitreihen im Vergleich zur nationalen ENTSO-E-Lastzeitreihe [54]. Mit der Auswahl der drei Szenarien vom Status Quo- über das NEP 2035 - zum eGo 100 -Szenario wird die Möglichkeit geschaffen, die Transformation des elektrischen 51 3 Datengrundlage (exklusive Netzmodelle) 26 01 Feb 2015 27 28 29 30 31 timestamp 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18 0.20 El ec tr ic ity d em an d in G W slp entsoe slp_wo_industrial Abbildung 3.7: Bottom-Up-Methode der Lastzeitreihenerstellung im Vergleich zur ENTSOE-Last[54]. Energiesystems hinsichtlich der sich ändernden Erzeugung darzustellen. Mit der An- nahme eines gleichbleibenden Stromverbrauchs wird davon ausgegangen, dass Effi- zienzsteigerungen und eventueller Mehrbedarf durch neue Anwendungen wie Elek- tromobilität sich untereinander ausgleichen [3]. Es ist insbesondere im Rahmen des eGo 100 -Szenarios möglich, dass neue Anwendungen bzw. Sektorkopplung steigen- de elektrische Verbräuche generieren, welche nicht durch effizienzsteigernde Maß- nahmen ausgeglichen werden können. Darüber hinaus wird durch die getroffene An- nahme eine zeitliche und örtliche Simultanität der gegenläufigen Effekte unterstellt. Auswirkungen von unterschiedlichen Lastannahmen wurden lediglich vereinfacht im Rahmen einer Sensitivitätsanalyse (siehe Kapitel 7.4.3) untersucht. Die aufgrund fehlender öffentlicher Daten entwickelte Methode zur Verteilung von EEA (vgl. 3.4.7) versucht annahmenbasiert eine möglichst realistische geografische Verteilung zu schaffen. Hierbei beeinflusst die Verteilung der EEA besonders die spätere Erstellung der synthetischen MS- und NS-Netze (vgl. 4.2) durch abweichende geografische Positionen im Vergleich zur Realität. 3.7 Umsetzung und Anwendung in der Open-Source-Umgebung Die Umsetzung der Datengrundlage erfolgt in zwei Open-Source-Umgebungen. Zum einen werden die Datenerstellungsskripte und deren Methoden unter Github49 er- 49 github.com/openego/data_processing 52 github.com/openego/data_processing 3.7 Umsetzung und Anwendung in der Open-Source-Umgebung stellt. Hierzu ist das Softwarepaket data processing geschaffen worden. Das data processing ist in den zwei Programmiersprachen SQL und Python entwickelt, um die Datensätze für die PostgreSQL+PostGIS OEDB (siehe Kap. 2.2) zu erstellen sowie anderen Nutzenden die Möglichkeit zu bieten, selbst das Softwarepaket des data processing zu nutzen. Zudem werden die verwendeten und erstellten Daten auf der im Projekt entwickelten OEP mit Metadaten zum Datensatz frei-lizenziert veröffentlicht (vgl. Kapitel 2.4). Dies umfasst die Rohdaten sowie die fertigen Datenmodelle, um eine möglichst große Transparenz und Reproduzierbarkeit herzustellen. Der Nutzen dieses aufwändigen Vorgehens zeichnet sich bereits anhand der Wiederverwendung von Software-Code und Daten durch andere Projekte und Institute (siehe Kapitel 8.4) ab. Eine besondere Herausforderung neben dem Mehraufwand für die Datenerstellung stellt die Lizenzierung der Daten dar (vgl. Kapitel 2.4). Hierzu wurden die Rohdaten hinsichtlich ihrer freien Nutzung und Lizenz sowie deren Kompatibilität beim Kom- binieren von verschiedenen Quellen geprüft. Hilfreich waren hierbei Erfahrungen aus dem von der Europa-Universität geführten Projekt OPSD und dem in Auftrag gege- benen Gutachten Legal Opinion – Legal Aspects of European Electricity Data (2017) 50 sowie die kooperative Zusammenarbeit innerhalb der openmod51. Für die Anwendung des data processing muss zunächst das Repository heruntergela- den und das Tool installiert werden. Eine Anleitung ist zusammen mit dem Quellcode unter Github49 veröffentlicht. Das data processing wird zentral über ein hierfür entwi- ckeltes Python-Skript (ego _data_processing.py) ausgeführt, welches sequenziell die einzelnen Skripte ansteuert. Der Durchlauf des Programms dauert mehrere Tage und bedarf einer höheren technischen Ausstattung an Rechenleistung und Speicher- kapazität. Eine besondere Herausforderung des data processing sind die Größe von Datensätzen (OSM ), verschiedene Datenformate und deren Verarbeitung. Auch stellt die Aktua- lisierung von Datensätzen bedingt durch lange Rechenzeiten eine Herausforderung dar. Hierdurch ist eine schnelle und kurzfristige Änderung von Daten kaum möglich. Die Ergebnisse des data processing sind versionierte Datensätze, die auf der OEP verfügbar sind. In Tabelle A.2 des Anhanges ist die sequenzielle Abfolge der Datenerstellungsskripte mit Skriptname und Beschreibung für das data processing aufgelistet. Eine weitere Dokumentation ist online unter ReadTheDocs52 zu finden. 50https://open-power-system-data.org/legal-opinion.pdf 51https://wiki.openmod-initiative.org/wiki/Choosing_a_license 52 https://data-processing.readthedocs.io 53 https://open-power-system-data.org/legal-opinion.pdf https://wiki.openmod-initiative.org/wiki/Choosing_a_license https://data-processing.readthedocs.io 4 Netzmodelle Ein zentraler Baustein der Entwicklung eines frei verfügbaren netzebenenübergrei- fenden Planungsinstruments ist die methodische Herleitung von elektrisch parame- trisierten Netztopologien. Neben der Erstellung ist die Verknüpfung dieser Netzto- pologien mit Erzeugung und Verbrauch (auf Basis der geschaffenen Datengrundlage gemäß Kapitel 3) wesentliches Thema dieses Kapitels. Durch die restriktive Daten- verfügbarkeit unterscheiden sich die verwendeten Methoden bei der Herleitung der Netzdatenmodelle der HöS-HS-Ebene und der MS-NS-Ebene. Dieses Kapitel glie- dert sich entsprechend in zwei Unterkapitel, in denen die jeweiligen Netzmodelle vorgestellt und die zugrundeliegende Methodik erläutert wird. 4.1 Netzdatenmodell der Höchst- und Hochspannungsebene Ein Open-Source-Netzdatenmodell für das deutsche HöS- und HS-Netz inklusive elektrischer Parameter zur Ermöglichung von Lastflussberechnungen stand zu Pro- jektbeginn nicht zur Verfügung. Dessen Erstellung wird aufgrund existierender Re- striktionen bei der Datenverarbeitung seitens der Netzbetreiber und Forschungs- institute (insbesondere auf HS-Ebene) mittels Open-Source-Methoden angestrebt. Zudem ist das entstehende Netzdatenmodell sowohl mit Informationen zu elektri- schen Eigenschaften der Netzkomponenten als auch mit den in 3.5 beschriebenen Zeitreihen der Erzeugung und des Verbrauchs zu verknüpfen, um Lastflussberech- nungen zu ermöglichen (siehe 4.1.3). Des Weiteren dient ein modularer Aufbau des Netzdatenmodells der Nutzung von verschiedenen Szenarien des Energiesystems und somit der wissenschaftlichen Untersuchung und Bewertung von diversen Forschungs- fragen. Die methodische Beschreibung der Netzmodellerstellung wurde innerhalb der Projektlaufzeit veröffentlicht [2]. 4.1.1 Modellierung der Netztopologie Um ein frei verfügbares Netzdatenmodell für die Transformatoren und Leitungen der Spannungsebenen 380 kV, 220 kV und 110 kV zu erstellen, gab es zu Projekt- beginn erste Bestrebungen, OSM [28] als eine Datenquelle in entwickelten Open- Source-Methoden zur Herleitung von Netzdatenmodellen zu verwenden [55, 56]. Die 55 4 Netzmodelle Voltage level OSM relations OSM ways Integrated in grid models 380 kV good good yes 220 kV good good yes 110 kV poor good typically not 60 kV poor good typically not ≤ 35 kV none poor no Tabelle 4.1: Qualität von OSM-Daten und deren Berücksichtigung in Netzmodellen je Spannungsebene [2]. Methoden des Programms osmTGmod [56] wurden im Rahmen dieses Projekts ver- wendet und weiterentwickelt. OSM -Daten bieten, wie andere Crowd-Source-Daten, den Vorteil einer großen Da- tensammlung in einem vergleichsweise kurzen Zeitraum. Allerdings gibt es auch Schwierigkeiten wie beispielsweise die heterogene Datenqualität durch die fehlende Einhaltung von Konventionen. Die verwendeten OSM -Objekte zur Erstellung des Netzdatenmodells sind Ways und Relations. Ways entsprechen existierenden Strom- leitungen und beinhalten die verbundenen Nodes sowie weitere mögliche Attribute wie die Anzahl an Kabeln oder Leiterseilen. Relations können aus einer Anzahl von Ways und weiteren Attributen bestehen. Sie werden in OSM zur Kennzeichnung von Stromkreisen verwendet und bieten in der Regel hinreichend viele Informa- tionen zur Berechnung von Lastflüssen. Allerdings ist die Datenverfügbarkeit von Relations unterhalb der 220 kV Spannungsnetzebene stark eingeschränkt (s. Tabelle 4.1), wohingegen die Ways auf dieser Ebene besser repräsentiert sind. Demzufolge werden die Informationen aus den Relations primär und aus den Ways sekundär verwendet. Gleichwohl gibt es Datenfehler wie nicht angeschlossene Teilnetze oder einzelne UW aufgrund der verminderten Datenqualität auf der 110 kV-Netzebene und durch un- terirdisch verlegte Stromleitungen, die mit dieser Methode nicht vollends erfasst werden können. Für diese unverbundenen Netzelemente wird mittels des Dijkstra Algorithmus die nächstliegende Leitung ermittelt und das Netzelememt daran an- geschlossen. Insgesamt ergeben sich in der aktuellen Datenversion (v0.4.5) 11.305 Netzknoten (s. Tabelle 4.2) mit 4.197 UW-Netzknoten (an denen Transformatoren und/oder Last- und Erzeugung angeschlossen sind), wovon 3.617 in der HS- (bei 3.591 davon sind MS-Netze untergelagert) und 580 in der HöS-Ebene liegen. Die Anzahl der Netzknoten und Betriebsmittel in open_eGo weicht von der in OSM ab, da zusätzliche Auslandsknoten und -betriebsmittel nach Kapitel 4.1.4 enthalten sind und vereinzelt auftretende Fehler in der Topologie der OSM -Leitungen manuell behoben worden sind. Die Netztopologie ist in Abbildung 4.5 visualisiert. 56 4.1 Netzdatenmodell der HöS- und HS-Ebene Parameter Anzahl Knoten 11305 davon osmTGmod open_eGo filter Netzknoten 4538 4197 Muffen 6756 7108 Betriebsmittel 19695 davon Freileitungen 18296 Kabel 871 Transformatoren 526 DC-Leitungen 2 Tabelle 4.2: Überblick über das resultierende Netzmodell der Höchst- und Hoch- spannungsebene (basierend auf [2] mit aktualisierten Werten der Versi- on v0.4.5). Innerhalb des Projekts werden unter anderem wissenschaftliche Fragen zum zukün- figten Netzausbau auf der HöS- und HS-Ebene adressiert. Hierzu sind zusätzlich zum derzeitigen Status Quo-Szenario Annahmen für zwei Zukunftsszenarien (NEP 2035, eGo100 ) getroffen worden. Da der Netzausbau endogener Bestandteil der Op- timierung ist und um eine hohe Vergleichbarkeit der verschiedenen Szenarien zu ge- währleisten, wird die Netzstruktur für die Zukunftsszenarien nicht exogen geändert. Der grundlegende Unterschied liegt in den Erzeugungsdaten und den entnomme- nen konventionellen Energiequellen. Um dennoch Schlussfolgerungen zum Einfluss von geplanten (und teilweise bereits umgesetzten) neuen Stromtrassen zu ermögli- chen, können diese optional als weiteres Szenario ausgewählt werden. Dafür wurden zwei Szenarien entwickelt. Im Szenario nep2035_confirmed sind alle Ausbauprojekte enthalten, die bereits von der BNetzA bestätigt sind und sich in der Umsetzung be- finden. Das Szenario nep2035_b2 enthält zusätzlich alle weiteren geplanten Trassen des NEP 2035-Szenario-B2. Die im NEP geplanten Projekte beschreiben oft nicht nur den Bau neuer Leitun- gen, in vielen Fällen sollen bestehende Trassen umgebaut werden. Dies erfordert den Rückbau von Bestandsleitungen und ist in den Berechnungen des Netzausbaus nach dem NEP berücksichtigt. Des Weiteren können optional die Anschlüsse an die Nachbarländer Belgien und Norwegen gewählt und untersucht werden. Die mit den exogenen Ausbau-Szenarien entstehenden Änderungen am Bestandsnetz sind in Abbildung 4.1 dargestellt. Die elektrischen Parameter der Ausbauleitungen werden soweit möglich anhand der geplanten Beseilung festgelegt, die Kapitalkosten entsprechen den im NEP je nach NOVA-Kategorie angegebenen Werten, die recherchierten Werte sowie eine weiter- gehende Beschreibung der Methodik sind in [57] dargelegt und erläutert. 57 4 Netzmodelle NEP2035_Confirmed NEP2035_B2 Abbildung 4.1: Exogene Netzausbauszenarien nach dem NEP [57]. 4.1.2 Annahmen zu den elektrischen Betriebsmitteleigenschaften Die aus OSM -Daten extrahierten Betriebsmittel benötigen Literaturannahmen zu deren elektrischen Eigenschaften, um die Erstellung eines frei verfügbaren Netzda- tenmodells der HöS- und HS-Ebene zur Durchführung von Lastflussberechnungen, zu ermöglichen. Während dieses Abstraktionsprozesses werden einheitliche, elektri- sche Eigenschaften für die Stromleitungen angenommen. Hierbei werden die Leitun- gen einzig gemäß ihrer Spannungsebene und ihrer über- oder unterirdischen Lage unterteilt (siehe Tabelle 4.3). Vnom type Snom R′ L′ C ′ in kV in MVA in Ω/km in mH/km in nF/km 110 line 260 0.109 1.2 9.5 110 cable 280 0.0177 0.3 250 220 line 520 0.109 1 11 220 cable 550 0.0176 0.3 210 380 line 1790 0.028 0.8 14 380 cable 925 0.0175 0.3 180 Tabelle 4.3: Elektrische Parameter für über- und unterirdische Stromleitungen der Höchst- und Hochspannungsebene (basierend auf [58]). Des Weiteren wird die Anzahl an Stromkreisen zwischen Netzknoten über die An- zahl an Leiterseilen zwischen ihnen (OSM tag: cables) abgeschätzt. Die Annahme 58 4.1 Netzdatenmodell der HöS- und HS-Ebene beruht auf der exklusiven Existenz von dreiphasigen AC-Verbindungen im öffentli- chen Stromnetz Deutschlands (siehe [59] und vgl. Kapitel 4.1.4). Bei der Zuordnung dieser elektrischen Eigenschaften zu den OSM -Leitungen gemäß ihrer Länge wird zudem eine konstante Frequenz von 50Hz angenommen. Darüber hinaus ergeben sich bei der Zuordnung pro Länge Fehler mit den in Abschnitt 4.1.1 beschriebenen unverbundenen Stromkreisen oder Transformatoren, die anschließend der nächstlie- genden Leitung durch eine gerade Linie zugeordnet werden. Bei allen Knotenpunkten, an denen Leitungen unterschiedlicher Netzebenen ange- schlossen sind, wird pro Spannungsebene jeweils ein Knotenpunkt erstellt, welche durch einen Transformator verbunden sind. Daraus ergeben sich drei Typen an Transformatoren zur Verbindung von je zwei der 110 kV, 220 kV und 380 kV Span- nungsebenen. Deren Kapazitäten werden so aus den verbundenen Leitungen abge- schätzt, dass diese nicht die limitierende Größe in Lastflussberechnungen sein können (siehe [56]). Zudem werden die Impedanzen der Transformatoren den Reaktanzen gleichgesetzt mit der Annahme, dass die Wirkwiderstände auf HöS- und HS-Ebene gegenüber den Reaktanzen vernachlässigbar klein sind [60]. Zusätzlich werden noch die folgenden Vorgehensweisen für die Lastflussberechnungen getroffen: • Der Knotenpunkt mit der jährlich größten Erzeugung ist der Slack-Knoten [36]. • Erzeuger ab einer Leistung größer 50MW werden mit PV-Regelverhalten ab- gebildet [36]. • Das Knotenverhalten ergibt sich aus dem Regelverhalten der angeschlossenen Erzeuger. Zeigt mindestens einer PV-Verhalten, so wird der gesamte Knoten als PV-Knoten interpretiert [36]. • Die (n-1)-Sicherheit wird über Reduktion der Übertragungsleistung auf 50% für HS-Übertragungsmittel (da im Mittel ca. zwei Systeme parallel geschaltet sind) und 70% für HöS-Übertragungsmittel [6] vereinfacht berücksichtigt. 4.1.3 Zuordnung von Erzeugungs-, Verbrauchs- und Speicherdaten zum Netzmodell Um die Nutzung des resultierenden HöS-HS-Netzmodells für Lastflussberechnun- gen zu ermöglichen, müssen die in Kapitel 3 beschriebenen Daten zu Erzeugern, Verbrauchern und Speichern mit diesem verknüpft werden. Die dazu aufgebaute Datenstruktur orientiert sich an den im Open-Source-Tool PyPSA definierten Kon- ventionen [61]. Die Zuordnung von Erzeugern, Verbrauchern und Speichern erfolgt 59 4 Netzmodelle Netzebene Installierte Leistung Zuordnungspunkt 1 HöS > 120MW HöS-Netz 3 HS 17,5 - 120MW HS-Netz 4 HS-MS 4,5 - 17,5MW HS-MS-Umspannwerk 5 MS 0,3 - 4,5MW MS-Netz 6 MS-NS 0,1 - 0,3MW MS-NS-Umspannwerk 7 NS < 0,1MW NS-Netz Tabelle 4.4: Annahmen zum Zusammenhang zwischen installierter Kraftwerksleis- tung und Netzebenenanschluss basierend auf [62] und [4]. zweistufig. Zunächst werden diese auf Basis ihrer installierten Leistung bzw. Spit- zenlast einer Netzebene zugeordnet (vgl. Tabelle 4.4). Eine Ausnahme bilden hier Offshore-WKA, welche generell der HöS-Ebene zugeordnet werden, und Onshore- WKA, für die Informationen zum Netzebenenanschluss aus der zugrundeliegenden Datenbasis entnommen werden (vgl. Kapitel 3.4.7). Für WKA stehen hier verhält- nismäßig gut gepflegte Daten zum Netzanschluss zur Verfügung und eine Definition der Netzebene auf Basis der installierten Leistung von Einzelanlagen erscheint auf- grund des Zusammenschlusses zu Windparks nicht zulässig. Wie bereits in Abschnitt 3.4.6 beschrieben wird der elektrische Verbrauch durch Lastgebiete repräsentiert, welche im Modell der MS-Ebene zugeordnet sind. Industrielle Großverbraucher wie- derum werden direkt der HS-Ebene zugewiesen. Allgemein gilt, dass Anlagen und Verbraucher, welche in den MS- und NS-Netzebenen verortet sind, aus Sicht des HöS-HS-Netzmodells am HS-MS-Umspannwerk wirken und zur Limitierung der Da- tenmengen in dem entsprechenden Modell teilweise in aggregierter Form vorliegen. Nachgelagert zur Zuordnung der Netzebene erfolgt die geographische Zuordnung von Erzeugern, Verbrauchern und Speichern zu ihrem relevanten Netzknotenpunkt des HöS-HS-Modells. Für Anlagen in der HS-Netzebene oder untergelagerten Netzebe- nen und Lastgebieten erfolgt dies basierend auf den in Abschnitt 3.4.3 beschriebenen Mittelspannungsnetzgebieten. Abbildung 4.2 zeigt entsprechend resultierend die in- stallierten Erzeugungsleistungen und den Verbrauch je Mittelspannungsnetzgebiet resp. HS-MS-UW. Für Anlagen in der HöS-Netzebene werden die Übertragungsnetzgebiete aus Kapitel 3.4.2 herangezogen. Über einen geographischen Abgleich der Kraftwerks- und Last- gebietsstandorte mit den Netzgebietspolygonen ist damit eine eindeutige Zuordnung zum relevanten Netzknoten möglich. Der Anschluss von Offshore-Windparks erfolgt manuell an realistischen Netzverknüpfungspunkten in der HöS-Netzebene, basierend auf Informationen aus [63, 64, 65]. Ergebnis ist die in Abbildung 4.3 dargestellte Ver- teilung der installierten Leistungen im HöS-Netz. Sichtbar werden hier beispielsweise der Anschluss der Offshore-WKA an den Netzverknüpfungspunkten der westlichen 60 4.1 Netzdatenmodell der HöS- und HS-Ebene Abbildung 4.2: Installierten Erzeugungsleistungen und Verbrauch je Mittelspan- nungsnetzgebiet (resp. HS-MS-UW) im Status Quo-Szenario. Nordseeküste sowie die Lage konventioneller Großkraftwerke. So gehen unter ande- rem die Standorte der Atomkraftwerke aus der Grafik hervor. Zu optimierende Speichereinheiten werden in zwei Arten unterteilt: Lithium-Ionen- Speicher undWasserstoffspeicher in unterirdischen Salzkavernen. Die Lithium-Ionen- Batteriespeicher dienen als repräsentative Technologie für Kurzzeitspeicher (Stun- den) und sind an jedem Netzknotenpunkt umsetzbar. Die unterirdischen Wasser- stoffspeicher repräsentieren langfristige, saisonale Speichertechnologien (Wochen) und können an den Netzknoten gebaut werden, die über entsprechende unterirdische Salzformationen verfügen. Die Informationen über Salzkavernen sind in Abbildung 4.4 dargestellt. 61 4 Netzmodelle Abbildung 4.3: Verteilung von installierten Leistungen im HöS-Netz. Abbildung 4.4: Salzformationen in Norddeutschland (hellblaue Flächen) und dar- überliegende UW (orange Vierecke) als denkbare Orte für unterirdi- sche Wasserstoffspeicher mit Anschluss an das Stromnetz [66]. 62 4.1 Netzdatenmodell der HöS- und HS-Ebene 4.1.4 Modellierung der Netzverbindungen zu Nachbarstaaten Das deutsche Stromnetz steht mit einer Vielzahl Nachbarländer in einem elektrischen Energieaustausch. Das erstellte Netzmodell mit dem Fokus auf Deutschland wird um diese Nachbarländer erweitert, wobei diese Länder in einer weiteren Abstraktionsebe- ne als ein einzelner Netzknotenpunkt repräsentiert sind. Dies ermöglicht einen Aus- tausch im europäischen Netzverbund ohne die Komplexität des Netzmodells stark zu erhöhen. Berücksichtigt werden nur die direkt verbundenen Nachbarländer re- sp. Polen (PL), Tschechien (CZ), Österreich (AT), Schweiz (CH), Frankreich (FR), Luxemburg (LU), Niederlande (NL) Dänemark (DK) und Schweden (SE), wie in Abbildung 4.5 dargestellt. Abbildung 4.5: Übersicht der Nachbarländer. In grau Regionen mit Ländercode, in rot die Status Quo-Netztopologie der HöS- und HS-Ebene. Mit dem zusätzlichen Szenario BE_NO_NEP 2035 kann wie in Abschnitt 4.1.1 beschrieben zudem der direkte Anschluss an Belgien und Norwegen für das Szenario NEP 2035 erfolgen und somit die Nachbarländer ergänzen. Die installierten Leistungen des Kraftwerksparks sowie die Speicherkapazitäten je nach Technologie und Nachbarland basieren für die Szenarien Status Quo und NEP 2035 auf von der ENTSOE veröffentlichten tatsächlichen Daten für das Jahr 2014 63 4 Netzmodelle bzw. Zieldaten für das Jahr 2030. Die installierten Kraftwerke und Speicherkapazi- täten für das Szenario eGo 100 werden vergleichend zum deutschen Kraftwerkspark aus der eHighway2050 -Studie [11] entnommen. Die Erstellung der Zeitreihen wet- terabhängiger Erzeuger erfolgt auch hier mit dem in Kapitel 3.5.3 erläuterten Da- tensatz. Auch die Lastzeitreihen der jeweiligen Szenarien werden den Daten der ENTSOE zum Jahr 2014 entnommen, wie auch bei den innerdeutschen Lasten wird eine konstante Last für alle Szenarien angenommen. Diese Lasten, Erzeuger und Speicher werden an manuell erstellte neue Knotenpunkte im jeweiligen geografischen Zentrum des Nachbarlandes angeschlossen. Die Span- nungsebenen der Knoten ergeben sich aus den grenzüberschreitenden Leitungen und werden über Transformatoren miteinander verbunden. Alle grenzübertreten- den Stromleitungen werden anschließend mit den Mittelpunktsknoten gemäß ihrer Spannungsebene verbunden. Dabei wird standardmäßig die Anzahl der Leitungssys- teme und somit auch die Übertragungskapaztät der grenzüberschreitenden Leitung übernommen. Eine Anpassung der Austauschkapazitäten an die in [67] veröffentlich- ten thermischen Kapazitäten und NTC-Werte ist zudem möglich. Dabei werden die Kapazitäten zwischen den Ländern linear auf die einzelnen Leitungen und Systeme verteilt. Die Auswertung der angenommenen Auslandskapazitäten wird in Kapitel 4.1.5 diskutiert. Die elektrischen Eigenschaften der Leitungen sind anhand der in Tabelle 4.3 aufge- führten überirdischen Leitungsparametern definiert. Die grenzüberschreitenden DC- Leitungen nach Schweden (Baltic Cable) und Dänemark (Kontek) werden manuell zwischen den entsprechenden Knotenpunkten definiert. Die Spannungsebene sowie die Übertragungskapazität und Länge der Leitung sind entsprechend der Herstel- lerdaten [68] und [69] festgelegt. Der Wirkungsgrad der DC-Leitungen und deren Konverter wird nach Quelle [70] bestimmt. Zur Verbindung der Nachbarstaaten untereinander sind zusätzlich direkte Höchstspannungsleitungen zwischen den je- weiligen Netzknoten in den Ländermittelpunkten definiert. Grundlage dafür ist ein im Vorfeld mit Hilfe von GridKit53 erstellter Import der ENTSOE-Karte. Die dort enthaltenen Informationen über die Anzahl der Leitungsysteme je Spannungsebe- ne wird übernommen. Die elektrischen Parameter entsprechen auch hier den in 4.3 definierten Werten. Aufgrund der deutlich stärkeren Abstraktion der Nachbarstaaten auf nur einen Kno- ten je Land, kann es in Einzelfällen zudem sinnvoll sein, auch die Verbindungen zu und zwischen diesen vereinfacht zu betrachten. Dies ist möglich, indem die Leitun- gen nicht als Wechselstrom- sondern als verlustfreie Gleichstromleitungen modelliert 53https://github.com/bdw/GridKit 64 https://github.com/bdw/GridKit 4.1 Netzdatenmodell der HöS- und HS-Ebene werden. Daraus resultiert eine Vernachlässigung der elektrischen Netze der Nach- barländer, zudem ist keine Berücksichtigung von Blindleistungsbedarf und -transfer möglich (siehe auch 5.2). Auch hier ist die zuvor erläuterte Anpassung der Kapazi- täten auf veröffentlichte Daten optional. 4.1.5 Kritische Betrachtung Der methodische Crowd-Source-Ansatz (siehe 4.1.1) birgt das Risiko von unzurei- chender Datenqualität aufgrund des unterschiedlichen Hintergrundwissens der Mit- wirkenden von OSM . Die Plausibilitätsprüfung der Netzdaten ist daher von großer Bedeutung, wobei eine separate Erstqualitätsprüfung der OSM -Daten durch Pro- jektmitarbeiter nicht innerhalb des Projektrahmens gewährleistet werden konnte. Die Qualität der erzeugten Netzdaten wurde hingegen kontinuierlich während der gesamten Projektlaufzeit im Rahmen des data processing geprüft und angepasst. Darüber hinaus werden die Netzdaten durch den stringent verfolgten Open-Source- Ansatz des Projekts von einer Vielzahl von Wissenschaftlern genutzt und implizit geprüft. Lediglich für die grenzüberschreitenden Leitungskapazitäten konnte eine Validie- rung durchgeführt werden. Hierzu wurden die in open_eGo verwendeten Kapazitä- ten aus osmTGmod mit den in [67] angegebenen Werten sowie der Anzahl der in der ENTSOE-Karte angegeben Systeme verglichen. Beide Quellen stellen nur Daten für die HöS-Ebene bereit, sodass kein Abgleich der Hochspannungsleitungen möglich ist. Abbildung 4.6 zeigt die Austauschkapazitäten, die im open_eGo-Datenmodell enthalten sind (EGO), im Vergleich zu den in [67] für das Jahr 2015 (ACER 15) und 2016 (ACER 16) genannten Werten. Um zudem einen Vergleich zu den Systeman- zahlen der ENTSOE herstellen zu können, wurden diese mit den in 4.3 genannten Leistungen von Freileitungen hochgerechnet. Da in den Quellen die HS-Ebene nicht berücksichtigt ist, werden auch die in open_eGo verwendeten Daten in gesamte Kapazität (EGO HV + eHV) und HöS-Ebene (EGO eHV) unterteilt. Insgesamt fällt auf, dass auch die Quellen untereinander, insbesondere ACER 15 und ACER 16, voneinander abweichen. Gründe dafür werden hier nicht näher betrachtet. Die in open_eGo verwendeten Austauschkapazitäten auf HöS-Ebene liegen meist im Bereich der Werte von ACER und ENTSOE, mit Ausnahme von Frankreich, dessen Kapazität leicht unterschätzt scheint. Offen bleibt jedoch die Auswertung der grenz- überschreitenden Hochspannungsleitungen, die im Beispiel Frankreich zu einer An- näherung an die veröffentlichten Daten führen. Aufgrund der merklichen Abweichun- gen der Übertragungskapazitäten ins Ausland ist es im weiteren Verlauf möglich, Be- rechnungen mit den in [67] genannten thermischen Kapazitäten durchzuführen. Die 65 4 Netzmodelle Abbildung 4.6: Vergleich der grenzüberschreitenden Leitungskapazitäten. Modellierung der Netzverbindungen zu den Nachbarstaaten erfolgt jedoch nur für die direkt verbundenen Länder und nicht den gesamten Netzverbund. Dies schränkt zum einen die Loop-Flows zwischen den Ländern ein, zum anderen kann die fehlen- de Berücksichtigung von Austauschkapazitäten der modellierten Nachbaarstaaten zur Verzerrung von Netzsituationen führen. Dies kann zudem aus der Aggregation der Netzmodelle der Nachbarstaaten auf einen Knoten resultieren, da dort so keine Netzengpässe möglich sind. Des Weiteren ist die aktuelle Fahrweise der Austausch- kapazitäten nur eingeschränkt abgebildet, da beispielsweise die Phasenschieber an der Grenze zum polnischen Netz nicht im Modell enthalten sind. Leider existiert nach unserem Wissensstand kein vergleichbares Netzmodell für Ge- samtdeutschland, weshalb die Plausibilitätsprüfung einzig mit den Netzdaten der Netzbetreiber möglich ist. Da diese Daten in der Regel lizenzrechtlich geschützt sind, wird der Datensatz lediglich visuell mit Netzdaten der Betreiber verglichen. Ein erster Vergleich wurde während des Projekts im Rahmen einer Masterarbeit durchgeführt [71]. Diese verfolgte das Ziel, die literaturbasierten elektrischen Pa- rameter des eGo-Modells mittels eines zu entwickelnden Algorithmus mit den Pa- rametern aus Veröffentlichungen der Netzbetreiber zu vergleichen. Die Arbeit fo- kussiert das Übertragungsnetz mit dem entsprechenden Softwaremodul eTraGo und erkennt insbesondere für die 220 kV Ebene vermehrt Unterschiede im Netzmodell. Die Unterschiede liegen vor allem in Ballungsräumen wie dem Westen und Süden 66 4.2 Netzdatenmodell der MS- und NS-Ebene Deutschlands, wodurch die elektrischen Parameter Blind- und Wirkwiderstand und der thermische Grenzstrom signifikant variieren. Als Hauptursache hierfür sei eine Überschätzung der Anzahl paralleler Leitungen verantwortlich. Trotz dieser Diffe- renzen für elektrische Parameter, zeigen die Ergebnisse der Lastflussberechnungen ausschließlich moderate Änderungen. Zudem existiert exemplarisch eine sehr hohe Übereinstimmung mit den Leitungsverläufen des Netzbetreibers LEW Verteilnetz GmbH in Bayern [72, 2]. Daher wird der Datensatz als qualitativ ausreichend be- wertet, wobei eine weiterführende Datenprüfung die Aufgabe zukünftiger Wissen- schaftsprojekte ist. 4.1.6 Anwendung des Tools Die Erstellung der Netzmodelle auf HöS- und HS-Ebene ist Teil des data processing, dessen Anwendung in Kapitel 3.7 erläutert ist. Basierend auf dem Open-Source-Tool osmTGmod, welches dafür entwickelt worden ist, elektrische Netze aus der öffentlich verfügbaren und kollaborativ erarbeiteten Karte OSM zu generieren, erfolgt die Er- stellung der Netzmodelle im Wesentlichen im powerflow-Teil des data processing. 4.2 Netzdatenmodel der Mittel- und Niederspannungsebene Zu Projektbeginn waren umfassende Daten zur Netzinfrastruktur inklusive elektri- scher Parameter auf MS- und NS-Ebene in Deutschland nicht öffentlich verfügbar. Reale Netzdaten werden von den Verteilnetzbetreibern nicht veröffentlicht und le- diglich teilweise für bestimmte Projekte, bspw. der dena-Verteilnetzstudie [4], be- reitgestellt. Zwar sind Angaben zu Stromleitungen in der OSM enthalten, jedoch sind diese im Gegensatz zu HöS- und HS (vgl. 4.1) für die Mittel- und NS-Netze weitestgehend unvollständig [73]. Es müssen daher synthetische Netztopologien für Mittel- und NS-Netze generiert werden. Wie in [74] beschrieben, existieren hierzu in vorangegangenen Veröffentlichungen verschiedene Ansätze [5, 75, 76, 77, 78], doch sind die entwickelten Modelle nicht öffentlich verfügbar. Der Fokus der Modellierungsarbeit liegt innerhalb dieses Projektes auf der MS- Ebene. Grund hierfür ist zum einen, dass in der NS auf eine Reihe von Referenz- netzen zurückgegriffen werden kann [77, 78, 79], während für die MS lediglich ein europäisches Referenznetz verfügbar ist [76]. Zum anderen ist die Bedeutung der MS für die Netzausbaukosten höher. So machen laut dena-Verteilnetzstudie [4] die benötigten Investitionen für den Netzausbau in der NS bis 2030 je nach Szenario gegenüber denen in der MS ≈ 35% bis ≈ 50% aus. Dem gegenüber steht bei einer Anzahl von ca. einer halben Millionen Niederspannungsnetzgebieten ein sehr hoher 67 4 Netzmodelle Modellierungsaufwand, dessen Mehrwert gegenüber den Referenznetzen möglicher- weise nicht gegeben ist. Für die Modellierung der MS wurde ein Ansatz gewählt, bei dem anhand von geogra- phischen Gegebenheiten ortsspezifische Netze generiert werden, wobei die historische Entwicklung der Netzstruktur berücksichtigt wird. Im Ergebnis entstehen dadurch individuelle Netzstrukturen für die einzelnen Mittelspanungsnetzgebiete. Eine de- taillierte methodische Beschreibung der MS-Netzdatenerstellung gibt die innerhalb der Projektlaufzeit erschienene Veröffentlichung von Amme [74]. Zur Modellierung der Niederspannungsnetzgebiete werden existierende NS-Referenznetzmodelle adap- tiert und auf die lokalen Gegebenheiten angepasst. Das Tool zur Erstellung der Netztopologien, welches die Methoden implementiert, genannt ding0 (Akronym für DIstribution Network GeneratOr), ist auf GitHub54 öffentlich verfügbar sowie auf ReadTheDocs55 ausführlich dokumentiert. Im Folgenden wird zunächst die Modellierung von MS-Netzen sowie darauf folgend die Modellierung von NS-Netzen beschrieben. Die resultierenden Netzdaten werden anschließend quantitativ und qualitativ bewertet. 4.2.1 Modellierung von Mittelspannungsnetzen Das folgenden Abschnitte beschreiben zusammenfassend die Modellierung der MS- Netze. Eine detaillierte methodische Beschreibung kann [74] entnommen werden. 4.2.1.1 Methodische Kurzzusammenfassung Als Basis für die Ausdehnung der MS-Netze werden die Mittelspannungsnetzgebiete aus Kapitel 3.4.3 verwendet. Weiterhin dienen die hochaufgelösten Datensätze zu Lasten (vgl. Kapitel 3.4.6) und Erzeugern (vgl. Kapitel 3.4.7) als wichtige Basis zur Bestimmung der Netztopologie. Die Ermittlung der MS-Netzstruktur erfolgt in vier Schritten, welche für jedes der MS-Netzgebiete sukzessive durchgeführt werden: 1. Ermittlung der initialen Ringtopologie mittels eines heuristischen Lösungs- verfahrens aus der Tourenplanung, dem Capacitated Vehicle Routing Problem (CVRP – dt. Kapazitiertes Routenplanungsproblem), unter Berücksichtigung technischer Restriktionen 2. Verbesserung der initialen Struktur durch Verringerung der Gesamtleitungs- länge mittels Graphenoperationen 54https://github.com/openego/ding0 55https://dingo.readthedocs.io 68 https://github.com/openego/ding0 https://dingo.readthedocs.io 4.2 Netzdatenmodell der MS- und NS-Ebene 3. Erweiterung der Ringnetzstruktur um Stichleitungen für Lasten kleiner 100 kVA, ONS und Generatoren 4. Überprüfung der Netzbelastung mittels Lastflussberechnung und etwaige Netz- verstärkung In den Abschnitten 4.2.1.3 bis 4.2.1.6 werden die wichtigsten Aspekte der einzelnen Schritte anhand eines Beispielnetzes erläutert. 4.2.1.2 Zentrale Annahmen Die Modellierung der MS-Netze in open_eGo basiert auf einigen zentralen Annah- men, welche im Folgenden kurz genannt werden: • Circa 84,3% der MS-Netze in Deutschland sind offen betriebene Ringnetze [80], weshalb diese Netztopologie für alle MS-Netze angenommen wird. • Mittelspannungsnetzgebiete werden unterschieden nach städtisch und länd- lich geprägten Gebieten. Im städtischen Bereich befinden sich hauptsächlich Kabelnetze mit einer Nennspannung von 10 kV, während in ländlichen Netzge- bieten überwiegend Freileitungen mit einer Nennspannung von 20 kV auftreten [81, 82]. Die Zuordnung erfolgt anhand der maximalen Entfernung vom UW zu den Lastzentren. Als Planungsrichtwert wird ein Wert von 1 kV/km ange- nommen [81]. Damit werden Mittelspannungsnetzgebiete mit einer maximalen Entfernung von 15 km als ländliche Netze (20 kV) modelliert und Mittelspan- nungsnetzgebiete mit einer maximalen Entfernung unter 15 km als urbane Net- ze (10 kV). • Im open_eGo-Projekt sollen aktuelle Probleme der Netzausbauplanung, die im Zusammenhang mit dem Ausbau EEA stehen, untersucht werden. In Last- gebieten mit einer hohen Lastdichte besteht zumeist ein geringes Ausbaupo- tential für Generatoren in der MS und NS im Vergleich zu den aufgrund der hohen Lastdichte stark ausgebauten Netzen. Daraus folgt, dass in diesen Ge- bieten keine bis geringe Netzausbaukosten zu erwarten sind. Es werden daher für Lastgebiete mit einer hohen Lastdichte keine Netzstrukturen ermittelt. Stattdessen werden die Erzeugungseinheiten sowie Lasten als aggregierte, an der Mittelspannungssammelschiene angeschlossene Generatoren bzw. Lasten modelliert. • Die Netztopologie wird mit einem Grundsatzplanungsansatz ermittelt, der von [82] beschrieben ist. Historisch gesehen stellt die Höchstlast die Planungs- grundlage für Netze dar, was jedoch durch den Einfluss der EE zukünftig 69 4 Netzmodelle weniger relevant wird [83, 84]. Um dies abzubilden, wird die Netzstruktur zu- nächst vorrangig lastorientiert geplant und dann an die Anforderung bei der Integration von EEA angepasst. Um Umwege durch geografische Hindernisse, bspw. Flüsse, einzubeziehen, wird ein Umwegfaktor von 1,3 verwendet [82]. 4.2.1.3 Ermittlung der initialen Ringtopologie Der initiale Verlauf der Ringe wird basierend auf einem Ansatz von Tao [82] durch Lösen eines CVRP mittels der Savings-Heuristik von Clark und Wright [85] ermit- telt. Das Ziel dabei ist, die Gesamtleitungslänge, die benötigt wird, um alle Last- gebiete mit Spitzenlasten Speak ≥ 100 kVA (ausgenommen aggregierte Lastgebiete) anzuschließen, zu minimieren. Zusätzliche Bedingungen sind, dass die Anzahl an Lastgebieten mit einer Spitzenlast von Speak ≥ 100 kVA je Ring nicht größer als 20 [86] sowie die maximale Länge eines Rings nicht größer als 60 km. [26] ist. Die Anzahl der Ringe je MS-Netzgebiet ist im Vorfeld nicht festgelegt, sondern ein Frei- heitsgrad. Um technisch tragfähige Initiallösungen zu erzielen, wird die Stromtragfähigkeit der Leitungen und der resultierende Spannungsabfall in jedem Iterationsschritt über- prüft. Für jeden Halbring darf dabei die maximale Kabelbelastung 60% [4] und der maximale Spannungsabfall 5% betragen. Aufgrund der großen Anzahl an Iteratio- nen und des hohen Rechenaufwands von Lastflussberechnungen werden vereinfachte Methoden zur Abschätzung der Leitungsbelastung und des Spannungabfalls verwen- det. Nach diesem Schritt liegen rechenfähige und technisch stabile MS-Ringnetze vor, die nicht zwingend optimale Lösungen für die Kosten enthalten und bei denen kleinere Lastgebiete mit Spitzenlasten Speak ≤ 100 kVA, hier als Satelliten-Lastgebiete be- zeichnet, und Generatoren noch nicht angeschlossen sind (siehe Abbildung 4.8a). 4.2.1.4 Verbesserung der initialen Topologie Wie bereits im vorigen Kapitel angemerkt wurde, ist die Lösung des CVRP mittels der Savings-Heuristik möglicherweise nicht optimal. Um günstigere Lösungen für die Gesamtleitungslänge zu identifizieren, werden die in Abbildung 4.7 dargestellten intra- und inter-route Graphoperatoperatoren angewendet [87]. Im Ergebnis entstehen Netze, deren kumulierte Leitungslänge je MS-Netzgebiet ge- genüber dem vorherigem Schritt reduziert ist und damit geringere initiale Investiti- onskosten hat (vgl. Abbildungen 4.8a und 4.8b). 70 4.2 Netzdatenmodell der MS- und NS-Ebene Abbildung 4.7: Graphoperatoren: (a) Or-opt (intra-route), (b) Umzug (inter-route), (c) Austausch (inter-route) 4.2.1.5 Erweiterung der initialen Topologie Bei der Erstellung der initialen Netztopologie werden Lastgebiete kleiner 100 kVA, ONS innerhalb der bereits berücksichtigten Lastgebiete sowie Generatoren zunächst nicht berücksichtigt und erst nach Erstellung der initialen Ringtopologie in das Netz integriert. Dazu werden nacheinander folgende drei Anschlussprinzipien angewen- det: 1. Komponenten, die sich in weniger als 100m Entfernung zur initialen Route befinden, werden durch Anpassung des Ringverlaufs direkt in den Ring inte- griert. 2. Verbleibende Komponenten werden mittels Stichleitungen an dem nächstmög- lichen Netzverknüpfungspunkt angeschlossen. 3. Sind die vorherigen Optionen aus technischen Gründen nicht möglich, werden die Punkte mit direkten Stichleitungen an die Hauptringroute angeschlossen. Im ersten Schritt werden Lastgebiete kleiner 100 kVA nach den genannten Prinzipien in das Netz integriert, darauf folgend ONS innerhalb der bereits berücksichtigten Lastgebiete sowie aggregierte Lastgebiete und schließlich Generatoren. Durch diese Reihenfolge wird die historische Entwicklung der Netze nachempfunden. Beim Anschluss der genannten Generatoren und Lasten werden diverse technische Randbedingungen und Vorgehensweisen der Verteilnetzplanung berücksichtigt. So darf bspw. bei dem Anschluss von Lasten die maximale Leitungslänge eines Abzweigs 2 km [16] und die angeschlossene Spitzenlast 1MVA nicht überschreiten, abgeleitet von der Leistung eines typischen Notstromaggregats [88, 26]. Bei dem Anschluss von Generatoren wird u.a. die Technische Richtlinie Erzeugungsanlagen am MS-Netz [89] berücksichtigt. 