Band 131 Entwicklung von Methoden zur Abbildung von Demand Side Management in einem optimierenden Energiesystemmodell Fallbeispiele für Deutschland in den Sektoren Industrie, Gewerbe, Handel, Dienstleistungen und Haushalte Thomas Haasz Forschungsbericht Entwicklung von Methoden zur Abbildung von Demand Side Management in einem optimierenden Energiesystemmodell Fallbeispiele für Deutschland in den Sektoren Industrie, Gewerbe, Handel, Dienstleistungen und Haushalte Von der Fakultät Energie-, Verfahrens- und Biotechnik der Universität Stuttgart zur Erlangung der Würde eines Doktor-Ingenieurs (Dr.-Ing.) genehmigte Abhandlung von Thomas Haasz aus Bad Schwalbach Hauptberichter: Prof. Dr.-Ing. A. Voß Mitberichter: Univ.-Prof. Dr. techn. G. Scheffknecht Tag der Einreichung: 07.10.2016 Tag der mündlichen Prüfung: 20.04.2017 Institut für Energiewirtschaft und Rationelle Energieanwendung der Universität Stuttgart 2017 ISSN 0938-1228 D 93 (Dissertation der Universität Stuttgart) Danksagung Die vorliegende Arbeit entstand während meiner Tätigkeit als wissenschaftlicher Mitarbeiter am Institut für Energiewirtschaft und Rationelle Energieanwendung (IER) der Universität Stutt- gart. Diese Arbeit wurde durch die Unterstützung vieler Personen ermöglicht, denen ich auf die- sem Weg meinen Dank aussprechen möchte. Meinem Doktorvater Herrn Prof. Dr.-Ing. Alfred Voß möchte ich für die zahlreichen Diskussionen und Anregungen, die konstruktive Kritik und die Übernahme des Hauptreferats danken. Gleichermaßen gilt mein Dank Herrn Univ.-Prof. Dr. techn. Günter Scheffknecht für die Möglichkeit zur Präsentation der Ergebnisse im Rahmen des Doktorandenseminars des Instituts für Feuerungs- und Kraftwerkstechnik (IFK) der Universität Stuttgart und für die Übernahme des Koreferats. Bei Herrn Dr. rer. pol. Ulrich Fahl möchte ich mich für die Unterstützung bei der Themenfindung und der kritischen Durchsicht meiner Arbeit bedanken. Für die gute Zusammenarbeit und den fachlichen Austausch bedanke ich mich bei allen Kol- leginnen und Kollegen des Instituts für Energiewirtschaft und Rationelle Energieanwendung. Besonders erwähnt seien an dieser Stelle Herr Dr.-Ing. Jan Tomaschek, Herr Dr.-Ing. Steffen Bubeck, Herr Dr.-Ing. Thomas Telsnig, Herr Dr.-Ing. Erik Heyden, Herr Stefan Wolf, Herr Jean Christian Brunke, Herr Roman Flatau, Herr Michael Miller, Herr Michael Wiesmeth, Herr Sö- ren Reith, Herr Benjamin Fleischer, Frau Julia Welsch, Herr Martin Steurer und Herr Nikolai Klempp. Mein Dank gilt darüber hinaus meinen Eltern, Katharina und Oskar Haasz, sowie meinem Bruder Andreas Haasz für den kontinuierlichen Rückhalt. Dies gilt gleichermaßen für die Fa- milien Haasz, Ott, Weggesser und Feix. Ganz besonders danke ich meiner Frau Janine für die in Kauf genommenen Entbehrungen, ihr Verständnis und ihre Geduld während der Dauer meiner Promotion. Stuttgart im Mai 2017 Thomas Haasz Inhaltsverzeichnis i Inhaltsverzeichnis Abbildungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii Tabellenverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii Abkürzungsverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv Kurzfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xix Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxi 1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Methodik und Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . 5 2 Das Energiesystem Deutschlands . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.1 Struktur des Energiesystems in Deutschland . . . . . . . . . . . . . . . . . . 7 2.2 Ziele zur Umgestaltung des Energiesystems in Deutschland . . . . . . . . . . 13 2.3 Herausforderungen bei der Umgestaltung des Energiesystems in Deutschland 16 3 Demand Side Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1 Begriffsdefinition und Abgrenzung . . . . . . . . . . . . . . . . . . . . . . . 19 3.2 Überblick zum Stand der Forschung zur Behandlung von Demand Side Ma- nagement in der Energiesystemanalyse . . . . . . . . . . . . . . . . . . . . . 22 3.2.1 Studien zur Systemanalyse von Energieeinsparungen . . . . . . . . . 22 3.2.2 Studien zur Integration von Lastmanagement in Energiesysteme . . . 24 4 Modellierung von Demand Side Managment in einem Energiesystemmodell . . . . 37 4.1 Klassifizierung von Energiesystemmodellen . . . . . . . . . . . . . . . . . . 38 4.2 The Integrated MARKAL-EFOM System (TIMES) . . . . . . . . . . . . . . 39 4.3 Abbildung von Energieeinsparpotenzialen in TIMES . . . . . . . . . . . . . 42 4.4 Abbildung von Lastmanagementpotenzialen in TIMES . . . . . . . . . . . . 44 4.4.1 Preisbasiertes Lastmanagement . . . . . . . . . . . . . . . . . . . . 45 4.4.2 Anreizbasiertes Lastmanagement . . . . . . . . . . . . . . . . . . . 51 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell . . . . . . . . 55 5.1 Das Energiesystemmodell TIMES-D-DSM . . . . . . . . . . . . . . . . . . 55 5.2 Lastverlagerungsoptionen in industriellen Prozessen . . . . . . . . . . . . . . 58 ii Inhaltsverzeichnis 5.3 Energieträgerflexibilität im Sektor Gewerbe, Handel und Dienstleistungen . . 62 5.4 Simulation von Lastgängen und Ableitung von Lastverlagerungspotenzialen in Haushalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.4.1 Simulation thermostatgeregelter Lasten in Haushalten . . . . . . . . 65 5.4.2 Zusatzkosten für lastmanagementfähige Haushaltsgeräte . . . . . . . 81 5.4.3 Nutzerakzeptanz von Lastmanagement in Haushalten . . . . . . . . . 82 6 Demand Side Management im Kontext des deutschen Energiesystems . . . . . . . 85 6.1 Rahmenannahmen für die Szenarioanalyse . . . . . . . . . . . . . . . . . . . 85 6.1.1 Sozioökonomische Annahmen . . . . . . . . . . . . . . . . . . . . . 85 6.1.2 Annahmen zur Entwicklung der Energieträgerpreise . . . . . . . . . 87 6.1.3 Arbeitsnichtverfügbarkeit und Leistungskredit . . . . . . . . . . . . 89 6.2 Definition der Szenarien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 6.3 Ergebnisse der Basisszenarien . . . . . . . . . . . . . . . . . . . . . . . . . 96 6.3.1 Primärenergieverbrauch und Treibhausgasemissionen in den Basis- szenarien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 6.3.2 Endenergieverbrauch nach Energieträgern und Sektoren . . . . . . . 98 6.3.3 Kraftwerkskapazitäten, Stromerzeugung und Kraftwerkseinsatz . . . 100 6.3.4 Bedeutung und Einsatz von Demand Side Management . . . . . . . . 106 6.4 Ergebnisse der Variantenrechnungen . . . . . . . . . . . . . . . . . . . . . . 111 6.4.1 Einfluss des Kapazitätskredits auf die Reservekapazitäten . . . . . . 112 6.4.2 Auswirkungen von Umlagen und Steuern auf einen kostenoptimalen Entwicklungspfad des Energiesystems in Deutschland . . . . . . . . 114 6.4.3 Einfluss der Kapazitätsziele für erneuerbare Energien im Kontext de- finierter Anteile erneuerbarer Energien am Bruttostromverbrauch . . 117 6.4.4 Auswirkungen der Stromimporte und -exporte auf das Strom- und Energiesystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 6.5 Schlussfolgerungen aus der Szenarioanalyse . . . . . . . . . . . . . . . . . . 127 7 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 A Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 A.1 Beschreibung des Energiesystemmodells . . . . . . . . . . . . . . . . . . . . 163 A.2 Parameter der Simulation von Kühl- und Gefrierkombinationen sowie Ge- friergeräten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 A.3 Weitere Modellergebnisse der Basisszenarien . . . . . . . . . . . . . . . . . 171 Abbildungsverzeichnis iii Abbildungsverzeichnis Abb. 1-1 Preisbildung am Spotmarkt bei inelastischer Nachfrage im Vergleich zur Preisbildung bei in Grenzen elastischer Nachfrage für zwei Angebotssitua- tionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Abb. 1-2 Struktur der vorliegenden Arbeit . . . . . . . . . . . . . . . . . . . . . . . 6 Abb. 2-1 Endenergieverbrauch pro Jahr nach Energieträgern in Deutschland von 1990 bis 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Abb. 2-2 Jährlicher Primärenergieverbrauch nach Energieträgern in Deutschland von 1990 bis 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Abb. 2-3 Beitrag erneuerbarer Energien zum Primärenergieverbrauch in 2015 . . . . 9 Abb. 2-4 Jährliche energiebedingte Treibhausgasemissionen nach Sektoren in Deutsch- land von 1990 bis 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Abb. 2-5 Bruttostromerzeugung pro Jahr nach Energieträgern in Deutschland von 1990 bis 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Abb. 2-6 Anteile der Energieträger an der Bruttostromerzeugung in Deutschland in 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Abb. 2-7 Bruttostromerzeugungskapazitäten nach Energieträgern in Deutschland von 1991 bis 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Abb. 2-8 Gegenüberstellung der Residuallast bei einem Anteil erneuerbarer Energien von 32,6 % und 80 % am Bruttostromverbrauch . . . . . . . . . . . . . . . 18 Abb. 3-1 Klassifizierung von Demand Side Management nach der Dauer der Lastbe- einflussung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Abb. 3-2 Typisches Speicherprofil von „Nachfragespeichern“ zur Abbildung von Last- management und Gegenüberstellung mit inhärenten Speichern . . . . . . . 33 Abb. 4-1 Die hierarchische Zeitsegmentstruktur des Modellgenerators TIMES . . . . 42 Abb. 4-2 Modellierung von Energieeinsparmaßnahmen in einem Ausschnitt des Re- ferenzenergiesystems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Abb. 4-3 Zweistufiger Modellierungsansatz zur Implementierung von Batchprozessen 49 Abb. 4-4 Darstellung der elektrischen Leistung und des Temperaturverlaufs eines Kühlschranks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Abb. 4-5 Modellierungsansatz von hybriden Erzeugungssystemen mit Informations- und Kommunikationsinfrastruktur in der Referenzenergiesystemdarstellung 51 Abb. 4-6 Implementierung von anreizbasiertem Lastmanagement in der Darstellungs- form des Referenzenergiesystems . . . . . . . . . . . . . . . . . . . . . . . 52 iv Abbildungsverzeichnis Abb. 5-1 Eindimensionales Wärmeübertragungsmodell . . . . . . . . . . . . . . . . 69 Abb. 5-2 Temperaturanstieg durch Befüllung mit 3 kg Einkäufen als Funktion des Füllstands und der durchschnittlichen Transporttemperatur . . . . . . . . . 72 Abb. 5-3 Auf die Jahreshöchstlast normierter Jahreslastgang der simulierten Kühl- schrankpopulation bei einem zulässigen Temperaturband von 4 ◦C bis 6 ◦C und auf 672 Typstunden aggregierter Jahreslastgang . . . . . . . . . . . . . 73 Abb. 5-4 Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Kühlschrankpopulation bei einem zulässigen Temperaturband von 2 ◦C bis 7 ◦C für 672 Typstunden . . . . . . . . . . . . . . . . . . . . . 75 Abb. 5-5 Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Kühl- und Gefrierschrankpopulation für 672 Typstunden . . 76 Abb. 5-6 Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Gefrierschrankpopulation für 672 Typstunden . . . . . . . . 78 Abb. 5-7 Auf die Jahreshöchstlast normierter Lastgang der simulierten Speicherpo- pulation für 672 Typstunden . . . . . . . . . . . . . . . . . . . . . . . . . 80 Abb. 5-8 Auf die Jahreshöchstlast normierte minimale und maximale Last der simu- lierten Speicherpopulation für 672 Typstunden bei vergrößertem Tempera- turbereich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Abb. 6-1 Nominaler Grenzübergangspreis für Rohöl in Deutschland von Januar 2014 bis Dezember 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 Abb. 6-2 Grenzübergangspreis für die Energieträger Steinkohle, Erdgas und Erdöl sowie Förderkosten für Braunkohle in Deutschland in Preisen von 2010 für den Zeitraum von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . 89 Abb. 6-3 Dauerlinien der Netzlast nach ENTSO-E sowie der residualen Last un- ter Berücksichtigung der Einspeisung aus Windkraft- und PV-Anlagen in Deutschland für das Jahr 2011 . . . . . . . . . . . . . . . . . . . . . . . . 91 Abb. 6-4 Nettostromexporte pro Typstunde für die Meilensteinjahre 2015 bis 2050 . 95 Abb. 6-5 Primärenergieverbrauch nach Energieträgern in Deutschland in den Basis- szenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . 97 Abb. 6-6 Endenergieverbrauch in Deutschland nach Energieträgern . . . . . . . . . . 99 Abb. 6-7 Endenergieverbrauch in Deutschland nach Sektoren von 2010 bis 2050 . . . 100 Abb. 6-8 Installierte Kraftwerkskapazität in Deutschland nach Energieträgern in den Basisszenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . 101 Abb. 6-9 Nettostromerzeugung in Deutschland nach Energieträgern in den Basissze- narien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Abbildungsverzeichnis v Abb. 6-10 Kraftwerkseinsatz in Deutschland nach Energieträgern auf Typstundenba- sis für das Szenario mit Energieeinsparungen, aber ohne Lastmanagement und Curtailment in 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Abb. 6-11 Kraftwerkseinsatz in Deutschland nach Energieträgern auf Typstundenba- sis für das Szenario mit Energieeinsparungen, Lastmanagement und be- grenztem Curtailment in 2050 . . . . . . . . . . . . . . . . . . . . . . . . 106 Abb. 6-12 Stromverbrauch in der Aluminiumelektrolyse in Abhängigkeit der Schat- tenpreise für Industriestrom im Szenario mit Energieeinsparungen und Last- management aber ohne Curtailment in 2050 . . . . . . . . . . . . . . . . . 109 Abb. 6-13 Einsatz eines hybriden Erzeugungssystems aus Erdgasbrennwertkesseln und Wärmepumpen in großen GHD-Betrieben in Abhängigkeit des Schatten- preises für GHD-Strom im Szenario mit Energieeinsparungen und Lastma- nagement aber ohne Curtailment in 2050 . . . . . . . . . . . . . . . . . . . 110 Abb. 6-14 Installierte Kraftwerksleistung und Stromerzeugung nach Energieträgern im Szenariovergleich zwischen dem Basisszenario mit Energieeinsparun- gen, Lastmanagement und begrenztem Curtailment und dem Szenario mit höheren Kapazitätskrediten für erneuerbare Energien von 2010 bis 2050 . . 113 Abb. 6-15 Installierte Kraftwerksleistung und Stromerzeugung nach Energieträgern im Szenariovergleich zwischen dem Basisszenario mit Energieeinsparun- gen, Lastmanagement und begrenztem Curtailment sowie dem Szenario oh- ne Umlagen und Steuern von 2010 bis 2050 . . . . . . . . . . . . . . . . . 115 Abb. 6-16 Profil der Stromerzeugung im Szenario ohne Umlagen und Steuern in 2050 116 Abb. 6-17 Installierte Kraftwerksleistung im Szenariovergleich zwischen dem Basis- szenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtail- ment, dem Szenario mit niedrigen Kapazitätszielen und dem Szenario ohne Kapazitätsziele für Photovoltaik- und Windkraftanlagen von 2010 bis 2050 118 Abb. 6-18 Vergleich der Stromerzeugung im Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment, dem Szenario mit niedrigen Kapazitätszielen und dem Szenario ohne Kapazitätsziele für Photovoltaik- und Windkraftanlagen von 2010 bis 2050 . . . . . . . . . . . . . . . . . . 120 Abb. 6-19 Profil der Stromerzeugung nach Energieträgern im Szenario mit niedrigen Kapazitätszielen für Windkraft- und Photovoltaikanlagen in 2050 . . . . . . 122 Abb. 6-20 Profil der Stromerzeugung nach Energieträgern im Szenario ohne Kapazi- tätsziele für Windkraft- und Photovoltaikanlagen in 2050 . . . . . . . . . . 123 Abb. 6-21 Installierte Leistung und Stromerzeugung nach Energieträgern für Deutsch- land in der Variante ohne Stromaustausch im Vergleich zum Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 vi Abbildungsverzeichnis Abb. 6-22 Profil der Stromerzeugung im Szenario ohne modellexogenen Stromaus- tausch in 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 Abb. A-1 Struktur und Aggregation des Industriesektors in TIMES-D-DSM . . . . . 163 Abb. A-2 Auf die Jahreshöchstlast normierter Jahreslastgang der simulierten Kühl- und Gefrierschrankpopulation und auf 672 Typstunden aggregierter Jahres- lastgang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 Abb. A-3 Auf die Jahreshöchstlast normierter Jahreslastgang der simulierten Gefrier- schrankpopulation und auf 672 Typstunden aggregierter Jahreslastgang . . . 170 Abb. A-4 Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit moderaten Energieeinsparungen (MOD- EFF) in 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 Abb. A-5 Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit Energieeinsparungen und Lastmanage- ment aber ohne Curtailment (APLM-KAB) in 2050 . . . . . . . . . . . . . 176 Abb. A-6 Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit Energieeinsparungen, Lastmanagement und vollständigem Curtailment (APLM-VAB) in 2050 . . . . . . . . . . . . 177 Tabellenverzeichnis vii Tabellenverzeichnis Tab. 2-1 Quantitative Ziele der Energiewende in Deutschland . . . . . . . . . . . . . 15 Tab. 5-1 Minimale und maximale Verfügbarkeit der Produktionskapazität ausgewähl- ter stromintensiver Prozesse zur Lastab- und Lastzuschaltung . . . . . . . . 59 Tab. 5-2 Fixe Betriebskosten für Lastmanagementanwendungen in ausgewählten in- dustriellen Prozessen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Tab. 5-3 Sektorspezifischer Value of Lost Load in e2010/MWh in Deutschland für 2008 bis 2013 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Tab. 5-4 Techno-ökonomische Charakterisierung der hybriden Erzeugungssysteme bestehend aus einem Erdgasbrennwertkessel und einer Wärmepumpe oder einem Widerstandserhitzer im Sektor Gewerbe, Handel und Dienstleistun- gen für kleine und große Betriebe . . . . . . . . . . . . . . . . . . . . . . . 64 Tab. 5-5 Wärmeübergangskoeffizienten, thermische Widerstände der Wärmeleitung, kombinierte Ersatzwiderstände für Wände und Türen sowie jeweiliger ef- fektiver Gesamtwiderstand für drei Größenklassen von Kühlschränken . . . 71 Tab. 5-6 Spezifische Zusatzkosten für lastmanagementfähige Haushaltsgeräte als Auf- preise gegenüber Investitionen bei Geräten ohne Steuerungsfunktion . . . . 83 Tab. 5-7 Nutzerakzeptanz für Lastmanagement mit Haushaltsanwendungen und ge- nerelle Akzeptanz von Lastmanagement in Haushalten . . . . . . . . . . . 84 Tab. 6-1 Sozioökonomische Rahmenannahmen für Deutschland im Analysezeitraum von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Tab. 6-2 Arbeitsnichtverfügbarkeit konventioneller Kraftwerke und Leistungskredit erneuerbarer Energien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 Tab. 6-3 Energiepolitische Rahmenannahmen zum Treibhausgasminderungsziel und zum Anteil erneuerbarer Energien am Bruttostromverbrauch . . . . . . . . 92 Tab. 6-4 Ausbaupfade für die installierte Leistung von onshore und offshore Wind- kraftanlagen, Photovoltaik und Biomasse von 2020 bis 2050 im Vergleich zu den statistischen Werten der Jahre 2010 und 2015 . . . . . . . . . . . . 93 Tab. 6-5 Volllaststunden von onshore und offshore Windkraft- sowie Photovoltaik- anlagen in Deutschland . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Tab. 6-6 Beschreibung der Basisszenarien und der variierten Parameter . . . . . . . 95 Tab. 6-7 Qualitative Bewertung von Lastmanagement in den Basisszenarien . . . . . 112 viii Tabellenverzeichnis Tab. 6-8 Installierte Kraftwerksleistung im Szenario mit niedrigen Kapazitätszielen und dem Szenario ohne Kapazitätsziele für Photovoltaik- und Windkraftan- lagen als Differenz zum Bezugsszenario mit Energieeinsparungen, Lastma- nagement und begrenztem Curtailment in 2050 . . . . . . . . . . . . . . . 119 Tab. 6-9 Stromerzeugung im Szenario mit niedrigen Kapazitätszielen und dem Sze- nario ohne Kapazitätsziele für Photovoltaik- und Windkraftanlagen als Dif- ferenz zum Bezugsszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment in 2050 . . . . . . . . . . . . . . . . . . . . . . . 121 Tab. 6-10 Übersicht der diskontierten und kumulierten Systemkosten aller Szenarien als Differenz zum Szenario mit moderaten Energieeinsparungen . . . . . . 129 Tab. 6-11 Vergleich der diskontierten und kumulierten Systemkosten der Varianten- rechnungen als Differenz zum Szenario mit Demand Side Management und begrenztem Curtailment (APLM-BAB) . . . . . . . . . . . . . . . . . . . . 130 Tab. A-1 Zuordnung der Hierarchieebenen der Wirtschaftszweige und Aggregation zu den Industriesektoren im Energiesystemmodell für die Berechnung des Value of Lost Load . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 Tab. A-2 Annahmen zur Güterproduktion und der Nachfrage nach Energiedienstleis- tungen für DSM relevante Prozesse . . . . . . . . . . . . . . . . . . . . . . 165 Tab. A-3 Grenzübergangspreis für die Energieträger Steinkohle, Erdgas und Erdöl sowie Förderkosten für Braunkohle in Deutschland in Preisen von 2010 für den Zeitraum von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . 165 Tab. A-4 Techno-ökonomische Parameter ausgewählter Kraftwerkstechnologien . . . 166 Tab. A-5 Wärmeübergangskoeffizienten, thermische Widerstände für Wärmeleitung, kombinierter Ersatzwiderstand für Wände und Türen sowie jeweiliger ef- fektiver Gesamtwiderstand für drei Größenklassen von Kühl- und Gefrier- kombinationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 Tab. A-6 Wärmeübergangskoeffizienten, thermische Widerstände für Wärmeleitung, kombinierter Ersatzwiderstand für Wände und Türen sowie jeweiliger ef- fektiver Gesamtwiderstand für drei Größenklassen von Gefriergeräten . . . 169 Tab. A-7 Primärenergieverbrauch nach Energieträgern in den Basisszenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 Tab. A-8 Endenergieverbrauch nach Energieträgern in den Basisszenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172 Tab. A-9 Endenergieverbrauch nach Sektoren in den Basisszenarien . . . . . . . . . 172 Tab. A-10 Treibhausgasemissionen nach Sektoren in den Basisszenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 Tabellenverzeichnis ix Tab. A-11 Installierte Netto-Kraftwerksleistung nach Energieträgern in den Basissze- narien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 Tab. A-12 Nettostromerzeugung nach Energieträgern in den Basisszenarien von 2010 bis 2050 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 Abkürzungsverzeichnis xi Abkürzungsverzeichnis ANV Arbeitsnichtverfügbarkeit BIP Bruttoinlandsprodukt BWK Brennwertkessel CCS CO2-Abscheidung und -Speicherung (englisch: carbon capture and storage) CO2-Äq. CO2-Äquivalente COM Energieträger (englisch: commodity) COP Leistungszahl (englisch: coefficient of performance) CPP kritischer Spitzenlastpreis (englisch: critical-peak-pricing) DEM Nachfrage (englisch: demand) DIME Dispatch and Investment Model for Electricity Markets in Europe DSM Demand Side Management eE erneuerbare Energien EEG Erneuerbare Energien Gesetz EEX European Energy Exchange EHS Emissionshandelssystem eLOAD electricity LOad curve ADjustment EU Europäische Union E2M2s European Electricity Market Model GHD Gewerbe, Handel und Dienstleistungen GuD Gas- und Dampfkraftwerk HH Haushalte HVPI harmonisierter Verbraucherpreisindex IBR ansteigender Blocktarif (englisch: inclining block rate) xii Abkürzungsverzeichnis IEA Internationale Energieagentur IEKP Integriertes Energie- und Klimaprogramm IGCC Gas- und Dampfkraftwerk mit vorgeschalteter Brennstoffvergasung (englisch: integrated gasification combined cycle) IKT Informations- und Kommunikationsinfrastruktur IND Industrie IRP Integrierte Ressourcenplanung (englisch: integrated resource planning) KWK Kraft-Wärme-Kopplung (englisch: combined heat and power (CHP)) OPEC Organisation erdölexportierender Länder (englisch: Organization of the Petroleum Exporting Countries) ORC Organic Rankine Cycle Pkm Personenkilometer PTR Spitzenlastrabatt (englisch: peak-time rebate) PV Photovoltaik REMix Renewable Energy Mix RES Referenzenergiesystem (englisch: reference energy system) RTP Echtzeitpreise (englisch: real-time-pricing) SEC spezifischer Energieverbrauch (englisch: specific energy consumption) SSM Supply Side Management TCL thermostatgeregelte Last (englisch: thermostatically controlled load) Transporttemp. Transporttemperatur TIMES The Integrated MARKAL-EFOM System tkm Tonnenkilometer TOU Zeitpunkt der Verwendung (englisch: time-of-use) ÜNB Übertragungsnetzbetreiber Abkürzungsverzeichnis xiii VoLL Value of Lost Load WLAN drahtloses lokales Netzwerk (englisch: wireless local area network) WP Wärmepumpe WSE Widerstandserhitzer Symbolverzeichnis xv Symbolverzeichnis a thermische Trägheit des zu beschreibenden Systems A vertikale Fläche des Geräts act(r,v,t,p,s) Aktivität der Kapazität des Prozesses p aus dem Baujahr v im Zeitsegment s act_bnd(r,t,p,s,bd) Parameter zur Definition der Aktivität des Prozesses p im Zeitsegment s ai j Koeffizient der Entscheidungsvariable in der Gleichung i bd Art der zu erstellenden Gleichung (≥,≤ oder =) bi rechte Seite der Gleichung i c Index der Commodity C thermische Kapazität cap(r,t,p) Installierte Kapazität des Prozesses p in Periode t cap2act(r,p) Umrechnungsfaktor zwischen der Kapazitäts- und der Aktivitätseinheit eines Prozesses p c j spezifische Kosten der Entscheidungsvariable com_ f r(r,t,c,s) Anteil der jährlichen Nachfrage (com_pro jr,t,c) im Zeit- segment s com_pro j(r,t,c) jährliche Nachfrage der Commodity c cur monetäre Größe (englisch: currency) 4s Dauer des Zeitsegments s als Anteil eines Jahres Dins Schichtstärke der Isolation ε Emissionsgrad f lo_cost(r,t,p,c,s,cur) variable Kosten eines Flusses der Commodity c des Pro- zesses p im Zeitsegment s f lo_ f r(r,t,p,c,s,bd) Anteil des jährlichen Flusses der Commodity c des Pro- zesses p im Zeitsegment s h Dauer eines Simulationsschritts H Höhe des Verdampfers hc Wärmeübergangskoeffizient der Konvektion xvi Symbolverzeichnis hop Betriebsdauer eines Batchprozesses zur Produktion einer Charge hr Wärmeübergangskoeffizient der Wärmestrahlung i Index der Gleichungen von 1 bis m j Index der Variablen von 1 bis n k Zeitpunkt eines Simulationsschritts kins Wärmeleitfähigkeit eines Materials kl Wärmeleitfähigkeit der Luft l Index eines simulierten Geräts lhs Index der linken Seite einer Gleichung (englisch: left hand side) mk oder mk,l binäre Variable zur Beschreibung des Betriebszustands eines Geräts l zum Zeitpunkt k η COP N Anzahl der simulierten Geräte ncap(r,v,p) Kapazität des Prozesses p mit Baujahr v ncap_a f(r,t,p,s,bd) Verfügbarkeit des Prozesses p im Zeitsegment s ncap_a f s(r,t,p,s,bd) Verfügbarkeit des Prozesses p im Zeitsegment s ohne Vererbung auf untergeordnete Zeitsegmentebenen ncap_pasti(r,v,p) Kapazität des Prozesses p, die bereits in einem vorange- gangenen Meilensteinjahr errichtet wurde Nu Nußelt-Zahl p Index des Prozesses pbatch Index einer Batchprozessgruppe, die eine Commodity c produzieren kann pbatch,ts Index einer Teilmenge einer Batchprozessgruppe, die ei- ne Commodity c auf der Zielzeitsegmentebene produzie- ren kann, die dem Knoten s′ zuzuordnen ist P oder Pl Leistung eines simulierten Geräts l Pk,total Leistung aller Geräte zum Zeitpunkt k Symbolverzeichnis xvii pVoLL Prozess zur Abbildung des Lastabwurfs im Rahmen von anreizbasiertem Lastmanagement r Index der Region R thermischer Widerstand Ra Rayleigh-Zahl Rc thermischer Widerstand der Konvektion rhs Index der rechten Seite einer Gleichung (englisch: right hand side) Rins thermischer Widerstand der Wärmeleitung s Index des Zeitsegments s′ Index der Zeitsegmentebene über der Zielzeitsegment- ebene σ Stefan-Boltzmann-Konstante sziel Index der Zielzeitsegmentebene t Index der Periode Ti innere Temperatur des Geräts Tk innere Temperatur eines Geräts zum Zeitpunkt k Tlo Temperaturuntergrenze To Außen- oder Raumtemperatur τs Länge des Zeitsegments s ts Anzahl der Elemente auf der Zielzeitsegmentebene, die dem Knoten s′ zugeordnet werden können Tup Temperaturobergrenze Twi Temperatur der inneren Gerätewand Two Temperatur der äußeren Gerätewand uc_act(uc_n,side,r,t,p,s) Nebenbedingung der Aktivität des Prozesses p im Zeit- segment s uc_n Index des Namens einer Gleichung v Baujahr wk,d Störprozess für Temperaturänderungen durch Türöffnun- gen xviii Symbolverzeichnis wk,r Störprozess für Temperaturänderungen durch Befüllun- gen Wn Nennarbeit Wv verfügbare Arbeit x j Entscheidungsvariable des primalen Problems Kurzfassung xix Kurzfassung Die langfristige Reduktion der Treibhausgasemissionen ist eines der zentralen Ziele der deut- schen Energiepolitik. Im Elektrizitätssektor wird dem Ausbau der erneuerbaren Energien eine bedeutende Rolle zugesprochen, um Treibhausgasemissionen zu reduzieren. Da jedoch insbe- sondere Kapazitäten in Photovoltaik- und Windkraftanlagen installiert werden sollen, ist zu- künftig aufgrund des intermittierenden Angebots sowohl mit Über- als auch Unterdeckungen der Nachfrage zu rechnen, wenn die Struktur der Last nicht verändert werden sollte. Neben Stromspeichern, Reservekraftwerken oder Power-to-Gas könnte Demand Side Management ei- ne kosteneffektive Maßnahme zur Integration intermittierender erneuerbarer Energien in das Energiesystem sein. Vor dem Hintergrund dieses erzeugungsseitigen Umbruchs im Elektrizi- tätssystem soll in dieser Arbeit modellgestützt untersucht werden, welchen Beitrag Demand Side Management zur Erreichung der energiepolitischen Ziele in Deutschland leisten kann. Demand Side Management umfasst die beiden Komponenten Energieeinsparungen und Last- management. Während die Modellierung von Energieeinsparungen in Energiesystemmodellen bereits etabliert ist, besteht für die technologieorientierte Modellierung von Lastmanagement in Energiesystemmodellen noch Bedarf an geeigneten Methoden. Daher sind in dieser Studie Ver- fahren zur Abbildung von anreiz- und preisbasiertem Lastmanagement erarbeitet worden. Die Methode eignet sich gleichermaßen zur Erfassung prozessspezifischer Betriebsrestriktionen als auch zur Abbildung von Lastverlagerungspotenzialen. In der energieintensiven Industrie wer- den prozessspezifische Verfügbarkeiten zur Modellierung der Lastverlagerungspotenziale ver- wendet, während im Sektor Gewerbe, Handel und Dienstleistungen (GHD) der Energieträger- wechsel exemplarisch über hybride Erzeugungssysteme zur Wärmebereitstellung abgebildet ist. Zur Bestimmung von Lastmanagementpotenzialen und zulässigen Betriebsparametern thermo- statgeregelter Lasten in Haushalten wird ein Simulationsmodell mit hoher zeitlicher Auflösung mit einem Energiesystemmodell gekoppelt. Unter Verwendung des entwickelten Energiesystemmodells und der Methoden zur Modellie- rung von Lastmanagement wird der Beitrag von Demand Side Management zur Integration ho- her Anteile intermittierender erneuerbarer Energien in das Elektrizitätssystem Deutschlands bis 2050 szenariogestützt untersucht. Während Energieeinsparungen im gesamten Energiesystem abgebildet sind, erfolgt die Berücksichtigung von Lastmanagement anhand von Fallbeispielen. Aufgrund der modellexogenen Vorgabe energiepolitischer Ziele kann der Szenariorahmen als Zielszenario beschrieben werden. Die Szenarioanalyse zeigt, dass Energieeinsparungen einen erheblichen Beitrag zur Reduktion der Systemkosten leisten können, während durch Lastma- nagement vergleichsweise geringe Kostenreduktionen aufgezeigt werden. Lastmanagementpo- tenziale werden insbesondere in der Industrie und im GHD eingesetzt. Demgegenüber tragen in Haushalten nur wenige Lastmanagementpotenziale zur Kostenminimierung bei. Abstract xxi Abstract The long-term reduction of greenhouse gas emissions is a central objective of German ener- gy policy. In the electricity sector the expansion of renewable energy is expected to play an important role to reduce greenhouse gas emissions. However, it is expected that in particular capacity in photovoltaic and wind power plants will be installed in future. Thus, it is likely due to the intermitted supply that both a surplus as well as a shortfall of generation in relation to the load will occur, if the structure of the load remains unchanged. In addition to electricity stora- ges, reserve power plants or power-to-gas, demand side management could be a cost-effective measure for the integration of intermitted renewable energy into the energy system. Against the background of this supply side driven break in the electricity system the potential contribution of demand side management to reaching the energy policy goals in Germany will be analysed in this study. Demand Side Management comprises two components namely energy savings and load ma- nagement. While modelling of energy savings in energy system models is already established, there is still a need for suitable approaches for the technology-oriented modelling of load ma- nagement in energy system models. Therefore, methods for imaging incentive- and price-based load management have been developed in this study. The method is equally suitable for process- specific operational restrictions, as well as for the modelling of the load shift potential. In energy intensive industries, process specific availabilities are used to model load management ponten- tials, while an energy carrier switch with hybrid heat generation technologies is implemented in the commercial sector. To quantify the load management potential and suitable operating parameters for thermostatically controlled loads in households, a simulation model with high temporal resolution is coupled with an energy system model. Using the developed energy system model and the methodology for modelling load manage- ment, the contribution of demand side management to integrate large shares of intermitted re- newable energy in the German electricity system is analysed until 2050. While energy savings are modelled for all sectors within the energy system, the representation of load management is limited to case studies. Because of the assumptions on energy policies, the scenario framework can be described as a target scenario. The scenario analysis shows that, energy efficiency can reduce the total system costs significantly, while only minor cost reductions could be achieved through load management. Load management ist mainly used in industry and commerce. In households only limited load management potentials contribute to cost savings. 1 Einleitung 1 1 Einleitung Mit dem Energiekonzept 2010 der Bundesregierung wurden Ziele für die Minderung von Treib- hausgasemissionen in Deutschland für die Jahre 2020 (−20 %), 2030 (−55 %), 2040 (−70 %) und 2050 (−80 % bis −95 %) jeweils gegenüber dem Basisjahr 1990 formuliert (Bundesre- gierung, 2010). Nach diesem Konzept sollen erneuerbare Energien eine Schlüsselrolle bei der Dekarbonisierung des deutschen Energiesystems und insbesondere der Stromversorgung ein- nehmen. Um das Ziel einer weitgehenden Dekarbonisierung der Stromversorgung zu erreichen, soll der Anteil der erneuerbaren Energien bis 2050 mindestens 80 % gemessen am Brutto- stromverbrauch betragen. Im Erneuerbare Energien Gesetz (EEG) 2014 wurden neben dem allgemeinen Ausbauziel auch spezifische Ausbaupfade für Wind onshore, Wind offshore und Photovoltaik (PV) definiert. Demnach wird der Zubau von Photovoltaik-Anlagen bis zu einer installierten Leistung von 52 GW gefördert. Nach Angaben der ÜNB (2014b) wird dieses Ziel voraussichtlich im Jahr 2020 erreicht. Selbst wenn die Förderung von Photovoltaik-Anlagen mit der Zielerreichung eingestellt werden würde, wird nach 2020 ein weiterer Ausbau in der Größenordnung von 0,5 GW/a erwartet (ÜNB, 2014b). Bei Windkraftanlagen wird zwischen onshore und offshore Anlagen unterschieden. Bei zuletzt genannten sollen im Jahr 2030 15 GW installiert sein, während bei onshore Windkraftanlagen Ausbauziele von 2,5 GW/a defi- niert worden sind. Auf Basis dieser Ausbauziele für Wind- und PV-Anlagen ist mittel- bis langfristig mit einem deutlichen Anstieg des Flexibilitätsbedarfs1 zu rechnen (M. Huber et al., 2014). Flexibilität kann sowohl angebots- als auch nachfrageseitig bereitgestellt werden und umfasst unter anderem Kraftwerke mit hohen fahrbaren Laständerungsgeschwindigkeiten, Speicher, die Abregelung der Einspeisung erneuerbarer Energien (Curtailment), Demand Side Management (DSM), den Ausbau der Übertragungs- und Verteilnetze, Power-to-X sowie die Nutzung von Elektrizität im Wärmemarkt (Kondziella und Bruckner, 2016). Der Flexibilitätsbedarf beschreibt somit die notwendige Leistung in den zuvor genannten Technologien oder Maßnahmen zum Ausgleich von Angebot und Nachfrage im Elektrizitätsmarkt (M. Welsch, P. Deane et al., 2014). Weitere Maßnahmen zur Dekarbonisierung der Stromversorgung aus dem Energiekonzept 2010 sowie dem Integrierten Energie- und Klimaprogramm (IEKP) aus 2007 können in der Zwi- schenzeit als überholt eingestuft werden. Während im IEKP CO2-arme Kraftwerkstechnologien (im Fokus standen Braun- und Steinkohlekraftwerke mit CO2-Abscheidung und -Speicherung (englisch: carbon capture and storage) (CCS)) gefördert und ein geeigneter Rechtsrahmen ge- schaffen werden sollte (Bundesregierung, 2007), wird in der Energiereferenzprognose (Schle- singer et al., 2014) CCS nicht weiter als Technologieoption berücksichtigt, da Akzeptanzpro- 1 Die Internationale Energieagentur (IEA) definiert Flexibilität als Fähigkeit des Elektrizitätssystems, Erzeugung und Nachfrage trotz ausgeprägter, kurzfristiger Schwankungen im Gleichgewicht zu halten (IEA, 2011a). 2 1 Einleitung bleme und eingestellte Planungsverfahren für Demonstrationsprojekte gegen diese Technologie sprächen. Im Energiekonzept 2010 wurde die Kernenergie als Brückentechnologie eingestuft. Über eine Laufzeitverlängerung von durchschnittlich 12 Jahren sollten die Kernkraftwerke ei- nen mittelfristigen Beitrag zur Dekarbonisierung der Stromversorgung leisten (Bundesregie- rung, 2010). Bereits 2011 wurde mit dem „13. Gesetz zur Änderung des Atomgesetzes“ jedoch der vollständige Ausstieg aus der Kernenergie bis zum 31. Dezember 2022 (Bundestag, 2011) als Reaktion auf das Reaktorunglück in Fukushima beschlossen, sodass Kernenergie als Brü- ckentechnologie für Deutschland nicht weiter zur Verfügung steht. Aus dem „Ersten Fortschrittsbericht zur Energiewende“ geht hervor, dass für das Treibhaus- gasminderungsziel für 2020 mit einer Lücke bei der Zielerreichung von 5 bis 8 Prozentpunkten ausgegangen wird. Daher sollen zusätzliche Maßnahmen ergriffen werden, um die Zielerrei- chung zu gewährleisten. In der Stromerzeugung sollen beispielsweise 22 Mio. t CO2 zusätzlich eingespart und dabei das europäische Emissionshandelssystem berücksichtigt werden (BMWi, 2014a). Insbesondere der letztgenannte Aspekt findet in der Ausgestaltung der „Klimareserve“ jedoch keine Berücksichtigung, da gegen eine Zahlung von 2,6 bis 3,6 Mrd. e an die Kraft- werksbetreiber acht Braunkohlekraftwerksblöcke mit einer kumulierten Leistung von 2,7 GW bis 2020 stillgelegt werden sollen (Döschner, 2015). Dies kann somit gegebenenfalls einen Bei- trag zur Erreichung des nationalen Treibhausgasminderungsziels sein, jedoch ist auf europäi- scher Ebene durch das Emissionshandelssystems mittelfristig keine Beeinflussung der absoluten Treibhausgasemissionen zu erwarten. Eine weitere Komponente der Energiewende zur Integration erneuerbarer Energien ist der Netzausbau, insbesondere hinsichtlich der Nord-Süd-Verbindungen, die Strom aus offshore und onshore Windparks nach Süddeutschland und Strom aus Photovoltaikanlagen in Süd- nach Norddeutschland transportieren können (Bundesregierung, 2010). Laut dem „Ersten Fortschritts- bericht zur Energiewende“ hat sich die Länge der Hoch- und Höchstspannungsnetze in Deutsch- land von 2007 bis 2013 jedoch kaum verändert (BMWi, 2014a). Nach Angaben der Übertra- gungsnetzbetreiber müssen in Abhängigkeit des Szenarios zusätzlich zur bestehenden Netzin- frastruktur bis 2025 zwischen 5200 km und 5800 km an Maßnahmen zur Trassenverstärkung ergriffen werden (ÜNB, 2016). Der zusätzliche Ausbaubedarf der Gleich- und Wechselstrom- netze liegt zwischen 3700 km und 4300 km, sodass die veranschlagten Gesamtkosten bei einer unterstellten Vollverkabelung auf 30 bis 34 Mrd.e2010 geschätzt werden (ÜNB, 2016). Durch den zunehmenden Ausbau der volatilen Erzeugungsquellen kann davon ausgegangen werden, dass es zukünftig vermehrt Stunden mit negativer residualer Stromlast geben wird, wenn die Nachfrage nicht flexibilisiert werden sollte und Stromüberschüsse nicht abgeregelt werden können. Weiterhin kann davon ausgegangen werden, dass auch zukünftig Stunden mit nahezu unverändert hoher Stromlast auftreten, wenn erneuerbare Erzeugungsleistung kaum in das Stromnetz einspeisen kann und die Stromnachfrage und deren Struktur unverändert bleibt (siehe Abschnitt 2.3). Vor diesem Hintergrund wurde neben den bereits genannten Maßnah- 1 Einleitung 3 men auch die Erschließung der Potenziale von Pumpspeicherkraftwerken in Deutschland im Energiekonzept 2010 gefordert (Bundesregierung, 2010). Hartmann (2013) kommt dabei zu dem Ergebnis, dass die Speicherpotenziale in Deutschland ausreichend sind, um Anteile der erneuerbaren Energien von 50 % bis 100 % gemessen am Bruttostromverbrauch zu realisieren. Hinsichtlich der Notwendigkeit des Speicherausbaus kommen Szenarioanalysen jedoch zu un- terschiedlichen Ergebnissen. Während die Übertragungsnetzbetreiber in zwei Szenarien einen Speicherzubau von etwa 2,5 GW bis 2025 berücksichtigen (ÜNB, 2014b), wird in der Ener- giereferenzprognose in beiden Szenarien kein zusätzlicher Bedarf an Speicherkapazitäten als notwendig erachtet (Schlesinger et al., 2014). Neben den genannten Aspekten werden im Energiekonzept 2010 auch die Senkung des spe- zifischen Energiebedarfs in Haushalten und der Industrie sowie nachfrageseitiges Lastmanage- ment als Bestandteile der Energiewende skizziert (Bundesregierung, 2010). Die Nutzung von Flexibilitätspotenzialen zur Anpassung der Nachfrage an ein volatiles Angebot wird auch im Weißbuch zur Weiterentwicklung des Strommarktes als wichtige Komponente hervorgehoben (BMWi, 2015b). Vor dem Hintergrund weitgehender Reduktionsziele der Treibhausgasemissio- nen bei gleichzeitiger Fokussierung der Dekarbonisierung der Stromerzeugung mittels intermit- tierender erneuerbarer Energien soll im Rahmen dieser Arbeit der mögliche Beitrag von DSM zur Erreichung der energiepolitischen Ziele in Deutschland modellgestützt untersucht werden. Es wird die Hypothese formuliert, dass DSM geeignet ist, hohe Anteile erneuerbarer Energien kostengünstiger in das Elektrizitätssystem zu integrieren als dies über angebotsseitige Flexibi- litätsoptionen möglich wäre. 1.1 Problemstellung In der Lehre der Preisfindung am Spotmarkt wird häufig eine aufsteigend sortierte Grenzkos- tenkurve des Kraftwerksparks (die sogenannte Merit-Order) mit einer inelastischen Nachfrage- ganglinie geschnitten, um den Strompreis eines Zeitpunktes am Spotmarkt zu ermitteln (sie- he beispielsweise Voß, Bothor et al. (2014), Albadi und El-Saadany (2008) und Aalami et al. (2010)). Da in diesem Konzept eine inelastische Nachfrage unterstellt wird, ist ausschließlich die Angebotsseite preisvariabel. Daher können bei gleicher Nachfrage nur Veränderungen der angebotenen Kraftwerksleistung zu einem abweichenden Spotmarktpreis führen. Über DSM könnte die Nachfrage in Abhängigkeit der vorhandenen Potenziale auf angebotsseitige Preissi- gnale reagieren und somit zu einer Steigerung der ökonomischen Wohlfahrt beitragen. Im linken Teil der Abbildung 1-1 ist die Preisfindung zu einem Zeitpunkt für eine inelastische Nachfrage n dargestellt, bei der die Nachfrage parallel zur Ordinate verläuft (Laege, 2002). Die Nachfrage in Höhe von q führt im Schnittpunkt mit der Angebotskurve a zu einem Preis p. Zu einem anderen Zeitpunkt ist das Angebot von Erzeugungskapazitäten mit niedrigen variablen 4 1 Einleitung Kosten (z. B. von Photovoltaik- und Windkraftanlagen) größer, sodass daraus die Angebotskur- ve a’ resultiert. Durch erneute Schnittpunktbildung mit der inelastischen Nachfrage n wird der neue Spotmarktpreis p’ ermittelt. Durch den Einsatz von Lastmanagement würde die Stromnachfrage kurzzeitig beeinflusst werden und daraus gegebenenfalls ein verändertes Preissignal resultieren (Klobasa, 2007). Die Nachfrage kann nur in Grenzen elastisch sein, da sie einerseits nicht beliebig reduziert wer- den kann, ohne Komfort- oder Nutzenverluste zu erzeugen. Andererseits kann die Nachfrage nicht beliebig erhöht werden, wenn keine weitere Leistung abgerufen werden kann. Im rechten Teil von Abbildung 1-1 ist eine in Teilen elastische Nachfrage n1’ dargestellt. Die Nachfrage n wird im rechten Teil von Abbildung 1-1 zu einem bestimmten Zeitpunkt durch Ausnutzung der Nachfrageelastizität zur Nachfragekurve n1’. Deren Schnittpunkt mit der Angebotskurve a liegt auf der nächst niedrigeren Preisstufe, sodass sich der Spotmarktpreis von p um p− p1 reduzieren würde. Die Nachfrage reduziert sich in diesem Beispiel um q− q1. Zu einem an- deren Zeitpunkt würde die elastische Nachfrageganglinie n1’ keinen Einfluss auf den Preis p’ haben, wenn Sie mit der Angebotskurve a’ geschnitten wird, da durch die Nutzung der Nach- frageflexibilität kein Sprung auf eine andere Preisstufen der Angebotskurve erfolgt. Stattdessen könnte das Überangebot der Kraftwerkstechnologie mit niedrigen Grenzkosten genutzt und die Nachfrage zu diesem Zeitpunkt von q auf q’ erhöht werden. 0 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 120 140Nachfrage Pr ei s p q 0 1 2 3 4 5 6 7 8 9 10 0 20 40 60 80 100 120 140Nachfrage Pr ei s p p1 q1 q q' p' p' a a' a' an nn 1' Abbildung 1-1: Preisbildung am Spotmarkt bei inelastischer Nachfrage (links) im Vergleich zur Preis- bildung bei in Grenzen elastischer Nachfrage (rechts) für zwei Angebotssituationen Vor dem Hintergrund dieser theoretischen Überlegungen wäre es somit denkbar Lastmanage- ment über Preiselastizitäten zu modellieren. Die Modellbildung als vereinfachte Darstellung der Realität ist notwendig, um quantitative und qualitative Wechselwirkungen in einem System un- tersuchen zu können, in dem sonst keine vergleichbaren Untersuchungen durchführbar wären (Remme, 2006). Preiselastizitäten werden als Nachfrageänderung aufgrund einer infinitesima- len Preisänderung unter sonst gleichen Bedingungen beschrieben. In der Energiesystemanalyse 1 Einleitung 5 sind insbesondere Eigenpreiselastizitäten relevant, die als prozentuale Nachfrageänderung nach einem Produkt bei einer einprozentigen Preisänderung des Produktes approximiert werden kön- nen (Laege, 2002). Ist ein Schnittpunkt der Angebots- mit der Nachfragekurve aus einer initialen Lösung bekannt, kann über die Eigenpreiselastizität die tatsächliche Nachfrage eines Produktes bestimmt werden. Damit geht auch eine Änderung des Optimierungsproblems einher. Während die initiale Lösung noch über die Minimierung der Systemkosten bestimmt werden kann, ist unter Berücksichtigung der Eigenpreiselastizitäten die gesamte Wohlfahrt zu maximieren (Lou- lou et al., 2005a). Relevant für die Modellierung von Lastverlagerungen wären insbesondere Kurzzeitelastizitäten, während Langzeitelastizitäten geeignet sind, um Energieeinsparungen zu modellieren, da dabei Energie durch Kapital substituiert wird (Laege, 2002). Ein Kritikpunkt an Eigenpreiselastizitäten ist deren Gültigkeit für genau eine Kombination aus Menge und Preis (Laege, 2002). Weiterhin wird bei der Bestimmung von Preiselastizitä- ten kritisiert, dass exogene Nachfragesteigerungen zu Verzerrungen der messbaren Nachfrage- rückgänge aufgrund gestiegener Preise führen können (Lijesen, 2007). Eine generelle Kritik an der Bestimmung von Preiselastizitäten ist, dass eine Trennung von preisinduzierten Nachfra- geänderungen und anderen Einflussgrößen kaum möglich ist. Daher sind Preiselastizitäten mit erheblichen Unsicherheiten verbunden (Laege, 2002), weshalb in dieser Arbeit ein fundamen- talanalytischer Ansatz zur Modellierung von DSM verwendet werden soll. 1.2 Methodik und Aufbau der Arbeit Die Forschungshypothese einer kostengünstigeren Integration intermittierender erneuerbarer Energien in ein Elektrizitätssystem im Vergleich zu konventionellen Stromspeichern, Reser- vekraftwerkskapazitäten oder Power-to-Gas verdeutlicht bereits den Abgleich zwischen Supply Side Management (SSM) und DSM sowie die Kopplung des Elektrizitätsmarktes mit dem Gas- markt. Weiterhin besteht neben Umwandlungs- und Speichertechnologien auch nachfrageseitig ein Vielzahl von Technologie- und Anpassungsoptionen, die es hinsichtlich der Fragestellung zu berücksichtigen gilt. Darüber hinaus sind einige der energiepolitischen Ziele, beispielsweise die Reduktion von Treibhausgasemissionen, nicht auf das Elektrizitätssystem begrenzt. Insofern ist es notwendig, das gesamte Energiesystem in der Analyse zu berücksichtigen und darüber mög- liche Wechselwirkungen zwischen den Sektoren und Akteuren innerhalb des Energiesystems zu erfassen. Um eine technologieorientierte Abbildung von Lastmanagementoptionen zu ermögli- chen, ist eine Modellkopplung mit geeigneten Simulationsmodellen anzustreben, sodass mögli- che Komfort- oder Nutzenverluste bereits im Vorfeld der Energiesystemanalyse ausgeschlossen werden können. Die Struktur der Arbeit sowie wesentliche Inhalte der einzelnen Kapitel werden in Abbildung 1-2 dargestellt. Kapitel 2 gibt einen Überblick zur Entwicklung des Energiesystems in Deutsch- 6 1 Einleitung land ab 1990, stellt die geltenden energiepolitischen Ziele für Deutschland vor und diskutiert Herausforderungen, die sich aus den energiepolitischen Zielen für das deutsche Energiesystem ableiten lassen. In Kapitel 3 wird zunächst der Begriff des DSM definiert. Im Anschluss folgt eine Übersicht zum Stand der Forschung hinsichtlich der Potenziale für Lastmanagementan- wendungen sowie gängigen Modellierungsansätzen. Abgeleitet aus den bestehenden Methoden und den als zu schließend identifizierten Lücken wird in Kapitel 4 die Modellierungsmethodik dieser Arbeit vorgestellt. In Kapitel 5 wird auf die Modellkopplung und die Erhebung der Mo- dellparameter eingegangen, bevor in Kapitel 6 auf Basis einer Szenarioanalyse die Forschungs- hypothese quantitativ evaluiert wird. Abschließend werden in Kapitel 7 Schlussfolgerungen gezogen und zukünftiger Forschungsbedarf aufgezeigt. Demand Side Management (Kapitel 3) • Definition des Begriffs • Stand der Forschung in der Energiesystemanalyse Methodik (Kapitel 4) • Einordnung des Modellgenerators • Modellierung von Energie- einsparungen und Lastmanagement Lastmanagementpotenziale (Kapitel 5) • Lastverlagerungen und –abwurf in industriellen Prozessen • Hybride Erzeugungssysteme im Sektor Gewerbe, Handel und Dienstleistungen • Thermostatgeregelte Lasten und Batchprozesse in Haushalten Szenarioanalyse (Kapitel 6) • Rahmenannahmen und Definition der Szenarien • Analyse der Basisszenarien • Robustheit der Ergebnisse gegenüber Parametervariationen Das Energiesystem Deutschlands (Kapitel 2) • Struktur, Ziele und Herausforderungen im Kontext des deutschen Energiesystems Zusammenfassung und Ausblick (Kapitel 7) • Einordnung der Ergebnisse im Hinblick auf die Forschungshypothese • Weiterer Forschungsbedarf Abbildung 1-2: Struktur der vorliegenden Arbeit 2 Das Energiesystem Deutschlands 7 2 Das Energiesystem Deutschlands Zur besseren Einordnung des Szenariorahmens (Abschnitt 6.2) sowie der Ergebnisse der Szena- rioanalyse in Abschnitt 6.3 und Abschnitt 6.4 erfolgt zunächst eine Beschreibung der Entwick- lungen im Energiesystem Deutschlands der vergangenen 25 Jahre auf Basis von statistischen Werten. Darüber hinaus werden aktuell gültige energiepolitische Rahmenbedingungen sowie bereits formulierte langfristige energiepolitische Zielgrößen für Deutschland beschrieben. Aus den bereits zu beobachtenden Entwicklungen und den Zielen werden mögliche Herausforde- rungen bei der Transformation des Energiesystems in Deutschland abgeleitet. 2.1 Struktur des Energiesystems in Deutschland Der Endenergieverbrauch in Deutschland unterliegt seit 1990 einem leicht rückläufigen Trend (siehe Abbildung 2-1), wobei dieser Trend in einzelnen Jahren über- oder unterschritten wurde. Exemplarisch für die Schwankungen des Energieverbrauchs in einzelnen Jahren steht das Jahr 2009, in dem der Endenergieverbrauch im Vergleich zum Vorjahr aufgrund der Wirtschaftskrise um 494 PJ gesunken ist (AG Energiebilanzen e. V., 2010; BMWi, 2016). Auf Basis der verwen- deten Energieträger ist zu Beginn des betrachteten Zeitraums nach der deutschen Wiederverei- nigung ein deutlicher Rückgang des Braunkohleanteils am Endenergieverbrauch zu beobachten. Seit dem Jahr 2000 werden pro Jahr etwa 80 PJ Braunkohle zur Deckung des Endenergiever- brauchs eingesetzt (BMWi, 2016). Die Nutzung von Steinkohle sinkt im Gegensatz zur Braun- kohle weiterhin. In 1990 betrug der Anteil der Steinkohle am Endenergieverbrauch 571 PJ und in 2014 346 PJ (BMWi, 2016). Mineralölprodukte konnten von 1990 bis 1996 zunächst einen Zuwachs von 463 PJ verzeichnen, sind jedoch bis 2014 wieder um 1180 PJ auf 3263 PJ ge- sunken (BMWi, 2016). Eine ähnliche Entwicklung kann für die Nutzung von Gasen beobachtet werden, allerdings ist der Rückgang im Vergleich zu Mineralölprodukten schwächer ausgeprägt (etwa 400 PJ von 1996 bis 2014). Der Beitrag von Strom zum Endenergieverbrauch in Deutsch- land ist von 1990 bis 2014 um etwa 200 PJ gestiegen (BMWi, 2016). Einen deutlichen Zuwachs konnte die Gruppe der sonstigen Energieträger verzeichnen, in der unter anderem Brennholz enthalten ist. Während diese Gruppe in 1990 lediglich 54 PJ am Endenergieverbrauch ausmach- te, stieg dieser Wert bis 2014 auf 627 PJ. In Abbildung 2-2 ist der Primärenergieverbrauch in Deutschland von 1990 bis 2015 darge- stellt. In diesem Zeitraum ist der Primärenergieverbrauch um 1570 PJ gesunken und betrug in 2015 13335 PJ (BMWi, 2016). Der Rückgang des Primärenergieverbrauchs ist teilweise auf einen Bewertungseffekt zurück- zuführen, der durch die Nutzung der Wirkungsgradmethode entsteht. Dabei erfolgt die primär- energetische Bewertung von Wind- und Solarenergie mit einem Wirkungsgrad von 100 %, so- 8 2 Das Energiesystem Deutschlands 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 E n d en er g ie v er b ra u ch [ P J] Steinkohle Braunkohle Gas Strom Mineralölprodukte Fernwärme Sonstige Linear (Trend) Abbildung 2-1: Endenergieverbrauch pro Jahr nach Energieträgern in Deutschland von 1990 bis 2014 (BMWi, 2016) -500 2000 4500 7000 9500 12000 14500 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 P ri m är en er g ie v er b ra u ch [ P J] Steinkohle Braunkohle Mineralöl Erdgas Kernenergie Wasser- und Windkraft sonstige Erneuerbare Energien Sonstige Außenhandelssaldo Strom Abbildung 2-2: Jährlicher Primärenergieverbrauch nach Energieträgern in Deutschland von 1990 bis 2015 (BMWi, 2016) 2 Das Energiesystem Deutschlands 9 4% 19% 8% 30% 7% 8% 19% 4% 1669 PJ Wasserkraft Windkraft Photovoltaik Holz, Stroh u. a. feste Stoffe Biodiesel u. a. flüssige Brennstoffe Müll, Deponiegas Klärgas einschl. Biogas Sonstige erneuerbare Energien Abbildung 2-3: Beitrag erneuerbarer Energien zum Primärenergieverbrauch in 2015 (BMWi, 2016) dass eine Primärenergieverbrauchsreduktion allein durch eine stärkere Nutzung erneuerbarer Energien erzielt werden kann. Für eine Diskussion der Bilanzierungsmethoden und des Bewer- tungseffekts wird auf Kuder et al. (2013) verwiesen. Nach der Wiedervereinigung Deutschlands sinkt der Anteil der Braunkohle am Primärener- gieverbrauch von 22 % in 1990 auf 11 % im Jahr 2000 (BMWi, 2016). In den nachfolgenden Jahren verändert sich der Braunkohleanteil am Primärenergieverbrauch in Deutschland ledig- lich geringfügig. Die Nutzung von Steinkohle ist primärenergetisch in Deutschland von 1990 bis 2015 um 615 PJ gesunken (BMWi, 2016). Für Mineralöle gilt die Entwicklung, die zuvor für den Endenergieverbrauch beschrieben wurde, auch für den Primärenergieverbrauch. Der Anteil von Erdgas am Primärenergieverbrauch in Deutschland ist von 15 % in 1990 auf 21 % in 2015 gestiegen (BMWi, 2016). Etwa seit der Jahrtausendwende sind deutliche Zuwächse der erneuerbaren Energien am Pri- märenergieverbrauch in Deutschland zu verzeichnen. Während in 2000 noch 417 PJ erneuerba- rer Energien zur Deckung des Primärenergieverbrauchs in Deutschland beigetragen haben, ist dieser Wert bis 2015 auf 1669 PJ gestiegen (BMWi, 2016). Davon wurden in 2015 30 % durch Holz bereitgestellt. Weitere 19 % entfallen auf Klär- und Biogas. Der Anteil der Windkraft am Beitrag erneuerbarer Energien zum Primärenergieverbrauch betrug in 2015 ebenfalls 19 %. Der Anteil aller übrigen erneuerbaren Energien ist kleiner als 10 % (BMWi, 2016). In Abbildung 2-3 wird der Beitrag erneuerbarer Energien nach Energieträgern zum Primärenergieverbrauch in Deutschland in 2015 dargestellt. Die Entwicklung der energiebedingten Treibhausgasemissionen in Deutschland ist in Abbil- 10 2 Das Energiesystem Deutschlands 0 100 200 300 400 500 600 700 800 900 1000 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 T re ib h au sg as em is si o n en [ M t C O 2 -Ä q .] Umwandlungssektor Industrie Verkehr Gewerbe, Handel, Dienstleistungen Haushalte Militär und weitere kleine Quellen Abbildung 2-4: Jährliche energiebedingte Treibhausgasemissionen nach Sektoren in Deutschland von 1990 bis 2015 (BMWi, 2017) dung 2-4 von 1990 bis 2015 dargestellt. Aus Abbildung 2-4 geht hervor, dass die Treibhaus- gasemissionen aus der Verbrennung fossiler Brennstoffe in Deutschland von 1990 bis 2015 um knapp 25 % gesunken sind. Während in 1990 energiebedingt etwa 998 Mt CO2-Äq. emittiert wurden, betrugen die absoluten Emissionen in 2015 noch 752 Mt CO2-Äq. (BMWi, 2017). In 1990 wurden knapp 43 % der Treibhausgasemissionen aus der Verbrennung fossiler Brennstof- fe im Umwandlungssektor emittiert. Die Treibhausgasemissionen in der Industrie, dem Ver- kehrssektor und in Haushalten beliefen sich in 1990 auf jeweils etwa 150 Mt CO2-Äq., wobei lediglich im Sektor Gewerbe, Handel und Dienstleistungen (GHD) mit 66 Mt CO2-Äq. deut- lich geringere Treibhausgasmengen emittiert wurden (BMWi, 2017). Der Vergleich von 1990 mit 2015 zeigt, dass im Umwandlungssektor mit einer Reduktion der Treibhausgasemissionen um 92 Mt CO2-Äq. und der Industrie mit einer Reduktion um 60 Mt CO2-Äq. in Deutschland absolut betrachtet die größten Emissionsminderungen erreicht wurden, während die Treibhaus- gasemissionen aus der Verbrennung fossiler Brennstoffe im Verkehrssektor nur geringfügig ge- sunken sind (BMWi, 2017). Im GHD und in den Haushalten beträgt die Emissionsreduktion in Deutschland von 1990 bis 2015 zwischen 31 Mt CO2-Äq. und 44 Mt CO2-Äq. (BMWi, 2017). Abbildung 2-5 zeigt die Bruttostromerzeugung nach Energieträgern in Deutschland von 1990 bis 2015. Im genannten Zeitraum ist die Bruttostromerzeugung ausgehend von 550 TWh auf 652 TWh gestiegen (BMWi, 2016). Das Stromimportsaldo ist dabei von einem nahezu ausge- glichenen Saldo in 1990 auf Stromexporte in Höhe von 50 TWh in 2015 angewachsen (BMWi, 2016). 2 Das Energiesystem Deutschlands 11 -100 0 100 200 300 400 500 600 700 1 9 9 0 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 B ru tt o st ro m er ze u g u n g [ T W h ] Steinkohle Braunkohle Mineralöle Gas Kernenergie Wind Wasserkraft Biomasse PV Abfälle Sonstige Importe Abbildung 2-5: Bruttostromerzeugung nach Energieträgern in Deutschland von 1990 bis 2015 (BMWi, 2016) Von 1990 bis 2000 ist die Stromerzeugung aus Steinkohle mit durchschnittlich 146 TWh re- lativ konstant. Auch die Bruttostromerzeugung in Braunkohlekraftwerken unterliegt in diesem Zeitraum nach einem anfänglichen Rückgang von etwa 15 TWh mit durchschnittlich 148 TWh nur geringen Schwankungen. Während die Bruttostromerzeugung aus Steinkohlekraftwerken ab 2008 auf etwa 125 TWh gesunken ist, wurden ab 2011 in Braunkohlekraftwerken über 150 TWh pro Jahr erzeugt. In 1990 wurden aus Erdgas etwa 36 TWh erzeugt. Dieser Wert er- reichte in 2010 mit knapp über 89 TWh sein Maximum und ist bis 2015 auf 57 TWh gesunken (BMWi, 2016). Die Bruttostromerzeugung in Kernkraftwerken erreichte in 2001 mit 171 TWh ausgehend von 153 TWh in 1990 ihr Maximum. In 2015 wurden noch knapp 92 TWh in Kern- kraftwerken erzeugt (BMWi, 2016). Mit dem Ausbau der erneuerbaren Energien ist die Bruttostromerzeugung in Windkraft-, Photovoltaik- und Biomasseanlagen von etwa 11 TWh in 2000 auf knapp 169 TWh in 2015 gestiegen (BMWi, 2016). Mit 86 TWh wurden davon über 50 % in Windkraftanlagen erzeugt, während 44 TWh in Biomasse- und etwa 39 TWh in Photovoltaikanlagen erzeugt wurden. Die Bruttostromerzeugung in Biomasseanlagen hat mit einem Zuwachs von knapp 50 % das ge- ringste Wachstum zu verzeichnen. Demgegenüber hat sich die Bruttostromerzeugung in Pho- tovoltaikanlagen seit 2010 um den Faktor 3,3 erhöht, während die Bruttostromerzeugung in Windkraftanlagen von 2010 bis 2015 um den Faktor 2,3 gestiegen ist (BMWi, 2016). Abbil- dung 2-6 zeigt die Anteile der Energieträger an der Bruttostromerzeugung in Deutschland in 2015. 12 2 Das Energiesystem Deutschlands 18% 24% 1% 9% 14% 13% 4% 7% 6% 1% 3% 652 TWh Steinkohle Braunkohle Mineralöl Erdgas Kernenergie Windkraft Wasserkraft Biomasse Photovoltaik Müll Sonstige Abbildung 2-6: Anteile der Energieträger an der Bruttostromerzeugung in Deutschland in 2015 (BMWi, 2016) Die Entwicklung der Bruttostromerzeugungskapazitäten in Deutschland von 1991 bis 2014 ist in Abbildung 2-7 dargestellt. Die installierte Kraftwerkskapazität ist demnach um knapp 61 % von 126 GW auf knapp 203 GW gestiegen (BMWi, 2016). Die Bruttostromerzeugungs- kapazität in Steinkohlekraftwerken weist im analysierten Zeitraum nur geringe Schwankungen auf und ist im Vergleich zu 1991 mit 34 GW in 2014 nahezu unverändert. Die installierte Brut- tostromerzeugungskapazität in Braunkohlekraftwerken ist von 29,5 GW in 1991 auf 20,3 GW in 1999 gesunken und beträgt in 2014 23,3 GW (BMWi, 2016). In Gaskraftwerken ist die instal- lierte Leistung von 18 GW in 1991 um 9 GW auf 27 GW in 2014 gestiegen. In vergleichbarem Umfang ist die Bruttoerzeugungsleistung in Ölkraftwerken gesunken. In 1991 betrug die in- stallierte Leistung in diesem Kraftwerkstyp etwa 11 GW, während in 2014 lediglich 3 GW in Ölkraftwerken installiert waren (BMWi, 2016). Die Bruttostromerzeugungskapazität in Kern- kraftwerken ist erst in 2011 mit dem „13. Gesetz zur Änderung des Atomgesetzes“ um 9 GW gesunken und schwankte in den vorangegangen Jahren zwischen 21 GW und 24 GW (BMWi, 2016). Der deutliche Anstieg der installierten Kraftwerkskapazitäten kann somit primär auf den Ausbau der Windkraft- und Photovoltaikanlagen zurückgeführt werden. Deren Bruttostrom- erzeugungskapazität betrug in 2014 39 GW für Windkraftanlagen und 38 GW für Photovoltaik- anlagen (BMWi, 2016). Die Auslastung der Steinkohlekraftwerke beträgt seit 1991 im Durchschnitt etwa 50 % (BM- Wi, 2016), allerdings wurde dieser Wert seit 2008 lediglich in 2013 erreicht. In 2014 ist die Auslastung der Steinkohlekraftwerke mit 39 % auf den tiefsten Stand seit 1991 gesunken. Die 2 Das Energiesystem Deutschlands 13 0 50 100 150 200 250 1 9 9 1 1 9 9 2 1 9 9 3 1 9 9 4 1 9 9 5 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1 2 0 0 2 2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4B ru tt o st ro m er ze u g u n g sk ap az it ät [ G W ] Steinkohle Braunkohle Mineralöle Gas Kernenergie Wasserkraft Wind PV Geothermie Biomasse Sonstige Abbildung 2-7: Bruttostromerzeugungskapazitäten nach Energieträgern in Deutschland von 1991 bis 2014 (BMWi, 2016) Auslastung der Braunkohlekraftwerke ist von 1991 bis 2002 von 61 % auf 83 % gestiegen (BM- Wi, 2016). Im Zeitraum von 2003 bis 2014 schwanken die Volllaststunden der Braunkohlekraft- werke zwischen 7140 und 6030 Stunden (BMWi, 2016). Eine eindeutige Entwicklung ist in diesem Zeitraum nicht zu erkennen. Die Auslastung von Mineralölkraftwerken ist bis 2001 auf 9 % gesunken und bis 2005 wieder auf 25 % angestiegen (BMWi, 2016). Seit 2011 weist die Auslastung jedoch einen relativ großen Schwankungsbereich auf (13 % bis 28 %). Die Volllast- stunden von Erdgaskraftwerken sind von 1991 bis 2008 von 2016 Stunden auf 3914 Stunden angestiegen (BMWi, 2016). In 2014 betrug die Auslastung jedoch nur 26 %(BMWi, 2016), was den sinkenden Trend der Auslastung von Erdgaskraftwerken verdeutlicht. Kernkraftwerke weisen über den gesamten Zeitraum von 1991 bis 2014 eine durchschnittliche Auslastung von 81 % mit vergleichsweise geringen Schwankungen auf. Bei den erneuerbaren Energien ist die Entwicklung der Volllaststunden von Biomasseanlagen hervorzuheben, deren Auslastung von 25 % in 1991 auf 71 % in 2014 angestiegen ist (BMWi, 2016). 2.2 Ziele zur Umgestaltung des Energiesystems in Deutschland Formulierte energiepolitische Ziele in Deutschland können nicht alleine auf nationaler Ebene betrachtet werden, da energiepolitische Ziele ebenso auf europäischer Ebene definiert werden. Daher erfolgt zunächst eine Darstellung wichtiger energiepolitischer Ziele der Europäische Uni- on (EU), bevor nationale Zielgrößen in Deutschland diskutiert werden. 14 2 Das Energiesystem Deutschlands Im Rahmen des Klima- und Energiepaketes 2020 hat sich die EU eine Reduktion der Treib- hausgasemissionen um 20 % gegenüber 1990, eine Steigerung des Anteils erneuerbarer En- ergien am Energieverbrauch von 20 % sowie eine Senkung des Energieverbrauchs um 20 % gegenüber einer Referenzentwicklung zum Ziel gesetzt (EK, 2016b). Ein Bestandteil zur Errei- chung des Treibhausgasminderungsziels ist das europäische Emissionshandelssystem (EHS), durch das eine Reduktion der Treibhausgasemissionen in den erfassten Branchen um 21 % ge- genüber 2005 erreicht werden soll. In den übrigen Wirtschaftssektoren (Nicht-EHS-Bereich) soll im Rahmen der Lastenteilungsvereinbarung eine Reduktion der Treibhausgasemissionen um 10 % in der EU-28 im Vergleich mit 2005 erreicht werden (EC, 2016a). Die nationalen Ziele unterscheiden sich dabei erheblich. In Bulgarien dürfen die Treibhausgasemissionen im Nicht-EHS-Bereich beispielsweise um 20 % gegenüber 2005 steigen, während sie in Dänemark um den gleichen Prozentsatz reduziert werden müssen. Für Deutschland wurde im Rahmen der Lastenteilungsvereinbarung eine Treibhausgasminderungsziel von 14 % gegenüber 2005 defi- niert (EC, 2016a). Das Konzept national variierender Ziele wird auch auf den Anteil erneu- erbarer Energien am Energieverbrauch in Abhängigkeit der jeweiligen nationalen Fähigkeiten angewandt (EK, 2016b). So soll der Anteil erneuerbarer Energien am Energieverbrauch in 2020 in Malta beispielsweise 10 % betragen, während für Schweden eine Zielvorgabe von 49 % gilt (EK, 2016b). Für Deutschland wurde im Rahmen des nationalen Aktionsplans ein Anteil der erneuerbaren Energien von 18 % am Bruttoendenergieverbrauch für 2020 definiert (Bundesre- publik Deutschland, 2010). Die Zielerreichung einer Energieverbrauchsreduktion von 20 % in 2020 für die EU-28 wird gegenüber einem prognostizierten Energieverbrauch gemessen und soll unter anderem durch die Sanierung von mindestens 3 % pro Jahr des öffentlichen Gebäu- debestands, Mindestanforderungen für die Energieeffizienz von Endgeräten und verpflichtende Energieberatungen für Unternehmen in einem Vierjahresrhythmus erreicht werden (EC, 2016b). Bis 2030 als Meilensteinjahr eines Entwicklungspfades für die EU bis 2050 sollen die Treib- hausgasemissionen gegenüber 1990 um 40 % gesenkt werden, wobei in den Sektoren des Emis- sionshandelssystems eine Reduktion von 43 % gegenüber 2005 und von den übrigen Wirt- schaftszweigen eine Reduktion von 30 % im Vergleich zu 2005 als notwendig erachtet wird (EK, 2016c). Für den Anteil der erneuerbaren Energien sowie für die Reduktion des Energie- verbrauchs wurden 27 % als Zielgröße für 2030 definiert. In 2020 soll jedoch überprüft werden, ob eine Erhöhung des Energieeinsparziels auf 30 % möglich ist (EK, 2016c). Als weiteres Etap- penziel zu einer CO2-armen Wirtschaft in 2050 gilt eine Reduktion der Treibhausgasemissionen um 60 % in 2040 im Vergleich zu 1990. In 2050 soll schließlich eine Minderung der Treibhaus- gasemissionen um 80 % gegenüber 1990 erreicht werden (EK, 2016a). Bezogen auf Deutschland sind in Tabelle 2-1 ausgewählte quantitative Ziele für die Entwick- lung des Energiesystems sowie der Stand im Jahr 2014 zusammengefasst. Die Treibhausgas- emissionen sollen in Deutschland in 2030 um mindestens 55 % und in 2050 um 80 % bis 95 % im Vergleich zu 1990 reduziert werden (BMWi, 2015a). Im Vergleich zu den Treibhausgas- 2 Das Energiesystem Deutschlands 15 reduktionszielen der EU in 2030 und 2040 hat sich Deutschland somit weitergehende Ziele gesetzt. Tabelle 2-1: Quantitative Ziele der Energiewende in Deutschland (BMWi, 2015a; Bundestag, 2014) Ist Ziele 2014 2020 2025 2030 2035 2040 2050 Treibhausgasemissionen Treibhausgasemissionen −27 % −40 % −55 % −70 % −80 % bis (Minderung gegenüber 1990) −95 % Erneuerbare Energien Anteil am Bruttoendenergie- 13,5 % 18 % 30 % 45 % 60 % verbrauch Anteil am Bruttostrom- 27,4 % 35 % 40 % 50 % 55 % 65 % 80 % verbrauch (min.) Anteil am Wärmeverbrauch 12 % 14 % Anteil im Verkehrsbereich 5,6 % Effizienz und Verbrauch Primärenergieverbrauch −8,7 % −20 % −50 % (gegenüber 2008) Endenergieproduktivität 1,6 % 2,1 % pro Jahr (2008 bis 2050) Bruttostromverbrauch −4,6 % −10 % −25 % (gegenüber 2008) Primärenergiebedarf Gebäude −14,8 % −80 % (gegenüber 2008) Wärmebedarf Gebäude −12,4 % −20 % (gegenüber 2008) Endenergieverbrauch Verkehr 1,7 % −10 % −40 % (gegenüber 2005) Neben der Reduktion der Treibhausgasemissionen ist der Ausbau der erneuerbaren Energien ein wichtiger Bestandteil des Energiekonzepts, der über mehrere Zielgrößen definiert wurde. Für den Anteil der erneuerbaren Energien am Bruttoendenergieverbrauch wurde ausgehend von dem bereits erwähnten Zielwert von 18 % in 2020 ein Anteil von 60 % in 2050 definiert (BM- Wi, 2015a). Als Zwischenziel wurde für 2030 ein Anteil von 30 % und in 2040 ein Anteil der erneuerbaren Energien am Bruttoendenergieverbrauch von 45 % festgelegt. Darüber hinaus soll der Anteil der erneuerbaren Energien am Bruttostromverbrauch bis 2050 auf mindestens 80 % gesteigert werden (Bundestag, 2014). Diese Zielgröße ist im EEG 2014 verankert und ist nicht direkt auf ein Ziel der EU zurückzuführen. 16 2 Das Energiesystem Deutschlands Zusätzlich zu den Zielen der Reduktion der Treibhausgasemissionen und des gesteigerten Einsatzes erneuerbarer Energien gibt es in Deutschland bis 2050 ebenfalls Ziele zur Reduktion des Primärenergieverbrauchs (−50 % gegenüber 2008), zur Steigerung der Energieproduktivi- tät (2,1 % pro Jahr) und zur Reduktion des Bruttostromverbrauchs (−25 % gegenüber 2008) (BMWi, 2015a). Weitere energiepolitische Ziele fokussieren auf den Primärenergie- und den Wärmebedarf von Gebäuden sowie den Endenergieverbrauch im Verkehrssektor (siehe Tabelle 2-1) (BMWi, 2015a). Neben den in Tabelle 2-1 genannten energiepolitischen Zielen gibt es in Deutschland weite- re Zielgrößen, die im Kontext des Energiesystems zu Veränderungen führen können. So wur- den beispielsweise im Fortschrittsbericht 2014 der Nationalen Plattform Elektromobilität sieben Maßnahmen definiert, um das Ziel von einer Millionen Elektrofahrzeugen in 2020 zu erreichen (NPE, 2014). Da die Zulassungszahlen jedoch hinter den Erwartungen zurückgeblieben sind, ist das Ziel um 50 % gekürzt und das Maßnahmenpaket um eine Prämie für den Kauf von Elek- trofahrzeugen ergänzt worden (Bundesregierung, 2016). 2.3 Herausforderungen bei der Umgestaltung des Energiesystems in Deutschland Mit der Umgestaltung des Energiesystems in Deutschland zur Erreichung der formulierten Zielvorstellungen sind unterschiedlichste Herausforderungen verbunden, die unter anderem in der Langfristigkeit von Investitionsentscheidungen in der Energiewirtschaft, der Komplexität einzelner Anlagen sowie des Gesamtsystems, den Wechselwirkungen des Energiesystems mit der Umwelt, in Unsicherheiten und möglicherweise konfliktären Zielen begründet liegen (Voß, 2009). Die Langfristigkeit von Investitionsentscheidungen lässt sich exemplarisch an der techni- schen Lebensdauer von Kraftwerken verdeutlichen. Schlesinger et al. (2014) unterstellen bei- spielsweise für konventionelle Stein- und Braunkohlekraftwerke eine technische Lebensdauer von 45 Jahren und für Gasturbinen 25 Jahre. Ein Investor würde also davon ausgehen, eine Anla- ge über die genannten Zeiträume betreiben zu können. Allerdings können marktwirtschaftliche und energiepolitische Entwicklungen dazu führen, dass der Betrieb gegebenenfalls bereits nach kurzer Zeit unrentabel wird, die Anlage stillgelegt und die Investition abgeschrieben werden muss. Das Kraftwerk Irsching gehört zu den aktuell effizientesten Gas- und Dampfturbinen- Kraftwerken und könnte aufgrund seiner kurzen Anfahrzeiten für den Ausgleich von Angebots- schwankungen erneuerbarer Energien genutzt werden (Siemens, 2016). Allerdings kann sich das Kraftwerk nicht über die Spotmarktpreise refinanzieren, weshalb die Betreiber die Stillle- gung der Anlage beantragt haben (Meck, 2015). Aufgrund der Systemrelevanz des Kraftwerks wurde die Stilllegung jedoch gesetzlich untersagt (Bundesnetzagentur, 2016), sodass die Kraft- 2 Das Energiesystem Deutschlands 17 werksleistung weiter vorgehalten werden muss. Anhand des Beispiels kann einerseits das In- vestitionsrisiko von Großanlagen in der Energiewirtschaft und andererseits die Komplexität des Zusammenwirkens von energiepolitischen Rahmenbedingungen und den technischen Anforde- rungen des Systems verdeutlicht werden. Weitere Herausforderungen ergeben sich aus den Präferenzen der Gesellschaft im Hinblick auf das Energiesystem. Einführend wurde bereits darauf verwiesen, dass CCS in der Energiere- ferenzprognose aufgrund von Akzeptanzproblemen nicht als Technologieoption berücksichtigt wurde (Schlesinger et al., 2014). Im Gegenzug weisen erneuerbare Energien die höchste Ak- zeptanz in der deutschen Gesellschaft unter den Erzeugungstechnologien auf, wobei kleine und dezentrale Erzeugungseinheiten gegenüber Großanlagen bevorzugt werden (Elsner et al., 2015). Erneuerbare Energien zeigen jedoch selbst ein heterogenes Meinungsbild auf, da steuerbare Biogasanlagen beispielsweise geringere Akzeptanzwerte als Photovoltaik- oder Windkraftan- lagen aufweisen (Elsner et al., 2015). Als weitere gesellschaftliche Herausforderung kann das Bestreben, insbesondere auf kommunaler Ebene, nach „Energie-Autarkie“ angeführt werden (Deuschle et al., 2015), welches gegebenenfalls nicht mit einem kostenoptimalen Energiever- sorgungssystem auf nationaler Ebene vereinbar ist. In der Energiewirtschaft sind darüber hinaus zentrale Planungsgrößen wie die Höhe der En- ergienachfrage oder die Entwicklung der Energieträgerpreise mit Unsicherheiten behaftet (Voß, 2009). In der Energiesystemanalyse wird daher statt einer Prognose der Ansatz der Szenario- analyse verwendet, um zu verdeutlichen, dass die untersuchte Entwicklung nur eine unter vielen möglichen Entwicklungen repräsentieren kann (Remme, 2006). Die Problematik konfliktärer Ziele und die Bedeutung der Planungssicherheit kann am Bei- spiel des europäischen Emissionshandelssystem und den nationalen Treibhausgasminderungs- zielen in Deutschland illustriert werden. Im Rahmen des europäischen Emissionshandelssys- tems werden die Treibhausgasemissionen fossil befeuerter Kraftwerke und weiterer industrieller Prozesse über die Verfügbarkeit von Emissionsberechtigungen reguliert. Trotz dieser Limitie- rung der Treibhausgasemissionen wird Deutschland das nationale Minderungsziel in 2020 laut dem „Ersten Fortschrittsbericht zur Energiewende“ voraussichtlich verfehlen (BMWi, 2014a). Daher soll in Deutschland über die als „Klimareserve“ bezeichnete Stilllegung von Braunkoh- lekraftwerken mit einer kumulierten Leistung von 2,7 GW die Erreichung des nationalen Zieles gewährleistet werden (Döschner, 2015). Die Rückwirkungen über das europäische Emissions- handelssystem werden in dieser Maßnahme jedoch nicht berücksichtigt, sodass die vermeint- lich eingesparten Treibhausgasemissionen in Deutschland in den verbleibenden teilnehmen- den Staaten des europäischen Emissionshandelssystem emittiert werden können. Gleichzeitig verdeutlicht die geforderte Stilllegung der Kraftwerksblöcke die Problematik der kurzfristigen Nachsteuerung zur energiepolitischen Zielerreichung. Eine weitere spezifische Herausforderung des Elektrizitätssystems resultiert aus dem Ziel des Anteils erneuerbarer Energien am Bruttostromverbrauch, der bis 2050 auf mindestens 80 % 18 2 Das Energiesystem Deutschlands -120 -100 -80 -60 -40 -20 0 20 40 60 80 1 3 0 4 6 0 7 9 1 0 1 2 1 3 1 5 1 6 1 8 1 9 2 1 2 2 2 4 2 5 2 7 2 8 3 0 3 1 3 3 3 4 3 6 3 7 3 9 4 0 4 2 4 3 4 5 4 6 4 8 4 9 5 1 5 2 5 4 5 5 5 7 5 8 6 0 6 1 6 3 6 4 6 6 6 7 6 9 7 0 7 2 7 3 7 5 7 6 7 8 7 9 8 1 8 2 8 4 8 5 R es id u al e L as t [G W h /h ] Stunde des Jahres 32,6 % 80% Abbildung 2-8: Gegenüberstellung der Residuallast bei einem Anteil erneuerbarer Energien von 32,6 % und 80 % am Bruttostromverbrauch (eigene Darstellung in Anlehnung an Hartmann, 2013) gesteigert werden soll. Abbildung 2-8 zeigt die Residuallast bei einem Anteil von 32,6 % aus 2015 und 80 % bei konstanter Stromnachfrage von 597 TWh pro Jahr und unverändertem Last- gang. Daraus geht einerseits hervor, dass die maximale residuale Last auch bei einem Anteil der erneuerbaren Energien am Bruttostromverbrauch von 80 % im Vergleich zu 2015 nahezu unverändert hoch ist. Andererseits sind deutliche negative residuale Lasten und damit eine stär- kere Spreizung zwischen minimaler und maximaler Residuallast ersichtlich. Daher stellt sich zukünftig die Frage nach der Integration der Stromüberschüsse sowie der Deckung der posi- tiven Residuallast über konventionelle Kraftwerke, Speicher oder Lastflexibilitäten. Weiterhin ist zu untersuchen, wie sich die Höhe und die zeitliche Struktur der Stromnachfrage zukünftig entwickeln und dabei auch flexibel anpassen könnten. Daher soll in dieser Studie der mögliche Beitrag von DSM zur als Energiewende bezeichneten Transformation des Energiesystems in Deutschland modellgestützt untersucht werden. 3 Demand Side Management 19 3 Demand Side Management Im Folgenden wird zunächst eine Begriffsdefinition für DSM festgelegt und damit auch der Um- fang späterer Analysen definiert. Im Anschluss wird für die in der Begriffsdefinition enthaltenen Forschungsschwerpunkte ein strukturierter Überblick zum Stand der Forschung gegeben. 