71 4 Netzmodelle (a) Initiale MS-Netztopologie (b) Verbesserte MS-Netztopologie mit ge- ringerer Gesamtlänge. (c) Um kleinere Lastgebiete, ONS sowie Ge- neratoren erweiterte MS-Netztopologie. Abbildung 4.8: Entwicklung von MS-Netztopologien. Nach der Erweiterung der initialen Topologie sind alle Lasten und Generatoren wie in Abbildung 4.8c dargestellt an das Netz angeschlossen. Durch die zusätzlichen Kom- ponenten ist die Netzstabilität zunächst nicht mehr gewährleistet, was im nächsten Schritt adressiert wird. 4.2.1.6 Überprüfung der Netzbelastung und etwaige Netzverstärkung Bei der im vorangegangen Kapitel geschilderten Erweiterung der initialen Topolo- gie werden mögliche Leitungsüberlastungen sowie Spannungsbandverletzungen zu- nächst nicht geprüft, sodass die Netzstabilität nicht mehr gewährleistet ist. Deshalb werden in diesem abschließenden Schritt Überströme und Spannungsbandverletzun- 72 4.2 Netzdatenmodell der MS- und NS-Ebene gen identifiziert und die notwendige Netzverstärkung auf der offenen Ringstruktur durchgeführt. Zur Identifikation der Stabilitätsprobleme wird eine nicht-lineare Lastflussberech- nung mit dem Open-Source-Tool PyPSA [61] durchgeführt. Erlaubte Leitungsbelas- tungen und Spannungsabweichungen sind in einer Reihe von Normen, Richtlinien und Planungsgrundsätzen definiert [90, 89, 4]. Die hier angewendeten Grenzwerte können in [74] nachgelesen werden. Bei der Netzverstärkung wird so vorgegangen, dass zunächst Leitungsüberlastun- gen behoben werden. In den betroffenen Leitungsabschnitten werden dazu die be- stehenden Leitungen durch Leitungen mit ausreichend hohem Nennstrom ersetzt. Anschließend werden Spannungsbandverletzungen durch Ersetzen der bestehenden Leitung vom UW bis zu dem Punkt an dem das Spannungsproblem auftritt, durch Wahl des Betriebsmittels mit der nächst größeren Kapazität, beseitigt. Dies wird solange durchgeführt, bis alle Spannungsprobleme behoben sind. Damit ist ein stabiles MS-Netz modelliert, das den Anforderungen der aktuellen Normen und Bestimmungen entspricht (siehe Abbildung 4.9). (a) vor Netzverstärkung (b) nach Netzverstärkung Abbildung 4.9: Leitungsbelastungen und Spannungsabweichungen vor und nach Netzverstärkung. 4.2.2 Modellierung von Niederspannungsnetzen Grundlage für die Modellierung der NS-Netze bilden eine Reihe statistischer Auswer- tungen realer NS-Netze sowie bestehende Referenznetze. Das Ziel der Modellierung ist hier ebenso wie in der MS möglichst ortsspezifische Netze zu generieren, die an die örtlichen Gegebenheiten angepasst sind. Die Basis der Modellierung von NS-Netzen in Lastgebieten, die dem Bereich Woh- nen zugeordnet sind, bilden Referenznetze von Kerber [77]. Zur besseren Anpassung an die örtlichen Gegebenheiten werden die NS-Stränge aus den herangezogenen Re- ferenznetzen extrahiert und darauf aufbauend, sowie unter Beachtung statistischer 73 4 Netzmodelle Kenngrößen aus [5, 91, 78, 92, 77] 46 NS-Stränge, welche jeweils repräsentativ für eine bestimmte Anzahl an Hausanschlüssen sowie eine Netzklasse sind, erstellt. Be- züglich der Netzklasse wird in Anlehnung an [77] eine Unterscheidung von Landnetz, Dorfnetz und Vorstadtnetz vorgenommen. Detaillierte Angaben zu den 46 Strängen können GitHub56 entnommen werden. Die 46 NS-Stränge werden im nächsten Schritt dazu verwendet, für jede mögli- che Zahl an Hausanschlüssen innerhalb eines NS-Netzgebietes ein typisches Netz zu generieren. Dabei erfolgt eine Zuordnung der NS-Netzgebiete zu den Netzklassen Landnetz, Dorfnetz und Vorstadtnetz über die Anzahl der Hausanschlüsse in dem Gebiet gemäß Tabelle 4.5. Bei der Zuweisung der Stränge zu den typischen Netzen werden auch Stränge aus den von [77] definierten Extremwertnetzen, welche sich bspw. durch große Leitungslängen ausweisen, berücksichtigt. Eine Übersicht dazu, welche Stränge für welches typische Netz verwendet werden, findet sich ebenfalls auf GitHub57. Netzklasse Anzahl Hausanschlüsse pro ONS Landnetz Hydrogen storage Battery storage Abbildung 5.7: Sortierte Jahresdauerli- ne je Speichertechnolo- gie. Jan 2011 Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 0 20 40 60 80 100 St or ag e St at e of c ha rg e [% ] Hydrogen state of charge Battery state of charge Abbildung 5.8: Speicherfüllstand im Jahresverlauf (48 Stunden-Mittelwert) je Speichertechnologie. Insgesamt ist es bemerkenswert, dass bei keinem Ausbau des Netzes und einem relativ geringen Speicherausbau ein erfolgreicher Betrieb des Stromsystems gelingt. Hier ist zu betonen, dass der EE-Anteil an der gesamten Stromproduktion nur bei 53% liegt. Der NEP 2035 geht stattdessen von einem Anteil von 66% aus. Das heißt, aus ökonomischen Gesichtspunkten ist es günstiger EE-Anlagen abzuschalten und stattdessen mehr flexible konventionelle Kraftwerke einzusetzen, als in Speicher zu investieren. 5.4.1.2 Sensitivitätsanalyse Es wurden mehrere Parameter hinsichtlich ihres Einflusses auf das Ergebnis geprüft. Hierfür wurde ceteris paribus einzelne Einflussfaktoren variiert. Um den Einfluss der geographischen Auflösung abzuschätzen, wurde das k-means clustering zusätzlich mit k = 200, k = 300 und k = 400 durchgeführt. Diese Variationen führen zu signifi- kant geringeren Speichausbau. Grundsätzlich zeigt sich die Tendenz, je geringer das k, desto geringer der Speicherausbau. Bei k = 200 wird lediglich in 200MW zusätz- liche Speicher investiert. Dieses Ergebnis verdeutlicht, dass die höhere Detailschärfe mehr relevante Netzengpässe erzeugt. 100 5.4 Anwendungsfälle In diesem Zusammenhang wurde untersucht, inwieweit die verfügbaren Leitungs- kapazitäten für den k = 500 Basisfall überschätzt wurden. Eine Reduktion von 70% auf 50% der thermischen Grenzleistung hob den Speicherausbau um lediglich 6.3%. Demzufolge scheint der Einfluss der Leitungskapazitäten eher moderat auszu- fallen. Des Weiteren wurden die spezifischen Investitionskosten der Speicher um +/-5% und +/-10% variiert. Hier zeigt sich eine lineare Abhängigkeit. Eine Reduktion der Investitionskosten um 5% erzeugt einen zusätzlichen Ausbau von 100MW. Bei hö- heren Investitionskosten verhält es sich genau umgekehrt. Die räumliche Verteilung des Speicherausbaus verändert sich dagegen nicht. = 5714.0MW hydrogen storage = 779.0MW battery storage Abbildung 5.9: Räumliche Verteilung des Speicherausbaus bei einem EE-Anteil von 67%. Wie oben beschrieben, liegt der EE-Anteil bei nur 53%, obwohl das Potenzial einen deutlich höheren Anteil zuließe. Daher wurde eine zusätzliche Nebenbedingung ein- geführt, durch die ein minimaler EE-Anteil vorgegeben wird. Eine Erhöhung des EE- Anteils auf 67% bewirkt einen achtfachen Speicherausbau von insgesamt 13,6GW. Der Anteil von Wasserstoffspeichern steigt auf 84%, welche nun über den gesamten Norden verteilt gebaut werden. Batteriespeicher werden weiterhin vornehmlich im Süden installiert. Die entsprechende geographische Verteilung ist in Abbildung 5.9 dargestellt. 101 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene 5.4.2 Optimaler Netz- und Speicherausbau Die hier präsentierten Ergebnisse sind Bestandteil des Artikels „Integrated techno- economic power system planning of transmission and distribution grids“ [122]. Im Gegensatz zu den Fragestellungen im vorherigen Kapitel findet hier eine inte- grierte Optimierung von Netz- und Speicherausbau statt. Dementsprechend gilt die Zielfunktion in Gleichung 5.1 in vollem Umfang. Folglich ist das Ziel, die Kombina- tion aus Netz- und Speicherausbau zu finden, die ökonomisch optimal und technisch machbar ist. Gegenstand der Untersuchung sind die beiden Zukunftsszenarien NEP 2035 und eGo 100. Für die beiden Szenarien wurden zusätzliche Annahmen getroffen. Das Strom- netz wurde mittels k-Means-Clustering auf 300 Netzknoten reduziert (siehe auch Kapitel 5.3.1.1). Die zeitliche Auflösung beschränkt sich auf die Berücksichtigung jeder fünften Stunde (siehe auch Kapitel 5.3.2.1). Die Annahmen zum Speicher- ausbau können dem Kapitel 5.1.2 entnommen werden. Hier wurden ebenfalls die im eGo 100 -Szenario im Ausland geplanten Wasserstoff- und Batteriespeicher als Optimierungsvariablen berücksichtigt. Diese können maximal bis zu ihrer geplanten installierten Leistung ausgebaut werden. Die Kostenannahmen zum Netzausbau aus Kapitel 5.1.3 wurden um das Vierfache erhöht, um den teuersten Fall eines Trassenneubaus zu berücksichtigen. Darüber hinaus kann jede Leitung maximal um ihr Vierfaches ausgebaut werden (zum Hin- tergrund siehe 5.1.3.1). Die bestehenden grenzüberschreitenden Leitungen wurden entsprechend der NTC eingestellt (siehe Kapitel 4.1.4). 5.4.2.1 Ergebnisse NEP 2035 -Szenario In diesem Szenario wird ein Netzausbau von 57,1GVA ermittelt. Unter Berück- sichtigung der angenommenen (n-1)-Sicherheitsabschläge erhöht sich dieser Wert insgesamt um den Faktor 1,56 und beläuft sich damit inkl. der (n-1)-Sicherheiten auf 89,4GVA. Diese zusätzliche Netzkapazität bedeutet ein Wachstum von 5,5% im Vergleich zur heutigen installierten Leistung (in Bezug auf die durch das k- Means-Clustering reduzierte modellierte Netzkapazität). Die regionale Verteilung des Netzausbaus ist in der Abbildung 5.10 dargestellt. Hauptsächlich nördliche und grenzüberschreitende Leitungen werden ausgebaut. Im Gegensatz zu dem signifikanten Netzausbau wird kein bedeutender wirtschaftli- cher Speicherausbau festgestellt. Lediglich 11,4MW werden in der Nähe zur Öster- reichischen Grenze gebaut (siehe auch Abbildung 5.10). Der EE-Anteil beträgt 56.9% für die gesamte Modellregion. In Deutschland liegt der EE-Anteil mit 62.2% höher. 102 5.4 Anwendungsfälle = 11.1MW battery storage 10 50 100 150 200 250 300 lin e ex te ns io n re la tiv e to s_ no m in % Abbildung 5.10: Räumliche Verteilung von Netz- und Speicherausbau im NEP 2035 - Szenario. Folglich wird ein substanzieller Anteil durch konventionelle Kraftwerke gedeckt, die bedarfsgerecht eingesetzt werden und nicht durch kostenintensive Speicherinvesti- tionen ersetzt werden. 5.4.2.2 Ergebnisse eGo 100 -Szenario Für das 100%-EE Szenario ergibt sich ein ökonomisch-sinnvoller Netzausbaubedarf von 73,2GVA. Berücksichtigt man hier ebenfalls die (n-1)-Sicherheitsabschläge ent- spricht dieser Wert einem Brutto-Ausbau von 114GVA. Das entspricht einem zusätz- lichen Ausbau von 28% gegenüber des berechneten Ausbaus im NEP 2035 -Szenario. Der Speicherausbau beläuft sich auf 13,7GW in Deutschland. Dies stellt einen fun- damentalen Unterschied zu dem Ergebnis für das NEP 2035 -Szenario dar. Mit dem Wegfall der konventionellen Erzeugung ist die Flexibilität der Speicher unabdingbar geworden. In Abbildung 5.11 lässt sich die geographische Verteilung des Netz- und Speicherausbaus nachvollziehen. Primär werden die Wasserstoffspeicher mit Lang- zeitverhalten im Norden ausgebaut. 81% der gesamten installierten Leistung sind dort verortet. Der andere Teil der installierten Leistung wird in Batteriespeicher, welche hauptsächlich im Süden entstehen, investiert. 103 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene = 3.1GW hydrogen storage = 0.5GW battery storage 10 50 100 150 200 250 300 lin e ex te ns io n re la tiv e to s_ no m in % Abbildung 5.11: Räumliche Verteilung von Netz- und Speicherausbau im eGo 100 - Szenario. 5.4.3 Die Rolle der Hochspannungsebene Der Inhalt dieses Kapitels stellt eine Zusammenfassung des im Projekt entstanden Artikels „The role of the high voltage power level in future power systems and their modelling“ [123] dar. Ein wesentliches Alleinstellungsmerkmal in open_eGo ist, dass die HS-Ebene Be- standteil der globalen Optimierung ist. In diesem Zusammenhang wurde der Frage nachgegangen, inwieweit die Berücksichtigung der HS-Ebene Optimierungsergebnis- se verändert. Insbesondere wurden folgende Forschungsfragen beantwortet: • Inwieweit beeinflusst die Berücksichtigung der HS-Ebene den Kraftwerksein- satz in heutigen und zukünftigen Stromsystemen? • Wie groß ist der Einfluss auf den Speicherausbau in zukünftigen Stromsyste- men? 5.4.3.1 Methodik Zur Beantwortung der ersten Forschungsfrage wurde das Status Quo- sowie das NEP 2035-Szenario ausgewählt und eine reine Kraftwerkseinsatzoptimierung durch- geführt. Darüber hinaus wurde das NEP 2035 -Szenario in einer weiteren Variante 104 5.4 Anwendungsfälle mit einer kombinierten Kraftwerkseinsatz- und Speicherausbauoptimierung gerech- net, um so die zweite Forschungsfrage zu addressieren. Für jedes dieser Szenarien wurden zwei verschiedene methodische Ansätze entwickelt und durch einen jewei- ligen Kostenvergleich der Einfluss der HS-Ebene bestimmt. Im Ansatz A wurde die HöS- und HS-Ebene integriert betrachtet. Der Ansatz B berücksichtigt aus- schließlich die Netztopologie der HöS-Ebene. In diesem Zusammenhang wird das eHV-clustering verwendet, welches in Kapitel 5.3.1.2 beschrieben wird. Im Nach- gang wird zur weiteren Reduktion der Topologie zwecks Rechenzeiteinsparung ein k-Means-Clustering (siehe Kapitel 5.3.1.1 auf 474 Netzknoten vorgenommen. Der Hintergrund ist, dass sich in unserem HöS-Modell 474 Netzknoten befinden, an de- nen Erzeuger und/oder Verbraucher angeschlossen sind. Mit dem weiteren Cluste- ring werden alle Muffen entfernt und vereinfachte Leitungsverläufe angenommen. Im Sinne von Rechenzeiteinsparung und Vergleichbarkeit wurde in Ansatz A ebenfalls ein k-Means-Clustering auf 474 Netzknoten durchgeführt, allerdings im Gegensatz zu Ansatz B ohne eines vorangegangen eHV-Clustering. 5.4.3.2 Ergebnisse Die Berücksichtigung der HS-Ebene führt in allen Szenarienvarianten zu höheren Systemkosten von 5-7% (siehe Tabelle 5.2). Die höheren Kosten begründen sich durch einen weniger optimalen Kraftwerkseinsatz. Die Abweichungen je Erzeugungs- technologie können der Abbildung 5.12 entnommen werden. Hier lässt sich erkennen, dass Kraftwerke mit vergleichsweise geringen Marginalkosten, wie Windkraft, Atom- kraft und Photovoltaik, weniger genutzt werden. Dagegen müssen teurere Technolo- gien wie Gas- und Kohlekraftwerke vermehrt eingesetzt werden. Szenariovariante Jährliche Systemkosten Ansatz A Ansatz B Unterschied Mrd. EUR Mrd. EUR (A-B)/A in % Status Quo 6.831 6.493 5.0 NEP 2035 7.092 6.598 7.0 NEP 2035, storage 6.999 6.593 5.8 Tabelle 5.2: Relativer Unterschied der jährlichen Systemkosten zwischen Ansatz A und B in den verschiedenen Szenariovarianten Netzengpässe in der HS-Ebene verursachen diesen Effekt. In der Abbildung 5.13 ist die mittlere jährliche Auslastung der Leitungen in den beiden Ansätzen dargestellt. Im Ansatz A lässt sich eine deutliche kleinteiligere, vermaschtere Topologie erkennen. Dies impliziert auch eine dezentralere Verteilung von Erzeugung und Verbrauch. Es gibt deutlich mehr Leitungen, dies spiegelt sich auch in der kumulierten Gesamtlänge aller Leitungen wider, welche 84% größer ist als im reinen HöS-Ansatz. Die mittlere 105 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene 5 0 5 10 15 20 25 30 35 40 % gas biomass coal solar lignite uranium run_of_river wind Share of total generation - Approach A Share of total generation - Approach B Relative deviation of Approach A to B Abbildung 5.12: Abweichungen im Kraftwerkseinsatz zwischen Ansatz A (Berück- sichtigung der Hochspannungsebene) und B (Missachtung der Hochspannungsebene) je Technologie im Verhältnis zur Kraftwerk- seinsatz in Ansatz A. Zusätzlich sind die jeweiligen Anteile der Technologien an der Gesamterzeugung für beide Ansätze darge- stellt. Ergebnisse beziehen sich auf das NEP 2035 -Szenario. Nur Technologien mit einem Anteil größer als 1% sind dargestellt. Auslastung aller Leitungen ist 44% höher, wohingegen es zu 14% geringeren Last- flüssen kommt. Diese Kennzahlen weisen eindeutig darauf hin, dass die Engpässe in der HS-Ebene den teureren Kraftwerkseinsatz bewirken. In zukünftigen Energiesys- temen spielt dieser Effekt eine größere Rolle, da vermehrt dezentrale EE-Anlagen mit geringen Grenzkosten in der 110 kV (und niedriger) gebaut werden. Die Auswirkungen auf Speicherinvestitionen können durch zwei wesentliche Effekte beschrieben werden. Zum einen wird das Speicherpotential bei der Berücksichtigung der HS-Ebene um 22% reduziert. Die HS-Engpässe und die heterogene Verteilung von Erzeugung und Verbrauch sind hierfür verantwortlich. Des Weiteren werden Speicher eher kleinteilig und dezentral gebaut, um so dezentrale EE-Erzeugung zu ermöglichen. Zur Einordnung der Ergebnisse sei betont, dass in beiden Ansätzen kaum relevante Speichermengen gebaut werden. Diese Erkenntnisse werden durch die Abbildung 5.14 veranschaulicht. 106 5.4 Anwendungsfälle Ansatz A Ansatz B Abbildung 5.13: Mittlere Leitungsauslastung für Ansatz A und B in %. Storage size (= 85.0 MW) Abbildung 5.14: Räumliche Verteilung von Speicherausbau-Kapazitäten in MW für Ansatz A (blau) und B (grün) für die Szenariovariante NEP 2035 mit Speicherausbauoptimierung. Die Speicherorte beziehen sich auf die Netzknoten, welche aus Abbildung 5.13 ersichtlich sind. 5.4.3.3 Diskussion In den Arbeiten von van Leeuwen et al. [23] und Hoffrichter et al. [124] wurde gezeigt, dass die HS-Ebene vielfach von Transitflüssen belastet ist. Auf einzelnen Leitungen werden bis zu 30% der nominellen Kapazität durch durch diese Flüsse mit Übertra- gungsfunktion simuliert. Unterschiedliche methodische Vorgehensweise erlauben uns nicht, diese Transitflüsse zu bestimmen. Es lässt sich allerdings konstatieren, dass zusätzliche Engpässe in der HS-Ebene Entlastungseffekte für die Übertragungsfunk- tion in der HöS-Ebene überkompensieren. 107 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Des Weiteren zeigt diese Arbeit, dass Arbeiten (z.B. [115], [125], [126]), die die HS- Ebene nicht berücksichtigen, dazu neigen, Systemkosten zu unterschätzen. Allgemeine Kritikpunkte zu der Modellierung des Energiesystems und der verwen- deten Methoden sind in den Kapiteln 3.6 und 5.5 beschrieben. Im Speziellen soll- ten Sensitivitätsanalysen angestellt werden, um die Robustheit der hier gezeigten Ergebnisse zu gewährleisten. Die signifikanten jedoch vergleichsweise geringen Sys- temkostenunterschiede von unter 10% sollten durch Variationen bei der Verteilung von Erzeugungskapazitäten oder anderer Cluster-Algorithmen auf ihre allgemeine Gültigkeit geprüft werden. 5.4.4 Netzausbau nach dem Netzentwicklungsplan Die in Kapitel 4.1.1 beschriebenen, von den ÜNB geplanten Leitungen werden mit Rechnungen in eTraGo nach technischen und wirtschaftlichen Aspekten optimiert, indem diese dem Szenario NEP 2035 mit variabler Nennleistung hinzugefügt wer- den. Hier werden ausschließlich die Ergebnisse des Ausbau-Szenarios nep2035_b2, welches auch alle im Szenario nep2035_confirmed enthaltenen Projekte beinhaltet, vorgestellt. 5.4.4.1 Methodik Um die Berechnungen in annehmbarer Zeit durchführen zu können, musste sowohl die räumliche als auch die zeitliche Komplexität reduziert werden. In Anlehnung an die Betrachtung im NEP wurde das Netzmodell mit dem eHV-clustering (siehe Kapitel 5.3.1.2) auf die HöS-Ebene reduziert. Mit dem in Kapitel 5.3.1.1 erläuterten k-Means-Clustering wurde anschließend die Anzahl der Netzknoten auf 438 herab- gesetzt, was der Anzahl von HöS-Knoten mit relevanten Lasten und/oder Erzeugern entspricht. Zudem wurde nur jeder dritte Zeitschritt berechnet. Die Kapazität der Auslandsleitungen hat voraussichtlich einen Einfluss auf den Netz- ausbaubedarf. Da die im Netzmodell vorhandenen Leitungen nach Abschnitt 4.1.4 teilweise signifikante Abweichungen zu veröffentlichten Daten aufweisen und auch im NEP mit NTC-Werten gerechnet wird, wurden die Rechnungen mit den NTC- Werten nach Quelle [67] durchgeführt. Des Weiteren ist der Ausbau von Speicherka- pazitäten eine Möglichkeit in eTraGo, die im NEP nicht berücksichtigt ist. Dessen Auswirkung auf den Ausbau der geplanten Leitungen wird hier jedoch nicht be- stimmt. 108 5.4 Anwendungsfälle 5.4.4.2 Ergebnisse Bei der Auswertung der Ergebnisse wird der ermittelte Netzausbaubedarf und Kraft- werkseinsatz mit den entsprechenden Ergebnissen des NEP verglichen. In der Opti- mierung der geplanten Leitungen werden diese insgesamt nur gering eingesetzt. Wie Abbildung 5.15 zeigt, ist der Ausbau der einzelnen Projekte jedoch stark variierend; einzelne Projekte wie die Verbindungen nach Belgien, Norwegen und Schweden sowie Leitungen nahe der Nordseeküste werden mit der vollständigen geplanten Übertra- gungskapazität eingesetzt, wohingegen die Mehrzahl der Projekte gar nicht, oder nur im geringen Maße Beachtung finden. Der geringe Anteil des Netzausbaus ist auch in den Zahlen des absoluten Ausbaus sowie den investierten Kosten sichtbar. In der Berechnung werden nur 38 GW von möglichen 560 GW installiert und auch die Kos- ten entsprechen nur etwa einem Viertel der im NEP genannten Zahlen. Der Grund dieses geringen Netzausbaus liegt in dem im Vergleich zum NEP geringeren Einsatz erneuerbarer Erzeugung. Der Anteil EE an der erzeugten Jahresenergiemenge in Deutschland ist etwa 3 % geringer; deutlich größer ist der Unterschied bezüglich der individuellen Abregelungen. Während die ÜNB jeder einzelnen Anlage nur eine ma- ximale Abregelung von 3 % der möglichen Jahresenergiemenge erlauben, werden in der eTraGo Berechnung insgesamt 18 % der möglichen EE-Einspeisung abgeregelt. Abbildung 5.15: Ermittelter Ausbaubedarf der Leitungen des NEP im Vergleich zu der geplanten Übertragungskapazität. Um eine bessere Vergleichbarkeit zu den Ergebnissen des NEP zu erreichen, wurden weitere Berechnungen durchgeführt, in welchen EE-Mindestanteile und maximale EE-Abregelungen definiert sind. Zunächst wurde der Anteil der EE-Erzeugung in Deutschland mit Hilfe der in 5.1.4 erläuterten Nebenbedingung auf mindestens 65 % 109 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene festgelegt. Wie Abbildung 5.16 und Tabelle 5.3 zeigen, steigt so der Netzausbau- bedarf an, die Abregelungen EE sinken, übersteigen aber weiterhin den im NEP genannten Wert. Abbildung 5.16: Ermittelter Ausbaubedarf der Leitungen des NEP im Vergleich zu der geplanten Übertragungskapazität mit minimalem Anteil EE. NEP eTraGo 2015 zusätzliche Nebenbedingung keine Anteil EE > 65% Abregelung EE < 3% Netzausbau [GW] 5601 37,9 49,2 (560+) 48,7 Investitionskosten [Mrd. EUR] 20-36[3] 2,54 10,18 (21,6+) 4,1 Anteil EE [%] 67,3[3] 62,75 76,00 79,90 Anteil Abregelung EE [%] 3[3]2 18,093 6,993 32bzw. 0,93 Energieexport DE [TWh] +7,9 [3] -73,14 -74,64 -82,87 Tabelle 5.3: Zusammenstellung der Ergebnisse der Berechnungen des Netzausbaus nach dem NEP. 1 hochgerechnet mit dem erstellten Modell nach dem Clustering, in der vollen Komplexität ist ein Ausbau von 653GW möglich 2 Maximum je Anlage 3 gesamt Aus diesem Grund wurde die EE-Abregelung in einer weiteren Berechnung mittels der in Kapitel 5.1.4 erläuterten Nebenbedingung begrenzt. Um die Abregelungen jedes Wind- und Solarkraftwerks auf maximal 3% der Jahresenergie zu begrenzen, 110 5.4 Anwendungsfälle war der vom NEP geplante Leitungsausbau in eTraGo nicht ausreichend. Bei dieser Rechnung war daher zusätzlich zu dem gesetzten geplanten Ausbau auch eine erhöh- te Kapazität der geplanten Leitungen sowie Bestandsnetzausbau nach Kapitel 5.1.3 möglich. Um eine Bevorzugung des kostengünstigen Ausbaus des Bestandsnetzes mit zusätzlichen Leiterseilen zu vermeiden, wurden die Kosten auf die von Neubau- Trassen erhöht (wie in 3.3 erläutert). Die dadurch entstehende größere Komplexität führte vermehrt zu numerischen Instabilitäten, die nicht von Solver-Einstellungen (siehe 5.1.5) behoben werden konnten. Aus diesem Grund konnte hier nur eine Be- rechnung jedes fünften Zeitschritts durchgeführt werden, was bei dem Vergleich der Ergebnisse zu beachten ist. Die zusätzlichen Flexibilitäten des Bestandsnetzausbaus führen zu deutlich von den vorangegangen Berechnungen abweichenden Ergebnissen. So sind, wie in Tabelle 5.3 zu sehen, die Kosten für Netzausbau im Vergleich zu der Rechnung mit der Nebenbe- dingung minimaler Anteil EE deutlich geringer und auch der absolute Netzausbau ist trotz gestiegener Restriktionen gesunken. Bei der Betrachtung der Verortung des Netzausbaus fällt auf, dass vermehrt Auslandskapazitäten, sowohl aus dem Be- standsnetz als auch die geplanten neuen Leitungen, eingesetzt werden. Dies ist auch an den gestiegenen Energieimporten sichtbar. Auffällig ist, dass einzelne Leitungen in allen Berechnungen mit einer hohen Über- tragungskapazität eingesetzt werden, wie beispielsweise die Verbindung zwischen Wilhelmshaven und Conneforde (BBPlG 31) und deren anknüpfende Leitung von Conneforde nach Merzen (BBPlG 6). Auch die geplanten DC-Leitungen nach Norwe- gen (BBPlG 30), Belgien (BBPlG 33) und Schweden (P221) werden mit der gesam- ten geplanten Übertragungsleistung eingesetzt. Im Gegensatz dazu werden in allen Berechnungen Maßnahmen wie Lauchstädt-Redwitz (EnLAG 4) oder auch Pulgar- Vieselbach (BBPlG 13) gar nicht oder nur mit sehr geringer Übertragungskapazität eingesetzt. Im Vergleich zu den von den ÜNB veröffentlichten Werten fällt zudem auf, dass in den Berechnungen in eTraGo Deutschland in Jahressumme mehr Energie importiert als exportiert. 5.4.4.3 Diskussion Die einzelnen Berechnungen in eTraGo bewerten die Notwendigkeit der im NEP geplanten Leitungsausbauten unterschiedlich. Wie erwartet steigt der Netzausbau- bedarf mit einem durch Nebenbedingungen erzwungenen hohen Anteil EE. Aufgrund der zusätzlichen Flexibilitäten des Netzausbaus ist der Netzausbau bei der Berück- sichtigung der von den ÜNB vorgegebenen Begrenzung der Abregelungen geringer. 111 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Diese Ergebnisse sind eingeschränkt bewertbar, da voraussichtlich Abweichungen zum Netzmodell der ÜNB bestehen und Vereinfachungen notwendig sind. So kann das räumliche Clustering zu einer Verzerrung des Netzes und somit auch des Aus- baubedarfs führen, während aufgrund der zeitlichen Vereinfachung eventuell weniger extreme Netzsituationen, welche Netzausbau benötigen, berücksichtigt werden. Um Netzsicherheit zu garantieren, beziehen die ÜNB zudem zusätzliche exogene Netzsi- tuationen in die Simulationen ein, die zwar unwahrscheinlich, aber dennoch möglich sind. In diesen Situationen sind Engpässe im Netz und somit auch Netzausbaube- darf wahrscheinlich. In den hier durchgeführten Rechnungen ist dies jedoch nicht enthalten. Zudem weist die von den ÜNB verwendete Methodik deutliche Abweichungen zu der hier angewandten Methodik auf. Das mehrstufige Vorgehen des NEP ermöglicht kei- ne Anpassung der einspeisenden Kraftwerke bei Leitungszubau, während dies in der Optimierung in eTraGo möglich ist. Weitere Differenzen können aus der Vernach- lässigung von Kraftwerksdynamiken resultieren, die im NEP berücksichtigt werden. Auch das Bestandsnetzmodell weicht von dem in eGo erstellten Netzmodell ab, da die ÜNB die tatsächlichen elektrischen Parameter und die Topologie ihrer Netze ver- wenden. Weitere Unterschiede der Methodik und Rahmenbedingungen können [57] entnommen werden. Für aussagekräftigere Ergebnisse sind weitere Rechnungen notwendig, die weniger Vereinfachungen enthalten. Besonders die Berechnung mit der Berücksichtigung der maximalen Abregelungen könnte so verbessert werden und auch eine bessere Ver- gleichbarkeit zu den anderen Berechnungen erzielen. Berechnungen mit der vollen räumlichen und zeitlichen Komplexität des Netzwerks sind grundsätzlich möglich, waren aufgrund der hohen Rechenzeiten jedoch nicht Teil des Projekts. Auch Erwei- terungen wie die Berücksichtigung von Kraftwerksdynamiken sind durchaus möglich, führen jedoch zu einer deutlichen Steigerung der Rechenzeit 5.1.4 und wurden aus diesem Grund nicht durchgeführt. Insgesamt zeigen die Berechnungen eine individuelle Bewertung der Notwendigkeit einzelner Netzausbaumaßnahmen. Während einzelne Maßnahmen tendenziell über- schätzt dimensioniert erscheinen, erreichen andere Projekte in allen Berechnungen das Maximum an möglicher Ausbaukapazität. Die eingeschränkte Verwertbarkeit kann aufgrund der Verwendung von öffentlich zugänglichen Programmen und Daten zukünftig verbessert werden, da so Anpassungen möglich sind. 112 5.4 Anwendungsfälle 5.4.5 Simulation von Einspeisemanagementeinsätzen in Schleswig-Holstein Die Ergebnisse dieses Kapitel basieren auf der gleichnamigen Masterthesis [53], wel- che in Kooperation mit der ARGE Netz Energie GmbH & Co. KG (ANE) angefertigt wurde. Die Motivation dieser Untersuchung besteht darin, die Anwendbarkeit des eTraGo-Modells für die Prognose von EinsMan in Schleswig-Holstein zu überprüfen. Die ANE, als Direktvermarkter könnte durch eine adäquate Prognose Ausgleichs- energiekosten einsparen. In dieser Arbeit werden allerdings keine Prognosezeitreihen (insb. für die wetterabhängige Einspeisung) verwendet. Stattdessen wird ein histo- rischer Vergleich auf Basis von Daten des Jahres 2015 zwischen Modellergebnissen und veröffentlichten Schaltzuständen der Schleswig-Holstein Netz AG angestellt. Für die Simulation der Abschaltungen wurde das Tool eTraGo sowie das in die- sem Projekt erstellte Datenmodell (Kapitel 3 und 4) verwendet. Allerdings wurden Anpassungen vorgenommen, die Wesentlichen sind im Folgenden kurz skizziert. Als Grundlage findet das Szenario Status Quo Anwendung. Dieses Szenario bildet allerdings zum einen den Kraftwerkspark von 2015 ab und nutzt zum anderen das Wetterjahr 2011. Für den Vergleich mit Echtdaten sollte dieses Setting zeitlich kon- sistent gewählt sein. Daher wurde das Wetterjahr durch das Jahr 2015 ersetzt. Die Quelle dieser Wetterdaten stellt gleichbleibend [45] dar. Des Weiteren wurde die Netztopologie in Schleswig-Holstein um fehlende Netzver- knüpfungspunkte ergänzt. Diese 29 von 179 Netzknoten ergeben sich zum einen aus der Auswertung der Schaltzustände [127] und zum anderen aus dem Abgleich von Netzkarten [128] der Schleswig-Holstein Netz AG. Relevante Einspeiseanlagen wurden mit Hilfe des Anlagenschlüssels in den Kraftwerkslisten sowie der EinsMan- Listen an diese neu hinzugefügten Netzknoten angeschlossen. 94% aller Anlagen, die von EinsMan betroffen sind, lassen sich Anlagen des Netzmodells zuordnen. Die nicht berücksichtigten Anlagen sind lediglich für 2% der Abschaltungen verantwort- lich und wurden vernachlässigt. Der Kraftwerkspark wird in Must-Run-Kraftwerke und flexible Kraftwerke unter- schieden. Zu den Must-Run-Kraftwerken gehören Kraft-Wärme-Kopplungsanlagen und Atomkraftwerke. Für Erstere wird das saisonale Verhalten aufgrund von Wär- mebedarfen berücksichtigt. Diese hier als systemrelevant angenommenen Kraftwerke können ihre Leistung nicht unterhalb von gewissen Grenzwerten reduzieren. Darüber hinaus wurden Abschaltkosten eingeführt, um neben der Steuerungswirkung der Grenzkosten die Abschaltkaskade entsprechend [129] zu forcieren. Abgesehen von den beschriebenen Must-Run-Kraftwerken sind alle anderen konventionellen Kraft- werke im Rahmen eines Unit Commitment-Ansatzes unter Berücksichtigung von 113 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Restriktionen wie minimale Stillstandszeiten bzw. Betriebszeiten flexibel einsetzbar. Diese basieren auf den Annahmen, die in der Funktion ramp_limits(siehe auch Ka- pitel 5.6) standardmäßig in eTraGo zur Verfügung stehen. Im Rahmen der Komplexitätsreduktion wurde hier ein Verfahren entwickelt, welches einerseits für das Betrachtungsgebiet Schleswig-Holstein die vollständige Auflösung in HöS- und HS- Ebene gewährleistet und andererseits mit Hilfe eines k-means- Clustering das restliche Netz auf 40 Knoten reduziert. Die HöS-Leitungen, die über das Betrachtungsgebiet hinaus gehen, wurden als neue Kuppelstellen definiert und an den nächstgelegenen Clusterpunkt angeschlossen. Neben der räumlichen Komple- xitätsreduktion wurde diese Auswertung zeitlich auf einen exemplarischen Tag, den 6. Dezember 2015 beschränkt. Mit Hilfe der Veröffentlichungen der Schleswig-Holstein Netz AG bezüglich der EinsMan-Schaltzustände [127] und den dem Modell zugrundeliegenden Wetterdaten ist eine Referenzzeitreihe erstellt worden, welche als Benchmark für den Vergleich mit den Modellierungsergebnissen dient. Die Analyse der EinsMan-Schaltzustände deckt interessante Abschaltcharakteristika auf. Zwei wesentliche Effekte seien hier kurz ge- nannt. Bei der Analyse der Häufigkeit und Dauer der Schaltungen zeigt sich, dass die Abrufe aus dem Übertragungsnetz (seitens TenneT) im Vergleich zu denen aus der Hochspannungsebene (seitens der Schleswig-Holstein Netz AG) weniger häufig, aber dafür jeweils für längere Zeiträume auftreten. Energetisch machen die Abschal- tungen aus dem Übertragungsnetz insgesamt den größten Anteil aus. Des Weiteren zeigt die Analyse, dass die geschalteten Umspannwerke entsprechend ihrem Einfluss auf den Engpass gerankt werden. Umspannwerke in der Nähe des Engpasses werden häufiger und umfangreicher geschaltet als welche die weiter entfernt liegen. Die modellierten Abschaltungen im Vergleich zur modellierten Referenzzeitreihe sind in Abbildung 5.17 für verschiedene Szenarien im Zeitverlauf und räumlich aggre- giert für die Region Schleswig-Holstein dargestellt. Das EinsMan-Must-Run-Szenario stellt das wesentliche Szenario, welches die oben geschilderten Annahmen beinhaltet, dar. Dagegen können im EinsMan-Commitable Szenario die Must-Run-Kraftwerke entsprechend ihrer Restriktionen bezüglich Mindestlaufzeiten und -stillstandzeiten auch zeitweise unterhalb der minimalen Must-Run-Grenzwerte eingesetzt werden. Das EinsMan-ÜNB Szenario bezieht sich auf das Must-Run-Szenario. Hier sind aller- dings sämtliche Leitungs- und Transformatorkapazitäten im Verteilnetz derart hoch angenommen, dass Engpässe nicht auftreten können. Damit zeigt dieses Szenario die Abschaltungen, die auf Basis von Engpässen im Übertragungsnetz entstehen. Es ist ersichtlich, dass der überwiegende Teil der Abschaltungen aufgrund dieser überre- gionalen Engpässe entsteht. Für alle drei Szenarien gilt, dass das mittagliche Abre- gelungsverhalten am schlechtesten abgebildet werden kann. Das Must-Run-Szenario 114 5.4 Anwendungsfälle bildet den Verlauf besser ab als das Committable Szenario. Letzteres führt zu gerin- geren Abschaltungen. Hieraus lässt sich schließen, dass die regionalen konventionel- len Must-Run-Kapazitäten der KWK-Anlagen sowie des Atomkraftwerks Brokdorf Netzengpässe erzeugen, welche für Abschaltungen von EE-Anlagen verantwortlich sind. Abbildung 5.17: Zeitlicher Verlauf der modellierten Abschaltungen (nach Eins- Man) im Vergleich zur Referenzzeitreihe im Betrachtungsgebiet von Schleswig-Holstein. Quelle: basierend auf [53] Für den exemplarischen Tag ergeben sich, insbesondere aufgrund der großen Ab- weichung in der Mittagszeit, insgesamt relativ hohe Abweichungen zur Referenz- zeitreihe. Das Must-Run-Szenario weist den geringsten mittleren Fehler sowie RM- SE (Wurzel der mittleren Fehlerquadratsumme) auf (siehe Tabelle 5.4). Hier lässt sich ein mittlerer Fehler von 24% bzw. 294MW feststellen. Mit 47% zeigt sich eine mittelstarke positive Pearson-Korrelation. Bei den anderen Szenarien lässt sich eine schwache positive Korrelation errechnen. Szenarien RMSE [MW] Mittl. Fehler [MW] Korrel. EinsMan-Commitable 639 576 38% EinsMan-Must-Run 430 294 47% EinsMan-ÜNB (Must-Run) 622 529 30% Tabelle 5.4: Fehler und Pearson-Korrelation je Szenarien. Die Abbildung 5.18(a) zeigt die Modell- und Referenzabschaltungen zu jedem Zeit- schritt und Anlage. Die Streuung der Werte ist hoch bzw. viele der Datenpunkte liegen nicht in der Nähe der roten Linie. Das geringe Bestimmtheitsmaß von 0,27 bestätigt einen geringen linearen Zusammenhang. Eine Vielzahl der vorgenommenen Modellabschaltungen zeigt allerdings nur geringe Prognosefehler (siehe 5.18(b)). Der 115 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene angenährte Erwartungswert liegt im negativen Bereich. Das heißt, die Mehrheit der Abschaltungen wird unterschätzt. (a) Modell und Referenzabschaltungen im Vergleich (b) Histogramm des Prognosefehlers Abbildung 5.18: Verteilung des Prognosefehlers. Die Auswertung auf Anlagenebene zeigt auch, dass die geographische Verteilung der Abschaltungen nur selten knotenscharf übereinstimmt. In Abbildung 5.19 lässt sich diese Aussage nochvollziehen. Regionale Übereinstimmungen lassen sich dagegen ausmachen. Wie in den Referenzdaten werden im Modell vor allem an der West- küste Anlagen reduziert. Allerdings sind diese im Modell größtenteils im Südwesten verortet. Diese Abschaltungen scheinen im Zusammenhang mit der Einspeisung des Atomkraftwerks Brokdorf, dem Offshore-Einspeiseknoten Büttel und der grenzwer- tigen Auslastung der HöS-Leitung nach Niedersachsen zu stehen. Ansonsten finden an der Westküste deutlich weniger Abschaltungen statt. In der Region Flensburg zeigen sich hohe Leitungsauslastungen auch in der Verteilnetzebene. Hier werden Abschaltungen simuliert, allerdings in geringerem Umfang als in den Referenzdaten. Darüber hinaus werden Abschaltungen in Ostholstein modelliert, die die Referenz- daten nicht widergeben. Diese Zusammenhänge deuten ebenfalls darauf hin, dass die Engpässe aus dem Übertragungsnetz einen deutlich größeren Einfluss auf die Abschaltungen vorweisen als jene aus dem Verteilnetz. Abschließend lässt sich zusammenfassen, dass plausible EinsMan-Einsätze model- lierbar sind. Im Vergleich mit Referenzdaten zeigt sich, dass diese tendenziell unter- schätzt und eine knoten- bzw. anlagenscharfe Zuordnung bisher nicht möglich ist. Insbesondere die Abschaltmethoden der Netzbetreiber können mit dem hier verwen- deten Datenmodell und LOPF-Ansatz nicht exakt nachgebildet werden. Einschrän- kend soll hier betont werden, dass ein Einfluss des zufälligen Grenzkostenrauschens insbesondere bezüglich der anlagenscharfen Auswertung möglich erscheint und dieser 116 5.5 Kritische Betrachtung der Methodik und Ergebnisse Abbildung 5.19: Regionale EinsMan-Abschaltungen (Must-Run-Szenario). weiter untersucht werden sollte. Weiterhin ist der gewählte Zeitraum von einem Tag sehr kurz, um allumfassende Bewertungen vornehmen zu können. Hier sollten eben- falls weitere Tage untersucht werden. Darüber hinaus ist die für den Vergleich ver- wendete Referenzzeitreihe ebenfalls modelliert, da keine eindeutige georeferenzierte, anlagenscharfe Datenquelle existiert. Dies stellt bei der Bewertung der Ergebnisse eine weitere Unsicherheit dar. Ausblickend scheint es insbesondere sinnvoll, auch innerhalb der Modellregion die räumliche Komplexität zu reduzieren. Ausgleichsef- fekte durch die Aggregation von Anlagen auf Portfolioebene könnten sich mit denen der Modellierung besser decken. Letztlich könnte dieses Vorgehen - im Zusammen- spiel mit guten Prognose-Wetterdaten - zu guten Prognosen von EinsMan-Einsätzen führen. 5.5 Kritische Betrachtung der Methodik und Ergebnisse Die Qualität der Ergebnisse wird zum einen durch das Netzdatenmodell und zum anderen durch das Optimierungsverfahren beeinflusst. Eine kritische Betrachtung des Netzdatenmodells und dessen Annahmen erfolgte bereits in den Kapiteln 4.1.5 und 3.6. In diesem Kapitel werden grundsätzliche Kritikpunkte der Methodik dis- kutiert. Fragestellungenspezifische Diskussionspunkte sind bereits in den jeweiligen Anwendungfällen (Kapitel 5.4) erläutert. 