3.1 Begriffsdefinition und Abgrenzung Die integrierte Ressourcenplanung (IRP) verfolgt das Ziel einer kostenoptimalen Bereitstellung von Energiedienstleistungen unter Berücksichtigung aller Erzeugungsoptionen und aller Maß- nahmen zur Reduktion des Energieverbrauchs (Voß und Hoecker, 1994). Das Supply Side sowie Demand Side Management können als Teilgebiete der integrierten Ressourcenplanung verstan- den werden. Im Rahmen des Supply Side Managements erfolgt eine Kapazitätsausbauplanung, um eine prognostizierte Nachfrage möglichst kostengünstig zu decken (Swisher et al., 1997). Unter DSM könnten nun alle kosteneffizienten nachfrageseitigen Maßnahmen verstanden wer- den, die zur Reduktion der Nachfrage nach Energiedienstleistungen beitragen. Allerdings wird der Begriff des DSM in der Literatur nicht einheitlich definiert (Sterner und I. Stadler, 2014). Daher erfolgt zunächst eine Übersicht verwendeter Definitionen, bevor die Begriffsdefinition im Rahmen dieser Studie vorgenommen wird und eine Abgrenzung zu anderen Studien erfolgt. In seiner engsten Definition wird der Begriff des DSM als Laststeuerung verstanden, die das Ziel verfolgt, die Last zu glätten (Agricola, 2011; Finn und Fitzpatrick, 2014; Strbac, 2008). Eine allgemeinere Definition nutzt DSM, um eine zeitliche Flexibilisierung der Nachfrage zu beschreiben (I. Stadler, 2006). Weiterhin kann mit DSM auch der Lieferantenwechsel beschrie- ben werden, wenn die Tarifstruktur günstiger oder die Dienstleistung umfassender ist (Cooke, 2011). Eine weiterer Definitionsansatz umschreibt DSM als Kombination von Energieeinspa- rungen und Nachfrageflexibilität, die in diesem Kontext häufig als Lastmanagement bezeichnet wird (DOE, 2006; Paulus und Borggrefe, 2011). Dieser Ansatz greift jedoch zu kurz, da darin keine Lastverschiebungen aufgrund von Marktinstrumenten, wie Preissignalen, berücksichtigt werden (IEA, 2003). Eine weniger stark verbreitete Definition versteht unter DSM die drei Säulen Energieeffizienz, Verhaltensanpassungen der Nutzer und Lastmanagement (Boshell und Veloza, 2008). In nicht-liberalisierten Energiemärkten kann DSM auch als ein zentrales Steue- rungsinstrument des Energieversorgungsunternehmens verstanden werden, wenn Investitionen in Spitzenlastkraftwerke durch entsprechend strukturierte Tarife oder direkte Subventionen in energiesparende Technologien vermieden werden (IEA, 2003; Cooke, 2011; Palensky und Diet- rich, 2011). In Abgrenzung zu den zuvor genannten Definitionen wird in dieser Studie DSM als Kombi- nation aus Energieeinsparungen durch Technologien mit einem geringeren spezifischen Ener- 20 3 Demand Side Management gieverbrauch und Lastmanagement verstanden, wobei letzteres auf marktbasierte Instrumente fokussiert, in denen Preissignale oder Anreizprogramme die zeitliche Struktur der Nachfrage beeinflussen. Dieser Ansatz beschreibt somit eine kundenorientierte und weniger eine versor- gungsorientierte Sichtweise auf DSM (Palensky und Dietrich, 2011). Trotz des dualen Defini- tionsansatzes für DSM über Energieeinsparungen und Lastmanagement ist diese Herangehens- weise nicht neu und wurde bereits in der Literatur verwendet (Rüffler, 2001; Shen et al., 2012; Pelzer et al., 2008). Da DSM entsprechend der vorgestellten Definition sowohl Energieeinsparungen als auch Lastmanagement umfasst, kann DSM über die Wirkungsdauer, die einzelne Maßnahmen auf die Lastkurve haben, beschrieben werden. Abbildung 3-1 veranschaulicht die Klassifizierung von DSM in Abhängigkeit der Dauer der Lastbeeinflussung. Während Energieeinsparungen als permanente Maßnahme betrachtet werden, um den Energieverbrauch einzelner Anwendungen dauerhaft zu senken, beschreibt Lastmanagement Lastreduktionen oder -verlagerungen, die eine zeitlich stark begrenzte Wirkungsdauer von wenigen Minuten oder Stunden haben (Sterner und I. Stadler, 2014; Shen et al., 2012; Palensky und Dietrich, 2011). La st ab w ur f Te ill as tb et rie b La st ve rs ch ie bu ng - K ap az itä t La st ve rs ch ie bu ng – in t. Sp ei ch er B at ch -P ro ze ss e H yb rid e Er ze ug un gs sy st em e t t Abbildung 3-1: Klassifizierung von Demand Side Management nach der Dauer der Lastbeeinflussung Lastmanagement beschreibt damit allgemein die Teilnahme von Endkunden in marktbasier- ten Programmen, die ausgestaltet sind, um den Lastgang der Kunden im Vergleich zu einem Referenzlastgang aufgrund von Preissignalen oder eines Anreizprogramms zu verändern (EC, 2013; DOE, 2006). Daher kann zwischen preis- und anreizbasiertem Lastmanagement unter- schieden werden. Allgemein gesprochen sollten Preissignale bei preisbasiertem Lastmanage- 3 Demand Side Management 21 ment in Überschusszeiten niedrig und in Knappheitssituationen hoch sein, um systemdienliche Lastverlagerungen zu begünstigen. Basierend auf diesen Grundzügen der Preisgestaltung exis- tieren bereits entsprechende Tarifstrukturen. Time of use-Tarife unterteilen einen Tag typischer- weise in zwei Tarifzonen. Während in der Nacht ein günstigerer Tarif gewährt wird, ist der spezifische Preis am Tag höher. Weitere Tarifformen sind critical peak pricing, day-ahead hour- ly pricing oder real time pricing, die in unterschiedlichen Ausprägungen die Echtzeitkosten der Versorgung mit Energie repräsentieren (Albadi und El-Saadany, 2008; DOE, 2006). Bei anreizbasiertem Lastmanagement verpflichten sich Kunden zu Lastreduktionen, die durch den Netzbetreiber angeordnet werden können. Im Gegenzug erhalten teilnehmende Kunden ei- ne finanzielle Kompensation für den entfallenden Nutzen oder die ausgefallene Produktion (EC, 2013; DOE, 2006). Sollte der Grenznutzen des Energieverbrauchs eines Kunden beispielswei- se niedriger sein als die Grenzkosten der Erzeugung, wäre es denkbar, dass diese Kunden im Rahmen eines anreizbasierten Lastmanagements zu einem Lastabwurf aufgefordert werden und dafür einen monetären Ausgleich erhalten. Lastverlagerungen als preisbasiertes Lastmanagement werden in vier weitere Kategorien un- terteilt. Einerseits können Lasten verschoben werden, wenn die installierte Leistung größer als die durchschnittliche Auslastung eines Prozesses ist und somit Überkapazitäten vorhanden sind. Eine weitere Option zur Lastverlagerung sind interne Speicher, die über die Trägheit des Sys- tems Lastspitzen oder -täler ausgleichen können. Batch-Prozesse sind ein Spezialfall der Last- verlagerung mit Überkapazitäten, da diese Prozesse während eines Batch-Vorgangs nicht unter- brochen werden sollten und somit in dieser Zeit nicht für erneute Lastreduktionen zur Verfügung stehen. Als letzte Kategorie des preisbasierten Lastmanagements können hybride Erzeugungs- systeme unterschieden werden, die auf Basis von Preissignalen zwischen mindestens zwei En- ergieträgern wechseln können. Es erfolgt bei diesen Systemen zwar keine Beeinflussung der zeitlichen Struktur der Nachfrage, allerdings kann die Lastkurve eines Energieträgers kurzfris- tig beeinflusst werden. Auf Dauer angelegte Energieträgerwechsel, die beispielsweise durch die Substitution einer Technologie entstehen können, werden jedoch hierunter nicht subsumiert. Das anreizbasierte Lastmanagement wird in zwei Teilbereiche untergliedert, die sich im Maß der Lastabschaltung unterscheiden. Da nicht alle Prozesse aufgrund von Betriebsrestriktionen vollständig abgeschaltet werden sollen, wird zwischen einem Teillastbetrieb und dem Abwurf der vollständigen Leistung unterschieden. Bei beiden Varianten erfolgt keine Kompensation der Produktion, sodass die absolute Nachfrage reduziert wird. Der Einsatz von anreizbasiertem Lastmanagment zur Stabilisierung des Netzes, wie es bei- spielsweise in der Definition von DSM nach Roon und Gobmaier (2010) enthalten ist, ist nicht Gegenstand der verwendeten Definition und wird daher nicht in dieser Studie untersucht. Wei- terhin wird die Eigenstromerzeugung teilweise als Lastmanagementmaßnahme angesehen, da darüber der Strombezug aus dem öffentlichen Netz reduziert werden kann (Siano, 2014). Da mit der Eigenstromerzeugung keine Beeinflussung des Lastgangs der Energienachfrage einhergeht, 22 3 Demand Side Management wird dieser Aspekt im Rahmen der Definition von DSM für diese Studie ebenfalls ausgeklam- mert. 3.2 Überblick zum Stand der Forschung zur Behandlung von Demand Side Management in der Energiesystemanalyse Bezugnehmend auf die Definition und die Zielstellung bezüglich der systemanalytischen Ein- ordnung und Bewertung von DSM wird in den beiden nachfolgenden Abschnitten der Stand der Forschung zu Energieeinsparungen und Lastmanagement beschrieben und daraus der For- schungsbedarf abgeleitet. Dabei soll ein möglichst breites Spektrum der bisheriger Studien vor- gestellt werden, ohne dabei Anspruch auf Vollständigkeit zu erheben, da die bisher durchge- führten Arbeiten in ihrer Gänze kaum zu erfassen sind. 3.2.1 Studien zur Systemanalyse von Energieeinsparungen Systemanalytische Untersuchungen zu Energieeinsparungen können in die drei Studientypen statische Potenzialstudien, dynamische Simulationen und Optimierungen untergliedert wer- den. Statische Potenzialstudien beschreiben den Ist-Zustand eines Systems und leiten über Substitutionen, z. B. durch die beste verfügbare Technologie, Energieeinsparpotenziale für das untersuchte System ab. In einem stark abgegrenzten Untersuchungsfeld können Verbesserun- gen einzelner Technologien zu Energieeinsparungen führen. Potenzialstudien können dabei technologie-, prozess-, branchen- oder sektororientiert ausgestaltet sein. Eine technologieori- entierte Potenzialanalyse könnte beispielsweise auf elektrische Antriebe fokussieren. Diese werden üblicherweise so ausgelegt, dass sie bei voller Leistung die maximal anfallende Last bewältigen können. In Zeitpunkten, in denen nicht die volle Leistung benötigt wird, können Energieeinsparungen durch eine Anpassung der Drehzahl an die Lastsituation erzielt werden, wobei die Drehzahl über Frequenzumrichter geregelt werden kann (Saidur, Mekhilef et al., 2012). Prozess- oder Branchenanalysen bauen auf Studien zu einzelnen Technologieverbesse- rungen auf und aggregieren die Einsparpotenziale für Prozesse, Branchen oder Sektoren. Die- se Studien müssen nicht auf Energieeinsparungen beschränkt sein und beinhalten häufig auch Treibhausgasemissionsminderungspotenziale. Für die Region Gauteng in Südafrika wurde das Energieeinspar- und Treibhausgasminderungspotenzial sowie die spezifischen Kosten zur Ver- meidung der Treibhausgasemissionen auf Basis durchschnittlicher Bestandsproduktionsrouten im Vergleich zur besten verfügbaren Technologie ermittelt (Haasz et al., 2013). Als weiterer Aspekt wurde eine Verlagerung der Produktion von der Primär- zur Sekundärroute untersucht (Haasz et al., 2013), sodass die Analyse auch Aspekte einer dynamischen Simulation aufweist. In einem ähnlichen Ansatz haben Brunke und Blesl (2014a) ein Bestandsmodell der Eisen- 3 Demand Side Management 23 und Stahlindustrie in Deutschland erstellt, in dem jedes Werk mit den verwendeten Technolo- gien abgebildet und dadurch ein höheres Detaillierungsniveau erreicht wird. Zur Erstellung der Endenergieeinsparkostenkurven wurde sowohl auf Prozess- als auch auf Werksebene geprüft, welche Energieeinsparmaßnahmen umgesetzt werden können und welche Kosten dabei anfallen würden. Durch eine Reduktion der variablen Betriebskosten können Investitionen gegebenen- falls refinanziert werden und die Umsetzung einzelner Energieeinsparmaßnahmen somit zu ne- gativen Energieeinsparkosten über die angenommene technische Lebensdauer einer Maßnahme führen. Auf der Werksebene, die als repräsentativ für die gesamte Eisen- und Stahlindustrie in Deutschland angesehen werden kann, besteht im analysierten Zeitraum von 2013 bis 2025 bei einer als moderat bezeichneten Entwicklung der Energieträger- und CO2-Preise ein Energieein- sparpotenzial von über 90 PJ pro Jahr, das über die Lebensdauer der Maßnahmen zu Kostenein- sparungen führen würde. Neben Energieeinsparungen wird auch ein CO2-Minderungspotenzial von knapp 8 Mio. t CO2 mit negativen spezifischen CO2-Minderungskosten aufgeführt. In einer weiteren Analyse haben Brunke und Blesl (2014b) eine vergleichbare Studie für die Zementin- dustrie in Deutschland erstellt. Als zweite Kategorie können dynamische Simulationen von Energieeinsparpotenzialen auf- geführt werden. Im Gegensatz zu statischen Potenzialstudien verwendet z. B. Fleiter (2013) Prognosen für zukünftige Produktions- und Nachfrageentwicklungen. Weiterhin wird über den Analysezeitraum eine Technologiediffusion unterstellt, über die das Ausgangssystem kontinu- ierlich verändert wird. Somit unterliegen sowohl das technische als auch das wirtschaftliche Energieeinsparpotenzial Veränderungen im Zeitverlauf. In Hasanbeigi, Morrow et al. (2013) wird eine dynamische Simulation für die Zementindustrie in China durchgeführt. Auf Basis der residualen Produktionskapazität in 2009 wird ein Entwicklungspfad energiesparender Ersatzka- pazitäten bis 2030 abgeleitet. Auch in dieser Studie wird über eine kontinuierliche Diffusions- rate eine Verbesserung des spezifischen Energieverbrauchs des Referenzsystems simuliert, um das verbleibende Potenzial für Energieeinsparungen bis 2030 zu ermitteln (Hasanbeigi, Morrow et al., 2013). Die weitere Analyse der Energieeinsparpotenziale ist zu statischen Potenzialstudi- en vergleichbar und wird daher nicht weiter erläutert. Vorteile gegenüber der statischen Analyse können sich aus Szenarioanalysen ergeben, die auch für langfristige Zeiträume möglich sind, während in der statischen Analyse ein Zeitpunkt untersucht wird und über Parametervariationen eine Sensitivitätsanalyse der Ergebnisse erfolgen kann. Als dritten Studientyp sind Analysen zu Energieeinsparpotenzialen in Optimierungsmodel- len zu nennen, in denen diverse Technologien als konkurrierende Optionen modelliert und nach den Kriterien der Zielfunktion unter bestimmten Nebenbedingungen ausgewählt werden. Wird eine integrierte Analyse des Energiesystems mit einem Optimierungsmodell angestrebt, erfolgt die Abbildung von Umwandlungs- oder Produktionsprozessen häufig auf aggregierter Ebene als eine repräsentative Technologie für die gesamte Prozessvielfalt innerhalb einer Branche. Stati- sche Potenzialstudien (siehe oben) können für die Modellierung in einem Optimierungsmodell 24 3 Demand Side Management als Datengrundlage dienen, wenn die Informationen über den Ist-Zustand entsprechend aggre- giert werden. Alternativ können Potenzialstudien gezielt durchgeführt werden, um als Daten- grundlage für die Energiesystemmodellierung genutzt zu werden (siehe beispielsweise Haasz et al. (2013)). Kuder (2014) bestimmt über die beschriebene Vorgehensweise einer aggregierten Analyse der Industriebranchen für die EU und für Deutschland das theoretische Energieein- sparpotenzial und nutzt die gewonnenen Informationen anschließend in der Energiesystemmo- dellierung. Beispielsweise werden zur Produktion von Roheisen neben dem Hochofenbestands- prozess, der als durchschnittlicher Hochofen der Eisen- und Stahlindustrie zu verstehen ist, auch ein Hochofentyp nach dem Stand der besten verfügbaren Technologie oder ein Hochofen- typ mit CCS parallel zum Bestandsprozess modelliert. Die Erstellung von Energieeinspar- und Treibhausgasminderungspotenzialkurven kann auch über den Szenariovergleich eines Optimie- rungsmodells erfolgen. Stehen neben Energieeinsparungen beispielsweise Treibhausgasemissi- onsminderungen im Vordergrund der Analyse, ist der Verkehrssektor ein geeignetes Beispiel, um auf Basis der Technologiekonkurrenz und der mit den Antriebskonzepten verbundenen Be- reitstellungsinfrastruktur der Energieträger Treibhausgasminderungspotenzialkurven zu erstel- len (Tomaschek, 2013). 3.2.2 Studien zur Integration von Lastmanagement in Energiesysteme Bisherige Studien zu Lastmanagement im Kontext des Energiesystems decken bereits ein brei- tes Spektrum ab und können nach Boßmann (2015) in die vier Kategorien Tarifstruktur, Sys- temanalyse, Prozesssimulationen und Steuerungsalgorithmen gegliedert werden, wobei einzel- ne Studien nicht immer eindeutig einer Kategorie zugeordnet werden können und Überschnei- dungen möglich sind. Diese Kategorisierungsstruktur wird nachfolgend aufgegriffen und darin zusätzlich die Kategorie der Potenzialstudien integriert. Aufgrund der Bedeutung für die vorlie- gende Arbeit wird der Schwerpunkt in den nachfolgenden Abschnitten auf die Systemanalyse gelegt. 3.2.2.1 Tarifstruktur Die Definition von Lastmanagement aufgreifend, wird im Folgenden zwischen preis- und an- reizbasierten Programmen unterschieden. Zur Steuerung der Nachfrage auf Basis von Preis- signalen können die fünf Tarifstrukturen • Zeitpunkt der Verwendung (englisch: time-of-use) (TOU), • kritischer Spitzenlastpreis (englisch: critical-peak-pricing) (CPP), • Spitzenlastrabatt (englisch: peak-time rebate) (PTR), • Echtzeitpreise (englisch: real-time-pricing) (RTP) und 3 Demand Side Management 25 • ansteigender Blocktarif (englisch: inclining block rate) (IBR) unterschieden werden (Bergaentzlé et al., 2014), wobei in der Literatur häufig nur die Hauptka- tegorien time-of-use (TOU), critical-peak-pricing (CPP) und real-time-pricing (RTP) aufgeführt werden (DOE, 2006; Moghaddam et al., 2011). Time-of-use (TOU) Tarife unterteilen Tage in Abschnitte, denen ein definierter Arbeitspreis zugeordnet wird. In Deutschland wird diese Tarif- struktur bereits in Kombination mit Zweitarifzählern und entsprechenden Hoch- und Niederta- rifen beispielsweise für Nachtspeicherheizungen oder elektrische Warmwasserspeicher genutzt. Der time-of-use (TOU) Preisansatz wird in Gottwalt et al. (2011) zur Weitergabe von stündli- chen European Energy Exchange (EEX) Spotmarktpreisen, die einen Tag im Voraus ermittelt werden, an Haushalte genutzt. Haushaltsanwendungen werden dabei in automatisch steuerbare Geräte (z. B. Kühlschränke, Warmwasserspeicher) und teilautomatisch steuerbare Geräte (z. B. Spül- und Waschmaschinen) unterteilt und deren Einsatz in Abhängigkeit der Preissignale ge- steuert. Die größten Einsparungen können nach dieser Studie bei Nachtspeicherheizungen und Warmwasserspeichern erzielt werden, die überwiegend in der Nacht eingesetzt werden, da in den Nachtstunden die niedrigsten Preise an die Haushalte übermittelt wurden (Gottwalt et al., 2011). Critical-peak-pricing (CPP) ähnelt der zuvor beschriebenen Hoch- und Niedertarifstruktur, allerdings wird bei critical-peak-pricing (CPP) eine feinere Unterteilung der Tagesabschnitte verwendet und ein Zeitraum der Tageshöchstlast definiert, sodass über den Arbeitspreis ein Anreiz zur Reduktion des Verbrauchs gesetzt werden soll (Bergaentzlé et al., 2014). Die Tarifstruktur des peak-time-rebate (PTR) ist weitestgehend eine Invertierung des critical- peak-pricing (CPP). Statt eines hohen Arbeitspreises im Abschnitt der Spitzenlast wird ein Bo- nus für Lastreduktionen gegenüber einem Referenzlastgang an Kunden ausgezahlt. In der Tarifstruktur real-time-pricing (RTP) werden Preissignale im Vergleich zu den zuvor genannten Mechanismen deutlich häufiger an Kunden übermittelt (Sioshansi und Short, 2009). Preissignale können beispielsweise stündlich aktualisiert werden. Weiterhin bestehen in dieser Tarifstruktur keine definierten Abschnitte, in denen ein Arbeitspreis vom Lieferanten garan- tiert wird. Im Forschungsprojekt „MeRegio“ wurden zeitvariable Preissignale an Kunden über- mittelt, sodass sie ihren Verbrauch am Preissignal ausrichten konnten. In einzelnen Stunden konnten so Lastreduktionen von bis zu 20 % erzielt werden (MeRegio Projektteam, 2012). In der letzten Tarifvariante inclining block rate (IBR) steigt der Arbeitspreis mit dem kumulierten Verbrauch einer Periode, um so Anreize für einen niedrigen Verbrauch zu setzen (Bergaentzlé et al., 2014). Faruqui et al. (2010) haben die Ergebnisse mehrerer Feldtests mit variablen Preissignalen zusammengefasst und ausgewertet. Dabei kommen sie zu dem Ergebnis, dass dynamische Ta- rifstrukturen geeignet sind, um Verbrauchsverlagerungen von Perioden mit hohen Strompreisen zu Perioden mit niedrigeren Strompreisen herbeizuführen. Die Spitzenlastreduktion fällt dabei 26 3 Demand Side Management höher aus, wenn Tarifstrukturen mit einer größeren zeitlichen Auflösung genutzt werden (z. B. real-time-pricing (RTP) statt time-of-use (TOU)) (Faruqui et al., 2010). Anreizbasiertes Lastmanagement kann ebenfalls über eine Tarifstruktur gesteuert werden. Zu unterscheiden sind direkte Laststeuerung, unterbrechbare Verbraucher und Rückkaufprogram- me (DOE, 2006). Bei der direkten Laststeuerung erhalten Kunden im Rahmen des Tarifs eine Vergünstigung und im Gegenzug kann der Energieversorger in Knappheitssituationen elektri- sche Lasten abschalten oder in einen Teillastbetrieb versetzen. Kunden können bei Verzicht auf die Vergünstigung die Schaltsignale ignorieren. Im Gegensatz zur direkten Laststeuerung sind unterbrechbare Verbraucher keine freiwillige Maßnahme, sondern im Rahmen des Tarifs ver- pflichtend (Moghaddam et al., 2011). Im Rahmen von Rückkaufprogrammen werden zwischen einem Energieversorger und einem Großverbraucher bilaterale Verträge zur Vergütung bei Last- abwürfen ausgehandelt. Rückkaufprogramme wurden beispielsweise vom staatlichen südafri- kanischen Energieversorgungsunternehmen Eskom zwischen Dezember 2012 und März 2013 eingesetzt, um Wartungsarbeiten an Kraftwerken durchführen zu können und im angespannten südafrikanischen Elektrizitätssystem Stromausfälle zu vermeiden (Creamer, 2013). 3.2.2.2 Steuerungsalgorithmen Steuerungsalgorithmen werden häufig gezielt für spezifische Anwendungsfälle entwickelt und anhand dieser präsentiert. Für elektrische Warmwasserspeicher hat Atikol (2013) einen Steue- rungsalgorithmus entwickelt, der den Startzeitpunkt des Aufheizens beeinflusst und dadurch Lastverschiebungen erreicht. Auf Basis eines typischen Verbrauchsprofils des Warmwasserbe- darfs wird das Aufheizen in den Zeitraum von 15 bis 17 Uhr vorverlagert, wenn zwischen 17 und 23 Uhr ein Warmwasserbedarf besteht. Besteht erst nach 23 Uhr ein Warmwasserbedarf, wird das Aufheizen in den Zeitraum von 21 bis 23 Uhr verschoben, sodass zum Zeitpunkt der Spitzenlast zwischen 17 und 21 Uhr möglichst wenig Wasser erhitzt werden muss (Ati- kol, 2013). Aufgrund der definierten Zeitfenster für das Aufheizen des Wasserspeichers kann nur begrenzt auf die Lastsituation im Stromnetz oder das Angebot erneuerbarer Energien re- agiert werden. Dennoch bietet der vorgestellte Ansatz eine einfache Option zur Glättung des Lastgangs von Haushalten, ohne dabei Komfortverluste bei den Nutzern hervorzurufen (Atikol, 2013). In einer weiteren Studie zur Steuerung von Warmwasserspeichern wird der Warmwasser- verbrauch eines Zwei- und eines Dreipersonenhaushalts zunächst für Bedarfsprognosen simu- liert. Im Anschluss erfolgt eine Minimierung der Stromkosten auf Basis von Spotmarktpreisen, wobei in der Optimierung die Betriebszustände über binäre Variablen berücksichtigt werden (Kepplinger et al., 2015). Die Ergebnisse zeigen, dass über diesen Steuerungsalgorithmus im Vergleich zu einem Warmwasserspeicher mit Aufheizung zu Niedertarifzeiten Kosten- und En- ergieeinsparungen von jeweils etwa 12 % in Abhängigkeit des Nutzerverhaltens möglich sind (Kepplinger et al., 2015). Neben den genannten Kosteneinsparungen bietet dieser Ansatz den 3 Demand Side Management 27 Vorteil, dass eine unidirektionale Kommunikationslösung ausreichend wäre (Kepplinger et al., 2015). In Galván-López et al. (2015) werden evolutionäre Algorithmen verwendet, um das Ladever- halten elektrischer Fahrzeuge im Vergleich zu drei Ladeszenarien zu optimieren. Die drei Refe- renzladestrategien sind zufälliges Laden, das Laden, sobald das Fahrzeug den Heimatstandort erreicht hat, und das Laden während der Nachtstunden. Ziel der Optimierung ist die Reduktion der Stromkosten und die Reduktion der Spitzenlast unter Beibehaltung eines möglichst hohen Speicherstandes. In den Szenarien werden kleine Populationen von bis zu 90 Fahrzeugen opti- miert, die zentral von einem Aggregator angesteuert werden können. Dabei werden im Vergleich zu den Referenzladestrategien sowohl Kosteneinsparungen als auch Spitzenlastreduktionen er- zielt. Mišák et al. (2015) kombinieren neuronale Netze zur Prognose der Einspeisung aus Photo- voltaikmodulen und Windkraftanlagen und einen deterministischen Steuerungsalgorithmus zur Einsatzplanung elektrischer Anwendungen in einem Inselsystem. Zur Einsatzplanung wird ein Planungsabschnitt (z. B. ein Tag) in fünfminütige Intervalle unterteilt, für die jeweils geprüft wird, ob die Last kleiner oder gleich der prognostizierten Einspeiseleistung ist. Überschreitet die elektrische Last die prognostizierte Einspeiseleistung, werden die Anwendungen entspre- chend ihrer Prioritäten umsortiert, bis die Last in allen Intervallen gedeckt werden kann. Durch die Verwendung des Steuerungsalgorithmus konnten in den Simulationen Unterdeckungen und damit einhergehend Komfortverluste in verschiedenen Jahreszeiten reduziert werden (Mišák et al., 2015). 3.2.2.3 Potenzialstudien Eine frühe Studie zur Ermittlung von Lastmanagementpotenzialen mit Querschnittstechnologi- en in der Industrie und im GHD sowie mit Haushaltsgeräten wurde in I. Stadler und Bukvic´- Schäfer (2003) durchgeführt. Darin wurden sowohl technisch erzielbare Lastverlagerungszeit- räume als auch verschiebbare Leistungen und Energiemengen bestimmt. Mit 15 min. wurden die kürzesten Lastverlagerungszeiträume in Druckluftsystemen identifiziert, während die längs- ten Zeiträume mit 256 min. in Kühlanwendungen von Supermärkten ausgewiesen werden (I. Stadler und Bukvic´-Schäfer, 2003). Aufgrund großer installierter Leistungen in Druckluftsys- temen wird in dieser Anwendung jedoch mit 200 GW und 3000 GWh das größte Lastverlage- rungspotenzial im Rahmen dieser Studie beschrieben (I. Stadler und Bukvic´-Schäfer, 2003). Für Süddeutschland (Bayern und Baden-Württemberg) wurden in Klobasa et al. (2013) Last- managementpotenziale von industriellen Anwendungen und elektrischen Heizungssystemen untersucht. Zur Bestimmung der Potenziale wurden zuvor veröffentlichte Studien ausgewertet und um Unternehmensbefragungen ergänzt. In energieintensiven Produktionsprozessen könn- ten demnach in Süddeutschland etwa 400 MW für eine Stunde verlagert werden. In Abhängig- 28 3 Demand Side Management keit des Wochentages wird das Lastreduktionspotenzial in Süddeutschland mit Querschnitts- technologien in der Industrie in einem Bereich von 240 MW bis 480 MW angegeben, während über elektrische Heizungssysteme in kalten Winternächten bis zu 5240 MW zur Lastreduktion zur Verfügung stehen würden (Klobasa et al., 2013). Die Abschätzung der spezifischen Kosten der identifizierten Potenziale erfolgt über die Verordnung zu abschaltbaren Lasten und einem Vergleich zu Gasturbinen, wobei die angegebenen Potenziale bei zehn Volllaststunden pro Jahr die angestrebte Systemdienstleistung etwa 50 % günstiger bereitstellen könnten (Klobasa et al., 2013). In einer reinen Potenzialanalyse wurden theoretische Potenziale für Europa und Nordafrika sowohl für einen Lastabwurf als auch für Lastverschiebungen in den Sektoren Industrie, GHD und Haushalte ermittelt (Gils, 2014). Aspekte der Wirtschaftlichkeit oder der Akzeptanz von Lastmanagementanwendungen wurden nicht untersucht. Gils (2014) unterstellt, dass industri- elle Prozesse mit einer hohen jährlichen Auslastung lediglich für den Lastabwurf geeignet sind, was im Widerspruch zu den Ergebnissen von Steurer, Miller et al. (2015) steht, wo häufig zwar geringe, aber dennoch vorhandene Potenziale für Lasterhöhungen in der Industrie identifiziert werden. Zur Ermittlung der Lastmanagementpotenziale werden von Gils (2014) zunächst ge- eignete Anwendungen identifiziert und diesen Anwendungen ein charakteristisches Lastprofil zugeordnet. Über den Stromverbrauch und die installierte Leistung im Jahr 2010 wird das Last- verlagerungspotenzial der einzelnen Anwendungen bestimmt, um es im letzten Schritt auf die untersuchten Regionen in Europa und Nordafrika aufzuteilen (Gils, 2014). Für Deutschland wird auf Basis dieser Vorgehensweise ein theoretisches kumuliertes Lastreduktionspotenzial von 13,8 GW ermittelt (Gils, 2014). 3.2.2.4 Prozesssimulation An der Schnittstelle von Potenzialstudie und Prozesssimulation verwendet I. Stadler (2006) Si- mulationen, um das Lastverlagerungspotenzial von Haushaltsgeräten und industriellen Prozes- sen in Deutschland zu ermitteln. Die ermittelten Potenziale dienen einem Vergleich mit Spei- chertechnologien. Die Studie fokussiert stark auf Querschnittstechnologien zur Wärme- bzw. Kältebereitstellung in Haushalten und auf Querschnittstechnologien zur Belüftung, Kühlung und Drucklufterzeugung in der Industrie, da die genannten Systeme jeweils über einen inhären- ten Speicher verfügen. I. Stadler (2006) geht daher der Fragestellung nach, in wie weit diese Speicherpotenziale genutzt werden können, um Angebot und Nachfrage anzugleichen und da- durch Investitionen in Speicherkapazitäten zu vermeiden. In der Kategorie der Prozesssimulationen hat Ashok (2006) preisbasiertes Lastmanagement in einem indischen Stahlwerk untersucht, indem die Stahlproduktion in Elektrolichtbogenöfen soweit möglich von Hochtarif- in Niedertarifzeiten verlagert wurde. In der Studie wurde ins- besondere auf die Prozesskonfiguration und die Betriebsweise geachtet, um innerhalb der zu- 3 Demand Side Management 29 lässigen Betriebsparameter zu operieren. Hieraus werden Stromkosteneinsparungen von knapp 6 % und eine maximale Lastreduktion von etwa 50 % für ein typisches Werk ermittelt (Ashok, 2006). Neben Lastverlagerungen wurden keine weiteren DSM-Aspekte analysiert. Eine weitere Studie mit einer Hoch- und Niedertarifstruktur wurde für südafrikanische Minen durchgeführt. Pelzer et al. (2008) nutzen dazu vorhandene Rückhaltebecken in unterschiedlichen Tiefen der Mine, um die Spitzenlast zu reduzieren und die Pumpenarbeit möglichst in Niedertarifzeiten zu verlagern. Das Gesamtverlagerungspotenzial der südafrikanischen Pumpensysteme in Minen wird anhand der Fallstudie extrapoliert und ergibt 113 MW (Pelzer et al., 2008). Das von Zehir und Bagriyanik (2012) entwickelte Simulationsmodell wird eingesetzt, um den Nutzen einer Lastverlagerung von Haushaltskühlschränken in der Türkei zu Spitzenlastzeiten zu untersuchen. Dabei werden die Kühlschränke als thermischer Speicher simuliert, der ein zuvor definiertes Temperaturlimit nicht überschreiten darf. Die jährlichen Stromkosten werden durch die Lastverlagerung in dieser Studie um etwa 11 % gesenkt, während knapp 38 % der Kühllast aus dem Zeitraum der Spitzenlast verschoben werden (Zehir und Bagriyanik, 2012). Weitere Kühlanwendungen oder Lastverlagerungsoptionen anderer Haushaltsgeräte werden nicht ana- lysiert. 3.2.2.5 Systemanalyse In einer kombinierten Potenzialstudie und Systemanalyse untersucht Klobasa (2007) Lastma- nagementpotenziale in Deutschland innerhalb industrieller Subsektoren, im Sektor GHD und in Haushalten. In Kombination mit Wahrscheinlichkeitsverteilungen für Windgeschwindigkei- ten, Prognosefehlern und ungeplanten Nichtverfügbarkeiten von Kraftwerkskapazitäten wird ein Simulationsmodell genutzt, um einerseits den Einfluss von Lastmanagement auf den Reser- vebedarf von Kraftwerkskapazitäten und andererseits die resultierenden Kosten verschiedener Einsatzstrategien der Lastmanagementpotenziale zu untersuchen. Dazu wird in einem zweistu- figen Verfahren zunächst der Einsatz konventioneller Kraftwerke zur Deckung der prognosti- zierten Residuallast für den nachfolgenden Tag geplant. Im zweiten Schritt erfolgt auf Basis von Prognosefehlern der Windeinspeisung und ungeplanten Kraftwerksausfällen der Abruf von Regelleistung. Neben Kraftwerken stehen zum Ausgleich des Regelungsbedarfs die ermittelten Lastmanagementpotenziale zur Verfügung, die im Rahmen der zeitlichen Verfügbarkeit einge- setzt werden können. Der Nettostromverbrauch und die zeitliche Struktur der Last sowie die zur Verfügung stehende Leistung des Kraftwerksparks gehen als exogene Größen in die Simulati- on der Meilensteinjahre ein. In der Studie werden die Lastmanagementpotenziale in Deutsch- land im Sommer mit 17000 MW und im Winter mit 9000 MW ausgewiesen (Klobasa, 2007). In Abhängigkeit des Anteils der Windkraftanlagen an der Stromerzeugung und der erreichba- ren Prognosegenauigkeit kann der Bedarf an Reserveleistung reduziert werden. Die erzielbaren Kosteneinsparungen werden mit bis zu 35 % angegeben, sodass Lastmanagementpotenziale mit 30 3 Demand Side Management spezifischen Kosten von 13e/kW bis 20e/kW wirtschaftlich eingesetzt werden könnten (Klo- basa, 2007). In einer weiteren Studie für Deutschland von Paulus und Borggrefe (2011) wird das Dispatch and Investment Model for Electricity Markets in Europe (DIME) eingesetzt, um das wirtschaft- liche Lastabwurf- und Lastverschiebungspotenzial für ausgewählte industrielle Prozesse zu ana- lysieren, wobei insbesondere technische Grenzen in der Betriebsweise berücksichtigt wurden, um ein realitätsnahes Ergebnis zu erhalten. Energieeinsparungen wurden in der Studie nicht berücksichtigt. Die Ergebnisse der Analyse zeigen, ähnlich wie in Klobasa (2007), mit zuneh- mendem Anteil der installierten Erzeugungsleistung in Windkraftanlagen einen steigenden Be- darf an Reserveleistung. Der positive Regelleistungsbedarf könnte in 2020 etwa zu 50 % über industrielle Prozesse bereitgestellt werden (Paulus und Borggrefe, 2011). In Elsner et al. (2015) wird sowohl eine Lastmanagementpotenzialerhebung als auch eine systemanalytische Untersuchung des Strommarkts inklusive der Schnittstellen zum Wärme- markt über Power-to-Heat sowie zum Transportsektor über die Elektromobilität durchgeführt. Die Lastmanagementpotenzialerhebung umfasst die Sektoren Industrie, GHD und Haushalte, für die jeweils Abschätzungen der steuerbaren Leistung und der verlagerbaren Energiemen- ge für 2050 für Deutschland erstellt wurden. Die Abschätzungen beruhen beispielsweise auf Annahmen zum Ausstattungsgrad mit Elektrofahrzeugen und Photovoltaikanlagen mit Batte- riespeicher in Haushalten.2 Durch die Berücksichtigung der dezentralen Speicher im Lastma- nagementpotenzial wird die verlagerbare Leistung in Haushalten mit −65 GW bis 65 GW, im GHD mit −1,9 GW bis 0,7 GW und in der Industrie mit −3,4 GW bis 0,3 GW angegeben (Els- ner et al., 2015). Für die Szenarioanalyse wurde eine Metastudie mit 18 Energiesystemstudi- en durchgeführt, die einen Überblick über die installierte Leistung erneuerbarer Energien, die Stromnachfrage, die Klimaschutzziele oder die Verfügbarkeit einzelner Technologien liefert. Darauf aufbauend wurden Szenarien für 2050 abgeleitet, in denen aus der Stromnachfrage und der Stromerzeugung aus erneuerbaren Energien die Residuallast über heutige Lastgänge be- rechnet wurde (Elsner et al., 2015). Die Residuallast wird anschließend in Abschnitte mit einer Leistung von jeweils 1 GW unterteilt, die jeweils von einer Technologie kostenminimal bereit- zustellen ist. Aus der Szenarioanalyse geht hervor, dass Kurzzeitspeicher mit einer Leistung von 10 GW in Kombination mit Lastmanagement den kurzfristigen Speicherbedarf vollständig abdecken können (Elsner et al., 2015). Bei Treibhausgasminderungszielen von mehr als 90 % in 2050 steigt in den Szenariorechnungen der Bedarf an Langzeitspeichern, um ausgedehnte „Dunkelflauten“ ausgleichen zu können (Elsner et al., 2015). Allerdings weisen die Autoren darauf hin, dass sowohl zur Analyse der Klimaschutzziele, der Rolle synthetischer Kraftstoffe aus Strom im Transportsektor als auch zur Untersuchung einer zunehmenden Verflechtung des 2Elsner et al. (2015) zählen zu den Lastmanagementpotenzialen auch dezentrale Stromspeicher. Darüber hinaus können in der systemanalytischen Untersuchung auch Investitionen in zentrale Energiespeicher erfolgen. 3 Demand Side Management 31 Strom- und Wärmemarkts eine Untersuchung des Gesamtsystems notwendig sei (Elsner et al., 2015). Als weitere systemanalytische Untersuchung zeigt Gils (2016) anhand einer Fallstudie für Deutschland die Effekte von Lastmanagement auf den Kapazitätsbedarf konventioneller Kraft- werke und Speicher über eine Szenarioanalyse auf. Lastmanagement umfasst in dieser Stu- die sowohl die Möglichkeit einer Lastverschiebungen als auch eines Lastabwurfs. Dazu wird der Modellierungsansatz für Lastmanagement im Strommarktmodell Renewable Energy Mix (REMix) vorgestellt, das als lineares Optimierungsmodell perfekte Voraussicht über den ge- samten Analysezeitraum unterstellt und die Minimierung der Systemkosten verfolgt. Es werden Klassen von Lastmanagementpotenzialen gebildet, deren Flexibilität als Stromspeicher im Mo- dell berücksichtigt wird. Als neu zu bauende konventionelle Kraftwerkstechnologien sind in der Studie nur Gasturbinen sowie GuD-Anlagen zugelassen. Weiterhin werden Speichertechnolo- gien auf Pumpspeicherkraftwerke beschränkt, die jedoch nicht Teil der Optimierung und auf die Kapazitäten des Jahres 2014 beschränkt sind. Der Kapazitätszubau wird im Referenzszenario ohne Lastmanagement somit nur für Gaskraftwerke und intermittierende erneuerbare Energien optimiert. Die Kapazitäten der erneuerbaren Energien werden für alle weiteren Szenarien mit Lastmanagementoptionen fixiert, sodass erzeugungsseitig ausschließlich die Kapazitäten der Erdgaskraftwerke optimiert werden können. Über alle Szenarien wird ein konstanter Gaspreis von 28,8e/MWh und ein CO2-Preis von 150e/t unterstellt. Investitionskosten werden für lastmanagementfähige Geräte in Haushalten mit 25e und im Sektor GHD mit 50e pro Gerät berücksichtigt. Gils (2016) kommt im Szenariovergleich zu dem Ergebnis, dass durch Lastma- nagement in Abhängigkeit des Szenarios konventionelle Erzeugungsleistung von 5,3 GW bis 10,6 GW eingespart werden kann und 0,9 % bis 6,1 % weniger Strom aus erneuerbaren Energien abgeregelt werden muss. Lastmanagementpotenziale in der Industrie mit geringen oder keinen Investitionskosten aber hohen variablen Kosten dienen insbesondere als Ersatz für Gasturbinen, während beispielsweise Wärme- und Kälteanwendungen mit höheren Investitionskosten aber geringeren variablen Kosten auch GuD-Anlagen substituieren können. Im Vergleich der Szena- rien wird durch den Einsatz von Lastmanagement auch eine Reduktion der durchschnittlichen Strompreise um maximal 1,3e/MWh erreicht (Gils, 2016). In Faria und Vale (2011) wird ein nicht-lineares Optimierungsmodell entwickelt, das den Gewinn eines Vertriebs für ein Netzwerk von Kunden maximiert. Dabei werden fünf Kunden- gruppen nach ihrer Spitzenlast unterschieden. Lastmanagement wird in diesem Modell über Eigenpreiselastizitäten abgebildet, während die Preissignale in der Optimierung als RTP Tarif- struktur beschrieben werden können. Diese Preissignale stammen aus einer Erzeugungssimu- lation, in der einzelne Kraftwerke mit ihren Erzeugungseigenschaften abgebildet werden. In der Analyse werden zwei Tarifregime unterschieden. Zum einen wird ein homogener Tarif in- nerhalb einer Kundengruppe angeboten und zum anderen werden individuelle Tarife für jeden Kunden untersucht. Aufgrund der geringen Unterschiede in der Höhe der Gewinne des Vertriebs 32 3 Demand Side Management bei gleichzeitig steigender Akzeptanz empfehlen die Autoren kundenindividuelle Tarife (Faria und Vale, 2011). Boßmann (2015) verknüpft das Lastsimulationsmodell FORECAST mit dem Strommarkt- modell PowerACE und erweitert diese um ein Lastmanagementmodul zur Modellanwendung electricity LOad curve ADjustment (eLOAD), um die mögliche Rolle von Lastmanagement in Deutschland bis 2050 unter Berücksichtigung von Veränderungen in der Systemlast (z. B. durch Energieeinsparmaßnahmen oder Elektromobilität) zu untersuchen. In der Analyse werden zwei Szenarien unterschieden, die einerseits die Erreichung der energiepolitischen Ziele des Ener- giekonzepts („Core scenario“) und andererseits eine Abkehr von der Energiewende („No action scenario“) unterstellen. Die Bewertung von Lastmanagement erfolgt in einer isolierten Opti- mierung auf Basis der Preissignale des Strommarktmodells für das „Core scenario“ mit einem Anteil erneuerbarer Energien am Nettostromverbrauch von unter 60 %. Durch den Einsatz von Lastmanagement kann die Spitzenlast in Deutschland laut Boßmann (2015) um bis zu 20 GW reduziert und die kumulierte negative Residuallast von 5,7 TWh auf 1,04 TWh gesenkt werden. Wie bereits im vorangegangenen Abschnitt aufgezeigt, werden Potenzialstudien häufig den Analysen mit einem Simulations- oder Optimierungsmodell vorangestellt. Steurer, Sun et al. (2014) haben in der stromintensiven Industrie in Deutschland sechs Prozesse identifiziert, die geeignete Potenziale für Lastverlagerungen bieten können. Zur Potenzialermittlung wurde die installierte elektrische Leistung an allen Standorten in Deutschland recherchiert und über den jährlichen Stromverbrauch der Branche die durchschnittliche Auslastung bestimmt. Über die installierte elektrische Leistung sowie die durchschnittliche Leistung wurde das zuschaltbare Potenzial für die einzelnen Branchen errechnet. Wenn ein Prozess vollständig abgeschaltet wer- den kann, steht die durchschnittliche elektrische Leistung zur Abschaltung zur Verfügung. Für Prozesse mit einer Mindestlast wurde das abschaltbare Potenzial aus der Differenz von durch- schnittlicher elektrischer Last und minimaler Last gebildet. Im Strommarktmodell European Electricity Market Model (E2M2s) wurden die Lastverlagerungspotenziale über „Lastspeicher“ implementiert und eine Szenarioanalyse durchgeführt. Die Nutzung von Lastverlagerungspo- tenzialen in der energieintensiven Industrie führt dabei zu geringerer Abregelung erneuerbarer Energien, einem vermiedenen Zubau von Pumpspeicherkraftwerken und niedrigeren Volllast- stunden konventioneller Kraftwerke, wodurch Brennstoff- und CO2-Kosten eingespart werden können. Die geringeren Volllaststunden beziehen sich insbesondere auf Spitzenlastkraftwerke, während Grund- und Mittellastkraftwerke stärker ausgelastet und seltener an- und abgefahren werden (Steurer, Sun et al., 2014). In Steurer, Miller et al. (2015) wird auf den Lastmanagementpotenzialen aus Steurer, Sun et al. (2014) aufgebaut. Die Angaben hinsichtlich zu- und abschaltbaren Potenzialen werden teilweise korrigiert und um weitere industrielle Prozesse sowie Lastmanagementpotenziale im Sektor GHD und in Haushalten ergänzt. Weiterhin werden Kosten für die notwendige Informa- tions- und Kommunikationsinfrastruktur (IKT) angegeben und diese nach Branchen aufge- 3 Demand Side Management 33 schlüsselt, sodass Kostenpotenzialkurven für 2012 und 2030 erstellt werden konnten. Aus den Kostenpotenzialkurven werden zwölf Gruppen gebildet, die erneut über „Lastspeicher“ in das Strommarktmodell E2M2s integriert werden. Während in Steurer, Sun et al. (2014) die Kos- ten für den Einsatz der Lastmanagementpotenziale an Spitzenlastkraftwerken ausgerichtet wur- den, stammen die Kosten in Steurer, Miller et al. (2015) aus der Zuordnung der notwendigen Informations- und Kommunikationsinfrastruktur (IKT). Als weitere Flexibilitätsoption werden Stromspeicher berücksichtigt. Darüber hinaus können Überschüsse erneuerbarer Energien ab- geregelt werden. Aus der durchgeführten Szenarioanalyse geht hervor, dass durch den Einsatz von Lastmanagement Investitionen in Pumpspeicherkraftwerke reduziert werden können, da ein Teil der Speicherfunktion durch Lastmanagementpotenziale übernommen wird. Da die Bereit- stellung von Spitzenlastkapazitäten von Lastmanagementpotenzialen nicht in vergleichbarem Umfang zu Pumpspeicherkraftwerken übernommen werden kann, steigen im Gegenzug die In- vestitionen in Gasturbinen an (Steurer, Miller et al., 2015). Im Zusammenhang von Elektrizitätsmarktmodellen, die Lastmanagement über „Nachfrage- speicher“ abbilden, ist die Arbeit von Zerrahn und Schill (2015) zu nennen, die auf dem Model- lierungsansatz von Göransson et al. (2014) aufbauen, um Lastmanagement zu modellieren. Zer- rahn und Schill (2015) arbeiten dabei heraus, dass die Nutzung von „Nachfragespeichern“ ein charakteristisches Speicherprofil bedingt, in dem Lasten zunächst reduziert werden müssen, um den Speicher zu laden, bevor die Nachfrage zu einem späteren Zeitpunkt erhöht werden kann. Abbildung 3-2 zeigt exemplarisch den typischen Speicherverlauf innerhalb eines Tages. Auf Basis dieser Untersuchung wird deutlich, dass die Implementierung von Lastmanagement über „Nachfrage- oder Lastspeicher“ nicht allen Anwendungen gerecht wird. Insbesondere techni- sche Eigenschaften von Prozessen (z. B. inhärente Kälte- und Wärmespeicher), die ihre Last zu- nächst absenken können (in Abbildung 3-2 entspricht dies einem negativen Speicherfüllstand), um sie zu einem späteren Zeitpunkt zu erhöhen, werden nicht vollständig erfasst. -100% -50% 0% 50% 100% 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 S p ei ch er fü ll st an d Stunde des Tages Nachfragespeicher Inhärente Speicher Abbildung 3-2: Typisches Speicherprofil von „Nachfragespeichern“ zur Abbildung von Lastmanage- ment und Gegenüberstellung mit inhärenten Speichern 34 3 Demand Side Management In Roscoe und Ault (2010) wird ein Simulationsmodell genutzt, um mögliche Vorteile einer Nutzung von Lastmanagementpotenzialen in einem Stromsystem mit hohen Anteilen intermit- tierender erneuerbarer Energien zu bewerten. Im Rahmen einer Fallstudie werden zwei Szena- rien für Großbritannien miteinander verglichen. Im Referenzszenario werden modellexogen de- finierte Lastprofile verwendet, um ein konstantes, lastunabhängiges Preisniveau für Endkunden abzubilden. Im Lastmanagementszenario variieren die Preissignale hingegen als Funktion aus Angebot und Nachfrage. Im Gegensatz zu anderen Lastmanagementuntersuchungen verwenden Roscoe und Ault (2010) Preiselastizitäten für Haushaltsanwendungen, um das Kundenverhalten auf variable Echtzeitpreissignale zu simulieren. Die Ergebnisse des Szenariovergleichs deuten darauf hin, dass unter Verwendung konservativer Preiselastizitäten Einsparungen von £ 300-400 pro Haushalt durch den Einsatz von Lastmanagement erzielt werden könnten und dadurch ein flächendeckender Ausbau von intelligenten Stromzählern in Großbritannien finanzierbar wä- re. Die Autoren weisen in ihrer Studie jedoch auch auf mögliche Herausforderungen hin, die durch die Nutzung von Lastmanagement entstehen könnten. Da identische Preissignale an alle Kunden gesendet werden, würde die Last soweit möglich in das Zeitsegment mit dem niedrigs- ten Preis verschoben werden, was möglicherweise zu einer unerwünschten Lastspitze führen könnte, die ohne den Lastmanagementeinsatz nicht aufgetreten wäre. Um diese Problematik zu umgehen, schlagen Roscoe und Ault (2010) verschiedene Ansätze vor. Einerseits könnten kundenspezifische Tarife oder ein Grundpreis eingeführt werden, um zu verhindern, dass ein einzelnes Zeitsegment für alle Kunden am günstigsten ist. Andererseits könnten Endgeräte mit einem Zufallszahlengenerator versehen werden, um dadurch Lastdiversität zu erzeugen. Ob der Ausbau intelligenter Stromzähler nach diesen Eingriffen weiterhin über die Einsparungen refi- nanzierbar wäre, bleibt offen. Anhand der vorgestellten systemanalytischen Untersuchungen kann aufgezeigt werden, dass diese überwiegend auf den Strommarkt fokussieren und häufig „Nachfrage- oder Lastspeicher“ zur Beeinflussung der zeitlichen Struktur der Nachfrage eingesetzt werden. Weiterhin werden Energieeinsparungen in langfristigen Untersuchungen modellexogen definiert und ein bekann- ter Lastgang skaliert, um quantitative Verbrauchsänderungen zu berücksichtigen. In Studien mit modellexogen definierten Energieträgerpreisen (z. B. Strompreisen) kann darüber hinaus die Preiswirkung von DSM nicht erfasst werden. Auch hinsichtlich der berücksichtigen Poten- ziale können Unterschiede identifiziert werden, da teilweise nur einzelne Verbrauchssektoren in der Analyse berücksichtigt wurden oder technische Parameter nur unzureichend abgebildet werden können. Vor diesem Hintergrund sollte eine systemanalytische Studie zur Bedeutung von DSM das gesamte Energiesystem abbilden, sowohl Energieeinsparungen als auch Lastma- nagement möglichst technologieorientiert berücksichtigen und damit strukturelle und temporale Veränderungen der Energienachfrage erfassen können. Für die genannten Anforderungen könnte der Modellgenerator The Integrated MARKAL- EFOM System (TIMES) (siehe auch Abschnitt 4.2) ein geeignetes Modellinstrument sein, mit 3 Demand Side Management 35 dem bisher nur wenige Analysen zur Modellierung von DSM durchgeführt wurden. Während die Modellierung von Energieeinsparungen durch die vertikale Konkurrenz zwischen alternati- ven Technologien ein bewährtes Konzept ist, hat die Modellierung von Lastmanagement bisher kaum Berücksichtigung in TIMES gefunden. Eine der ersten Untersuchungen, die ein geeig- netes Konzept zur Modellierung von Speichern im Kontext von Lastmanagement erstellt hat, wurde von Howells et al. (2005) durchgeführt. Howells et al. (2005) nutzen einen virtuellen Speicher (konzeptionell vergleichbar zu „Nachfragespeichern“ in Elektrizitätsmarktmodellen), um Angebot und Nachfrage einer Energiedienstleistung auszugleichen, da die zur Verfügung stehenden alternativen energiesparenden Technologien ein anderes Lastprofil als die Nachfrage aufweisen. Ohne den virtuellen Speicher wären die alternativen Technologien nicht in der Lage, die Energiedienstleistung bereitzustellen, da die Lastprofile zeitlich nicht kompatibel sind. Auf Basis dieser Grundlage könnten Lasten verschoben werden, wenn ein zeitliches Ungleichge- wicht zwischen Angebot und Nachfrage auftritt. Zwei weitere Studien nutzen den TIMES-Modellgenerator und einen Szenariovergleich, um die Auswirkungen von Lastverschiebungen mit Haushaltsgeräten (z. B. Waschmaschinen und Wäschetrockner) auf das Stromsystem von Inseln zu untersuchen. Die Modellierungsansätze von Pina, Silva et al. (2012) und Bouckaert et al. (2012) sind vergleichbar, da in beiden Stu- dien modellexogen definierte Lastprofile für Energiedienstleistungen im Referenzszenario ein- gesetzt werden und die Ergebnisse mit einem Lastmanagementszenario verglichen werden, in dem keine Vorgabe der Lastprofile erfolgt und über Lastverschiebungen die diskontierten Sys- temgesamtkosten minimiert werden. Im Gegensatz zum Referenzszenario wird das Lastprofil in den Lastmanagementszenarien modellendogen bestimmt. Weitere Nebenbedingungen wer- den genutzt, um zu gewährleisten, dass die tägliche Nachfrage erfüllt wird. Das beschriebene Konzept wird von Pina, Baptista et al. (2013) ebenfalls genutzt, um flexible Ladestrategien bat- terieelektrischer Fahrzeuge und deren Einfluss auf das Stromsystem zu modellieren. Fehrenbach et al. (2014) nutzen den TIMES-Modellgenerator zur Modellierung des Strom- und Wärmemarktes in Deutschland mit Fokus auf dem Wärmebedarf von Haushalten. Es wird die Fragestellung untersucht, inwieweit flexible Eigenerzeugung mit Mikro-KWK-Anlagen, thermischen Speichern sowie Wärmepumpen als negative Regelleistung zur Integration von ho- hen Anteilen intermittierender erneuerbaren Energien genutzt werden können. Die Ergebnisse des stark fokussierten Energiesystemmodells legen nahe, das thermische Speicher insbesondere in den Nachtstunden beladen und zu den Lastspitzen am Mittag und Abend entladen werden. Mikro-KWK-Anlagen werden in den Abendstunden und in der Nacht eingesetzt, wenn keine Einspeisung von PV-Anlagen zur Verfügung steht. Zusammenfassend kann für den Modellgenerator TIMES festgehalten werden, dass diese Studien sowohl in der Abbildung von DSM als auch im sektoralen Umfang stark fokussiert waren. Dies zeigen einerseits die Analysen für Inselsysteme mit einem Schwerpunkt auf der Modellierung von preisbasiertem Lastmanagement mit Haushaltstechnologien und andererseits 36 3 Demand Side Management die Analyse zum Strom- und Wärmemarkt mit ihrem technologischen Schwerpunkt auf Mikro- KWK-Anlagen in Kombination mit thermischen Speichern. Die Vorgehensweise zur Modellierung von preisbasiertem Lastmanagement wurde in Steu- rer, Haasz, Fahl et al. (2014) um Batch-Prozesse erweitert. Dabei wurde auf binäre Variablen und eine Formulierung als gemischt-ganzzahliges Optimierungsproblem verzichtet. Stattdessen werden Prozesskombinationen genutzt, die nur in definierten Zeitabschnitten verfügbar sind, um die Betriebsweise von Batch-Prozessen nachzuempfinden. Weiterhin wird darin ein Mo- dellierungskonzept für anreizbasiertes Lastmanagement in TIMES vorgestellt. Da beide Kom- ponenten Bestandteil dieser Arbeit sind, wird für eine detaillierte Betrachtung auf Abschnitt 4.4.1.1 und auf Abschnitt 4.4.2 verwiesen. Auf Basis der Literaturrecherche zu Studien im Kontext von DSM kann festgehalten wer- den, dass die meisten Analysen Fallstudien für einen einzelnen Sektor (im Wesentlichen für den Elektrizitätsmarkt), einen Industriezweig oder eine Produktionsstätte sind und daher die Abhängigkeiten und Verflechtungen innerhalb des Energiesystems nicht berücksichtigt werden (Paulus und Borggrefe, 2011). Darüber hinaus decken sie nicht alle Aspekte gleichzeitig ab, die mit DSM verbunden sind. Es wird daher geschlussfolgert, dass für eine systemanalytische Einordnung und Bewertung von DSM eine Methodik entwickelt werden muss, die alle Aspekte von Lastmanagement im Rahmen einer Energiesystemanalyse abbilden kann. 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 37 4 Modellierung von Demand Side Managment in einem Energiesystemmodell Nachdem im vorangegangenen Kapitel bereits Ansätze zur Modellierung von Lastmanagement, als eine Komponente von DSM, über „Nachfragespeicher“ inklusive möglicher Schwächen die- ses Ansatzes vorgestellt wurden, soll in diesem Kapitel die im Rahmen dieser Arbeit entwickelte fundamentalanalytische Methodik zur systemanalytischen Modellierung von DSM präsentiert werden. Dabei wird zwischen Energieeinsparungen auf der einen Seite sowie preis- und anreiz- basiertem Lastmanagement auf der anderen Seite unterschieden. Aus der angestrebten Analyse von DSM können Anforderungen an die verwendete Methode abgeleitet werden. Dazu zählen • die technologiespezifische Modellierung von Energieeinsparungen inklusive der Berück- sichtigung von Investitionskosten sowie fixen und variablen Betriebskosten, • die technologiefundierte Abbildung von Lastverlagerungspotenzialen unter Einhaltung prozessspezifischer Betriebsrestriktionen, • die Zuordnung sektorspezifischer Produktions- und Wertschöpfungseinbußen durch einen Abwurf von Lasten, • die Abbildung des gesamten Energiesystems, • die modelltechnische Berücksichtigung des Einspeisemanagements erneuerbarer Energi- en (Curtailment), • die Möglichkeit zur Abbildung der zeitlichen Struktur der Einspeisung erneuerbarer En- ergien sowie der zeitlichen Struktur der Nachfrage nach Energiedienstleistungen in den Verbrauchssektoren, • die Möglichkeit zur Berücksichtigung langfristiger energiepolitischer Zielvorgaben (z. B. Treibhausgasminderungsziele) sowie • die Ermittlung des kostenoptimalen Beitrags von DSM im Vergleich zu alternativen An- sätzen (z. B. Stromspeicher, Power-to-Gas, Reservekapazitäten) zur Integration hoher An- teile erneuerbarer Energien in das Elektrizitätssystem. Um eine geeignete Methode auszuwählen, erfolgt eine Klassifizierung von Planungsinstrumen- ten, die in der Energiewirtschaft eingesetzt werden und eine Einführung in den verwendeten Modellgenerator TIMES. 38 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 4.1 Klassifizierung von Energiesystemmodellen Für die Klassifizierung und Charakterisierung von Energiesystemmodellen werden von van Be- eck (1999) neun Dimensionen (Zweck, Struktur und Annahmen, analytische Herangehenswei- se, Methodik, mathematischer Ansatz, regionaler, sektoraler und zeitlicher Umfang sowie Da- tenbedarf) vorgeschlagen. Als alternativen Ansatz zur Klassifizierung von Energiesystemmo- dellen schlägt Sun (2013) drei Kategorien (Abbildungsumfang, Modellierungsansätze und Lö- sungsverfahren) vor, wobei Überschneidungen zu den Merkmalen von van Beeck (1999) nicht vollständig vermieden werden können. Die Klassifizierung ist notwendig, da sowohl die Her- angehensweise als auch die Methode von der zu beantwortenden Fragestellung abhängig sind (Özdemir, 2012). Somit bildet die Kategorisierung die Grundlage für eine fundierte Auswahl des geeigneten Modellinstruments zur Untersuchung der Forschungsfrage. Ein mögliches Klassifizierungsmerkmal ist demnach der Abbildungsumfang. Beim Abbil- dungsumfang unterscheidet Sun (2013) zwischen Modellen, die eine Volkswirtschaft vollstän- dig abbilden können, und Modellen, die auf ein Teilsystem (z. B. das Energiesystem oder den Elektrizitätsmarkt) fokussieren. Im Vergleich zu van Beeck (1999) entspricht dieser Klassifi- kationsansatz weitestgehend dem Merkmal der analytischen Herangehensweise, nach der ein Energiesystemmodell entweder als top-down oder bottom-up Modell beschrieben werden kann (Remme, 2006). Top-down Modelle nutzen häufig stark aggregierte Informationen, wie bei- spielsweise Produktionsfunktionen für Umwandlungsprozesse in der Energiewirtschaft, um die Wechselwirkungen und Abhängigkeiten zwischen Akteuren der Energiewirtschaft und des üb- rigen Wirtschaftssystems zu analysieren. Da top-down Modelle meist zur Beantwortung von gesamtwirtschaftlichen Fragestellungen eingesetzt werden, erfolgt eine technologiescharfe Mo- dellierung einzelner Technologien häufig nicht (van Beeck, 2003; Remme, 2006). Bottom-up Energiesystemmodelle sind partielle Gleichgewichtsmodelle, die nur einen Teil der gesamten Volkswirtschaft, die Energiewirtschaft, mit höherer Genauigkeit auf der Ebene einzelner Pro- zesse oder Umwandlungsketten abbilden (Remme, 2006). Aufgrund der Detailtiefe, die manche bottom-up Modelle bieten, werden sie gelegentlich auch als Ingenieursmodell bezeichnet (van Beeck, 1999). Ökonometrische, makro-ökonomische und allgemeine Gleichgewichtsmodelle sind häufig top-down Modelle (Nakata et al., 2011). Bei der Klassifizierung in top-down oder bottom-up Modelle muss einschränkend jedoch berücksichtigt werden, dass die Zuordnung ei- nes Modells in eine der beiden Klassen von der Fragestellung abhängig sein kann. Während ein technologieorientiertes Energiesystemmodell zur Untersuchung des gesamten Energiesystems als bottom-up Modell klassifiziert werden könnte, wäre es im Hinblick auf die Analyse eines einzelnen Subsektors des Energiesystems (z. B. des Elektrizitätsmarktes) aufgrund getroffener Vereinfachungen gegebenenfalls als top-down Modell einzustufen. Neben der analytischen Herangehensweise ist die Methodik ein weiterer wichtiger Aspekt, der genutzt werden kann, um Energiesystemmodelle zu klassifizieren. Sun (2013) unterschei- 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 39 det dabei nach dem Lösungsverfahren und den beiden Varianten Optimierung und Simulation. Simulationsmodelle benötigen in der Regel einen definierten Durchdringungsgrad von Techno- logien und deren Nutzung als Eingangsinformation. Im Gegensatz dazu können Optimierungs- modelle einen kostenoptimalen Technologiemix bestimmen und dabei zusätzliche Nebenbedin- gungen berücksichtigen (Özdemir, 2012). Durch die Nutzung von Nebenbedingungen kann der Fokus von explorativen zu normativen Analysen verschoben werden, die beispielsweise den Beitrag einer Technologie unter modellexogen definierten Rahmenbedingungen untersuchen sollen. In der Regel wird der Modellgenerator TIMES für explorative Analysen unter Berück- sichtigung einer begrenzten Anzahl von Nebenbedingungen eingesetzt, weshalb der Fokus in diesen Anwendungen auf der Optimierung und nicht der Simulation eines Systems liegt. Als drittes Unterscheidungsmerkmal zur Kategorisierung von Modellen kann der Modellie- rungsansatz verwendet werden (Sun, 2013). Dabei wird zwischen fundamentalen, ökonome- trischen, finanzmathematischen, spieltheoretischen und agentenbasierten Modellen unterschie- den. Auf Basis der Anforderungen zur technologieorientierten Modellierung von DSM soll in die- ser Studie ein bottom-up Modell verwendet werden. Weiterhin muss der sektorale Umfang des Ansatzes die Abbildung aller Sektoren des Energiesystem zulassen. Die Modellierung der ge- samten Volkswirtschaft wird hingegen als nicht notwendig erachtet. Der zeitliche Abbildungs- umfang muss einerseits die Berücksichtigung langfristiger energiepolitischer Ziele und ande- rerseits auf Jahresebene die Modellierung von unterjährigen Zeitabschnitten zur Berücksich- tigung von Einspeise- und Nachfrageganglinien ermöglichen. Da weiterhin die Anforderung eines kostenoptimalen Beitrags von DSM zur Integration erneuerbaren Energien in das Elek- trizitätssystem gestellt wird, sollte das Lösungsverfahren auf Optimierungs- statt Simulations- methoden zurückgreifen. Die genannten Anforderungen werden vom TIMES Modellgenerator erfüllt, weshalb dieser im nachfolgenden Abschnitt näher vorgestellt wird. 4.2 The Integrated MARKAL-EFOM System (TIMES) In dieser Studie wird eine Modellanwendung eingesetzt, die auf dem Modellgenerator TIMES basiert. TIMES ist ein technologiescharfes, lineares Optimierungsmodell, das vollständigen Wettbewerb und perfekte Voraussicht unterstellt (Loulou et al., 2005a; Remme et al., 2002). An- hand der Zielfunktion (siehe Gleichung 4-1) werden die gesamten diskontierten Systemkosten minimiert (Remme, 2006). Dabei werden unter anderem Investitionskosten, fixe und variable Betriebskosten sowie Im- und Exportpreise für Energieträger und gegebenenfalls Materialien berücksichtigt (Remme, 2006). min n ∑ j=1 c j · x j (4-1) 40 4 Modellierung von Demand Side Managment in einem Energiesystemmodell In Gleichung 4-1 beschreibt c j die spezifischen Kosten von x j, wobei x j die Entscheidungs- variable und j der Index der Variable x ist, der im Bereich von 1 bis n gültig ist. Neben der Zielfunktion werden weitere lineare Gleichungen verwendet, um den Lösungsraum zu begren- zen. Die weiteren Nebenbedingungen können beispielsweise zur Implementierung des Verhält- nisses von Energieträger- oder Materialeinsatz zur Produktion, von Treibhausgasminderungs- zielen oder von Anteilen erneuerbarer Energien am Bruttostromverbrauch verwendet werden. Die allgemeine Form ist in Gleichung 4-2 dargestellt, in der ai j der Koeffizient der Entschei- dungsvariable x j ist. Der Term bi beschreibt die rechte Seite der Gleichung und i den Index der korrespondieren Gleichung im Bereich von 1 bis m (Remme, 2006). n ∑ j=1 ai j · x j ≥ bi (4-2) Der Modellgenerator TIMES verwendet einen generischen Satz mathematischer Gleichun- gen und bietet hinsichtlich der Modellstruktur, der geographischen und sektoralen Abdeckung, der intertemporalen Auflösung sowie des Analysezeitraums eine hohe Flexibilität. Die Modell- struktur kann durch die Nutzung des Konzepts des Referenzenergiesystems (RES) visualisiert werden, in dem Güter als vertikale Linien, Flüsse von Energieträgern, Materialien oder Emis- sionen als horizontale Linien und Prozesse als Rechtecke abgebildet werden (Loulou et al., 2005b). Eine weitere Komponente eines Energiesystemmodells unter Verwendung des Modellgenera- tors TIMES bilden Daten. Techno-ökonomische Parameter werden beispielsweise genutzt, um unterschiedliche Prozesse zu beschreiben, während Preispfade für Energieträger zur Definition eines Szenariorahmens genutzt werden können. Das Konzept des Modellgenerators ermöglicht es zudem, Modellanwendungen zu entwickeln, die beispielsweise einen Subsektor des Ener- giesystems bei begrenztem Analyseumfang sehr detailliert abbilden. Andererseits kann mit ent- sprechenden Vereinfachungen auch das gesamte Energiesystem eines Landes, eines Kontinents oder der Welt abgebildet werden. Hinsichtlich der geographischen Abdeckung existiert eine Vielzahl von TIMES Modellan- wendungen, die das Spektrum von globalen bis lokalen oder sogar Stadtmodellen abdecken. TIMES-TIAM ist beispielsweise eine globale Modellanwendung des Modellgenerators, die 15 Regionen nutzt, um das Energiesystem von 2000 bis 2100 zu untersuchen (Labriet et al., 2008; Mousavi und Blesl, 2014; Kypreos und Lehtila, 2015). Auf kontinentaler Ebene kann das Energiesystemmodell TIMES PanEU angeführt werden, das die EU-28, die Schweiz und Norwegen über 30 Regionen abbildet. Ein möglicher Ana- lysefokus dieses Modells kann beispielsweise auf der Ableitung kostenoptimaler Lastentei- lungsstrategien der beteiligten Staaten zur Erreichung von Treibhausgasminderungszielen lie- gen (Blesl, Kober et al., 2010). Ein vergleichbarer Ansatz wird in der Modellanwendung TIMES SADC genutzt, in der die Southern African Development Community abgebildet ist (Alfstad, 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 41 2005), wobei der sektorale Umfang nicht zu TIMES PanEU vergleichbar ist, da in TIMES SADC auf den Stromsektor fokussiert wird. Bei absteigendem geographischen Umfang ist der nächste logische Schritt die detailliertere Analyse der Energiesysteme einzelner Staaten. Eine Aufzählung ohne Anspruch auf Vollstän- digkeit sind die Modellanwendungen TIMES-D für Deutschland, TIMES-FR für Frankreich, STEM-E für die Schweiz, Irish TIMES für Irland oder TiPS-B für Brasilien (Götz et al., 2011; Assoumou und Maïzi, 2011; Kannan und Turton, 2012; J. Deane et al., 2012; Tomaschek, Haasz et al., 2016; Soria et al., 2016). Auch für diese Beispiele kann eine Abgrenzung des sektoralen Umfangs erfolgen, da sowohl STEM-E als auch TiPS-B auf den Stromsektor fokussieren, wäh- rend die anderen genannten Modellanwendungen das gesamte Energiesystem abbilden. Auf regionaler Ebene wird der Modellgenerator TIMES beispielsweise genutzt, um das En- ergiesystem eines Landesteils (z. B. Gauteng in Südafrika) im Kontext des Energiesystems des Landes zu analysieren (Tomaschek, Dobbins et al., 2012). Für Bayern wurde im Rahmen der Studie „Energieprognose Bayern 2030“ das TIMES-Modell TIMES-BY entwickelt (Fahl, Rüh- le et al., 2007). In Rühle (2013) werden TIMES Modellanwendungen für die Bundesländer Bay- ern, Hessen und Sachsen genutzt, um die Kosten regionaler Ziele im Bereich der Energie- und Klimapolitik zu ermitteln und daraus Handlungsempfehlungen abzuleiten. Auf Basis der Sze- narioanalyse wird beispielsweise empfohlen, keine regionalen Klimaschutzziele zu definieren, da der Großteil der Treibhausgasemissionen bereits vom europäischen Emissionshandelssys- tem abgedeckt wird und dort mit niedrigeren Treibhausgasvermeidungskosten zu rechnen ist (Rühle, 2013). Die Auswirkungen des Klimawandels auf das Energie- und Verkehrssystem in Baden-Württemberg wurden in Blesl, Wiesmeth et al. (2016) modellgestützt untersucht. Dazu wurde Baden-Württemberg als Region in das europäische Energiesystemmodell TIMES PanEU eingeführt und die Folgen von Temperatur- oder Einstrahlungsänderungen auf die Nachfrage (z. B. Raumwärme) oder die Energiebereitstellung (z. B. Photovoltaikanlagen) in der Modellie- rung berücksichtigt (Blesl, Wiesmeth et al., 2016). Dabei kommt die Studie zu dem Ergebnis, dass die Wärmenachfrage im Szenario unter Berücksichtigung des Klimawandels im Vergleich zum Szenario ohne Klimawandeleffekte 15 % niedriger ausfällt, während die Nachfrage nach Klimakälte um 90 % steigt (Blesl, Wiesmeth et al., 2016). Das Modellierungskonzept kann weiter bis auf die Ebene von städtischen Energiesystemen oder Dörfern skaliert werden (Comodi et al., 2012; Howells et al., 2005). Darüber hinaus ist der Modellgenerator auch geeignet, um komplexe Systeme wie einzelne Industriebranchen oder Betriebe mit komplexen Versorgungsaufgaben (z. B. Krankenhäuser) mit hoher Detailtiefe zu modellieren. Seck et al. (2013) haben beispielsweise ein TIMES-Modell für die französische Lebensmittelindustrie auf Ebene der vierstelligen Klassifizierung der Wirtschaftszweige erstellt und aufgezeigt, dass Wärmepumpen in dieser Branche geeignet sind, um den Endenergie- verbrauch und die Treibhausgasemissionen kostenminimierend zu reduzieren. In Chen et al. (2014) wurde ein TIMES-Modell für die chinesische Eisen- und Stahlindustrie entwickelt, um 42 4 Modellierung von Demand Side Managment in einem Energiesystemmodell den Endenergieverbrauch sowie die CO2-Emissionen des Sektors bis 2050 zu untersuchen. Die Studie kommt dabei zu dem Ergebnis, dass einerseits der Anteil der Sekundärroute an der Eisen- und Stahlproduktion deutlich ansteigen wird und andererseits Energieeinsparmaßnahmen wie die Koks-Trockenkühlung trotz steigender Produktionsmengen zu einem deutlich reduzierten Endenergieverbrauch bis 2050 führen werden (Chen et al., 2014). Zu Beginn dieses Abschnitts wurde bereits die Flexibilität des Modellgenerators TIMES hin- sichtlich der intertemporalen Auflösung angesprochen. Diese resultiert aus der implementierten Baumstruktur, über die ein Meilensteinjahr in Jahreszeiten, Typtage und Typstunden unterteilt werden kann (siehe Abbildung 4-1). Die Dauer des jeweiligen Zeitsegments wird als Anteil des übergeordneten Knotens angegeben, sodass beispielsweise die Summe der Länge aller Jahres- zeiten eins ergeben muss. Neben der generellen Baumstruktur der Zeitsegmente wird in Abbil- dung 4-1 auch die nachfolgend verwendete Notation für Zeitsegmente und Knoten eingeführt. Die Zeitsegmentebene, auf der ein Prozess oder eine Commodity im Energiesystemmodell defi- niert ist, wird als Zielzeitsegmentebene sziel bezeichnet und umfasst ts Typstunden. Der dazuge- hörige Knoten auf der übergeordneten Zeitsegmentebene wird s‘ genannt. Für eine detaillierte Beschreibung der intertemporalen Auflösung in TIMES wird auf Remme (2006) verwiesen. Analysezeitraum PeriodeMeilensteinjahr WI FR SO HE Jahreszeiten MODI Typtage 0 1 2 3 Typstunden sziel = 0, 1, 2, ..., ts s‘ Abbildung 4-1: Die hierarchische Zeitsegmentstruktur des Modellgenerators TIMES (eigene Darstel- lung nach Remme, 2006) 4.3 Abbildung von Energieeinsparpotenzialen in TIMES In Abschnitt 3.2.1 wurde bereits auf die Modellierung von Energieeinsparpotenzialen in En- ergiesystemmodellen über alternative Umwandlungs- oder Produktionsprozesse, die parallel 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 43 zur Referenztechnologie modelliert werden, hingewiesen. Neben dem Wettbewerb zwischen Umwandlungspfaden und Energieträgern auf horizontaler Ebene in der Darstellung des Re- ferenzenergiesystems (RES) führt die Modellierung von Energieeinsparmaßnahmen zu einem Wettbewerb zwischen Technologien auf vertikaler Ebene innerhalb eines Umwandlungsschrit- tes (Remme, 2006). In Abbildung 4-2 sind neben der Referenztechnologie des Basisjahres (PRef) weitere Technologien abgebildet, die ebenfalls die Nachfrage (englisch: demand) (DEM) aus dem Energieträger (englisch: commodity) (COM) bereitstellen können. Typischerweise ha- ben alternative Technologien einen niedrigeren spezifischen Energieverbrauch (SEC), sodass SECRe f ≥ SECAltn gilt. Ein invertiertes Verhältnis kann für die spezifischen Investitionskosten unterstellt werden, da mit einem niedrigeren spezifischen Energieverbrauch häufig höhere spe- zifische Investitionskosten einhergehen (exemplarisch ist dies für einzelne Technologien in der nachfolgenden Literatur dokumentiert: Brunke und Blesl (2014a), Brunke und Blesl (2014b) und Tomaschek (2013)). In Abbildung 4-2 wird darüber hinaus eine weitere Variante zur Modellierung von Ener- gieeinsparungen aufgezeigt. Diese wird häufig angewendet, wenn kein eindeutig definiertes Referenzsystem vorliegt. Exemplarisch kann dies für die Wärmedämmung an einem Gebäu- de verdeutlicht werden. In diesem Fall ist kein Gebäude explizit modelliert und die Nachfrage bezieht sich auf die Raumwärme, die über ein Heizungssystem und alternative Heizungssys- teme bereitgestellt werden kann. Um Maßnahmen an der Gebäudehülle zu berücksichtigen, werden Sanierungsprozesse aufgenommen, die einen Teil der Nachfrage zu definierten spezi- fischen Kosten bereitstellen können, ohne dabei mit dem übrigen Energiesystem verbunden zu sein. Sie können somit den Raumwärmebedarf realitätsnah reduzieren, ohne Energieflüsse zu verursachen. Die Bewertung von Energieeinsparungen erfordert ein Bezugssystem, das für zukünftige Jah- re bestimmt werden muss, um die Höhe der Energieeinsparungen messen zu können (Meier, 1982; Worrell et al., 2000; Hasanbeigi, Price et al., 2010; McKane und Hasanbeigi, 2011). Ku- der (2014) unterscheidet zur Bewertung von Energieeinsparungen dabei zwischen einem Szena- riovergleich und einer Zeitpunktbetrachtung, in der ein Meilensteinjahr in Bezug zur Referenz- periode gesetzt wird. Der Endenergieverbrauch für den Szenariovergleich kann beispielsweise über spezifische Verbrauchskennwerte und Annahmen bezüglich der erwarteten Nachfrage be- stimmt werden. In den Simulationen von Fleiter (2013) wird diese Vorgehensweise im Szenario „Frozen Efficiency“ genutzt, in dem keine Diffusion von Energieeinsparoptionen unterstellt und somit eine Obergrenze für den Energieverbrauch ermittelt wird. Weitergehende Auswertungen sind bei dieser Vorgehensweise jedoch problematisch, da die Konfiguration der Umwandlungs- schritte nicht bekannt ist und somit kaum Aussagen über den Primärenergieverbrauch oder die Treibhausgasemissionen möglich sind. Alternativ können die Wirkungsgrade oder spezifischen Energieverbräuche aller Technologien auf dem Niveau der Referenztechnologien aus dem Ba- sisjahr eingefroren und der resultierende Primär- und Endenergieverbrauch sowie die Treib- 44 4 Modellierung von Demand Side Managment in einem Energiesystemmodell Referenztechnologie SECRef … Maßnahme (n) SECAltn alternative Energieeinsparung Energiemenge Abbildung 4-2: Modellierung von Energieeinsparmaßnahmen in einem Ausschnitt des Referenzener- giesystems hausgasemissionen modellendogen in einem solchen Szenario berechnet werden. 4.4 Abbildung von Lastmanagementpotenzialen in TIMES Die Abbildung von anreiz- und preisbasiertem Lastmanagement im Energiesystemmodellgene- rator TIMES erfordert, wie auch die Bewertung von Energieeinsparungen, den Vergleich von zwei Szenarien, da nur durch den Vergleich zu einem Bezugsszenario der Einfluss von Lastma- nagement auf das Energiesystem ermittelt werden kann. Die zu vergleichenden Szenarien unter- scheiden sich grundlegend in der Definition der Lastkurven (Pina, Silva et al., 2012; Bouckaert et al., 2012). Im Bezugsszenario wird eine modellexogene Lastkurve definiert, der die Nachfra- ge zu jedem Zeitpunkt folgen muss.3 Zur modellexogenen Definition von Lastkurven können im Modellgenerator TIMES zwei Parameter verwendet werden. Der Parameter com_ f r(r,t,c,s) wird für die Nachfragecommodity definiert und unterteilt die jährliche Nachfrage über Anteile auf das definierte Zielzeitsegment sziel . Im Gegensatz zum Parameter com_ f r kann der Parameter f lo_ f r(r,t,p,c,s,bd) nicht nur auf Nachfragecommodities sondern auf alle Flüsse von Prozessen angewendet werden. Der Para- meter f lo_ f r wird somit zur Definition prozessspezifischer Lastgänge eingesetzt. Die Imple- mentierung erfolgt wie beim Parameter com_ f r über Anteile, die den Fluss auf die Zielzeit- segmente aufteilen. Während über den Parameter com_ f r lediglich Gleichungen beschrieben 3Die Nebenbedingungen zur Abbildung der Lastkurve werden mit strikter Gleichheit modelliert, während zur Abbildung von Flexibilitäten in den Lastmanagementszenarien Ungleichungen verwendet werden. 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 45 werden können, bietet der Parameter f lo_ f r die Möglichkeit, sowohl Gleichungen als auch Ungleichungen für jedes Zeitsegment und jede Zeitsegmentebene zu formulieren. Durch die Definition von Ober- und Untergrenzen oder Bandbreiten für den Fluss der Commodity ge- winnt das Modell an Flexibilität im Vergleich zum Bezugsszenario, sodass die Lastkurve im Rahmen der definierten Grenzen modellendogen bestimmt wird. Im Vergleich der Szenarien kann beispielsweise analysiert werden, zu welchem Zeitpunkt der Einsatz von Lastmanagement zur Minimierung der Gesamtsystemkosten beiträgt. 4.4.1 Preisbasiertes Lastmanagement Notwendige Voraussetzungen zur Modellierung von preisbasiertem Lastmanagement sind in ih- rer zeitlichen Struktur verlagerbare Lastgänge und zeitlich variierende Strompreise, die entwe- der modellendogen über den Erzeugungsmix generiert oder modellexogen als Spotmarktpreise definiert werden können. Da die Zielfunktion (siehe Gleichung 4-1) die gesamten diskontierten Systemkosten minimieren soll, können zeitlich variable Preissignale einen Anreiz zu Lastver- lagerung bieten. Eine mögliche Interpretation der Situation im Bezugsszenario, in dem kein Lastmanagement eingesetzt wird, sind zeitpunktunabhängige Stromtarife für Endkunden. Im Gegensatz dazu können die Lastmanagementszenarien dahingehend interpretiert werden, dass Endkunden über zeitlich variable Stromtarife verfügen und darüber ein Anreiz zur Lastverla- gerung besteht, um die anfallenden Kosten in Abhängigkeit der Preissignale und möglicher Investitions- und Betriebskosten zu minimieren. Die Steuerung bzw. Koordination erfolgt über eine zentrale Leitstelle, die über vollständige Informationen verfügt. Zur realistischen Einengung der Variabilität durch Lastverlagerungen sind Nebenbedingun- gen notwendig. Ohne die Modellierung von Nebenbedingungen könnte es im Lastmanagement- szenario zur Erfüllung der gesamten Nachfrage innerhalb eines einzelnen Zeitsegmentes (z. B. innerhalb einer einzelnen Stunde) kommen, wenn die Lastspitze keine Rückwirkung auf die Erzeugungsstruktur verursacht (z. B. bei der mengenunabhängigen Modellierung über Preis- kurven). Dies würde in den meisten Fällen jedoch einer unrealistischen Abbildung sowohl der Potenziale als auch der Marktstrukturen entsprechen. Daher ist es notwendig, Nebenbedingun- gen zu implementieren, die beispielsweise in der Industrie sicherstellen, dass ein Prozess nur innerhalb der technisch zulässigen Parameter betrieben wird oder dass die tägliche Nachfrage nach Energiedienstleistungen in Haushalten innerhalb eines Tages bereitgestellt wird. Neben- bedingungen, die eine Deckung der Nachfrage innerhalb eines Typtages sicherstellen, wurden in TIMES bereits für Haushaltsgeräte wie Waschmaschinen, Wäschetrockner, Spülmaschinen und die elektrische Warmwasseraufbereitung implementiert, um die Auswirkungen von Last- management mit Haushaltsgeräten auf das Energiesystem einer Insel zu analysieren (Bouckaert et al., 2012). Der Modellgenerator TIMES bietet mehrere Parameter und generische Nebenbedingungen, 46 4 Modellierung von Demand Side Managment in einem Energiesystemmodell die in Abhängigkeit der Fragestellung genutzt werden können, um die Flexibilität, aber auch die Randbedingungen von lastmanagementfähigen Prozessen abzubilden. Als erstes kann der Para- meter f lo_ f r(r,t,p,c,s,bd) (Loulou et al., 2005b) im Zusammenhang von Lastmanagement genutzt werden, um sicherzustellen, dass ein Anteil des jährlichen Flusses einer Commodity c inner- halb eines bestimmten Zeitsegments s bereitgestellt wird.4 Eine zweite Möglichkeit bietet der Parameter act_bnd(r,t,p,s,bd) oder die korrespondierende Nebenbedingung uc_act(uc_n,side,r,t,p,s) (Loulou et al., 2005b), die ebenfalls genutzt werden können, um die Bereitstellung einer Nach- frage in einem Zeitsegment zu gewährleisten. Im Gegensatz zur Definition von Anteilen eines Flusses innerhalb eines Zeitsegments hat die Formulierung einer Nebenbedingung anhand der Aktivität jedoch den Nachteil, dass absolute Werte definiert werden müssen und diese für zu- künftige Jahre nicht bekannt sind, da sie Bestandteil der Modelllösung sind. Die dritte Möglichkeit zur technologieorientierten Modellierung der Flexibilität einzelner Prozesse ist die Verfügbarkeit (ncap_a f(r,t,p,s,bd)) im Zeitsegment s. Durch die Verfügbarkeit kann beispielsweise eine minimale Auslastung (≥, LO) und eine maximale Auslastung (≤, UP) auf der Zielzeitsegmentebene sziel formuliert werden, um zulässige Betriebszustände einer Technologie zu modellieren (siehe Gleichung 4-6). In allen zuvor genannten Modellierungsoptionen für Lastmanagement wird die hierarchische Struktur der Zeitsegmentebenen in TIMES verwendet, die das Meilensteinjahr in drei weitere Ebenen untergliedern kann. Die niedrigste Zeitsegmentebene in der hierarchischen Struktur auf der ein Prozess definiert ist, wird in TIMES als Zielzeitsegmentebene bezeichnet (Loulou et al., 2005b). Auf dieser Zielzeitsegmentebene werden die zulässigen Betriebszustände für einzelne Prozesse über die zuvor genannten Parameter modelliert. Soll darüber hinaus eine durchschnitt- liche Auslastung oder eine bestimmte Produktion für einen Zeitraum implementiert werden, um zu verhindern, dass Lasten über technisch mögliche Zeiträume (z. B. Verschiebung einer Last über mehrere Tage, obwohl das technische Lastverlagerungspotenzial im Bereich weniger Stunden liegt) hinaus verschoben werden, wird die nächste Zeitsegmentebene über der Zielzeit- segmentebene s′ verwendet. Auf dieser Ebene kann die Produktion oder die Auslastung über weitere Nebenbedingungen oder Parameter eingeschränkt werden, um das Lastverlagerungs- potenzial realitätsnah abzubilden. Dabei bietet der Parameter act_bnd den Vorteil, dass dieser nicht von einer höheren Zeitsegmentebene auf eine niedrigere Zeitsegmentebene vererbt wird.5 Im Fall der Modellierung von Lastverlagerungspotenzialen über die Verfügbarkeit von Ka- pazitäten (ncap_a f(r,t,p,s,bd)) kann auf der übergeordneten Zeitsegmentebene eine weitere Ein- schränkung der Verfügbarkeit über dem Parameter ncap_a f s(r,t,p,s,bd) implementiert werden, da dieser Parameter nicht auf die niedrigere Zeitsegmentebene vererbt wird. In beiden Fällen wird eine Nebenbedingung erzeugt, die auf der untergeordneten Ebene die Aktivität oder die 4Die Implementierung des Lastverlaufs über Flussvariablen ist in Remme (2006) beschrieben. 5Für eine ausführliche Beschreibung der Vererbungs- und Aggregationsregeln der Parameter in TIMES wird auf Loulou et al. (2005b) verwiesen. 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 47 Auslastung aufsummiert und diese in Beziehung zum modellierten Wert setzt. Am Beispiel der Aktivität ist dies in Gleichung 4-3 dargestellt. actr,t,p,s′ = (≥,≤) ts ∑ sziel=1 actr,t,p,sziel (4-3) Bei der Modellierung von Lastverlagerungspotenzialen beziehungsweise Lastkurven über den Parameter f lo_ f r(r,t,p,c,s,bd) müssen die erweiterten Nebenbedingungen auf der überge- ordneten Zeitsegmentebene manuell hinzugefügt werden. Ein Beispiel für eine entsprechende Nebenbedingung ist in Gleichung 4-4 formuliert. Für die Nebenbedingung mit dem Namen uc_n werden auf der linken Seite der Gleichung (left hand side, LHS) für die Region r, das Meilensteinjahr t, den Prozess p und die Commodity c die Flüsse über die Elemente der Ziel- zeitsegmentebene aufsummiert. Der Gleichungstyp (bd) gibt an, ob es sich um eine Gleichung oder eine Ungleichung handelt. Die rechte Seite der Gleichung (right hand side, RHS) definiert den einzuhaltenden Fluss der Commodity c auf der übergeordneten Zeitsegmentebene s′. ts ∑ sziel=1 uc_ f lo(uc_n, lhs,r, t, p,c,sziel) = (≥,≤) uc_ f lo(uc_n,rhs,r, t, p,c,s′) (4-4) 4.4.1.1 Batchprozesse Als Batchprozesse werden nachfolgend Prozesse bezeichnet, die diskontinuierlich betrieben werden, nach Inbetriebnahme jedoch eine Charge produzieren und für diese Produktionsdau- er unterbrechungsfrei betrieben werden. Mit der Methodik nach Pina, Silva et al. (2012) und Bouckaert et al. (2012) (siehe Abschnitt 3.2.2.5) ist es nicht möglich, den unterbrechungsfrei- en Produktionsprozess einer Charge abzubilden, wenn die typische Produktionsdauer des Pro- zesses größer als die minimale zeitliche Auflösung des verwendeten Modells ist. Vor diesem Hintergrund ist eine Erweiterung der Methodik notwendig, um preisbasiertes Lastmanagement für Batchprozesse und deren zeitliche Restriktionen abbilden zu können. Da in der linearen Optimierung keine binären Variablen zur Überwachung von Betriebszuständen vorhanden sind und auf eine gemischt-ganzzahlige Implementierung verzichtet werden soll, ist es notwendig, jeden Betriebszustand als separaten Prozess abzubilden. Dies impliziert eine große Anzahl an Prozessen zur Berücksichtigung aller Kombinationen. Diese sind jedoch notwendig, um den Lösungsraum des Optimierungsproblems über die Verfügbarkeit der einzelnen Prozesse einzu- grenzen. Für einen Typtag kann die Anzahl notwendiger Prozesse aus der Differenz der Stunden pro Typtag und der Betriebsdauer zur Produktion einer Charge (hop) bestimmt werden, wenn keine Überlappung der Betriebsdauer auf nachfolgende Typtage unterstellt wird. Die Anzahl der insgesamt zu modellierenden Prozesse für eine Technologie entspricht dann dem Produkt aus der Anzahl der Typtage und der Anzahl der Prozesse pro Typtag. 48 4 Modellierung von Demand Side Managment in einem Energiesystemmodell Die Betriebsdauer hop wird in TIMES über die Verfügbarkeit des jeweiligen Prozesses auf der Zielzeitsegmentebene abgebildet. Diese beträgt für jedes Zeitsegment, in dem der einzelne Prozess zur Abbildung eines Betriebszustandes nicht aktiv sein soll, 0. Für die Produktions- dauer einer Charge, die über diesen Prozess abgebildet wird, muss die Verfügbarkeit in diesen Zeitsegmenten 1 sein (Steurer, Haasz, Fahl et al., 2014). Um die Nachfragedeckung innerhalb eines Typtages sicherzustellen, ist Gleichung 4-4 nicht mehr ausreichend, da nun die Erzeu- gung einer Gruppe von Prozessen zu limitieren ist. Dazu wird die Produktion einer Gruppe von Prozessen innerhalb eines Typtages aufsummiert und in Beziehung zur jährlichen Produktion gesetzt. Dies ist in Gleichung 4-5 dargestellt. ∑ pbatch,ts ts ∑ sziel uc_ f lo(uc_n, lhs,r, t, pbatch,ts,c,sziel) ∑ pbatch ∑ sziel uc_ f lo(uc_n, lhs,r, t, pbatch,c,sziel) = (≥,≤) uc_ f lo(uc_n,rhs,r, t, pbatch,ts,c,s′) (4-5) Die methodische Erweiterung bedingt eine zweistufige Prozesskette. Diese ist notwendig, um einerseits eine realistische Abbildung der operativen Restriktionen in der Betriebsweise der Batchprozesse im Kontext des Lastmanagements zu gewährleisten und andererseits Inves- titionsentscheidungen in Kapazitäten korrekt modellieren zu können. Auf der vorgelagerten Prozessebene erfolgt ausschließlich die Manipulation des Lastgangs zur Minimierung der Ge- samtsystemkosten unter Berücksichtigung der Produktionsdauer einer Charge, während auf der zweiten Prozessebene alle weiteren techno-ökonomischen Parameter der Technologie definiert werden (Steurer, Haasz, Fahl et al., 2014). Abbildung 4-3 zeigt den zweistufigen Modellierungs- ansatz für Batchprozesse in TIMES, wobei die möglichen Betriebspunkte der Batchprozesse für einen Knoten s′ über der Zielzeitsegmentebene in der hierarchischen Struktur der Zeitsegmente in Abhängigkeit der Betriebsdauer angegeben sind. Der zweistufige Modellierungsansatz bietet außerdem die Möglichkeit zur vereinfachten Im- plementierung von Gleichung 4-5, da in diesem Ansatz alle Flüsse der Batchprozesse in einem Prozess zusammengeführt werden. Somit kann eine Mindestproduktion pro Typtag über ent- sprechende Anteile des jährlichen Flusses ( f lo_ f r(r,t,p,c,s’,lo)) auf der Ebene der lastmanage- mentfähigen Technologie modelliert werden. 