117 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Die Verwendung eines LOPF integriert die Bereiche Marktsimulation, Netzberech- nung und Netzausbauplanung innerhalb eines deterministischen Verfahrens. Dement- sprechend wird ein idealer Dispatch- und Redispatch-Markt unterstellt, welcher auf einem Nodal Pricing-Ansatz basiert. Dieses idealisierte Vorgehen entspricht keiner unverfälschten Abbildung des derzeitigen (Redispatch-) Marktes mit einer Vielzahl von Mechanismen und Regularien. Ein mehrstufiges heuristisches Verfahren, wie es der NEP verwendet, stellt möglicherweise eine Näherung dar, die sich eher wie die heutige suboptimale Realität verhält. In diesem Zusammenhang ist auch die Optimierung nach dem Prinzip der perfekten Voraussicht zu nennen. In der Realität lässt sich die Zukunft nur mit gewissen Un- genauigkeiten vorhersagen. Eine perfekte Voraussicht über ein ganzes Jahr dagegen ist unmöglich. Die Effekte eines entsprechend nötigen Regelleistungsmarktes werden in dieser Modellierung nicht berücksichtigt. Alternative Ansätze wie beispielsweise eine rollierende Planung könnten hier der Realität näher kommen. Des Weiteren konkurrieren Netzausbaukosten mit laufenden Kosten und vermei- den diese eventuell. Dies kann, ohne die Anwendung von weiteren Nebenbedin- gungen (siehe Kapitel 5.1.4) dazu führen, dass Abschaltungen von EEA gegenüber Netzausbaumaßnamen vorgezogen werden. Dieses Vorgehen, welches zwar volkswirt- schaftliche Kosten minimiert, ist allerdings entsprechend des Erneuerbare-Energien- Gesetz (EEG) nicht zulässig und führt zu höheren Treibhausgasemissionen. Eine ausschließliche Minimierung von Systemkosten führt also nicht ausschließlich zu niedrigeren Emissionen. Auch wenn durch die Grenzkosten, in denen auch CO2- Preise enthalten sind, klimaschädigende Technologien benachteiligt werden, kann es in Zusammenhang mit Investitionsoptimierungen zu kostenoptimalen Lösungen kommen, welche nicht klimaoptimal sind. Einhergehend mit der Linearisierung des Lastflussproblems kommt es zu Ungenau- igkeiten aufgrund der Missachtung des Wirkwiderstands. Da auch die HS-Ebene bei der linearisierten Optimierung berücksichtigt wird und hier der Wirkwiderstand bereits im Vergleich zur HöS-Ebene größer ist, sind die Ergebnisse entsprechend fehleranfälliger. Auch wenn die Literatur (z.B. [102, 130]) geringe mittlere Fehler von kleiner 5% bezüglich der Wirkleistungsflüsse aufzeigt, ist in Einzelfällen von signifikanten Abweichung auszugehen. [102] zeigt bpsw. dass die Qualität der Nä- herung im Einzelfall stark von den Spannungsänderungen im Netz abhängt. Die Vernachlässigung der Spannungsänderungen kann somit in Einzelfällen zu Fehlern führen. Ein weiterer Nachteil der linearisierten Lösung ist, dass Blindleistungsbedar- fe und -bereitstellungen nicht Teil der Optimierung sind. Da die Bereitstellung von Blindleistung nicht vergütet wird, stellt dies zwar eine realistische Annahme dar, allerdings ist ein funktionierendes System somit nicht direkt gewährleistet. Darüber 118 5.5 Kritische Betrachtung der Methodik und Ergebnisse hinaus werden Netzverluste nicht in der Optimierung berücksichtigt bzw. berechnet. Diese Effekte können lediglich durch eine ex-post nicht-lineare Lastflussberechnung simuliert und auf Machbarkeit überprüft werden. Aus Komplexitätsgründen wurde weitestgehend auf Annahmen verzichtet, die aus dem linearen Problem ein gemischt-ganzzahliges Problem machen würden. Diese Vereinfachung geht einher mit einigen Nachteilen. Im Folgenden seien die Wesentli- chen erläutert. In der linearen Programmierung können die Optimierungsvariablen beliebige reelle Werte annehmen. Insbesondere bei der Netzausbauoptimierung kann dies zu unrealistischen Ausbauten führen, da hier aufgrund der verfügbaren Produkte am Markt diskrete Ausbaugrößen zu erwarten sind. Des Weiteren können keine inter- temporären Nebenbedingungen für die Kraftwerke verwendet werden. Dadurch las- sen sich eine inflexible Fahrweise bzw. die Vorhaltungen von Must-Run-Kapazitäten nur eingeschränkt modellieren. Es wurden Ansätze entwickelt, die derartige Neben- bedingungen berücksichtigen, allerdings führen diese zu hohen Rechenzeiten, sodass auf diese Maßnahmen überwiegend verzichtet wurde. Untersuchungen wie die von [131] oder die im Projekt durchgeführten (siehe Kapitel 5.4.5) deuten darauf hin, dass Must-Run-Kapazitäten Engpässe und somit einen kostenmäßig sub-optimalen Kraftwerkseinsatz mit verursachen. Ein weiterer Kritikpunkt ist, dass keine (n-1)-Ausfallanalysen angestellt wurden. Das pauschale Degradieren aller Betriebsmittel auf 70% (bzw. im speziellen Fall der HS um 50%) ist üblich und stellt eine einfache Näherung dar. Allerdings können hier- durch teilweise Potentiale nicht ausgeschöpft oder anderseits überschätzt werden. Die Betrachtung der Netze angrenzender Länder beeinflusst die Berechnungen zu- dem stark, was an hohen Ausbauten und Auslastungen grenzüberschreitender Kapa- zitäten sichtbar wird. Jedoch werden die möglichen Austauschkapazitäten tenden- ziell überschätzt, da wie in Kapitel 4.1.5 beschrieben deren Abbildung vereinfacht erfolgt. So werden die Netztopologie, Phasenschieber oder auch Verbindungen zu Ländern, die keine direkte elektrische Verbindung zum deutschen Netz haben, nicht berücksichtigt. Diese Aspekte führen zu Netzengpässen bzw. Leistungssenken, die nicht im Modell berücksichtigt werden. Die räumliche und zeitliche Komplexitätsreduktion (siehe Kapitel 5.3) ist von ele- mentarer Wichtigkeit für die Lösbarkeit der Optimierungsprobleme zu hinnehmba- ren Rechenzeiten. Allerdings haben diese Methoden auch Einfluss auf die Genauig- keit der Lösung. So ist es durch das k-means-Clustering bspw. nicht mehr möglich, Ausbaumaßnahmen direkt einzelnen Leitungen zuzuordnen, da hier abstrakte Aggre- gationsleitungen gebildet werden. Dieses Vorgehen führt darüber hinaus dazu, dass lokale Netzengpässe60 nicht berücksichtigt werden und die Optimalität der Lösun- 60bezüglich Leitungen bzw. Transformatoren die einem Cluster zugeordnet werden 119 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene gen überschätzt wird. In [132] werden erhebliche Modellierungsfehler aufgrund der Missachtung der intra-zonalen Netzstrukturen festgestellt. Die Untersuchungen zur Rolle der HS-Ebene (Kapitel 5.4.3) machen auch hier eine gewisse Sensitivität der Ergebnisse bezüglich unterschiedlicher räumlicher Komplexitätsreduktionsmethoden deutlich. Bezüglich der zeitlichen Ansätze sind insbesondere zwei Probleme zu nennen. Zum einen werden intertemporale Abhängigkeiten, wie sie vor allem in Systemen mit Energiespeichern auftreten, teilweise unzureichend abgebildet. Dieses Problem ist vor allem bei der Methodik des Snapshot Clustering (siehe Kapitel 5.3.2.2) auffäl- lig. Hier sollten Ansätze wie [118] weiter entwickelt werden. Zum anderen stellt die mögliche Vernachlässigung von extremen Zeitpunkten ein Problem dar. Dieses Pro- blem kann vor allem bei der Methode des Snapshot Skipping (siehe Kapitel 5.3.2.1) auftreten, vor allem dann wenn große Abstände gewählt werden. 5.6 Anwendung des Tools Zur Anwendung der wirtschaftlichen und netzbetrieblichen Optimierung auf HöS- und HS-Ebene wurde das Python Tool eTraGo entwickelt. Dies ist frei verfügbar und kann nach den Anweisungen im ReadTheDocs61 installiert werden. eTraGo hat keine grafische Nutzeroberfläche, die Steuerung und Eingabe der gewünschten Be- rechnungsparameter erfolgt in der ausführenden Datei (appl.py), die mit einem ge- wünschten Python Editor bearbeitet werden kann. Die Angabe der Berechnungspa- rameter kann alternativ auch in einem json-file vorgenommen werden, das Starten der Rechnung erfolgt jedoch immer mit dem Aufruf der ausführenden Datei. In Tabelle 5.5 sind die Basis-Einstellungen aufgelistet und kurz beschrieben, eine aus- führlichere Dokumentation ist auch hier im ReadTheDocs enthalten. Die möglichen Anpassungen an einer Optimierungsrechnung in eTraGo enden jedoch nicht mit der Angabe dieser grundlegenden Berechnungsparameter. Es ist des Wei- teren möglich, die Standardwerte der aufgerufenen Funktionen anzupassen und so beispielsweise die nach 5.1.4 gesetzte Grenze des maximalen Ausbaus einer Leitung anzupassen. Ist nur eine Verdopplung der einzelnen Leitungskapazitäten erwünscht, ist dies über die folgende Anpassung des Parameters line_max im Aufruf der exten- dable-Funktion in der ausführenden Datei möglich. 1 network = extendable(network, args, line_max=2) 61 https://etrago.readthedocs.io/en/latest/installation.html 120 https://etrago.readthedocs.io/en/latest/installation.html 5.6 Anwendung des Tools Nicht nur der Aufruf von Funktionen kann angepasst werden, jeder Nutzer kann zudem auch mehr oder weniger grundlegende Änderungen an dem Programm vor- nehmen, indem Code ergänzt oder ersetzt wird. Die in Kapitel 2 erläuterte Lizenz gibt lediglich vor, dass der Open-Source-Ansatz dabei weitergeführt werden muss. Die Optimierung des mit den angegeben Parametern erstellten Modells erfolgt mit dem ausgewählten externen Solver. Ausgangsgröße dieser ist ein PyPSA Network Container - eine Datenstruktur, die sämtliche Ergebnisse der Berechnung vom Aus- bau einer Leitung bis hin zu den Einspeisezeitreihen der Erzeugungsanlagen enthält. Die Ergebnisse können mit den in Tabelle 5.5 genannten Parametern entweder in csv-Dateien gespeichert, oder auch zurück in die Datenbank geschrieben werden. Zur Visualisierung der Optimierungsergebnisse wurden diverse plot-Funktionen ent- wickelt. So kann der ermittelte Netzausbaubedarf topologisch dargestellt werden, dieser Plot wirde beispielsweise zur Erstellung von Abbildung 5.15 verwendet. Zu- dem ist die Verortung des Speicherausbaus, einzeln oder auch in Kombination mit Netzausbau, wie in Abbildung 5.10, darstellbar. Auch Zeitreihen wie der Speich- erfüllstand im Jahresverlauf in Abblidung 5.8 können so visualisiert werden. Des Weiteren kann auch hier der Nutzende plot-Funktionen oder auswertende Berech- nungen ergänzen. 121 5 Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Bezeichnung Beschreibung db Auswahl der Datenbank (z.B. OEDB) gridversion Auswahl der Datenversion method Auswahl der Berechnungsmethode (LOPF oder PF) pf post lopf Nachgeschalteten PF nach LOPF wählen (vgl. 5.2) start snapshot Start-Zeitpunkt (i.d.R. Stunde im Jahr, n=1 =̂ 1.1. 0 Uhr) end snapshot End-Zeitpunkt (i.d.R. Stunde im Jahr, nmax=8760) solver Wahl des Solvers der Optimierungsrechnung solver options Einstellungen des Solvers (vgl. 5.1.5) scn name Auswahl des Szenarios scn extension Wahl eines exogenen Netzausbau-Szenarios scn decommissioning Wahl eines exogenen Netzrückbau-Szenarios lpfile Falls pyomo-Problem abgespeichert werden soll, wird hier der Pfad angegeben csv export Speichern der Ergebnisse in csv-Dateien im angegebenen Pfad db export Rückschreiben der Ergebnisse in die Datenbank extendable Auswahl der zu optimierenden Betriebsmittel generator noise Rauschen auf Grenzkosten der Generatoren setzen (vgl. 5.1.5) ramp limits Berücksichtigung von minimalen Stillstands- und Laufzei- ten konventioneller Kraftwerke (vgl. ) extra functionality globale Nebenbedingung auswählen (vgl. 5.1.4) network clustertering kmeans Auswahl ob und auf wie viele Knoten das Netzwerk ge- clustert wird (vgl. 5.3.1.1) network clustertering ehv Auswahl ob das Netz auf die eHV-Netzebene reduziert wird (vgl. 5.3.1.2) snapshot clustering Auswahl ob und auf wie viele Tage das zeitliche Clustern angewandt wird (vgl. 5.3.2.2) parallelisation Auswahl ob Optimierung in Abschnitten einzelner Stun- den durchgeführt wird skip snapshots Anzahl der zu überspringenden Zeitschritte (vgl. 5.3.2.1) line grouping parallele Leitungen gleicher Spannungsebene werden zu- sammengefasst branch capacity factor lineare Reduktion der Übertragungskapazitäten zur Be- rücksichtigung von (n-1)-Sicherheit load shedding Debugging: jeder Lastknoten erhält einen sehr teuren Ge- nerator (vgl. 5.1.5) foreign lines Auswahl der Übertragungstechnologie und -kapazitäten in die angrenzenden Länder (vgl. 4.1.4) Tabelle 5.5: Basis-Einstellungsmöglichkeiten von eTraGo. 122 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien auf Mittel- und Niederspannungsebene Dieses Kapitel beschreibt die Methoden zur Bestimmung des Netzausbaubedarfs in der MS- und NS-Ebene unter Berücksichtigung der gegebnen Vorgaben zur optima- len Auslegung sowie zum optimalen Betrieb der HöS-HS-Ebene. Die zu diesem Zweck entstandene Software eDisGo ist eine Toolbox, welche heu- ristische Verfahren zur Abregelung sowie zum Speicherausbau bereitstellt, mittels derer diese Flexibilitätsoptionen unter Berücksichtigung der Vorgaben aus den dar- überliegenenden Netzebenen möglichst kostenoptimal eingesetzt werden sollen. Die Anwendung der genannten Flexibilitätsoptionen ist dabei flexibel. Weiterhin wird ein automatisiertes Verfahren zur Netzverstärkung bereitgestellt, welches auf Standard- Planungs- und Ausbaugrundsätzen beruht. Als Grundlage für die Untersuchungen dienen die mit dem ding0 -Tool erstellten MS-NS-Netztopologien (siehe Kapitel 4.2). Der Quellcode des eDisGo-Tools ist frei verfügbar auf GitHub62, sowie auf ReadT- heDocs63 ausführlich dokumentiert. Die wichtigsten Funktionen und Schnittstellen des Tools sind in Abbildung 6.1 dargestellt. Abbildung 6.1: eDisGo: Funktionsumfang und Einordnung in die Tool-Landschaft. 62https://github.com/openego/eDisGo 63http://edisgo.readthedocs.io/en/dev/start_page.html 123 https://github.com/openego/eDisGo http://edisgo.readthedocs.io/en/dev/start_page.html 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS In den Kapiteln 6.1 bis 6.3 werden die implementierten Methoden zum Netzausbau sowie zu den Flexibilitätsoptionen Abregelung und Speicherausbau kurz beschrieben. Anschließend werden Ergebnisse einiger Anwendungsfälle präsentiert. Die deutsch- landweiten Ergebnisse der netzebenenübergreifenden Untersuchungen unter Berück- sichtigung von Abregelung und Speicherausbau werden in Kapitel 7.4.2 dargestellt. Die Methodiken und Ergebnisse werden abschließend kritisch bewertet und die An- wendung des Tools kurz dargestellt. 6.1 Netzausbau Dieses Kapitel beschreibt zunächst die Grundsätze, nach denen Netzausverstär- kungsbedarf identifiziert wird. Anschließend wird geschildert, welche Netzverstär- kungsmaßnahmen angewendet und wie diese monetär bewertet werden. 6.1.1 Bestimmung des Netzausbaubedarfs Nach dem Deutschen Energiewirtschaftsgesetz [133] sind Netzbetreiber dazu ver- pflichtet, eine sichere und preisgünstige Stromversorgung zu gewährleisten. Der Fo- kus bei der Netzplanung ist, dies für eine Vielzahl an Einspeise- und Lastszenarien zu erreichen. Der Netzausbaubedarf wird daher häufig für zwei extreme Belastungs- situationen bestimmt - den Starklastfall, welcher durch maximale Last gekenn- zeichnet ist, sowie den Rückspeisefall, welcher durch hohe Einspeisung und geringe Last gekennzeichnet ist und mit zunehmendem Ausbau EEA an Relevanz zunimmt. Der Rückspeisefall ist bewusst nicht durch maximale Einspeisung charakterisiert, da die gezielte Leistungsreduzierung von EEA bereits ein angewandter Planungs- grundsatz ist [5]. Hier werden für den Starklast- und Rückspeisefall die in Tabelle 6.1 gelisteten Skalierungsfaktoren verwendet. Betriebsfall Last Erzeugung Starklastfall 100% 0% Rückspeisefall 15% (MS) / 10% (NS) 85% (PV) / 100% (Andere) Tabelle 6.1: Verwendete Skalierungsfaktoren für die Betriebsfälle Starklastfall und Rückspeisefall nach [4]. Um die Netzbelastung realitätsnaher abzubilden, kommen neben den extremen Be- triebsfällen vermehrt Zeitreihenrechnungen zum Einsatz [134]. In den hier durch- geführten Untersuchungen werden sowohl die beiden Extrembetriebsfälle als auch konkrete Zeitreihen herangezogen. Dabei dienen die Extremfälle zur Bestimmung 124 6.1 Netzausbau maximaler Kosten, welche durch konventionellen Netzausbau entstehen. Die Be- stimmung des Netzausbaubedarfs auf Basis von Zeitreihen wird verwendet, um das Einsparpotenzial, welches sich durch eine netzebenenübergreifende Netzplanung un- ter Berücksichtigung von Abregelung und Speicherausbau ergeben, zu bestimmen. Die wichtigsten technischen Randbedingungen bei der Netzausbauplanung sind die thermische Belastbarkeit von Betriebsmitteln sowie einzuhaltende Spannungsgrenz- werte [5]. Erlaubte Spannungsabweichungen sind in der DIN EN 50160 [90] fest- gelegt. Demnach sind im ungestörten Betrieb in der MS und NS Spannungsab- weichungen von der Nennspannung von bis zu 10% erlaubt. Zudem definieren die Richtlinien [89] und [135] durch Erzeugungsanlagen in der MS und MS verursachte zulässige Spannungsbandabweichungen von 2% bzw. 3%. Thermische Betriebsmittelbelastungen sind u.a. in den Normen DIN EN 60076 [136] und DIN VDE 0276–603 [137] definiert. Zusätzlich definieren Netzbetreiber maximale Betriebsmittelbelastungen, um ausreichende Reserven für den (n-1)-Fall bereitzuhalten. Die (n-1)-sichere Versorgung ist ein angewandter Planungsgrundsatz für Lasten in der MS, wird aber derzeit nicht für Lasten in der NS sowie Erzeugungs- anlagen in der MS und NS angewendet [4]. Die hier verwendeten zulässigen Betriebsmittelbelastungen und Spannungsabwei- chungen sind in den Tabellen 6.3 und 6.2 aufgelistet. Dabei werden je nach Be- triebsfall unterschiedliche Betriebsmittelbelastungen zugelassen, u.a. aufgrund des genannten, angewandten Planungsgrundsatzes des (n-1)-sicheren Anschlusses von Verbrauchern in der MS. Netzebene Zulässige Spannungsänderung MS -1,5% / +5,0% MS-NS -2,0% / +1,5% NS -6,5% / +3,5% Tabelle 6.2: Verwendete Spannungsbandaufteilung nach [138]. Betriebsmittel Starklastfall Rückspeisefall Kabel, MS 50% 100% Kabel, NS 100% 100% Transformator, HS-MS 50% 100% Transformator, MS-NS 100% 100% Tabelle 6.3: Verwendete zulässige Betriebsmittelbelastungen im ungestörten Betrieb nach [138]. 125 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS Die Bestimmung von Netzausbaubedarf erfolgt durch die Überprüfung der Einhal- tung der genannten technischen Randbedingungen mittels komplexer Lastflussana- lyse. Dabei werden alle Knoten mit angeschlossenen Lasten oder Erzeugern als PQ- Knoten modelliert. Der Bilanzknoten (Englisch Slack) befindet sich auf der Hoch- spannungsseite des HS-MS-Transformators und wird als PV-Knoten mit einer festen Spannung von 1 p.u. modelliert. Es ist anzumerken, dass bei den vorliegenden Untersuchungen vorausschauende Netzplanung angewendet wird. Dies bedeutet, dass Netzausbaubedarf statt wie in der Praxis sukzessive, direkt für ein Zieljahr bestimmt wird. Dadurch können Netz- ausbaumaßnahmen gebündelt und Mehrfachinvestitionen vermieden werden, was Netzausbaukosten potenziell reduziert [4]. 6.1.2 Standard-Netzausbauvarianten Bei konventionellem Netzausbau werden thermische Überlastungen und Spannungs- bandverletzungen in der MS und NS überlicherweise durch Netzverstärkung behoben [4]. In einigen Fällen kommen auch andere Maßnahmen wie bspw. eine Anpassung des Spannungssollwerts am UW zur Anwendung. Die hier angewendeten Netzver- stärkungsmaßnahmen basieren hauptsächlich auf [138] und sind in Abbildung 6.2 dargestellt. Abbildung 6.2: Angewendete Netzausbaumaßnahmen basierend auf [138]. Im ersten Schritt werden thermische Überlastungen an Transformatoren und Lei- tungen behoben. Dazu wird entweder ein paralleles Betriebsmittel desselben Typs installiert oder, falls dies die Überlastung nicht vollständig behebt, das bestehen- de Betriebsmittel durch die zur Behebung der thermischen Überlastung notwendige Anzahl an parallelen Standardbetriebsmitteln ersetzt. Die hier verwendeten Stan- dardbetriebsmittel sind in Tabelle 6.4 gelistet. 126 6.2 Abregelung Betriebsmitteltyp Betriebsmittel Kabel, MS NA2XS2Y 3x1x185 RM/25 Kabel, NS NAYY 4x1x150 Transformator, HS-MS Bemessungsleistung 40 MVA Transformator, MS-NS Bemessungsleistung 630 kVA Tabelle 6.4: Verwendete Standardbetriebsmittel für Netzverstärkungsmaßnahmen nach [4]. Anschließend werden Spannungsbandverletzungen iterativ behoben. Spannungsband- verletzungen in ONS werden durch Verstärkung der ONS durch einen zusätzlichen Standard-Transformator gelöst. Für den Standardnetzausbau im Falle von kritischen Knotenspannungen im Strang wird eine Strangauftrennung bei zwei Dritteln der Di- stanz zwischen der sekundärseitigen Sammelschiene des Transformators und dem am weitesten entfernten kritischen Knoten durchgeführt. 6.1.3 Berechnung der Netzausbaukosten Netzausbaukosten werden auf Basis der getroffenen Netzverstärkungsmaßnahmen sowie der in Tabelle 3.6 gelisteten Kosten berechnet. Die Kosten für Transforma- toren werden dabei lediglich nach der Umspannebene differenziert. Die Kosten für Kabel werden nach der Netzebene sowie der Bevölkerungsdichte des Gebietes, in dem sie installiert werden, unterschieden, um unterschiedliche Verlegekosten zu be- rücksichtigen [4]. 6.2 Abregelung Das Ziel der Abregelungsmethodik ist es, die Abregelungsvorgaben aus dem Über- tragungsnetz so auf die fluktuierenden Erneuerbaren Energien (FEE) innerhalb eines MS-Netzes zu allokieren, dass Netzausbaukosten maximal reduziert werden. Dafür wurde ein Ansatz basierend auf Tonkoski [139] entwickelt, der eine statikbasierte Wirkleistungsreduktion in NS-Strängen einsetzt, um die Netzaufnahmefähigkeit für PV-Anlagen zu erhöhen. Die in [139] verwendete Reglerkennlinie ist eine lineare Kennlinie, die die Wirkleistungsreduktion in Abhängigkeit der Netzknotenspannung regelt: kn,r,t = a · (Vn,t − Vthreshold) (6.1) 127 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS Hierbei ist kn,r,t die abgeregelte Wirkleistung des Generators r am Netzverknüp- fungspunkt n zum Zeitpunkt t. Vn,t ist die Knotenspannung und Vthreshold die Span- nung, ab der die FEE abgeregelt werden, jeweils in p.u. a bezeichnet den Anstieg der linearen Regelkennlinie in kW. Der Ansatz von Tonkoski wurde dahingehend geändert, dass die Abregelung einer Anlage neben der Knotenspannung auch von dem wetterabhängigen Potenzial (siehe Kapitel 3.5.3) abhängig ist. Zudem wurde ein Abregelungsoffset k̄offset hinzugefügt. Dieser ist notwendig um sicherzustellen, dass Abregelungsvorgaben aus den darüber- liegenden Netzebenen stets eingehalten werden können. So kann es bspw. vorkom- men, dass alle Anlagen vollständig abgeregelt werden müssen, was ohne einen Offset nicht möglich wäre. Die resultierende, hier verwendete Regelcharakteristik ist damit durch Gleichung 6.2 gegeben und in Abbildung 6.3 dargestellt. kn,r,t ḡn,r,t ·Gn,r = ā · (Vn,t − Vthreshold,n,t) + k̄offset (6.2) In Gleichung 6.2 bezeichnen ḡn,r,t und Gn,r das wetterabhängige, normierte Poten- zial sowie die installierte Leistung der Erzeugungsanlage. k̄offset ist der Ordina- tenachsenabschnitt der linearen Regelkennlinie und repräsentiert einen normierten Abregelungsoffset; ā ist der Anstieg der Kennlinie in p.u.. Der Spannungsgrenz- wert Vthreshold,n,t ist so definiert, dass je größer die Überschreitung der zulässigen Spannungsänderung an einem Netzverknüpfungspunkt ist, desto größer ist die Ab- regelung der Anlagen an diesem Knoten. Da Spannungsänderungen hier in Bezug zur Spannung an der sekundärseitigen Sammelschiene des jeweiligen Transformators Vnstation,t definiert sind (siehe Kapitel 6.1.1), welche sowohl zeitabhängig als auch ab- hängig vom Netz, in dem der Generator angeschlossen ist, ist auch Vthreshold,n,t von diesen beiden Variablen abhängig und wird wie folgt bestimmt: Vthreshold,n,t = Vnstation,t + ∆Vnallowed + ∆Voffset,t (6.3) Dabei entspricht ∆Vnallowed der zulässigen positiven Spannungsänderung (vgl. Ta- belle 6.2). ∆Voffset,t ist die Überschreitung der zulässigen Spannungsänderung, ab der Generatoren abgeregelt werden. Per default ist ∆Voffset,t gleich Null, sodass alle Anlagen an Netzverknüpfungspunkten, an denen die zulässige Spannungsänderung überschritten wird, abgeregelt werden. Für den Fall, dass es nicht ausreichend ist, nur Anlagen oberhalb von ∆Voffset,t abzuregeln, müssen auch Anlagen unterhalb des erlaubten Grenzwertes abgeregelt werden. ∆Voffset,t wird dazu auf einen Wert herabgesetzt, mit dem die Erfüllung der Abregelungsvorgaben möglich ist. 128 6.2 Abregelung Abbildung 6.3: Verwendeter linearer Zusammenhang zwischen der relativen Abre- gelung (Quotient aus abzuregelnder Leistung einer Anlage und dem wetterabhängigen Potenzial der Anlage) sowie der Spannung am Netzverknüpfungspunkt einer Anlage zur Zuweisung der abzuregeln- den Leistung. Nachdem ∆Voffset,t für jeden Zeitschritt, für welchen Abregelungsvorgaben allokiert werden sollen, bestimmt worden ist, werden der Anstieg ā sowie der Ordinatenach- senabschnitt k̄offset der linearen Kennlinie aus Gleichung 6.2 durch Lösen eines linearen Optimierungsproblems (Ausdruck 6.4), welches den k̄offset minimiert, be- stimmt. Dabei unterliegt das Optimierungsproblem zwei Nebenbedingungen. Zum einen müssen die Abregelungsvorgaben aus den darüberliegenden Netzebenen Kt eingehalten werden (Gleichung 6.5). Zum anderen muss die abzuregelnde Leistung jeder Anlage kleiner oder gleich dem wetterabhängigen Potenzial der Anlage sein (Bedingung 6.6). min (∑ t k̄offsett ) (6.4) s.t. ∑ n,r kn,r,t = Kt ∀n, r ∈ (solar, wind) (6.5) kn,r,t ≤ ḡn,r,t ·Gn,r ∀n, r ∈ (solar, wind), t (6.6) Die Optimierung kann wie folgt veranschaulicht werden. Für den Fall, dass die Ab- regelungsvorgaben ohne einen Abregelungsoffset k̄offset eingehalten werden können, wird lediglich der Anstieg der Kennlinie, welcher begrenzt ist durch eine maxima- le relative Abregelung von 1 p.u. an dem Netzverknüpfungspunkt mit der größten Überschreitung des zulässigen Spannungsgrenzwertes (Vmaxdev in Abbildung 6.3), 129 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS variiert. Im Falle, dass ein k̄offset zur Einhaltung der Abregelungsvorgaben notwen- dig ist, beträgt die relative Abregelung bei Vmaxdev 1 p.u. und der k̄offset wird erhöht, bis die Vorgaben eingehalten werden können. 6.3 Speichereinsatz Das Ziel des Speichereinsatzes ist es, die aus der Optimierung der darüberliegenden Netzebenen stammende optimierte installierte Leistung von Speichern unter Berück- sichtigung des optimierten Betriebs (vgl. Kapitel 5.1.2) so in das Netz zu integrieren, dass Netzausbaukosten reduziert werden. Anders als bei der Abregelung, deren op- timierte Vorgaben eingehalten werden müssen, stellt der Einsatz von Speichern eine optionale Flexibilität dar, welche eingesetzt werden kann, falls die Speicher zur Verringerung des Netzausbaus in dem betrachteten MS-Netz eingesetzt werden kön- nen. Andernfalls wird die optimierte Speichergröße statt in der MS in der HS, an der Primärseite des UW, integriert. Da die Speicher ein Ergebnis der Optimierung der HöS und HS sind und sich damit als kostengünstiger als konventioneller Netzausbau erwiesen haben, werden Speicher als kostenlose Flexibilitätsoption in der MS ange- sehen. Potenzielle Skaleneffekte aufgrund derer dezentrale Speicher höhere Kosten verursachen können als ein zentraler Speicher mit gleicher Leistung, werden hierbei vernachlässigt. Da eine Optimierung von Speichergröße, -standort und -betrieb ein komplexes, nicht- lineares, nicht-konvexes, gemischt-ganzzahliges Problem darstellt, wird hier stattdes- sen eine Heuristik angewendet. Dabei wird davon ausgegangen, dass Netzausbau- kosten durch eine Reduzierung der maximalen Belastung der MS-Stränge verringert werden kann. Mittels der entwickelten Heuristik werden Speichergröße und -standort in einem Mittelspannungsabgang f ermittelt, nicht aber die Wirk- und Blindleis- tungsabgabe der Speicher, hf,t and h′f,t. Diese werden durch eine Skalierung der aus der Optimierung der HöS und HS stammenden Wirk- und Blindleistungsabgabe, hg,t and h′g,t, mit der Speichergröße des jeweiligen Speichers Hf entsprechend der Gleichungen 6.7 und 6.8 skaliert. hf,t = hg,t · Hf Hg (6.7) h′f,t = h′g,t · Hf Hg (6.8) Hierbei entspricht Hg der gesamt installierten Speicherleistung aus der Optimierung der HöS und HS, die in dem jeweiligen MS-Netzgebiet allokiert werden kann ist. 130 6.3 Speichereinsatz Da die Gesamtspeicherleistung limitiert ist und möglicherweise nicht für eine Redu- zierung der maximalen Leitungsbelastung in jedem MS-Abgang eingesetzt werden kann, werden die Abgänge entsprechend der Kosten für Netzverstärkungsmaßnah- men (siehe Kapitel 6.1), die ohne Speicherintegration bestünden, gerankt. Für jeden MS-Abgang werden daraufhin die folgenden vier Schritte, beginnend mit dem Ab- gang, in welchem die höchsten Kosten ermittelt wurden, durchgeführt. Im ersten Schritt wird eine nicht-lineare Lastflussanalyse durchgeführt, mittels de- rer bestehende Leitungsüberlastungen sowie Spannungsbandverletzungen ermittelt werden. Falls Leitungsüberlastungen und/oder Spannungsbandverletzungen in dem betrachteten Mittelspannungsabgang auftreten, wird im zweiten Schritt mittels des Ausdrucks 6.9 die Speicherkapazität bestimmt, durch welche die maximale Lei- tungsbelastung in dem MS-Abgang minimiert werden kann. min Hf max √ (Pf,t + hf,t)2 + ( Qf,t + h′f,t )2 lft ∀t (6.9) Hierbei ist lft die in dem jeweiligen Zeitschritt anzusetzende zulässige Betriebsmittel- belastung (siehe Tabelle 6.3). Pf,t ist die Wirkleistung in dem jeweiligen MS-Abgang am UW, die aus der elektrischen Last dn,t, der Einspeisung gn,r,t sowie den Netz- verlusten lf,t in dem jeweiligen MS-Abgang berechnet werden kann (siehe Gleichung 6.10). Analog zu Pf,t wird Qf,t über die Blindleistung von Lasten und Erzeugern, d′n,t bzw. g′n,r,t, sowie den Blindleistungsverlusten l′f,t berechnet (siehe Gleichung 6.11). Pf,t = dn,t − gn,r,t − lf,t ∀n ∈ f (6.10) Qf,t = d′n,t − g′n,r,t − l′f,t ∀n ∈ f (6.11) Die Speichergröße, die Gleichung 6.9 minimiert, wird ermittelt, indem die Leistung in Schritten von 0,2MW zwischen 0,3MW und 4,5MW variiert wird, wobei 0,3MW und 4,5MW die hier verwendete minimale und maximale Leistung darstellen, mit der Anlagen an das MS-Netz angeschlossen werden. Abbildung 6.4 visualisiert die- ses Vorgehen für einen beliebigen Mittelspannungsabgang und Speichergrößen von 500 kW und 1.100 kW. Dargestellt ist die Scheinleistung für den MS-Abgang am UW ohne (durchgezogene Linie) sowie mit Speicher (gestrichelte und gepunktete Linie) über einen Zeitraum von zwei Tagen, sowie die korrespondierende maximale Scheinleistung für jeden der drei Fälle (horizontale Linien). Daraus geht hervor, dass im Falle eines 500 kW-Speichers die Scheinleistung von rund 1.400 kW auf 1.200 kW 131 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS 12:00 00:00 24-Apr 2011 00:00 25-Apr 12:0018:00 06:00 12:00 18:00 06:00 time 0 500 1000 1500 2000 A p p a re n t p o w e r in k V A Apparent power without storage Apparent power with storage (pnom = 500 kW) Apparent power with storage (pnom = 1100 kW) Abbildung 6.4: Veranschaulichung der Ermittlung der Speichergröße, welche die ma- ximale Leitungsbelastung des betrachteten MS-Abgangs minimiert. reduziert werden kann, während die Integration eines Speichers mit 1.100 kW die maximale Strangbelastung auf rund 1.600 kW erhöht. Falls die maximale Leitungsbelastung durch einen Speicher reduziert werden kann, wird im dritten Schritt der Speicherstandort ermittelt. Im Falle von Leitungs- überlastungen wird der Speicher an dem vom UW am weitesten entfernten Netz- verknüpfungspunkt positioniert, an dem Leitungsüberlastung auftritt. Da die Lei- tungsbelastung im Allgemeinen zum UW hin zunimmt, führt die Speicherintegration in der Regel dazu, dass die maximale Leitungsbelastung zwischen dem Punkt, an welchem der Speicher angeschlossen wird, und dem UW reduziert wird. Falls kei- ne Leitungsüberlastungen in dem betrachteten Abgang auftreten, muss ein anderer Ansatz zur Speicherpositionierung gewählt werden. In dem Fall wird der Speicher bei zwei Dritteln der Leitungslänge vom UW bis zu dem Punkt mit der maxima- len Spannungsabweichung positioniert, analog zur Wahl der Auftrennstelle bei der Behebung von Spannungsbandverletzungen (siehe Kapitel 6.1). Im letzten Schritt wird überprüft ob die Speicherintegration in dem jeweiligen Strang zu einer Reduzierung der Spannungsbandverletzugen und/oder der Anzahl neu zu installierender Leitungen geführt hat. Trifft dies nicht zu, wird der Speicher nicht integriert. 132 6.4 Ergebnisse Es ist anzumerken, dass der hier angewendete Ansatz zum Speicherausbau keine Speicherintegration in der NS berücksichtigt. Dies hat zur Folge, dass hauptsächlich Kosten in der MS reduziert werden können, da zum einen eine Entlastung der Lei- tungen in der NS nicht direkt möglich ist. Zum anderen wird in der vorliegenden Arbeit keine integrierte Betrachtung der Spannungsebenen, sondern eine feste Span- nungsbandaufteilung vorgenommen. Eine Verringerung der Spannungsabweichung in der MS wird damit nicht für eine Erhöhung der erlaubten Spannungsabweichung in der NS genutzt. Indessen wird die Spannungsabweichung in der NS nur wenig von der Verringerung der Spannungsabweichung in der MS beeinflusst, weshalb Netz- ausbaubedarf aufgrund von Spannungsbandverletzungen in der NS wenig bis gar nicht reduziert werden kann. Da aus vorhergehenden Studien hervorgeht, dass Netz- ausbaukosten in der MS Kosten in der NS um das zwei- bis fünffache übersteigen [4, 5, 138] und zudem eine Speicherintegration in der NS die Rechenzeit um ein Vielfaches erhöhen würde, wird die getroffene Vereinfachung der ausschließlichen Speicherintegration in der MS als annehmbar angesehen. 6.4 Ergebnisse In diesem Kapitel werden Fallbeispiele zur Demonstration der in eDisGo implemen- tierten Methoden zum Netzausbau, zur Abregelung sowie zum Speichereinsatz je- weils anhand eines exemplarischen MS-Netzes präsentiert. Im Falle des Netzausbaus sowie der Abregelung werden zudem Ergebnisse für Gesamtdeutschland dargestellt und zu Validierungszwecken mit Ergebnissen relevanter Studien verglichen. Es ist an- zumerken, dass es sich bei den hier dargestellten Untersuchungen um reine Analysen der MS-NS-Netze, ohne Berücksichtigung von Vorgaben der darüberliegenden Net- zebenen, handelt. Ergebnisse der netzebenenübergreifenden Untersuchungen werden in Kapitel 7.4.2 präsentiert. 6.4.1 Netzausbau Im Rahmen des Fallbeispiels zum Netzausbau werden die Netzausbaukosten, wel- che sich nach konventionellen Netzplanungsgrundsätzen ergeben, präsentiert. Diese werden auf Basis der bei konventioneller Netzplanung herangezogenen Betriebsfälle Starklast- und Rückspeisefall sowie ohne den Einsatz von Flexibilitäten bestimmt. Die so ermittelten Kosten werden in weiteren Untersuchungen als Referenz-Kosten herangezogen und stellen eine obere Grenze für die Netzausbaukosten dar. 133 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS 6.4.1.1 Ergebnisse für ein exemplarisches Mittelspannungsnetz Dieses Kapitel veranschaulicht die Bestimmung der Netzausbaukosten für das NEP 2035 -Szenario anhand eines exemplarischen MS-Netzes. Da lediglich die Betriebs- mittel in der MS georeferenziert sind und eine Darstellung aller darunterliegenden NS-Netze die Netztopologie-Abbildungen zu unübersichtlich werden ließe, werden die Ergebnisse jeweils nur anhand des MS-Netzes grafisch dargestellt. Abbildung 6.5 zeigt den veränderten Kraftwerkspark für das NEP 2035 -Szenario gegenüber dem Status Quo. Die FEE sind dabei in grün dargestellt. Für das hier betrachtete MS-Netzgebiet inklusive der darunterliegenden NS-Netze ergibt sich ein Kapazitätszuwachs von 47,2MW. Dieser Zuwachs führt teilweise zu kritischen Lei- tungsbelastungen und Spannungsabweichungen, wie aus Abbildung 6.6a hervorgeht. Durch die Leitungsüberlastungen und Spannungsbandverletzungen ergibt sich ein Netzausbaubedarf, welchem mit den in Kapitel 6.1.2 beschriebenen Maßnahmen be- gegnet wird. (a) Status Quo (b) NEP 2035 -Szenario Abbildung 6.5: MS-Netztopologie des exemplarischen Mittelspannungsnetzes für die Szenarien Status Quo-Szenario (links) und NEP 2035 -Szenario (rechts). Die Farben der Knoten haben dabei folgende Bedeutung: rot - UW, hellblau - ONS, grün - FEE, grau - Trennstelle. Durch die Anwendung der Netzverstärkungsmaßnahmen kann das Netz in einen unkritischen Zustand überführt werden, wie Abbildung 6.6b zeigt. Der Abbildung kann ebenfalls die Leitungskapazität nach Netzausbau entnommen, welche durch die Breite der dargestellten Leitungen dargestellt ist. Demnach besteht wie zu erwarten war insbesondere ein Ausbaubedarf von Leitungen nahe dem UW, da diese überli- 134 6.4 Ergebnisse cherweise aufgrund der sich zum UW hin kumulierenden Erzeugung stärker belastet sind. Die Kosten für die getroffenen Netzverstärkungsmaßnahmen belaufen sich in dem betrachteten Netzgebiet auf 1,9Mio.EUR in der NS sowie 10,6Mio.EUR in der MS. Die Verteilung der Kosten auf die einzelnen Betriebsmittel in der MS sowie die MS-NS-Umspannebene ist in Abbildung 6.7 dargestellt. (a) vor Netzausbau (b) nach Netzausbau Abbildung 6.6: Maximale Leitungsbelastungen und Spannungsabweichungen in den Betriebsfällen Starklastfall und Einspeisefall vor (oben) und nach (oben) Netzverstärkung. Die Leitungsdicke entspricht der Leitungs- kapazität in MVA. 135 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS Abbildung 6.7: Netzausbaukosten für Betriebsmittel in der Mittelspannung sowie die MS-NS-Umspannebene. 6.4.1.2 Ergebnisse für Gesamtdeutschland Zur Ermittlung des gesamtdeutschen, konventionellen Netzausbaubedarfs für das NEP 2035 -Szenario wird hier das in dem vorangegangenen Kapitel veranschaulich- te Vorgehen zur Bestimmung der konventionellen Netzausbaukosten auf alle MS- Netzgebiete angewendet. Es ergeben sich Kosten von 2,39Mrd.EUR in der NS (wovon ca. 30% auf die MS-NS- Umspannebene entfallen) sowie 12,53Mrd.EUR in der MS. Dabei ist anzumerken, dass von den 3.591 MS-Netzgebieten 116 Netze aufgrund von auftretenden Feh- lern nicht gerechnet werden konnten. Für diese 116 Netze wurden die sich für alle gerechneten Netze ergebenden mittleren Netzausbaukosten angesetzt und auf die Gesamtkosten der gerechneten Netze addiert. Zudem wurde für weitere 198 Netze keine Netztopologie erstellt, was vor allem auf die Vernachlässigung der (urbanen) Gebiete mit sehr hohen Lastdichten zurückzuführen ist (vgl. Kapitel 4.2.3). Für die- se 198 nicht erstellten MS-Netze wurde angenommen, dass keine Netzausbaukosten entstehen (vgl. Kapitel 4.2.1.2). Zur Einordnung der errechneten Netzausbaukosten für Gesamtdeutschland werden diese mit den in der dena-Verteilnetzstudie [4] sowie der BMWi-Verteilernetzstudie [5] ermittelten Kosten gegenübergestellt. Der Vergleich kann dabei lediglich eine grobe Einordnung darstellen, da sich die Szenarien teilweise deutlich voneinander unterscheiden, wie Tabelle 6.5 zeigt. Neben Szenarien aus der dena-Verteilnetzstudie sowie der BMWi-Verteilernetzstudie wurde das eGo 100 -Szenario mit in den Ver- gleich aufgenommen. 136 6.4 Ergebnisse Szenario Basisjahr Zieljahr ∆Wind in GW ∆PV in GW Quelle eGo (NEP 2035) 2015 2035 47,5 21,4 [3] dena (NEP B 2012) 2010 2030 34,3 44,9 [4] BMWi (NEP) 2012 2032 35,0 35,0 [5] eGo (eGo 100) 2015 2050 57,1 59,3 [11] Tabelle 6.5: Rahmenparameter der verglichenen Szenarien. Abbildung 6.8 zeigt den Kostenvergleich der in Tabelle 6.5 gelisteten Szenarien. Demnach liegen die auf Basis der in diesem Projekt erstellten offenen Daten und Tools berechneten Gesamtnetzausbaukosten für das NEP 2035 -Szenario mit rund 14,9Mrd.EUR zwischen den Kosten für das NEP-Szenario der BMWi-Verteilernetz- studie von rund 17,3Mrd.EUR sowie den Kosten für das NEP B 2012 -Szenario der dena-Verteilnetzstudie von rund 11,4Mrd.EUR. Hervorzuheben ist, dass der Anteil von NS- zu MS-Kosten in den vorliegenden Untersuchungen deutlich geringer ist, als in den zum Vergleich herangezogenen Studien. Ein Grund hierfür könnte der im Vergleich zu den anderen Studien geringe Zubau von PV sein, welcher hauptsächlich in der NS stattfindet. Abbildung 6.8: Vergleich von gesamtdeutschen Netzausbaukosten. 6.4.2 Abregelung Als Fallbeispiel für die Abregelung wird eine Variantenrechnung zur Leistungssteue- rung von PV- und WKA aus der dena-Verteilnetzstudie [4] herangezogen, welche in der dena-Studie zur Abschätzung des Kostensenkungspotenzials der Netzausbau- kosten durch eine gezielte Abregelung der Anlagen verwendet worden ist. Nach dem 137 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS EEG64 ist eine Reduzierung der Einspeiseleistung von PV-Anlagen größer 30 kW auf 70% der installierten Leistung bereits vorgesehen, was nach [140] in einer jährlichen Reduktion der Energiemenge von 2% resultiert. In der dena-Verteilnetzstudie wird neben dieser bereits vorgesehenen Abregelung von PV-Anlagen zudem eine Abre- gelung von WKA angenommen. Zur Bestimmung des Abregelungswertes wird auch für WKA ein jährlicher Energieverlust von 2% zugelassen, was in einer Leistungs- begrenzung auf 80% resultiert. Anhand dieser Vorgaben einer Leistungsbegrenzung von 70% für PV-Anlagen sowie 80% für WKA soll im Folgenden ein Vergleich der fixen Leistungsbegrenzung auf diese Werte mit dem in diesem Projekt entwickelten Ansatz zur spannungsbasier- ten Abregelung vorgenommen werden. Im Falle der spannungsbasierten Abregelung wird dazu die bei einer Leistungsbegrenzung auf die genannten Werte abgeregel- te Energie entsprechend der Spannungsbandverletzung am Netzverknüpfungspunkt (vgl. Kapitel 6.2) allokiert. Analog zum vorangegangenen Kapitel werden auch hier die Ergebnisse zunächst anhand eines exemplarischen Netzes dargestellt. Im nächsten Schritt folgt dann eine Auswertung des Kostensenkungspotenzials durch Leistungssteuerung mit den beiden genannten Ansätzen auf Gesamtdeutschland und zur Einordnung der Ergebnisse ein Vergleich mit der dena-Verteilnetzstudie. 6.4.2.1 Ergebnisse für ein exemplarisches Mittelspannungsnetz In diesem Kapitel wird das Potenzial von Abregelung FEE zur Reduzierung des Netzausbaubedarfs anhand eines MS-Netzes dargestellt. Der Netzausbaubedarf wird analog zu Kapitel 6.4.1.1 bestimmt, mit dem Unterschied, dass für den Rückspeisefall statt die in Tabelle 6.1 gelisteten Skalierungsfaktoren, die Skalierungsfaktoren für PV- und WKA entsprechend der Abregelungsmethodik angepasst werden. Im Fall einer fixen Leistungsbegrenzung wurden die Skalierungsfaktoren für PV- und WKA auf die bereits genannten 80% bzw. 70% gesetzt. In dem betrachteten Netz entspricht dies einer abzuregelnden Leistung von rund 3MW für PV-Anlagen sowie von rund 10MW für WKA. Im Falle der spannungsbasierten Abregelung wurden keine festen Skalierungsfaktoren gewählt, sondern die gegenüber dem Auslegungsfall ohne Abregelung abgeregelte Leistung von 3MW für PV-Anlagen sowie 10MW für WKA wurde entsprechend der in Kapitel 6.2 beschriebenen Methodik auf die PV- und WKA im Netz allokiert. 