4.4.1.2 Thermostatgeregelte Lasten Thermostatgeregelte Lasten werden innerhalb eines definierten Temperaturbereichs betrieben und wechseln zyklisch in Abhängigkeit der Temperatur zwischen den Zuständen „Ein“ und „Aus“ (Mortensen und Haggerty, 1988). In Abbildung 4-4 ist der Temperaturverlauf im In- neren eines Kühlschranks und die Leistungsaufnahme des Kompressors in minütlicher Auf- lösung für einen Tag dargestellt. Der zulässige Temperaturbereich wurde in diesem Beispiel 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 49 Batchprozess pbatch,s‘,0 – pbatch,s‘,hop Referenztechnologie Technologie lastmanagementfähig … Batchprozess pbatch,s‘,24-hop – pbatch,s‘,23 Abbildung 4-3: Zweistufiger Modellierungsansatz zur Implementierung von Batchprozessen (Steurer, Haasz, Fahl et al., 2014) von 3 ◦C bis 7 ◦C gewählt. Innerhalb des definierten Temperaturbereichs (Hysterese) bietet ei- ne thermostatgeregelte Last (englisch: thermostatically controlled load) (TCL) eine thermische Speichermöglichkeit, weshalb diese Anwendungen im Zusammenhang mit Lastverlagerungs- potenzialen und Systemdienstleistungen wie der Frequenzhaltung untersucht werden (Koch, 2012). Zur Abbildung des thermischen Speicherpotenzials von TCL wird auf Basis von Simula- tionen (siehe Abschnitt 5.4.1) ein zulässiger Lastbereich definiert. Die Daten der Simulation werden als methodische Erweiterung in das Energiesystemmodell implementiert. Die Model- lierung erfolgt über die Verfügbarkeit der installierten Leistung zur Steuerung der Aktivität auf der Zielzeitsegmentebene (siehe Gleichung 4-66) unter Einhaltung einer Tagesaktivität, die über den Parameter ncap_a f s(r,t,p,s,bd) für einen Knoten s′ auf der übergeordneten Zeitsegmentebene beeinflusst wird. Für den Parameter ncap_a f s(r,t,p,s′,bd) wird eine Nebenbedingung (Gleichung 4-7) erzeugt, die sicherstellt, dass die durchschnittliche Verfügbarkeit für diesen Knoten des Zeitsegmentbaums nicht über- oder unterschritten wird. capr,t,p · cap2actr,p ·ncap_a fr,t,p,sziel ,lo ·4s ≥ actr,v,t,p,sziel capr,t,p · cap2actr,p ·ncap_a fr,t,p,sziel ,up ·4s ≤ actr,v,t,p,sziel (4-6) ∑ sziel∈s′ ncap_a fr,t,p,sziel ,lo/up · τsziel τs′ = ncap_a f s(r, t, p,s′, f x) (4-7) 6Der Aufbau der Kapazität-Aktivität-Restriktion ist in Remme (2006) beschrieben. 50 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 0 10 20 30 40 50 60 70 80 0 1 2 3 4 5 6 7 8 1 5 7 1 1 3 1 6 9 2 2 5 2 8 1 3 3 7 3 9 3 4 4 9 5 0 5 5 6 1 6 1 7 6 7 3 7 2 9 7 8 5 8 4 1 8 9 7 9 5 3 1 0 0 9 1 0 6 5 1 1 2 1 1 1 7 7 1 2 3 3 1 2 8 9 1 3 4 5 1 4 0 1 L ei st u n g [ W el ] T em p er at u r im K ü h ls ch ra n k [ °C ] Minuten eines Tages Temperatur Leistung Abbildung 4-4: Darstellung der elektrischen Leistung und des Temperaturverlaufs eines Kühlschranks 4.4.1.3 Energieträgerflexibilität und hybride Erzeugungssysteme Der Energieträgerwechsel stellt eine weitere preisbasierte Flexibilisierungsoption zur Bereit- stellung einer Energiedienstleistung dar. Dabei kann zwischen mindestens zwei Energieträgern in Abhängigkeit des Energieträgerpreises unter Berücksichtigung des Wirkungsgrades gewech- selt werden, sodass zu jedem Zeitpunkt der jeweils kostengünstigere Energieträger eingesetzt wird. Hybride Erzeugungssysteme sind prinzipiell geeignet, die skizzierte Betriebsweise umzu- setzen, wenn entsprechende Steuerungshardware implementiert ist. In Abbildung 4-5 wird die Modellierungsweise für hybride Erzeugungssysteme am Bei- spiel eines Erdgasbrennwertkessels in Kombination mit einem Widerstandserhitzer dargestellt. Als weitere elektrisch betriebene Erzeugungsoption werden Wärmepumpen in hybriden Erzeu- gungssystemen berücksichtigt. Darüber hinaus werden Investitionen in lokale Informations- und Kommunikationsinfrastruktur durch einen dritten Prozess abgebildet, der letztlich auch die Energiedienstleistungen Warmwasser und Raumwärme bereitstellt. Die Verknüpfung der Wärmebereitstellungsprozesse und der Informations- und Kommunikationsinfrastruktur erfolgt über eine Hilfscommodity (siehe Abbildung 4-5). Es wird davon ausgegangen, dass die hybriden Erzeugungssysteme als Systemkomponenten von Anlagenherstellern angeboten werden und jede der beiden Erzeugungsoptionen die Spitzen- last aufgrund der Dimensionierung vollständig bereitstellen kann. Vor diesem Hintergrund ist sicherzustellen, dass die thermische Leistung des Brennwertkessels der thermischen Leistung des Widerstandserhitzers entspricht. Um dies zu berücksichtigen, werden die beiden Prozes- se Brennwertkessel (BWK) und Widerstandserhitzer (WSE) über eine Nebenbedingung nach Gleichung 4-8 verknüpft. 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 51 Brennwertkessel Widerstandserhitzer IKT Brennwertkessel = BWK Widerstandserhitzer = WSE η𝑟,𝑣,𝑡,𝐵𝑊𝐾 η𝑟,𝑣,𝑡,𝑊𝑆𝐸 𝑁𝐶𝐴𝑃_𝐶𝑂𝑆𝑇𝑟,𝑡,𝐼𝐾𝑇 Abbildung 4-5: Modellierungsansatz von hybriden Erzeugungssystemen mit Informations- und Kom- munikationsinfrastruktur in der Referenzenergiesystemdarstellung ∑ v∈rt p_cptyrr,v,t,BWK (NCAPv · (v ∈MILESTONYR) · (v /∈ PASTYEAR) +NCAP_PASTIv · (v ∈ PASTYEAR)) = ∑ v∈rt p_cptyrr,v,t,WSE (NCAPv · (v ∈MILESTONYR) · (v /∈ PASTYEAR) +NCAP_PASTIv · (v ∈ PASTYEAR)) (4-8) 4.4.2 Anreizbasiertes Lastmanagement Die bisherige Integration von anreizbasiertem Lastmanagement in Energiesystemmodellen des TIMES-Modellgenerators nutzt ebenfalls einen Vergleich von Szenarien, wie es bereits einlei- tend in diesem Kapitel beschrieben wurde. Der zentrale Unterschied zwischen preis- und anreiz- basiertem Lastmanagement sind Lastreduktionen oder Lastabwürfe, die im Fall von anreizba- siertem Lastmanagement nicht in einem anderen Zeitsegment kompensiert werden. Es kommt durch den Einsatz von anreizbasiertem Lastmanagement also zu einer geringeren Produktion. Im Modellgenerator TIMES ist die Nachfrage nach Endenergie, Energiedienstleistungen oder Gütern jedoch eine modellexogene Größe, die in ihrem Erfüllungsgrad nicht flexibel ist. Im Ge- gensatz zu anderen Energiesystemmodellen (z. B. das Open Source Energy Modelling System, OSeMOSYS) muss in TIMES die komplette Nachfrage erfüllt werden. In OSeMOSYS kann je- doch ein Teil der Nachfrage als flexibel modelliert werden. Für den flexiblen Teil der Nachfrage fallen Strafzahlungen an, wenn diese Option Bestandteil der kostenoptimalen Lösung ist (M. Welsch, Howells et al., 2012). Dies bedeutet, dass die spezifischen Kosten der Nachfragebereit- 52 4 Modellierung von Demand Side Managment in einem Energiesystemmodell stellung in den betroffenen Zeitsegmenten größer als die Strafkosten sein müssen. Als mögliche Bewertungs- und Ermittlungsmethodik schlagen M. Welsch, Howells et al. (2012) den Value of Lost Load (Value of Lost Load (VoLL))7 vor. Obwohl im Modellgenerator TIMES kein Teil der Nachfrage als flexibel definiert werden kann, ist es möglich, anreizbasiertes Lastmanagement in TIMES ohne einen Szenarienver- gleich, d. h. modellendogen, zu modellieren. Dazu wird ein Prozess pVoLL definiert, der die Nachfrage zu den Kosten des VoLL bereitstellen kann (die Implementierung ist in Gleichung 4-9 dargestellt), sonst jedoch nicht mit dem Energiesystem verbunden ist.8 Der Modellierungs- ansatz ist in Abbildung 4-6 grafisch dargestellt. Die durch diesen Prozess bereitgestellte Nach- frage entspricht damit dem Lastabwurf. Die bilanziell bereitgestellte Nachfrage muss in der Auswertung der Modellergebnisse als Differenz aus der modellexogen definierten Nachfrage (com_pro j(r,t,c)) für die Region r, das Meilensteinjahr t und die Commodity c und der Aktivität (act(r,v,t,pVoLL,sziel)) des Prozesses pVoll mit dem Baujahr v im Zeitsegment sziel berechnet werden (siehe Gleichung 4-10). Referenztechnologie anreizbasiertes Lastmanagement flo_cost = Value of Lost Load Abbildung 4-6: Implementierung von anreizbasiertem Lastmanagement in der Darstellungsform des Referenzenergiesystems f lo_cost(r, t, pVoLL,c,sziel,cur) = VoLL (4-9) bilanzielle Nachfrage = com_pro j(r,t,c) · com_ f r(r,t,c,sziel)−act(r,v,t,pVoLL,sziel) (4-10) 7Statt VoLL wird auch die Bezeichnung „Kosten nicht bereitgestellter Energie“ (cost of unserved energy, CUE) verwendet (Bose et al., 2006). 8In der Darstellung des Referenzenergiesystem (englisch: reference energy system) (RES) hat pVoll keine Ver- bindung zu den vorgelagerten Stufen des Energiesystems. 4 Modellierung von Demand Side Managment in einem Energiesystemmodell 53 Die Nutzung von anreizbasiertem Lastmanagement kann eingeschränkt werden, um die ge- sellschaftliche oder betriebswirtschaftliche Akzeptanz für einen Lastabwurf zu berücksichtigen. Dazu wird der Anteil der Nachfrage, der durch den VoLL-Prozess bereitgestellt wird, im Ver- hältnis zur Produktion aller anderen Prozesse, die die Commodity c produzieren können, be- grenzt. Gleichung 4-11 beschreibt die Modellierung der Akzeptanz des Lastabwurfs, wobei p die Gruppe an Prozessen ohne pVoLL beschreibt, die die Commodity c produzieren kann. Die Implementierung von Gleichung 4-11 kann in jedem Zeitsegment s erfolgen. act(r, t, pVoLL,c,s) act(r, t, p,c,s)+act(r, t, pVoLL,c,s) ≤ bi ∀pVoLL /∈ p (4-11) Dieses grundlegende Konzept der Modellierung von anreizbasiertem Lastmanagement kann um technische Parameter erweitert werden, die beispielsweise die Stabilität und Sicherheit eines Prozesses bei einem Lastabwurf beschreiben, zu berücksichtigen. Relevant kann dies insbeson- dere für Prozesse mit einer hohen durchschnittlichen Auslastung und geringen Überkapazitäten sein, die nicht die Möglichkeit zur Lastverlagerung haben. Paulus und Borggrefe (2011) gehen davon aus, dass die Aluminiumelektrolyse typischerweise eine hohe jährliche Auslastung von 95 % bis 98 % aufweist, sodass nur ein geringes Potenzial zur Lasterhöhung besteht. Weiterhin geben die Autoren an, dass die Leistungsaufnahme einer Aluminiumelektrolyse für vier Stun- den um bis zu 25 % reduziert werden kann, ohne die Stabilität des Prozesses zu gefährden. Diese Betriebsrestriktionen können über weitere Nebenbedingungen in das Energiesystemmo- dell implementiert werden. Zunächst darf die Produktion der Aluminiumelektrolyse in jedem Zeitsegment s nicht geringer als 75 % der maximalen Produktion sein, was einer maximalen Produktion des Lastabwurfprozesses pVoll von 25 % entspricht. Dies wird in Gleichung 4-12 veranschaulicht. act(r, t, pVoLL,c,s) act(r, t, p,c,s)+act(r, t, pVoLL,c,s) ≤ bi ≤ 0,25 ∀pVoLL /∈ p (4-12) Weiterhin darf die Produktion des Lastabwurfprozesses innerhalb eines Tages nicht größer als das Produkt aus einem Lastabwurf von 25 % für 4 Stunden pro Tag sein. In Gleichung 4-13 ist diese zweite Nebenbedingung exemplarisch aufgeführt. 24 ∑ sziel=1 act(r, t, pVoLL,c,sziel)≤ 0% · 2024 +25% · 4 24 ∀sziel ∈ s′ (4-13) 54 4 Modellierung von Demand Side Managment in einem Energiesystemmodell Durch die Berücksichtigung der Betriebsrestriktionen kann eine realitätsnahe Abbildung von Potenzialen für anreizbasiertes Lastmanagement in TIMES erreicht werden. Der VoLL umschreibt allgemein die Zahlungsbereitschaft einer Kundengruppe zur Vermei- dung eines Stromausfalls (Leahy und Tol, 2011). Da ein Stromausfall insbesondere für Kunden aus der Industrie oder dem Gewerbe, Handel und Dienstleistungssektor mit Einbußen in der Wertschöpfung verknüpft ist, kann der VoLL auch als Maß des Wertschöpfungsverlusts pro Energieeinheit verstanden werden (Nick, 2014). Zur Berechnung des VoLL können drei Ver- fahren unterschieden werden (Nick, 2014). Beenstock et al. (1998) nutzen eine Umfrage israe- lischer Haushalte, um die jahres- und tageszeitabhängige Zahlungsbereitschaft im Falle eines Stromausfalls zu bestimmen. Befragungen werden auch von Serra und Fierro, 1997 eingesetzt, um den VoLL in der chilenischen Industrie zu ermitteln. Einen zweiten Ansatz zur Bestim- mung des VoLL präsentieren Caves et al. (1992), die unterbrechbare und abschaltbare Verträge von Kunden aus der Industrie und dem Sektor Gewerbe, Handel und Dienstleistungen nutzen, um den Wert zu ermitteln, den Kunden einer Unterbrechung beimessen. Der dritte Ansatz zur Bestimmung des VoLL umfasst die drei makroökonomischen Methoden Produktionsfunktion, Lohndifferenz und Rechnungs-Verbrauchs-Verhältnis (Magness und Seely, 2013). Allen drei makroökonomischen Methoden ist gemein, dass eine monetäre Größe ins Verhältnis zum Ener- gieverbrauch gesetzt wird. Im Fall des Produktionsfunktionsansatzes wird der sektorspezifische Quotient aus Bruttowertschöpfung der Produktion (im Fall der Industrie beziehungsweise des GHD) und des Energieverbrauchs gebildet, während der Lohndifferenzansatz äquivalent für Haushalte genutzt werden kann (Nick, 2014; Leahy und Tol, 2011; Nooij et al., 2007). Statt der Bruttowertschöpfung wird der Wert der Freizeit, der dem Stundenlohn gleichgesetzt wird, in Beziehung zum Energieverbrauch gesetzt, wobei zusätzlich eine Gewichtung in Abhängigkeit der Bedeutung der jeweiligen Aktivität vorgenommen werden kann (Magness und Seely, 2013). Als letzter makroökonomischer Ansatz beschreibt das Rechnungs-Verbrauchs-Verhältnis eine mögliche Untergrenze für die Zahlungsbereitschaft von Kunden, da die Zahlungsbereitschaft einer Kundengruppe für eine unterbrechungsfreie Versorgung mindestens dem Quotienten aus aktueller Energierechnung und Verbrauch entsprechen muss. 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 55 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Zur Modellierung von Lastverschiebungen werden prozessspezifische Parameter wie zulässige Lastzu- oder Lastabschaltungen und minimale oder maximale Auslastungen benötigt. Weiter- hin müssen Investitions- sowie Betriebskosten für lastmanagementfähige Anwendungen abge- schätzt und gegebenenfalls die Akzeptanz der Nutzer berücksichtigt werden. Die genannten Daten werden in diesem Kapitel über Literaturrecherchen für die Investitions- und Betriebs- kosten sowie alle Parameter in den Sektoren Industrie und GHD ermittelt. Die minimale und maximale Auslastung geeigneter Prozesse in Haushalten wird über Simulationen bestimmt. Zu- vor erfolgt jedoch eine Beschreibung des in dieser Studie verwendeten Energiesystemmodells TIMES-D-DSM. 5.1 Das Energiesystemmodell TIMES-D-DSM Das Energiesystemmodell TIMES-D-DSM basiert prinzipiell auf der Region Deutschland des europäischen Energiesystemmodells TIMES PanEU, wie es beispielsweise in Kuder (2014), Kober (2014) und Blesl, Kober et al. (2010) verwendet wurde. Als Energiesystemmodell be- inhaltet TIMES PanEU für jede Region die Nachfragesektoren Industrie,9 Gewerbe, Handel und Dienstleistungen (GHD), Haushalte, Landwirtschaft und Transport. Neben den Nachfrage- sektoren wird auch die Energiebereitstellung sowie der Umwandlungssektor technologiebasiert abgebildet. Für eine grundlegende Beschreibung der einzelnen Sektoren des Energiesystems in TIMES PanEU wird auf die Arbeiten von Kuder (2014), Kober (2014) und Bruchof (2012) ver- wiesen. Als Vorteil der Betrachtung des gesamten Energiesystems ist einerseits die systemopti- male Allokation knapper Ressourcen bei gleichzeitiger Berücksichtigung möglicher Abhängig- keiten innerhalb der Umwandlungspfade und andererseits die Möglichkeit der Abbildung von Wettbewerb zwischen Technologiealternativen zu nennen (Tomaschek, 2013). Weiterhin kön- nen in der Energiesystemmodellierung Anpassungseffekte der Nachfragesektoren hinsichtlich Preissignalen oder anderen energiewirtschaftlichen und energiepolitischen Rahmenbedingun- gen erfasst werden, sodass Veränderungen des aggregierten Lastgangs durch Veränderungen der Nachfrage (z. B. durch Elektromobilität (Boßmann, 2015)) modellendogen erfasst werden können. Dies ist auch hinsichtlich der Untersuchung von DSM in Energiesystemen mit hohen Anteilen erneuerbarer Energien relevant und eine zusätzliche Funktion gegenüber Strommarkt- modellen, in denen die Lastkurve modellexogen definiert wird (siehe dazu z. B. Steurer, Bothor et al. (2015) und Gils (2016)). 9Abbildung A-1 im Anhang liefert einen Überblick über die Modellierung des Industriesektors. 56 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Der Analysezeitraum reicht von 2010 bis 2050, wobei Meilensteinjahre jeweils einen Zeit- raum von fünf Jahren abdecken.10 Die Meilensteinjahre in TIMES PanEU sind jeweils in zwölf unterjährige Zeitsegmente unterteilt (Kober, 2014). Für die in dieser Studie zu beantwortende Fragestellung wird diese zeitliche Auflösung als nicht ausreichend erachtet. Daher wurde die unterjährige Auflösung eines Meilensteinjahres in TIMES-D-DSM auf vier Jahreszeiten (Win- ter, Frühling, Sommer und Herbst) mit sieben aufeinander folgenden Typtagen (Montag bis Sonntag) und 24 Stunden pro Typtag erhöht. Pro Meilensteinjahr umfasst TIMES-D-DSM somit eine zeitliche Auflösung von 672 Zeitsegmenten. Im Vergleich zu TIMES-D-DSM verwenden bisherige Studien, die ebenfalls den Modellgenerator TIMES mit hohen Anteilen erneuerbarer Energien im Energiesystem nutzen, typischerweise eine deutlich niedrigere zeitliche Auflösung von 224 bis 288 Zeitsegmenten pro Meilensteinjahr (Pina, Silva et al., 2012; Fehrenbach et al., 2014). Mit der Erhöhung der zeitlichen Auflösung müssen auch alle Erzeugungsganglinien der in- termittierenden erneuerbaren Energien sowie die Lastgänge auf der Nachfrageseite des Energie- systems angepasst werden. Der Windertragsindex für onshore und offshore Windkraftanlagen zeigt für das Jahr 2011 im Vergleich zum 10-jährigen Ertragsmittelwert nur geringe Abwei- chungen von 3,5 % für offshore und 2,3 % für onshore Windkraftanlagen (IWR, 2012), wes- halb stündliche Erzeugungsganglinien des Jahres 2011 für die Erstellung der Einspeisegangli- nien der intermittierenden erneuerbaren Energien für das Energiesystemmodell verwendet wer- den.11 Ausgenommen ist dabei die Ganglinie der offshore Windenergie, da diese auf Basis realer Daten von offshore Windkraftanlagen für Deutschland erst für das Jahr 2015 vorliegt.12 Für jede Jahreszeit wird automatisiert zunächst die Einspeisung einer durchschnittlichen Wo- che der Windkraft- oder PV-Anlagen auf stündlicher Basis ermittelt. Anschließend erfolgt die Überprüfung der Erzeugung jeder einzelnen Woche innerhalb einer Jahreszeit und es wird die- jenige Woche ausgewählt, welche die geringste Abweichung zur durchschnittlichen Erzeugung einer Woche in der Jahreszeit aufweist. Die vier ausgewählten Wochen mit ihren stündlichen Einspeisewerten werden in eine kontinuierliche Ganglinie umgewandelt und in stündliche Ver- fügbarkeiten umgerechnet. Diese werden anschließend für alle modellierten Windkraft- und PV-Klassen so skaliert, dass die jährliche Verfügbarkeit der maximalen Volllaststundenanzahl der jeweiligen Klasse entspricht (siehe Abschnitt 6.2). Diese Vorgehensweise bietet den Vorteil, 10Zur Reduktion der Berechnungszeit wurden in der nachfolgenden Szenarioanalyse die Meilensteinjahre 2010, 2015, 2025, 2035 und 2050 berechnet und die dazugehörigen Zeiträume so definiert, dass das jeweilige Mei- lensteinjahr die Mitte des Zeitraums repräsentiert. 11Da die Erzeugung der intermittierenden erneuerbaren Energien in einzelnen Jahren im Vergleich zu einem Er- tragsmittelwert deutliche Abweichungen aufweisen können, wird die installierte Leistung in der Bewertung der gesicherten Leistung mit einem Kapazitätskredit (siehe Abschnitt 6.1.3) gewichtet. Zur Bewertung der Sensitivität der Ergebnisse hinsichtlich des Kapazitätskredits wird eine Variantenrechnung in Abschnitt 6.4.1 durchgeführt. 12Für die Erstellung der Ganglinie wurden Daten von Tennet (2016) verwendet. 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 57 dass reale Wochenganglinien auf stündlicher Basis in ihrer Abfolge in der Modellierung ver- wendet werden können. Es kann somit auf eine Mittelwertbildung und die daraus resultierende Glättung der Einspeiseganglinien verzichtet werden. Neben den Einspeiseganglinien müssen auch neue Nachfragelastgänge für die zeitliche Auf- lösung eines Meilensteinjahres erzeugt und in die Modellanwendung implementiert werden. Für den Haushaltssektor wurden anwendungsspezifische Lastgänge mit einer Simulationssoftware nach Richardson, Thomson et al. (2010) erzeugt.13 Die Simulation erfolgt mit einem bottom-up Modell, das Haushaltsgeräte und deren typische elektrische Last pro Nutzungszyklus abbildet. Die simulierten Lastgänge basieren auf einem Anwesenheits- und Aktivitätsmodell für Bewoh- ner eines Haushalts sowie dem Ausstattungsgrad und den Nutzungswahrscheinlichkeiten für einzelne Anwendungen. Die Simulation arbeitet mit einer minütlichen Auflösung und kann für einen Tag (1440 Lastwerte) Lastgänge für einen zufällig ausgewählten Haushalt simulieren. Für die vorliegende Arbeit wurde das Simulationsmodell angepasst, sodass ein Jahr mit 365 Tagen für 1000 Haushalte (z. B. für Beleuchtung) kontinuierlich simuliert und zu einem Last- profil aggregiert werden kann. Die Datengrundlage wurde dabei nicht verändert. Es erfolgt eine weitere Aggregation zu einem stündlichen Lastprofil, analog zum Verfahren für die Einspei- seganglinien, aus dem vier Wochen zur Repräsentation des Jahreslastprofils mit 672 Stunden ausgewählt werden. Für thermostatgeregelte Lasten werden die simulierten Lastprofile aus Ka- pitel 5.4.1 verwendet. Neben der Simulation von Lastprofilen werden für einzelne Anwendun- gen (Geschirrspülmaschinen, Waschmaschinen und Wäschetrockner) auch typische Lastprofile eingesetzt (O’Dwyer et al., 2012). Da im Energiesystemmodell TIMES-D-DSM ein Teil der Stromnachfrage in Haushalten nicht technologiespezifisch modelliert ist, erhält diese Restgrö- ße ein Lastprofil, das aus der Differenz des Standardlastprofils H0 für Haushalte (Stadtwerke Unna, 2002) und der Summe der Lastprofile der explizit modellierten Anwendungen errechnet wird. Neben den Stromlastgängen werden auch Wärmelastprofile in stündlicher Auflösung für die Energiesystemmodellierung benötigt. Für den Sektor GHD werden die Wärmelastprofile für einzelne Branchen des Sektors über eine Sigmoidfunktion berechnet (siehe Gleichung 5-1 in Abschnitt 5.3) (Hellwig, 2003). Für Haushalte wurde eine Heizgrenztemperatur von 15 ◦C ge- wählt (DIN, 2003). In Kombination mit den stündlichen Temperaturen des Testreferenzjahres der Temperaturregion 13 des Deutschen Wetterdienstes (BBSR, 2013), wurde für jeweils ei- ne Woche jeder Jahreszeit ein Heizlastprofil erstellt. Neben den Raumwärmeprofilen wurden Warmwasserbedarfsprofile auf Basis der VDI Richtlinie 4655 ermittelt (VDI, 2008). In An- lehnung an die in Abschnitt 5.4.1.3 beschriebene Vorgehensweise wurden zur Berechnung der Jahreslastgänge zunächst die minütlichen Bedarfswerte eines Typtages zu Stundenwerten ag- 13Die Simulationssoftware steht als freie Software unter einer „GNU General Public License“ und kann kostenlos von der Universität Loughborough bezogen werden (Richardson und Thomson, 2010). 58 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell gregiert. Im nächsten Schritt wird der Bedeckungsgrad für jeden Tag eines Jahres geprüft und das entsprechende Warmwasserbedarfsprofil aus der Richtlinie zugewiesen, sodass ein Jahres- profil in stündlicher Auflösung für Ein- und Mehrfamilienhäuser vorliegt. Die Auswahl der stündlichen Werte für die Lastgänge des Energiesystemmodells erfolgt nach dem für erneuer- bare Energien vorgestellten Auswahlverfahren. 5.2 Lastverlagerungsoptionen in industriellen Prozessen Lastmanagementpotenziale in der stromintensiven Industrie können bereits als gut untersucht bezeichnet werden, da dazu bereits mehrere Studien angefertigt wurden. Daher wird an dieser Stelle auf eine Beschreibung der einzelnen Prozesse oder Verfahren verzichtet und stattdes- sen auf die verfügbare Literatur verwiesen (Boßmann, 2015; Gils, 2014; Kuder, 2014; Apel et al., 2012; Klobasa, 2007). Für die Nutzung der Lastmanagementpotenziale in der stromin- tensiven Industrie sprechen hohe installierte Leistungen an einzelnen Standorten und die häufig bereits vorhandene Informations- und Kommunikationsinfrastruktur zur Steuerung der Anlagen (Klobasa, 2007). Aus der Literatur zu Lastmanagementpotenzialen in der stromintensiven In- dustrie in Deutschland geht hervor, dass insbesondere Elektrolyseanwendungen (Aluminium, Zink, Kupfer und Chlor), Antriebe (in den Mühlen der Zementindustrie und den Schleifern zur Zerfaserung von Hölzern in der Papierindustrie), Elektrolichtbogenöfen in der Stahlindustrie sowie Luftzerlegungsanlagen in der chemischen Industrie zur Verlagerung oder zum Abwurf von Lasten geeignet sind (Steurer, Miller et al., 2015; Paulus und Borggrefe, 2011; Klobasa, 2007). Geringe Lastmanagementpotenziale werden daneben auch für die Herstellung von Cal- ciumcarbid und Behälterglas ausgewiesen (Steurer, Bothor et al., 2015). In Klobasa (2007) werden nur Potenziale zur Lastabschaltung berücksichtigt, sodass sich für die untersuchten Branchen ein Potenzial von 2210 MWel ohne Querschnittstechnologien ergibt. Demgegenüber steht ein Lastabschaltpotenzial von 2660 MWel in Deutschland für die Jahre 2008 und 2009, wobei darin keine Luftzerlegungsanlagen berücksichtigt wurden (Pau- lus und Borggrefe, 2011). Signifikante Unterschiede sind insbesondere in der Bewertung der Potenziale von Elektrolichtbogenöfen in der Eisen- und Stahlindustrie zu beobachten. Wäh- rend Klobasa (2007) von einer installierten Leistung von 750 MWel bis 800 MWel ausgeht, von der wiederum nur etwa 50 % als Lastmanagementpotenzial nutzbar seien, wird die instal- lierte Leistung in Elektrolichtbogenöfen in Deutschland von Paulus und Borggrefe (2011) auf 1097 MWel geschätzt. Ein vergleichbares Lastmanagementpotenzial in der Größenordnung von 900 MWel bis 1100 MWel wird von Steurer, Miller et al. (2015) ausgewiesen, wobei auch die in- stallierte Leistung mit über 2100 MWel als deutlich größer bewertet wird. Insgesamt werden in dieser Studie die größten Lastmanagementpotenziale für Deutschland ausgewiesen. Demnach kann in Deutschland eine Leistungsreduktion von 2359 MWel und eine Leistungserhöhung von 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 59 Tabelle 5-1: Minimale und maximale Verfügbarkeit der Produktionskapazität (in MWel) ausgewählter stromintensiver Prozesse zur Lastab- und Lastzuschaltung in Deutschland (berechnet mit Daten aus Steurer, Miller et al., 2015) Produkt Lastabschaltung Lastzuschaltung Aluminium 25 % 12 % Kupfer 63 % 15 % Elektrostahl 46 % 5 % Chlor 49 % 14 % Zellstoff 72 % 28 % 610 MWel in Industrieprozessen erfolgen. In einer weiteren Studie wird das Lastreduktionspo- tenzial sowie die zuschaltbare Leistung nach der Dauer der Lastverschiebung bewertet. Werden Lastverlagerungen von bis zu einer Stunde berücksichtigt, wird das Potenzial zur Lastredukti- on in stromintensiven Prozessen auf etwa 2200 MWel bis 3000 MWel beziffert. Demgegenüber steht ein geringes Potenzial zur Lasterhöhung für die Dauer von einer Stunde, das mit einem Leistungsbereich von ca. 250 MWel bis 450 MWel für Deutschland angegeben wird. Für die Dauer von vier Stunden wird das Lastreduktionspotenzial in der Industrie in Deutschland in einem Bereich von 500 MWel bis 950 MWel angegeben (Steurer, Bothor et al., 2015). In Tabelle 5-1 werden die minimalen und maximalen Verfügbarkeiten der Produktionsprozes- se zur Herstellung ausgewählter industrieller Produkte im Rahmen der Lastmanagementmodel- lierung aufgelistet. Da die Produktionsprozesse im Energiesystemmodell abgebildet sind, er- folgt keine Kapazitätsangabe für Lastmanagementpotenziale. Die installierte Leistung wird in den einzelnen Stützjahren modellendogen bestimmt, sodass auch der kostenoptimale Beitrag der Flexibilität modellendogen zu bestimmen ist. Daher wird die Flexibilität in der Produktion der einzelnen Prozesse über Unter- und Obergrenzen in deren Verfügbarkeit nach der Methodik aus Abschnitt 4.4.1.2 abgebildet. Die Möglichkeiten zur Lastzuschaltung werden in der wissenschaftlichen Literatur abwei- chend bewertet, weshalb diese als unsicher eingestuft werden. So wird für die Aluminium- elektrolyse eine durchschnittliche Auslastung zwischen 95 % und 98 % angegeben, sodass die mögliche Lasterhöhung im Bereich von 2 % bis 5 % liegt (Paulus und Borggrefe, 2011). Dem- gegenüber steht ein zuschaltbares Potenzial von 138 MWel bei einer installierten Leistung von 1150 MWel in 2014 aus Steurer, Miller et al. (2015), was für eine mögliche Lasterhöhung von 12 % spricht. Für Elektrolichtbogenöfen geben Paulus und Borggrefe (2011) kein Lastzuschalt- potenzial an, da ein Batchvorgang etwa 45 Minuten dauert und die übrigen 15 Minuten zur Be- und Entladung notwendig seien. Demgegenüber steht ein Lastzuschaltpotenzial von bis zu 100 MWel, was etwa 5 % der gesamten Leistung entspricht (Steurer, Miller et al., 2015). 60 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Tabelle 5-2: Fixe Betriebskosten für Lastmanagementanwendungen in ausgewählten industriellen Pro- zessen (eigene Berechnungen auf Basis von Steurer, Miller et al., 2015; Ingenieurkarrie- re.de, 2014; Eurostat, 2015b) Anwendung Standorte Leistung 2014 Bruttogehalt FOM FOM [MWel] [e2014] [e2014/kW] [e2010/kW] Aluminiumelektrolyse 4 1150 416940 0,36 0,34 Kupfer- & Zinkelektrolyse 2 80 208470 2,61 2,43 Elektrolichtbogenofen 19 2120 1980465 0,93 0,87 Chloralkali-Elektrolyse 17 1190 1771995 1,49 1,39 Holzschleifer 10 140 1042350 7,45 6,95 Zusätzliche Investitionskosten zur Erschließung der Lastmanagementpotenziale in der Indus- trie fallen in der Regel nicht an, da die notwendige Informations- und Kommunikationsinfra- struktur bereits vorhanden ist (Paulus und Borggrefe, 2011; Steurer, Miller et al., 2015). Neben den Investitionskosten werden von Albadi und El-Saadany (2008) allerdings auch Kosten für die Umplanung der Produktion angeführt, die für den Lastmanagementeinsatz zu berücksich- tigen sind. Um diese Kosten in der Modellierung berücksichtigen zu können, wird angenom- men, dass in jeder geeigneten Produktionsstätte ein zusätzlicher Mitarbeiter eingestellt wird, der die Produktion entsprechend der Lastmanagementeinsätze plant. Aus einer Umfrage zu Ge- hältern unter Ingenieuren in Abhängigkeit des Alters geht hervor, dass bei Ingenieuren bis zu 30 Jahren der Median des Brutto-Jahresgehalts bei 48000e liegt. Bei Ingenieuren über 50 Jah- ren liegt das Brutto-Jahresgehalt in 25 % der Fälle bei über 104235e (Ingenieurkarriere.de, 2014). Diese Spannweite verdeutlicht die Unsicherheit, die mit dieser Abschätzung verbunden ist. Um zu vermeiden, dass ein möglicher Beitrag des Lastmanagements in der Industrie auf- grund zu geringer Kosten überschätzt wird, erfolgt die Abschätzung der fixen Betriebskosten mit dem höchsten genannten Wert. In Tabelle 5-2 werden die spezifischen fixen Betriebskosten für 6 Branchen der Industrie über die Anzahl der Standorte in Deutschland und die Summe der installierten elektrischen Leistung an diesen Standorten errechnet. Aus der Berechnung geht hervor, dass die Aluminiumelektrolyse die geringsten fixen Betriebskosten aufweist, da sich die installierte elektrische Leistung auf wenige Standorte konzentriert. Demgegenüber steht ei- ne vergleichsweise geringe installierte elektrische Leistung bei Holzschleifern und Roh- sowie Zementmühlen, die sich auf viele Standorte verteilt und daher mit hohen fixen Betriebskos- ten zu rechnen ist. Um eine konsistente Datengrundlage in der Modellanwendung des TIMES- Modellgenerators zu gewährleisten, werden die fixen Betriebskosten in Tabelle 5-2 in e2014/kW über den harmonisierter Verbraucherpreisindex (HVPI) auf e2010/kW diskontiert, da e2010 als monetäre Einheit in TIMES-D-DSM definiert ist. 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 61 Tabelle 5-3: Sektorspezifischer Value of Lost Load in e2010/MWh in Deutschland für 2008 bis 2013 (eigene Berechnung auf Basis von Eurostat, 2015a; Meyer, 2015; Eurostat, 2015b) Industriezweig 20 08 20 09 20 10 20 11 20 12 20 13 D ur ch sc hn itt [e2010/MWh] Eisen und Stahl 443 307 287 325 281 279 320 Aluminium 153 286 250 273 270 264 249 Kupfer 794 668 577 676 643 594 659 übrige Nichteisenmetalle 652 717 626 574 767 645 663 Ammoniak 1524 784 808 779 810 657 894 Chlor 202 233 396 260 220 259 262 übrige Chemie 923 941 927 953 888 901 922 Zement 249 264 247 223 216 225 237 Kalk 509 524 488 501 477 535 506 Behälterglas 532 490 504 493 532 527 513 Flachglas 1247 863 866 730 639 479 804 übrige nichtmetallische Mineralien 2018 2183 1996 2010 2113 2164 2081 Papier und Pappe 447 435 423 432 451 457 441 Nahrungsmittel und Tabakverarbei- tung 1850 1872 1979 1909 1858 1990 1910 übrige Industriezweige 4148 3962 4215 4241 4090 4407 4177 Zur Berechnung des Value of Lost Load (VoLL) für einzelne Industriezweige wird die Pro- duktionsfunktionsmethode verwendet, die im Abschnitt 4.4.2 für anreizbasiertes Lastmanage- ment vorgestellt wurde. Der VoLL für einzelne Industriezweige wird in Tabelle 5-3 dargestellt. Die Berechnung des VoLL erfolgt auf Basis der Wirtschaftszweigdefinition, wobei für jede Branche eine möglichst genaue Zuordnung vorgenommen wurde und daher unterschiedliche Hierarchieebenen der Wirtschaftszweigdefinition genutzt werden. So wird für die Bruttowert- schöpfung zu Faktorkosten und den Stromverbrauch der Eisen- und Stahlproduktion der Wirt- schaftszweig „C 241 Erzeugung von Roheisen und Stahl“ verwendet, während beispielsweise für Aluminium eine tiefere Ebene der Wirtschaftszweigdefinition „C 2442 Erzeugung und erste Bearbeitung von Aluminium“ genutzt wird.14 Aufgrund der aggregierten Modellierung von Branchen im Energiesystemmodell muss für 14Die genaue Zuordnung der verwendeten Wirtschaftszweige ist in Tabelle A-1 im Anhang aufgeführt. 62 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell manche Wirtschaftszweige ein repräsentativer VoLL bestimmt werden. Dazu wird für jedes Jahr ein mit dem Stromverbrauch des einzelnen Wirtschaftszweigs gewichteter Mittelwert gebildet. Ein Beispiel ist der Sektor Nahrungsmittel und Tabakverarbeitung, in den die Wirtschaftszwei- ge C 1011 bis C 1107 sowie der Wirtschaftszweig C 12 einfließen. Aus den Durchschnitts- werten des VoLL für die einzelnen Industriezweige geht hervor, dass bei einem Lastabwurf in der Zementindustrie mit den geringsten spezifischen Kosten in Höhe von 237e2010/MWh zu rechnen ist. Mit 249e2010/MWh in der Aluminiumindustrie und 262e2010/MWh in der Chlor- herstellung sind die spezifischen Kosten eines Lastabwurfs im Vergleich zur Zementindustrie nur geringfügig höher. In der Eisen- und Stahlindustrie liegen die spezifischen Kosten bereits ca. 80e2010/MWh über den spezifischen Kosten der Zementindustrie. Alle übrigen Branchen weisen bereits spezifische Kosten von über 400e2010/MWh aus, was in der „Verordnung über Vereinbarungen zu abschaltbaren Lasten“ aus 2012 als maximaler Arbeitspreis definiert ist und somit als Indikator zur Bewertung von Flexibilitätsoptionen im Kontext des Lastabwurfs heran- gezogen werden kann. 5.3 Energieträgerflexibilität im Sektor Gewerbe, Handel und Dienstleistungen Neben Lastmanagement durch eine zeitliche Verlagerung der Nachfrage oder der Produktion könnte auch ein Wechsel zwischen Energieträgern in hybriden Erzeugungssystemen einen Bei- trag zum Ausgleich und der Integration intermittierender erneuerbarer Energien liefern. Dazu könnte, bei negativer residualer Last und dem damit verbundenen Stromüberschuss oder all- gemeiner bei niedrigen Preisen, Strom in hybriden Anwendungen genutzt werden, um eine Energiedienstleistung bereitzustellen. Andererseits könnten hybride Erzeugungssysteme, die in der Regel elektrisch angetrieben werden, in Knappheitssituationen im Strommarkt auf einen anderen Energieträger ausweichen (Steurer, Haasz, Klempp et al., 2016). Im Rahmen dieser Studie erfolgt die Berücksichtigung hybrider Erzeugungssysteme zur Be- reitstellung von Raumwärme, Warmwasser und Prozesswärme für den Sektor Gewerbe, Handel und Dienstleistungen (GHD). Im Energiesystemmodell TIMES-D-DSM wird zwischen kleinen und großen Betrieben im Sektor GHD unterschieden. Für jede Branche des Sektors wird die Spitzenlast eines kleinen und großen Betriebes ermittelt und mit dem Energieverbrauch nach Schlomann et al. (2015) für Raumwärme, Warmwasser und Prozesswärme gewichtet. Die be- rechnete typische Leistung für kleine und große Betriebe wird einerseits zur Berechnung der spezifischen Kosten und andererseits zur Technologieauswahl verwendet. Für beide Größen- klassen werden jeweils zwei Technologieoptionen berücksichtigt. Es werden sowohl Wider- standserhitzer (Heizstäbe oder Flansch-Heizkörper) als auch Wärmepumpen mit einem Erdgas- brennwertkessel, wie in Abschnitt 4.4.1.3 beschrieben, zu einem hybriden Erzeugungssystem 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 63 verknüpft. Wärmepumpen sind in Größenklassen von etwa 5 kWth bis 180 kWth standardisiert verfügbar. Größere Leistungsklassen sind meist Individuallösungen für einzelne Kunden, weshalb diese Größenklassen nicht in Preislisten der Hersteller vertreten sind und Kostenfunktionen daher nur bis zu einer Heizleistung von 180 kWth gebildet werden können (Wolf et al., 2014). Im Heizleistungsbereich für kleine Betriebe werden nachfolgend Luft/Wasser Wärmepum- pen und in größeren Leistungsklassen Sole/Wasser Wärmepumpen als Technologieoptionen be- rücksichtigt, da die zusätzlichen Kosten für Erdwärmesonden in größeren Leistungsbereichen die spezifischen Kosten weniger stark beeinflussen und diese Anlagen gleichzeitig eine höhere Leistungszahl bieten. Zur Berechnung der spezifischen Investitionskosten für Sole/Wasser Wär- mepumpen wird eine gewichtete Heizleistung von 174 kWth berücksichtigt. Die Berechnung der Spitzenlast erfolgt dabei anhand von Gleichung 5-1 in stündlicher Auflösung für ein Jahr für die Temperaturregion 13 des Deutschen Wetterdienstes mit Temperaturdaten des Testreferenzjah- res (BBSR, 2013). Die stündliche Heizlast wird in Gleichung 5-1 durch hstd,i repräsentiert. Sie wird anhand von Stundenfaktoren SF und Wochentagsfaktoren Fwt gebildet. Weiterhin sind A, B und C die Koeffizienten der Sigmoidfunktion. Anhand des Parameters D wird ein tempe- raturunabhängiger Warmwasser- oder Prozessenergiebedarf für einzelne Branchen des Sektors GHD abgebildet. Die stündliche Außentemperatur wird in Gleichung 5-1 durch ϑA,i berück- sichtigt, wobei die Sigmoidfunktion im verwendeten Temperaturbereich durch ϑA0 verstetigt wird (Hellwig, 2003). hstd,i = Fwt ·  A1+( BϑA,i−ϑA0)c +D  ·SF (5-1) Tabelle 5-4 zeigt die techno-ökonomischen Parameter für hybride Erzeugungssysteme als Kombination eines Erdgasbrennwertkessels mit einer Wärmepumpe oder mit einem Wider- standserhitzer. Neben den Investitionskosten des Aggregats werden bei Sole/Wasser Wärme- pumpen in den spezifischen Investitionskosten auch die Kosten für eine Erdsonde berücksich- tigt. Diese umfassen insbesondere die Bohrung für eine vertikale Erdwärmesonde, Erdarbei- ten und die Erdwärmesonde selbst. Standortabhängige Baumaßnahmen zur strukturellen Si- cherung der Anlage oder der Absicherung des Grundwasser werden nicht berücksichtigt. Die spezifischen Kosten der Erdwärmesonde fließen mit 90e/m in die spezifischen Kosten der So- le/Wasser Wärmepumpe ein (Thiel und Ehrlich, 2012). Neben der Wärmepumpe ist in Tabelle 5-4 noch eine weitere Option zur Hybridisierung eines Erdgasbrennwertkessels über Widerstandserhitzer aufgeführt. Widerstandserhitzer repräsentie- ren die Gruppe der Heizstäbe und Flansch-Heizkörper. Heizstäbe zeichnen sich durch niedrige spezifische Investitionskosten aus und sind insbesondere für kleine Verbraucher geeignet, da sie eine Leistung von 12 kWel typischerweise nicht überschreiten. Flansch-Heizkörper sind in 64 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Tabelle 5-4: Techno-ökonomische Charakterisierung der hybriden Erzeugungssysteme bestehend aus ei- nem Erdgasbrennwertkessel und einer Wärmepumpe oder einem Widerstandserhitzer im Sektor Gewerbe, Handel und Dienstleistungen für kleine und große Betriebe. Eigene Be- rechnung basierend auf: (VDI, 2012a; VDI, 2012b; Knau, 2015; G. Huber, 2015; Thiel und Ehrlich, 2012; Gebhardt et al., 2002; Wolf et al., 2014; Bechem et al., 2015; Dittrich, 2015; Killus, 2015) In ve st iti on s- ko st en + fix e B et ri eb sk os te n te ch ni sc he L eb en sd au er W ir ku ng sg ra d/ L ei st un gs za hl V er fü gb ar ke it [e2010/kW] [e2010/kW] [a] [%] Erdgasbrenn- klein* 272,4 4,8 20 0,94 13,7 wertkessel groß# 94,4 4,8 20 0,94 17,1 Wärmepumpe Luft/Wasser* 2266,7 5 20 3,3 13,7 Sole/Wasser# 321,0 10 20 4,4 17,1 Widerstands- Heizstab* 70,7 2,0 20 0,99 13,7 erhitzer Flansch- Heizkörper# 68,0 2,0 20 0,99 17,1 Annahmen zur typischen Leistung: *3,3 kWth, #174,5 kWth. +Beinhaltet Installationskosten in Höhe von 17 %. Leistungsklassen von 10 bis 1000 kWel verfügbar und werden ab einer Leistung von 100 kWel mit einem Schaltschrank ausgeliefert, in dem die Steuerungseinheit der Anlage untergebracht ist (Bechem et al., 2015). Aufgrund der Verfügbarkeit von Heizstäben und der berechneten ty- pischen Heizleistung für kleine Betriebe im Sektor GHD werden in diesem Leistungsbereich Heizstäbe und für große Betriebe Flansch-Heizkörper mit Schaltschrank zur Bestimmung der spezifischen Investitionskosten genutzt. Die notwendige Informations- und Kommunikationsinfrastruktur zur Steuerung der hybriden Erzeugungssysteme basiert auf einer bidirektionalen Anbindung, die nicht nur ein Schalt- oder Preissignal sondern auch eine Rückmeldung zur Reaktion einer Anlage auf das Schaltsignal übermitteln kann. Die Anforderungen an die Informations- und Kommunikationsinfrastruktur stimmen mit der Modellierung im Energiesystemmodell überein, die die Anbindung an ein zen- trales Steuerungsorgan vorsieht, das eine möglichst optimale Einbindung aller Erzeugungs- und Verbrauchsanlagen anstrebt (Stamminger, 2008). Die zusätzlichen Kosten für die Informations- und Kommunikationsinfrastruktur werden in Abschnitt 5.4.2 hergeleitet. Auf Basis dieser Da- 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 65 ten werden für kleine Betriebe spezifische Kosten von 21,23 e2010/kW in 2020 angenommen, die bis 2045 auf 1,52 e2010/kW sinken. Für große Betriebe betragen die zusätzlichen spezifi- schen Investitionskosten für die Informations- und Kommunikationsinfrastruktur 0,4 e2010/kW in 2020 und 0,03 e2010/kW in 2045. In Deutschland beträgt das wirtschaftliche Flexibilitätspotenzial von Widerstandserhitzern in 2013 im Winter im GHD bei einer Preisdifferenz zwischen Strom und Erdgas von 5 ct/kWh, ei- nem unterstellten Zinssatz von 10 % und 300 Volllaststunden pro Jahr im Median 17 GW (Steu- rer, Haasz, Klempp et al., 2016). In Abhängigkeit der Heizlast kann das Potenzial allerdings zwischen 7 GW und 32 GW variieren. In den Sommermonaten sinkt das Potenzial auf einen Median von 3 GW. Für Wärmepumpen beträgt das wirtschaftliche Flexibilitätspotenzial unter gleichen Rahmenbedingungen im Winter im Median 3 GW, während es im Sommer auf 1 GW sinkt (Steurer, Haasz, Klempp et al., 2016). Da sich die Potenzialangaben für Widerstandserhit- zer und Wärmepumpen auf das gleiche Referenzsystem beziehen, können die Potenziale nicht kumuliert werden. Die Nutzung der genannten Potenziale ist ein Bestandteil der Optimierung im Energiesys- temmodell und erfolgt auf Basis der Minimierung der gesamten diskontierten Systemkosten. Weiterhin verändern sich die Potenziale über den Zeithorizont der Optimierung durch Inves- titionsentscheidungen vorangegangener Perioden, sodass die genannten Flexibilitätspotenziale nicht auf zukünftige Meilensteinjahre projiziert werden können. 5.4 Simulation von Lastgängen und Ableitung von Lastverlagerungspotenzialen in Haushalten In den nachfolgenden Abschnitten werden für Populationen thermostatgeregelter Lasten in Haushalten in Deutschland Simulationen durchgeführt, um zulässige Ober- und Untergrenzen der Verfügbarkeit für die Abbildung der Flexibilitätsoptionen in der Energiesystemmodellie- rung zu bestimmen. Abschließend wird in den Abschnitten 5.4.2 und 5.4.3 auf spezifische Auf- preise der IKT zur Erschließung der Flexibilitätspotenziale sowie auf die Nutzerakzeptanz von Lastmanagement in Haushalten eingegangen. 5.4.1 Simulation thermostatgeregelter Lasten in Haushalten In Haushalten befinden sich typischerweise verschiedene thermostatgeregelte Lasten (TCL) wie beispielsweise Kühlschränke, Gefriergeräte, Klimaanlagen, elektrische Heizungen oder elektri- sche Warmwasserspeicher. In 2010 haben diese Geräte etwa 46 % des Stromverbrauchs in Haus- halten in Deutschland ausgemacht (BMWi, 2014b). Bisherige Studien haben bereits gezeigt, dass TCL aus technischer Sicht geeignet sein können, um sie für Lastverlagerungen einzusetzen. 66 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Die Eignung von TCL für Lastverlagerungen kann auf ihre thermische Kapazität zurückgeführt werden, sodass sie auch als kleine dezentrale thermische Speicher bezeichnet werden könnten (Perfumo et al., 2012). Darüber hinaus können TCL angesteuert und ihre Speicherkapazität so eingesetzt werden, dass für Nutzer kein Komfortverlust entsteht. TCL arbeiten nach dem gemeinsamen Steuerungsprinzip des Zweipunktreglers und kennen demnach die Zustände „Ein“ und „Aus“. Es wird ein Temperaturbereich über eine minimale und maximale Temperatur definiert, der zu jedem Zeitpunkt einzuhalten ist. Beim Erreichen eines der eingestellten Werte erfolgt eine Umkehrung des Zustands. Für Kühlgeräte erfolgt bei- spielsweise beim Erreichen des oberen Temperaturgrenzwertes der Start des Kompressors, der bis zum Erreichen des unteren Temperaturgrenzwertes in Betrieb bleibt. Für Heizanwendungen werden lediglich die Zustände invertiert. Zur Bestimmung von Lastgängen einer TCL-Population und eines möglichen Lastmanage- mentpotenzials werden Simulationen für definierte zulässige Temperaturbereiche durchgeführt. Das Simulationsmodell basiert auf dem dynamischen Modell für einen Zweipunktregler von Mortensen und Haggerty (1988). In einer späteren Studie von Callaway (2009) wurde auf die- sem Ansatz aufgebaut und ein Störprozess implementiert, der alle Wärmeverluste oder -gewinne abbilden soll, die nicht direkt über das physikalische Modell erfasst werden. In der vorliegenden Studie wird zwischen zwei Typen von Störprozessen unterschieden, um zwischen verschiede- nen Aktionen der Nutzer unterscheiden zu können. Für Kühlschränke wird beispielsweise zwi- schen Türöffnungen (wk,d) und dem Einbringen eingekaufter Lebensmittel (wk,r) unterschieden, die jeweils zu unterschiedlich starken Temperaturerhöhungen führen (siehe Abschnitt 5.4.1.1). Unter Verwendung der Notation aus Callaway (2009) und M. Stadler et al. (2009) kann die Gleichung zur Beschreibung des Temperaturverlaufs von TCL wie folgt formuliert werden: Tk+1 = aTk+(1−a)(To±mkηRP)+wk,d +wk,r (5-2) Für Kühlanwendungen entspricht die Zeichenkonvention einem negativen Vorzeichen, wäh- rend ein positives Vorzeichen für Heizanwendungen verwendet wird. Die thermische Trägheit des Systems wird über die Variable a beschrieben, die eine exponentielle Funktion a = e− h CR der thermischen Kapazität C und des Widerstandes R sowie der zeitlichen Dauer h eines Si- mulationsschritts repräsentiert. Tk beschreibt die innere Temperatur zum Zeitpunkt k und To die Außen- oder Raumtemperatur. Die Variablen η und P repräsentieren die Leistungszahl (eng- lisch: coefficient of performance) (COP) und die Leistung des Geräts. Die binäre Variable mk beschreibt den Zustand des Geräts, der entweder „Ein“ (1) oder „Aus“ (0) sein kann. Der Zu- stand des Geräts zum Zeitpunkt k wird für Kühlanwendungen nach Gleichung 5-3 bestimmt (Callaway, 2009). 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 67 mk+1 =  1, Tk ≥ Tup 0, Tk ≤ Tlo mk, andernfalls (5-3) Für jeden Simulationsschritt wird die Leistung Pl des einzelnen Geräts l aufsummiert, um die kumulierte Leistung Pk,total aller Geräte zum Zeitpunkt k und so den Lastgang der gesamten Population zu bestimmen (siehe Gleichung 5-4). Um aus der simulierten Population auf alle Bestandsgeräte zu schließen, erfolgt eine Skalierung des Lastgangs mit der Anzahl der Haus- halte und dem Ausstattungsgrad. Da die Simulationen der Lastgänge in minütlicher Auflösung erfolgt, werden die Lastgänge zu stündlichen Lastprofilen aggregiert, die in der Energiesystem- modellierung verwendet werden können. Pk,total = N ∑ l=1 mk,lPl (5-4) Die Analyse des Lastmanagementpotenzials von TCL basiert auf zwei Simulationsdurchgän- gen, die sich im zulässigen Temperaturbereich unterscheiden. Der Ansatz der Manipulation des zulässigen Temperaturbereichs zur Steuerung der Leistungsaufnahme der TCL wurde bereits in Perfumo et al. (2012) vorgestellt. Lu und Katipaluma (2005) haben die Anwendbarkeit der Temperaturmanipulation zur Lastverschiebung bereits für die elektrische Warmwasseraufberei- tung umgesetzt, ohne dabei das Komfortniveau der Nutzer zu beeinträchtigen. Im Bereich des Lastmanagements mit Kühlschränken wird auch von I. Stadler (2008) auf die Möglichkeit einer vergrößerten Temperaturspreizung von 2 ◦C bis 10 ◦C eingegangen. In der hier verwendeten Referenzsimulation wird ein zulässiger Temperaturbereich unter- stellt, der heute typischerweise in der jeweiligen Gruppe der TCL anzutreffen ist. Dadurch kann ein typisches Lastprofil für diese TCL simuliert werden. Gleichzeitig kann über diese Analyse auch ein Potenzial zur Lastverschiebung bestimmt werden, wenn die typischen Betriebsbedin- gungen unverändert eingesetzt werden. Für die Lastmanagementsimulationen wird eine größere Spreizung der zulässigen oberen und unteren Temperaturgrenze angenommen, sodass die Fle- xibilität im Vergleich zur Referenzsimulation erhöht wird. Aus dieser Simulation werden Ober- und Untergrenzen der zulässigen Lasten für die gesamte Population und für jeden Typtag abge- leitet, die in das Energiesystemmodell aufgenommen werden können. Im Energiesystemmodell kann innerhalb der zulässigen Lastgrenzen eine Optimierung der Last für jede Typstunde un- ter der Nebenbedingung erfolgen, dass die Energiedienstleistung für jeden Typtag erfüllt wird. Dieser Modellierungsansatz bietet zwei Vorteile. Erstens wird durch die Simulation auf Einzel- gerätebasis gewährleistet, dass die zulässigen Temperaturgrenzen für jedes Gerät eingehalten werden und somit auch keine Komfortverluste bei den Nutzern eintreten. Zweitens wird über die Simulation sichergestellt, dass nicht alle Geräte gleichzeitig geschaltet werden, wodurch 68 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell es zu einer Lastsynchronisation und damit zu ungewollten Spitzenlasten kommen könnte. Da- durch entfällt auch die Notwendigkeit zur Implementierung von Steuerungsstrategien, die bei- spielsweise den Gerätestart nach einem Schaltvorgang verzögern, um eine Lastspitze durch die Synchronisation der Gerätepopulation zu verhindern (Lefebvre und Desbiens, 2002). Im Folgenden erfolgt die detaillierte Beschreibung der Simulation zum Lastverlauf von Kühl- schränken und des daraus abgeleiteten Lastverlagerungspotenzials in Haushalten in Deutsch- land für die einzelnen analysierten Anwendungen. Da die Berechnung für Kühl- und Gefrier- kombinationen sowie für Gefriergeräte analog zur Berechnung für Kühlschränke verläuft, er- folgt für diese beiden Gerätegruppen lediglich die Beschreibung der Simulationsergebnisse in Abschnitt 5.4.1.2. Da die Eingangsparameter für die Simulation der elektrischen Warmwasser- aufbereitung erheblich von der Simulation der Kühlgeräte abweichen, wird die Berechnung für die elektrische Warmwasseraufbereitung wieder detailliert beschrieben (siehe Abschnitt 5.4.1.3). 5.4.1.1 Kühlschränke In einem durchschnittlichen Haushalt in Deutschland gehören Kühlschränke und Kühl- und Gefrierkombinationen zu den größten Stromverbrauchern (430 kWh/a) (eigene Berechnung auf Basis von Schmidt, 2013; Destatis, 2012). Nach Schlesinger et al. (2014) beträgt der durch- schnittliche Stromverbrauch von Kühlschränken und Kühl- und Gefrierkombinationen hinge- gen 265 kWh/a. Aus einer Analyse von Herstellerangaben geht hervor, dass Kühlschränke und Kühl- und Gefrierkombinationen mit einem durchschnittlichen Stromverbrauch von 225 kWh/a über alle Größenklassen und die Energieeffizienzklassen A+ bis A+++ ausgewiesen werden (Siemens, 2012; Bauknecht, 2014; Neff, 2014). Kühlschränke der Energieeffizienzklasse A+++ erreichen bei einer Höhe von 186 cm Verbrauchswerte von 75 kWh/a (Siemens, 2012). Weiterhin ist der Ausstattungsgrad mit Kühlschränken und Kühl- und Gefrierkombinationen in Deutschland größer als eins. Die Angaben zum Ausstattungsgrad weisen jedoch erhebliche Unsicherheiten auf. Nach Schmidt (2013) beträgt der gewichtete Ausstattungsgrad mit Kühl- schränken und Kühl- und Gefrierkombinationen 130 Geräte pro 100 Haushalte, während nach den Laufenden Wirtschaftsrechnungen der durchschnittliche Ausstattungsgrad in 2010 120 Ge- räte pro 100 Haushalte betrug (Destatis, 2014). Zur Einordnung der Angaben kann auch aus der Anzahl der Kühlschränke und Kühl- und Gefrierkombinationen in Kombination mit der Anzahl der Haushalte der Ausstattungsgrad in der Energiereferenzprognose bestimmt werden, der sich auf 113 Geräte pro 100 Haushalte beläuft (Schlesinger et al., 2014). Neben dem spezifischen Stromverbrauch eines typischen Gerätes im Bestand und dem Aus- stattungsgrad, muss auch die Anzahl der Haushalte in Deutschland als unsicher eingestuft wer- den, da diese in Abhängigkeit der verwendeten Quelle zwischen 36,5 Mio. und 40,3 Mio. Haus- halten für 2010 schwankt (Destatis, 2014; Destatis, 2012; Destatis, 2011). Mittels einer bottom- 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 69 Abbildung 5-1: Eindimensionales Wärmeübertragungsmodell zur Berechnung der Wärmelast (eigene Darstellung nach Boughton et al., 1992) up Berechnung des Stromverbrauchs von Kühlschränken und Kühl- und Gefrierkombinationen kann bei Verwendung der Minimalwerte eine Untergrenze von 9,3 TWh/a und bei Verwendung der zuvor genannten Maximalwerte eine Obergrenze von 22,6 TWh/a ermittelt werden. Die angegebene Spannweite verdeutlicht die Unsicherheiten, die mit diesen Annahmen verbunden sind. Für die nachfolgenden Berechnungen in dieser Studie wird von 30,6 Mio. Geräten ausge- gangen (Schlesinger et al., 2014). Der thermische Widerstand von Kühlschränken kann anhand der Methodik von Boughton et al. (1992) sowie Laguerre und Flick (2004) erfolgen. Zur Berechnung wird das eindimen- sionale Wärmeübertragungsmodell nach Boughton et al. (1992) verwendet, das Wärmeleitung, Konvektion und Wärmestrahlung berücksichtigt. Analog zur Berechnung eines elektrischen Er- satzwiderstands kann der thermische Widerstand als Kombination aus Parallel- und Reihen- schaltungen dargestellt werden (siehe Abbildung 5-1). Der effektive thermische Widerstand entspricht einer Reihenschaltung aus äußerem und innerem Widerstand sowie dem Widerstand der Wärmeleitung durch die Isolation der Wände beziehungsweise der Tür, wobei der innere und der äußere Widerstand jeweils eine Parallelschaltung aus Konvektion und Wärmestrahlung ist. Entlang der vertikalen Kühlschrankwände wird von einer laminaren Strömung ausgegangen (Laguerre, 2010). Dabei gilt für eine Rayleigh-Zahl Ra < 109 Gleichung 5-5 zur Bestimmung der Nußelt-Zahl (Hasanuzzaman et al., 2009). Nu= 0,59 ·Ra 14 (5-5) Der Wärmeübergangskoeffizient der Konvektion hc wird in Kombination der Nußelt-Zahl, der thermischen Leitfähigkeit der Luft kl und der Höhe H des Wärmeübertragers nach Glei- 70 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell chung 5-6 berechnet. Damit wird der thermische Widerstand durch Konvektion (Rc), wie be- reits in Abbildung 5-1 gezeigt, nach Gleichung 5-7 bestimmt, wobei A der vertikalen Fläche des Geräts entspricht. hc = Nu · kl H (5-6) Rc = 1 hc ·A (5-7) Der Wärmeübergangskoeffizient der Wärmestrahlung (hr) wird getrennt für den inneren be- ziehungsweise den äußeren Bereich des Geräts bestimmt. Die Berechnung erfolgt nach Glei- chung 5-8, wobei ein Emissionsgrad von ε1 = ε2 = 0,9 verwendet wird (Laguerre und Flick, 2004). In Gleichung 5-8 wird zwischen der Temperatur im Inneren des Kühlschranks Ti, der Raumtemperatur To, der Temperatur der inneren Kühlschrankwände Twi und der Temperatur der äußeren Kühlschrankwände Two unterschieden. Der Wärmeübergangskoeffizient der Wär- mestrahlung wird somit sowohl für den inneren als auch den äußeren Bereich der Kühlschrank- hülle gebildet. hr = σ · ε1 · ε2 · (T 2i/o+T 2wi/wo) · (Ti/o+Twi/wo) (5-8) σ = Stefan-Boltzmann-Konstante = 5,67 ·10−8 [ W m2 ·K4 ] Zuletzt ist für einen Kühlschrank der thermische Widerstand der Wärmeleitung zu bestim- men. Dieser berechnet sich als Quotient der Schichtstärke der Isolation Dins und dem Produkt aus Wärmeleitfähigkeit des verwendeten Materials kins und der vertikalen Fläche A (siehe Glei- chung 5-9). Rins = Dins kins ·A (5-9) Für die Schichtstärke Dins wird von 4,5 cm für Kühlschrankwände und von 4 cm für den Tür- bereich ausgegangen, wobei die Wärmeleitfähigkeit der Wände 0,027 Wm−1 K−1 und die des Türbereichs 0,04 Wm−1 K−1 beträgt (Boughton et al., 1992; Hasanuzzaman et al., 2009). Zur Berechnung repräsentativer effektiver thermischer Widerstände werden drei Kühlschrankklas- sen gebildet, die sich in ihrer Höhe (85 cm, 156 cm und 186 cm) unterscheiden. In der nach- folgenden Simulation wird davon ausgegangen, dass 10 % der Kühlschränke klein, 40 % der mittleren Größe zu zuordnen und 50 % große Kühlschränke sind. Die einzelnen Wärmeüber- gangskoeffizienten, die thermischen Widerstände der Wärmeleitung, die Ersatzwiderstände der Parallelschaltung für den Wand- und Türbereich sowie der jeweilige effektive Gesamtwider- stand sind in Tabelle 5-5 zusammengefasst. 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 71 Tabelle 5-5: Wärmeübergangskoeffizienten, thermische Widerstände der Wärmeleitung, kombinierte Ersatzwiderstände für Wände und Türen sowie jeweiliger effektiver Gesamtwiderstand für drei Größenklassen von Kühlschränken Größe Bereich hco hro hci hri A Rins RErsatz Rges W m2·K m 2 K W klein Wand 1,382 4,689 1,351 4,025 1,125 1,481 1,762 1,133 Tür 1,643 4,678 1,639 4,036 0,375 2,667 3,176 mittel Wand 1,17 4,689 1,144 4,025 2,19 0,761 1,019 0,644 Tür 1,391 4,678 1,388 4,036 0,73 1,37 1,748 groß Wand 1,116 4,689 1,091 4,025 2,64 0,631 0,881 0,555 Tür 1,328 4,678 1,324 4,036 0,88 1,136 1,499 Kühlschränke besitzen im leeren Zustand praktisch keine thermische Kapazität (I. Stadler, 2006), stattdessen ist diese primär vom Kühlschrankinhalt abhängig. I. Stadler (2006) führt zur Bestimmung der möglichen Kompressorausschaltzeiten Messungen mit variierendem Kühl- schrankinhalt durch. Für die Simulation wird jedoch von einer maximalen Befüllung eines Kühlschranks von 35 % ausgegangen, was maximal 50 Litern Wasser und einer thermischen Kapazität von ca. 58 Wh/◦C entspricht. In M. Stadler et al. (2009) wird die thermische Kapazität zur Simulation von Kühlschränken als gleichverteilt im Bereich von 7,9 Wh/◦C bis 32 Wh/◦C angegeben. In dieser Studie erfolgt die Bestimmung der thermischen Kapazität in Abhängigkeit der Befüllung mit einer Auswahl verschiedener Lebensmittel und deren spezifischer Wärme- kapazität nach ASHRAE (2006) und Rask (1989). Für einen fast leeren Kühlschrank wird von einer thermischen Kapazität von 2,121 Wh/◦C ausgegangen, die bis auf 28,6 Wh/◦C für einen gut gefüllten Kühlschrank ansteigt. In Gleichung 5-2 wurde der Term wk,d als Störprozess des Temperaturanstiegs aufgrund von Türöffnungen eingeführt. In der Literatur wird ein Verbrauchsanstieg von 9 Wh bis 12,4 Wh (Saidur, Masjuki et al., 2002) beziehungsweise 5 Wh bis 7,5 Wh (Kao und Kelly, 1996) pro Türöffnung angegeben. Da in Gleichung 5-2 die Temperatur zu einem Zeitpunkt Tk+1 bestimmt wird, müssen die genannten Verbrauchswerte in einen korrespondierenden Temperaturanstieg pro Türöffnung umgerechnet werden. In Abhängigkeit des unterstellten Mehrverbrauchs und der thermischen Kapazität des jeweiligen Gerätes kann der Temperaturanstieg pro Türöffnung im Bereich von 0,175 ◦C und im Extremfall bei bis zu 5,848 ◦C liegen. In der Simulation wird angenommen, dass der Temperaturanstieg zu einem Simulationsschritt eintritt und in diesem vollständig abgeschlossen ist. Diese Annahme beruht auf der Feststellung von Inan et al. (2000), wonach es etwa 7 Sekunden dauert, bis das Luftvolumen eines Kühlschranks vollständig aus- getauscht wurde, wobei eine durchschnittliche Türöffnung 20 Sekunden dauert, was deutlich 72 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell unterhalb der zeitlichen Auflösung des Simulationsmodells liegt. Die Wahrscheinlichkeit, dass zu einem Zeitpunkt k ein Temperaturanstieg eintritt, basiert auf der Frequenz von Türöffnungen nach Thomas (2007), wie sie in Stamminger (2008) zitiert werden. Für jeden Simulationsschritt wird eine Zufallszahl generiert, um diese mit der Wahrscheinlichkeit für eine Türöffnung abzu- gleichen und den Term wk,d mit dem entsprechenden Temperaturanstieg zu belegen. Abbildung 5-2 zeigt den Temperaturanstieg innerhalb eines Kühlschranks durch die Befül- lung mit Einkäufen als Funktion des Füllstands und der durchschnittlichen Transporttempera- tur, die ausgehend von den Einkäufen angenommen wird. Ein durchschnittlicher Haushalt in Deutschland befüllt den Kühlschrank drei bis fünf Mal pro Woche mit etwa 3 kg (Geppert, 2011). Der Temperaturanstieg durch die Befüllung mit wärmeren Lebensmitteln kann als Funk- tion des Füllstands, der Lebensmittel und der Lebensmitteltemperatur während des Transports beschrieben werden. Da die genannten Parameter weitestgehend unbekannt sind, wird stattdes- sen analysiert, welcher Temperaturanstieg zu erwarten ist, wenn die Lebensmittel durch den Transport eine durchschnittliche Temperatur von 10 ◦C, 15 ◦C, 17,5 ◦C, 20 ◦C und 25 ◦C anneh- men. Der minimale Temperaturanstieg würde etwa 0,5 ◦C betragen, während bei geringem Füll- stand und hoher Lebensmitteltemperatur Temperaturanstiege von etwa 10 ◦C erwartet werden können. Für die Simulation wird der Temperaturverlauf bei einer durchschnittlichen Tempera- tur von 17,5 ◦C verwendet. Der Temperaturanstieg zum Zeitpunkt der Befüllung wird über eine Normalverteilung innerhalb der Grenzen der jeweiligen Kühlschrankgröße variiert. 0 1 2 3 4 5 6 7 8 9 10 3 5 7 9 11 13 15 17 19 21 23 25 27 29 T em p er at u ra n st ie g p ro B ef ü ll u n g [ °C ] Befüllungsstand als Wasseräquivalent [kg] 10°C Transporttemp. 15°C Transporttemp. 17,5°C Transporttemp. 20°C Transporttemp. 25°C Transporttemp. Abbildung 5-2: Temperaturanstieg durch Befüllung mit 3 kg Einkäufen als Funktion des Füllstands und der durchschnittlichen Transporttemperatur (Transporttemp.) Ein weiterer Eingangsparameter der Simulation ist die Raumtemperatur, für die von einem typischen Wert von 20 ◦C ausgegangen werden kann (Loga et al., 2001). Insbesondere in den 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 73 Sommermonaten kann die Raumtemperatur jedoch deutlich ansteigen, was zu einem Mehrver- brauch und einem charakteristischen Lastprofil im Jahresverlauf führt. Zur Berücksichtigung der Außentemperatur werden stündliche Werte eines typischen Testreferenzjahres der Klimazo- ne 13 des Deutschen Wetterdienstes verwendet (Fraunhofer IRB, 2011). Da die Außentempe- ratur nicht direkt der Raumtemperatur entspricht und um die Trägheit eines Raumes zu berück- sichtigen, wird der Mittelwert der Außentemperatur über drei Stunden gebildet. Sobald dieser Wert größer als 20 ◦C ist, wird dieser als Raumtemperatur verwendet. Die Leistung der Kompressoren wird in einem Bereich zwischen 70 W und 120 W auf Basis technischer Beschreibungen verfügbarer Produkte angenommen (Siemens, 2012; Bauknecht, 2014). Für jedes zu simulierende Gerät wird die Leistung unter der Annahme einer Normal- verteilung im genannten Leistungsbereich variiert. Zur Bestimmung der Starttemperatur, des Störprozesses wk,d und der thermischen Kapazität des jeweiligen zu simulierenden Gerätes wird eine Gleichverteilung unterstellt. Zu Beginn einer jeden Simulation ist zu bestimmen, ob sich das jeweilige Gerät im Zustand “an„ oder “aus„ befindet. Nach Stamminger (2008) befinden sich etwa 33 % aller Geräte in Betrieb, was als Grenzwert Eingang in die Simulation findet. Abbildung 5-3 zeigt das Simulationsergebnis für die deutsche Kühlschrankpopulation bei ei- nem Standardtemperaturbereich von 4 ◦C bis 6 ◦C (Stamminger, 2008) in stündlicher Auflösung für ein Jahr. Simuliert wurden 1000 Geräte, deren Lastgang auf den Bestand in Deutschland skaliert wurde. Aus Abbildung 5-3 geht hervor, dass sich die Last der Kühlschränke über das Jahr meist in einem Bereich von etwa 48 % bis 63 % der Jahreshöchstlast bewegt und nur in den Sommermonaten über diesen Bereich steigt, was auf eine Erhöhung der Raumtemperatur zurückzuführen ist. 0% 20% 40% 60% 80% 100% 1 6 9 1 3 7 2 0 5 2 7 3 3 4 1 4 0 9 4 7 7 5 4 5 6 1 3S tü n d li ch e L as t im V er h ät ln is zu r Ja h re sh ö ch st la st Typstunde 0% 20% 40% 60% 80% 100% 1 5 8 5 1 1 6 9 1 7 5 3 2 3 3 7 2 9 2 1 3 5 0 5 4 0 8 9 4 6 7 3 5 2 5 7 5 8 4 1 6 4 2 5 7 0 0 9 7 5 9 3 8 1 7 7 S tü n d li ch e L as t im V er h äl tn is zu r Ja h re sh ö ch st la st Stunde des Jahres Abbildung 5-3: Auf die Jahreshöchstlast normierter Jahreslastgang (links) der simulierten Kühlschrank- population bei einem zulässigen Temperaturband von 4 ◦C bis 6 ◦C und auf 672 Typstun- den aggregierter Jahreslastgang (rechts) 74 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Im rechten Teil von Abbildung 5-3 ist der aggregierte Lastgang für die im Energiesystem- modell TIMES-D-DSM verwendeten 672 Typstunden dargestellt, der als Referenzlastgang für Kühlschränke in das Energiesystemmodell eingeht. Für die Jahreszeiten Winter, Frühling, Som- mer und Herbst wurde dazu diejenige Woche ermittelt, welche die geringste Abweichung zu ei- ner mittleren Woche der jeweiligen Jahreszeit aufweist, sodass keine Mittelung des Lastprofils verwendet werden muss und ein möglichst typischer Lastgang im Modell verwendet werden kann. Neben der Referenzsimulation mit dem Temperaturbereich von 4 ◦C bis 6 ◦C wurde als Simu- lation für den Einsatz von Kühlschränken zum Lastmanagement eine Simulation durchgeführt, die einen vergrößerten Temperaturbereich von 2 ◦C bis 7 ◦C abdeckt. Innerhalb dieses Tempera- turbereichs wird einerseits das Gefrieren von Lebensmitteln verhindert und andererseits einem vorzeitigen Verderben von Lebensmitteln vorgebeugt. In Abbildung 5-4 ist die resultierende Bandbreite des Lastgangs für die 672 Typstunden dargestellt, der wie in Abbildung 5-3 aus einem stündlichen Lastprofil für ein Jahr abgeleitet wurde. Zur Ermittlung der zulässigen mi- nimalen und maximalen Last für einen Typtag wurde die tiefste und höchste Last einer Stunde des Typtags ermittelt und für 24 Stunden eines Typtages fortgeschrieben. Neben den zulässigen Grenzen für die Last innerhalb einer Stunde werden zusätzliche Restriktionen für jeden Typ- tag berücksichtigt, die gewährleisten, dass die Energiedienstleistung für den jeweiligen Typtag bereitgestellt wird. Durch die Erhöhung des zulässigen Temperaturbereichs auf 2 ◦C bis 7 ◦C steigt der Jahres- stromverbrauch in der Simulation um knapp 3 %. Der höhere Verbrauch kann auf das Absenken der zulässigen Temperaturuntergrenze zurückgeführt werden, da dadurch die Temperaturdiffe- renz zwischen Kühlschrankinnenraum und der Raumtemperatur erhöht wird. Aus Abbildung 5-4 geht weiterhin hervor, dass der typische Lastbereich durch den größeren zulässigen Tempe- raturbereich im Vergleich zum Standardlastprofil auf etwa 52 % bis 71 % der Jahreshöchstlast vergrößert wurde. Der Mehrverbrauch der lastmanagementfähigen Geräte wird in der Energie- systemmodellierung über einen geringeren Wirkungsgrad berücksichtigt. Aus den Ergebnissen der Simulation kann das Lastmanagementpotenzial für den Kühlschrankbestand in Deutschland abgeleitet werden. Demnach können typischerweise 0,5 GW in Kühlschränken für Lastverlage- rungen im erweiterten Temperaturbereich genutzt werden. In einzelnen Stunden könnte das Po- tenzial für Lastverschiebungen aufgrund der Umgebungstemperatur jedoch auf bis zu 1,3 GW steigen. 5.4.1.2 Kühl- und Gefrierkombinationen sowie Gefriergeräte Die Abbildung einer Kühl- und Gefrierkombination in der Simulation erfolgt über zwei Kom- pressoren, sodass die Temperaturbereiche für beide Abteile eingestellt werden können (Laguer- re und Flick, 2007). Für das Gefrierabteil wird in der Simulation von einer mittleren Tempe- 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 75 0% 20% 40% 60% 80% 100% 1 2 6 5 1 7 6 1 0 1 1 2 6 1 5 1 1 7 6 2 0 1 2 2 6 2 5 1 2 7 6 3 0 1 3 2 6 3 5 1 3 7 6 4 0 1 4 2 6 4 5 1 4 7 6 5 0 1 5 2 6 5 5 1 5 7 6 6 0 1 6 2 6 6 5 1 T ag es la st i m V er h äl tn is z u r Ja h re sh ö ch st la st Typstunde minimale Tageslast maximale Tageslast Abbildung 5-4: Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Kühlschrankpopulation bei einem zulässigen Temperaturband von 2 ◦C bis 7 ◦C für 672 Typstunden ratur von −18 ◦C ausgegangen (Keep et al., 2011; Gin et al., 2010; Liu et al., 2004), die um ±1 ◦C von der definierten Temperatur abweichen darf. Pro Öffnung des Gefrierabteils kann es zu einem Temperaturanstieg zwischen 0,1 ◦C und 0,8 ◦C kommen, für die ein Austausch von 25 % bis 75 % des Luftvolumens bei einer Raumtemperatur von 20 ◦C angenommen wurde. Der durchschnittliche Temperaturanstieg aufgrund der Einbringung von Lebensmitteln nach einem Einkauf mit einer Produkttemperatur von −2 ◦C und einem Wasseranteil von 0,5 kg beträgt et- wa 1,95 ◦C mit einer möglichen Temperaturschwankung von etwa 1,25 ◦C in Abhängigkeit des Füllstandes des Gefrierabteils. Innerhalb dieses Temperaturbereichs wird für die Simulation eine Normalverteilung unterstellt. Die Leistung des Kompressors für das Gefrierabteil wird in einem Bereich von 20 W bis 70 W für jeden Simulationsdurchlauf unter der Annahme einer Normalverteilung bestimmt, die auf einem Vergleich von Herstellerdaten (Siemens, 2012; Bauknecht, 2014) der zusätzlichen Leistung von Kühl- und Gefrierkombinationen gegenüber Kühlschränken ohne Gefrierabteil beruht. Für die Simulation wird von einem Gerätebestand in Deutschland von 14,4 Mio. Kühl- und Gefrierkombinationen ausgegangen (Schlesinger et al., 2014). In Abbildung 5-5 ist die minimale und maximale Last von Kühl- und Gefrierschrankkom- binationen im Verhältnis zur Jahreshöchstlast dargestellt. Für die Simulation wurde ein ver- größerter zulässiger Temperaturbereich von 2 ◦C bis 7 ◦C für das Kühlabteil und von −16 ◦C bis −22 ◦C für das Gefrierabteil unterstellt.15 Durch die Erhöhung der zulässigen Temperatur 15In der Referenzsimulation wird von einem Temperaturbereich von 4 ◦C bis 6 ◦C für das Kühl- und von −17 ◦C bis −19 ◦C für das Gefrierabteil ausgegangen. 76 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 0% 20% 40% 60% 80% 100% 1 2 6 5 1 7 6 1 0 1 1 2 6 1 5 1 1 7 6 2 0 1 2 2 6 2 5 1 2 7 6 3 0 1 3 2 6 3 5 1 3 7 6 4 0 1 4 2 6 4 5 1 4 7 6 5 0 1 5 2 6 5 5 1 5 7 6 6 0 1 6 2 6 6 5 1 T ag es la st i m V er h äl tn is z u r Ja h re sh ö ch st la st Typstunde minimale Tageslast maximale Tageslast Abbildung 5-5: Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Kühl- und Gefrierschrankpopulation für 672 Typstunden sinkt die minimale Last im Jahresverlauf auf 53 % der Jahreshöchstlast und beträgt über alle Typstunden durchschnittlich 54 %, sodass insbesondere das Potenzial zur Lastreduktion erhöht wird. Die maximal zulässige Tageslast beträgt für die meisten Typtage 76 % bis 80 % der Jah- reshöchstlast und ist somit mit dem Standardtemperaturbereich vergleichbar. Bei einem Gerätebestand von 14,4 Mio. Kühl- und Gefrierkombinationen in 2011 (Schlesin- ger et al., 2014) resultiert aus den Simulationsergebnissen ein Lastverlagerungspotenzial von 0,5 GW, das durchschnittlich zur Verfügung steht. In einzelnen Stunden des Jahres kann das Potenzial jedoch auf knapp 1 GW ansteigen. Mit zunehmender Personenzahl pro Haushalt steigt der Ausstattungsgrad mit Gefriergeräten in Deutschland, sodass der durchschnittliche Ausstattungsgrad in Deutschland in 2010 je nach Quelle zwischen 54 % und 61 % betrug (Schmidt, 2013; Destatis, 2014). Der Stromverbrauch von Gefrierschränken und -truhen in Deutschland beträgt bei Gewichtung des Verbrauchs pro Gerät mit der Anzahl der Bewohner pro Haushalt 388 kWh/HH/a (eigene Berechnung auf Ba- sis von Schmidt, 2013; Destatis, 2012). Im Vergleich wird in der Energiereferenzprognose der Bundesregierung ein durchschnittlicher Stromverbrauch von Gefriergeräten von 277 kWh/HH/a angegeben (Schlesinger et al., 2014). Aktuelle Geräte mit der Energieeffizienzklasse A+ werden von den Herstellern in Abhängigkeit der Größe mit einem jährlichen Stromverbrauch von etwa 200 bis 300 kWh/a angegeben, während Geräte der Energieeffizienzklasse A+++ im Bereich von 120 bis 190 kWh/a liegen (Siemens, 2012; Bauknecht, 2014). Dies lässt vermuten, dass Schmidt (2013) von einem vergleichsweise alten Gerätebestand ausgeht und der durchschnittli- che Gerätebestand nach Schlesinger et al. (2014) bereits zwischen den Energieeffizienzklassen und A+ und A++ anzusiedeln ist. Eine bottom-up Berechnung des Stromverbrauchs von Ge- 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 77 friergeräten in Deutschland weist eine Spannweite von 5,5 bis 9,5 TWh auf (eigene Berechnung auf Basis von Schlesinger et al., 2014; Schmidt, 2013; Destatis, 2012; Destatis, 2011; Destatis, 2014). Für die Simulation wird angenommen, dass in Deutschland 24,3 Mio. Gefriergeräte vor- handen sind (Schlesinger et al., 2014). In der Simulation wird eine Raumtemperatur von 13 ◦C verwendet, die der typischen Keller- temperatur entspricht (Loga et al., 2001). Es wird somit davon ausgegangen, dass Gefriergeräte überwiegend in Kellerräumen positioniert sind. Für die Kompressorleistung wurden Hersteller- angaben zu aktuell verfügbaren Produkten der Energieeffizienzklassen A+ bis A+++ untersucht (Siemens, 2012; Bauknecht, 2014). Auf Basis dieser Daten werden Kompressoren in einem Leistungsbereich von 70 W bis 150 W von den Herstellern verbaut. Die Kompressorleistung lässt jedoch keine Rückschlüsse auf die Energieeffizienzklasse zu. So sind Kompressoren mit einer Leistung von 90 W beispielsweise in allen Energieeffizienzklassen bei gleicher Gerätegrö- ße anzutreffen. Durch die Vergrößerung des zulässigen Temperaturbandes in der Lastmanagementsimulation (siehe Abbildung 5-6) auf −16 ◦C bis −22 ◦C, ausgehend von −18 ◦C (Keep et al., 2011; Gin et al., 2010; Liu et al., 2004) in der Referenzsimulation, kann die minimale Last mit Ausnahme der warmen Sommertyptage unter 70 % der Jahreshöchstlast gesenkt werden. Demnach liegt die minimale Last häufig zwischen 66 % und 69 % der Jahreshöchstlast. Hinsichtlich der typi- schen maximalen Last wird ebenfalls eine leichte Steigerung erreicht. Während in der vorange- gangenen Simulation mit dem Referenztemperaturband (siehe Abbildung A-3 im Anhang) die maximale Last innerhalb eines Typtages kaum über 80 % der Jahreshöchstlast steigt, sind nun maximale Lasten zwischen 81 % und 83 % der Jahreshöchstlast häufiger zu beobachten (siehe Abbildung 5-6), woraus sowohl ein vergrößertes Lastzu- als auch ein Lastabschaltpotenzial für Gefriergeräte im Vergleich zum Referenztemperaturband resultiert. Das Lastmanagementpotenzial in Gefriergeräten beträgt in Deutschland unter Verwendung des heutigen Bestands typischerweise 0,3 GW, wobei es in einzelnen Stunden auf etwa 0,7 GW ansteigen kann. 5.4.1.3 Elektrische Warmwasserbereitung In Deutschland erfolgt die Warmwasserbereitstellung in knapp 77 % aller Wohngebäude in Kombination mit dem Heizungssystem. In weiteren 12 % der Wohngebäude wird das Wasser über Durchlauferhitzer erwärmt und in etwa 5 % der Wohngebäude über elektrische Kleinspei- cher (Diefenbach et al., 2010). Elektrische Kleinspeicher sind weiter nach primären und sekun- dären Einheiten zu unterscheiden. Primäre elektrische Warmwasserspeicher haben ein Spei- chervolumen von über 30 Litern. Von diesem Typ gibt es in Deutschland über 4 Mio. Einheiten, während sekundäre Warmwasserspeicher mit einem Speichervolumen von weniger als 30 Li- tern in Deutschland mit etwa 15 Mio. Einheiten deutlich häufiger genutzt werden (Stamminger, 78 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 0% 20% 40% 60% 80% 100% 1 2 6 5 1 7 6 1 0 1 1 2 6 1 5 1 1 7 6 2 0 1 2 2 6 2 5 1 2 7 6 3 0 1 3 2 6 3 5 1 3 7 6 4 0 1 4 2 6 4 5 1 4 7 6 5 0 1 5 2 6 5 5 1 5 7 6 6 0 1 6 2 6 6 5 1 T ag es la st i m V er h äl tn is z u r Ja h re sh ö ch st la st Typstunde minimale Tageslast maximale Tageslast Abbildung 5-6: Auf die Jahreshöchstlast normierte minimal und maximal zulässige Last der simulierten Gefrierschrankpopulation für 672 Typstunden 2008). In 2010 wurden in Deutschland knapp 20 TWh Strom (dies entspricht 72 PJ und 14,1 % des gesamten Stromverbrauchs in Haushalten in Deutschland) zur Bereitstellung von Warmwasser in Haushalten eingesetzt, während es in 2014 noch etwa 18 TWh (dies entspricht 65,7 PJ und 14,1 % des gesamten Stromverbrauchs in Haushalten in Deutschland) waren (BMWi, 2015c). Diese Entwicklung ist im Gegensatz zum gesamten Endenergieverbrauch in Haushalten zur Warmwasserbereitstellung zu sehen, da in 2010 324 PJ (12,1 % des gesamten Endenergiever- brauchs in Haushalten in Deutschland) und in 2014 362 PJ (16,4 % des gesamten Endenergie- verbrauchs in Haushalten in Deutschland) verbraucht wurden (BMWi, 2015c). Damit sinkt der Anteil der elektrischen Warmwasserbereitstellung und somit gegebenenfalls auch das verfüg- bare Lastmanagementpotenzial in der Warmwasserbereitung in Haushalten, wenn sich dieser Trend fortsetzen sollte. Der Warmwasserbedarf eines Haushalts orientiert sich an der Anzahl der Bewohner pro Haus- halt. Ein weiterer Faktor für den täglichen Warmwasserbedarf ist die Ausstattung des Haushalts, sodass sich der typische Warmwasserbedarf im Bereich von 31 bis 59 Litern pro Person bewegt (VDI, 2000; BDEW, 2013). In 2010 waren etwa 40 % aller Haushalte Einpersonenhaushal- te. Weitere 34 % der Haushalte waren Mehrpersonenhaushalte mit zwei Bewohnern. Größere Haushalte mit 3, 4 und 5 Personen pro Haushalt hatten jeweils einen Anteil von 13 %, 10 % und 3 % (Destatis, 2011). Im direkten Vergleich zu 2014 ist zu erkennen, dass der Anteil von Einpersonenhaushalten und Haushalten mit zwei Bewohnern leicht zugenommen hat (Destatis, 2015c). Für jeden Simulationsdurchlauf der elektrischen Warmwasserbereitstellung wird die Anzahl 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 79 der Personen pro Haushalt aus der angegebenen Verteilung gezogen. Im Anschluss erfolgt die Zuordnung der Leistung pro Gerät, wobei im Rahmen der typischen Leistungsgröße eine Gleichverteilung unterstellt wird. Dabei wurde für Kleinspeicher eine Leistungsuntergrenze von 1 kW identifiziert (Eltron, 2015a), während bei Wand- und Standspeichern bei einer Spannung von 400 V bis zu 6 kW angeboten werden (Eltron, 2015b). Die Zuordnung der Speichergrö- ße erfolgt ebenfalls gleichverteilt und orientiert sich an der zuvor bestimmten Leistung. Dazu wurden typische Leistungs- und Speichergrößen für Wand- und Standspeicher auf Basis von Siemens (2015) ermittelt. Da im Vergleich zu Kühlanwendungen kein vergleichbares Modell zur Berechnung des ef- fektiven thermischen Gesamtwiderstandes in der Literatur gefunden wurde, beschränkt sich die Berechnung des thermischen Widerstandes des Speichers für die elektrische Warmwasserbe- reitung vereinfachend auf die Wärmeleitung durch die Speicherhülle. Nach A. K. Kar und Ü. Kar (1996) bestehen Warmwasserspeicher aus Stahl und werden mit einer 5 cm dicken Iso- lationsschicht aus glasfaserverstärktem Kunststoff (Fiberglas) versehen, der eine spezifische thermische Leitfähigkeit von 0,04 Wm−1 K−1 aufweist (The Engineering ToolBox, k. A.). Der thermische Widerstand der Wärmeleitung berechnet sich nach Gleichung 5-9. Dazu muss die Fläche des typischerweise zylindrischen Warmwasserspeichers bestimmt werden. Nach A. K. Kar und Ü. Kar (1996) kann die Außenfläche eines Wassertanks über die Gleichung A= 6 ·V 23 angenähert werden. Dabei wird ein Höhe-zu-Durchmesser-Verhältnis von 2 unterstellt und ein Zuschlag von 10 % für die Isolation des Tanks berücksichtigt (A. K. Kar und Ü. Kar, 1996). Die Berechnung des Warmwasserbedarfs erfolgt anhand der VDI Richtlinie 4655 (VDI, 2008). Für die Berechnung des Warmwasserbedarfs werden die Tagesmittelwerte des Bede- ckungsgrades von 1953 verwendet, da dieses Jahr dem langfristigen Mittelwert von 1893 bis 2014 entspricht (PIK, 2015). Bestandteil der VDI Richtlinie 4655 sind normierte Warmwasserbedarfsprofile für Ein- und Mehrfamilienhäuser in minütlicher Auflösung für alle Typtage. Diese werden in der Simula- tion zur Erstellung von Lastprofilen für die elektrische Warmwasserbereitung für ein Jahr in minütlicher Auflösung verwendet. In der Simulation wird für jeden Tag eines Jahres der Be- deckungsgrad geprüft und das korrespondierende Warmwasserbedarfsprofil eines Typtages zu- gewiesen. Der Temperaturverlauf im Warmwasserspeicher berechnet sich nach Gleichung 5-2, wobei für Warmwasserspeicher auch Zapfvorgänge und gegebenenfalls kaltes, nachströmen- des Wasser in der Temperaturentwicklung berücksichtigt werden. Als Temperaturunter- und Temperaturobergrenze werden in der Simulation 60 ◦C beziehungsweise 65 ◦C verwendet (Lef- ebvre und Desbiens, 2002; A. K. Kar und Ü. Kar, 1996). Diese Temperaturannahmen sind stark von den Einstellungen am Gerät abhängig. Während Lefebvre und Desbiens (2002) von einer Warmwassertemperatur von 65 ◦C ausgehen, wird in Stamminger (2008) eine Temperaturober- grenze von 85 ◦C angegeben. Auch Eltron (2015b) und Eltron (2015c) geben für Wandspeicher Temperaturobergrenzen von 82 ◦C bis 85 ◦C je nach Ausführung des Speichers an. Gegen die 80 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell pauschale Verwendung der maximalen Temperatur spricht ein erhöhter Stromverbrauch, wenn bei geringem Bedarf auch eine niedrigere Temperatur ausreichend wäre. Die Annahmen hin- sichtlich der Temperaturobergrenze ist insofern von Bedeutung, da die Speicherkapazität bei einem sensiblen Wärmespeicher neben der Speichermasse und der spezifischen Wärmekapa- zität des Speichermediums direkt von der Temperaturdifferenz abhängig ist (Kaygusuz, 1999). Die Einlasstemperatur für nachströmendes Wasser in den Speicher wird mit 16 ◦C angenommen (Kondoh et al., 2011). Für die Raumtemperatur wird, wie in den Simulationen für Kühlgeräte, eine Temperatur von 20 ◦C unterstellt (Loga et al., 2001). In Abbildung 5-7 ist der auf die Jahreshöchstlast normierte Lastgang der simulierten Popu- lation elektrischer Kleinspeicher für die 672 Typstunden dargestellt. Die Auswahl dieser reprä- sentativen Werte erfolgte analog zum Verfahren, das bereits für die Kühlschrankpopulation be- schrieben wurde. Es ist zu erkennen, dass es an jedem Abend zu einer Lastspitze kommt, wenn das Steuersignal im Niedertarif ausgesendet wird und die Nachtaufheizung beginnt. Dabei ist in der Simulation der Population eine Zeitverschiebung um bis zu zwei Stunden implementiert, damit nicht alle Geräte gleichzeitig mit der Erwärmung des Speichers starten. Dennoch kommt es in der Simulation zu ausgeprägten Lastspitzen in den Abendstunden. Weiterhin heizen im Tagesverlauf einige Kleinspeicher auf, wenn der Warmwasservorrat aufgebraucht ist und die Schnellaufheizung aktiviert wird oder die Wassertemperatur unter die definierte Mindesttempe- ratur von 40 ◦C während des Tages fällt. 