64§9 Abs. 2 Nr. 2b EEG 2017 138 6.4 Ergebnisse 1 2 3 4 5 6 0 1 2 3 4 5 6 Oh ne Ab re ge lu ng Leitungsüberlastungen in p.u. 0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0 2.5 Spannungsbandverletzungen in % 1 2 3 4 5 6 0 1 2 3 4 5 6 fix e Le ist un gs - be gr en zu ng 0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0 2.5 1 2 3 4 5 6 0 1 2 3 4 5 6 Sp an nu ng sb a- sie rte A br eg el un g 0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0 2.5 Abbildung 6.9: Absolute Häufigkeitsdichten der Leitungsüberlastungen und Span- nungsbandverletzungen ohne Abregelung (oben), mit einer fixen Leistungsbegrenzung (Mitte) sowie mit spannungsbasierter Abrege- lung (unten). Abbildung 6.9 zeigt Histogramme der Leitungsüberlastungen sowie Spannungsband- verletzungen für die drei untersuchten Fälle vor Netzverstärkung. Daraus geht her- vor, dass bei gleicher abgeregelter Gesamtleistung mittels der spannungsbasierten Abregelung aufgrund der stärkeren Entlastung besonders belasteter Stränge kri- tische Leitungsbelastungen und Spannungen stärker reduziert werden können als mit einer fixen Leistungsbegrenzung. Die Kosten für Netzverstärkungsmaßnahmen können mit der spannungsbasierten Abregelung gegenüber dem Szenario ohne Ab- regelung um 16,6% gesenkt werden, während die Kostensenkung mit einer fixen Abregelung für das betrachtete Netz nur 7,8% beträgt. 139 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS 6.4.2.2 Ergebnisse für Gesamtdeutschland In diesem Kapitel wird das Kostensenkungspotenzial einer fixen Leistungsbegren- zung von PV- und WKA auf 80% bzw. 70%, sowie einer spannungsbasierten Abre- gelung, bei welcher die gleiche Gesamtleistung wie im Falle der fixen Leistungsbe- grenzung abgeregelt wird, für Gesamtdeutschland bestimmt. Hierzu wird das in dem vorangegangenen Kapitel 6.4.2.1 exemplarisch für ein MS-Netz dargestellte Vorge- hen auf alle MS-Netzgebiete in Deutschland angewendet. Die resultierenden Gesamtkosten sind in Abbildung 6.10 dargestellt. Demnach erge- ben sich bei einer fixen Leistungsbegrenzung Kosten von rund 1,94Mrd. EUR in der NS sowie 11,16Mrd. EUR in der MS, was gegenüber dem Szenario ohne Abregelung einer Kostenreduktion um 19% bzw. 11% entspricht. Die dena-Verteilnetzstudie kommt bei ihren Auswertungen für das NEP B 2012 -Szenario für das Zieljahr 2030 auf Kostenreduktionen von 13% in der NS sowie 19% in der MS, was in der Grö- ßenordnung der in dieser Untersuchung ermittelten Werten liegt. Im Falle der span- nungsbasierten Abregelung betragen die Netzausbaukosten rund 1,83Mrd. EUR in der NS sowie 10,94Mrd. EUR in der MS. Gegenüber dem Szenario mit einer fixen Abregelung können die Gesamtkosten damit um weitere 14% reduziert werden. Abbildung 6.10: Gesamtdeutsche Netzausbaukosten. 6.4.3 Speicherausbau In diesem Kapitel werden beispielhafte Ergebnisse der Speicherintegration zur Netz- entlastung anhand des bereits in den vorangegangenen Untersuchungen verwendeten exemplarischen MS-Netzes dargestellt. Im Gegensatz zu den vorangegangen Analy- sen zum konventionellen Netzausbau sowie zur Abregelung wird zur Bestimmung des Netzausbaubedarfs statt unter Betrachtung der beiden Betriebsfälle Starklast- und Rückspeisefall zeitaufgelöst gerechnet. Es werden dazu die nach den Kapiteln 140 6.4 Ergebnisse 3.5.1 und 3.5.3 erstellten Last- und Erzeugungszeitreihen verwendet und daraus ein beliebiger Tag ausgewählt. Als Zukunftsszenario wird das eGo 100 -Szenario heran- gezogen. Die in Kapitel 6.3 beschriebene Heuristik zur Speicherintegration ist auf exogene Vor- gaben bezüglich der gesamten zur Verfügung stehenden Speicherleistung sowie der Speicherbe- und -entladung angewiesen, welche beispielsweise aus der Optimierung der HöS und HS stammen. Hier werden zur Veranschaulichung der Speicherintegrati- onsmethodik fiktive Vorgaben gemacht. Demnach steht eine Gesamtspeicherleistung von 4MW zur Verfügung, was einer Erzeugungsleistung von rund 90MW gegenüber steht. Die Speicherbe- und -entladung kann Abbildung 6.11 entnommen werden. 00:00 01-May 03:00 06:00 09:00 12:00 15:00 18:00 21:00 0 10 20 30 40 50 60 70 80 La st / Er ze ug un g in M W Last Erzeugung Speicher Erzeugung mit Speicher Abbildung 6.11: Kumulierte Last und Erzeugung in dem betrachteten Mittelspan- nungsnetzgebiet. Die mittels der Methodik zur Speicherintegration bestimmten Standorte und Spei- chergrößen sind in Abbildung 6.12 dargestellt. Demnach werden zwei Speicher mit Leistungen von 2,3MW (rechts in Abbildung in 6.12) sowie 1,7MW (links in Ab- bildung in 6.12) in das Netz integriert. Die Bestimmung der Speichergröße ist, wie in Kapitel 6.3 beschrieben, ein iterativer Prozess, bei dem die Speichergröße, welche die maximale Leitungsbelastung in einem MS-Abgang minimiert, durch Variation der Speichergröße ermittelt wird. Dies ist in Abbildung 6.13 exemplarisch für ver- schiedene Speichergrößen für die beiden MS-Abgänge, in denen hier Speicher instal- liert wurden, dargestellt. Aus der Abbildung geht hervor, dass im Falle des MS- Abgangs, in welchem der 2,3MW Speicher installiert wurde, die Erzeugungsspitze zur Mittagszeit durch zunehmende Speichergröße zwar reduziert werden kann, die Speicherbeladung am Abend aber mit steigender Speichergröße zu immer höheren Strangbelastungen führt und die größte Reduktion der Strangbelastung durch einen 2,3MW Speicher erreicht werden kann. Im Falle des MS-Abgangs, in welchem der 1,7MW Speicher installiert worden ist, kann mit zunehmender Speichergröße eine Reduktion der Belastung sowohl zur Mittags- als auch zur Abendzeit erreicht wer- den. Da in dem MS-Abgang, in welchem der 2,3MW Speicher installiert worden ist, höherer Netzausbaubedarf besteht, wird die Speicherintegration zunächst in diesem 141 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS Storage size = 300 kW battery storage Abbildung 6.12: Ermittelte Speicherstandorte und -größen. 00:00 01-May 03:00 06:00 09:00 12:00 15:00 18:00 21:00 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Sc he in le ist un g in M VA ohne Speicher 900 kW Speicher 1700 kW Speicher (a) Leitungsbelastung für MS-Abgang, in wel- chem der 1,7MW Speicher integriert wur- de 00:00 01-May 03:00 06:00 09:00 12:00 15:00 18:00 21:00 4 6 8 10 12 14 Sc he in le ist un g in M VA ohne Speicher 1700 kW Speicher 2300 kW Speicher 3500 kW Speicher (b) Leitungsbelastung für MS-Abgang, in wel- chem der 2,3MW Speicher integriert wur- de Abbildung 6.13: Leitungsbelastung am UW der beiden MS-Abgänge, in denen Spei- cher integriert wurden, für verschiedene Speichergrößen. MS-Abgang durchgeführt, sodass nach Integration des 2,3MW Speichers von der zur Verfügung stehenden Gesamtspeicherleistung von 4MW lediglich 1,7MW zur Verfügung stehen. Die nach Speicherintegration bestehenden maximalen Leitungsbelastungen und Span- nungsabweichungen sind in Abbildung 6.14b dargestellt. Der Vergleich mit Abbil- dung 6.14a, welche die Leitungsbelastungen und Spannungsabweichungen vor Spei- cherintegration darstellt, zeigt, dass der kleinere der beiden Speicher zu einer deut- lichen Reduktion von Leitungsbelastungen und Spannungsabweichungen beiträgt, während der größere Speicher die maximalen Leitungsbelastungen und Spannungs- abweichungen nur wenig reduziert. Grund hierfür ist, dass der 2,3MW Speicher die maximale Strangbelastung nur um ca. 8% reduzieren kann, während der 1,7MW 142 6.4 Ergebnisse Speicher die maximale Leitungsbelastung in dem MS-Abgang, in dem er integriert ist, um 32% reduziert, wie Abbildung 6.13 entnommen werden kann. Insgesamt kann durch die Speicherintegration eine Kostenreduktion für notwendige Netzaus- baumaßnahmen um 15% erzielt werden. Dabei werden Netzausbaukosten in der MS mit 17% stärker reduziert als in der NS mit 5,5%, wie bereits in Kapitel 6.3 diskutiert. 0.000 0.132 0.264 0.396 0.528 0.660 0.792 0.924 1.056 1.188 1.320 Li ne lo ad in g in p .u . 0.000 0.321 0.642 0.963 1.284 1.605 1.927 2.248 2.569 2.890 3.211 Vo lta ge d ev ia tio n in % (a) vor Speicherintegration 0.000 0.132 0.264 0.396 0.528 0.660 0.792 0.924 1.056 1.188 1.320 Li ne lo ad in g in p .u . 0.000 0.321 0.642 0.963 1.284 1.605 1.927 2.248 2.569 2.890 3.211 Vo lta ge d ev ia tio n in % (b) nach Speicherintegration Abbildung 6.14: Maximale Leitungsbelastungen und Spannungsabweichungen in dem betrachteten Zeitraum vor (oben) sowie nach (unten) Spei- cherintegration. 143 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS 6.5 Diskussion der Methodiken und Ergebnisse In diesem Kapitel wird eine Bewertung des verwendeten Netzdatenmodells sowie des Vorgehens zur Bestimmung des Netzausbaubedarfs hinsichtlich der damit für Ge- samtdeutschland ermittelten Netzausbaukosten vorgenommen. Zudem werden die Ansätze zur Bestimmung des Potenzials einer Reduktion von Netzausbaubedarf durch den Einsatz von Flexibilitätsoptionen bewertet. Bei den den Berechnungen zugrundeliegenden MS-Netzdaten handelt es sich um auf Basis von offenen Daten erstellte synthetische Netze, bei den NS-Netzdaten um Referenznetze. Durch die Einbeziehung hochaufgelöster Daten zu Lasten und Erzeugern bei der Erstellung der MS- und NS-Netztopologien, können lokale Ge- gebenheiten der einzelnen Netzgebiete in Deutschland berücksichtigt werden. Die Qualität der Netzdaten wurde bereits in Kapitel 4.2.3.1 diskutiert, die Qualität der der Erstellung der Netze zugrundeliegenden Daten in Kapitel 3.6. Im Folgenden wer- den einzelne Aspekte der Netzdaten mit besonderer Relevanz für die Bestimmung des Netzausbaubedarfs diskutiert. Eine relevante Kenngröße der Netzdaten für die Bestimmung von Netzausbaukos- ten stellt die Gesamtleitungslänge von Leitungen und Kabeln dar. Dies ergibt sich aus dem großen Anteil der Kosten für Kabelverstärkung und -austausch an den ge- samten Netzausbaukosten (siehe Kapitel 6.4.1.2), welche proportional zur Länge der zu verstärkenden bzw. auszubauenden Trassen sind. Wie in Kapitel 4.2.3.1 darge- stellt, besteht eine gute Übereinstimmung der Gesamtleitungslänge von Leitungen und Kabeln in der MS-Ebene für Gesamtdeutschland. Eine Analyse von 33 realen MS-Netzgebieten zeigt, dass die Gesamtleitungslänge in Netzgebieten mit hoher Ge- samtleitungslänge überschätzt sowie in Netzgebieten mit geringer Gesamtleitungs- länge unterschätzt wird. Netzausbaukosten für Netzgebiete mit hoher Gesamtlei- tungslänge werden damit vermutlich überschätzt, sowie in Gebieten mit geringer Gesamtleitungslänge unterschätzt. Neben der Leitungslänge stellen auch die Größe und Verteilung von Lasten und Generatoren im Netz wichtige Parameter der Netztopologiedaten dar. Die Größe und Verteilung von im Status Quo bestehenden Lasten und Generatoren wurde auf Basis von Daten zu Nutzungsflächen, statistischen Erhebungen, Kraftwerksdaten etc. ermittelt und wird somit als realistisch eingestuft. Die Verteilung von Erzeu- gungsanlagen in den Zukunftsszenarien NEP 2035 und eGo 100 wird ebenfalls auf Basis von Nutzungsflächen möglichst realistisch modelliert. Sich verändernde Las- ten bspw. durch Sektorkopplung werden in den hier durchgeführten Untersuchungen vernachlässigt. 144 6.5 Diskussion der Methodiken und Ergebnisse Die Netze stellen im Status Quo technisch stabile Netze mit den in der Praxis übli- chen Reserven dar. Die Qualität der Netzdaten bezüglich der elektrischen Betriebs- mittel hat damit aufgrund der hier vorgenommenen monetären Bewertung der Netz- ausbaumaßnahmen nur einen geringen Einfluss auf die Kosten, da die angesetzten Leitungskosten lediglich nach Spannungsebene sowie ihrer überirdischen oder unter- irdischen Lage unterschieden werden. Auch die Kenngröße des Anteils an Erdkabeln der Netzdaten hat nur einen geringen Einfluss auf die errechneten Gesamtnetzaus- baukosten, da Freileitungen bei Austausch stets durch Erdkabel ersetzt werden und somit außer im Falle von Freileitungsverstärkung stets Kosten für Erdarbeiten an- gesetzt werden. Die hier angewendete Netzausbauplanung stellt eine vereinfachte, standardi- sierte Ausbauplanung dar, welche basierend auf [138] und [4] konventionelle, tech- nisch sinnvolle Planungsprozesse der Verteilnetzbetreiber (VNB) wiederspiegelt und somit als realistisch angesehen wird. Aspekte wie dynamische Stabilität oder die Ad- aption von Schutzkonzepten, welche zusätzliche Kosten verursachen können, werden vernachlässigt. Weiterhin wird in der hier angewendeten Netzausbauplanung die Optimierung der Betriebspunkte der HS-MS-Transformatoren, welche ein kostengünstiges Mittel zur Verbesserung des Netzzustandes und damit zur Verringerung von Netzausbaubedarf darstellt, nicht berücksichtigt. Auch die Möglichkeit einer dynamischen Aufteilung des Spannungsbandes nach EN 50160 [90] mittels welcher Netzausbaubedarf ohne zusätzliche Investitionen reduziert werden kann, wird hier, ebenso wie überwiegend in der Praxis, nicht betrachtet. Wie in Kapitel 6.1.1 erläutert, findet in den hier durchgeführten Untersuchungen vor- ausschauende Netzplanung Anwendung, welche zu einer Unterschätzung der Netz- ausbaukosten führt. Untersuchungen der dena-Verteilnetzstudie [4] zufolge liegen die Kosten bei vorausschauender Netzplanung in der NS 11% sowie in der MS 18% unter den Kosten der Untersuchungen mit den Stützjahren 2015 und 2020. Zur Bewertung des Potenzials der beiden Flexibilitätsoptionen Abregelung und Spei- cherintegration zur Reduktion von Netzausbaukosten wurden Heuristiken entwickelt, welche zum Ziel haben, Vorgaben aus den darüberliegenden Spannungsebenen so einzusetzen, dass Netzausbaukosten maximal reduziert werden (siehe Kapitel 6.2 und 6.3). Da die Auswertungen also auf Heuristiken basieren, wird das Kostensen- kungspotenzial dieser Maßnahmen potenziell unterschätzt. Zur Bestimmung des vol- len Kostensenkungspotenzials bedarf es einer nicht-linearen Optimierung, welche im Rahmen des Projektes nicht umgesetzt werden konnte. Bezüglich der Methode zur Speicherintegration wurde zudem bereits in Kapitel 6.3 angemerkt, dass diese zum einen aufgrund der Vereinfachung einer ausschließlichen Integration von Speichern in 145 6 Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS der MS sowie aufgrund der hier angewendeten starren Aufteilung des Spannungsban- des hauptsächlich zu einer Senkung der Netzausbaukosten in der MS führt. Eine wei- tere Dezentralisierung der Speicher durch Integration in der NS könnte zusätzlich zu einer Reduktion der Netzausbaukosten in der NS sowie der MS-NS-Umspannebene führen. 6.6 Anwendung des Tools Das eDisGo-Tool ist als Python Modul über das Verwaltungswerkzeug pip installier- bar. Eine Anleitung zur Installation sowie zu weiteren Voraussetzungen zur Anwen- dung des Tools ist auf ReadTheDocs65 verfügbar. Die ReadTheDocs-Dokumentation enthält zudem eine ausführliche Dokumentation der implementierten Methoden so- wie eine Reihe von Beispielen, welche den Einstieg in die Nutzung erleichtern sol- len. Grundlegende Voraussetzung zur Nutzung von eDisGo sind neben einer laufenden Installation MS-NS-Netztopologien. Die einzige bisher unterstützte Quelle hierfür sind mit dem ding0 -Tool erstellte Netze (vgl. Kapitel 4.2). Diese können entweder selber generiert (siehe dazu ding0 -Dokumentation66) oder von Zenodo67 herunter- geladen werden. eDisGo besitzt keine grafische Nutzeroberfläche. Die Steuergung und Eingabe der gewünschten Berechnungsparameter erfolgt über die API-Klasse eDisGo. Das folgen- de Beispiel initialisiert für ein exemplarisches ding0 -Netz eine worst-case-Analyse, bei welcher die Betriebsfälle Starklast- und Rückspeisefall (vgl. Kapitel 6.1.1) zur Dimensionierung des Netzes herangezogen werden. 1 from edisgo import EDisGo 2 3 edisgo = EDisGo(ding0_grid="ding0_grid.pkl", 4 worst_case_analysis=’worst-case’) Ist ein eDisGo-Objekt initialisiert, kann nun beispielsweise die Netzverstärkung fol- gendermaßen ausgelöst werden: 1 edisgo.reinforce() Der Aufruf der Abregelungsmethode sowie der Speicheintegration erfolgen analog zur Netzverstärkung. Ausführliche Beispiele mit möglichen Konfigurationen der Me- thoden sind der Dokumentation auf ReadTheDocs zu entnehmen. 65https://edisgo.readthedocs.io 66https://dingo.readthedocs.io 67https://zenodo.org/record/890479 146 https://edisgo.readthedocs.io https://dingo.readthedocs.io https://zenodo.org/record/890479 6.6 Anwendung des Tools Neben der direkten Kofiguration der Methoden über Eingabeparameter sind ei- nige grundlegende Parameter, wie beispielsweise die Skalierungsfaktoren für den Starklast- und Rückspeisefall oder erlaubte Leitungsbelastungen und Spannungs- abweichungen, zur besseren Übersicht und Anpassbarkeit in Konfigurationsdateien definiert und können darüber vom Nutzer angepasst werden. Alle Berechnungsergebnisse wie beispielsweise resultierende Leitungsbelastungen, Netzverstärkungskosten, Netzverluste, etc. werden in eDisGo in der Results-Klasse abgespeichert, auf welche über die eDisGo-API-Klasse zugegriffen werden kann. Fol- gend ist dargestellt, wie auf die Liste der ausgebauten Betriebsmittel und der jewei- ligen dafür entstandenen Kosten zugegriffen werden kann: 1 costs = edisgo.network.results.grid_expansion_costs Zur Visualisierung der Ergebnisse stellt eDisGo einige Plot-Funktionen bereit, wie beispielsweise Geoplots des MS-Netzes wie in den Abbildungen 6.12 und 6.14 oder Histogramme wie in Abbildung 6.9. 147 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Für die Synthese der volkswirtschaftlichen Kostenoptimierung des elektrischen Ge- samtsystems wurden die bereits beschriebenen modularen Entwicklungen der Net- zebenen der HöS-HS- (eTraGo, vgl. Kap. 5) sowie der MS-NS-Ebene (eDisGo, vgl. Kap. 6) miteinander verknüpft. Das hierfür entwickelte Open-Source-Tool eGo [141] dient der Bestimmung des netzebenenübergreifenden, optimalen Netz- und Spei- cherausbaus in Deutschland. Abbildung 7.1 zeigt den schematischen Aufbau und Verknüpfungen der in open_eGo entwickelten Tools. Die Netzmodelle (vgl. Kapitel 4) werden auf Basis der Datengrundlage (vgl. Kapitel 3) mit dem data processing und dem Tool ding0 (vgl. Kapitel 4.2) erstellt und auf der OEDB zur Verfügung gestellt. Zudem werden auch externe Daten, beispielsweise der BNetzA, in der OEDB bereit- gestellt. Über die Schnittstelle der ego.io stehen die Tools eTraGo, ding0 , eDisGo und eGo im Austausch mit der OEDB. eGo greift somit über eTraGo und eDisGo, auf sämltliche im Projekt erstellten Tools zu. Abbildung 7.1: Übersicht der Modell-Integration der verschiedenen Modelle und An- wendungen, die innerhalb des Projektes entwickelt wurden. 149 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Das eGo-Tool ist als steuernde, integrierende und auswertende Software konzep- tioniert und implementiert. Demnach bestehen die wesentlichen Funktionen in der transparenten Definition und Steuerung der Berechnungsparameter, der Bereitstel- lung einer Schnittstelle zwischen den Berechnungen von eTraGo und eDisGo sowie Aufbereitung der netzebenenübergreifenden Ergebnisse, beispielsweise in Form von Tabellen oder Plots. Im Folgenden werden zunächst die Methoden der Schnittstelle zwischen den Netze- benen sowie der Komplexitätsreduktion in der MS-Ebene, erläutert. Im Anschluss daran wird die Berechnung der netzebenenübergreifenden Investitionskosten darge- legt. Darauf folgt die Vorstellung und Diskussion ausgewählter Ergebnisse sowie eine Sensitivitätsanalyse. Nach der kritischen Betrachtung der Methoden und Ergebnisse wird auf Grundlagen der Tool-Anwendung eingegangen. 7.1 Schnittstelle Hoch- und Mittelspannungsebene Die Gesamtoptimierung erfolgt nach einem Top-Down-Ansatz, wobei zunächst das integrierte HöS- und HS-Netz optimiert wird. Anschließend werden die Ergebnisse zur weiteren Optimierung der MS- und NS-Netze verwendet. Diese Vorgehenswei- se erfordert eine Schnittstelle, welche aus Ergebnissen der HöS-HS-Berechnungen Inputdaten für die Simulation und Optimierung der MS- und NS-Netze generiert. Dieses Kapitel beschreibt zum einen die Gestaltung dieser Schnittstelle und zum anderen die notwendige Komplexitätsreduktion der MS- und NS-Netze. Als Referenzpunkte für die Schnittstelle dienen die im Rahmen des data processing (vgl. Kapitel 3) identifizierten HS-MS-Umspannwerke (transition points). Die MS-Netzgebiete mit ihren enthaltenen NS-Netzen (vgl. Kap. 4.2) werden isoliert be- trachtet, sodass kein direkter Austausch zwischen einzelnen MS-Netzen möglich ist. Dies entspricht der üblichen (n-0)-Fahrweise in der MS-Ebene (vgl. [142]). Ledig- lich in aggregierter Form innerhalb von eTraGo interagieren sie indirekt mittels der HS-MS-UW über die HS-Ebene. Die demnach auch als Netzinseln bezeichnete MS- Netze können daher voneinander getrennt bzw. parallelisiert berechnet werden. Die HS-MS-Umspannwerk repräsentieren die Grenze zwischen den beiden Tools eTraGo und eDisGo. Zum einen stellen sie die höchste Auflösung der HöS- und HS-Ebene dar (Erzeuger und Lasten sind in der HöS und HS auf diese Knotenpunkte aggre- giert), zum anderen dienen sie als Bilanzknoten der darunter liegenden MS-Netze (vgl. Abb. 7.2). Beide Knoten der HS-MS-Umspannwerke (Bilanzknoten in eDisGo und der entsprechende HS-Knoten in eTraGo) verhalten sich, unter Vernachlässigung geringfügiger Abweichungen aufgrund von Übertragungsverlusten, identisch. 150 7.1 Schnittstelle HS- und MS-Ebene Abbildung 7.2: Abschnitt des Übertragungsnetzes mit einem beispielhaften MS-Netz und der entsprechenden HS-MS-Umspannstation. Um die Rechenzeit zu verkürzen, wird die Komplexität der HöS-HS-Ebene in eTraGo in der Regel durch ein räumliches Clusterverfahren verringert (vgl. Kapitel 5.3.1). Dabei reduziert sich die Anzahl der Netzknotenpunkte. Da jedes MS-Netz jedoch einem bestimmten HS-MS-Umspannwerk zugeordnet ist, müssen die aggregierten Optimierungsergebnisse zunächst auf die ursprünglichen HS-MS-Knoten übertragen werden. Diese so genannte Disaggregation verteilt die im geclusterten Netz er- mittelten Speicherausbauten sowie Zeitreihen von Erzeugern und Speichern auf die einzelnen Komponenten, die das Clsuter repräsentieren. Für die in einem Cluster enthaltenen Komponenten werden je nach ihrem Typ (Er- zeuger oder Speicher) verschiedene Zeitreihen in eTraGo errechnet. Für Erzeuger wird an jedem Cluster jeweils eine Zeitreihe für die Blind- und die Wirkleistung berechnet, während für Speicher zusätzlich eine Zeitreihe des Speicherfüllstandes er- mittelt wird. Bei Berücksichtigung des Speicherausbaus muss zudem die für einen Cluster errechnete zu installierende Leistung auf die repräsentierten Komponenten verteilt werden. Diese Größe ist allerdings nicht zeitabhängig. Die genannten Grö- ßen werden auf unterschiedliche Weise auf die jeweiligen Komponenten der Cluster verteilt. Die Verteilung der errechneten zusätzlichen Speicherkapazitäten ist exemplarisch in Abbildung 7.3 dargestellt und geschieht nach Gleichung 7.1: Hn,s = Hc,s · ĥc,s∑ n∈Nc ĥn,s (7.1) 151 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems c: Durch k-means errechneter Cluster s: Typus nach dem Speicher zu Gruppen zusammengefasst werden H: Installierte Leistung ĥ: Maximal zu installierende Leistung Nc: Menge der Knotenpunkte die durch den Cluster c repräsentiert werden Das bedeutet, dass die installierte Leistung eines einem Cluster zugeordneten Spei- chers eines bestimmten Typs gleichmäßig auf alle von diesem Cluster repräsentierten Speicher dieses Typs verteilt wird. Der Anteil der installierten Leistung der dabei auf einen Speicher entfällt ist proportional zum Verhältnis der maximal möglichen Leistung des einzelnen Speichers zur Summe aller maximal möglichen Leistungen innerhalb des Clusters. (a) (b) Abbildung 7.3: Exemplarische Darstellung der Verteilung von Speichern, vor (a) und nach (b) der Disaggregation. Die errechneten Werte für den Speicherfüllstand sowie für Blindleistungserzeugung und Wirkleistungseinspeisung für von Erzeugern und Speichern werden dabei auf ähnliche Weise gleichmäßig verteilt, wobei je nach zu verteilendem Wert unter- schiedliche Gewichtungsfaktoren verwendet werden. Die Wirkleistungseinspeisung wird nach der für die jeweiligen Komponenten pro Zeitschritt maximal möglichen Wirkleistungseinspeisungen verteilt. Diese ergibt sich aus der Nennleistung sowie einem Faktor, der den maximalen Anteil der Nennleistung für die Komponente in einem Zeitschritt angibt. Die Blindleistungserzeugung wird auf die Art verteilt, die bei der in 5.2 beschriebenen Verteilung genutzt wurde. Der Speicherfüllstand wird nur nach Nennleistung gewichtet verteilt. Das bedeutet, dass sich für die Verteilung der Wirkleistungseinspeisung von Erzeugern sowie des Einsatzes und Füllstands von Speichern folgende Gleichungen ergeben: 152 7.1 Schnittstelle HS- und MS-Ebene socn,s,t = socc,s,t · Hn,s∑ n∈Nc Hn,s (7.2) gn,s,t = gc,s,t · ḡn,s,t∑ n∈Nc ḡn,s,t (7.3) ḡn,s,t = Gn,s · wn,s,t (7.4) hn,s,t = hc,s,t · h̄n,s,t∑ n∈Nc h̄n,s,t (7.5) h̄n,s,t = Hn,s · wn,s,t (7.6) G: Nennleistung des Erzeugers H: Nennleistung des Speichers ḡ: maximal mögliche Erzeugereinspeisung zum Zeitschritt t h̄: maximal möglicher Speichereinsatz zum Zeitschritt t wn,s,t ∈ [0, 1]: Anteil der für die Komponente zum Zeitschritt t maximal abrufbaren Leistung c, s,Nc: wie in Gleichung (7.1) Nach abgeschlossener Disaggregation der eTraGo-Ergebnisse werden die Imputpa- rameter der MS-Netze berechnet. Der wesentliche Parameter ist hierbei die Erzeu- gerfahrweise, also die Wirk- und Blindleistungseinspeisung der Erzeuger des ent- sprechenden MS-Netzes. Diese werden an der Schnittstelle nach Energieträger (z.B. Wind und Solar) und Wetterzelle differenziert und mit den installierten Kapazitäten auf p.u. Werte normiert. In eDisGo werden die normierten Zeitreihen den einzelnen Erzeugern des MS- und NS-Netzes zugeordnet. Alle Generatoren eines Energieträ- gers bzw. einer Wetterzelle werden somit zunächst mit identischer Fahrweise (relative Auslastung) betrieben. Um die Blindleistungsbelastung der MS- und NS-Netze zu begrenzen, können NutzerInnen einen maximalen Leistungsfaktor für Generatoren der MS-Netze angeben. In eGo wird hierfür standardmäßig ein Leistungsfaktor von cosφ = 0, 9 [143] verwendet. Die Erzeugerzeitreihen werden damit an der Schnitt- stelle auf die entsprechende Blindleistung begrenzt. Hierbei ist zu beachten, dass die fehlende Blindleistung in eGo nicht kompensiert wird. Die Blindleistungswerte am Bilanzknoten der MS-Netze können sich damit von den Vorgaben an den HS-Knoten unterscheiden. Für Wind- und Solarerzeuger wird an der Schnittselle statt der konkreten Fahrweise das unabgeregelte Potential übergeben. Zusätzlich zu diesem Potential werden jedoch für diese Energieträger die absoluten Werte der Abregelung übergeben. Dadurch entstehen Freiheitsgrade in der Optimierung, die eDisGo dazu nutzt die absolute Abregelung optimal auf die einzelnen Erzeuger zu verteilen (siehe Kapitel 153 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems 6.2). Dies führt zu einer Entlastung der MS- und NS-Netze, gewährleistet jedoch die Einhaltung der Leistungsvorgaben am HS-MS-UW. Im Rahmen der Optimierung des HöS- und HS-Netzes ist der Ausbau von Batterie- speichern ein wesentlicher Parameter (vgl. Kapitel 5.1.2). Die Speicher können jedoch nicht nur dazu eingesetzt werden das HöS- und HS-Netz zu entlasten bzw. Energie- mengen zeitlich zu verschieben, sondern können auch in MS-Netzen netzdienlich sein. eDisGo untersucht daher, ob die von eTraGo festgelegte Speicherfahrweise auch in der MS netzdienlich ist und verteilt dann die zur Verfügung stehende Speicherkapa- zität auf die verschiedenen MS-Stränge (vgl. Kapitel 6.3). Die Speicherfahrweise ist damit ein weiterer wesentlicher Parameter, der an der Schnittstelle übergeben wird. In diesem Fall werden die absolute Wirk- und Blindleistung übergeben, die dann von eDisGo entsprechend verteilt wird. Für die Speicherintegration wie auch beim der Abregelung innerhalb der MS- Netze wird der gesamte Berechnungszeitraum für die Berechnung verwendet. Auf Basis einer Lastflussanalyse (vgl. Kap. 6.3, 6.4.3) werden die Speicher hinsichtlich des betrachtenden Zeitraumes des Netzzustandes mit einer Heuristik systemdien- lich auf der MS-NS-Ebene verteilt. Mit dem Parameter timesteps_pfa kann zur Bestimmung des Netzausbaubedarfs ein bestimmter Zeitraum, der gesamte Berech- nungszeitraum oder über das Attribut snapshot_analysis die Extremfälle mit höchs- ter und niedrigster Residuallast am UW berücksichtigt werden. Für die Speicherin- tegration trifft nur ersteres zu. 7.2 Komplexitätsreduktion in der Mittelspannungsebene Um die Rechenzeit zu begrenzen, ist eine Komplexitätsreduktion ab der Schnitt- stelle zur MS-Ebene notwendig. Wie bereits in Kapitel 5 erwähnt, stehen für das HöS- und HS-Netz räumliche und zeitliche Clusteralgorithmen zur Verfügung. Auch für die MS- und NS-Netze wurde eine entsprechende Clustermethode entwickelt. Im Rahmen der Synthese von MS-Netzen (vgl. Kapitel 3) wurden insgesamt 3.591 MS- Netze identifiziert (vgl. [74]). Die Simulation aller identifizierten Netze führt jedoch in der Regel zu inakzeptabel hohen Rechenzeiten. Um die Rechenzeit zu verrin- gern, wurde ein k-means-Clusteralgorithmus entwickelt, mit dessen Hilfe eine geringere Anzahl repräsentativer Netze ausgewählt werden kann, welche dann stell- vertretend für die Gesamtmenge an Netzen simuliert und optimiert werden. Dafür wurde grundlegend derselbe Algorithmus und entsprechend dasselbe Python Paket verwendet wie in eTraGo (siehe Kapitel 5.3.1.1). 154 7.2 Komplexitätsreduktion in der Mittelspannungsebene Als Basis für das Clustering müssen eine Reihe charakteristischer Attribute für MS- Netze festgelegt werden, anhand derer eine Entscheidung bzw. eine Gruppierung der Netze vorgenommen werden kann. [98] hat 14 Netzattribute auf ihren Beitrag zur Qualität des Clustering untersucht. Dabei stellte sich heraus, dass bereits die beiden in [4] verwendeten Attribute kumulierte Wind- und kumulierte Solar- kapazität zu guten Clusterergebnissen führen. Die beiden Attribute werden in eGo standardmäßig durch das weitere Attribut längster Pfad im Netz erweitert, da der längste Pfad eine ausgeprägte Korrelation mit den Netzausbaukosten aufweist [98]. Wie oben beschrieben, können die von eTraGo optimierten Batteriespeicher teilweise netzdienlich in der MS- und NS-Ebene eingesetzt werden. Um diese Eigen- schaften in den entstehenden Clustern zu repräsentieren, wird auch die installierte Speicherkapazität als Netzattribut bei der Clusterbildung berücksichtigt. Bei den vier genannten Attributen handelt es sich um standardmäßig in eGo implementier- te Netzattribute. NutzerInnen steht jedoch frei, nicht alle zur Verfügung stehenden Attribute zu verwenden bzw. weitere Attribute hinzuzufügen. Mit der Definition numerischer Attribute kann jedes MS-Netz als Punkt im mehr- dimensionalen Raum beschrieben werden (vgl. Abb. 5.3). Der k-means-Algorithmus übernimmt dann die Aufgabe, Gruppierungen von Punkten innerhalb dieses Raumes zu identifizieren. Durch die Verwendung des euklidischen Abstandes wird jedem Attribut dieselbe Ge- wichtung zugeschrieben. Aus diesem Grund müssen die (mit Einheiten behafteten) Daten zunächst pro Attribut normiert werden. Dies geschieht nach Gleichung 7.7. xa,i = x′a,i −min x′a max x′a −min x′a ∀a ∈ {1, ..., Na}, i ∈ {1, ..., Ni} (7.7) a: Index Attribut b: Index Netz x′a,i: Wert, der Attribut a und Netz n reprä- sentiert Nach Abschluss des Clusterverfahrens unter Einhaltung der Konvergenzkriterien wird für jedes Cluster ein repräsentatives Netz gewählt. Dieses Netz ist dasjeni- ge mit dem geringsten Abstand zur Clustermitte. Es repräsentiert dann alle Netze des entsprechenden Clusters. Ein wesentliches Ergebnis des Clusterns ist die Ge- wichtung. Je mehr Netze ein Cluster enthält, desto stärker wird das repräsentative Netz dieses Clusters gewichtet. Bei der Berechnung der Netzausbaukosten werden dann die Kosten jedes repräsentativen Netzes mit ihrem jeweiligen Gewicht (Anzahl Netze im Cluster) multipliziert. Erst durch diese Gewichtung ist eine Aussage über alle ursprünglich enthaltenen Netze möglich. 155 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Letztlich wird mit Hilfe der Gewichtung auf deutschlandweite Gesamtkosten für al- le MS- und NS-Netze hochgerechnet (siehe auch Kapitel 7.3). Um abschätzen zu können, wie groß der Fehler in Abhängigkeit zur gewählten Clusteranzahl durch die Komplexitätsreduktion ausfällt, wurden für alle möglichen Clustergrößen Netzaus- baurechnungen durchgeführt. Hierfür wurde das Standardverfahren mit ausschließ- licher Berücksichtigung von extremen Belastungssituationen verwendet, welches mit geringem Rechenaufwand realisierbar ist und in Kapitel 6.1 beschrieben ist. Die Ergebnisse der jeweiligen hochgerechneten Gesamtkosten wurden mit den Gesamt- kosten verglichen, die sich bei einer vollständigen Berechnung aller MS-Netze erge- ben. Die Abweichungen in Abhängigkeit zur Clustergröße für die beiden Szenarien NEP 2035 und eGo 100 sind der Abbildung 7.4 dargestellt. Es lässt sich erken- nen, dass die Anzahl der gewählten Cluster maßgeblich die Qualität der Näherung bestimmt. Grundsätzlich kann festgehalten werden, dass bei einer größeren Anzahl an repräsentierenden Clusternetzen geringere Abweichungen zu den Ergebnissen der vollständigen Rechnung auftreten. Ab einer Anzahl von ca. 10 Clustern ergibt sich ein Fehler von ±25%, ab 200 ±10% und ab 600 Clusternetzen beträgt die Über- schätzung weniger als 5%. 5 23 0 45 5 68 0 90 5 11 30 13 55 15 80 18 05 20 30 22 55 24 80 27 05 29 30 31 55 33 80 Clustergröße 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 p. u. NEP 2035 eGo 100 Abbildung 7.4: Relative Abweichung der berechneten Netzausbaukosten je Cluster- größe nach Worst-Case-Methode im Vergleich zu der Berechnung aller Mittelspannungsnetze. Als ein Ergebnis der Clustermethode zeigt die Abbildung 7.5 beispielhaft die Aus- wahl und Zuordnung der repräsentativen MS-Netzgebiete. In diesem Beispiel wird die Auswahl für das NEP 2035 Szenario auf n = 20 Netzgebiete vorgegeben sowie alle Gewichtungsattribute (s.o.) verwendet. Die durch die Methode ausgewählten Re- präsentaten sind hierbei schwarz umrandet. Die Farbe gibt nach der Farbskala den 156 7.3 Netzebenenübergreifende Kostenberechnung Abbildung 7.5: MS-Netz Cluster für die Auswahl von repräsentativen Netzen in eGo. Anteil der Gesamtgewichtung aller Netze an. Die repräsentierten MS-Netzgebiete und Repräsentaten habe hierbei die gleiche Farbe. 7.3 Netzebenenübergreifende Kostenberechnung Für die Berechnung der netzebenenübergreifenden Netz- und Speicherausbaukosten in Deutschland und seiner elektrisch angeschlossenen Nachbarn werden diese Kos- ten in zwei Weisen von eTraGo und eDisGo berechnet und ausgegeben. Einerseits berechnet und verwendet eDisGo ausschließlich Kapitalkosten (Overnight costs) (vgl. Kap. 3.3.2). Andererseits verwendet eTraGo annualisierte Kosten, die auf Basis einer Barwertmethode und den Overnight costs für den Netz- und Speicher- ausbau unterjährig annualisiert werden (vgl. Kap. 3.3.3, Tab. 3.7 und Kap. 5.1). Hierzu wird der Rentenbarwertfaktor anhand des Zinsatz p und über die gesetzliche Investitionsdauer T [20] in Jahren für das jeweilige Vorhaben gebildet. Standard- mäßig werden die annualisierten Kosten mit p = 0.05 und T = 40[a] im Tool eGo berechnet. Aufgrund der verschieden Kostenbestimmungen werden die Kosten innerhalb von eGo mit Gleichung 3.3 harmonisiert und das Tool gibt die berechneten Kosten sowohl als Overnight Costs als auch als annualisierte Kapitalkosten aus. Bei der Anwendung von Clustermethoden auf die MS-NS-Netzebene werden die Gesamtkosten durch 157 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems ihre jeweilige Gewichtung hinsichtlich ihres technischen Ausbaus und den jeweiligen Kosten extrapoliert (siehe Kapitel 7.2. Zudem kann eGo in Netz- und Speicherausbau investierte Kosten je Netzebene aus- geben. Dies erfordert eine Zuordnung der Investitionskosten zu den jeweiligen Net- zebenen, was bei Netzausbau bereits grundsätzlich gegeben ist. Die Zuordnung des Speicherausbaus erfolgt mit der in den Kapiteln 6.3 und 6.4.3 Bestimmung, ob der in der HöS-HS-Ebene bestimmte Speicherausbau auch in der MS-NS-Ebene netzdien- lich ist (vgl. Kap. 6.3, 6.4.3). Ist dies der Fall, werden die verwendeten Kapazitäten sowie die Kosten bilanziell von der HöS-HS-Ebene auf die MS-NS-Ebene übertragen. Hierbei wird angenommen, dass die spezifischen Kosten aller Spannungsebenen für Speicher identisch sind. 7.4 Ergebnisse In diesem Kapitel wird vertiefend auf die vorgenommenen Analysen, Auswertungen und Sensitivitäten zur netzebenenübergreifenden Optimierung und der integrierten Tool-Anwendung mit eGo eingegangen. Hierbei wird zu Anfang eine spannungsebe- nenübergreifende Korrelationsanalyse vorgenommen. Im Weiteren werden die Er- gebnisse und die Anwendung der Methoden hinsichtlich des systemdienlichen Be- triebs sowie des Netz- und Speicherausbaus auf MS- und NS-Ebene beleuchtet. Zum Schluss werden die Ergebnisse einer Sensitivitätsanalyse vorgestellt und diskutiert. 7.4.1 Spannungsebenenübergreifende Korrelationsanalysen Die Energiewende erhöht den Transportbedarf elektrischer Energie und stellt neue Herausforderungen für elektrische Netze dar. Eine wesentliche Ursache dafür ist das sich ausweitende Gefälle zwischen Erzeugung und Verbrauch. Durch die Liberalisie- rung des Strommarktes wurde die Energieversorgung in die unabhängigen Bereiche Erzeugung, Handel und Transport aufgeteilt [81]. Dadurch findet eine inidividuelle Optimierung der Einzelbereiche statt, jedoch ohne Berücksichtigung des Gesamt- systems. Aufgrund von Potentialunterschieden (z.B. der Windenergie) kommt es daher zu einem Gefälle zwischen Erzeugung und Verbrauch und damit zu einem erhöhten Transportbedarf [144]. Ein weiterer Grund für erhöhten Transportbedarf ist das Prinzip des unabhängigen, „netzblinden“ Stromhandels. Nach §11 des En- WG sind Netzbetreiber dazu verpflichtet, stets ausreichende Transportkapazität zur Verfügung zu stellen. Der Markt betrachtet das elektrische Netz als Dienstleistung bzw. als „Kupferplatte“ [145]. Für Verteilnetze liegt die Herausforderung vor allem in der Integration dezentraler Erzeuger. Historisch betrachtet sind die Verteilnetze 158 7.4 Ergebnisse vor allem für die Verteilung elektrischer Energie von Erzeugern (aus höheren Span- nungsebenen) hin zu den Verbrauchern zuständig. Aufgrund der Integration dezen- traler Erzeuger und dem häufiger werdenden Übersteigen lokaler Einspeisung von lokalem Verbrauch, kommt es zu umgekehrten Lastflüssen von niedrigen in höhere Spannungsebenen. Verteilnetze sind für dieses Betriebsverhalten nicht ausgelegt und es kommt vermehrt zu Engpässen [146]. Die spannungsebenenübergreifende Korre- lation von Engpässen wurde daher in [103] im Rahmen des Projektes open_eGo untersucht. Engpässe im elektrischen Netz sind Auslöser für weiträumige Ausbaumaßnahmen. Das deutsche BBPlG und das EnLAG legen einen Leitungsneubau auf einer Län- ge von über 3.800 km fest. Für Verteilnetze wird bis 2032 ein Neubau von ca. 130.000 Leitungskilometern vorhergesagt [5]. Die vollständige Bereitstellung der (vom Markt) benötigten Transportkapazität führt jedoch zu einer ökonomisch ineffi- zienten Überdimensionierung der Netze [147]. Speichereinheiten und sonstige Flexi- bilitäten können nicht nur einem zeitlichen Marktausgleich dienen, sondern können zudem auch netzdienlich eingesetzt werden. Durch die räumliche Verteilung (z.B. von Batteriespeichern in MS-Netzen) und einer entsprechenden Fahrweise (inkl. Blindleistungsverhalten) können Engpässe im Netz gezielt behoben werden. Kön- nen Speicher für mehrere Zwecke gleichzeitig eingesetzt werden, liegt ein sogenann- ter Multi-use vor. Dieser Anwendungsfall kann eine kostengünstige Alternative zum klassischen Netzausbau darstellen [148]. Engpässe im elektrischen Netz beschränken sich nicht auf einzelne Netzebenen, son- dern treten in allen Spannungsebenen auf. Besonders in Einspeisesituationen, in denen Energie von niedrigeren in höhere Netzebenen transportiert wird, kann zu- dem davon ausgegangen werden, dass die Engpässe über verschiedene Ebenen hinweg vonaneinder abhängen und zeitlich korrelieren. Um Flexibilitäten effizient einsetzen zu können, ist ein grundlegendes Verständnis dieser wechselseitigen Abhängigkeiten notwendig. Es stellt sich heraus, dass die für das Szenario NEP 2035 (vgl. Kapitel 3.1) er- warteten Engpässe der HS-Ebene in einigen Regionen stark mit den Engpässen der HöS-Ebene korrelieren. Dies war besonders stark im Norden Deutschlands, in Re- gionen mit starker Windeinspeisung, zu beobachten (vgl. Abb. 7.6). Für die Korrelation zwischen MS- und HS-Engpässen zeigt sich ein ähnliches Bild. In den Gebieten, in denen sowohl in der MS- als auch in der HS-Ebene Engpässe identifiziert werden, korrelieren diese in der Regel stark. Auch dieses Verhalten zeigt sich vor allem im Norden in windreichen Regionen (vgl. Abb. 7.7). 