0% 20% 40% 60% 80% 100% 1 2 6 5 1 7 6 1 0 1 1 2 6 1 5 1 1 7 6 2 0 1 2 2 6 2 5 1 2 7 6 3 0 1 3 2 6 3 5 1 3 7 6 4 0 1 4 2 6 4 5 1 4 7 6 5 0 1 5 2 6 5 5 1 5 7 6 6 0 1 6 2 6 6 5 1 S tü n d li ch e L as t im V er h äl tn is zu r Ja h re sh ö ch st la st Typstunde Abbildung 5-7: Auf die Jahreshöchstlast normierter Lastgang der simulierten Speicherpopulation für 672 Typstunden Abbildung 5-8 zeigt die minimale und maximale Last des Typtages im Verhältnis zur Jah- reshöchstlast. Die Simulation basiert auf einem deutlich vergrößerten zulässigen Temperaturbe- reich des Warmwasserspeichers von 55 ◦C als Temperaturuntergrenze und 85 ◦C als Temperatur- obergrenze. Die Temperaturuntergrenze wurde so gewählt, dass die Gefahr der Legionellenbil- 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 81 dung reduziert wird, da Legionellen bei Temperaturen bis zu 52 ◦C überleben können (Bartram et al., 2007) und mit der gewählten Temperaturuntergrenze eine Sicherheitsmarge vorhanden ist. Die Temperaturobergrenze wurde über die technischen Möglichkeiten der Speichersysteme zur Aufheizung definiert (Eltron, 2015b; Eltron, 2015c; SEG, 2015b; SEG, 2015a). Weiterhin wur- de in der Simulation die Niedertarifaufheizung nicht implementiert, um einen flexiblen Einsatz der Warmwasserspeicher zu simulieren. Die Simulation zeigt eine im Durchschnitt sehr gerin- ge minimale Auslastung von 1 % der Jahreshöchstlast bei gleichzeitig hoher durchschnittlicher Maximallast von 72 %, was im Vergleich zu Kühlanwendungen in Haushalten für ein großes Lastverlagerungspotenzial spricht. Dieses kann mit Deutschlands Gerätebestand von 4,4 Mio. Geräten in 2004 (Kemna et al., 2007) bis zu 12,4 GW betragen. Neben der minimal und maximal zulässigen Last wird in der Energiesystemmodellierung, wie auch bei Kühlanwendungen, die Deckung der Energiedienst- leistung für jeden Typtag über zusätzliche Restriktionen implementiert. 0% 20% 40% 60% 80% 100% 1 2 6 5 1 7 6 1 0 1 1 2 6 1 5 1 1 7 6 2 0 1 2 2 6 2 5 1 2 7 6 3 0 1 3 2 6 3 5 1 3 7 6 4 0 1 4 2 6 4 5 1 4 7 6 5 0 1 5 2 6 5 5 1 5 7 6 6 0 1 6 2 6 6 5 1 T ag es la st i m V er h äl tn is zu r Ja h re sh ö ch st la st Typstunde minimale Tageslast maximale Tageslast Abbildung 5-8: Auf die Jahreshöchstlast normierte minimale und maximale Last der simulierten Spei- cherpopulation für 672 Typstunden bei vergrößertem Temperaturbereich 5.4.2 Zusatzkosten für lastmanagementfähige Haushaltsgeräte Während in industriellen Prozessen die IKT-Infrastruktur zur Steuerung der Anlagen im Kon- text des Lastmanagements meist bereits vorhanden ist (Paulus und Borggrefe, 2011), fallen für Haushaltsgeräte Zusatzkosten an, um diese Funktionalität nachzurüsten. Stamminger (2008) gibt für eine bidirektionale Steuerungsinfrastruktur zusätzliche Investitionskosten von 30 bis 132e2010 pro Gerät im Szenario einer zentralen Angebots- und Nachfragesteuerung an. Dieses Szenario bietet einen vergleichbaren Rahmen zur Modellierung in Energiesystemmodellen, in denen die Gesamtsystemkosten minimiert werden sollen. In einer weiteren Studie werden für das Jahr 2010 zusätzliche Kosten pro Gerät von 17 bis 34e2010 angegeben, die bis zum Jahr 2025 auf 1,7 bis 3,4e2010 sinken sollen (Seebach et al., 2009). Diese Kostenannahmen wer- 82 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell den beispielsweise in einer Haushaltssimulation im Kontext von DSM unter zeitlich variablen Stromtarifen in Deutschland verwendet (Gottwalt et al., 2011). Eine weitere Möglichkeit zur Ansteuerung von Haushaltsgeräten könnten steuerbare Steck- dosen sein, die über ein drahtloses lokales Netzwerk (englisch: wireless local area network) (WLAN) Steuerungssignale empfangen können. Diese sind bereits kommerziell verfügbar und werden zu Preisen zwischen etwa 50 und 65e2010 angeboten.16 Weiterhin bieten einige Her- steller bereits Haushaltsgeräte an, die sowohl über die IKT-Anbindung als auch die Steuerungs- software verfügen. So hat LG beispielsweise einen Kühlschrank im Angebot, der den Verbrauch bereits an Preissignale anpassen kann (LG, 2015). Der Aufpreis im Vergleich zu einem Kühl- schrank ohne diese Funktion beträgt etwa 280e2010. Neben LG können ausgewählte Haus- haltsgeräte von Miele mit Kommunikationsmodulen nachgerüstet werden. Für Kühlgeräte und Kochfelder betragen die Investitionsmehrkosten etwa 74e2010, während die zusätzlichen In- vestitionskosten für einen Wäschetrockner ca. 185e2010 betragen (Miele, 2015). Kühlgeräte von Liebherr verfügen ab 2015 ebenfalls über ein standardisiertes Protokoll, sodass eine Nut- zung des thermischen Speichers im Rahmen von Lastverschiebungen prinzipiell möglich ist. Die zusätzlichen Kosten pro Gerät betragen etwa 65e2010 (Kohler, 2015). Auf Basis der aufgeführten Analyse zu den Investitionskosten für die IKT-Anbindung und Steuerung von Haushaltsgeräten zur Lastverlagerung wird angenommen, dass im Jahr 2020 ein Aufpreis von 70e2010 pro Gerät anfällt und dieser bis 2045 auf 5e2010 pro Gerät sinkt. In Tabelle 5-6 sind die zusätzlichen spezifischen Investitionskosten gegenüber vergleichbaren Ge- räten ohne Steuerungsfunktion und deren Entwicklung aufgeführt. Die niedrige Leistung von Kühlgeräten führt im Vergleich mit anderen Haushaltsgeräten zu hohen spezifischen Investiti- onskosten für die Steuerung, sodass unter Gesichtspunkten der Minimierung von Systemkosten zunächst mit einer Nutzung von Batchprozessen und der elektrischen Warmwasserbereitung zu rechnen ist. Kosten, die für eine zentrale Informations- und Steuerungsinfrastruktur anfallen,17 sind nicht quantifiziert worden und werden daher in dieser Studie nicht berücksichtigt. 5.4.3 Nutzerakzeptanz von Lastmanagement in Haushalten Die ausschließliche Berücksichtigung von techno-ökonomischen Parametern in der Modellie- rung von Lastmanagementanwendungen und -potenzialen in Haushalten würde wahrschein- lich zu einer Überbewertung des möglichen Beitrags von Lastmanagement in Haushalten für Deutschland führen. Als Gründe für eine mögliche Überbewertung können Hemmnisse an- geführt werden, die gegen eine vollständige Erschließung der Potenziale sprechen. Vine et al. 16Exemplarisch werden hier die Produkte Bitron 902010/28 und Bitron 902010/25 aufgeführt (idealo, 2015b; idealo, 2015a). 17Vergleiche beispielsweise mit dem Szenario des „energy demand manager“ in Stamminger (2008), das eine bidirektionale Informations- und Steuerungsinfrastruktur erfordert. 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell 83 Tabelle 5-6: Spezifische Zusatzkosten für lastmanagementfähige Haushaltsgeräte als Aufpreise gegen- über Investitionen bei Geräten ohne Steuerungsfunktion (eigene Annahmen basierend auf Kohler, 2015; Miele, 2015; idealo, 2015b; idealo, 2015a) e2010/kW 2020 2030 2040 2045 Kühlschränke 778 333 111 56 Kühl- und Gefrierkombinationen 496 213 71 35 Gefrierschränke 729 313 104 52 Waschmaschinen 28 12 4 2 Trockner 23 10 3 2 Spülmaschinen 32 14 5 2 Wandspeicher 35 15 5 3 Standspeicher 35 15 5 3 (2003) führen als Hemmnisse auf, dass Endkunden Verbrauchsdaten fehlen könnten, die Trans- aktionskosten zur Informationsbeschaffung oder die Investitionsmehrkosten für lastmanage- mentfähige Geräte bei gleichzeitig begrenzter Kapitalverfügbarkeit zu hoch sind oder dem Thema eine geringere Priorität und damit geringes Interesse beigemessen wird. Darüber hin- aus haben Balta-Ozkan et al. (2013) sowohl in Experteninterviews als auch in Workshops mit potenziellen Nutzern einen möglichen Kontrollverlust durch die automatisierte Steuerung von Geräten als Hemmnis identifiziert. Ein weiterer Aspekt sind Sicherheitsbedenken der Nutzer. So haben Workshopteilnehmer in Großbritannien Bedenken geäußert, dass Dritte Informationen über die Tagesabläufe der Be- wohner erlangen könnten (Balta-Ozkan et al., 2013). E. McKenna et al. (2012) und Lisovich et al. (2010) haben bereits gezeigt, dass in Abhängigkeit der zeitlichen Auflösung des Last- gangs, der über Smart Meter übertragen wird, Rückschlüsse auf private Informationen der Nut- zer möglich sind. So kann beispielsweise mit hoher Genauigkeit automatisiert bestimmt werden, ob Bewohner an- oder abwesend sind. Um diese Hemmnisse in der Energiesystemanalyse zu berücksichtigen, wird die Nutzerakzeptanz als maximaler Anteil der Nachfrage modelliert, der durch lastmanagementfähige Geräte bereitgestellt werden kann. Dazu wird eine Nebenbedin- gung erstellt, die die jährliche Produktion lastmanagementfähiger Geräte im Verhältnis zu den Standardanwendungen begrenzt. In Tabelle 5-7 wird die Nutzerakzeptanz für Lastmanagement mit einzelnen Anwendungen sowie die generelle Akzeptanz von Lastmanagement in Haushal- ten auf Basis von veröffentlichten Studien zusammengefasst. Aus der Übersicht geht hervor, dass die Abschätzung der Akzeptanz zwischen den einzelnen Studien deutlich abweicht. Dies kann unter anderem auf unterschiedliche Ansätze bei der Er- mittlung der Akzeptanz zurückgeführt werden. So wird die Akzeptanz für Lastmanagement mit 84 5 Fallspezifische Lastmanagementpotenziale im Energiesystemmodell Tabelle 5-7: Nutzerakzeptanz für Lastmanagement mit Haushaltsanwendungen und generelle Akzeptanz von Lastmanagement in Haushalten ve rw en de t L ün sd or f( 20 12 ) M er te ta l. (2 00 8) Pf ei fr ot h et al .( 20 12 ) A nn al a et al .( 20 12 ) W öl lin g un d A rl t( 20 13 ) E nB W (2 01 3) L iv ga rd (2 01 0) Geschirrspülmaschinen 17 % 17 % 38 % - - - - - Waschmaschinen 19 % 19 % 42 % - - - - - Wäschetrockner 5 % 5 % 41 % - - - - - Kühlgeräte 54 % - - 66 % - - - - Warmwasserbereitstellung 54 % - 90 % - 66 % - - - generelle Akzeptanz - - - - - 54 % 68 % 62 % Geschirrspülmaschinen, Waschmaschinen und Wäschetrocknern in Lünsdorf (2012) auf Ba- sis der Einsatzhäufigkeit von Zeitschaltuhren für die genannten Geräte aus Stamminger (2008) errechnet. Demgegenüber steht die Ermittlung der Nutzerakzeptanz in Mert et al. (2008), die Umfragen nutzen, um die Bereitschaft zur Verhaltensanpassung in Haushalten zu erfragen. Im Anschluss an einen Feldtest wurden die Nutzer von Kühlgeräten befragt, ob sie ein lastmanage- mentfähiges Gerät kaufen würden. 65,8 % der Nutzer würden einen Aufpreis zahlen, wenn dies zu entsprechenden Einsparungen bei der Stromrechnung führt (Pfeifroth et al., 2012). Aufgrund der großen Unsicherheit hinsichtlich der Nutzerakzeptanz wird in der Energiesystemmodellie- rung jeweils der niedrigste Wert aus den aufgelisteten Studien verwendet. Da die Nutzerakzep- tanz für Lastmanagement mit Kühlgeräten und der Warmwasserbereitstellung über der generel- len Akzeptanz nach Wölling und Arlt (2013) liegt, wird für diese Anwendungen die generelle Akzeptanz verwendet. 6 Demand Side Management im Kontext des deutschen Energiesystems 85 6 Demand Side Management im Kontext des deutschen Energiesystems Unter Zuhilfenahme der Szenariotechnik wird eine mögliche, in sich geschlossene, Entwick- lung des Energiesystems beschrieben (Voß, 2009). Nach Loulou et al. (2005a) umfasst ein Sze- nario unter Verwendung des TIMES-Modellgenerators typischerweise die Nachfrage nach En- ergiedienstleistungen (z. B. als Ergebnis anderer Modelle), Potenziale und Preise für Energie- träger, energiepolitische Rahmenbedingungen und die techno-ökonomische Beschreibung aller modellierten Prozesse. Durch die Variation einzelner Annahmen und den Vergleich verschiede- ner Szenarien können Wirkungszusammenhänge identifiziert und das Verständnis des Systems verbessert werden (Schlesinger et al., 2014). Basierend auf der vorangegangenen Dokumentation der entwickelten Methodik und der tech- nologieorientierten Analyse von Lastverlagerungsoptionen in den Sektoren Industrie, GHD und Haushalte wird im Folgenden eine quantitative Bewertung der Beiträge von DSM im Vergleich zu anderen Flexibilitätsoptionen zur kostengünstigen Integration erneuerbarer Energien in das Energiesystem Deutschlands durchgeführt. Die Analyse erfolgt mit dem, im Rahmen dieser Arbeit entwickelten, Energiesystemmodell TIMES-D-DSM. Das Kapitel gliedert sich in die Dokumentation der Szenarioannahmen, die quantitative Bewertung im Rahmen einer Sensiti- vitätsanalyse sowie abschließende Schlussfolgerungen aus den Szenarioergebnissen und eine Einordnung der Ergebnisse in bisherige Studien. 6.1 Rahmenannahmen für die Szenarioanalyse Die nachfolgende Szenarioanalyse baut auf einem gemeinsamen Rahmendatensatz auf, der ei- nerseits sozioökonomische und andererseits energiewirtschaftliche Annahmen umfasst. Zu die- sem Rahmendatensatz gehören die Energieträgerpreisentwicklung (Abbildung 6-2), die techno- ökonomische Charakterisierung aller Technologien, die sozioökonomischen Annahmen sowie energiepolitische Ziele bis 2050. 6.1.1 Sozioökonomische Annahmen In Tabelle 6-1 werden die sozioökonomischen Annahmen für die Szenarioanalyse aufgeführt. Diese umfassen die gesamtwirtschaftliche sowie demographische Entwicklung, das Pro-Kopf- Einkommen, Kennzahlen für die Wohnraumsituation sowie den Verkehrssektor in Deutschland. Die genannten Annahmen fließen entweder direkt als Nachfrage in das Energiesystemmodell ein (dies gilt beispielsweise für die Transportnachfrage), oder werden über Indikatoren zur Be- rechnung der Energiedienstleistungen oder der Produktionsmengen verwendet. 86 6 Demand Side Management im Kontext des deutschen Energiesystems Tabelle 6-1: Sozioökonomische Rahmenannahmen für Deutschland im Analysezeitraum von 2010 bis 2050 (eigene Berechnungen basierend auf Destatis, 2015e; Destatis, 2015b; Destatis, 2015a; Destatis, 2015d; AG Energiebilanzen e. V., 2012; Blesl, Bruchof et al., 2011; Ko- ber, 2014) Einheit 2010 2020 2030 2040 2050 Bruttoinlandsprodukt Mrd. e2010 2 574 2 963 3 266 3 588 3 755 Veränderung %/a 1,5 1 1 0,5 Bevölkerung Mio. 81,8 81,4 79,7 77,2 74,3 Veränderung %/a 0 -0,2 -0,3 -0,4 BIP/Kopf e2010/Einwohner 31 491 36 406 40 980 46 470 50 542 Veränderung %/a 1,6 1,3 1,3 0,9 Anzahl der Wohnun- gen Mio. 40,5 41,3 42,4 40,2 37,6 Anzahl der Wohnge- bäude Mio. 18,2 18,7 20,1 20,1 19,5 Wohnfläche Mio. m2 3 558 3 791 4 021 3 920 3 748 Personenverkehr Mrd. Pkm 1 064 1 078 1 068 1 050 1 020 Luftverkehr (Endener- gieverbrauch) PJ 362 463 513 544 561 Güterverkehr Mrd. tkm 612 737 880 950 979 Das Bruttoinlandsprodukt (BIP) weist im Analysezeitraum ein abflachendes Wachstum zwi- schen 1,5 und 0,5 %/Jahr auf. Gleichzeitig wird davon ausgegangen, dass die Bevölkerungszahl in Deutschland von 81,8 Mio. Einwohner in 2010 bis 2050 auf 74,3 Mio. Einwohner sinkt.18 Durch die beiden zuvor beschriebenen Effekte kommt es in Deutschland zu einer Pro-Kopf- Einkommenssteigerung, deren jährliche Wachstumsrate über der des BIP liegt. In 2010 betrug das durchschnittliche Pro-Kopf-Einkommen in Deutschland 31491e2010/Einwohner (eigene Berechnung auf Basis von Destatis, 2015e; Destatis, 2015b). In der Szenarioanalyse wird da- von ausgegangen, dass das reale Pro-Kopf-Einkommen um 19051e2010/Einwohner von 2010 bis 2050 steigt, was einer Steigerung um den Faktor 1,6 oder einem jährlichen Wachstum von 18Aktuelle Hochrechnungen gehen davon aus, dass die Bevölkerung in Deutschland aufgrund der hohen Netto- migration bis 2022 auf 83,9 Mio. Einwohner ansteigen und erst ab 2028 ein leichter Bevölkerungsrückgang einsetzen wird (Deschermeier, 2016). Sollte diese Bevölkerungsentwicklung eintreten, ist mit einer höheren Nachfrage nach Energiedienstleistungen in Haushalten und einer steigenden Transportnachfrage im Vergleich zu den Annahmen in dieser Studie zu rechnen. Gegebenenfalls steigt auch die Produktion in der Industrie und die Nachfrage nach Energiedienstleistungen im GHD durch ein stärkeres Wachstum des BIP in Folge einer steigenden Nachfrage nach Gütern und Dienstleistungen. 6 Demand Side Management im Kontext des deutschen Energiesystems 87 etwa 480e2010/Einwohner entspricht. Obwohl die Bevölkerungsentwicklung in Deutschland bereits bis 2030 einem rückläufigen Trend folgt, steigt die Anzahl der Wohnungen in diesem Zeitraum, was mit einer Entwick- lung hin zu geringeren Personenzahlen pro Haushalt begründet wird. Mit der demographi- schen Entwicklung nimmt langfristig jedoch auch der Wohnraumbedarf ab, sodass in 2050 noch ca. 3,75 ·109 m2 an zu beheizender Wohnfläche in Deutschland benötigt werden (Blesl, Bruchof et al., 2011). Die spezifische Personentransportnachfrage (Personenkilometer (Pkm)/ Einwohner) steigt im Untersuchungszeitraum moderat um 5 % an und beträgt durchschnittlich 13399 Pkm/ Einwohner. Durch die demographische Entwicklung sinkt die absolute Personen- verkehrsleistung bis 2050 jedoch auf 1020 Mrd. Pkm (Kober, 2014). Demgegenüber steht ein deutlicher Anstieg des Endenergieverbrauchs im Flugverkehr (+55 % in 2050 gegenüber 2010) und ein steigendes Gütertransportaufkommen, das bis 2030 jährlich um 2,2 % wächst. Ab 2030 verlangsamt sich das Wachstum des Gütertransportaufkommens auf 0,6 %/Jahr und erreicht in 2050 knapp 980 Mrd. Tonnenkilometer (tkm) (Blesl, Bruchof et al., 2011; Kober, 2014). So- weit für einzelne Szenarien keine anderweitigen Angaben gemacht werden, wird von einem modellweiten Zinssatz von 7,5 % für alle Meilensteinjahre ausgegangen. In Tabelle A-2 des Anhangs sind weitere Annahmen zur Güterproduktion in der Industrie sowie der Nachfrage nach Energiedienstleistungen in den Sektoren GHD und Haushalte aufge- führt, da diese Determinanten für DSM in den berücksichtigten Fallbeispielen sind. 6.1.2 Annahmen zur Entwicklung der Energieträgerpreise Energieträgerpreise für Steinkohle, Erdgas und Erdöl werden in der Szenarioanalyse als Grenz- übergangspreise für Deutschland berücksichtigt. Diese basieren bis zum Jahr 2040 auf der Ent- wicklung des New Policies Scenario aus dem World Energy Outlook 2015 (IEA, 2015). Es wurden jedoch nicht die absoluten Preise, sondern deren Entwicklung in Bezug zu den Grenz- übergangspreisen aus dem Jahr 2014 für Deutschland verwendet, da darüber auch Transakti- onskosten als Preisaufschlag gegenüber den IEA Daten berücksichtigt werden. Ab 2040 wurde die Energieträgerpreisentwicklung für Steinkohle, Erdgas und Rohöl mit der Wachstumsrate zwischen 2035 und 2040 bis zum Jahr 2050 extrapoliert, da die Szenarien des World Energy Outlook 2015 mit der Periode 2040 enden. Im New Policies Scenario wird bereits der Preisrückgang für Erdöl berücksichtigt, der ab ca. Juni 2014 eingesetzt hat. In Abbildung 6-1 ist die Entwicklung des nominalen Grenzübergangs- preises für Rohöl in Deutschland von Januar 2014 bis Dezember 2015 dargestellt. Demnach ist der Grenzübergangspreis in Deutschland im Zeitraum von Juni 2014 bis Januar 2015 um 46 % gesunken. Von Januar 2015 bis Mai 2015 ist der Grenzübergangspreis zwar erneut um 30 % gestiegen, bevor er im Dezember 2015 jedoch einen neuen Tiefstand erreicht hat. Der durch- schnittliche Grenzübergangspreis war in Deutschland im Jahr 2015 knapp 36 % niedriger als im 88 6 Demand Side Management im Kontext des deutschen Energiesystems Vorjahr (BAFA, 2015a; BAFA, 2015b). Die IEA begründet den beobachteten Preisrückgang für Erdöl mit geringerem Nachfragewachstum bei gleichzeitiger Angebotssteigerung in Nordame- rika und der Entscheidung der Organisation erdölexportierender Länder (englisch: Organization of the Petroleum Exporting Countries) (OPEC) die Förderung nicht zu drosseln (IEA, 2015). 0 5 10 15 01 02 03 04 05 06 07 08 09 10 11 12 01 02 03 04 05 06 07 08 09 10 11 12 2014 2015 G re n zü b er g an g sp re is R o h ö l [€ /G J] Abbildung 6-1: Nominaler Grenzübergangspreis für Rohöl in Deutschland von Januar 2014 bis Dezem- ber 2015 (eigene Darstellung nach BAFA, 2015a; BAFA, 2015b) Daraus resultierend wird bis 2020 9,51e2010/GJ von einem geringeren Erdölpreisniveau als 2014 ausgegangen. Bis 2040 soll der Erdölpreis für Importe nach Europa auf 15,22e2010/GJ ansteigen, da dieses Preisniveau langfristig notwendig sei, um Investitionen in die notwen- dige Erdölförderung zur Deckung der Nachfrage zu gewährleisten (IEA, 2015). Die Grenz- übergangspreise für 2010 und 2015 in Abbildung 6-2 basieren auf historischen Daten, die auf das Basisjahr 2010 diskontiert wurden (Eurostat, 2015b; BAFA, 2015b; BAFA, 2015c; BAFA, 2015d). Hinsichtlich der zu importierenden Energieträger wird unterstellt, dass weder physische noch politische Engpasssituationen im Untersuchungszeitraum auftreten und die Energieträger somit zu den angeführten Grenzübergangspreisen importiert werden können (Blesl, Bruchof et al., 2011; Kober, 2014). Auf Basis dieser Annahmen steigt der Grenzübergangspreis für Steinkohle von 2,22e2010/GJ in 2015 auf 2,70 e2010/GJ in 2020 und 3,18 e2010/GJ in 2050. Die Grenzübergangspreise für Erdgas sinken von 5,51 e2010/GJ in 2015 auf 5,11 e2010/GJ in 2020 und steigen bis zum Ende des Analysezeitraums um 76 % auf 9,00 e2010/GJ. Für Rohöl wird von 2015 bis 2020 von ei- ner Steigerung der Grenzübergangspreise von 1,81e2010/GJ auf 10,34e2010/GJ ausgegangen. Im Vergleich zu 2015 steigt der Grenzübergangspreis für Rohöl bis 2050 um über 100 % und erreicht einen Wert von 17,99e2010/GJ. Für Braunkohle als regionaler Energieträger wird für den gesamten Analysezeitraum von konstanten Förderkosten in Höhe von 1,25 e2010/GJ ausge- gangen (Kerlen, 2014). In Tabelle A-3 im Anhang sind die Energieträgerpreise für Braun- und Steinkohle sowie Erdgas und Rohöl zusammengefasst. Neben den Grenzübergangspreisen werden in TIMES-D-DSM Umlagen und Steuern in den Verbrauchssektoren als Kostenkomponenten der Energieflüsse berücksichtigt, um die Reaktio- 6 Demand Side Management im Kontext des deutschen Energiesystems 89 0 5 10 15 20 2010 2015 2020 2025 2030 2035 2040 2045 2050 E n er g ie tr äg er p re is [ € 2 0 1 0 /G J] Rohöl Erdgas Steinkohle Braunkohle Abbildung 6-2: Grenzübergangspreis für die Energieträger Steinkohle, Erdgas und Erdöl sowie Förder- kosten für Braunkohle in Deutschland in Preisen von 2010 für den Zeitraum von 2010 bis 2050 (eigene Berechnung und Darstellung nach IEA, 2015; BAFA, 2010; BAFA, 2015b; BAFA, 2015c; BAFA, 2015d; Eurostat, 2015b; Kerlen, 2014) nen der Verbrauchsgruppen auf Bruttopreise zu berücksichtigen. Für Strom werden die Erzeu- gungs- und Transportkosten bereits modellendogen berechnet. Darüber hinaus werden für die Verbrauchsgruppen soweit anwendbar Vertriebskosten, Konzessionsabgaben, die EEG-Umlage, der KWK-Aufschlag, die §19 StromNEV-Umlage, die Offshore-Haftungsumlage, die Umlage der Verordnung über Vereinbarungen zu abschaltbaren Lasten, sowie die Mehrwert- und Strom- steuer als Mittelwert der Jahre 2012 bis 2014 berücksichtigt (BDEW, 2014a). Die Mehrwert- steuer und der volle Stromsteuersatz von 20,5e/MWh gehen nur in die Stromkosten von Haus- halten ein. Die energieintensive Industrie ist weitgehend von der Stromsteuer befreit und für den Sektor GHD gilt ein vergünstigter Stromsteuersatz von 15,37e/MWh (Bundestag, 2015b). Für alle übrigen Energieträger werden in Abhängigkeit des Sektors und des Verwendungszwecks die gültigen Steuersätze des Energiesteuergesetzes (Bundestag, 2015a) als Flusskosten model- liert. Die Flusskosten sind dabei für alle Zeitschritte konstant, deren zeitliche Auflösung ist jedoch von der zeitlichen Auflösung der modellierten Commodity abhängig. 6.1.3 Arbeitsnichtverfügbarkeit und Leistungskredit Die Arbeitsnichtverfügbarkeit (ANV) ist ein Maß zur Beschreibung von ungeplanten Nichtver- fügbarkeiten konventioneller Kraftwerke, die beispielsweise durch technische Probleme hervor- gerufen werden können. Die Berechnung erfolgt anhand historischer Daten, die von den Über- tragungsnetzbetreibern im Rahmen der Erstellung der Leistungsbilanz herangezogen werden (ÜNB, 2014a). Gleichung 6-1 zeigt die Berechnung der ANV, wobei die Arbeitsverfügbarkeit der Quotient aus verfügbarer Arbeit (Wv) und Nennarbeit (Wn) ist (Prost, 2012). 90 6 Demand Side Management im Kontext des deutschen Energiesystems ANV = 1−Wv Wn (6-1) Im Gegensatz zu thermischen Kraftwerken wird bei erneuerbaren Energien nicht von Ar- beitsnichtverfügbarkeit sondern vom Leistungskredit gesprochen. Der Leistungskredit drückt aus, welcher Anteil konventioneller Kraftwerke durch erneuerbare Energien substituiert wer- den kann, ohne die Versorgungssicherheit des Systems negativ zu beeinflussen beziehungswei- se Investitionen in Reservekapazitäten (z. B. thermische Kraftwerke) tätigen zu müssen (Voor- spools und D’haeseleer, 2006). Zur Bestimmung des Leistungskredits werden zwei Systeme miteinander verglichen, um den Beitrag fluktuierender erneuerbarer Energien zur Deckung der Spitzenlast zu ermitteln. Ein mögliches Verfahren des Systemvergleichs nutzt Dauerlinien der Nachfrage und der residualen Nachfragen, um zum Zeitpunkt der Spitzenlast die Lastreduktion durch erneuerbare Energien ins Verhältnis zur insgesamt installierten Leistung zu setzen (IEA, 2011b; IEA, 2011c). Abbildung 6-3 zeigt eine nach dem beschriebenen Verfahren erstellte Dauerlinie der Netzlast nach ENTSO-E (2015) sowie die residuale Last unter Berücksichtigung der Einspeisung von Windkraft- und Photovoltaikanlagen für Deutschland in 2011. Die maximale Last beträgt in diesem Jahr 76,4 GW und ist einer maximalen residualen Last von 73,7 GW gegenüberzustel- len. Mit einer insgesamt installierten Leistung in Windkraft- und PV-Anlagen in Deutschland in 2011 von 54,1 GW (BMWi, 2014b) ergibt sich ein kombinierter Leistungskredit von etwa 5 %. Da dieser Wert nur eine Momentaufnahme eines einzelnen Jahres umfasst, müssen zur Be- stimmung des Leistungskredits vergleichbare Analysen für Zeiträume von mehreren Jahren und unterschiedliche Ausbaustufen der erneuerbaren Energien durchgeführt werden. Verglichen mit dem ermittelten Leistungskredit von 5 % für Windkraft- und Photovoltaikanlagen in Deutsch- land in 2011 ist der verwendete Wert der Übertragungsnetzbetreiber (ÜNB) deutlich niedriger. Diese gehen für Photovoltaikanlagen von einem Leistungskredit von 0 % und für onshore so- wie offshore Windkraftanlagen von einem Leistungskredit von 1 % aus (ÜNB, 2014a). Mit die- sen Werten wird gewährleistet, dass ausreichend Erzeugungsleistung vorhanden ist, wenn zum Zeitpunkt der Spitzenlast keine Photovoltaik- und nahezu keine Windkraftanlagen einspeisen können (Dunkelflaute). Tabelle 6-2 fasst die ANV und den Leistungskredit für verschiedene Technologien nach Pri- märenergieträgern zusammen, wie sie in dieser Studie verwendet werden. Die Spalte „Kapa- zitätsmarktstudie (optimistisch)“ zeigt einen alternativen Parametersatz, in dem für Biomasse, Laufwasser sowie für on- und offshore Windkraft höhere Kapazitätskredite auf Basis des opti- mistischen Falls der Kapazitätsmarktstudie unterstellt werden (Borggrefe et al., 2014).19 Dieser Parametersatz wird im Rahmen der Variantenrechnungen in Abschnitt 6.4.1 verwendet, wäh- rend für alle übrigen Szenarien die Angaben zum Kapazitätskredit der Übertragungsnetzbetrei- 19Die Annahmen werden in der Studie nicht explizit erwähnt, wurden aber von den Autoren zur Verfügung gestellt. 6 Demand Side Management im Kontext des deutschen Energiesystems 91 0 10 20 30 40 50 60 70 80 1 3 0 4 6 0 7 9 1 0 1 2 1 3 1 5 1 6 1 8 1 9 2 1 2 2 2 4 2 5 2 7 2 8 3 0 3 1 3 3 3 4 3 6 3 7 3 9 4 0 4 2 4 3 4 5 4 6 4 8 4 9 5 1 5 2 5 4 5 5 5 7 5 8 6 0 6 1 6 3 6 4 6 6 6 7 6 9 7 0 7 2 7 3 7 5 7 6 7 8 7 9 8 1 8 2 8 4 8 5 L ei st u n g [ G W el ] Stunde des Jahres Erzeugung Wind und PV Netzlast Residuale Last Abbildung 6-3: Dauerlinien der Netzlast nach ENTSO-E sowie der residualen Last unter Berücksichti- gung der Einspeisung aus Windkraft- und PV-Anlagen in Deutschland für das Jahr 2011 (ENTSO-E, 2015) ber genutzt werden. Die alternativen Annahmen werden in der Sensitivitätsanalyse genutzt, um den Einfluss des unterstellten Kapazitätskredits auf die Reservekapazitäten und die Bedeutung von DSM zu untersuchen. 6.2 Definition der Szenarien Die Basisszenarien in dieser Studie sind so definiert, dass eine Bewertung der beiden Kom- ponenten von DSM (Energieeinsparungen und Lastmanagement) im Kontext des deutschen Energiesystems ermöglicht wird. Dabei können die Basisszenarien hinsichtlich der Treibhaus- gasemissionsminderung im gesamten Energiesystem und des definierten Anteils erneuerbarer Energien am Bruttostromverbrauch als Zielszenario beschrieben werden, da diese energiepoliti- schen Ziele (siehe Abschnitt 2.2) als modellexogene Vorgaben in die Szenarien einfließen. Diese gelten unverändert für alle Basisszenarien. So wird im Energiekonzept der Bundesregierung aus dem Jahr 2010 das Treibhausgasemissionsminderungsziel von 40 % in 2020 gegenüber 1990 aufgegriffen und der Treibhausgasemissionsminderungspfad mit einer Reduktion von 55 % in 2030, 70 % in 2040 und mindestens 80 % in 2050 fortgeschrieben (Bundesregierung, 2010). Ausgehend von 1232 Mio. t CO2-Äquivalenten in 1990 bei Berücksichtigung von CO2, CH4 und N2O für die energie- und prozessbedingten Emissionen (UBA, 2014) resultiert daraus für Deutschland ein absoluter Treibhausgasemissionsminderungspfad von 739 Mio. t CO2-Äquiva- 92 6 Demand Side Management im Kontext des deutschen Energiesystems Tabelle 6-2: Arbeitsnichtverfügbarkeit konventioneller Kraftwerke und Leistungskredit erneuerbarer Energien (ÜNB, 2014a; Borggrefe et al., 2014) Technologie nach Primärenergieträgern Arbeitsnichtverfügbarkeit* oder Leistungskredit+ ÜNB Kapazitätsmarktstudie (optimistisch) Kernenergie* 5,5 % 5,5 % Braunkohle* 6,5 % 6,5 % Steinkohle* 6 % 6 % Gas* 2,3 % 2,3 % Öl* 2,3 % 2,3 % gemischte Brennstoffe* 5,6 % 5,6 % onshore Wind+ 1 % 3 % bis 6 % offshore Wind+ 1 % 8 % Photovoltaik+ 0 % 0 % Biomasse und Biogas+ 65 % 88 % sonstige erneuerbare Energien+ 50 % 50 % Laufwasser+ 25 % 40 % Speicher und Pumpspeicher+ 80 % 80 % verwendet in Szenariovariante CCC siehe Abschnitt 6.4.1 lenten in 2020, 555 Mio. t CO2-Äquivalenten in 2030, 370 Mio. t CO2-Äquivalenten in 2040 und 246 Mio. t CO2-Äquivalenten in 2050 als Obergrenze. Für den Anteil der erneuerbaren En- ergien wurde im EEG 2014 ein Anteil am Bruttostromverbrauch von 40 % bis 45 % in 2025, 55 % bis 60 % in 2035 und mindestens 80 % in 2050 definiert (Bundestag, 2014). Die genannten Ziele sind in Tabelle 6-3 zusammengefasst und gelten für alle Szenarien. Für alle untersuchten Szenarien, mit Ausnahme der Variantenrechnungen in Abschnitt 6.4.3, wird der Ausbaupfad für Windkraft-, Photovoltaik- und Biomasseanlagen an den Ausbaupfad des Szenarios B aus dem Netzentwicklungsplan der Übertragungsnetzbetreiber in Deutschland angelehnt (ÜNB, 2014b). Da die Entwicklung der Erzeugungsleistung im Szenario B des Netz- Tabelle 6-3: Energiepolitische Rahmenannahmen zum Treibhausgasminderungsziel und zum Anteil er- neuerbarer Energien am Bruttostromverbrauch (Bundesregierung, 2010; Bundestag, 2014) 2020 2025 2030 2035 2040 2050 min. THG Reduktion ggü. 1990 40 % 55 % 70 % 80 % min. Anteil eE am Bruttostromverbrauch 40 % 55% 80 % 6 Demand Side Management im Kontext des deutschen Energiesystems 93 entwicklungsplans lediglich bis 2035 angegeben wird, wurden für den Ausbau bis einschließlich 2050 eigene Annahmen getroffen, die sich am Ausbaupfad der Szenarien aus Fahl, J. Welsch et al. (2015) orientieren. Zwischen den angegebenen Meilensteinjahren erfolgt eine Interpolati- on der Werte. Die Ausbauziele für Photovoltaik- und Windkraftanlagen (onshore und offshore) wurden als Untergrenzen implementiert, während der Zubau von Biomasseanlagen als Ober- grenze im Modell berücksichtigt wird. Aus Tabelle 6-4 geht hervor, dass sich unter diesen An- nahmen die installierte Leistung von onshore Windkraftanlagen von 2020 bis 2050 nahezu ver- doppelt. Für offshore Windkraftanlagen wird das Ausbauziel von 15 GW in 2035 aus dem EEG 2014 auf Basis dieser Annahmen übertroffen. In den nachfolgenden Jahren bis 2050 erfolgt der weitere Ausbau jedoch verlangsamt. In 2019 wird laut Netzentwicklungsplan das Förderziel von 52 GW für Photovoltaikanlagen erreicht, sodass der Ausbau in den nachfolgenden Jahren lediglich mit 0,5 GW pro Jahr erfolgt. Für 2050 wird für Photovoltaikanlagen ein installierte Leistung von 70 GW definiert. Die maximal installierte Leistung von Biomasseanlagen wird in 2020 und 2025 mit 7,2 GW angenommen. Bis 2050 kann ein Ausbau der Erzeugungsleistung auf maximal 10 GW erfolgen. Tabelle 6-4: Ausbaupfade für die installierte Leistung von onshore und offshore Windkraftanlagen, Pho- tovoltaik und Biomasse von 2020 bis 2050 im Vergleich zu den statistischen Werten der Jahre 2010 und 2015 (eigene Annahmen; AGEE-Stat, 2016; ÜNB, 2014b) Statistik Szenario B Annahme 2010 2015 2020 2025 2035 2050 min. Wind onshore [GW] 27 41,7 52,2 60,2 82,2 100,0 min. Wind offshore [GW] 0 3,3 7,4 10,5 18,5 30,0 min. Photovoltaik [GW] 17,9 39,7 52,0 55,0 61,0 70,0 max. Biomasse [GW] 5,1 7,1 7,2 7,2 8,2 10,0 Neben der installierten Leistung sind die Annahmen zu den Volllaststunden der Windkraft- und Photovoltaikanlagen ein wichtiger Parameter für die Modellierung, da diese beiden Pa- rameter die jährliche Stromerzeugung bestimmen. In Tabelle 6-5 sind die Ergebnisse der Li- teraturrecherche zu Volllaststunden von Photovoltaikanlagen sowie von onshore und offshore Windkraftanlagen in Deutschland zusammengefasst. In TIMES-D-DSM werden auf Basis der vorangestellten Literaturrecherche für die Photovoltaikzubauprozesse 971 und 1000 Volllast- stunden pro Jahr angenommen. Onshore Windkraftanlagen mit ungünstigen Standortvorausset- zung erreichen im Energiesystemmodell 1300 Volllaststunden. An guten und sehr guten Stand- orten werden 1859 und 2000 Volllaststunden pro Jahr in der Energiesystemanalyse unterstellt. Die Volllaststunden für offshore Windkraftanlagen, unterteilt in vier Klassen, beruhen auf den Angaben aus Kost et al. (2013). Aus dem unterstellten Ausbaupfad geht hervor, dass die durch- 94 6 Demand Side Management im Kontext des deutschen Energiesystems schnittlichen Volllaststunden von offshore Windkraftanlagen, ausgehend von 3194 Volllaststun- den pro Jahr in 2015, auf 3349 Volllaststunden pro Jahr in 2050 ansteigen. Die durchschnittli- chen Volllaststunden von onshore Windkraftanlagen steigen von etwa 1786 Volllaststunden pro Jahr auf 1844 Volllaststunden in 2050. Tabelle 6-5: Volllaststunden von onshore und offshore Windkraft- sowie Photovoltaikanlagen in Deutschland (P3, 2015; Schlesinger et al., 2014; Kost et al., 2013; Philipps et al., 2014; R. McKenna et al., 2014; Hoefnagels et al., 2011) [h/a] Wind onshore Wind offshore Photovoltaik Minimum 1300 2800 940 Maximum 3122 4149 1200 Median 2174 3468 941 Als Bezugsszenario für die Bewertung von Energieeinsparungen dient ein Szenario mit mo- deraten Energieeinsparungen. Dabei werden für die Zukunft keine Effizienzsteigerungen bei bereits verwendeten Technologien angenommen (Szenario: MOD_EFF). Ein Technologie- oder Energieträgerwechsel bleibt im Rahmen der Optimierung aber weiter möglich. Um den Ein- fluss von Energieeinsparungen auf das Energiesystem bewerten zu können, wird das Szenario mit moderaten Energieeinsparungen mit einem Szenario unter vollständiger Berücksichtigung von Energieeinsparungen (Szenario: KLM-KAB) verglichen. Dieses Szenario dient wieder- um als Bezugsszenario für die Untersuchungen zu Lastmanagement (Szenario: APLM-KAB). Als weitere Komponente wird dieses Szenario um die Abregelung erneuerbarer Energien er- gänzt. In Abhängigkeit des Szenarios können entweder bis zu 5 % der jährlichen Erzeugung aus Photovoltaik- und Windkraftanlagen abgeregelt werden (Szenario: APLM-BAB). Alternativ be- stehen keine quantitativen Beschränkungen der abgeregelten Energiemenge (Szenario: APLM- VAB), sodass theoretisch die Erzeugung intermittierender erneuerbarer Energien vollständig abgeregelt werden könnte. In Abschnitt 2.3 wurde bereits aufgezeigt, dass die residuale Last bei hoher Einspeisung von Wind- und Photovoltaikanlagen an Volatilität zunehmen und dies die Grundlage für den Einsatz von Lastmanagement bilden könnte. Vor diesem Hintergrund wird mit den Szenarien unter Berücksichtigung von Curtailment untersucht, inwieweit Lastmanage- ment durch Curtailment beeinflusst wird, wenn negative residuale Lasten durch Curtailment reduziert oder vollständig vermieden werden können. Die Beschreibung der Szenarien und die variierten Parameter der Basisszenarien sind in Tabelle 6-6 aufgeführt. Da TIMES-D-DSM nur eine interne Modellregion umfasst, erfolgt keine Optimierung des Stromaustausches zwischen Deutschland und seinen Nachbarstaaten. Stattdessen werden zwei Varianten über Szenarien untersucht. In allen Basisszenarien sowie den meisten Variantenrech- nungen erfolgt ein modellexogen definierter Stromimport sowie Stromexport auf Basis histo- 6 Demand Side Management im Kontext des deutschen Energiesystems 95 Tabelle 6-6: Beschreibung der Basisszenarien und der variierten Parameter Berücksichtigung von maximale Abregelung eE Energieeinsparung Lastmanagement (Anteil an der Jahresenergiemenge) MOD-EFF moderat nein 0 KLM-KAB vollständig nein 0 APLM-KAB vollständig ja 0 APLM-BAB vollständig ja bis zu 5 % APLM-VAB vollständig ja keine Beschränkung rischer Daten für alle Meilensteinjahre. Als zweite Variante wird in der Variantenrechnung in Abschnitt 6.4.4 Deutschland als Inselsystem ohne Stromaustausch mit den Nachbarstaaten be- trachtet. In 2010 wurden 42,2 TWh Strom nach Deutschland importiert und 59,9 TWh exportiert (BMWi, 2015c). In den Szenariovarianten mit Berücksichtigung des Stromaustauschs wurden die letzten vollständig verfügbaren Daten zu den Stromimporten (38,9 TWh) und Stromexpor- ten (74,5 TWh) aus dem Jahr 2014 für die Meilensteinjahre 2015 bis 2050 berücksichtigt. Für die zeitliche Struktur des Stromaustauschs wurden die physikalischen Flüsse zwischen Deutsch- land und seinen Nachbarländern aus dem Jahr 2014 (ENTSO-E, 2014) ausgewertet und über repräsentative Wochen der vier Jahreszeiten auf die zeitliche Auflösung von TIMES-D-DSM übertragen. Der resultierende Verlauf der Nettostromexporte ist in Abbildung 6-4 dargestellt. -15 -10 -5 0 5 10 15 1 2 5 4 9 7 3 9 7 1 2 1 1 4 5 1 6 9 1 9 3 2 1 7 2 4 1 2 6 5 2 8 9 3 1 3 3 3 7 3 6 1 3 8 5 4 0 9 4 3 3 4 5 7 4 8 1 5 0 5 5 2 9 5 5 3 5 7 7 6 0 1 6 2 5 6 4 9 N et to st ro m ex p o rt e p ro T y p st u n d e [G W ] Typstunde Abbildung 6-4: Nettostromexporte pro Typstunde in GW für die Meilensteinjahre 2015 bis 2050 (eigene Berechnungen auf Basis von ENTSO-E, 2014) 96 6 Demand Side Management im Kontext des deutschen Energiesystems 6.3 Ergebnisse der Basisszenarien In diesem Abschnitt werden die Ergebnisse der modellgestützten Analyse für die fünf Basissze- narien unter Berücksichtigung des Ausbaupfads der erneuerbaren Energien nach dem Netzent- wicklungsplan und moderaten Energieeinsparungen ohne Berücksichtigung von Lastmanage- ment sowie Curtailment (MOD-EFF), mit Energieeinsparungen jedoch ohne Lastmanagement sowie Curtailment (KLM-KAB), mit Energieeinsparungen, Lastmanagement aber ohne Curtail- ment (APLM-KAB), mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (APLM-BAB) und mit Energieeinsparungen, Lastmanagement sowie unbegrenztem Curtail- ment (APLM-VAB) beschrieben und diskutiert. 