159 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Abbildung 7.6: Netzgebietbezogener Pearson Korrelations- koeffizient zwischen Engpässen der HS- und HöS-Ebene. Abbildung 7.7: Pearson Korrelations- koeffizient zwischen Engpässen der MS- und HS-Ebene für MS-Gebiete mit stark ausgeprägten Engpässen. 7.4.2 Netzebenenübergreifender Netz- und Speicherausbau Auf Basis der in Kapitel 5.4.2 präsentierten Ergebnisse wurden mit Hilfe der eGo- und eDisGo-Methoden deutschlandweite Ergebnisse für die MS- und NS-Ebene ge- neriert. Insgesamt können so Netz- und Speicherausbaukosten sowie Kraftwerksbe- triebs und Netzverlustkosten für alle Spannungsebenen bestimmt werden. Der Inhalt dieses Kapitels ist Gegenstand des Artikels „Integrated techno-economic power sys- tem planning of transmission and distribution grids“ [122]. Ein entscheidender Parameter für die Berechnungen auf MS- und NS-Ebene ist die Bestimmung der MS-Clusternetzanzahl (siehe Kapitel 7.2). Hierbei müssen verfügba- re Rechenkapazitäten, Rechenzeitanforderungen und mögliche Modellierungsfehler gegeneinander abgewogen werden. Entsprechend der Abbildung 7.4 führt eine grö- ßere Anzahl von MS-Netzen auch zu genaueren Ergebnissen. Es wurden Ergebnisse mit 20 und 600 Clusternetzen erstellt, wobei insbesondere die Berechnung der 600 Netze mit erheblichem Rechenaufwand verbunden war. Da jedes Netz unabhängig voneinander gerechnet werden kann, wurden die Rechnungen entsprechend der ver- fügbaren Anzahl an Prozessoren parallelisiert. Dabei ist nicht sichergestellt, dass jedes MS-Netz erfolgreich gerechnet werden kann, da verschiedene Fehler auftreten 160 7.4 Ergebnisse Szenario Netzausbau in Mrd. Euro Relativer Vergleich je Spannungsebene zum Flex-Szenario in % MS NS NEP 2035 Flex 6,84 1,40 - Referenz 6,80 1,40 +0 Worst-Case-20 11,4 2,10 +64 Worst-Case-3591 12,5 2,40 +81 eGo 100 Flex 10,8 2,80 - Referenz 10,8 2,77 +0 Worst-Case-20 17,7 4,60 +63 Worst-Case-3591 15,2 3,62 +38 Tabelle 7.1: Vergleich der Netzausbaukosten je Szenario für die Mittel- und Nieder- spannungsebene im Rahmen von Rechnungen mit 20 Clusternetzen. Die Kosten in den HS-MS- und MS-NS-Transformationsebenen sind in der MS- und NS-Ebene inkludiert. können. Insbesondere bei der Rechnung mit 600 Clusternetzen konnten einige Netze nicht erfolgreich berechnet werden. Im eGo 100 -Szenario sind 81% und im NEP 2035 89% aller Netze repräsentiert. In der Rechnung mit 20 Clusternetzen können 18 bzw. 15 repräsentative Netze gerechnet werden, die 98% bzw. 86% der Grundge- samtheit ausmachen. Für den nicht-repräsentierten Teil der Netze werden mittlere Kosten angenommen, sodass die letztlich ausgewiesenen Kosten für die Gesamtheit aller Netze gilt. Die Netzausbaukosten der MS- und NS-Ebene der beiden Untersuchungen mit 20 und 600 Clusternetzen sind in den Tabellen 7.1 und 7.2 dargestellt. Das Flex-Szenario stellt die Berechung dar, welche alle möglichen Flexiblitätsoptionen (Abregelung und Speicherausbauverteilung) berücksichtigt. Zur Bewertung der Effektivität dieser Fle- xibilitätsoptionen wurde ein Referenz-Szenario erstellt, welches die gleiche zeitrei- henbasierte Cluster-Rechnung nutzt, allerdings ohne die Möglichkeit des Einsatzes der genannten Flexibilitätsoptionen. Als weitere Vergleichswerte wurden die Netz- ausbaukosten mit der Standard-Worst-Case-Berechnungsmethode (Betrachtung der Betriebsfälle Starklastfall und Einspeisefall, siehe auch Kapitel 6.4.1) als Cluster- Rechnung (Szenario-Variante Worst-Case-600 und Worst-Case-20 ) sowie für alle 3.591 Netze (Sczenario-Variante Worst-Case-3591 ) herangezogen. Es zeigt sich, dass die größte Kostensenkung durch die Berücksichtigung von mög- lichst realen Einspeise- und Verbrauchszeitreihen (im Gegensatz zu der Annahme von pauschalen Gleichzeitigkeitsfaktoren in der konventionellen Netzplanung) er- reicht wird. Die Worst-Case-Rechnungen weisen für die Rechnung je Szenario zwi- schen 49% und 54% höhere Kosten auf. Stattdessen führt der Einsatz von Flexibi- litätsmaßnahmen insgesamt zu äußerst geringen Kostensenkungen. Dies liegt aller- dings nicht primär an einer möglichen fehlenden Wirksamkeit der eDisGo-seitigen 161 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Szenario Netzausbau in Mrd. Euro Relativer Vergleich je Spannungsebene zum Flex-Szenario in % MS NS NEP 2035 Flex 8,17 1,69 - Referenz 8,17 1,70 +0 Worst-Case-600 12,6 2,60 +54 Worst-Case-3591 12,5 2,40 +51 eGo 100 Flex 10,2 2,39 - Referenz 10,3 2,42 +0 Worst-Case-600 15,3 3,76 +51 Worst-Case-3591 15,2 3,62 +49 Tabelle 7.2: Vergleich der Netzausbaukosten je Szenario für die Mittel- und Nieder- spannungsebene im Rahmen von Rechnungen mit 600 Clusternetzen. Die Kosten in den HS-MS- und MS-NS-Transformationsebenen sind in der MS- und NS-Ebene inkludiert. Methodik bezüglich Abregelung und Speicherintegration. Im Gegensatz dazu ist in den Kapiteln 6.4.2 und 6.4.3 eine signifikante kostenmindernde Wirkung beschrie- ben. Somit ist die Begründung für den geringen Einfluss auf die deutschlandweiten Gesamtkosten eher auf Seiten der Vorgaben aus dem übergelagerten Netz bzw. der Parametereinstellungen des Tools eGo zu suchen. Zwei wesentliche Effekte sind im Folgenden erläutert. Das Potenzial der optimalen MS-seitigen Allokation der Abregelung ist durch die eTraGo-seitige Optimierung gegeben. Da für die Netzausbauplanung die Zeitpunk- te höchster Netzbelastung von Bedeutung sind, kann die Abregelungsmethodik nur dann gewinnbringend eingesetzt werden, wenn die auslegungsrelevanten Rückspeise- fälle über das gesamte Jahr reduziert werden. Obwohl insgesamt große Energiemen- gen abgeschaltet werden, reduziert sich der Rückspeisefall im Mittel nur um ca. 5% (im eGo 100 -Szenario), so dass das Einsparpotential durch die eTraGo-seitigen Vor- gaben begrenzt ist. Die eher niedrige Reduktion des Rückspeisefalls stellt allerdings nicht die einzige Erklärung dar. Bei den hier durchgeführten Rechnungen wurde zur zeitlichen Reduktion des Problems in eGo das Attribut snapshot_analysis gesetzt (siehe Kapitel 7.1). Damit werden zur Bestimmung des Netzausbaubedarfs, anstelle der Gesamtheit der Zeitschritte, lediglich der Fall höchster (Starklastfall) sowie ge- ringster (Rückspeisefall) Residuallast am UW herangezogen. Diese Parametrisierung stellt sich als teilweise nachteilig heraus. So kann es vorkommen, dass in der Refe- renzrechnung andere Zeitpunkte ausgewählt werden als im Flex-Szenario und trotz einer Reduktion des betrachteten stärksten Rückspeisefalls höhere Netzausbaukos- ten entstehen. Grund hierfür ist, dass durch den vereinfachten Ansatz zur Auswahl der beiden Extremfälle auslegungsrelevante Zustände zu anderen Zeitpunkten ver- nachlässigt werden und somit trotz der genannten Reduktion des Rückspeisefalls sub-optimalere Rückspeisekonstellationen entstehen. Dieser Effekt zeigt sich beson- 162 7.4 Ergebnisse ders in Fällen einer geringen Reduktion des Rückspeisefalls. In Einzelfällen wurden wesentliche Einsparungen erreicht. Die Auswertung zeigt, je größer die Minderung des Rückspeisefalls eines MS-Netzes ist, desto größer fallen tendenziell auch die Netz- ausbaueinsparungen aus. Entsprechend werden im besten Fall bei einem MS-Netz bei einer Reduktion des Rückspeisefalls um 18MW bzw. 12% (bezogen auf die ur- sprünglich eingespeiste Leistung) 30% der Netzausbaukosten eingespart (im eGo 100 -Szenario). Der geringe Einfluss der Speicherintegration erklärt sich dagegen ausschließlich auf- grund der Häufigkeit der verfügbaren Speicherausbauten, welche in eTraGo für die HS-MS-Ebene ermittelt werden und optional in der MS-Ebene Verwendung finden. Es werden lediglich im eGo 100 -Szenario Speicher ausgebaut. Zudem sind ausschließ- lich Batteriespeicher für die Integration in der MS-Ebene vorgesehen. In Abbildung 5.11 ist zu erkennen, dass nur an wenigen Knoten im Süden Batteriespeicher gebaut werden. Nach der Disaggregation handelt es sich um 31 HS-MS-Umspannwerke, die signifikanten Speicherausbau von jeweils mindestens 300 kW Nennleistung aufweisen. Dies bedeutet, dass diese Netze lediglich ein Gewicht von 0,9% an der Gesamtan- zahl ausmachen und somit ebenfalls einen geringen Einfluss auf die gesamtdeutschen Ergebnisse haben. Über die Gesamtheit der genannten Einzelfälle liegt die mittlere Kosteneinsparung bei 22%. Die Ergebnisse eines dieser Netze, welches Batteriespei- cher verwendet um Netzausbau zu vermeiden, ist in Abbildung 7.8 dargestellt. In diesem Fall werden 1,7MW, verteilt auf drei Speicher, installiert. Hiermit wird ei- ne Kosteneinsparung von 21% erreicht. Die maximale monetäre Einsparung eines Netzes beläuft sich auf 54%. Storage size and line capacity = 300 kW battery storage = 10 MVA 0 135 270 405 540 675 810 945 1080 1215 1350 G ri d ex pa ns io n co st s in k E U R Abbildung 7.8: Netzausbaukosten (von Leitungen und Ortnetzstationen) und Spei- cherausbau für ein repräsentatives MS-Netz am Bodensee. 163 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Zusammenfassend lassen sich sämtliche Netz- und Speicherausbaukosten für alle Spannungsebenen berechnen. In der Abbildung 7.9 sind diese Investitionskosten, welche sich zum einen auf Basis der eTraGo-Ergebnisse für die HöS- und HS-Ebene (siehe Kapitel 5.4.2) und zum anderen auf Basis der hier beschriebenen eDisGo- Ergebnisse ergeben, für das Szenario eGo 100 dargestellt. Auffällig ist, dass die 14 Mio.EUR Speicherkosten in der MS-Ebene sehr gering im Vergleich zu den 11 Mrd.EUR in der HöS- und HS-Ebene ausfallen. Dies liegt vor allem darin begründet, dass der Großteil der Speicher (81%) in große, zentrale Langzeitspeicher im Norden investiert werden (siehe Abbildung 5.11), die nicht für den dezentralen Anschluss vorgesehen sind. Des Weiteren fallen die vergleichsweise niedrigen Netzausbaukos- ten in der HöS- und HS-Ebene auf. Diese stehen im Kontrast zu den deutlich höheren Netzausbaukosten in der MS-Ebene, zu denen des NEP [3] sowie zu den Speicheraus- baukosten in der HöS- und HS-Ebene. Mit 5,8 Mrd.EUR liegen die Kosten deutlich unter denen des NEP 2015 von 20 bis 36 Mrd.EUR. (HöS+HS, Netz) (HöS+HS, Speicher) (MS, Netz) (MS, Speicher) (MS/NS, Netz) (NS, Netz) Spannungsebene und Komponente 0 2 4 6 8 10 12 In v e st it io n sk o st e n ' o v e rn ig h t' i n M rd . E u ro Grenzüberschreitend Inländisch Ausländisch Abbildung 7.9: Netz- und Speicherausbaukosten für alle Spannungsebenen für das Szenario eGo 100 (MS-Clustering mit 600 repräsentativen MS- Netzen). Die Speicherausbaukosten von 14 Mio.EUR in der MS- Ebene sind nicht erkennbar. 7.4.3 Sensitivitätsanalyse Im Rahmen des Projekts wurden mögliche Sensitivitäten des Gesamttools eGo für unterschiedliche Eingangsparameter identifiziert und untersucht. Die Ergebnisse fo- 164 7.4 Ergebnisse kussieren sich dabei auf die berechneten Gesamtkosten je Spannungsebene und va- riieren die folgenden Sensitivitäten: • Clustering • Cross-Border-Kapazitäten • eDisGo-Parameter • Gesamtverbrauch • Grundszenarien • Solver / Formulierung des Optimierungsproblems • Speicherbetriebskosten Die identifizierten Sensitivitäten adressieren verschiedene Teile des eGo Modells und werden in der folgenden Analyse näher beschrieben. Als Referenzrechnung wird für die Datensatzversion v0.4.5 das eGo 100-Szenario für den 04. März mit einer Re- duktion der räumlichen Komplexität (k-means-Clustering) auf 100 Knoten berech- net. Der Leistungsfaktor cos(φ) wird hierbei zu 0, 9 angenommen mit zwei Clustern (no_grids) des MS- und NS-Netzes. Das grundsätzliche Vorgehen beinhaltet das Einlesen von reproduzierbaren Daten inklusive der 100 k-means Knoten, einer an- schließenden LOPF-Rechnung mit Speicher- und Netzausbau (sowie PF-Rechnung und Disaggregation) in der HöS-HS-Ebene und einer edisgo-seitigen heuristischen Berechnung des Netzausbaus in der MS- und NS-Ebene (unter Berücksichtigung von Abregelung und Speicherausbau). Für Letzteres werden als Clusterattribute (vgl. Kapitel 7.2) sowohl erweiterbarer Speicher, entferntester Knoten als auch Solar- und Windkapazitäten verwendet. Als Voruntersuchung werden die entwickelten Grundszenarien (siehe Tabelle 7.3) variiert. Hierbei ist eine stetige, signifikante Erhöhung der Gesamtkosten insbeson- dere in der HöS-HS-Ebene durch den steigenden Anteil installierter EEA vom Status Quo-, über das NEP 2035- zum eGo 100-Szenario zu beobachten. Die Hinzunahme einzelner Leitungen und Knoten aus dem B2-Szenario des NEP (nep2035_b2 ) oder aus den von der BNetzA bereits bestätigten Zubauten bis 2035 (nep2035_confirmed) im Vergleich zum heutigen Status Quo zeigen dagegen eine Verminderung der Kosten und damit einen positiven Einfluss der veranlassten Maßnahmen. Für die weitergehenden Analysen dient das eGo 100-Szenario als Referenzsystem. Um etwaige Abweichungen im Rahmen allgemein numerischer Ungenauigkeiten zu bewerten, wurde eine erneute Berechnung des Referenzsystem durchgeführt. Da die Kostenwerte dabei exakt reproduziert wurden, können numerische Abweichungen nahezu ausgeschlossen werden. Eine detaillierte Auflistung der Sensitivitätseinflüsse lässt sich Tabelle 7.4 entnehmen. Die erzielten Ergebnisse zeigen zum Teil signifi- 165 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Grundszenario Kosten in Milliarden € je Netzebene HöS/HS MS/NS Status Quo 43.3 7.8 NEP 2035 59,2 11,3 NEP2035_B2 34,6 11,3 NEP2035_Confirmed 39,7 11,3 eGo 100 97,1 14,0 Tabelle 7.3: Überblick der netzebenenübergreifenden Ausbaukosten für die entwi- ckelten Grundszenarien. kante Kostenänderungen von bis zu 193% für die HöS- und HS-Ebene und −100% (keine Kosten) in der MS- und NS-Ebene. Für die Clusteringmethoden der HöS- und HS-Ebene ergeben sich unterschiedliche Einflüsse auf die Gesamtergebnisse. Für die zunehmende Verringerung der zeitli- chen Auflösung (Snapshot Skipping, vgl. Kapitel 5.3.2.1, für zwei bis vier Zeitschrit- te) wird ein relativ konstanter Kostenwert berechnet, weshalb ein geringer Einfluss dieses Parameters angenommen werden kann. Im Gegensatz dazu zeigt die räum- liche Clusteringmethode (k-means, vgl. Kapitel 5.3.1.1) einen starken Einfluss von 30% und 60% in der HöS- und HS-Ebene sowie mitunter das komplette Fehlen von Ausbaukosten −100% in der MS- und NS-Ebene. Noch stärker wirken sich bei den Kosten der HöS- und HS-Ebene anscheinend die grenzüberschreitenden Cross- Border-Kapazitäten auf die Simulationsergebnisse aus. Bei diesem Parameter werden die Kapazitäten an Literaturwerte [67] (vgl. Kapitel 4.1.4) angepasst, daher müssen die Ergebnisse stets in Kontext dieser durchgeführten Änderungen diskutiert werden (vgl. Kapitel 4.1.5). Da die grenzüberschreitenden Kapazitäten bei dieser Sensitivi- tät reduziert werden, kann dies zu erhöhten Ausbaubedarf führen und damit den erhöhten Kostenaufwand begründen. Die diversen Parameter des eDisGo-Moduls scheinen die Gesamtkosten zumeist nicht stark zu beeinflussen. Während die Kosten auf HöS-HS-Ebene für alle Variationen re- produziert werden, wirken sich in der MS- und NS-Ebene einzig Änderungen bei der Anzahl an Clustern signifikant aus. Des Weiteren scheinen die Gesamtergebnisse wei- testgehend unabhängig gegenüber Kostenschwankungen für den Speicherbetrieb zu sein. Dieser überraschende Sachverhalt sollte in zukünftigen wissenschaftlichen Un- tersuchung zu Speicherausbau adressiert werden. Änderungen des Gesamtverbrauchs zeigen dahingegen unmittelbar Wirkung auf die Gesamtkosten. Vor dem Hintergrund eines in der Summe angenommenen, konstanten Gesamtstromverbrauchs in den Zu- kunftsszenarien bietet diese Beobachtung einen interessanten Forschungsaspekt für zukünftige Arbeiten mit dem Modell. Die eher mathematisch motivierte Sensitivität der Nutzung unterschiedlicher Solver (CPLEX und GLPK) und diverser Formulie- 166 7.4 Ergebnisse Sensitivität Kostenänderungen in % je Spannungsebene Referenz Variation HöS/HS MS/NS Clustering k-means k=100 k=50 32,3 -100 k=150 60,0 0,2 jeder Zeitschritt skip 2 -3,1 0,0 skip 3 1,3 -1,4 skip 4 1,7 -2,7 Cross-Border- Kapazitäten osmTGmod NTC_acer 193,6 0,04 Thermal_acer 40,7 -2,1 eDisGo Vier Cluster- attribute Solar_cap 0,0 0,04 Wind_cap 0,0 0,04 Farthest_node 0,0 0,04 Extended_storage 0,0 0,0 cos(φ) = 0, 9 0,7 0,0 7,5 0,8 0,0 2,0 2 Netze 3 Netze 0,0 -18,7 4 Netze 0,0 -53,5 Gesamtverbrauch 100% 90% -21,1 0,0 110% 4,7 0,0 Solver / Formulierung des Optimierungs- problems CPLEX_angles CPLEX_cycles 0,0 0,0 CPLEX_kirchhoff 0,0 0,0 CPLEX_ptdf 0,0 0,0 GLPK_angles 0,0 0,0 GLPK_cycles 0,0 0,0 GLPK_kirchhoff 0,0 0,0 Speicherbetriebs- kosten 100% 90% 0,0 0,0 110% 0,0 0,0 Tabelle 7.4: Überblick der netzebenenübergreifenden Ausbaukostenveränderungen für diverse Sensitivitäten rungen des Optimierungsproblems (angles, cycles, kirchhoff und ptdf) zeigen gemäß ihrer mathematischer Äquivalenz der Problemformulierung keinerlei Abweichungen zum Referenzsystem. Dennoch sollten diese Beobachtungen für Rechnungen mit ei- nem Zeitraum eines ganzen Jahres statt eines einzelnen Tages bestätigt werden. Zusammenfassend zeigt die vorliegende Analyse das erste Tendenzen der Kosten- änderungen pro Spannungsebene bei Variationen des Simulationssettings mit dem eGo-Tool identifiziert und eingeschätzt werden können. Neben der Reproduzierbar- keit von Ergebnissen stellten sich die Sensitivität der Parameter des räumlichen Clusterings in der HöS-HS-Ebene, der Anzahl an Clustern in der MS- und NS-Ebene und insbesondere die Rolle der grenzüberschreitenden Cross-Border-Kapazitäten als grundlegende Erkenntnisse dieser Untersuchung heraus. Trotz allem existieren im entwickelten eGo-Tool eine Vielzahl von Parametern, daher verbleibt eine detail- lierte Analyse einzelner Parameter als Gegenstand zukünftiger wissenschaftlicher Untersuchungen. 167 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems 7.5 Kritische Betrachtung der Methodik und Ergebnisse Die Zusammenführung der Ergebnisse aus den verschiedenen Netzebenen geht einher mit der Tatsache, dass sämtliche Unsicherheiten der einzelnen Modell-Bestandteile bezüglich der Datenqualität, der Annahmen und Methoden die netzebenenübergrei- fenden Gesamtergebnisse beeinflussen. Diese spezifischen Aspekte wurden in den vorherigen Kapiteln kritisch betrachtet. In diesem Kapitel liegt der Fokus auf der kritischen Würdigung der Annahmen und Methoden des Tools eGo. Hierbei gilt insbesondere der Schnittstelle zwischen HS und MS besonderer Aufmerksamkeit. Sobald auf der HS- und HöS-Ebene mit eTraGo das räumliche k-means-Clustering verwendet wird, wird die Disaggregation (siehe auch Kapitel 7.1) benötigt, um re- levante Parameter an die MS-Ebene übergeben zu können. Eine umfassende Vali- dierung dieser Methode konnte im Rahmen dieses Projekts nicht erfolgen. Daher ist der Fehler der hierdurch entsteht nicht bekannt. Grundsätzlich lässt sich festhal- ten, dass es sich um ein ein sehr einfaches mathematisches Verfahren handelt. Al- le Aggregate werden proportional, meist in Abhängigkeit zu anderen Input-Daten, disaggregiert. Das Verhalten der Netztopologie (insbesondere der Leitungen und Transformatoren) wird nicht berücksichtigt. In diesem Zusammenhang findet außer- dem eine Missachtung von nicht-linearen Effekten statt. Es wäre möglich, mit Hilfe der disaggregierten Knotenergebnisse ex-post Lastflussberechnungen auf der origi- nalen Topologie anzustellen. Hiervon wurde abgesehen, um keine Scheingenauigkeit zu suggerieren. Speicherausbau ist die einzige investive Optimierungsvariable, wel- che an der Schnittstelle übergeben wird. Hier fehlen inputseitige Parameter, welche eine abhängige Verteilung möglich machen würden. Stattdessen werden diese Spei- cher über das gesamte jeweilige Clustergebiet gleichverteilt. Diese Verteilung ließe sich nach mit unterschiedlichen Strategien anpassen, wobei hierbei der ursächliche Grund die Komplexitätsreduktion (Rechenzeit/Problemgröße) nicht außer Acht ge- lassen werden darf. Eine Vielzahl von Erweiterungen und Verbesserungen dieser Methodik sind möglich und werden im Ausblick (Kapitel 10) skizziert. Die Auswahl von repräsentativen MS-Netzen zur Hochrechnung auf deutschland- weite Ergebnisse ist ein gängiges Verfahren (siehe z.B. [4]). Die Abbildung 7.4 zeigt allerdings, dass gerade bei der Auswahl von wenigen Clusternetzen der Hochrech- nungsfehler bis zu ±20% beträgt. Für geringere Fehlerwahrscheinlichkeiten sollten tendenziell einige Hundert Netze ausgewählt werden. Insbesondere ab 600 Netzen scheint die Näherung sehr gute Ergebnisse von unter ±5% zu liefern. Die Ergebnisse der Berechnungen auf Basis von 20 (siehe Tabelle 7.1) bzw. 600 Netzen (Tabelle 7.2) zeigen diesen Sachverhalt deutlich. Bei der Berechnung von 20 Netzen beträgt die Abweichung der MS-/NS-Kosten zwischen dem Worst-Case-20 und dem Worst- 168 7.5 Kritische Betrachtung der Methodik und Ergebnisse Case-3591 Szenario bis zu 19% (eGo 100). Dagegen beträgt die Abweichung des Worst-Case-600 in diesem Fall lediglich 1%. Bedauerlicherweise ist das Rechnen von 600 Netzen bereits mit erheblichem Rechen- aufwand verbunden. Die durchgeführten Flex-Rechnungen führen bei einer Paralle- lisierung auf 31 Kernen zu Rechenzeiten von ca. zwei Wochen und einer maxima- len Auslastung des Arbeitsspeichers von 250 GB. Im Vergleich dazu lassen sich 20 Netze bei mehr als 15 Kernen innerhalb von 24 Stunden rechnen. Die Rechen- zeit unterschiedlicher Netze variiert stark von wenigen Minuten bis zu mehreren Tagen. Vor allem untypische Netze führen zu hohen Rechenzeiten. Leider ist die Verwendung euklidischer Abstände bei der Clusterbildung anfällig für Ausreißer und tendiert daher dazu ungewöhnliche Netze auszuwählen. Es wird daher teilweise empfohlen k-medoid-Algorithmen zu bevorzugen [149]. Da diese jedoch deutlich re- chenaufwändiger sind, wurde im Rahmen von eGo auf eine Implementierung eines k-medoid-Algorithmus verzichtet. Zudem konnte [98] zeigen, dass sich der k-means- Algorithmus im allgemeinen gut für die Schätzung von Netzausbaukosten eignet. Zu der Übertragbarkeit der Auswertung (Abbildung 7.4) ist einschränkend hinzuzu- fügen, dass diese auf der Worst-Case Berechnungsmethode (entsprechend des Kapitel 6) basiert. Hierbei wird weder die Abregelungs- noch die Speicherintegrationsmetho- de angewendet. Dennoch wird hier ein ähnliches Verhalten für die komplexe Methode inkl. der Berücksichtigung von Zeitreihen und Flexiblitätsoptionen unterstellt. Die Validität dieser Annahme ist allerdings nicht hinreichend geprüft. Die Blindleistungsbereitstellung durch MS-Netze im Sinne der übergelagerten Be- darfe stellt ein zukunftsweisendes Vorgehen dar (siehe bspw. auch [44]). In eGo lässt sich ein maximaler Leistungsfaktor für das maximale Blindleistungsverhalten der MS-Netze angeben. Es wird standardmäßig ein Leistungsfaktor von cosφ = 0, 9 [143] verwendet. Dieses Vorgehen stellt einen einfachen Ansatz dar und es ist zu beachten, dass die fehlende Blindleistung nicht kompensiert wird. Die Blindleis- tungswerte am Slack-Knoten der MS-Netze können sich damit von den Vorgaben an den HS-Knoten unterscheiden. Die Kosten für diese möglicherweise benötigte Kom- pensation sind nicht Gegenstand der Untersuchungen und werden somit nicht in den Gesamtkosten berücksichtigt. Der Einfluss der zeitlichen Auflösung auf die Ergebnisse zeigt sich als moderat (sie- he auch Kapitel 7.4.3). Aufgrund von sehr hohen Rechenzeiten bei der Berechnung der MS- und NS-Netzen wurde für die eTraGo-Berechnung nur jede 5. Zeitstunde betrachtet (im Rahmen der Berechnungen in Kapitel 7.4.2 resp. 5.4.2). Hierbei ist es möglich, dass für diese Netze entscheidende Extremstunden per Zufall wegfallen. Darüber hinaus wird zur zeitlichen Komplexitätsreduktion der Netzausbaubedarf bei Jahresrechnungen auf Basis von zwei Zeitschritten, welche zum einen die höchste und 169 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems zum anderen die niedrigste Residuallast am Umspannwerk repräsentieren, bestimmt. Dies führt tendenziell zu einer Unterschätzung des Netzausbaubedarfs, da kritische Zustände zu anderen Zeitpunkten möglicherweise vernachlässigt werden. Der mög- liche Einfluss der Korrekturfaktoren für die Wind- und Solar-Wetterzeitreihen ist bereits in Kapitel 3.6 beschrieben. Hier sei einmal mehr betont, dass die lineare Skalierung der Profile die Extremsituationen erheblich senken und daher davon aus- zugehen ist, dass die berechneten Kosteneinsparungen aufgrund der Verwendung von Zeitreihen überschätzt werden. Des Weiteren sind die Netzausbaukosten der HöS- und HS-Ebene bezüglich der Hauptergebnisse (siehe Kapitel 7.4.2) kritisch einzuordnen. Die berechneten Kos- ten von 5,8Mrd.EUR des eGo 100 -Szenarios liegen deutlich unter der angegebenen Bandbreite des NEP 2015 [3] von 20 bis 36 Mrd.EUR. Die Gründe für diese ge- ringeren Kosten lassen sich in verschiedenen unterschiedlichen Annahmen finden. Im Gegensatz zum NEP wurden bei den Berechnungen keine Einschränkungen be- züglich maximaler Abschaltungen von EE berücksichtigt. Im Sinne des volkswirt- schaftlichen Optimum kommt es daher im Einzelfall und auch insgesamt zu deutlich höheren Abschaltquoten als die im NEP angenommen 3% je Anlage. Ein weiterer Unterschied stellt das Import/Export-Verhalten Deutschlands dar. So wird im NEP Deutschland als Netto-Exporteur simuliert. Unsere Optimierungen dagegen zeigen ein Netto-Importverhalten. Darüber hinaus wurde der Netzausbau kontinuierlich berechnet und nicht anschließend diskretisiert. Im Unterschied hierzu bestimmt der NEP ganzzahlige Leitungsausbauten entsprechend verfügbarer Leitungstypen. Ne- ben Gründen für einen geringeren Ausbau lassen sich Unterschiede nennen, die zur spezifisch geringeren Ausbaukosten führen. Die Kosten hängen zum einen von der installierten Kapazität der jeweiligen Technologie und zum anderen von der Län- ge ab. So werden in unseren Optimierungen kurze Leitungen bevorzugt ausgebaut und so Kosten eingespart. Des Weiteren werden keine neuen DC-Leitungen innerhalb Deutschlands gebaut. Die vom NEP geplanten DC-Kabel weisen deutlich höhere spe- zifische Kosten auf, sodass unter Berücksichtigung der Umrichter bei einer mittleren DC-Leitungslänge, diese um das 17-fache höher ausfallen als die hier berücksich- tigen AC-Freitleitungen (zu den spezifischen Kapitalkostenannahmen, vgl. Kapitel 3.3.2). Grundsätzlich lässt sich die gewählte Top-Down-Methode bezüglich der Optimie- rung kritisieren. Bei der Bestimmung des optimalen Kraftwerkseinsatzes, Netz- und Speicherausbau werden die Mittel- und Niederspannungsnetze nicht berücksichtigt. Etwaige Rückkopplungen an der HS-MS-Schnittstelle sind nicht vorgesehen. Es ist nicht möglich, dass innerhalb von MS-Netzen lokale Optima zwischen Netz- und Speicherausbau bestimmt werden und folglich die Gesamtsystemoptimierung auf der 170 7.6 Anwendung des Tools überlagerten HöS-HS-Ebene bottom-up beeinflusst wird. Geplante Erweiterungen in diesem Bereich sind dem Kapitel 10 zu entnehmen. 7.6 Anwendung des Tools Zur Anwendung der netzebenenübergreifenden, volkswirtschaftlichen und netzbe- trieblichen Optimierung sowie Auslegung auf HöS- und HS- sowie MS- und NS- Ebene wurde das Python Tool eGo68 objektorientiert entwickelt. Das Tool ist frei unter der AGPL-3.0 Lizenz verfügbar und unter ReadTheDocs69 dokumentiert. Für die Installation des Tools wird den AnwenderInnen zwei Möglichkeiten bereitgestellt. Zum einen kann eGo über die Python Software Platform pypi.org70 mit folgenden Befehl installiert werden. 1 pip3 install eGo -- process-dependency-links Zum anderen können interessierte Personen über die Entwicklungsplattform GitHub den Sourcecode kopieren und installieren, anwenden und weiterentwickeln. Für die Erstanwendung von eGo bedarf es einer Reihe von Schritten, die durchge- führt werden müssen, um alle Funktionen des Tools nutzen zu können. Die Schritte bestehen aus: 1. Anmeldung auf der OpenEnergyPlatform zum Erhalt des Token für den Da- tenbankzugang 2. Installation/Update von Python 3 3. Installation von eGo 4. Erstellung der ding0 -Netze auf MS-NS-Ebenen mit dem Tool ding0 5. eGo-Einstellung und Dateipfade in scenario_settings.json hinzufügen 6. eGo über die Konsole, Python Interpreter, Notebooks oder ähnlichem z.B. $ python3 apply.py starten 68https://github.com/openego/eGo 69https://openego.readthedocs.io/en/dev/ 70pypi.org 171 https://github.com/openego/eGo https://openego.readthedocs.io/en/dev/ pypi.org 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Die detaillierte Anleitung und Beschreibung der einzelnen Schritte kann unter ReadT- heDocs 71 nachverfolgt werden. Als weitere Einstiegshilfe in das Programm eGo wur- den interaktive Tutorials auf Basis von Jupyter-Notebooks72 erstellt, die bereits im Projektverlauf Nutzenden73 vorgestellt und erprobt werden konnten. Die zentrale Steuerung und Einstellung von eGo zur Berechnung erfolgt über die scenario_settings.json Datei. Sie dient zum einem der Übersichtlichkeit sowie der Transparenz der einzelnen Berechnungen. Zum anderen kann sie einmal zwecks einer reproduzierbaren Wiederholung der Berechnung zusammen mit dem CSV Im- port von Ergebnissen verwendet werden. Die json Datei teilt sich in drei Ebenen auf. Zuerst wird die eGo-Berechnung definiert, die bestimmt ob eine Berechnung der je- weiligen Spannungsebenen erfolgen soll und oder ob bereits berechnete Ergebnisse mit einem csv Import verwendet werden sollen. Nachfolgend sind alle Einstellungs- parameter für die Nutzung von eTraGo vorgegeben, die für die Berechnung der HöS- und HS-Ebene dient. Eine Auflistung und Beschreibung der Einstellungsparameter findet sich in Kapitel 5.6 auf Seite 122. Zum Ende werden die Einstellungsparameter für die Nutzung von eDisGo inner- halb von eGo definiert. Die Tabelle 7.5 zeigt den Aufbau sowie die verschiedenen Parameter der scenario_settings.json74 Datei. Parameter Beschreibung eGo eTraGo Boolan, soll die HöS-HS-Ebene berechnet werden? eDisGo Boolan, soll die MS-NS-Ebene berechnet werden? csv_import_eTraGo Dateipfad zu den eTraGo csv Ergebnissen csv_import_eDisGo Dateipfad zu den eDisGo csv Ergebnissen eTraGo Detaillierte Übersicht in Tabelle 5.5 auf Seite 122 eDisGo db Name des gespeicherten Datenbankzuganges gridversion Angabe zur Versionsnummer des Datenmodells ding0_files Dateipfad zu den Ding0 (MS-NS-) Netzdaten choice_mode Angabe zur Auswahl der MS-NS-Netzdaten (”manual”, ”cluster”, ”all”) 71 https://openego.readthedocs.io/en/dev/getting_started.html 72http://jupyter.org/ 73eGo Dokumentation: https://openego.readthedocs.io/en/latest/getting_started.html# tutorials-as-jupyter-notebook Abschlussworkshop open_eGo: https://openegoproject.wordpress.com/ergebnisse/ 74https://openego.readthedocs.io/en/dev/api/modules.html#scenario-settings-json 172 https://openego.readthedocs.io/en/dev/getting_started.html http://jupyter.org/ https://openego.readthedocs.io/en/latest/getting_started.html#tutorials-as-jupyter-notebook https://openego.readthedocs.io/en/latest/getting_started.html#tutorials-as-jupyter-notebook https://openegoproject.wordpress.com/ergebnisse/ https://openego.readthedocs.io/en/dev/api/modules.html#scenario-settings-json 7.6 Anwendung des Tools Parameter Beschreibung cluster_attributes Angabe zu den Clusterattributen (”farthest_node”, ”wind_cap”, ”solar_cap”, ”extended_storage”) only_cluster Boolan, ermöglicht das Anwenden der Clusterfunktionen ohne die Berechnung der Netze manual_grids Angabe von manuell ausgewählten Netzen über deren ID’s no_grids Anzahl der gewünschten MS-NS-Netzen, wenn ”choice_mode” = ”cluster” ist parallelization Boolan, sollen MS-NS-Netze parallel berechnet werden? max_calc_time Angabe zur maximalen Berechnungsdauer eines MS-NS-Netzes innerhalb der Berechnung. Abbruchkriterium. max_workers Angabe zur Verwendung der maximalen CPU Kerne für die parallelisierte Berechnung initial_reinforcement Boolan, muss ”true” sein. Dient zur Kontrolle und Auslegung des Startnetzes. apply_curtailment Boolan, eDisGo verwendet und optimiert die Abregelungsvorgaben der HöS-HS-Ebene von eTraGo für die ausgewählten MS-NS-Netze. curtailment_voltage- _threshold Angabe zur zulässigen Spannungsübertretung. Wird dieser Wert überschritten wird innerhalb des Netzes automatisch abgeregelt. storage_distribution Boolan, eDisGo übernimmt Speicherausbauangaben der höheren Netzebenen und prüft ob der Speicherausbau auf MS-NS-Ebene netzdienlich eingesetzt werden kann. max_cos_phi_renewable Angabe zum maximal zulässigen Leistungsfaktor cos(φ) für die fluktuierenden Einspeiser. Sollten HöS-HS-Vorgaben nicht mit dem Faktor übereinstimmen wird die Blindleistungvorgabe reduziert. results Dateipfad zum Ordern in dem die Teilergebnisse von eDisGo abgespeichert werden sollen solver Solverwahl zur Berechnung der MS-NS-Netze z.B. ”gurobi” timesteps_pfa Methodenauswahl von eDisGo zur Speicherintegration z.B. ”snapshot_analysis” 173 7 Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Parameter Beschreibung Tabelle 7.5: Übersicht der eGo-Einstellungsparameter. Detaillierte Beschreibung in ReadTheDocs75 Der Objektaufbau zur weiteren Ergebnisanalyse von eGo gliedert sich in verschie- dene Ebenen auf. Nach dem das Objekt ego mit der Klasse eGo initialisiert und an- hand der Einstellung berechnet worden ist (siehe Abb. 7.10), liegen die Ergebnisse und Analyseanwendungen auf verschieden Ebenen vor. Abbildung 7.10: Beispiel der eGo-Objektinitialisierung. Die erste Ebene besteht aus Funktionen wie Plots, tabellarischen Ausgaben und weiteren Berechnungsfunktionen und beinhaltet die Ergebnisse auf allen Spannungs- ebenen. Die zweite Ebene teilt sich in die zwei Tools eTraGo und eDisGo auf. Hier können die Funktionen und Ergebnisse der jeweiligen Netzebenen weitergehend un- tersucht werden. In der Abbildung 7.11 sind beispielhaft pro Ergebnisebene Aufrufe der tabellarischen Investmentkosten aufgeführt. Eine ausführliche Beschreibung aller Funktionen und Methoden ist unter ReadTheDocs76 veröffentlicht. Abbildung 7.11: Übersicht des Objektaufbaus des Tools eGo. Als weiteres Feature kann eGo eine interaktive Grafik mit allen Ergebnissen77 ausge- geben lassen, um diese näher untersuchen oder diese zu Transparenzzwecken online veröffentlichen zu können. 76 https://openego.readthedocs.io/en/latest/api/modules.html 77https://openego.readthedocs.io/en/dev/_static/ego_example_iplot_map.html 174 https://openego.readthedocs.io/en/latest/api/modules.html https://openego.readthedocs.io/en/dev/_static/ego_example_iplot_map.html 7.6 Anwendung des Tools Abbildung 7.12: Beispiel iplot der Gesamtergebnisse von eGo. 175 8 Wissenschaftliche Verwertung Die wissenschaftliche Verwertung und Dissemination der open_eGo-Projektergeb- nisse erfolgte über verschiedene Medien. So wurden innerhalb der Projektlaufzeit sieben Workshops organisiert und durchgeführt, darunter ein ganztägiger Abschluss- workshop mit etwa 90 Teilnehmern. Eine kurze Beschreibung der Workshops kann Kapitel 8.1 entnommen werden. Zusätzlich wurde an fünf Workshops der openmod mit wesentlichen Beiträgen teilgenommen, was zur Stärkung der Community bei- trug. Zudem war es möglich, auf der Enviroinfo eine Fachgruppe zu etablieren, die in den Jahren 2016 bis einschließlich 2018 zusammenkam. Für das Forschungsnetzwerk Energiesystemanalyse konnte unter anderem durch die Leitung der AG 1 sowie der Gestaltung des Infrastruktur-Workshops die Vernetzung der Forschungsinhalte in- nerhalb der bestehenden Forschungsgemeinschaft verdichtet werden. Überdies konn- ten das Projekt und die Projektergebnisse mit elf Vorträgen auf weiteren Fachver- anstaltungen, wie beispielsweise auf der International Conference on Smart Energy Systems and Technologies in Sevilla, vorgestellt werden. Eine vollständige Übersicht aller Beiträge auf Tagungen und Konferenzen findet sich in Kapitel 8.2. Des Weiteren wurden im Rahmen von open_eGo zehn wissenschaftliche Facharti- kel veröffentlicht, sowie drei Poster und eine Vielzahl an Abschlussarbeiten erstellt, welche in Kapitel 8.3 gelistet sind. Zur fortwährenden Dissemination der Projektergebnisse wurde eine übergreifende Projektwebsite78 erstellt und kontinuierlich betreut, auf der die wesentlichen Infor- mationen zum Projekt verlinkt sind. Im Jahr 2018 hatte diese 4.056 Aufrufe von 1.179 Besuchern. Im gesamten Projekt wurde ein hoher Wert auf verschiedene Aspekte von Open Science gelegt. So wurde aller im Projekt entwickelte Quellcode bereits innerhalb der Projektlaufzeit unter einer Open-Source-Lizenz auf GitHub veröffentlicht und umfangreich dokumentiert. Zudem sind alle erstellten Daten offen lizenziert in der im Projekt entwickelten OEDB veröffentlicht und ausführlich mit beschreibenden Metadaten versehen. Entstandene Fachartikel wurden soweit möglich Open Access bereitgestellt. 78https://openegoproject.wordpress.com/ 177 https://openegoproject.wordpress.com/ 8 Wissenschaftliche Verwertung Zur Demonstration der wirtschaftlichen Verwertungsmöglichkeiten wurde das Tool eTraGo in einem Anwendungsfall eingesetzt. Dieser wurde zusammen mit der ARGE Netz Energie GmbH & Co. KG entwickelt und bearbeitet. Die Ergebnisse hierzu sind bereits in Kapitel 5.4.5 beschrieben. Die schnelle und transparente Veröffentlichung der Tools, Daten und Ergebnisse ein- hergehend mit dem Engagement in den unterschiedlichen Netzwerken konnte schon während der Projektlaufzeit eine umfangreiche Verwertung verschiedener Teile der open_eGo-Projektergebnisse in anderen Projekten erzielen. Diese Vorhaben werden in Kapitel 8.4 kurz vorgestellt. 8.1 Eigenveranstaltete Workshops und Tutorials Im Rahmen des Projektes wurden verschiedene Workshops durchgeführt, um die Transparenz für sowie Mitsprache durch potenzielle Nutzer zu gewährleisten. Dies erhöht die Anschlussfähigkeit der Ergebnisse und entspricht dem Open-Science- Ansatz. 8.1.1 Workshop zur Ausgestaltung der OpenEnergyPlatform Zur Ausgestaltung der OEP fanden zwei Workshops statt, zum einen am 10. Sep- tember 2015 mit den ExpertInnen der Systemanlyse in Berlin, zum anderen am 16. Oktober 2015 im Rahmen der Break-Out Groups des openmod Worshops in Lon- don. Im Ergebnis wurden mögliche Funktionen der OEP wie beispielsweise Kalender, Webkonferenzräume, Suchfunktionen, Datenablage, Quellcode, Tutorials, Ausgangs- homepage, Glossar, Kommunikationswege und Code-Dokumentation dokumentiert. Für die genannten Funktionen wurden bestehende Portale gesammelt und zueinan- der in Bezug gesetzt. 8.1.2 Workshops zur Transparenz und Reproduzierbarkeit Workshopteil A in Berlin Zu dem Workshop am 19. November 2015 kamen 17 ExpertInnen aus verschiedenen Bereichen der Systemanalyse zusammen. Einen gan- zen Tag lang wurde an der Reproduzierbarkeit der Ergebnisse von Energiesystem- simulationen und der Umsetzung guter wissenschaftlicher Praxis gearbeitet. Dazu dienten Vorträge des Projektträgers Jülich (PtJ), des Karlsruher Instituts für Tech- nologie und des Wuppertal Instituts für Klima, Umwelt, Energie sowie des Deut- schen Zentrums für Luft- und Raumfahrt, welche als Input für die konstruktive Arbeit an den späteren Model-Factsheets genutzt wurden. Veröffentlicht wurden 178 8.1 Eigenveranstaltete Workshops und Tutorials diese Model-Factsheets auf der OEP. Weiterhin wurden die Ergebnisse in die vom BMWi veranstaltete Konferenzreihe des Forschungsnetzwerks Energiesystemanalyse eingespielt. Workshopteil B in Flensburg Der zweite Workshop innerhalb des Förderbereichs Systemanalyse zum Thema „Reproduzierbarkeit von Simulationsergebnissen“ am 8. November 2016 wurde mit 11 Teilnehmenden an der Europa-Universität Flensburg zu den Themen Reproduzierbarkeit und Transparenz abgehalten. Im ersten Teil des Workshops berichteten die teilnehmenden Personen über ihre Erfahrungen, Hand- habung und den Umgang mit Reproduzierbarkeit und Transparenz innerhalb ihrer Projekte. Seitens des open_eGo Projektes wurde der Open-Source- und Open-Data- Ansatz und das Vorgehen vorgestellt. Weitergehend wurde die ESS-Transparency Checklist79 von Christian Dieckhoff (DLR) vorgestellt. Im zweiten Teil des Work- shops wurden Hemmnisse und Chancen von mehr Open Source in Bezug auf Trans- parenz und Reproduzierbarkeit diskutiert. Die Themen A. Alte und neue Geschäfts- modelle mit Open Source und B. Künftiger Umgang mit Transparenz und Reprodu- zierbarkeit standen hierbei im Vordergrund. Zum Abschluss wurde die erarbeitete und vorgestellte SWOT-Analyse Transparenz von Energiesystemmodellen gemein- sam besprochen und erweitert. Alle Ergebnisse, Folien und Protokolle wurden im Forschungsnetzwerk Systemanalyse AG 4 Vergleichbarkeit und Transparenz80 veröf- fentlicht. 8.1.3 Workshop zur Methodik und Datengrundlage auf Höchst- und Hochspannungsebene Der Workshop zur Methodik und Datengrundlage auf HöS- und HS-Ebene fand am 24. Mai 2016 in Oldenburg statt. Der Hauptfokus lag auf der Modellierung des HöS- und HS-Netzes unter Berücksichtigung von Erzeugung und Verbrauch. Hierzu wurden die entwickelten Methoden vorgestellt und darüber hinaus in zwei parallelen Session ausführlich mit den insgesamt 27 Teilnehmenden aus Wissen- schaft und (Netz-) Wirtschaft diskutiert. Des Weiteren wurden die Konzepte zum Optimierungsverfahren vorgestellt und plenar diskutiert. Geeignete Verfahren für 79Raising awareness in model-based energy scenario studies — a transparency check- list https://elib.dlr.de/106327/1/2016_Cao_Raising_awareness_in_model-based_energy_ scenario_studies.pdf 80Workshop-Ergebnisse veröffentlicht im Forschungsnetzwerk Energie Systemanalyse, AG 4 Vergleichbarkeit und Transparenz unter Dokumente: 2016-11-08 WS Reproduzierbar- keit open_eGo https://intern-guq.forschungsnetzwerk-energie.de/gruppen/view/ag-4- transparenz,dms/?1[_p]=category&1[_c]=699&1[_sk]=gruppen_dms.dms 179 https://elib.dlr.de/106327/1/2016_Cao_Raising_awareness_in_model-based_energy_scenario_studies.pdf https://elib.dlr.de/106327/1/2016_Cao_Raising_awareness_in_model-based_energy_scenario_studies.pdf https://intern-guq.forschungsnetzwerk-energie.de/gruppen/view/ag-4-transparenz,dms/?1[_p]=category&1[_c]=699&1[_sk]=gruppen_dms.dms https://intern-guq.forschungsnetzwerk-energie.de/gruppen/view/ag-4-transparenz,dms/?1[_p]=category&1[_c]=699&1[_sk]=gruppen_dms.dms 8 Wissenschaftliche Verwertung die Kopplung von Marktsimulation, AC-Netzberechnung und Flexibilitätsoptionen- Optimierung wurden besprochen. Ein wichtiger Diskussionspunkt betraf die Berück- sichtigung der HS-Ebene innerhalb der Optimierung. Die vorgestellten Methoden und Annahmen wurden weitesgehend durch die Experten bestätigt. Außerdem hal- fen geäußerte Kritikpunkte und Anregungen bei der weiteren Ausgestaltung der HöS- und HS-Netzmodelle bzw. des Tools eTraGo. 8.1.4 Workshop zur Methodik und Datengrundlage auf Mittel- und Niederspannungsebene In Kooperation mit der LEW Verteilnetz GmbH 81 wurde der Workshop zur Ausge- staltung der MS- und NS-Netzmodelle am 23. Juni 2016 in Augsburg organisiert und durchgeführt. Die 17 Teilnehmenden setzten sich aus projektinternen und -externen Forschenden und den ExpertInnen aus der Verteilnetzplanung der Lechwerke zusam- men. Es wurden die aktuellen Modellierungsansätze für die MS und NS vorgestellt und gemeinsam diskutiert. Mit dem Wissen aus der Planung und dem Betrieb der Verteilnetze konnten grundlegende Annahmen und Vorgehensweisen für die Model- lierung der MS- und NS-Netze, siehe Kapitel 4.2, bestätigt oder angepasst werden. 8.1.5 Tutorial und Workshop OEP Im Zuge der Entwicklung der OEP wurde am 13. September 2016 ein Workshop zur Vorstellung des OEP-Konzeptes veranstaltet. Zu diesem Workshop erschienen 10 TeilnehmerInnen. Im ersten Teil des Workshops stellte Berit Müller die beste- hende Vernetzung und Zusammenarbeit mit der Energiemodellierercommunity vor und demonstrierte den aktuellen Aufbau der Modell- und Szenarienfactsheets. Im zweiten Teil des Workshops wurden die bestehenden und geplanten Funktionalitä- ten von OEDB und OEP von Martin Glauer vorgestellt. Diese wurden daraufhin mit den Anwendungsfällen der anwesenden Stakeholder abgeglichen und entspre- chend erweitert. Erste Funktionalitäten, wie das Visualisieren von Datensätzen auf der Plattform und Abrufen der Daten über eine Vorversion der API, wurden von Nutzern getestet. Die Schnittstellen der OEP wurden dokumentiert82, sodass auch externe Entwickle- rInnen ihre Werkzeuge an die Daten der OEDB anbinden können. Um die häufigsten 81https://www.lew.de/unternehmen/daten-fakten 82Dokumentation der Schnittstellen der OEP: https://oep-data-interface.readthedocs.io/ en/latest/ 180 https://oep-data-interface.readthedocs.io/en/latest/ https://oep-data-interface.readthedocs.io/en/latest/ 8.1 Eigenveranstaltete Workshops und Tutorials Anwendungsfälle möglichst verständlich zu demonstrieren, wurden mehrere Online- Tutorials entwickelt83. 8.1.6 open_eGo-Abschlussworkshop Am 30. Oktober 2018 wurde der Projektabschluss in der Landesvertretung Schleswig- Holstein in Berlin abgehalten. Den etwa 90 Teilnehmenden aus Wissenschaft, Wirt- schaft und Politik wurden nach Einführung in das Projekt in sechs Sessions die Methoden, Tools und Ergebnisse des open_eGo-Projektes vorgestellt und gemein- sam diskutiert. Die Vorträge und weitere Materialien zum Workshop wurden auf der Projekthomepage84 veröffentlicht. Die sechs Themenschwerpunkte waren: • Ein Datenmodell für das deutsche Stromsystem: Vorstellung der prozessierten und verwendeten Daten bezüglich Verbrauch, Erzeugung, Netz und Szenarien. • Verteilnetzplanung — Netzausbau, Abregelung und Speicherverteilung: Vor- stellung des Tools eDisGo zur Bestimmung des Netzausbaubedarfs in MS- und NS-Netzen unter Berücksichtigung der Flexibilitätsoptionen Speicherausbau und Erzeugungsmanagement. • Automatische Generierung von synthetischen Mittelspannungsnetzen: Vorstel- lung der Methoden, Anwendungen und Ergebnisse des Tools ding0 für die Generierung synthetischer Verteilnetze. • Optimierung von Netz- und Speicherausbau in der Höchst- und Hochspan- nungsebene: Vorstellung der Funktionsweise, Anwendung und Ergebnisse des Tools eTraGo zur Optimierung von Netz- und Speicherausbau auf Höchst- und Hochspannungsebene. • Netzebenenübergreifendes Planungsinstrument zur Optimierung von Netz- und Speicherausbau auf Übertragungs- und Verteilnetzebene: Vorstellung des Tools eGo und dessen Ergebnissen. • Eine Plattform und Datenbank für die Energiesystemmodellierung: Vorstel- lung und Demonstration der bestehenden Funktionalitäten der OEP. 83Tutorials zu den Schnittstellen der OEP: https://github.com/OpenEnergyPlatform/examples/ tree/2760e821e3248cf0f387e0158b55a1c3adc436b0/api 84https://openegoproject.wordpress.com/ergebnisse/ 181 https://github.com/OpenEnergyPlatform/examples/tree/2760e821e3248cf0f387e0158b55a1c3adc436b0/api https://github.com/OpenEnergyPlatform/examples/tree/2760e821e3248cf0f387e0158b55a1c3adc436b0/api https://openegoproject.wordpress.com/ergebnisse/ 8 Wissenschaftliche Verwertung 8.2 Offener Diskussionsprozess und wissenschaftlicher Austausch durch Beiträge auf Tagungen und Konferenzen Für das open_eGo-Projekt ist eine Weiter- und Wiederverwendung der Projekter- gebnisse im Sinne von Open Science besonders wichtig. Auf diese Weise kann eine Nutzergruppe für die entwickelten Tools aufgebaut und die Sichtbarkeit der ent- standenen Ergebnisse erhöht werden. In diesem Sinne wurde besonderer Wert auf offene, transparente und schnelle Kommunikation gelegt. Diskussion und wissen- schaftlicher Austausch fand beispielsweise durch Beiträge auf Tagungen und Konfe- renzen statt. Innerhalb der Projektlaufzeit sind die folgenden Ergebnisse besonders nennenswert. • 5 Teilnahmen mit Beiträgen (Vorträgen und/oder Arbeitsgruppen) auf den Workshops der openmod • Gestaltung eines Workshops für das Präsenztreffen des Forschungsnetzwerks Energiesystemanalyse • Organisation der AG Transparenz des Forschungsnetzwerks Energiesystem- analyse • Etablierung einer neuen Fachgruppe auf der EnviroInfo unter dem Dach der ASIM • 11 Vorträge auf nationalen und internationalen Tagungen und Konferenzen 8.2.1 Beteiligung an der Open Energy Modelling (openmod) Community und den zugehörigen Workshops Als kollaboratives Open-Source-Projekt ist daher die Beteiligung an der openmod für open_eGo besonders wichtig. Diese freie Gruppe an EnergiesystemmodellierInnen unterstützt sich gegenseitig durch die offene und freie Bereitstellung von Model- len und Informationen. Dabei erfolgt ein Teil des Austausches über das Wiki und später das Forum an dem sich die Partner von open_eGo kontinuierlich beteilig- ten. Die wichtigste Austauschplattform ist der halbjährliche Workshop mit, je nach Räumlichkeiten, ca. 70 Teilnehmenden. open_eGo hat in der Projektlaufzeit an fünf openmod-Veranstaltungen teilgenommen und bei der Gestaltung unterstützt. Das Projekt hat durch diverse Beiträge die Community gestärkt und die Sichtbarkeit der OEP und der Tools erhöht. 182 8.2 Beiträge auf Tagungen und Konferenzen Liste der Beiträge zu den Workshops der openmod • 06. – 08.06.2018 | Präsentation der Projektergebnisse und Learn-a-thon zur Einführung in die open_eGo-Tools auf dem 8. Workshop der Open Energy Modelling Initiative • 12. – 13.10.2017 | Präsentation der Projektergebnisse und Organisation der Arbeitsgruppe „Complexity reduction“ auf dem 7. Workshop der Open Energy Modelling Initiative • 19.04.2017 | Tutorial „Working with open GIS data and the OpenEnergyDa- tabase“ auf dem 6. Workshop der Open Energy Modelling Initiative • 28. - 29.04.2016 | Moderation einer Arbeitsgruppe auf dem 4. Open Energy Modelling Workshop • 16.10.2015 | Moderation der Arbeitsgruppe „Anforderungen an die Fact Sheets auf der OEP“ auf dem 3. Open Energy Modelling Workshop 8.2.2 Beteiligung am Forschungsnetzwerk Energiesystemanalyse Als Projekt der Energiesystemanalyse engagiert sich open_eGo im 2015 entstande- nen Forschungsnetzwerk. Berit Müller wurde zur Sprecherin der Arbeitsgemeinschaft Transparenz gewählt. In diesem Zuge engagierte sie sich bei der Organisation der Arbeitsgemeinschaft, sowie bei der Gestaltung der Präsenstreffen und der Durch- führung der Workshopsessions. Liste der Beiträge zum Forschungsnetzwerk Energiesystemanalyse • 2016 | Impulsvortrag „Der Einsatz von Factsheets – drei Beispiele aus der Forschungs-Praxis“ | Webinar • 2017 | Teilnahme am ersten Präsenstreffen Forschungsnetzwerk Energiesys- temanalyse | Berlin • 2018 | open_eGo moderiert den Workshop „Berücksichtigung von Infrastruk- tur“ auf dem zweiten Präsenstreffen Forschungsnetzwerk Energiesystemanaly- se | Berlin 183 8 Wissenschaftliche Verwertung 8.2.3 Etablierung einer Fachgruppe unter dem Dach der Arbeitsgemeinschaft Simulation (ASIM) Die ASIM ist eine Arbeitsgemeinschaft im deutschsprachigen Raum zur Förderung und Weiterentwicklung von Modellbildung und Simulation in Grundlagen und An- wendung sowie zur Verbesserung der Kommunikation zwischen Theorie und Praxis. Das Projekt open_eGo etablierte 2016 auf dem zugehörigen Workshop „EnviroInfo“ Fachgruppen für Energiesystemsimulationen zur Stärkung des Austausches mit der Informatik. Liste der ASIM von open_eGo etablierten Fachgruppen • 15. - 16.09.2016 | open_eGo organisiert Fachgruppe auf der EnviroInfo 2016: „Energy Modeling Systems“ • 15. - 16.09.2017 | open_eGo organisiert Fachgruppe auf der EnviroInfo 2017: „Open Source and Open Data - Transparent Modelling“ • 05. - 07.09.2018 | open_eGo organisiert Fachgruppe auf der EnviroInfo 2018: „Open Data and Models – Dealing with Uncertainty“ 8.2.4 Weitere Beteiligungen an Konferenzen Über die bisher genannten eigenveranstalteten Workshops und dem Engagement in Netzwerken hinaus wurde im Rahmen von open_eGo an weiteren geeigneten nationalen und internationelen Konferenzen und Workshops teilgenommen, welche im Folgenden gelistet sind. Liste der Konferenzteilnahmen • 04.12.2018 | Kurzvorstellung der Projekteergebnisse von open_eGo auf dem Science Match Future Energies 2018 | Kiel • 10. – 12.09.2018 | Vortrag „The role of the high voltage power level in future power systems and their modelling“ auf der International Conference on Smart Energy Systems and Technologies | Sevilla • 05. – 07.09.2018 | Vortrag und Konferenz Proceeding „Open Source Ener- gy System Models and the Computational Efficient Integration of Renewable Energy Sources“ auf der EnviroInfo 2018 | München 184 8.2 Beiträge auf Tagungen und Konferenzen • 18.05.2018 | Vortrag „Transparente und vergleichbare Beschreibung von Sze- narien unter Verwendung einer Plattform-integrierten Datenbank“ auf dem 13. ÖGOR-IHS Workshop | Wien • 12. – 14.03.2018 | Teilnahme an der internationalen Open-Science-Conference | Berlin • 06.12.2017 | Kurzvorstellung des Projektes open_eGo auf dem Science Match Future Energies 2017| Kiel • 13. – 15.09.2017 | Vortag „An Open Database Concept for Open Energy Mo- deling“ auf der EnviroInfo 2017 | Luxembourg • 12. – 14.06.2017 | Vortrag zu den Projektergebnissen auf der CoNDyNet Con- cluding Conference | Potsdam • 30. – 31.03.2017 | Vortrag „Open-source approach towards a model of Ger- man high and extra-high voltage power grids“ auf der SciGRID Conference | Oldenburg • 30. – 31.03.2017 | Vortrag „Method and tool for generating distribution grids (Distribution Network Generator DINGO)“ auf der SciGRID Conference | Ol- denburg • 01.02.2017 | Vortrag „Techno-economic optimization of a large battery for participation in the primary operating reserve market“ auf der 4. OTTI- Conference Future Grids for Renewable Energy | Berlin • 04. - 05.10.2016 | Vortrag „An open and integrated AC-model of the trans- mission and distribution grid in Germany“ auf der 100% Renewable Energy conference | Flensburg • 31.03. - 01.04.2016 | Vortrag zur Projektvorstellung von open_eGo in der Ses- sion Open Power System Modelling & Data auf der 6. EUM-Fachtagung & Netzwerktreffen | Flensburg • 18.09.2015 | Vortrag zur Projektvorstellung von open_eGo auf dem Strom- martktreffen | Berlin 185 8 Wissenschaftliche Verwertung 8.3 Veröffentlichungen und studentische Arbeiten Im Laufe des Projektes sind zehn wissenschaftliche Publikationen, drei Poster sowie eine Vielzahl Abschlussarbeiten entstanden, welche im Folgenden aufgelistet werden. Zudem wurde jeglicher im Projekt entwickelte Code sowie jegliche generierte Daten öffentlich zur Verfügung gestellt. Aufgrund des im Projekt verfolgten Open-Science- Ansatzes wurden Code und Daten unter einer Open-Source- bzw. Open-Data-Lizenz veröffentlicht sowie bei den wissenschaftlichen Publikationen nach Möglichkeit eine Open Access Publikation gewählt. 8.3.1 Wissenschaftliche Publikationen • 2019 | „Integrated techno-economic power system planning of transmission and distribution grids“ | Energies — Open Access [122] • 2018 | „Optimal Sizing and Spatial Allocation of Storage Units in a High- Resolution Power System Model“ | Energies — Open Access [121] • 2018 | „The role of the high voltage power level in future power systems and their modelling“ | International Conference on Smart Energy Systems and Technologies [123] • 2017 | „The eGo grid model: An open source approach towards a model of German high and extra-high voltage power grids“ | SciGRID International Conference on Power Grid Modelling — Open Access [2] • 2017 | „The eGo grid model: An open source and open data based synthetic medium-voltage grid model for distribution power supply systems“ | SciGRID International Conference on Power Grid Modelling — Open Access [74] • 2017 | „Allocation of annual electricity consumption and power generation capacities across multiple voltage levels in a high spatial resolution“ | Inter- national Journal of Sustainable Energy Planning and Management — Open Access [1] • 2017 | „AC Power Flow Simulations within an Open Data Model of a High Voltage Grid“ | Springer Book „Advances and New Trends in Environmental Informatics“ [24] • 2017 | „Open Data in Power Grid Modelling: New Approaches Towards Trans- parent Grid Models“ | Energy Reports [73] 186 8.3 Veröffentlichungen und studentische Arbeiten • 2017 | „Institutions for database schemas and datasets“ | CALCO 2017 Early Ideas Workshop • 2017 | „An Open Database Concept for Open Energy Modeling“ | EnviroInfo 2017 8.3.2 Poster • 2018 | Poster „Computational efficient Integration of Flexibility Options in Large Scale Energy System Models“ auf der ACMe-Energy Conference | Karls- ruhe • 2017 | Poster „The OpenEnergyPlatform (OEP) - A web-platform to improve transparency and reproducibility of energy system analyses“ auf dem Präsens- treffen Forschungsnetzwerk Energiesystemanalyse | Berlin • 2017 | „The OpenEnergyDatabase (OEDB) - A database concept to improve transparency in energy system analyses“ auf dem Präsenstreffen Forschungs- netzwerk Energiesystemanalyse | Berlin 8.3.3 Studentische Arbeiten • 2018 | Mirco Hansen | Simulation von Einspeisemanagementeinsätzen in Schles- wig-Holstein | Europa-Universität Flensburg (Masterarbeit) [53] • 2018 | Jorge Mario Vélez Gutiérrez | Evaluation and comparison of methods to reduce the computational cost of power system simulations | Universität Oldenburg (Masterarbeit) [107] • 2018 | Oriol Raventós Morera | Temporal complexity reduction techniques and their use in power system modelling | Universität Oldenburg (Masterarbeit) [119] • 2018 | Clara Büttner | Offene Modellierung des geplanten Leitungsausbaus in Deutschland | Hochschule Flensburg (Bachelorarbeit) [57] • 2018 | Marlon Schlemminger | Modellierung von Redispatch-Maßnahmen im deutschen Hoch- und Höchstspannungsnetz | Europa-Universität Flensburg (Masterarbeit) [150] • 2018 | Malte Scharf | Inter-voltage-level correlations of congestions in the Ger- man electricity network | Europa-Universität Flensburg (Masterarbeit) [103] 187 8 Wissenschaftliche Verwertung • 2018 | Mohamed Kamal Ahmed Abdelhafez | Optimal integration of net- supportive storage systems in distribution networks with a high share of rene- wable energies | Technische Universität Berlin (Masterarbeit) [151] • 2017 | Simon Bremert | Analyse des Flexibilitätspotentials in Schleswig-Holstein anhand von Stromnetzsimulationen | Europa-Universität Flensburg (Master- arbeit) [152] • 2017 | Manuel Linsenmeier | Statistical analysis of a synthetic dataset of the electricity distribution grid in Germany | Humboldt-Universität Berlin (Haus- arbeit) [153] • 2017 | Manuel Linsenmeier | Estimating costs of extending electricity distri- bution networks in Germany | Humboldt-Universität Berlin [98] • 2017 | Jonas Gütter | Modellierung deutscher Niederspannungsverteilnetze auf Grundlage von OpenStreetMap-Daten | Friedrich-Schiller-Universität Jena (Masterarbeit) [96] • 2017 | Marius Vespermann | Entwicklung einer Methodik zur Betriebsmittel- Parametrisierung im Rahmen eines offenen Stromnetzmodells der Höchst- und Hochspannungsebene Deutschlands | Europa-Universität Flensburg (Master- arbeit) [71] • 2017 | Mario Kropshofer | Entwicklung einer Methodik zur wirtschaftlichen und technischen Optimierung des deutschen Netzausbaus in der Hoch- und Höchstspannungsebene | Hochschule Flensburg (Masterarbeit) [154] 8.3.4 Modell- und Datenveröffentlichungen Im gesamten Projekt wurde soweit möglich eine konsequente Einhaltung der Prinzi- pien von Open Source bei der Implementierung und Veröffentlichung von Programm- code, eine anwendungsgerechte Bereitstellung der Datenmodelle mit Hilfe der OEP sowie eine stringente Lizenzierung verfolgt. Die ausführliche Dokumentation von Co- de sowie das Lizenzieren und Dokumentieren von Daten schafft einen erheblichen Mehraufwand, doch wird die nachhaltige Nutzbarkeit wesentlich erhöht und damit ein großer Mehrwert geschaffen. Der Mehrwert gründet sich unter anderem auf der durch eine offene Lizenzierung geschaffene Rechtssicherheit bei der Weiterverwendung von Code und Daten. Dies führt zu einer deutlich gesteigerten Akzeptanz innerhalb des Anwenderkreises, da die Regeln offener Lizenzen klar und einfach die Weiterverwendung, auch von neu 188 8.4 Projektexterne Verwertung geschaffenem Code und Daten, regeln. Darüber hinaus garantiert die Herstellerun- abhängigkeit von Open Source und Open Data in der Regel eine Verwertungsdauer die mindestens denen herstellerspezifischer Lösungen entspricht. Einen großen Vor- teil stellen weiterhin die Flexibilität und Anpassbarkeit sowie die Transparenz von Open Source und Open Data dar, welche es anderen Anwendern ermöglicht, die verwendeten Strukturen in kurzer Zeit auf eigene Bedürfnisse anzupassen und ggf. zu ergänzen. Die genannten Vorteile führen insgesamt zu einer höheren Akzeptanz, welche ihrerseits die Grundlage für die daraus entstehende Kommunikation und Ver- netzung der Anwender untereinander darstellt. Der Mehrwert von Open Source und Open Data generiert sich aber nicht aus bloßem, mit einer offenen Lizenz versehenem und zur Verfügung gestellten Code oder Daten, sondern wird erst dann geschaffen, wenn Sourcecode und Daten auf Plattformen veröffentlicht werden, die dem Anwenderkreis bereits bekannt sind und auf die ein einfacher Zugriff garantiert ist. Im open_eGo Projekt wurden mit der OEP und OEDB solche Plattformen geschaffen und für die Bereitstellung von im Projekt generierten und dokumentierten Datensätzen verwendet, die damit einer externen Weiterverwendung zugeführt wurden. Codeseitig wurde die in der Nutzergemeinde weithin bekannte Plattform GitHub zur Veröffentlichung der entwickelten Software- Tools verwendet85. Darüber hinaus werden Anwender offene Software und Daten nur dann einsetzen, wenn der Code gut dokumentiert, die erforderlichen Schnittstellen genau beschrie- ben, die Annahmen und Voraussetzungen vollständig dargelegt und Nutzungsbei- spiele vorhanden sind sowie auch ein Support in Form von E-Mail-Anfragen oder einem Online-Ticket-System möglich ist. Diese Voraussetzungen wurden im Rah- men des Projekts für die entwickelten Tools auf Basis von Tutorials und weiteren Dokumentationen in Readthedocs geschaffen86 In welchem Maße die im Projekt bereitgestellten Datensätze und Tools bereits im Verlauf des Projekts einer Weiterverwendung zugeführt werden konnten, wird in Kapitel 8.4 näher erläutert. 8.4 Projektexterne Verwertung Die schnelle und transparente Modell- und Datenveröffentlichung ermöglichte schon während der Projektlaufzeit eine Verwertung in anderen Projekten. Aufgrund teil- 85URL: https://github.com/openego 86openego.readthedocs.io etrago.readthedocs.io edisgo.readthedocs.io dingo.readthedocs.io 189 openego.readthedocs.io etrago.readthedocs.io edisgo.readthedocs.io dingo.readthedocs.io 8 Wissenschaftliche Verwertung weise fehlender Rückmeldung ist eine vollständige Übersicht über alle Verwertungen nicht möglich. Im Folgenden werden die Vorhaben, von denen bekannt ist, dass sie verschiedene Teile der open_eGo-Projektergebnisse nutzen, vorgestellt. Einige der Vorhaben sind mit und von Partnern aus dem open_eGo-Projekt, andere sind un- abhängig davon. 8.4.1 Projekt open_FRED Das BMWi-geförderte Projekt open_FRED (0324006) startete im August 2016, ca. ein Jahr nach open_eGo, mit dem Ziel, angepasste Wetter- und Einspeiseeingangs- daten für die Energiesystemsimulation zu erzeugen und diese als Open Data bereit- zustellen. Das Projekt konnte sehr gut an die Arbeiten aus AP 1 anknüpfen und die bestehende OEP als Grundlage für die Veröffentlichungen nutzen. Das Projekt open_FRED wird bzw. hat Wetterdaten auf der Plattform veröffentlicht und dabei sowohl die geschaffene Datenbankstruktur als auch die Grundzüge der strukturier- ten Ablage nutzen und weiterentwickeln können. Dies bezieht sich beispielsweise auf Metadaten, die mit dem Datenpaket geliefert werden. Weiterhin sind alle Mo- delle mit Schnittstellen zur OEP-Datenbank versehen, so dass die Verwendung der abgelegten Wetterdaten unkompliziert geschehen und an die Anforderungen der je- weiligen Modellierung und Szenarien angepasst werden kann. open_FRED hat auch eine Sammlung von Grund- und Kraftwerksdaten zum Ziel. Hierfür konnten die in open_eGo entstandenen Daten, wie politische Grenzen oder EEA als Basis verwen- det werden. 8.4.2 Projekt SzenarienDB Das BMWi-geförderte Projekt SzenarienDB (03ET4057) entwickelt Strukturen und Features für die Beschreibung von Szenarien und die Ablage der zugehörigen Daten. Hierbei werden die OEP und OEDB um entsprechende Funktionen erweitert und die in AP 1 erstellten Qualitätskriterien und Metadatenformate erweitert. Weiterhin wird eine Ontologie entwickelt, die auch in neue Such- und Vernetzungsmethoden der OEP einfließen soll. So können beispielsweise die Informationen der Factsheets auf die Begriffe der Ontologie verweisen und somit die Verständlichkeit der Beschrei- bungen stark erhöhen. Durch die verbesserte Vergleichbarkeit von Szenarien können Forschende ihre Ergebnisse leichter in einen vergleichenden Kontext setzen und er- halten einen einfachen Überblick über bestehende Szenarienrechnungen. 190 8.4 Projektexterne Verwertung 8.4.3 Projekt Einsparzähler Das Förderprogramm Einsparzähler fördert die Installation von Einsparzählern bei Energieeffizienzmaßnahmen mit dem Ziel Einsparmaßnahmen messbar zu machen. Hierbei werden zusätzliche Fördergelder bewilligt, wenn die Maßnahme Open-Data- und Open-Source-Anforderungen umsetzt. Bei einem der Workshops wurde die OEP vorgestellt und Wissen zu Lizenzen vermittelt. Weiterhin wurde von der TU Berlin eine wissenschaftliche Begleitung der Projekte angeboten, bei der Daten und Er- gebnisse auf der OEP veröffentlicht werden. Es ist damit zu rechnen, dass mehrere Projekte im Rahmen des Förderprogramms die OEP nutzen werden. 8.4.4 Projekt BuergEN Im Rahmen des Projektes BuergEN (FKZ: 01UN170) - "Perspektiven der Bürgerbe- teiligung an der Energiewende unter Berücksichtigung von Verteilungsfragen Modul 3: Berücksichtigung gesellschaftlicher Faktoren bei der Entwicklung der Stromnet- ze" wurde die OEP während des Projektes im Jahr 2017 getestet und mit anderen Konzepten und Plattformen verglichen. Die detaillierten Ergebnisse finden sich im Abschlussbericht [155] des Projektes. 8.4.5 Factsheets: MODEX vom BMWi und Horizon 2020 Die Model Factsheets werden bereits in verschiedenen Zusammenhängen genutzt. Seitens der Europäischen Kommission ist gewünscht, dass sich die Projekte, die mit Modellierungen des Energiesystems arbeiten, bezüglich der genutzten Modelle aus- tauschen und diese auch für weitere Akteure besser sichtbar sind. Deshalb haben die Horizon 2020 -Projekte aus dem LCE 21 Call (MEDEAS, SET-NAV, REEEM, REFLEX) bei ihrem Treffen beschlossen, die beteiligten Modelle nach und nach auf der Plattform zu beschreiben. Für das Modellexperiment MODEX87 des BMWi wurde die Plattform als Möglichkeit genutzt, für eine Teilnahme an dem Experiment zur Verfügung stehende Modelle einzutragen. So konnten potenzielle Projektinitia- torInnen über das Filtern einzelner Eigenschaften passende Modelle für ihr spezielles Experiment identifizieren. 87 https://www.ptj.de/ueber-uns/aktuelles?news=news/modex 191 https://www.ptj.de/ueber-uns/aktuelles?news=news/modex 8 Wissenschaftliche Verwertung 8.4.6 Projekt demandRegio Das Projekt demandRegio (03ET4040)88 entwickelt ein einheitliches und transparen- tes Verfahren zur zeitlichen Auflösung und Regionalisierung von Strom- und Gas- nachfragen. Auf der Basis von verfügbaren Energiestatistiken werden Skalierungsfak- toren sowie Energiebedarfskenngrößen entwickelt, die eine räumliche Disaggregation sowie die Ermittlung aussagekräftiger zeitlicher Lastgänge erlauben. Kurz nach dem Projektbeginn wurde das in open_eGo erzeugte Datenmodell auf einem der Pro- jekttreffen vorgestellt und besprochen. Nach derzeitigem Kenntnisstand wird die regionale Verteilung des Energiebedarfs im Projekt als Datenergänzung bzw. -basis genutzt. Das Projekt plant seine Ergebnisse auf der OEP zum Endes des Projektes 2019/2020 zu veröffentlichen. 8.4.7 Projekt SimBench Das Ziel des Vorhabens SimBench89 ist die Entwicklung eines Benchmark-Daten- satzes für Lösungen im Bereich der Netzanalyse, Netzplanung und Netzbetriebsfüh- rung. Im Rahmen der von open_eGo ausgerichteten Workshops wurde sich inhalt- lich miteinander ausgetauscht. Im Zuge des Workshops auf dem Netzwerktreffen der Energiesystemanalyse möchte SimBench das Netzdatenmodell aus open_eGo für einen Vergleich des Benchmark-Datensatzes heranziehen. 8.4.8 Weitere externe Verwertung Im Bereich der Energiesystemanalyse des Fraunhofer-Institut für Solare Energie- systeme ISE wurde das Tool eTraGo im Zusammenhang mit dem entsprechenden Netzdatenmodell verwendet. Hierbei entstand eine Masterarbeit, die eine Abstim- mungskaskade zwischen Übertragungs- und Hochspannungsnetzbetreiber evaluiert und zu dem Ergebnis kommt, dass trotz lokaler Fehlabbildungen die grundsätzli- chen Zusammenhänge des realen Engpassmanagements hinreichend genau abbildet werden, um selbige zu simulieren (siehe [156]). Des Weiteren soll im Rahmen eines Auftragsprojektes des ISE das Optimierungstool eDisGo in die Softwareentwicklung für die Netzberechnung der Netzbetreiber integriert werden. Die Klärung bezüglich der Open-Source-Lizenz steht noch aus. 88https://www.ffe.de/themen-und-methoden/erzeugung-und-markt/735-demand-regio- harmonisierung-und-entwicklung-von-verfahren-zur-regionalen-und-zeitlichen- aufloesung-von-energienachfragen 89SimBench: https://www.simbench.de/de/willkommen 192 https://www.ffe.de/themen-und-methoden/erzeugung-und-markt/735-demand-regio-harmonisierung-und-entwicklung-von-verfahren-zur-regionalen-und-zeitlichen-aufloesung-von-energienachfragen https://www.ffe.de/themen-und-methoden/erzeugung-und-markt/735-demand-regio-harmonisierung-und-entwicklung-von-verfahren-zur-regionalen-und-zeitlichen-aufloesung-von-energienachfragen https://www.ffe.de/themen-und-methoden/erzeugung-und-markt/735-demand-regio-harmonisierung-und-entwicklung-von-verfahren-zur-regionalen-und-zeitlichen-aufloesung-von-energienachfragen https://www.simbench.de/de/willkommen 8.4 Projektexterne Verwertung Die Forschungsgruppe der theoretischen Physik von Herrn Prof. Dr. Maass an der Universität Osnabrück arbeitet daran, dass Netzmodell der HöS- HS-Ebene für ih- re Forschung zu verwenden. Im Rahmen einer Masterarbeit wurde mit Hilfe eines Monte-Carlo Ansatzes der Einfluss von sekündlich variierendenWindgeschwindigkei- ten auf die Netzauslastung bewertet. Dieser Ansatz wird derzeit weiter entwickelt. Die Zürcher Hochschule für Angewandte Wissenschaften (ZHAW)90 hat eine Aus- schreibung zur Anwendung der eGo-Tools für die Schweiz ausgeschrieben. Es ist geplant die Methoden aus dem eGo data processing und die Erstellung von syn- thetischen MS-Netzen mit ding0 auf der Schweizer Datenbasis anzuwenden. Titel der Ausschreibung ist: „Abschätzung der Schweizer Verteilnetzstruktur auf Basis von freien Geodaten“91 und ist in Absprache mit den Projektbeteiligten entwickelt worden. Des Weiteren haben mehrere Studenten der Europa-Universität Flensburg in Ko- operationen mit Firmen wie bspw. Greenpeace Energy, Nordgröön oder Arge Netz Masterarbeiten mit Hilfe des Tools eTraGo angefertigt (z.B. [152, 53]). Diese Firmen konnten so für sie relevante Fragestellungen bearbeiten und beantworten. 90https://www.zhaw.ch/de/hochschule/ 91https://www.zhaw.ch/storage/sml/institute-zentren/cee/upload/Abscha%CC%88tzung_ der_Schweizer_Verteilnetzstruktur_auf_Basis_von_freien_Geodaten.pdf 193 https://www.zhaw.ch/de/hochschule/ https://www.zhaw.ch/storage/sml/institute-zentren/cee/upload/Abscha%CC%88tzung_der_Schweizer_Verteilnetzstruktur_auf_Basis_von_freien_Geodaten.pdf https://www.zhaw.ch/storage/sml/institute-zentren/cee/upload/Abscha%CC%88tzung_der_Schweizer_Verteilnetzstruktur_auf_Basis_von_freien_Geodaten.pdf 9 Fazit Das Ziel des Projekts bestand darin, ein transparentes, netzebenenübergreifendes Planungsinstruments auszuarbeiten, welches volkswirtschaftlich optimalen Netz- und Speicherausbau für Deutschland bestimmen kann und im Zusammenspiel mit einer offenen Energiesystemmodellierungsplattform fungiert. Sowohl das Planungsinstru- ment als auch die Plattform konnten samt ihrer innovativen Elemente erfolgreich ent- wickelt werden. Die um das Netzplanungsinstrument eGo herum geschaffene Open- Source-Tool-Landschaft kann alle Spannungsebenen in Deutschland modellieren, die grundsätzlichen Funktionsweisen des Strommarktes unter Berücksichtigung des phy- sikalischen AC-Lastflussverhaltens simulieren und gleichzeitig Netz- und Speicher- ausbau integriert optimieren. Darüber hinaus ermöglicht die im Projekt entwickelte OEP eine systematisierte, modellübergreifende Nutzung offener Energiedaten. In der Energiesystemmodellierung werden eine Reihe an Informationen und Annah- men benötigt. Mit zunehmender Leistungsfähigkeit der Modelle steigt auch die Kom- plexität der verwendeten Daten. Insbesondere für die Speicherung und Bearbeitung großer Datenmengen und deren Georeferenzierung stellen Postgres-Datenbanken mit PostGIS-Erweiterung eine geeignete Technologie dar. Mit der OEDB wurde eine ebensolche Datenbank aufgesetzt. Es wurden Qualitätskriterien in Form von json- Metadaten sowie eine Schema- und Tabellenstruktur entwickelt, die die Nutzung durch eine Vielzahl von AnwenderInnen erleichtert. Die Daten der OEDB benötigen gute Datenschnittstellen, um eine einfache und doch flexible Verfügbarkeit sowie Sicherheit und Konsistenz der Daten zu gewährleisten. Mit der API der OEP wur- de hier eine funktionale Lösung entwickelt. Entsprechend kann die sehr heterogene Landschaft der Energiesystemmodellierung mit der Wiederverwendung, Weiterent- wicklung und Ergänzung der entstandenen Infrastruktur und Energiedaten Syner- gien schaffen. Die Erstellung der offenen Datengrundlage für die Verwendung innerhalb der Netz- planungsinstrumente machte einen wesentlichen Bestandteil des Projektes aus. Das geschaffene Datenmodell umfasst offene Netzmodelle für die HöS- und HS- sowie MS- und NS-Ebene. Grundlegend basieren diese Netzmodelle auf einer geografisch hochaufgelösten Verteilung von Erzeugung und Verbrauch. Darüber hin- aus weisen diese Erzeuger und Verbraucher ein stündlich variierendes Verhalten in- nerhalb verschiedener Szenariojahre auf. Drei wesentliche Szenarien wurden entwi- 195 9 Fazit ckelt, die in erster Linie den gegenwärtigen (Status Quo-Szenario) und zukünftigen (NEP 2035 - und eGo 100 -Szenario) Kraftwerkspark darstellen. Die Netztopologie der HöS- und HS-Ebene wird im Wesentlichen aus OSM -Daten mittels des Tools osmTGmod erstellt. Mit Hilfe von Annahmen zu den elektrischen Eigenschaften der Betriebsmittel und einer Zuordnungsmethode von Verbrauch und Erzeugung zu adequaten Netzverknüpfungspunkten wird ein Netzmodell geschaffen, welches als Basis für wirtschaftliche Optimierungen als auch lineare und nicht-lineare AC- Lastflussberechnungen dient. Dieses Modell umfasst die Gesamtheit des Verbrauchs und der Erzeugung. Ein- bzw. Ausspeiser der unteren Spannungsebenen sind als Aggregate an der HS-Ebene angeschlossen. Zur Abbildung der MS- und NS-Netztopologien wurde aufgrund mangelnder Da- tenlage (u.a. der OSM -Daten) das Tool ding0 zur synthetischen Generierung der Netztopologien erstellt. ding0 ist in der Lage, ländliche und suburbane Netzstruktu- ren, welche den örtlichen Verbrauchs- und Erzeugungsgegebenheiten angepasst sind, zu generieren. Hierfür wird bezüglich der MS-Netztopologien im Wesentlichen ein Routing Algorithmus verwendet, während im Falle der NS-Netze Referenznetze die Grundlage bilden. Mit Hilfe der Netzmodelle können die entwickelten Netzplanungsinstrumente um- fangreiche Simulations- und Optimierungsrechnungen zur Beantwortung diverser Fragestellungen anstellen. Das Tool eTraGo zur Optimierung von Netz- und Spei- cherausbau auf HöS- und HS-Ebene verwendet im Kern das ebenfalls offene Tool PyPSA. Hier finden insbesondere der LOPF als auch nicht-lineare Lastflussberech- nungen Anwendung. Unter Berücksichtigung technischer Nebenbedingungen wer- den sowohl der Kraftwerkseinsatz als auch Investitionsentscheidungen (Netz und Speicher) kostenminimal bestimmt und resultierende Wirk- und Blindleistungsflüs- se modelliert. Räumliche und zeitliche Komplexitätsreduktionsmethoden erlauben umfassende Optimierungsrechnungen in diversen Auflösungen und Rechenzeiten. Mit Hilfe des Tools wurden im Rahmen des Projektes eine Reihe an Fragestellungen untersucht, wie bspw. die Relevanz der Integration der HS-Ebene in die Systemop- timierung und der optimale Netz- und Speicherausbau. Bezüglich der Integration der HS-Ebene in die Optimierung des Übertragungsnetzes hat sich gezeigt, dass dieser innovative Ansatz zu einer Berücksichtigung von mehr relevanten Netzeng- pässen führt. Dieser Effekt nimmt bei einer zukünftigen dezentraleren Gestaltung des Kraftwerksparks zu. Eine Missachtung der HS-Ebene führt damit tendenziell zu einer Unterschätzung der Kosten und einer Überschätzung des Speicherausbaupo- tenzials. Die Untersuchungen zum optimalen Netz- und Speicherausbau liefern für das NEP 2035 -Szenario einen moderaten Netzausbau von 89GVA und keinen nennenswer- 196 ten Speicherausbau als optimale Konstellation. Der noch vorhandene konventionelle Kraftwerkspark in diesem Szenario in Kombination mit der Möglichkeit Abregelung von EE-Anlagen uneingeschränkt zuzulassen, lässt weiter reichende Investitionen in Speicher und Netz nicht wirtschaftlich erscheinen. Im eGo 100 -Szenario werden da- gegen 14GW Speicherausbau benötigt sowie ein zusätzlicher Netzausbau von 28% (im Vergleich zum NEP 2035 -Szenario). In Abbildung 9.1(a) ist die räumliche Ver- teilung des Netz- und Speicherausbaus zusammenfassend für das eGo 100 -Szenario dargestellt. Es zeigt sich, dass Netzausbau vor allem im windreichen Nordwesten und auf den grenzüberschreitenden Leitungen stattfinden sollte. Speicher werden über- wiegend im windreichen Norden in Form von großen, zentralen Langzeitspeichern projektiert (81% des gesamten Speicherausbaus). Wenige größere Batteriespeicher stellen in den südlichen Grenzregionen volkswirtschaftlich sinnvolle Investitionen dar. Die entsprechenden Gesamt-Investitionskosten sind der Abbildung 9.2 zu ent- nehmen. Die Netzausbaukosten fallen für die HöS- und HS- Ebene im Vergleich zu den Veröffentlichungen des NEP und zu den berechneten MS-Kosten gering aus. Hierfür gibt es verschiedene kostensenkende Gründe. Es werden vor allem kürzere Leitungen ausgebaut und es wird kein Neubau von Trassen (insb. DC) zugelas- sen. Da DC-Kabel ein Vielfaches teurer sind als AC-Freileitungen und bis zu 52% der Investitionskosten des NEP ausmachen, entstehen durch den reinen Ausbau von AC-Freileitungen im Vergleich deutlich geringere Kosten. Darüber hinaus zeigen Ver- gleichsrechnungen zum NEP, dass insbesondere das Zulassen von EE-Abregelungen einen beachtlichen kostensenkenden Effekt hat. Die Speicherausbaukosten der HöS- und HS- Ebene haben dagegen im Rahmen eines vollständig von EEA versorgten Strombedarfs den größeren Anteil an den gesamten Investitionskosten. Dieses lang- fristig kombinierte Optimum aus Netz- und Speicherausbau zeigt die Richtung für eine sinnvolle zukünftige Gestaltung des Stromsystems auf. Mit dem Tool eDisGo kann Netzausbaubedarf unter Berücksichtigung der Fle- xibilitätsoptionen Abregelung und Speicherintegration für die MS- und NS-Ebene ermittelt werden. Dabei werden Vorgaben aus den darüberliegenden Netzebenen bezüglich der abzuregelnden Leistung sowie des Speichereinsatzes auf Basis entwi- ckelter Heuristiken möglichst kostenoptimal in Hinblick auf eine Verringerung des Netzausbaubedarfs eingesetzt. Durch Vergleiche der mit dem Tool errechneten Netz- ausbaukosten mit denen anderer relevanter Studien konnte die Plausibilität der Er- gebnisse gezeigt werden. Die mit eDisGo im Falle konventioneller Netzausbauplanung ohne den Einsatz von Flexibilitätsoptionen ermittelten Netzausbaukosten, hier als Worst-Case-Kosten be- zeichnet, betragen im NEP 2035 -Szenario 14,9Mrd.EUR, wobei etwa 84% da- von auf die MS-Ebene entfallen. Für eine vollständig auf EE gestützte Stromver- sorgung Deutschlands im eGo 100 -Szenario werden Gesamtnetzausbaukosten von 197 9 Fazit 18,8Mrd.EUR ermittelt. In einem Anwendungsfall kann zudem gezeigt werden, dass die Netzausbaukosten mittels der entwickelten Heuristik zur spannungsbasierten Al- lokation von Abregelungsvorgaben gegenüber einer gleichmäßigen Abregelung der Anlagen, bei welcher der Netzzustand nicht berücksichtigt wird, um 14% reduziert werden können. = 3.1GW hydrogen storage = 0.5GW battery storage 10 50 100 150 200 250 300 lin e ex te ns io n re la tiv e to s_ no m in % (a) Netz- und Speicherausbau in der HöS- und HS-Ebene Storage size and line capacity = 300 kW battery storage = 10 MVA 0 135 270 405 540 675 810 945 1080 1215 1350 G ri d ex pa ns io n co st s in k E U R (b) Netzausbaukosten (von Leitungen und Ortsnetzstationen) und Speicherausbau für ein repräsentatives MS-Netz am Bo- densee. Abbildung 9.1: Räumliche Verteilung von Netz- und Speicherausbau im eGo 100 - Szenario. Die Integration der beiden Planungsinstrumente eTraGo und eDisGo liefert das Tool eGo. Dementsprechend stellt die Schnittstelle zwischen der HS- und MS-Ebene die wesentliche Funktion des Tools dar. Des Weiteren liefert eGo eine komplexitätsredu- zierende Methode zum Clustern von MS-Netzen, um ausgehend von der Berechnung repräsentativer Netze deutschlandweite Ergebnisse für alle MS- und NS-Netze abzu- leiten. Die als im (n-0)-Fall als isoliert angesehenen MS-Netze können entsprechend der verfügbaren Rechenkapazitäten parallelisiert werden. Auswertungen des konven- tionellen Netzausbaubedarfs ohne Flexibiltätsoptionen ergeben, dass ab einer Anzahl von 600 repräsentativen Netzen die Hochrechnungen nur noch äußerst geringe Feh- ler gegenüber einer vollständigen Berechnung aller 3.608 Netze aufweisen. Letztlich lassen sich Netz-, Speicherausbaukosten für alle Spannungsebenen bestimmen und auswerten. Bezüglich der eTraGo-seitigen Ergebnisse zum Netz- und Speicherausbau (siehe oben) lassen sich so konsistente Ergebnisse für die deutschlandweite MS- und NS- Ebene generieren. Entsprechend einer Cluster-Rechnung mit 600 repräsentativen MS-Netzen ergeben sich im NEP 2035 -Szenario in diesen beiden unteren Spannungs- ebenen entsprechende Netzausbaukosten von 9,9Mrd.EUR gegenüber den oben ge- 198 (HöS+HS, Netz) (HöS+HS, Speicher) (MS, Netz) (MS, Speicher) (MS/NS, Netz) (NS, Netz) Spannungsebene und Komponente 0 2 4 6 8 10 12 In v e st it io n sk o st e n ' o v e rn ig h t' i n M rd . E u ro Grenzüberschreitend Inländisch Ausländisch Abbildung 9.2: Netz- und Speicherausbaukosten für alle Spannungsebenen für das Szenario eGo 100 (MS-Clustering mit 600 repräsentativen MS- Netzen). Die Speicherausbaukosten von 14 Mio.EUR in der MS- Ebene sind nicht erkennbar. nannten Worst-Case-Kosten von 14,9Mrd.EUR. Im eGo 100 -Szenario steigen diese Kosten um 25%. Die entsprechenden Kosten, aufgeschlüsselt je Spannungsebene, sind in der Abbildung 9.2 zusammengefasst. Der Speicherausbau auf der MS-Ebene beläuft sich mit 14Mio.EUR im vergleichsweise marginalen Bereich, senkt allerdings in den Netzen in denen entsprechend der übergelagerten Ebene die Möglichkeit Spei- cher in der MS-Ebene zu installieren besteht, die Netzausbaukosten im Mittel um 22%. Die räumliche Verteilung des Netz- und Speicherausbaus eines dieser MS-Netze ist in Abbildung 9.1(b) dargestellt. Die hohe Komplexität der entwickelten Open-Source- und Open-Data-Modelle bein- haltet eine Vielzahl von sensitiven Annahmen und möglichen Fehlerquellen. Die Annahmen, Methoden und Ergebnisse wurden auf ihre Plausibilität geprüft und ve- rifiziert. Allerdings war, aufgrund der größtenteils fehlenden Verfügbarkeit valider bzw. offizieller offener Daten-Modelle (insbesondere im Bereich der Netzmodelle), eine umfassende Validierung nicht möglich. Einige, wenn auch sinnvolle Annah- men, können großen Einfluss die Ergebnisse haben. Bspw. trägt die Verwendung von Korrekturfaktoren im Bereich der Wetterzeitreihen zu der signifikanten Kosten- einsparung von bis zu 54% bei. Das heißt, die Einsparung kann nicht alleinig auf die Berücksichtigung von Zeitreihen im Gegensatz zu der Verwendung von Worst- Case-Betrachtungen auf Basis von Gleichzeitigkeitsannahmen zurückgeführt werden 199 9 Fazit und erschwert so das Ableiten von eindeutigen Schlussfolgerungen. Darüber hinaus führt die hohe Komplexität der Modelle zu derartig großen Optimierungsproblemen, sodass diese nicht in sinnvollen Rechenzeiten lösbar sind. Dieser Problematik wur- de mit einer Vielzahl von komplexitätsreduzierenden Maßnahmen begegnet. Diese Clusteringmethoden ermöglichen das Generieren von Ergebnissen auf Kosten der Qualität und räumlichen und zeitlichen Detailschärfe. Zusammenfassend lässt sicht konstatieren, dass sowohl der netzebenenübergreifen- de Ansatz als auch die integrierte Optimierung von Netz- und Speicherausbau im Sinne einer kostengünstigen Gestaltung des zukünftigen Energiesystems wichtige Modellierungsansätze darstellen. Hierbei führt der offene Ansatz zu einer möglichen gesamtgesellschaftlichen Verwertung und Weiterentwicklung welche letztlich zu einer größeren Akzeptanz der Energiewende führen kann. 200 10 Ausblick Um eine zukünftige Nutzung der OEP-Daten für interessierte Akteure aus Wissen- schaft, Wirtschaft, Gesellschaft und Politik zu vereinfachen, müssen die Daten so repräsentiert werden, dass der Nutzen (beispielsweise Stromerzeugungsdaten) und die Charakterisierung (zeit- und räumliche Auflösung, Erstellungsdatum etc.) un- mittelbar und für jeden verständlich hervorgeht. Das Ziel ist eine frei verfügbare und explizite Datenform, die für interessierte Akteure abruf- und nutzbar ist. Neben der entwickelten OEP sind während der Projektlaufzeit weitereOpen-Data- Plattformen zum Austausch in der Energieforschung entstanden (energydata.info92, energypedia93, enipedia94, open energy modelling initiative (openmod)95, Energy Charts96, Energy Transition Model (ETM)97). Diese Plattformen unterscheiden sich hauptsächlich im Sinne der Datenschnittstelle, Versionierung und Verfügbarkeit von Szenariendaten von der OEP, wohingegen einige Aspekte wie die Auswertung und Darstellung von Daten oder interaktive Analyse-, Such- und Simulationsanwendun- gen mögliche Weiterentwicklungen der OEP darstellen. Zusätzlich zur Entstehung zahlreicher Plattformen sind während der Projektlauf- zeit eine Vielzahl an Open-Source-Modellen entstanden. Das Tool PyPSA gehört bspw. dazu und wurde in den im Projekt entwickelten Tools synergetisch genutzt. Im Rahmen des BMWi-Förderaufrufs MODEX werden viele dieser Modelle methodisch verglichen. Die Vergleichbarkeit, gegenseitige Weiterentwicklung und Integration von Modellen stellen weiteren Forschungsbedarf dar. Alle in diesem Projekt entwickel- ten Datenmodelle und Tools sind aufgrund ihres offenen Charakters für eben diese zukünftige Weiterentwicklung und weitere wissenschaftliche, wirtschaftliche und öf- fentliche Verwertung geeignet. Der Mehrwert durch den netzebenenübergreifenden Ansatz von open_eGo ist in weiteren Forschungsprojekten bzw. wissenschaftlichen Arbeiten detailliert zu un- tersuchen. Des Weiteren sollten die entwickelten Tools und Datenmodelle durch 92https://https://energydata.info 93https://energypedia.info 94http://enipedia.tudelft.nl 95https://wiki.openmod-initiative.org 96https://www.energy-charts.de 97https://pro.energytransitionmodel.com 201 https://https://energydata.info https://energypedia.info http://enipedia.tudelft.nl https://wiki.openmod-initiative.org https://www.energy-charts.de https://pro.energytransitionmodel.com 10 Ausblick Interessengruppen aus der Wirtschaft, Politik und Regulierung zur Beantwortung von Fragestellungen genutzt und weiterentwickelt werden. Berechnungen durch das Tool eTraGo haben ergeben, dass vergleichsweise geringe Netzausbaukosten in der HöS- und HS-Ebene möglich sind. Dieses Optimierungser- gebnis sollte weiterhin auf seine Belastbarkeit hin überprüft werden. Insgesamt wäre in diesem Zusammenhang eine transparentere Netzausbauplanung hilfreich, um die entstandenen Ergebnisse einfach und ebenfalls transparent vergleichen zu können. Eine größere Diversität an unabhängigen Untersuchungen könnte die Bestimmung von optimalen und validen Lösungen zur Folge haben. Methodisch sind viele sinnvolle Erweiterungen denkbar. Der Ansatz der integrierten Optimierung von Netz- und Speicherausbau könnte durch die Optimierungsvariable Kraftwerksparkausbau ergänzt werden (siehe z.B. auch [157, 158, 115]). Hierbei ist neben der inhaltlichen Kontroverse dann die zunehmende Komplexität zu beachten, die sich auf den möglichen zeitlichen bzw. räumlichen Detaillierungsgrad auswirkt. Weitere interessante Aspekte wären die Berücksichtigung zusätzlicher elektrischer Flexibilitäten, wie Demand-Side-Management, Freileitungs- oder Auslastungsmoni- toring. Letzteres stünde im Zusammenhang mit einer möglichen Erweiterung hin zu der Nutzung eines Security-Constrained Linear Optimal Power Flow (SCLOPF) zur besseren Berücksichtigung der (n-1)-Sicherheit. Auch bezüglich des Tools eDisGo ist die Berücksichtigung weiterer Flexibilitäten relevant, um umfänglichere Analysen für zukünftig sinnvolle Entwicklungen der Ver- teilnetze durchführen zu können. Insbesondere sind hier Konzepte zur Einhaltung des Spannungsbandes zu nennen, wie bspw. regelbare Ortsnetzstationen und die Beteiligung dezentraler Anlagen an der statischen Spannungshaltung durch Blind- leistungsbereitstellung, aber auch das mögliche Flexibilitätspotenzial durch netz- dienlichen Einsatz stationärer und mobiler dezentraler Speicher. Weitere sinnvolle Erweiterungen sind zudem die integrierte Betrachtung der Span- nungsabfälle in der MS und NS, um das zur Verfügung stehende Spannungsband von ± 10% bedarfsgerecht aufteilen zu können, sowie, speziell bei einer Integrati- on weiterer Flexibilitätsoptionen, eine gemeinsame Optimierung des Einsatzes der Flexibilitäten anstelle des derzeitigen seriellen Einsatzes. Letzteres könnte mögli- cherweise auch in Hinblick auf die Rechenzeit Vorteile bringen, da die verwendeten heuristischen Ansätze derzeit zu teilweise sehr langen Rechenzeiten führen. Dies- bezüglich ist zukünftig auch zu prüfen, inwieweit Rechenzeiteinsparungen bereits durch eine Optimierung des Codes realisiert werden können. Das Tool eGo weist insbesondere im Bereich der Schnittstelle Verbesserungspoten- tial auf. Bezüglich der Disaggregation gibt es bereits Ansätze das Verfahren durch 202 eine Vielzahl von kleinen LOPF zu lösen. Hier ist einerseits die Vermaschung der HS-Ebene problematisch und andererseits eine Verschlechterung der Rechenzeiten zu erwarten. In jedem Fall sollte die bisherige Methodik in Zukunft weiter validiert werden und unter Umständen durch die Entwicklung von Heuristiken verbessert wer- den. Des Weiteren sollte das Clustering der MS-Netze bezüglich der Auswahl von besonders anormalen Netzen optimiert werden. Entsprechend [149] sollte überprüft werden, ob die Verwendung eines k-medoid-Algorithmus zu besseren Nährungen führt. Für den Fall dass z.B. diese anormalen Netze dazu führen, dass eDisGo kei- ne lösbaren Ergebnisse generieren kann, wäre es denkbar, in Zukunft den nächsten Nachbarn innerhalb des Clusters auszuwählen, um so eine lückenlosere Repräsen- tation zu erhalten. Ein weiteres zukünftiges Ziel in diesem Zusammenhang ist, den Modellierungsfehler bei der Berechnung weniger repräsentativer Netze zu reduzie- ren, und somit die Notwendigkeit von umfangreichen Rechenkapazitäten und -zeiten zu verringern. Das konsequente Top-Down-Verfahren zwischen eTraGo und eDisGo stellt einen sinnvollen und einfachen Modellierungsansatz dar. Allerdings sollte dieser in zukünf- tigen Bestrebungen hinterfragt werden und Rückkopplungen zwischen den untergela- gerten MS-Netzen und den übergeordneten Übetragungsnetzen stattfinden. So wäre es bspw. denkbar, dass sich der Speicherausbau auf andere MS-Netze verteilt und dies dem globalen Optimum zugute käme. Des Weiteren sollte in Zukunft geprüft werden, inwieweit Kosten für die Blindleistungskompensation berücksichtigt werden sollten. Im Rahmen der Nutzerfreundlichkeit ist bei den entwickelten Tools Ausbaupo- tential insbesondere bezüglich der nicht-wissenschaftlichen Nutzenden vorhanden. Hierbei wäre die Entwicklung von graphischen Nutzeroberflächen eine mögliche Be- reicherung. Auch die Entwicklung von Online-Anwendungen inkl. Live-Berechnung98 wären denkbar und könnten die Einstiegshürde für interessierte Dritte senken. Die Sensitivitätsanalyse in Kapitel 7.4.3 zeigt erste Tendenzen auf, welche Simu- lationsparameter sich stark auf die ermittelten Kosten des Netz- und Speicheraus- baus auswirken. Hierbei verändern sowohl methodische Umsetzungen wie die Cross- Border-Kapazitäten, mathematische Lösungsverfahren wie die cycles-Formulierung des linearen, optimalen Lastflusses als auch simulationsspezifische Einstellungen wie der Leistungsfaktor Cosphi im Tool eDisGo das Gesamtergebnis der Ausbaukosten. Durch die entwickelte Vielzahl an Simulations- und Einflussparametern werden de- taillierte Analysen zum Gegenstand zukünftiger wissenschaftlicher Untersuchungen. Diese zukünftige Bewertung der Robustheit und Sensitivität der Ergebnis- 98Für PyPSA wurde bereits eine erste kleine derartige Anwendung geschaffen (siehe https:// whobs.org/) 203 https://whobs.org/ https://whobs.org/ 10 Ausblick se ist insbesondere im Zusammenhang mit belastbaren Handlungsempfehlungen für den weiteren Planungsprozess von Netz- und Speicherausbau in Deutschland und Europa von entscheidender Bedeutung. Des Weiteren zeigen die im Projekt durchgeführten Berechnungen über alle Net- zebenen in hochaufgelösten Netzmodellen den Bedarf an Komplexitätsreduktionen auf. Dieser Bedarf betrifft weite Bereiche der Energiesystemmodellierung (siehe auch [115, 159]). Das maßgebliche Kriterium für die Komplexitätsreduktion ist die Er- haltung einer ausreichenden Simulationsgenauigkeit, dessen Abschätzung mit einer Validierung des Datenmodells einhergeht. Sowohl die Weiterentwicklung von Komplexitätsreduktionsmethoden als auch die Validierung der Datenmodelle stellen wichtige zukünftige Forschungsaufgaben dar. Ein zeitliches Clusteringverfahren zu implementieren, welches intertemporäre Ab- hängigkeiten (wie in [118]) und Extremstunden sinnvoll modelliert, hat neben der Verbesserung der räumlichen Clustermethoden eine hohe Priorität. Die zeitliche Komplexitätsreduktion bekommt auch dann eine größere Bedeutung, wenn zukünftig mehrere Wetterjahre zusammen mit der Betrachtung sich ändernder Verbrauchss- trukturen einbezogen werden. Bezüglich der Wetterjahre haben die Ergebnisse auch gezeigt, dass die Wetterdaten verbessert werden sollten bzw. die Korrektur in einer Weise vorgenommen werden sollte, die extreme Wettersituationen weiterhin abbil- det. Auch wäre es interessant, das Bottom-Up-Verfahren zur Erstellung der Last- zeitreihen mittels Curve Fitting so zu modifizieren, dass der globale entso-e-Lastgang besser angenähert wird. Die Validierung der offenen Netzmodelle stellt eine große zukünftige Herausforde- rung dar. Hier müssen die schon verfügbaren Quellen weiter für Vergleiche genutzt und Fragen der Lizenzierung geklärt werden. Bezüglich der Verwendung von OSM - Daten sollten Verbesserungen in den entstandenen Netzmodellen zurückgespielt wer- den, um die ursprüngliche Datenbasis nachhaltig zu verbessern und auch für andere Modelle nutzbar zu machen. Auch neue Komponenten, wie bspw. Phasenschieber, die großen Einfluss auf die grenzüberschreitenden Flüsse haben, könnten in Zukunft integriert werden. Bezüglich der Modellierung des Auslands weisen die Ergebnis- se auch darauf hin, dass hier zum einen eine Berücksichtigung der intra-regionalen Netzengpässe sowie weiterer europäischer Staaten eine wichtige Rolle spielen könn- ten. Diese ausländischen Zusammenhänge sollten in Zukunft verstärkt untersucht und ggfs. ins Modell integriert werden. Die MS- und NS-Netze betreffend sollte das Tool ding0 in Zukunft auch urbane Netzstrukturen generieren können, da diese im Kontext der Einbindung weiterer Sektoren wie Elektromobilität eine zentrale Rolle einnehmen werden. 204 Neben den erwähnten stringenten Weiterentwicklungen in der Forschungsrichtung des Projekts, gibt es darüber hinaus Bestrebungen, das Stromsystem um die Berück- sichtigung weiterer Energiesektoren wie Wärme und Mobilität zu erweitern. Dieser sektorübergreifende Ansatz birgt großes Potenzial für die Erreichung der Klima- ziele und einer erfolgreichen ganzheitlichen Energiewende [160]. Die Potenzialermitt- lungen dieser Kopplungen werden derzeit in verschiedenen wissenschaftlichen Ansät- zen untersucht (WindNODE99, Norddeutsche Energiewende New 4.0100, Flex20+ im Rahmen von Designetz101, P2X@BerlinAdlershof102, Interaktion EE-Strom, Wärme und Verkehr103, Multi-Sektor-Kopplung (MuSeKo)104, IntegraNET105 oder Swarm- Grid106). Eine Open-Source-Anwendung zur netzebenen- und sektorenübergreifen- den Simulation und Optimierung des Gesamtsystems stellt eine äußerst sinnvolle zukünftige Weiterentwicklung von open_eGo dar. 99http://www.windnode.de/ 100https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=verteilnetze% 20sektorkopplung&id=24576354 101https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=sektorkopplung&id= 24574213 102http://www.power-to-heat.eu/forschung/p2hberlinadlershof/ 103https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&id=2984436&q=0325444&m=1 104http://www.dlr.de/tt/desktopdefault.aspx/tabid-2885/4422_read-47514/ 105https://www.prozesswaerme.net/fileadmin/Prozesswaerme/Dateien_Redaktion/Forschung_ aktuell/gwi_2017_01_Forschung_aktuell_GWI.pdf 106http://www.ifht.rwth-aachen.de/projektstart-swarmgrid-sicherer-betrieb-von- energienetzen-durch-nutzerschwarm-systemdienstleistungen/ 205 http://www.windnode.de/ https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=verteilnetze%20sektorkopplung&id=24576354 https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=verteilnetze%20sektorkopplung&id=24576354 https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=sektorkopplung&id=24574213 https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&q=sektorkopplung&id=24574213 http://www.power-to-heat.eu/forschung/p2hberlinadlershof/ https://www.enargus.de/pub/bscw.cgi/?op=enargus.eps2&v=10&id=2984436&q=0325444&m=1 http://www.dlr.de/tt/desktopdefault.aspx/tabid-2885/4422_read-47514/ https://www.prozesswaerme.net/fileadmin/Prozesswaerme/Dateien_Redaktion/Forschung_aktuell/gwi_2017_01_Forschung_aktuell_GWI.pdf https://www.prozesswaerme.net/fileadmin/Prozesswaerme/Dateien_Redaktion/Forschung_aktuell/gwi_2017_01_Forschung_aktuell_GWI.pdf http://www.ifht.rwth-aachen.de/projektstart-swarmgrid-sicherer-betrieb-von-energienetzen-durch-nutzerschwarm-systemdienstleistungen/ http://www.ifht.rwth-aachen.de/projektstart-swarmgrid-sicherer-betrieb-von-energienetzen-durch-nutzerschwarm-systemdienstleistungen/ Literaturverzeichnis [1] Hülk L, Wienholt L, Cußmann I, Müller U P, Matke C and Koetter E 2017 Allocation of annual electricity consumption and power generation capacities across multi voltage levels in a high spatial resolution International Journal of Sustainable Energy Planning and Management 13 79–92 URL https://doi. org/10.5278/ijsepm.2017.13.6 [2] Müller U, Wienholt L, Kleinhans D, Cussmann I, Bunke W D, Pleßmann G and Wendiggensen J 2018 The eGo grid model: An open source approach towards a model of German high and extra-high voltage power grids SciGRID International Conference on Power Grid Modelling URL https://doi.org/ 10.1088/1742-6596/977/1/012003 [3] 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH, TransnetBW GmbH (ÜNB) 2015 Netzentwicklungsplan Strom 2025, Version 2015 – Erster Entwurf der Übertragungsnetzbetreiber Tech. rep. Die vier deutschen Übertragungsnetzbetreiber URL https: //www.netzentwicklungsplan.de/sites/default/files/paragraphs- files/NEP_2025_1_Entwurf_Teil1_0.pdf [4] Agricola A C, Höflich B, Richard P, Völker J, Rehtanz C, Greve M, Gwisdorf B, Kays J, Noll T, Schwippe J, Seack A, Teuwsen J, Brune- kreeft G, Meyer R and Liebert V 2012 Ausbau- und Innovationsbedarf der Stromverteilnetze in Deutschland bis 2030 (kurz: dena-Verteilnetzstudie): Endbericht Tech. rep. Deutsche Energie-Agentur GmbH Berlin URL https://shop.dena.de/fileadmin/denashop/media/Downloads_Dateien/ esd/9100_dena-Verteilnetzstudie_Abschlussbericht.pdf [5] Büchner J, Katzfey J, Flörcken O and Moser A 2014 Moderne Verteilernet- ze für Deutschland (Verteilernetzstudie) Tech. rep. E-Bridge, IAEW, OF- FIS URL http://www.bmwi.de/Redaktion/DE/Publikationen/Studien/ verteilernetzstudie.html [6] Wiese F, Bökenkamp G, Wingenbach C and Hohmeyer O 2014 An open source energy system simulation model as an instrument for public participation in the development of strategies for a sustainable future Wiley Interdisciplinary 207 https://doi.org/10.5278/ijsepm.2017.13.6 https://doi.org/10.5278/ijsepm.2017.13.6 https://doi.org/10.1088/1742-6596/977/1/012003 https://doi.org/10.1088/1742-6596/977/1/012003 https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/NEP_2025_1_Entwurf_Teil1_0.pdf https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/NEP_2025_1_Entwurf_Teil1_0.pdf https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/NEP_2025_1_Entwurf_Teil1_0.pdf https://shop.dena.de/fileadmin/denashop/media/Downloads_Dateien/esd/9100_dena-Verteilnetzstudie_Abschlussbericht.pdf https://shop.dena.de/fileadmin/denashop/media/Downloads_Dateien/esd/9100_dena-Verteilnetzstudie_Abschlussbericht.pdf http://www.bmwi.de/Redaktion/DE/Publikationen/Studien/verteilernetzstudie.html http://www.bmwi.de/Redaktion/DE/Publikationen/Studien/verteilernetzstudie.html Literaturverzeichnis Reviews: Energy and Environment 3 490–504 ISSN 20418396 URL https: //doi.org/10.1002/wene.109 [7] Kaldemeyer C, Söthe M, Hilpert S and Wingenbach C 2017 (Fl)ensburg (En)ergy (S)cenarios - NEP Scenarios for 2014/2025/2035 URL https://osf. io/rz7fq/ [8] Gerbaulet C and Kunz F 2016 Data provided by Open Power System Data - Data Package Conventional power plants, version 2016-02-08. Primary data from BNetzA Kraftwerksliste, Umweltbundesamt Datenbank Kraftwerke in Deutschland URL http://open-power-system-data.org/ [9] Bunke W D 2016 Data provided by Open Power System Data - Data Package Renewable power plants, early version 2016-02-10. Primary data from BNetzA, BNetzA_PV, TransnetBW, TenneT, Amprion, 50Hertz, Netztransparenz.de, Postleitzahlen Deutschland, Energinet.dk, Energistyrelsen, GeoNames, French Ministery of the Environment, Energy and the Sea, OpenDataSoft, Urzad Regulacji Energetyki (URE) URL http://open-power-system-data.org/ [10] ENTSO-E 2015 Scenario Outlook & Adequacy Forecast (SO&AF) 2014-2030 Dataset Tech. rep. ENTSO-E – European Network of Transmission System Operators for Electricity URL www.entsoe.eu/publications/system- development-reports/adequacy-forecasts/soaf-2014-2030/Pages/ default.aspx [11] ENTSO-E e-Highway2050 Project Group 2015 e-HIGHWAY 2050 Modular Development Plan of the Pan-European Transmission System 2050 - database per country URL http://www.e-highway2050.eu/fileadmin/documents/ Results/e-Highway_database_per_country-08022016.xlsx [12] Wingenbach M 2018 Integration sozial-ökologischer Faktoren in die Energiesystemmodellierung - am Beispiel von Entwicklungspfaden für den Windenergieausbau in Deutschland Dissertation Europa-Universität Flensburg URL https://www.zhb-flensburg.de/fileadmin/content/ spezial-einrichtungen/zhb/dokumente/dissertationen/wingenbach/ wingenbach-dissertation.pdf [13] Bunke W D, Söthe M, Christ M and Kaldemeyer C 2017 (Fl)ensburg (En)ergy (S)cenarios - open_eGo Scenarios for 2014/2035/2050 URL https://osf.io/ bpf36/ [14] Bundesministerium für Wirtschaft und Energie BMWi 2017 Gesamtausgabe der Energiedaten - Datensammlung des BMWi (Sheet 20) Tech. rep. Fe- deral Ministry for Economic Affairs and Energy URL http://www.bmwi.de/ Redaktion/DE/Artikel/Energie/energiedaten-gesamtausgabe.html 208 https://doi.org/10.1002/wene.109 https://doi.org/10.1002/wene.109 https://osf.io/rz7fq/ https://osf.io/rz7fq/ http://open-power-system-data.org/ http://open-power-system-data.org/ www.entsoe.eu/publications/system-development-reports/adequacy-forecasts/soaf-2014-2030/Pages/default.aspx www.entsoe.eu/publications/system-development-reports/adequacy-forecasts/soaf-2014-2030/Pages/default.aspx www.entsoe.eu/publications/system-development-reports/adequacy-forecasts/soaf-2014-2030/Pages/default.aspx http://www.e-highway2050.eu/fileadmin/documents/Results/e-Highway_database_per_country-08022016.xlsx http://www.e-highway2050.eu/fileadmin/documents/Results/e-Highway_database_per_country-08022016.xlsx https://www.zhb-flensburg.de/fileadmin/content/spezial-einrichtungen/zhb/dokumente/dissertationen/wingenbach/wingenbach-dissertation.pdf https://www.zhb-flensburg.de/fileadmin/content/spezial-einrichtungen/zhb/dokumente/dissertationen/wingenbach/wingenbach-dissertation.pdf https://www.zhb-flensburg.de/fileadmin/content/spezial-einrichtungen/zhb/dokumente/dissertationen/wingenbach/wingenbach-dissertation.pdf https://osf.io/bpf36/ https://osf.io/bpf36/ http://www.bmwi.de/Redaktion/DE/Artikel/Energie/energiedaten-gesamtausgabe.html http://www.bmwi.de/Redaktion/DE/Artikel/Energie/energiedaten-gesamtausgabe.html Literaturverzeichnis [15] acatech Deutsche Akademie der Technikwissenschaften 2015 Flexi- bilitätskonzepte für die Stromversorgung 2050: Technologien – Sze- narien – Systemzusammenhänge URL http://www.acatech.de/ Publikation/flexibilitaetskonzepte-fuer-die-stromversorgung- 2050-technologien-szenarien-systemzusammenhaenge/ [16] Consentec GmbH 2006 Untersuchung der Voraussetzungen und möglicher An- wendung analytischer Kostenmodelle in der deutschen Energiewirtschaft Tech. rep. URL https://www.bundesnetzagentur.de/SharedDocs/Downloads/ DE/Sachgebiete/Energie/Unternehmen_Institutionen/Netzentgelte/ Anreizregulierung/GA_AnalytischeKostenmodelle.pdf [17] Fürsch M, Hagspiel S, Jägemann C, Nagl S, Lindenberger D and Tröster E 2013 The role of grid extensions in a cost-efficient transformation of the European electricity system until 2050 Applied Energy 104 642–652 [18] Ackermann T, Cherevatskiy S, Brown T, Eriksson R, Samadi A, Ghandhari M, Söder L, Lindenberger D, Jägemann C, Hagspiel S et al. 2013 Smart modeling of optimal integration of high penetration of pv-smooth pv Final Report for Smooth PV Project under PV ERA NET Call [19] Erlach B, Lunz B and Merzkirch M 2015 Energiespeicher Technologiesteckbrief zur Analyse Flexibilitaetskonzepte für die Stromversorgung 2050 Tech. rep. Acatech – Deutsche Akademie der Technikwissenschaften e.V. [20] Bundesministerium der Justiz und für Verbraucherschutz 2005 Stromnetzent- geltverordnung - StromNEV Anlage 1. Verordnung über die Entgelte für den Zugang zu Elektrizitätsversorgungsnetzen (Stromnetzentgeltverordnung - StromNEV) Anlage 1 (zu § 6 Abs. 5 Satz 1) Betriebsgewöhnliche Nut- zungsdauern. BGBl. I 2005, 2236 - 2237. URL https://www.gesetze-im- internet.de/stromnev/anlage_1.html [21] Bundesministerium der Justiz und für Verbraucherschutz 2005 Verordnung über die Entgelte für den Zugang zu Elektrizitätsversorgungsnetzen (Strom- netzentgeltverordnung - §27). URL http://www.gesetze-im-internet.de/ bundesrecht/stromnev/gesamt.pdf [22] OpenStreetMap Wiki contributors 2017 Editing Standards and Conventi- ons accessed 23 August 2017 URL http://wiki.openstreetmap.org/wiki/ Editing_Standards_and_Conventions [23] van Leeuwen T, Dierkes S, Verheggen L, Schuster H, Köhne F and Moser A 2014 Ermittlung von Transitflüssen im Hochspannungsnetz durch mehrere Ver- knüpfungspunkte mit dem Übertragungsnetz 13. Symposium Energieinnovati- 209 http://www.acatech.de/Publikation/flexibilitaetskonzepte-fuer-die-stromversorgung-2050-technologien-szenarien-systemzusammenhaenge/ http://www.acatech.de/Publikation/flexibilitaetskonzepte-fuer-die-stromversorgung-2050-technologien-szenarien-systemzusammenhaenge/ http://www.acatech.de/Publikation/flexibilitaetskonzepte-fuer-die-stromversorgung-2050-technologien-szenarien-systemzusammenhaenge/ https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/Netzentgelte/Anreizregulierung/GA_AnalytischeKostenmodelle.pdf https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/Netzentgelte/Anreizregulierung/GA_AnalytischeKostenmodelle.pdf https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/Netzentgelte/Anreizregulierung/GA_AnalytischeKostenmodelle.pdf https://www.gesetze-im-internet.de/stromnev/anlage_1.html https://www.gesetze-im-internet.de/stromnev/anlage_1.html http://www.gesetze-im-internet.de/bundesrecht/stromnev/gesamt.pdf http://www.gesetze-im-internet.de/bundesrecht/stromnev/gesamt.pdf http://wiki.openstreetmap.org/wiki/Editing_Standards_and_Conventions http://wiki.openstreetmap.org/wiki/Editing_Standards_and_Conventions Literaturverzeichnis on, 12.-14.2.2014, Graz/Austria URL https://www.tugraz.at/fileadmin/ user_upload/Events/Eninnov2014/files/-kf/KFvanLeeuwen.pdf [24] Müller U P, Cussmann I, Wingenbach C and Wendiggensen J 2016 AC Power Flow Simulations within an Open Data Model of a High Voltage Grid Advan- ces and New Trends in Envrionmental Informatics ed Wohlgemuth V, Fuchs- Kittowski F and Wittmann J (Springer International Publishing Switzerland) pp 181–191 [25] Bundesministerium der Justiz und für Verbraucherschutz 2005 Verord- nung über die Entgelte für den Zugang zu Elektrizitätsversorgungsnetzen (Stromnetzentgeltverordnung – StromNEV). URL https://www.gesetze- im-internet.de/stromnev/index.html [26] Forschungsgemeinschaft für Elektrische Anlagen und Stromwirtschaft e V 2008 Technischer Bericht 302, Ein Werkzeug zur Optimierung der Störungsbesei- tigung für Planung und Betrieb von Mittelspannungsnetzen Tech. rep. For- schungsgemeinschaft für Elektrische Anlagen und Stromwirtschaft e. V. [27] Sissimatos E 2005 Technik und Einsatz von hochtemperatur-supraleitenden Leistungstransformatoren Dissertation Universität Hannover [28] OpenStreetMap contributors 2017 OpenStreetMap accessed 23 August 2017 URL https://openegoproject.wordpress.com/ [29] Mei J, Goude Y, Hebrail G and Kong N 2016 Spatial estimation of electricity consumption using socio-demographic information Power and Energy Enginee- ring Conference (APPEEC), 2016 IEEE PES Asia-Pacific (IEEE) pp 753–757 [30] Statistisches Bundesamt (Destatis) 2016 Ergebnisse des Zensus 2011 - Bevölkerung im 100 Meter-Gitter Tech. rep. Statistisches Bundesamt URL https://www.zensus2011.de/SharedDocs/Aktuelles/Ergebnisse/ DemografischeGrunddaten.html [31] Länderarbeitskreis Energiebilanzen 2015 Energiebilanz der Länder URL http: //www.lak-energiebilanzen.de/laenderbilanzen/ [32] Leuthold F U 2009 Economic Engineering Modeling of Liberalized Electricity Markets: Approaches, Algorithms, and Applications in a European Context Dissertation Technischen Universität Dresden [33] Mackensen R 2011 Herausforderungen und Lösungen für eine regenerative Elektrizitätsversorgung Deutschlands Dissertation Universität Kassel 210 https://www.tugraz.at/fileadmin/user_upload/Events/Eninnov2014/files/-kf/KFvanLeeuwen.pdf https://www.tugraz.at/fileadmin/user_upload/Events/Eninnov2014/files/-kf/KFvanLeeuwen.pdf https://www.gesetze-im-internet.de/stromnev/index.html https://www.gesetze-im-internet.de/stromnev/index.html https://www.openstreetmap.org/ https://openegoproject.wordpress.com/ https://www.zensus2011.de/SharedDocs/Aktuelles/Ergebnisse/DemografischeGrunddaten.html https://www.zensus2011.de/SharedDocs/Aktuelles/Ergebnisse/DemografischeGrunddaten.html http://www.lak-energiebilanzen.de/laenderbilanzen/ http://www.lak-energiebilanzen.de/laenderbilanzen/ Literaturverzeichnis [34] Robinius M, Stein F T, Schwane A and Stolten D 2017 A Top-Down Spatially Resolved Electrical Load Model Energies 10 361 URL https://doi.org/10. 3390/en10030361 [35] Rathke C 2013 Entwicklung eines Modells für die integrierte Simulation der europäischen Übertragungsnetze und Strommärkte Dissertation Gottfried Wil- helm Leibniz Universität Hannover [36] Rendel T 2015 Erweiterung und Plausibilisierung eines Modells für die inte- grierte Simulation des europäischen Verbundnetzes und Strommarktes Disser- tation Gottfried Wilhelm Leibniz Universität Hannover [37] Andersen F M, Larsen H V, Juul N and Gaardestrup R B 2014 Differentiated long term projections of the hourly electricity consumption in local areas. The case of Denmark West Applied Energy 135 523–538 URL https://doi.org/ 10.1016/j.apenergy.2014.08.075 [38] Statistisches Bundesamt 2016 VGR der Länder - Bruttoinlandsprodukt / Bruttowertschöpfung in den Kreisen URL https://www.destatis.de/DE/ Publikationen/Thematisch/VolkswirtschaftlicheGesamtrechnungen/ AlteAusgaben/VGR_KreisergebnisseBand1Alt.html [39] Bundesnetzagentur 2015 Kraftwerksliste URL http:// www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ ElektrizitaetundGas/Unternehmen_Institutionen/ Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/ kraftwerksliste-node.html [40] Degel M, Christ M, Becker L, Grünert J and Wingenbach C 2016 Ver- Netzen – Sozial-ökologische und technisch-ökonomische Modellierung von Entwicklungspfaden der Energiewende Tech. rep. Europa-Universität Flensburg URL http://www.uni-flensburg.de/fileadmin/content/ abteilungen/industrial/dokumente/downloads/veroeffentlichungen/ forschungsergebnisse/vernetzen-2016-endbericht-online.pdf [41] EWE Netz 2013 Lastprofile URL http://www.ewe-netz.de/strom/1988.php [42] oemof developer group 2016 The oemof demandlib (oemof.demandlib) URL https://doi.org/10.5281/zenodo.438786 [43] Schachler B 2014 Bewertung des Einsatzes von Kraft-Wärme- Kopplungsanlagen hinsichtlich einem CO2-Emissionen bei wachsenden Anteil Erneuerbarer Energien Masterarbeit Technische Universität Berlin 211 https://doi.org/10.3390/en10030361 https://doi.org/10.3390/en10030361 https://doi.org/10.1016/j.apenergy.2014.08.075 https://doi.org/10.1016/j.apenergy.2014.08.075 https://www.destatis.de/DE/Publikationen/Thematisch/VolkswirtschaftlicheGesamtrechnungen/AlteAusgaben/VGR_KreisergebnisseBand1Alt.html https://www.destatis.de/DE/Publikationen/Thematisch/VolkswirtschaftlicheGesamtrechnungen/AlteAusgaben/VGR_KreisergebnisseBand1Alt.html https://www.destatis.de/DE/Publikationen/Thematisch/VolkswirtschaftlicheGesamtrechnungen/AlteAusgaben/VGR_KreisergebnisseBand1Alt.html http://www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html http://www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html http://www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html http://www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html http://www.bundesnetzagentur.de/cln_1911/DE/Sachgebiete/ElektrizitaetundGas/Unternehmen_Institutionen/Versorgungssicherheit/Erzeugungskapazitaeten/Kraftwerksliste/kraftwerksliste-node.html http://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/vernetzen-2016-endbericht-online.pdf http://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/vernetzen-2016-endbericht-online.pdf http://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/vernetzen-2016-endbericht-online.pdf http://www.ewe-netz.de/strom/1988.php https://doi.org/10.5281/zenodo.438786 Literaturverzeichnis [44] Knorr K, Zimmermann B, Kirchner D, Speckmann M, Spieckermann R, Wid- del M, Wunderlich M, Mackensen R, Rohrig K, Steinke F, Wolfrum P, Leve- ringhaus T, Lager T, Hofmann L, Filzek D, Göbel T, Kusserow B, Nicklaus L and Ritter P 2014 Kombikraftwerk 2 – Abschlussbericht [45] Geyer B and Rockel B 2013 coastDat-2 COSMO-CLM Atmospheric Recon- struction. World Data Center for Climate (WDCC) at DKRZ URL https: //doi.org/10.1594/WDCC/coastDat-2_COSMO-CLM [46] Geyer B 2014 High-resolution atmospheric reconstruction for Europe 1948- 2012: coastDat2 Earth System Science Data 6 147 [47] 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH, TransnetBW GmbH (ÜNB) 2014 Netzentwicklungsplan 2014. Zweiter Entwurf des Netzentwicklungsplans Strom der Übertragungsnetzbetrei- ber Tech. rep. Die vier deutschen Übertragungsnetzbetreiber URL http: //www.netzentwicklungsplan.de/sites/default/files/paragraphs- files/20141103_nep_2014_2_entwurf_teil1.pdf [48] 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH, TransnetBW GmbH (ÜNB) 2012 Netzentwicklungsplan 2012. Erster Ent- wurf des Netzentwicklungsplans Strom der Übertragungsnetzbetreiber Tech. rep. Die vier deutschen Übertragungsnetzbetreiber URL http: //www.netzentwicklungsplan.de/sites/default/files/paragraphs- files/nep_2012_1_entwurf_teil_1_kap_1_bis_8.pdf [49] Krien U and oemof developing group 2016 feedinlib – time series of pv or wind power plants URL https://github.com/oemof/feedinlib [50] Fraunhofer IEE 2018 Windmonitor (IEE): Marktanteile der wich- tigsten Offshore-Windenergieanlagenhersteller weltweit nach Zahl der Anlagen im Jahr 2016 Tech. rep. Fraunhofer Institut für Ener- giewirtschaft und Energiesystemtechnik (IEE) Kassel uRL http: //windmonitor.iee.fraunhofer.de/windmonitor_de/4_Offshore/2_ technik/4_anlagenhersteller_weltweit/ [51] Wirth H 2018 Aktuelle Fakten zur Photovoltaik in Deutschland URL www.pv- fakten.de [52] Wiese F 2015 renpass - Renewable Energy Pathways Simulation System - Open Source as an approach to meet challenges in energy modeling Dis- sertation Europa-Universität Flensburg URL http://www.reiner-lemoine- stiftung.de/pdf/dissertationen/Dissertation_Frauke_Wiese.pdf 212 https://doi.org/10.1594/WDCC/coastDat-2_COSMO-CLM https://doi.org/10.1594/WDCC/coastDat-2_COSMO-CLM http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/20141103_nep_2014_2_entwurf_teil1.pdf http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/20141103_nep_2014_2_entwurf_teil1.pdf http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/20141103_nep_2014_2_entwurf_teil1.pdf http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/nep_2012_1_entwurf_teil_1_kap_1_bis_8.pdf http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/nep_2012_1_entwurf_teil_1_kap_1_bis_8.pdf http://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/nep_2012_1_entwurf_teil_1_kap_1_bis_8.pdf https://github.com/oemof/feedinlib http://windmonitor.iee.fraunhofer.de/windmonitor_de/4_Offshore/2_technik/4_anlagenhersteller_weltweit/ http://windmonitor.iee.fraunhofer.de/windmonitor_de/4_Offshore/2_technik/4_anlagenhersteller_weltweit/ http://windmonitor.iee.fraunhofer.de/windmonitor_de/4_Offshore/2_technik/4_anlagenhersteller_weltweit/ www.pv-fakten.de www.pv-fakten.de http://www.reiner-lemoine-stiftung.de/pdf/dissertationen/Dissertation_Frauke_Wiese.pdf http://www.reiner-lemoine-stiftung.de/pdf/dissertationen/Dissertation_Frauke_Wiese.pdf Literaturverzeichnis [53] Hansen M 2018 Simulation von Einspeisemanagementeinsätzen in Schleswig- Holstein Masterarbeit Europa Universität Flensburg [54] ENTSO-E 2015 ENTSO-E Historical data (until December 2015) URL https: //www.entsoe.eu/data/data-portal/ [55] Matke C, Medjroubi W and Kleinhans D 2016 SciGRID - An Open Source Reference Model for the European Transmission Network (v0.2) URL http: //www.scigrid.de [56] Scharf M 2015 Entwicklung eines Modells des deutschen Übertragungsnetzes auf Basis der offenen Geodatenbank OpenStreetMap Bachelorarbeit Fachhoch- schule Flensburg [57] Büttner C 2018 Offene Modellierung des geplanten Leitungsausbaus in Deutschland Bachelorarbeit Hochschule Flensburg [58] Brakelmann H 2004 Netzverstärkungs-Trassen zur Übertragung von Win- denergie: Freileitung oder Kabel? URL http://www.ets.uni-duisburg- essen.de/download/public/Freileitung_Kabel.pdf [59] Schwab A 2012 Elektroenergiesysteme: Erzeugung, Transport,Übertragung und Verteilung elektrischer Energie (Springer-Verlag) [60] Flosdorff R and Hilgarth G 2005 Elektrische Energieverteilung 9th ed (Wies- baden: Vieweg+Teubner) [61] Brown T, Hörsch J and Schlachtberger D 2017 PyPSA - Python for Power System Analysis URL https://www.pypsa.org [62] Konstantin P 2009 Praxisbuch Energiewirtschaft: Energieumwandlung, - transport und -beschaffung im liberalisierten Markt (Springer Science & Busi- ness Media) [63] 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH, TransnetBW GmbH (ÜNB) 2015 Offshore-Netzentwicklungsplan 2025 (O-NEP 2025), Version 2015 – Erster Entwurf der Übertragungs- netzbetreiber Tech. rep. Die vier deutschen Übertragungsnetzbetrei- ber URL https://www.netzentwicklungsplan.de/sites/default/files/ paragraphs-files/ONEP_2025_1_Entwurf_Teil1.pdf [64] Bundesamt für Seeschifffahrt und Hydrographie 2017 Ostsee Offshore-Windparks Poilotgebiete URL https://www.bsh.de/DE/ THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Ostsee- OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 213 https://www.entsoe.eu/data/data-portal/ https://www.entsoe.eu/data/data-portal/ http://www.scigrid.de http://www.scigrid.de http://www.ets.uni-duisburg-essen.de/download/public/Freileitung_Kabel.pdf http://www.ets.uni-duisburg-essen.de/download/public/Freileitung_Kabel.pdf https://www.pypsa.org https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/ONEP_2025_1_Entwurf_Teil1.pdf https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-files/ONEP_2025_1_Entwurf_Teil1.pdf https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Ostsee-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Ostsee-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Ostsee-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 Literaturverzeichnis [65] Bundesamt für Seeschifffahrt und Hydrographie 2017 Nordsee Offshore-Windparks Pilotgebiete URL https://www.bsh.de/DE/ THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Nordsse- OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 [66] Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) 2015 Salz- strukturen in Norddeutschland URL https://produktcenter.bgr.de/ terraCatalog/DetailResult.do?fileIdentifier=338136ea-261a-4569- a2bf-92999d09bad2 [67] ACER/CEER 2016 Annual Report on the Results of Monitoring the Inter- nal Electricity Markets in 2015 Tech. rep. Agency for the Cooperation of Energy Regulators and the Council of European Energy Regulators URL http://www.acer.europa.eu/Official_documents/Acts_of_the_Agency/ Publication/ACER%20Market%20Monitoring%20Report%202015%20- %20ELECTRICITY.pdf [68] ABB 2018 Kontek - Zealand’s second international interconnection. URL https://new.abb.com/systems/hvdc/references/kontek [69] ABB 2018 Baltic Cable - An HVDC cable links Sweden with Germany. URL https://new.abb.com/systems/hvdc/references/baltic-cable [70] Forschungsstelle für Energiewirtschaft eV 2014 Kurzgutachten zum Kos- tenvergleich Stromtransport - Hybridnetz (Power-to-Gas) vs. HGÜ-Leitung URL https://www.ffe.de/attachments/article/527/Kurzgutachten_ Kostenvergleich%20Stromtransport.pdf [71] Vespermann M 2017 Entwicklung einer Methodik zur Betriebsmittel- Parametrisierung im Rahmen eines offenen Stromnetzmodells der Höchst- und Hochspannungsebene Deutschlands Masterarbeit Europa Universität Flens- burg [72] LEW Verteilnetz GmbH 2014 LVN Netzplan URL https://www.lew- verteilnetz.de/media/5655/netzplan.pdf [73] Medjroubi W, Müller U P, Scharf M, Matke C and Kleinhans D 2017 Open data in power grid modelling: New approaches towards transparent grid models Energy Reports 3 14–21 URL https://doi.org/10.1016/j.egyr.2016.12. 001 [74] Amme J, Pleßmann G, Bühler J, Hülk L, Kötter E and Schwaegerl P 2018 The ego grid model: An open-source and open-data based synthetic medium- voltage grid model for distribution power supply systems Journal of Phy- 214 https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Nordsse-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Nordsse-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 https://www.bsh.de/DE/THEMEN/Offshore/Nutzungskarten/_Anlagen/Downloads/Nordsse-OffshoreWindparksPilotgebiete.pdf?__blob=publicationFile&v=2 https://produktcenter.bgr.de/terraCatalog/DetailResult.do?fileIdentifier=338136ea-261a-4569-a2bf-92999d09bad2 https://produktcenter.bgr.de/terraCatalog/DetailResult.do?fileIdentifier=338136ea-261a-4569-a2bf-92999d09bad2 https://produktcenter.bgr.de/terraCatalog/DetailResult.do?fileIdentifier=338136ea-261a-4569-a2bf-92999d09bad2 http://www.acer.europa.eu/Official_documents/Acts_of_the_Agency/Publication/ACER%20Market%20Monitoring%20Report%202015%20-%20ELECTRICITY.pdf http://www.acer.europa.eu/Official_documents/Acts_of_the_Agency/Publication/ACER%20Market%20Monitoring%20Report%202015%20-%20ELECTRICITY.pdf http://www.acer.europa.eu/Official_documents/Acts_of_the_Agency/Publication/ACER%20Market%20Monitoring%20Report%202015%20-%20ELECTRICITY.pdf https://new.abb.com/systems/hvdc/references/kontek https://new.abb.com/systems/hvdc/references/baltic-cable https://www.ffe.de/attachments/article/527/Kurzgutachten_Kostenvergleich%20Stromtransport.pdf https://www.ffe.de/attachments/article/527/Kurzgutachten_Kostenvergleich%20Stromtransport.pdf https://www.lew-verteilnetz.de/media/5655/netzplan.pdf https://www.lew-verteilnetz.de/media/5655/netzplan.pdf https://doi.org/10.1016/j.egyr.2016.12.001 https://doi.org/10.1016/j.egyr.2016.12.001 Literaturverzeichnis sics: Conference Series 977 012007 URL http://stacks.iop.org/1742- 6596/977/i=1/a=012007 [75] Rui H, Arnold M and Wellssow W H 2012 Synthetic Medium Voltage Grids for the Assessment of Smart Grid Techniques 2012 3rd IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe) (Berlin: IEEE) pp 1–8 URL https://doi.org/10.1109/ISGTEurope.2012.6465639 [76] Pilo F et al. 2014 Benchmark Systems for Network Integration of Renewable and Distributed Energy Resources (Conseil international des grands réseaux électriques. Comité d’études C6) ISBN 9782858732708 [77] Kerber G 2011 Aufnahmefähigkeit von Niederspannungsverteilnetzen für die Einspeisung aus Photovoltaikkleinanlagen Dissertation Technische Universität München [78] Scheffler J 2002 Bestimmung der maximal zulässigen Netzanschlussleistung photovoltaischer Energiewandlungsanlagen in Wohnsiedlungsgebieten Disser- tation TU Chemnitz [79] Bretschneider P, Karstädt F and Flemming S 2014 Studie zu lokalen Energiespeicherbedarfen - Analyse und Prognose der Technologien und An- wendungsfelder thermischer und elektrischer Energiespeicher auf Nieder- und Mittelspannungsebene Tech. rep. ThEGA, Fraunhoger IOSB URL http:// www.thega.de/fileadmin/thega/pdf/projekte/energiespeicherstudie/ ThEGA-Studie_MSN-NSN-Speicherpotenziale.pdf [80] Energietechnische Gesellschaft, Arbeitskreis Sternpunktbehandlung in Netzen bis 110 kV, Deutschland 2012 Die aktuelle Situation der Sternpunktbehandlung in Netzen bis 110 kV (D-A-CH) : eine Bestandsaufnahme mit einer Zusam- menfassung der ETG-Umfrage STE 2010, Verfahren der Erdschlusskompensa- tion und selektiven Erdschlusserfassung ETG-Fachbericht (VDE-Verl.) ISBN 9783800734160 [81] Heuck K and Dettmann K D 2013 Elektrische Energieversorgung: Erzeu- gung, Transport und Verteilung Elektrischer Energie für Studium und Praxis (Springer-Verlag) [82] Tao X, Haubrich H J and Maurer C 2006 Automatisierte Grundsatzplanung für Mittelspannungsnetze ET. Energiewirtschaftliche Tagesfragen 56 8–11 [83] Strunz K et al. 2014 Planning and Optimization Methods for Active Distri- bution Systems (Conseil international des grands réseaux électriques. Comité d’études C6) 215 http://stacks.iop.org/1742-6596/977/i=1/a=012007 http://stacks.iop.org/1742-6596/977/i=1/a=012007 https://doi.org/10.1109/ISGTEurope.2012.6465639 http://www.thega.de/fileadmin/thega/pdf/projekte/energiespeicherstudie/ThEGA-Studie_MSN-NSN-Speicherpotenziale.pdf http://www.thega.de/fileadmin/thega/pdf/projekte/energiespeicherstudie/ThEGA-Studie_MSN-NSN-Speicherpotenziale.pdf http://www.thega.de/fileadmin/thega/pdf/projekte/energiespeicherstudie/ThEGA-Studie_MSN-NSN-Speicherpotenziale.pdf Literaturverzeichnis [84] Harnisch S, Steffens P, Thies H, Monscheidt J, Münch L, Böse C and Gems- jäger B 2016 Planungs- und Betriebsgrundsätze für ländliche Verteilungsnetze - Leitfaden zur Ausrichtung der Netze an ihren zukünftigen Anforderungen Tech. rep. Bergische Universität Wuppertal URL http://elpub.bib.uni- wuppertal.de/servlets/DerivateServlet/Derivate-5651/eaw0216.pdf [85] Clarke G and Wright J W 1964 Scheduling of Vehicles from a Central Depot to a Number of Delivery Points Operations Research 12 568–581 [86] Heuck K, Dettmann K D and Schulz D 2010 Elektrische Energieversorgung 8th ed (Wiesbaden: Vieweg+Teubner) [87] Boomgaarden C 2007 Dynamische Tourenplanung und -steuerung Dissertation Universität Passau [88] LEW Verteilnetz GmbH 2016 open_eGo workshop: Method and data basis for generation of medium- and low-voltage grids (private communication) [89] Bundesverband der Energie- und Wasserwirtschaft eV (BDEW) 2008 Tech- nische Richtlinie Erzeugungsanlagen am Mittelspannungsnetz - Richtlinie für Anschluss und Parallelbetrieb von Erzeugungsanlagen am Mittelspannungs- netz [90] German Institute for Standardisation (DIN) 2011 Voltage characteristics of electricity supplied by public distribution networks; German version EN 50160:2010 + Cor.: 2010 [91] Mohrmann M, Reese C, Hofmann L and Schmiesing J 2012 Untersuchung von Niederspannungsverteilnetzen anhand von synthetischen Netzstrukturen VDE Kongress 2012 Smart Grid: Intelligente Energieversorgung der Zukunft (VDE) [92] Bodach M 2006 Energiespeicher im Niederspannungsnetz zur Integration de- zentraler, fluktuierender Energiequellen Dissertation Technische Universität Chemnitz [93] Statistisches Bundesamt (Destatis) 2011 Entwicklung der Privathaushalte bis 2030 Tech. rep. Statistisches Bundesamt [94] Demirel K 2013 Modellierung von Referenznetzen in der Niederspannung Mas- terarbeit Hochschule Köln [95] Bretschneider P, Karstädt F, Flemming S and Pflugradt S 2014 Studie zu loka- len Energiespeicherbedarfen: Analyse und Prognose der Technologien und An- wendungsfelder thermischer und elektrischer Energiespeicher auf Nieder und Mittelspannungsebene Tech. rep. AST des Fraunhofer IOSB 216 http://elpub.bib.uni-wuppertal.de/servlets/DerivateServlet/Derivate-5651/eaw0216.pdf http://elpub.bib.uni-wuppertal.de/servlets/DerivateServlet/Derivate-5651/eaw0216.pdf Literaturverzeichnis [96] Gutter J 2017Modellierung deutscher Niederspannungsverteilnetze auf Grund- lage von OpenStreetMap-Daten Masterarbeit Friedrich-Schiller-Universität Je- na, Institut für Geographie, Lehrstuhl für Geoinformatik [97] Seack A, Kays J and Rehtanz C 2014 Generating low voltage grids on the basis of public available map data Challenges of implemen- ting Active Distribution System Management (CIRED) Workshop - Ro- me, 11-12 June 2014) URL https://pdfs.semanticscholar.org/b5ea/ 1a0c3739fb52cfb9922548858d7c9f6502d1.pdf [98] Linsenmeier M 2017 Estimating costs of extending electricity distribution net- works in Germany Masterarbeit HU Berlin [99] Bundesnetzagentur 2016 Monitoringbericht 2016 URL https: //www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/ Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/ Monitoring/Monitoringbericht2016.pdf;jsessionid= 63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 [100] EUROSTAT 2011 European Statistics Code of Practice - reserved edition 2011 URL http://ec.europa.eu/eurostat/documents/3859598/5921861/ KS-32-11-955-EN.PDF/5fa1ebc6-90bb-43fa-888f-dde032471e15 [101] Hochschule | Europa-Universität Flensburg, Zentrum für Nachhaltige Ener- giesysteme and DLR-Institut für Vernetzte Energiesysteme 2016-2018 eTra- Go - electrical Transmission Grid optimization URL https://github.com/ openego/eTraGo [102] Purchala K, Meeus L, Van Dommelen D and Belmans R 2005 Usefulness of dc power flow for active power flow analysis Power Engineering Society General Meeting, 2005. IEEE 454–459 [103] Scharf M 2017 Inter-voltage-level correlations of congestions in the German electricity network Masterarbeit Europa Universität Flensburg [104] Eickmann J F 2015 Simulation der Engpassbehebung im deutschen Übertra- gungsnetzbetrieb Dissertation RWTH Aachen [105] Brown T, Schlachtenberger D, Kies A, Schramm S and Greiner M 2018 Syn- ergies of sector coupling and transmission reinforcement in a cost-optimised, highly renewable european energy system URL https://doi.org/10.1016/ j.energy.2018.06.222 [106] Hörsch J, Ronellenfitsch H, Witthaut D and Brown T 2018 Linear Optimal Power Flow Using Cycle Flows Electric Power Systems Research 158 126–135 217 https://pdfs.semanticscholar.org/b5ea/1a0c3739fb52cfb9922548858d7c9f6502d1.pdf https://pdfs.semanticscholar.org/b5ea/1a0c3739fb52cfb9922548858d7c9f6502d1.pdf https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/Monitoring/Monitoringbericht2016.pdf;jsessionid=63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/Monitoring/Monitoringbericht2016.pdf;jsessionid=63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/Monitoring/Monitoringbericht2016.pdf;jsessionid=63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/Monitoring/Monitoringbericht2016.pdf;jsessionid=63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 https://www.bundesnetzagentur.de/SharedDocs/Downloads/DE/Sachgebiete/Energie/Unternehmen_Institutionen/DatenaustauschUndMonitoring/Monitoring/Monitoringbericht2016.pdf;jsessionid=63005C9469CA815143063966F11BCA67?__blob=publicationFile&v=2 http://ec.europa.eu/eurostat/documents/3859598/5921861/KS-32-11-955-EN.PDF/5fa1ebc6-90bb-43fa-888f-dde032471e15 http://ec.europa.eu/eurostat/documents/3859598/5921861/KS-32-11-955-EN.PDF/5fa1ebc6-90bb-43fa-888f-dde032471e15 https://github.com/openego/eTraGo https://github.com/openego/eTraGo https://doi.org/10.1016/j.energy.2018.06.222 https://doi.org/10.1016/j.energy.2018.06.222 Literaturverzeichnis [107] Vélez Gutiérrez J M 2018 Evaluation and comparison of methods to reduce the computational cost of power system simulations Masterarbeit Carl von Ossietzky Universität Oldenburg [108] Gurobi GmbH 2018 Gurobi Optimizer URL http://www.gurobi.com/ [109] IBM Corporation 2018 CPLEX Optimizer URL https://www.ibm.com/ analytics/cplex-optimizer [110] Makhorin A 2018 GNU linear programming Kit URL https://www.gnu.org/ software/glpk/ [111] Milano F 2010 Power System Modelling and Scripting (Springer, Berlin, Hei- delberg) URL https://doi.org/10.1007/978-3-642-13669-6 [112] Oeding D and Oswald B R 2011 Elektrische Kraftwerke und Netze (Springer) [113] Andersson G 2008 Modelling and Analysis of Electric Power Systems, Lecture 227- 0526-00 URL https://web.archive.org/web/20170215042633/http: //www.eeh.ee.ethz.ch/uploads/tx_ethstudies/modelling_hs08_ script_02.pdf [114] Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blon- del M, Prettenhofer P, Weiss R, Dubourg V et al. 2011 Scikit-learn: Machine learning in python Journal of machine learning research 12 2825–2830 [115] Hörsch J and Brown T 2017 The role of spatial scale in joint optimisations of generation and transmission for European highly renewable scenarios 2017 14th International Conference on the European Energy Market (EEM) URL https://ieeexplore.ieee.org/document/7982024/ [116] Kotzur L, Markewitz P, Robinius M and Stolten D 2016-2018 tsam - Time Series Aggregation Module URL https://pypi.org/project/tsam [117] Kotzur L, Markewitz P, Robinius M and Stolten D 2018 Impact of different time series aggregation methods on optimal energy system design Renewable Energy 117 474 – 487 ISSN 0960-1481 URL http://www.sciencedirect. com/science/article/pii/S0960148117309783 [118] Kotzur L, Markewitz P, Robinius M and Stolten D 2018 Time series aggrega- tion for energy system design: Modeling seasonal storage Applied Energy 213 123 – 135 ISSN 0306-2619 URL http://www.sciencedirect.com/science/ article/pii/S0306261918300242 [119] Morera O R 2018 Temporal complexity reduction techniques and their use in power system modelling Masterarbeit Universität Oldenburg (durchgeführt am DLR-Institut für Vernetzte Energiesysteme) 218 http://www.gurobi.com/ https://www.ibm.com/analytics/cplex-optimizer https://www.ibm.com/analytics/cplex-optimizer https://www.gnu.org/software/glpk/ https://www.gnu.org/software/glpk/ https://doi.org/10.1007/978-3-642-13669-6 https://web.archive.org/web/20170215042633/http://www.eeh.ee.ethz.ch/uploads/tx_ethstudies/modelling_hs08_script_02.pdf https://web.archive.org/web/20170215042633/http://www.eeh.ee.ethz.ch/uploads/tx_ethstudies/modelling_hs08_script_02.pdf https://web.archive.org/web/20170215042633/http://www.eeh.ee.ethz.ch/uploads/tx_ethstudies/modelling_hs08_script_02.pdf https://ieeexplore.ieee.org/document/7982024/ https://pypi.org/project/tsam http://www.sciencedirect.com/science/article/pii/S0960148117309783 http://www.sciencedirect.com/science/article/pii/S0960148117309783 http://www.sciencedirect.com/science/article/pii/S0306261918300242 http://www.sciencedirect.com/science/article/pii/S0306261918300242 Literaturverzeichnis [120] Pineda S and Morales J M 2018 Chronological time-period clustering for opti- mal capacity expansion planning with storage IEEE Transactions on power systems 33(6) 7162 – 7170 URL https://ieeexplore.ieee.org/stamp/ stamp.jsp?tp=&arnumber=8369128 [121] Wienholt L, Müller U and Bartels J 2018 Optimal sizing and spatial allocation of storage units in a high-resolution power system model Energies 11(12) 30– 45 URL https://doi.org/10.3390/en11123365 [122] Müller U P, Schachler B, Scharf M, Bunke W D, Günther S, Bartels J and Plessmann G 2019 Integrated techno-economic power system planning of transmission and distribution grids Preprints 2019040289 URL https: //doi.org/10.20944/preprints201904.0289.v1 [123] Müller U, Wienholt L and Cussmann I 2018 The role of the high voltage power level in future power systems and their modelling Smart Energy Systems and Technologies Conference, SEST 2018 URL https://doi.org/10.1109/SEST. 2018.8495721 [124] Hoffrichter A, Barrios H, Massmann J, Venkataramanachar B and Schnettler A 2018 Impact of Considering 110 kV Grid Structures on the Congestion Manage- ment in the German Transmission Grid Journal of Physics: Conference Series 977 012004 URL http://stacks.iop.org/1742-6596/977/i=1/a=012004 [125] Bussar C, Stöcker P, Moraes L, Jacqué K, Axelsen H and Sauer D 2017 The Long-Term Power System Evolution – First Optimisation Results Ener- gy Procedia 135 347 – 357 ISSN 1876-6102 11th International Renewa- ble Energy Storage Conference, IRES 2017, 14-16 March 2017, Düssel- dorf, Germany URL http://www.sciencedirect.com/science/article/ pii/S1876610217346386 [126] Pleßmann G and Blechinger P 2017 How to meet EU GHG emission reduction targets? A model based decarbonization pathway for Europe’s electricity supply system until 2050 Energy Strategy Reviews 15 19 – 32 ISSN 2211-467X URL http://www.sciencedirect.com/science/article/ pii/S2211467X16300530 [127] Schleswig-Holstein Netz AG 2018 Einspeisemanagement veröffent- lichungen URL https://sh-netz.com/de/energie-einspeisen/ einspeisemanagement/veroeffentlichungen.html [128] Schleswig-Holstein Netz AG 2018 Netzkarte Schleswig-Holstein 110kV-Netz mit Engpassregionen URL https://www.sh-netz.com/content/dam/revu- global/sh-netz/Documents/Schleswig-Holstein-Netz/Netzausbau110/ NAP110kV/20180802_netzkarte.pdf 219 https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8369128 https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8369128 https://doi.org/10.3390/en11123365 https://doi.org/10.20944/preprints201904.0289.v1 https://doi.org/10.20944/preprints201904.0289.v1 https://doi.org/10.1109/SEST.2018.8495721 https://doi.org/10.1109/SEST.2018.8495721 http://stacks.iop.org/1742-6596/977/i=1/a=012004 http://www.sciencedirect.com/science/article/pii/S1876610217346386 http://www.sciencedirect.com/science/article/pii/S1876610217346386 http://www.sciencedirect.com/science/article/pii/S2211467X16300530 http://www.sciencedirect.com/science/article/pii/S2211467X16300530 https://sh-netz.com/de/energie-einspeisen/einspeisemanagement/veroeffentlichungen.html https://sh-netz.com/de/energie-einspeisen/einspeisemanagement/veroeffentlichungen.html https://www.sh-netz.com/content/dam/revu-global/sh-netz/Documents/Schleswig-Holstein-Netz/Netzausbau110/NAP110kV/20180802_netzkarte.pdf https://www.sh-netz.com/content/dam/revu-global/sh-netz/Documents/Schleswig-Holstein-Netz/Netzausbau110/NAP110kV/20180802_netzkarte.pdf https://www.sh-netz.com/content/dam/revu-global/sh-netz/Documents/Schleswig-Holstein-Netz/Netzausbau110/NAP110kV/20180802_netzkarte.pdf Literaturverzeichnis [129] BDEW 2014 Praxis-Leitfaden für unterstützende Maßnahmen von Stromnetz- betreibern, Kommunikations- und Anwendungs-Leitfaden zur Umsetzung der Systemverantwortung gemäß §§ 13 Abs. 2, 14 Abs. 1 und 14 Abs. 1c EnWG Tech. rep. BDEW Bundesverband der Energie- und Wasserwirtschaft e.V., Verband kommunaler Unternehmen e.V. [130] Stott B, Jardim J and Alsac O 2009 Dc power flow revisited IEEE Transactions on Power Systems 24 1290–1300 ISSN 0885-8950 URL https://doi.org/10. 1109/TPWRS.2009.2021235 [131] Götz P, Henkel J, Lenck T and Lenz T 2014 Negative Strompreise: Ursachen und Wirkungen Tech. rep. Agora Energiewende [132] Biener W, Senkpiel C, Shammugam S, Rosas K R G, Linke M and Eibl O 2018 Impact of grid reduction on modelling accuracy of line usage rates Journal of Physics: Conference Series 977 012001 URL http://stacks.iop.org/1742- 6596/977/i=1/a=012001 [133] Bundesministerium der Justiz und für Verbraucherschutz 2005 Gesetz über die Elektrizitäts- und Gasversorgung (EnWG). [134] Patzak S 2017 Ermittlung von planungsrelevanten Netznutzungsfällen für elek- trische Netze Dissertation RWTH Aachen [135] Verband der Elektrotechnik Elektronik Informationstechnik eV (VDE) 2011 VDE-AR-N 4105: Erzeugungsanlagen am Niederspannungsnetz – Technische Mindestanforderungen für Anschluss und Parallelbetrieb von Erzeugungsan- lagen am Niederspannungsnetz [136] Verband der Elektrotechnik Elektronik Informationstechnik eV (VDE) 2011 DIN EN 60076-1: Power transformers - Part 2: Temperature rise for liquid- immersed transformers [137] Verband der Elektrotechnik Elektronik Informationstechnik eV (VDE) 2011 DIN VDE 0276-603: Power cables - Part 603: Distribution cables of rated voltage 0,6/1 kV [138] Rehtanz C, Greve M, Häger U, Hagemann Z, Kippelt S, Kittl C, Kloubert M L, Pohl O, Rewald F and Wagner C 2017 Verteilnetzstudie für das Land Baden-Württemberg Tech. rep. ef.Ruhr GmbH [139] Tonkoski R, Lopes L A C and El-Fouly T H M 2011 Coordinated active power curtailment of grid connected pv inverters for overvoltage IEEE Transactions on Sustainable Energy 6 220 https://doi.org/10.1109/TPWRS.2009.2021235 https://doi.org/10.1109/TPWRS.2009.2021235 http://stacks.iop.org/1742-6596/977/i=1/a=012001 http://stacks.iop.org/1742-6596/977/i=1/a=012001 Literaturverzeichnis [140] Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit (Hrsg) 2011 Eckpunkte der EEG-Novelle 2012 sowie sonstige Neuerungen für erneu- erbare Energien [141] ZNES Flensburg 2018 eGo - a cross-grid-level electricity grid and storage op- timization tool URL https://github.com/openego/eGo [142] Wißmann T, Haubrock J and Ottensmann A 2015 Optimierung von Mittel- spannungsnetzen durch Reduktion der Netzverluste URL https://doi.org/ 10.17877/DE290R-7680 [143] VDE G 2011 VDE-AR-N 4105: 2011-08 Erzeugungsanlagen am Niederspan- nungsnetz Technische Mindestanforderungen für Anschluss und Parallelbetrieb von Erzeugungsanlagen am Niederspannungsnetz [144] Haucap J and Pagel B 2013 Ausbau der Stromnetze im Rahmen der Ener- giewende: Effizienter Netzausbau und Struktur der Netznutzungsentgelte List Forum für Wirtschafts-und Finanzpolitik vol 39 (Springer) pp 235–253 [145] BNetzA 2017 Bedarfsermittlung 2017-2030 Bestätigung Netzentwicklungs- plan Strom URL https://data.netzausbau.de/2030/NEP/NEP_2017-2030_ Bestaetigung.pdf [146] Resch M, Bühler J, Klausen M and Sumper A 2017 Impact of Operation Stra- tegies of Large Scale Battery Systems on Distribution Grid Planning in Ger- many Renewable and Sustainable Energy Reviews 74 1042–1063 URL http: //www.sciencedirect.com/science/article/pii/S1364032117302976 [147] Meyer B, Mueller H, Koeberle R, Fiedeldey M, Hoffman C and Bamberger J 2013 Impact of large share of renewable generation on investment costs at the example of aüw distribution network Electricity Distribution (CIRED 2013), 22nd International Conference and Exhibition on (IET) pp 1–4 [148] Zander W et al. 2017 dena-Netzflexstudie–Optimierter Einsatz von Speichern für Netz und Marktanwendungen in der Stromversorgung Deutsche Energie- Agentur GmbH [149] Park H S and Jun C H 2009 A simple and fast algorithm for k-medoids clus- tering Expert systems with applications 36 3336–3341 [150] Schlemminger M 2018 Modellierung von Redispatch-Maßnahmen im deutschen Hoch- und Höchstspannungsnetz Masterarbeit Europa-Universität Flensburg [151] Abdelhafez M K A 2018 Optimal integration of net-supportive storage systems in distribution networks with a high share of renewable energies Masterarbeit 221 https://github.com/openego/eGo https://doi.org/10.17877/DE290R-7680 https://doi.org/10.17877/DE290R-7680 https://data.netzausbau.de/2030/NEP/NEP_2017-2030_Bestaetigung.pdf https://data.netzausbau.de/2030/NEP/NEP_2017-2030_Bestaetigung.pdf http://www.sciencedirect.com/science/article/pii/S1364032117302976 http://www.sciencedirect.com/science/article/pii/S1364032117302976 Literaturverzeichnis Technische Universität Berlin, FG Elektrische Energiespeichertechnik, Institut für Energie und Automatisierungstechnik [152] Bremert S 2017 Analyse des Flexibilitätspotentials in Schleswig-Holstein an- hand von Stomnetzsimulationen Masterarbeit Europa-Universität Flensburg [153] Linsenmeier M 2017 Statistical analysis of a synthetic dataset of the electricity distribution grid in Germany Hausarbeit Humboldt-Universität Berlin [154] Kropshofer M 2017 Entwicklung einer Methodik zur wirtschaftlichen und tech- nischen Optimierung des deutschen Netzausbaus in der Hoch- und Höchstspan- nungsebene Masterarbeit Hochschule Flensburg [155] Christ M, Soethe M, Clemens Wingenbach C and Hilpert S 2017 Buergen - perspektiven derbürgerbeteiligung an der energiewende unterberücksich- tigung von verteilungsfragen - modul 3: Berücksichtigung gesellschaftli- cherfaktoren bei der entwicklung der stromnetze URL https://www.uni- flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/ downloads/veroeffentlichungen/forschungsergebnisse/euf-buergen- abschlussbericht-online.pdf [156] Kähler J 2018 Evaluation einer Abstimmungskaskade zwischen Übertragungs- und Hochspannungsnetzbetreiber Masterarbeit Fachhochschule Bielefeld [157] Brown T, Hörsch J and Schlachtberger D 2018 PyPSA: Python for Power System Analysis Journal of Open Research Software 6(1) (Preprint 1707. 09913) URL https://doi.org/10.5334/jors.188 [158] Schlachtberger D, Brown T, Schramm S and Greiner M 2017 The benefits of cooperation in a highly renewable european electricity network Energy 134 469 – 481 ISSN 0360-5442 URL http://www.sciencedirect.com/science/ article/pii/S0360544217309969 [159] Agapoff S, Pache C, Panciatici P, Warland L and Lumberas S 2015 Snaps- hot selection based on statistical clustering for transmission expansion plan- ning PowerTech, 2015 IEEE Eindhoven URL http://ieeexplore.ieee.org/ document/7232393/ [160] Quaschning V 2016 Sektorkopplung durch die energiewende URL https://pvspeicher.htw-berlin.de/wp-content/uploads/2016/05/HTW- 2016-Sektorkopplungsstudie.pdf [161] Schröder A, Kunz F, Meiss J, Mendelevitch R and Von Hirschhausen C 2013 Current and prospective costs of electricity generation until 2050 Tech. rep. Data Documentation, DIW URL https://www.diw.de/documents/ publikationen/73/diw_01.c.424566.de/diw_datadoc_2013-068.pdf 222 https://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/euf-buergen-abschlussbericht-online.pdf https://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/euf-buergen-abschlussbericht-online.pdf https://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/euf-buergen-abschlussbericht-online.pdf https://www.uni-flensburg.de/fileadmin/content/abteilungen/industrial/dokumente/downloads/veroeffentlichungen/forschungsergebnisse/euf-buergen-abschlussbericht-online.pdf 1707.09913 1707.09913 https://doi.org/10.5334/jors.188 http://www.sciencedirect.com/science/article/pii/S0360544217309969 http://www.sciencedirect.com/science/article/pii/S0360544217309969 http://ieeexplore.ieee.org/document/7232393/ http://ieeexplore.ieee.org/document/7232393/ https://pvspeicher.htw-berlin.de/wp-content/uploads/2016/05/HTW-2016-Sektorkopplungsstudie.pdf https://pvspeicher.htw-berlin.de/wp-content/uploads/2016/05/HTW-2016-Sektorkopplungsstudie.pdf https://www.diw.de/documents/publikationen/73/diw_01.c.424566.de/diw_datadoc_2013-068.pdf https://www.diw.de/documents/publikationen/73/diw_01.c.424566.de/diw_datadoc_2013-068.pdf A Anhang A.1 Anhang nach Kapitel Zu Kapitel 3.3 Zur Einordnung der Netz- und Speicherausbaukosten wurden für den exogen ange- nommen Ausbau an Erzeugungskapazitäten deren Investitionskosten hinzugezogen. Diese unterliegen keiner Optimierung oder weiteren Berechnung, sondern alleinig um den Szenarien basierten Ausbau der Erzeugung für Analysezwecke in Relati- on zu setzen. In der Tabelle A.1 sind die einzelnen Investitionskosten pro Erzeuger aufgelistet. Erzeuger Status Quo NEP 2035 eGo 100 EUR/kW EUR/kW EUR/kW Erdgas 1384 1322 1280 Braunkohle 2862 2718 2620 Abfallstoffe 1800 1800 1800 Öl 400 400 400 Kernenergie 6000 6000 6000 Biomasse 2424 2141 1951 Steinkohle 1800 1800 1800 Wasserkraftwerk 3000 3000 3000 Speicherkraftwerk 2000 2000 2000 Pumpspeicher 2000 2000 2000 Photovoltaik 950 555 425 Wind Onshore 1269 1154 1075 Wind Offshore 2868 2396 2093 Geothermie 3982 3216 2740 Sonstige erneuerbare Erzeugung 3982 3216 2740 Tabelle A.1: Investitionskosten nach Energieträger in EUR/kW installierter Leis- tung, unterschieden in Szenario und Erzeugung/Brennstoff. Quelle: DIW 2013 [161], Tabelle 33, S.75. Zu Kapitel 3.7 Zur Übersicht der Dataprocessing Skripte sind diese vollständig in Tabelle A.2 mit dem Namen und der Beschreibung aufgelistet. i A Anhang Skripte Beschreibung Check und Tests ego_dp_structure_input_- verification.sql Input-Verifikation der Eingangsdaten Umspannwerke ego_dp_substation_hvmv.sql Bereite Daten für Umspannwerke der HS-Ebene auf Basis von OSM auf. ego_dp_substation_ehv.sql Bereite Daten für Umspannwerke der HöS-Ebene auf Basis von OSM auf. ego_dp_substation_otg.sql Ordne die osmTGmod-id den Umspannwerken zu ego_dp_substation_- hvmv_voronoi.sql Erstelle HVMV Voronoi-Zellen auf Basis der HVMV-Umspannwerke ego_dp_substation_ehv_- voronoi.sql Erstelle HöS- Voronoi-Zellen auf Basis der HöS-Umspannwerke Verteilnetz (GridDistrict) ego_dp_mv_griddistrict.sql Erstelle MS GridDistricts auf Basis von Gemeindegrenzen und Voronoi-Zellen ego_dp_substation_- id_to_generator.sql Zuweisung der UW-ID (subst_id) zu den Erzeugern (Konventionelle und Erneuerbar) Verbrauchsflächen (Loadarea) ego_dp_loadarea_landuse.sql OSM Flächennutzung pro Sektor ego_dp_loadarea_- industry_consumer.sql OSM Industrieverbraucher ego_dp_loadarea_loads.sql OSM Verbrauch auf Basis der Flächennutzung ego_dp_loadarea_census.sql Verbrauch auf Basis vom Census 2011 ego_dp_loadarea_loadmelt.sql Verbinde Verbrauchdaten von OSM Flächennutzung und Census 2011 ego_dp_loadarea_- loadcut_griddistrict.sql Schneide Verbrauchsflächen mit MS GridDistrict ego_dp_loadarea_- loadcut_voronoi.sql Schneide Verbrauchsflächen mit MS Voronoi-Zellen ego_dp_loadarea_consumption.sql Verteile Verbrauch aus die Verbrauchsflächen ego_dp_loadarea_peakload.sql Spitzenlast pro Verbrauchsflächen ego_dp_loadarea_- griddistrict_results.sql Ergebnisse der MS GridDistrict ii A.1 Anhang nach Kapitel Skripte Beschreibung ego_dp_loadarea_statistic.sql Ergebnisse und Statistik der erstellten Daten (eGoDP) Niederspannung (Lowvoltage) ego_dp_lv_substation.sql MS-NS-UW (ONT) ego_dp_lv_substation_voronoi.sql MS-NS-UW Voronoi ego_dp_lv_loadcut.sql Schneide NS Verbrauchsflächen ego_dp_lv_griddistrict.sql Erstelle NS GridDistrict ego_dp_lv_consumption_- peakload.sql NS Verbrauch und Spitzenlast REA Verteilung von kleinen Erzeugungsanlagen rea/ego_dp_lattice_500m.sql Erstelle Rastergitter (Punktnetz) 500m rea/ego_dp_lattice_50m.sql Erstelle Rastergitter (Punktnetz) 50m rea/ego_dp_rea_- wpa_per_mvgd.sql Windpotentialflächen (WPA) rea/ego_dp_rea_- lattice_per_area_500m.sql Vorbereitung des 500m Rastergitters rea/ego_dp_rea_- lattice_per_area_50m.sql Vorbereitung des 50m Rastergitters rea/ego_dp_rea_setup.sql Setup von Tabellen für die Verteilung von Erzeugern rea/ego_dp_rea_m1.sql M1 Biomasse- und Solaranlage verteilt nach OSM Agrarflächen rea/ego_dp_rea_m2.sql M2 Windparks rea/ego_dp_rea_m3.sql M3 Windanlagen zu Windpotentialflächen WPA verschieben rea/ego_dp_rea_m4.sql M4 Andere Anlagen und Restbestände rea/ego_dp_rea_m5.sql M5 NS zur Verbrauchsflächen rea/ego_dp_rea_results.sql Ergebnisse und Statistiken Netzmodellerstellung (Powerflow) ego_dp_powerflow_hv_setup.sql Erstelle Schema/Tables für HöS-HS-Powerflow Berechnung ego_dp_powerflow_- osmtgmod_to_pypsa.sql Füge osmTGmod Daten zum HöS-HS- Powerflow Schema hinzu ego_dp_powerflow_- electrical_neighbour.sql Erstelle länderübergreifende Leitungen und Umspannpunkte für elektische Nachbarn iii A Anhang Skripte Beschreibung ego_dp_powerflow_fix_- ehv_subnetworks.sql Behebe topologische Fehler des HöS Netzes ego_dp_powerflow_grid_- future_scenarios.sql Füge Netzmodell zu den Szenarien hinzu ego_dp_powerflow_- assignment_otgid.sql Weise otg_id den Erzeugerlisten zu ego_dp_powerflow_- assignment_unid.sql Erstelle eine eindeutige (unified_id) für alle Erzeuger (res and conv) ego_dp_powerflow_- create_pp_mview.sql Erstelle Mviews zum Darstellen der Erzeugerlisten pro Szenario ego_dp_powerflow_- assignment_generator.sql Weise Erzeuger zu den Umspannwerken pro Szenario zu (SQ, NEP2035, eGo100) ego_dp_powerflow_- assignment_load.sql Weise Verbrauch zu den Umspannwerken pro Szenario zu ego_dp_powerflow_- assignment_storage.sql Weise Speicher zu den Umspannwerken pro Szenario zu ego_dp_powerflow_- timeseries_generator.sql Übertrage renpassG!S Ergebnisse zu den Powerflow Tabellen ego_dp_powerflow_- griddistrict_demand.py Verbrauch pro MV GridDistrict ego_dp_powerflow_- timeseries_demand.sql Füge Verbrauchszeitreihen zu den Powerflow Tabellen pro Szenario hinzu ego_dp_powerflow_lopf_data.sql Setze Grenzkosten für die Erzeuger und Speicher ego_dp_data_check.sql Überprüfe Powerflow Daten hinsichtlich ihrer Plausibilität PostProcessing ego_pp_nep2035_grid_- variations.sql Erstelle ”extension_tables” und füge die NEP Daten hinzu Versionierung ego_dp_versioning.sql Versioniere die Datenmodelle ego_dp_versioning_mviews.sql Versioniere die Mviews Bereinigung ego_dp_vacuum_full.sql Bereinigung der Datenbank Tabelle A.2: Übersicht der Dataprocessing Skripte iv Zusammenfassung Mitwirkende Abkürzungsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Einführung Motivation und Ziele Projektpartner Stand der Wissenschaft und innovativer Ansatz Aufbau des Projekts Eine offene Datenbank und Plattform für die Energiesystemmodellierung Anforderungsanalyse OpenEnergyDatabase OpenEnergyPlatform Datensichten Factsheets API und Dialekt Lizenzen Lizenzwahl für Sourcecode Lizenzwahl für Daten Datengrundlage (exklusive Netzmodelle) Szenarienerstellung Technologieauswahl und installierte Leistungen Erzeuger Speicher Kostenannahmen und -umrechnungen Marginalkosten Kapitalkosten Annualisierung der Kapitalkosten Räumliche Verteilung von Erzeugung und Verbrauch auf Netz- und Lastgebiete Umspannwerke (HöS-HS und HS-MS) Übertragungsnetzgebiete Mittelspannungsnetzgebiete Lastgebiete Niederspannungsnetzgebiete Verteilung des elektrischen Energiebedarfs Verteilung der Konventionellen & Erneuerbare-Energie-Anlagen Erstellung von Zeitreihen Lastzeitreihen Kraftwerkseinsatzzeitreihen Wetterabhängige potentielle Einspeisezeitreihen von Photovoltaik- und Windkraftanlagen Kritische Betrachtung der Ergebnisse Umsetzung und Anwendung in der Open-Source-Umgebung Netzmodelle Netzdatenmodell der HöS- und HS-Ebene Modellierung der Netztopologie Annahmen zu den elektrischen Betriebsmitteleigenschaften Zuordnung von Erzeugungs-, Verbrauchs- und Speicherdaten zum Netzmodell Modellierung der Netzverbindungen zu Nachbarstaaten Kritische Betrachtung Anwendung des Tools Netzdatenmodell der MS- und NS-Ebene Modellierung von Mittelspannungsnetzen Methodische Kurzzusammenfassung Zentrale Annahmen Ermittlung der initialen Ringtopologie Verbesserung der initialen Topologie Erweiterung der initialen Topologie Überprüfung der Netzbelastung und etwaige Netzverstärkung Modellierung von Niederspannungsnetzen Kritische Betrachtung Statistische Auswertung Qualitative Auswertung Wirtschaftliche und netzbetriebliche Optimierung auf HöS- und HS-Ebene Optimierungsverfahren Technische Nebenbedingungen der Optimierung Speicherausbau Netzausbau Begrenzung des maximalen Ausbaus je Leitung Vorauswahl von Leitungen mit potentiellen Engpässen Optionale globale Nebenbedingungen Strategien zur Verbesserung der Lösbarkeit und Verringerung der Rechenzeit Berücksichtigung von Blindleistung Nicht-lineare AC-Lastflussberechnung Anpassungen und Umsetzung in eTraGo Komplexitätsreduktion Räumliche Ansätze K-Means-Clustering eHV-Clustering Zeitliche Ansätze Snapshot Skipping Snapshot Clustering Anwendungsfälle Optimaler Speicherausbau Ergebnisse Sensitivitätsanalyse Optimaler Netz- und Speicherausbau Ergebnisse NEP 2035-Szenario Ergebnisse eGo 100-Szenario Die Rolle der Hochspannungsebene Methodik Ergebnisse Diskussion Netzausbau nach dem Netzentwicklungsplan Methodik Ergebnisse Diskussion Simulation von Einspeisemanagementeinsätzen in Schleswig-Holstein Kritische Betrachtung der Methodik und Ergebnisse Anwendung des Tools Wirtschaftliche und netzbetriebliche Optimierungsstrategien in MS und NS Netzausbau Bestimmung des Netzausbaubedarfs Standard-Netzausbauvarianten Berechnung der Netzausbaukosten Abregelung Speichereinsatz Ergebnisse Netzausbau Ergebnisse für ein exemplarisches Mittelspannungsnetz Ergebnisse für Gesamtdeutschland Abregelung Ergebnisse für ein exemplarisches Mittelspannungsnetz Ergebnisse für Gesamtdeutschland Speicherausbau Diskussion der Methodiken und Ergebnisse Anwendung des Tools Synthese: Volkswirtschaftliche Optimierung des Gesamtsystems Schnittstelle HS- und MS-Ebene Komplexitätsreduktion in der Mittelspannungsebene Netzebenenübergreifende Kostenberechnung Ergebnisse Spannungsebenenübergreifende Korrelationsanalysen Netzebenenübergreifender Netz- und Speicherausbau Sensitivitätsanalyse Kritische Betrachtung der Methodik und Ergebnisse Anwendung des Tools Wissenschaftliche Verwertung Eigenveranstaltete Workshops und Tutorials Workshop zur Ausgestaltung der OpenEnergyPlatform Workshops zur Transparenz und Reproduzierbarkeit Workshop zur Methodik und Datengrundlage auf Höchst- und Hochspannungsebene Workshop zur Methodik und Datengrundlage auf Mittel- und Niederspannungsebene Tutorial und Workshop OEP open_eGo-Abschlussworkshop Beiträge auf Tagungen und Konferenzen Beteiligung an der Open Energy Modelling (openmod) Community und den zugehörigen Workshops Beteiligung am Forschungsnetzwerk Energiesystemanalyse Etablierung einer Fachgruppe unter dem Dach der Arbeitsgemeinschaft Simulation (ASIM) Weitere Beteiligungen an Konferenzen Veröffentlichungen und studentische Arbeiten Wissenschaftliche Publikationen Poster Studentische Arbeiten Modell- und Datenveröffentlichungen Projektexterne Verwertung Projekt open_FRED Projekt SzenarienDB Projekt Einsparzähler Projekt BuergEN Factsheets: MODEX vom BMWi und Horizon 2020 Projekt demandRegio Projekt SimBench Weitere externe Verwertung Fazit Ausblick Literaturverzeichnis Anhang Anhang nach Kapitel
-
File type
- application/pdf
-
Referenced at
-