6.3.1 Primärenergieverbrauch und Treibhausgasemissionen in den Basisszenarien Abbildung 6-5 zeigt den Primärenergieverbrauch in Deutschland für die fünf Basisszenarien von 2010 bis 2050. In 2015 ist der absolute Primärenergieverbrauch auf Basis der Modellergeb- nisse im Vergleich zu 2010 um 11 % gesunken. Zwischen den Szenarien sind nur geringfügige Unterschiede zu erkennen, die maximal 4 % des gesamten Primärenergieverbrauchs in 2015 betragen, weshalb für 2015 nur das Szenario mit moderaten Energieeinsparungen (MOD-EFF) dargestellt wird. Die Anteile des Primärenergieverbrauchs verschieben sich von 2010 bis 2015 jedoch leicht zu Gunsten von Rohöl auf etwa 37 % des gesamten Primärenergieverbrauchs, wäh- rend der Anteil der übrigen fossilen Energieträger leicht sinkt (ausgehend von 45 % in 2010 auf ca. 44 % in 2015). Der stärkste Zuwachs ist bei erneuerbaren Energien zu verzeichnen, deren Anteil am Primärenergieverbrauch von 9 % in 2010 auf etwa 13 % in 2015 steigt. Im Vergleich zu den statistischen Daten für 2015 wird der Primärenergieverbrauch in den Modellrechnungen um etwa 579 PJ (4 %) unterschätzt (BMWi, 2016). Der Mineralölverbrauch auf Basis der Szenariorechnungen ist um 230 PJ zu hoch, während die Nutzung von Stein- und Braunkohle um 108 PJ zu gering ausfällt. Der Erdgasverbrauch ist ebenfalls um knapp 396 PJ zu gering, während die Differenz bei der Kernenergie etwa 357 PJ beträgt. Die Nutzung von erneu- erbaren Energien weist eine gute Übereinstimmung auf, allerdings wird der Verbrauch um ca. 46 PJ überschätzt (BMWi, 2016). Die verbleibende Differenz zwischen den statistischen Werten und den Modellergebnissen ist auf Stromexporte und sonstige Energieträger zurückzuführen. Bis 2050 sinkt der Primärenergieverbrauch in Deutschland ausgehend von 2015 kontinuier- lich, wobei der Primärenergieverbrauch sowohl von der Verfügbarkeit von Energieeinsparmaß- nahmen als auch der Möglichkeit des Curtailments abhängig ist. Im Vergleich zu 2010 sinkt der Primärenergieverbrauch im Szenario mit moderaten Energieeinsparmaßnahmen (MOD-EFF) bis 2050 um 33 %. In den weiteren Szenarien werden demgegenüber Primärenergieeinsparun- gen von 46 % bis 49 % erreicht. Der Anteil erneuerbarer Energien am Primärenergieverbrauch 6 Demand Side Management im Kontext des deutschen Energiesystems 97 0 2500 5000 7500 10000 12500 15000 B as is ja h r M O D -E F F M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B 2010 2015 2025 2035 2050 P ri m är en er g ie v er b ra u ch [ P J] Sonstige nicht erneuerbare Energien Sonstige erneuerbare Energien Wasser, Wind und Solar Kernenergie Erdgas Rohöl Braunkohle Steinkohle Abbildung 6-5: Primärenergieverbrauch nach Energieträgern in Deutschland in den Basisszenarien von 2010 bis 2050 steigt in den fünf Basisszenarien in 2050 auf 35 % bis 40 %. Das Ziel eines Anteils der erneuer- baren Energien von 50 % in 2050 am Primärenergieverbrauch aus der Nachhaltigkeitsstrategie der Bundesregierung aus 2002 (Bundesregierung, 2002) wird somit in allen Szenarien verfehlt. Das Reduktionsziel des Primärenergieverbrauchs um 50 % gegenüber 200820 aus dem Energie- konzept 2010 (Bundesregierung, 2010) wird ebenfalls in allen Basisszenarien verfehlt. Dabei ist der Primärenergieverbrauch in 2050 in den Szenarien mit der Berücksichtigung von Curtailment etwa 4 % niedriger als im Szenario mit Energieeinsparungen, aber ohne Lastmanagement und Curtailment (KLM-KAB). Während im Szenario mit begrenztem Curtailment (APLM-BAB) der niedriger Primärenergieverbrauch auf eine geringere Steinkohlenutzung zurückgeführt wer- den kann, werden im Szenario mit unbegrenztem Curtailment (APLM-VAB) etwa 300 PJ aus erneuerbaren Energien weniger genutzt. Die zulässige Obergrenze für die energie- und prozessbedingten Treibhausgasemissionen al- ler Sektoren wird ab dem Meilensteinjahr 2025 in allen Basisszenarien vollständig ausgeschöpft und entspricht somit den modellexogen definierten Werten, die in Abschnitt 6.2 genannt wur- den. Eine separate Darstellung der Ergebnisse erfolgt vor diesem Hintergrund nicht.21 Die Ver- teilung der Treibhausgasemissionen variiert jedoch in Abhängigkeit des Szenarios. Der Trans- 20Der Primärenergieverbrauch in Deutschland betrug in 2008 14380 PJ (AGEB, 2015). 21Die quantitativen Ergebnisse der Basisszenarien können der Tabelle A-10 im Anhang entnommen werden. 98 6 Demand Side Management im Kontext des deutschen Energiesystems portsektor wird zur Erreichung der Treibhausgasminderungsziele nahezu vollständig dekarbo- nisiert, während die Treibhausgasemissionen in der Industrie ansteigen, wenn Energieeinspa- rungen in den Szenarien berücksichtigt werden. Vergleichbare Wechselwirkungen können auch für den Umwandlungssektor sowie den Sektor GHD beschrieben werden. 6.3.2 Endenergieverbrauch nach Energieträgern und Sektoren Die Entwicklung des Endenergieverbrauchs nach Energieträgern ist für die Basisszenarien in Abbildung 6-6 dargestellt. Daraus geht hervor, dass die Entwicklung des Endenergieverbrauchs in Deutschland stark vom analysierten Szenario abhängig ist. Während der Endenergiever- brauch im Szenario mit moderaten Energieeinsparungen (MOD-EFF) in 201522 im Vergleich zu 2010 nahezu unverändert bleibt, steigt er bis 2025 um 8 % an, bevor er bis einschließlich 2050 auf etwa 7768 PJ (−17 % im Vergleich zu 2010) sinkt. In den weiteren Szenarien unter vollständiger Berücksichtigung von Energieeinsparmaßnahmen ist der Anstieg des Endener- gieverbrauchs bis 2025 nicht reproduzierbar. Stattdessen ist ein kontinuierlicher Rückgang ab 2025 zu verzeichnen. Im Vergleich der Szenarien mit vollständiger Berücksichtigung von Ener- gieeinsparmaßnahmen zeigen sich geringfügige Unterschiede in der absoluten Höhe des End- energieverbrauchs in den einzelnen Meilensteinjahren, die jedoch keine eindeutige Tendenz über alle Jahre aufweisen. So ist der Endenergieverbrauch im Szenario mit Lastmanagement und vollständiger Abregelung (APLM-VAB) in 2025 und 2035 um 2 % bis 3 % höher als im Szenario ohne Lastmanagement und Curtailment (APLM-KAB). In 2050 ist der Endenergiever- brauch im Szenario mit Energieeinsparungen, Lastmanagement und vollständiger Abregelung (APLM-VAB) intermittierender erneuerbarer Energien jedoch um 2 % (119 PJ) niedriger als im Bezugsszenario. Der Gasverbrauch sinkt in 2015 mit etwa 470 PJ gegenüber 2010 am stärksten, während der Mineralölverbrauch um ca. 587 PJ steigt. Der Gasverbrauch ist in den nachfolgenden Jah- ren relativ konstant und schwankt in einem Bereich von 1910 PJ bis 2500 PJ. In den Meilen- steinjahren 2025 und 2035 ist der Gasverbrauch im Szenario mit Lastmanagement aber ohne Curtailment (APLM-KAB) und dem Szenario mit Lastmanagement und begrenztem Curtail- ment (APLM-BAB) jeweils etwa 300 PJ niedriger als in den übrigen Basisszenarien. Der Mi- neralölverbrauch sinkt langfristig am stärksten und beträgt in 2050 noch etwa 23 % des Aus- gangswertes. Ebenfalls rückläufig ist der Kohleverbrauch, wobei in 2050 in Abhängigkeit des Szenarios noch 660 PJ bis 790 PJ in den Verbrauchssektoren eingesetzt werden. In den Szenarien mit DSM werden deutliche Verbrauchsreduktionen erreicht, sodass der End- energieverbrauch in 2050 noch etwa 6189 PJ bis 6385 PJ beträgt. Durch die Nutzung von Last- 22Auf eine Einordnung der Modellergebnisse im Vergleich zu statistischen Daten aus 2015 muss an dieser Stelle verzichtet werden, da der Endenergieverbrauch in Deutschland nach Energieträgern und Sektoren noch nicht vorliegt. 6 Demand Side Management im Kontext des deutschen Energiesystems 99 0 2000 4000 6000 8000 10000 12000 B as is ja h r M O D -E F F M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B 2010 2015 2025 2035 2050 E n d en er g ie v er b ra u ch [ P J] Abfälle Sonstige Wärme Erneuerbare Energien Mineralöle Strom Gas Kohle Abbildung 6-6: Endenergieverbrauch in Deutschland nach Energieträgern in den Basisszenarien von 2010 bis 2050 management kann der Endenergieverbrauch im Vergleich zum Szenario ohne Lastmanagement jedoch ansteigen, was insbesondere auf einen ca. 39 PJ höheren Stromverbrauch im Szenario mit Lastmanagement (APLM-KAB) zurückgeführt werden kann. Bei relativer Betrachtung der Verbrauchstruktur nach Energieträgern in 2050 ist zu erkennen, dass die Anteile aller Energie- träger bis auf Mineralöle zunehmen. Durch die Analyse des Endenergieverbrauchs nach Sektoren wird deutlich, dass in der Indus- trie in den Szenarien mit Berücksichtigung von Energieeinsparungen (KLM-KAB) im Zeitraum von 2010 bis 2025 nur geringfügige Verbrauchsreduktionen stattfinden (siehe Abbildung 6-7), die hauptsächlich den unterstellten Anstieg der Produktionsmengen kompensieren. Im Szenario mit moderaten Energieeinsparungen (MOD-EFF) steigt der Endenergieverbrauch in der Indus- trie in 2025 im Vergleich zu 2010 um knapp 958 PJ, da der Produktionszuwachs nicht durch Energieeinsparungen kompensiert werden kann. Langfristig trägt jedoch auch die Industrie zu einer Reduktion des Endenergieverbrauchs bei (ca. 561 PJ bis 933 PJ im Vergleich von 2010 zu 2050), was teilweise auf die unterstellte Produktionsentwicklung zurückzuführen ist. Die größte relative Reduktion des Endenergieverbrauchs wird zwischen 2010 und 2050 im Transportsektor sowie im Sektor GHD erreicht. In Abhängigkeit des Szenarios schwankt die Verbrauchsminde- rung im Transportsektor in 2050 im Bereich von 15 % bis 38 % gegenüber 2010. In 2050 beträgt die Verbrauchsreduktion im Sektor GHD 6 % bis 46 % in Abhängigkeit der Szenariodefinition, 100 6 Demand Side Management im Kontext des deutschen Energiesystems während in Haushalten Verbrauchsreduktionen zwischen 23 % und 32 % im Vergleich zu 2010 erreicht werden. Langfristig werden die größten Verbrauchsreduktionen über alle Sektoren im Szenario mit Energieeinsparungen, Lastmanagement und vollständigem Curtailment (APLM- VAB) erzielt. 0 2000 4000 6000 8000 10000 12000 B as is ja h r M O D -E F F M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B 2010 2015 2025 2035 2050 E n d en er g ie v er b ra u ch [ P J] Verkehr Haushalte GHD Industrie Landwirtschaft Abbildung 6-7: Endenergieverbrauch in Deutschland nach Sektoren in den Basisszenarien von 2010 bis 2050 6.3.3 Kraftwerkskapazitäten, Stromerzeugung und Kraftwerkseinsatz Abbildung 6-8 zeigt die installierte Kraftwerksleistung nach Energieträgern in Deutschland im Zeitraum von 2010 bis 2050 für die fünf Basisszenarien. Bereits in 2015 ist in den Szena- rioergebnissen eine deutliche Zunahme der installierten Kraftwerksleistung von etwa 22 % im Vergleich zu 2010 zu verzeichnen. Diese ist primär auf die modellexogen vorgegebenen Aus- bauleistungen von Windkraft- und Photovoltaikanlagen zurückzuführen. Der Vergleich mit den statistischen Werten für 2015 zeigt, dass die installierte Kraftwerksleistung auf Basis der Mo- dellergebnisse um 5 GW zu niedrig ist (BDEW, 2016a), was nahezu vollständig auf die Katego- rie „Sonstige Kapazitäten“ zurückgeführt werden kann. Die installierten Kraftwerkskapazitäten der übrigen Energieträger weisen nur geringe Abweichungen auf. Langfristig ist die Höhe der Spitzenlast ein wichtiger Einflussfaktor für die installierten Kraft- werkskapazitäten. Die Spitzenlast steigt insbesondere in jenen Szenarien, in denen kein Last- management und kein Curtailment der erneuerbaren Energien zugelassen ist, sodass für den 6 Demand Side Management im Kontext des deutschen Energiesystems 101 Spitzenlastfall entsprechende Reservekapazitäten vorgehalten werden müssen. Auf Basis der Annahmen zum Kapazitätskredit, wird die Leistung aus Windkraft- und Photovoltaikanlagen nicht oder nur in sehr geringem Umfang in der Spitzenlastgleichung des Modells TIMES-D- DSM berücksichtigt, weshalb insbesondere fossil befeuerte Kraftwerke als Reservekapazitäten installiert werden. In den beiden Szenarien mit Berücksichtigung von Curtailment (APLM-BAB und APLM-VAB) müssen Erzeugungsspitzen nicht in das Energiesystem integriert werden, so- dass eine geringere Spitzenlast möglich ist und dadurch auch weniger Reservekapazitäten be- nötigt werden. 0 50 100 150 200 250 300 350 B as is ja h r M O D -E F F M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B 2010 2015 2025 2035 2050 in st al li er te L ei st u n g [ G W ] Ausspeicherleistung Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-8: Installierte Kraftwerkskapazität in Deutschland nach Energieträgern in den Basisszena- rien von 2010 bis 2050 Im Szenario mit moderaten Energieeinsparungen (MOD-EFF) steigt die installierte Kraft- werksleistung kontinuierlich bis 2050 und erreicht in diesem Meilensteinjahr 307 GW. Ent- sprechend den getroffenen Annahmen stammen davon bereits 200 GW aus Photovoltaik- und Windkraftanlagen (siehe Tabelle 6-4). Die angenommene Obergrenze der installierten Leistung in Biomasse wird in keinem Szenario ausgeschöpft und beträgt im Szenario mit moderaten Energieeinsparungen (MOD-EFF) maximal 7 GW. Die installierte Leistung in Gaskraftwer- ken beträgt in 2050 in Abhängigkeit des Szenarios maximal 48 GW (MOD-EFF) und minimal 16 GW im Szenario mit Energieeinsparungen, Lastmanagement und vollständigem Curtailment (APLM-VAB), da in diesem Szenario die geringsten Reservekapazitäten vorgehalten werden müssen. Über alle Szenarien sinkt die installierte Leistung in Braunkohlekraftwerken in 2050 102 6 Demand Side Management im Kontext des deutschen Energiesystems im Vergleich zu 2010 zwischen 58 % und 69 %. Die Kapazitäten in Steinkohlekraftwerken wer- den ebenfalls deutlich reduziert, sodass in 2050 noch 9 GW bis 18 GW zur Verfügung stehen. Von diesen Stein- und Braunkohlekraftwerken sind der überwiegende Teil CCS-Kraftwerke, die benötigt werden, um die Treibhausgasminderungziele einhalten und weiterhin die vergleichs- weise günstigen Energieträger nutzen zu können. Durch Lastmanagement kann die installierte Kraftwerksleistung im Vergleich zum Szenario mit Energieeinsparungen aber ohne Berücksichtigung von Lastmanagement und Curtailment (KLM-KAB) in 2050 nicht reduziert werden. Es erfolgt jedoch eine Reduktion der Elektro- lysenutzung um etwa 2 GW. Durch begrenztes Curtailment (APLM-BAB) erneuerbarer Ener- gien können 4 GW eingespart werden. Wird in der Szenarioanalyse vollständiges Curtailment (APLM-VAB) zugelassen, beträgt die installierte Kraftwerksleistung 249 GW und ist damit um 15 GW niedriger als im Szenario mit Energieeinsparungen aber ohne Berücksichtigung von Lastmanagement und Curtailment (KLM-KAB). Die niedrigeren installierten Kraftwerkskapa- zitäten beziehen sich insbesondere auf Gasturbinen. In geringerem Umfang werden jedoch auch die übrigen fossil befeuerten Kraftwerke von der Leistungsreduktion erfasst. Die Stromerzeugung sinkt im Szenario mit moderaten Energieeinsparungen (MOD-EFF) von 2010 bis 2015 um etwa 51 TWh und beträgt in 2025 559 TWh und in 2035 etwa 571 TWh exklu- sive eines Nettostromexports von 36 TWh. In 2050 steigt die Stromerzeugung im Szenario mit moderaten Energieeinsparungen (MOD-EFF) dagegen wieder um 33 TWh auf etwa 604 TWh. Im Vergleich zu den statistischen Daten fällt die Nettostromerzeugung auf Basis der Modell- ergebnisse in 2015 um 44 TWh zu gering aus (BDEW, 2016b). Dazu trägt auch der Stromex- portsaldo bei, der auf Basis der modellexogenen Annahmen die Nettostromexporte um 16 TWh unterschätzt (BDEW, 2016c). Die Szenarioergebnisse weisen insbesondere für Biomasseanla- gen sowie Braunkohle- und Kernkraftwerke eine zu geringe Nettostromerzeugung aus, während die Nettostromerzeugung aus Erdgas um 28 TWh überschätzt wird (BDEW, 2016b). Neben der Nettostromerzeugung ist auch der Nettostromverbrauch auf Basis der Modellergebnisse im Ver- gleich zu den statistischen Daten des Jahres 2015 um etwa 30 TWh zu gering (BDEW, 2016d). Abbildung 6-9 zeigt die Stromerzeugung in Deutschland nach Energieträgern im Szenariover- gleich von 2010 bis 2050. In den übrigen Szenarien sinkt die Stromerzeugung von 2010 bis 2025 durchgehend und erreicht ein Plateau bei etwa 460 TWh, auf dem sich die Nettostromerzeugung bis 2035 stabili- siert. Eine Ausnahme bildet das Szenario mit vollständigem Curtailment (APLM-VAB), in dem die Nettostromerzeugung in 2035 um weitere 39 TWh im Vergleich zu 2025 sinkt. In 2050 steigt die Nettostromerzeugung auch in den Szenarien mit Energieeinsparungen wieder leicht an (ca. 30 TWh bis 50 TWh), wobei der niedrigste Anstieg bei geringfügiger Abregelung von 5 % der Jahresenergiemenge aus Photovoltaik- und Windkraftanlagen auftritt (APLM-BAB). Im Hin- blick auf die steigende Nettostromerzeugung bildet das Szenario mit vollständigem Curtailment (APLM-VAB) eine Ausnahme, da die Stromerzeugung in 2050 um weitere 16 TWh auf knapp 6 Demand Side Management im Kontext des deutschen Energiesystems 103 -100 0 100 200 300 400 500 600 700 B as is ja h r M O D -E F F M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B M O D -E F F K L M -K A B A P L M -K A B A P L M -B A B A P L M -V A B 2010 2015 2025 2035 2050 N et to st ro m er ze u g u n g [ T W h ] Im-/Exporte Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-9: Nettostromerzeugung in Deutschland nach Energieträgern in den Basisszenarien von 2010 bis 2050 390 TWh sinkt. In allen Szenarien ist die Stromerzeugung aus fossilen Brennstoffen stark rück- läufig, während die Stromerzeugung aus erneuerbaren Energien auf Basis der modellexogenen Annahmen zur Kapazitätsentwicklung stark ansteigt. In 2050 werden in den drei Basisszenarien ohne Curtailment (MOD-EFF, KLM-KAB und APLM-KAB) noch jeweils etwa 120 TWh aus Braun- und Steinkohle sowie Erdgas erzeugt. Bei geringfügiger Abregelung der erneuerbaren Energien (APLM-BAB) sinkt die fossile Stromerzeugung in 2050 auf 112 TWh und im Sze- nario mit vollständigem Curtailment (APLM-VAB) auf 92 TWh. Im Szenario mit begrenztem Curtailment (APLM-BAB) wird die zulässige Obergrenze der Abregelung von 5 % der Jahres- energiemenge vollständig ausgeschöpft. Demgegenüber werden bei vollständigem Curtailment (APLM-VAB) 29 % der Jahresenergiemenge abgeregelt. Die Abregelung der Einspeisung aus intermittierenden erneuerbaren Energien führt über zwei Pfade zur Reduktion der gesamten diskontierten Systemkosten. Einerseits muss Überschussstrom nicht in das Energiesystem inte- griert und andererseits können so gegebenenfalls Lastspitzen vermieden werden, wodurch der Bedarf an Reservekapazitäten gesenkt werden kann. In den Abbildungen 6-10 und 6-11 wird der Kraftwerkseinsatz auf Basis der 672 Typstun- den für Deutschland in 2050 exemplarisch anhand des Szenarios mit Energieeinsparungen aber ohne Lastmanagement und ohne Curtailment (KLM-KAB) sowie des Szenarios mit Lastma- 104 6 Demand Side Management im Kontext des deutschen Energiesystems nagement und begrenztem Curtailment (APLM-BAB) dargestellt.23 Anhand dieser beiden Sze- narien kann einerseits die Abregelung intermittierender erneuerbarer Energien und andererseits auch der Speichereinsatz sowie die Herstellung von Wasserstoff in der Elektrolyse bei Strom- überschüssen aufgezeigt werden. Elektrolyseanlagen werden insbesondere dann genutzt, wenn Lastmanagement und Curtailment nicht als Flexibilitätsoptionen zur Verfügung stehen. -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-10: Kraftwerkseinsatz in Deutschland nach Energieträgern auf Typstundenbasis für das Szenario mit Energieeinsparungen, aber ohne Lastmanagement und Curtailment (KLM-KAB) in 2050 Für alle Szenarien gilt auf Basis der Einspeiseprofile, dass Windkraftanlagen im Winter die höchste Einspeisung erreichen und diese im Frühling und Sommer deutlich zurückgeht, bevor sie im Herbst wieder ansteigt. Die Verfügbarkeit der offshore Windkraftanlagen ist im Ver- gleich zu onshore Anlagen konstanter, sodass diese auch im Frühling und im Sommer stärker zur Erzeugung beitragen. Photovoltaikanlagen stehen im Winter nur mit geringer Leistung zur Verfügung, während sie im Frühling und im Sommer im Tagesverlauf deutliche Leistungsspit- zen von knapp 50 GW erzeugen. Aus Abbildung 6-10 geht außerdem hervor, dass neben Zeit- punkten mit hoher Einspeisung erneuerbarer Energien auch Situationen mit sehr geringer Ein- speisung erneuerbarer Energien modelliert worden sind. Zu diesen Zeitpunkten werden insbe- sondere Gaskraftwerke eingesetzt, um die benötigte Leistung zur Deckung der Stromnachfrage bereitzustellen. Steinkohlekraftwerke (überwiegend KWK-Anlagen) werden grundlastorientiert 23Der Kraftwerkseinsatz der übrigen Basisszenarien in 2050 kann dem Anhang entnommen werden. 6 Demand Side Management im Kontext des deutschen Energiesystems 105 betrieben und erzeugen sowohl Strom als auch Wärme für die Industrie. Speicherkapazitäten werden in den Basisszenarien nicht erweitert, sodass ausschließlich Be- standsanlagen zur Glättung der Residuallast eingesetzt werden. Dabei erfolgt die Einspeiche- rung häufig bei hohem Angebot an Strom aus Photovoltaikanlagen, während die Ausspeiche- rung häufig in den frühen Abendstunden stattfindet. Bei hoher Exportlast während den Mit- tagsstunden werden Stromspeicher jedoch auch zur Deckung der modellexogenen Exportlast eingesetzt. Überschussstrom wird nicht nur eingespeichert, sonder auch zur Wasserstoffher- stellung genutzt. Der erzeugte Wasserstoff wird in Abhängigkeit des analysierten Szenarios entweder methanisiert, und beispielsweise in der chemischen Industrie zur Deckung des nicht- energetischen Verbrauchs eingesetzt, oder in Brennstoffzellen wieder zur Stromerzeugung ge- nutzt. Die genannten Umwandlungspfade weisen vergleichsweise hohe Umwandlungsverluste auf und können daher modelltechnisch als eine Form von Curtailment interpretiert werden. Durch die Berücksichtigung von Lastmanagement und Curtailment können deutliche Verän- derungen des Kraftwerkseinsatzes aufgezeigt werden. Aus Abbildung 6-11 geht hervor, dass im Szenario mit Energieeinsparungen, Lastmanagement und begrenzter Abregelung erneuerbarer Energien (APLM-BAB) in 2050 die Nutzung der Elektrolyse zur Wasserstoffherstellung im Ver- gleich zum Szenario ohne Lastmanagement und Curtailment (KLM-KAB) kaum mehr einge- setzt wird. Während im Szenario ohne Berücksichtigung von Lastmanagement und Curtailment (KLM-KAB) in 2050 knapp 13 PJ Wasserstoff über die Elektrolyse hergestellt werden, beträgt die Produktion im Szenario unter Berücksichtigung von Lastmanagement und geringfügigem Curtailment (APLM-BAB) etwa 1 PJ. Weiterhin kann aus der Darstellung abgelesen werden, zu welchen Zeitpunkten das zulässige Curtailment eingesetzt wird. Es ist zu erkennen, dass die Leistungsspitzen der Photovoltaikanlagen in den Mittagsstunden im Frühling und Sommer deutlich abgeflacht werden (siehe beispielsweise am Mittwoch in der Frühlingstypwoche). In beiden Szenarien fallen kurzfristige Stromexporte im Sommer mit hoher Erzeugungsleistung in Photovoltaikanlagen zusammen. Vergleichbare Aussagen können über den andauernden Strom- export im Winter getroffen werden. Somit repräsentieren die Stromimporte und Stromexporte die allgemeine Struktur der physikalischen Lastflüsse, wie sie vom BDEW (2014b) beschrieben werden. Allerdings wird indirektes Curtailment über die Elektrolyse an einzelnen Typtagen im Winter und Sommer eingesetzt, wenn gleichzeitig Strom nach Deutschland importiert wird. Da dies auf den modellexogen definierten Lastgang der Stromimporte und -exporte zurückgeführt werden kann, erfolgt in Abschnitt 6.4.4 eine Gegenüberstellung des Szenarios unter Beachtung von Lastmanagementpotenzialen und geringfügigem Curtailment mit einem Szenario, in dem Deutschland als Inselsystem ohne Stromimporte und -exporte optimiert wird. Die Ergebnisse zeigen deutlich, wie der zulässige Lösungsraum durch die Annahmen des Szenariorahmens eingegrenzt wird. Die Vorgaben zur Reduktion der Treibhausgasemissionen führen auf der Nachfrageseite zum Einsatz von Energieeinsparmaßnahmen (vergleiche Ab- schnitt 6.3.4), während erzeugungsseitig langfristig kaum fossile Energieträger eingesetzt wer- 106 6 Demand Side Management im Kontext des deutschen Energiesystems -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-11: Kraftwerkseinsatz in Deutschland nach Energieträgern auf Typstundenbasis für das Szenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (APLM-BAB) in 2050 den. Zwar würde durch den Einsatz von Kraftwerken mit CCS die Möglichkeit bestehen, einen Großteil der Treibhausgasemissionen aus der Verbrennung fossiler Energieträger abzuscheiden, allerdings wird diese Option durch das energiepolitische Ziel eines Anteils erneuerbarer Ener- gien von mindestens 80 % am Bruttostromverbrauch in 2050 eingeschränkt. Eine Steigerung der Stromerzeugung aus fossilen Energieträgern unter Nutzung von CCS würde gleichzeitig auch einen Ausbau erneuerbaren Energien bedingen, was unter dem Gesichtspunkt der Mini- mierung der gesamten diskontierten Systemkosten und den getroffenen techno-ökonomischen Annahmen keine optimale Lösung darstellt. 6.3.4 Bedeutung und Einsatz von Demand Side Management Energieeinsparungen können in der Szenarioanalyse nur indikativ bewertet werden, da neben Energieeinsparungen auch Energieträgerwechsel im Szenario mit moderaten Energieeinspar- maßnahmen (MOD-EFF) auftreten können. Innerhalb einer Technologie (z. B. Gasturbinen oder Ottomotoren) wird über den Zeitverlauf keine Verbesserung des spezifischen Energieverbrauchs angenommen. Der Wechsel zwischen Endenergieträgern zur Bereitstellung einer Energiedienst- leistung ist im Szenario mit moderaten Energieeinsparungen jedoch möglich (z. B. von Fahr- zeugen mit einem Ottomotor zu Elektroautos). Dies kann gegebenenfalls langfristig notwendig 6 Demand Side Management im Kontext des deutschen Energiesystems 107 sein, um die Treibhausgasminderungsziele im Szenario mit moderaten Energieeinsparungen (MOD-EFF) zu erreichen. Exemplarisch kann dies am etwa 346 PJ höheren Primärenergiever- brauch erneuerbarer Energien im Szenario mit moderaten Energieeinsparungen (MOD-EFF), im Vergleich zum Szenario mit Berücksichtigung von Energieeinsparungen aber ohne Berück- sichtigung von Lastmanagement und Curtailment (KLM-KAB), aufgezeigt werden (siehe Ab- bildung 6-5). Wird jedoch unterstellt, dass ein reduzierter Endenergieverbrauch hauptsächlich auf Energieeinsparungen im Szenario mit Energieeinsparungen aber ohne Lastmanagement und Curtailment (KLM-KAB) zurückgeführt werden kann, zeigt sich eine vergleichsweise homo- gene Verbrauchsreduktion über alle Sektoren. Prozentual betrachtet, werden im Vergleich der beiden Szenarien die geringsten Energieeinsparungen in Haushalten (11 %) und die größten Verbrauchsreduktionen im Sektor GHD (34 %) in 2050 umgesetzt. Mit einer Endenergieeinspa- rung von knapp 492 PJ wird die absolut größte Minderung in 2050 im Transportsektor erreicht. Im Vergleich zum Szenario mit moderaten Energieeinsparungen (MOD-EFF) sind die energie- politischen Ziele im Szenario mit Berücksichtigung von Energieeinsparungen (KLM-KAB) mit erheblich geringeren Kosten zu erreichen. Über den gesamten Analysezeitraum können die dis- kontierten Gesamtsystemkosten durch Energieeinsparungen um 292 Mrd.e2010 reduziert wer- den. Über das Szenario mit Energieeinsparungen und Lastmanagement aber ohne Curtailment (APLM-KAB), im Vergleich zum Szenario mit Energieeinsparungen ohne Lastmanagement und ohne Curtailment (KLM-KAB), kann die Bedeutung von Lastmanagement als zweite Kom- ponente von DSM aus der Energiesystemperspektive bewertet werden. Durch den Einsatz von Lastmanagement können von 2020 bis 2050 weitere 12 Mrd.e2010 eingespart werden. Preis- basiertes Lastmanagement wird über alle Szenarien hinweg eingesetzt, während anreizbasiertes Lastmanagement nur in Kombination mit Curtailment genutzt wird. Bei zunehmender Flexi- bilität im Energiesystem durch Curtailment erfolgt somit eine Abwägung zwischen dem Ein- satz von anreizbasiertem Lastmanagement in wenigen Typstunden, oder der Erweiterung von lastmanagementfähigen Produktionskapazitäten, die in vergleichsweise wenigen Stunden ein- gesetzt werden würden. In den Szenarien mit begrenzter (APLM-BAB) und unbegrenzter (APLM-VAB) Abregelung intermittierender erneuerbarer Energien wird anreizbasiertes Lastmanagement in 2050 in we- nigen Typstunden bei der Herstellung von Aluminium, Chlor sowie Zement eingesetzt. Der Lastabwurf im Szenario mit begrenztem Curtailment (APLM-BAB) ist jedoch in allen drei Branchen als gering zu bezeichnen, da sowohl bei der Chlor- als auch der Zementherstellung sowie bei der Produktion von Aluminium weniger als 0,1 % der Jahresproduktion in 2050 vom Lastabwurf betroffen sind. Im Szenario mit der Möglichkeit zum vollständigen Curtailment (APLM-VAB) wird das maximale Lastabwurfpotenzial neben der Zementherstellung auch in der Chlorproduktion ausgeschöpft. Bei der Herstellung von Aluminium steigt der Lastabwurf auf 1,7 % der Jahresproduktionsmenge. Der Lastabwurf tritt nur im Frühling und im Herbst 108 6 Demand Side Management im Kontext des deutschen Energiesystems auf und betrifft dabei insbesondere Abendstunden. Zeitlich gibt es somit keine Überschneidung zur Abregelung erneuerbarer Energien. Die Ergebnisse müssen jedoch vor dem Hintergrund der exemplarischen Analyse von Lastmanagement über Fallbeispiele interpretiert werden, da bei- spielsweise in Roh- und Zementmühlen der Zementindustrie in Deutschland Lastverlagerungs- potenziale vorhanden sind (Steurer, Miller et al., 2015), die jedoch aufgrund der Modellstruktur der Zementproduktion nicht in TIMES-D-DSM implementiert sind. Diese Potenziale könnten gegebenenfalls zur Lastverlagerung eingesetzt werden und damit einen Lastabwurf überflüssig machen. Preisbasiertes Lastmanagement wird in der Industrie im Gegensatz zu anreizbasiertem Last- management in allen Szenarien mit Berücksichtigung von DSM eingesetzt. Insbesondere in der Primäraluminiumherstellung, der Produktion von Primärkupfer und der Herstellung von Elektrostahl wird die installierte Leistung im Rahmen der prozesstechnischen Restriktionen für die Verschiebung von Lasten eingesetzt. Bereits in 2025 bestehen etwa 82 % der installier- ten Produktionskapazität für Primäraluminium aus lastmanagementfähigen Anlagen. In 2050 wird die gesamte Produktionskapazität des Primäraluminiums sowie Primärkupfers unabhängig vom analysierten Szenario für die Verschiebung von Lasten genutzt. Bei der Herstellung von Elektrostahl sind in 2025 45 % und in 2050 etwa 98 % der Produktionskapazität lastmanage- mentfähig. Während die Holzschleifer zur Herstellung von Holzstoff in allen Basisszenarien nicht für die Verlagerung von Lasten genutzt werden, ist die Nutzung von Produktionskapa- zitäten bei der Chlorherstellung vom analysierten Szenario abhängig. In den Szenarien ohne Curtailment (APLM-KAB) und mit begrenztem Curtailment (APLM-BAB) beträgt der Anteil der lastmanagementfähigen Produktionskapazität 50 % und 24 % an der gesamten installierten Chlorproduktionskapazität. Im Szenario unter Berücksichtigung von vollständigem Curtailment (APLM-VAB) sinkt die installierte Produktionskapazität in lastmanagementfähigen Anlagen zur Chlorherstellung auf 20 % der gesamten Produktionskapazität in 2050. Abbildung 6-12 zeigt den Stromverbrauch der Aluminiumelektrolyse und den Schattenpreis für Industriestrom im Szenario mit Lastmanagement aber ohne Curtailment (APLM-KAB) in 2050. Es wird ersichtlich, dass die Aluminiumproduktion bei hohen Schattenpreisen für Strom in der Industrie von etwa 110e/MWh, soweit es technische Restriktionen zulassen, reduziert wird. Demgegenüber steht eine maximale Auslastung der Produktionskapazität bei negativen Schattenpreisen, wie sie in diesem Szenario beispielsweise am Mittwoch der Typwoche im Frühling auftreten. Vergleichbare Analysen können auch für die Sektoren GHD und Haushalte durchgeführt wer- den. Im Sektor GHD werden in großen Betrieben sowohl hybride Erzeugungssysteme aus einer Wärmepumpe und einem Erdgasbrennwertkessel als auch aus einem Widerstandserhitzer und einem Erdgasbrennwertkessel genutzt, während in kleinen Betrieben überwiegend hybride Er- zeugungssysteme aus einem Widerstandserhitzer und einem Erdgasbrennwertkessel eingesetzt werden. Abbildung 6-13 zeigt den Einsatz der hybriden Erzeugungssysteme zur Bereitstellung 6 Demand Side Management im Kontext des deutschen Energiesystems 109 -1600 -1400 -1200 -1000 -800 -600 -400 -200 0 200 400 0 1 2 3 4 5 6 0018120600181206001812060018120600181206001812060018120600181206001812060018 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst S ch at te n p re is I n d u st ri es tr o m [ € /M W h ] S tr o m v er b ra u ch [ T J/ h ] Stromverbrauch in der Aluminiumelektrolyse Schattenpreis (Industriestrom) Abbildung 6-12: Stromverbrauch in der Aluminiumelektrolyse in Abhängigkeit der Schattenpreise für Industriestrom im Szenario mit Energieeinsparungen und Lastmanagement aber ohne Curtailment (APLM-KAB) in 2050 von Raumwärme und Warmwasser in großen GHD-Betrieben für das Jahr 2050 im Szenario mit Lastmanagement aber ohne die Berücksichtigung von Curtailment (APLM-KAB). Über das gesamte Jahr betrachtet werden in Erdgasbrennwertkesseln etwa 20 % der gesamten Wär- me des hybriden Erzeugungssystem bereitgestellt. Der Einsatz des Erdgasbrennwertkessels er- folgt, wenn der Schattenpreis des Stroms im GHD etwa 140e/MWh erreicht. In den übrigen Typstunden kann die Wärmebereitstellung kostengünstiger über die Wärmepumpe erfolgen, weshalb 80 % der gesamten Erzeugung des hybriden Erzeugungssystems über die Wärmepum- pe bereitgestellt werden. Bei kleinen Betrieben erfolgt der Einsatz des Erdgasbrennwertkessels häufiger, da der Widerstandserhitzer im Vergleich zum COP der Wärmepumpe einen deutlich niedrigeren Wirkungsgrad aufweist und der Einsatz des Erdgasbrennwertkessels bereits ab ei- nem Schattenpreis des Stroms im GHD von ca. 50e/MWh zur Minimierung der Systemge- samtkosten beiträgt. Im hybriden Erzeugungssystem der kleinen GHD-Betriebe werden in 2050 etwa 50 % der gesamten Wärme über den Erdgasbrennwertkessel bereitgestellt. Im Szenario mit begrenzter Abregelung (APLM-BAB) werden weiterhin beide hybriden Er- zeugungssysteme in großen GHD-Betrieben eingesetzt. Allerdings werden in 2050 in diesem Szenario ca. 25 % der gesamten Erzeugung des hybriden Erzeugungssystems über den Erdgas- brennwertkessel statt über die Wärmepumpe bereitgestellt, da die Zeiträume mit hohen Schat- 110 6 Demand Side Management im Kontext des deutschen Energiesystems -1600 -1400 -1200 -1000 -800 -600 -400 -200 0 200 400 0 0,2 0,4 0,6 0,8 1 1,2 1,4 00201612080400201612080400201612080400201612080400201612080400201612 MoDi MiDo Fr Sa SoMoDi MiDo Fr Sa SoMoDi MiDo Fr Sa SoMoDi MiDo Fr Sa So Winter Frühling Sommer Herbst S ch at te n p re is S tr o m G H D [ € /M W h ] R au m w är m e u n d W ar m w as se r [P J/ h ] Erdgasbrennwertkessel Wärmepumpe Schattenpreis (Strom GHD) Abbildung 6-13: Einsatz eines hybriden Erzeugungssystems aus Erdgasbrennwertkesseln und Wärme- pumpen in großen GHD-Betrieben in Abhängigkeit des Schattenpreises für GHD- Strom im Szenario mit Energieeinsparungen und Lastmanagement aber ohne Curtail- ment (APLM-KAB) in 2050 tenpreisen für GHD-Strom länger andauern. Im Szenario mit vollständiger Abregelung (APLM- VAB) sinkt die Erzeugung des Erdgasbrennwertkessels im hybriden Erzeugungssystem für gro- ße Betriebe auf 14 % der gesamten Erzeugung, da in diesem Szenario Zeiträume mit hohen Strompreisen kürzer als in den zuvor beschriebenen Szenarien ausfallen und die Wärmenachfra- ge daher häufiger kostengünstig über die Wärmepumpe bereitgestellt werden kann. Das hybride Erzeugungssystem aus einem Widerstandserhitzer und einem Erdgasbrennwertkessel wird in diesem Szenario in großen GHD-Betrieben nicht eingesetzt. In kleinen GHD-Betrieben verän- dert sich die Nutzung des Erdgasbrennwertkessels in hybriden Erzeugungssystemen im Szena- rio mit begrenzter Abregelung in 2050 nur geringfügig. Es werden weiterhin 51 % der gesam- ten Erzeugung des Systems über den Erdgasbrennwertkessel bereitgestellt. Weiterhin werden im Szenario mit begrenztem Curtailment (APLM-BAB) und im Szenario mit vollständigem Curtailment (APLM-VAB) auch hybride Erzeugungssysteme aus einer Wärmepumpe und ei- nem Erdgasbrennwertkessel in kleinen GHD-Betrieben eingesetzt. In Haushalten wird in den Basisszenarien nur das Lastverlagerungspotenzial der Batchpro- zesse genutzt, wobei sowohl Spülmaschinen, Waschmaschinen und Wäschetrockner zum Last- management eingesetzt werden. In 2050 werden die lastmanagementfähigen Batchprozesse in 6 Demand Side Management im Kontext des deutschen Energiesystems 111 der Wintertypwoche und teilweise auch in der Sommerwoche häufig in den frühen Morgen- stunden eingesetzt, während sie in der Frühlingstypwoche auch zur Erhöhung der Last während der Einspeisespitzen der Photovoltaikanlagen genutzt werden. Dieses Nutzungsprofil trifft in 2050 sowohl für das Szenario ohne Curtailment (APLM-KAB) als auch für das Szenario mit begrenztem Curtailment (APLM-BAB) zu. Bei vollständigem Curtailment (APLM-VAB) wer- den die Batchprozesse im Winter hingegen kontinuierlich über den gesamten Tag eingesetzt. In den übrigen Jahreszeiten werden die Batchprozesse vermehrt zur Lasterhöhung in den frühen Morgenstunden eingesetzt. Im Vergleich zum Szenario mit DSM, aber ohne Curtailment (APLM-KAB) führt die Mög- lichkeit einer begrenzten Abregelung (APLM-BAB) der Erzeugung aus intermittierenden er- neuerbaren Energien zu einer Einsparung der kumulierten und diskontierten Systemkosten von 11 Mrd.e2010. Weitere 23 Mrd.e2010 können eingespart werden, wenn die zulässige Jahres- energiemenge des Curtailments (APLM-VAB) nicht beschränkt wird. Tabelle 6-7 fasst den Einsatz von Lastmanagement in den modellierten Fallbeispielen für die Szenarien mit Energieeinsparungen und Lastmanagement qualitativ zusammen. Die Symbole von „-“ bis „++“ repräsentieren dabei einen zunehmenden Einsatz von Lastmanagement in den einzelnen Szenarien. Auf eine Darstellung von Branchen, in denen in keinem Basisszenario der Lastabwurf über den VoLL eingesetzt wird, wird in Tabelle 6-7 verzichtet. 6.4 Ergebnisse der Variantenrechnungen In den vier nachfolgenden Abschnitten werden die Auswirkungen veränderter energiepoliti- scher und energiewirtschaftlicher Rahmenbedingungen im Vergleich zum Szenario mit Berück- sichtigung von Energieeinsparungen, Lastmanagement und begrenzter Abregelung erneuerba- rer Energien (APLM-BAB) untersucht. Für dieses Basisszenario (APLM-BAB) wird nachfol- gend die kürzere Bezeichnung „BAB“ verwendet. Die Auswertungen fokussieren auf Effekte im Stromsektor und mögliche Rückwirkungen auf den Einsatz von Lastmanagement. In Abschnitt 6.4.1 werden höhere Kapazitätskredite für Biomasse, Laufwasser sowie für on- und offshore Windkraft aus Tabelle 6-2 verwendet, um den Einfluss des Kapazitätskredits auf Reservekapa- zitäten und den Einsatz von Strom in den Verbrauchssektoren zu untersuchen. Im Szenario ohne Umlagen und Steuern wird in Abschnitt 6.4.2 ein Entwicklungspfad aus gesamtwirtschaftlich optimaler Sicht analysiert. Die Variantenrechnungen werden in Abschnitt 6.4.3 um zwei Sze- narien ergänzt, in denen der definierte Ausbaupfad für erneuerbare Energien mit niedrigeren Kapazitätszielen und mit einer kostenoptimalen Erreichung des 80 %-Ziels erneuerbarer Ener- gien am Bruttostromverbrauch in 2050 verglichen wird. Abschließend werden die Varianten- rechnungen in Abschnitt 6.4.4 um ein Szenario ergänzt, in dem Deutschland als Inselsystem ohne Stromimporte und Stromexporte untersucht wird. 112 6 Demand Side Management im Kontext des deutschen Energiesystems Tabelle 6-7: Qualitative Bewertung von Lastmanagement in den Basisszenarien in 2050 Sektor Anwendung APLM-KAB APLM-BAB APLM-VAB Lastverlagerung IND Aluminiumelektrolyse ++ ++ ++ Chlorelektrolyse ++ + + Elektrostahl ++ ++ ++ Kupferelektrolyse ++ ++ ++ Zellstoff - - - GHD hybrid, klein WP - + + hybrid, klein WSE ++ ++ - hybrid, groß WP ++ ++ ++ hybrid, groß WSE + + - HH Waschmaschine ++ ++ ++ Wäschetrockner + + + Spülmaschine ++ ++ ++ Kühlschrank - - - Kühl- und Gefrierschrank - - - Gefrierschrank - - - Warmwasser - - - Lastabwurf IND Aluminium - - + Chlor - - ++ Zement - - ++ Haushalte (HH), Industrie (IND), Wärmepumpe (WP), Widerstandserhitzer (WSE) „klein“ und „groß“ repräsentieren die Betriebsgröße im GHD „-“ bis „++“ repräsentieren einen zunehmenden Einsatz von Lastmanagement 6.4.1 Einfluss des Kapazitätskredits auf die Reservekapazitäten In Abbildung 6-14 erfolgt ein Vergleich der installierten Kraftwerksleistung (links) und der Stromerzeugung (rechts) nach Energieträgern für das Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) sowie einem Szenario mit höheren Kapa- zitätskrediten (CCC) nach Tabelle 6-2 unter sonst unveränderten Rahmenbedingungen von 2010 bis 2050. Da der Ausbau erneuerbarer Energien durch modellexogene Vorgaben weitgehend de- finiert ist, wirken sich die optimistischeren Annahmen zu den Kapazitätskrediten lediglich auf konventionelle Kraftwerke aus. Die Kapazitäten der konventionellen Kraftwerke dienen dabei häufig der Kapazitätsvorhaltung und kaum der Stromerzeugung. In Abhängigkeit des Energie- trägers erreichen die fossilen Kraftwerke in 2050 zwischen 2374 und 4667 Volllaststunden. Zur Bereitstellung der Reservekapazitäten können bei den installierten Kraftwerkskapazitä- 6 Demand Side Management im Kontext des deutschen Energiesystems 113 0 50 100 150 200 250 300 350 B as is ja h r B A B C C C B A B C C C B A B C C C 2010 2025 2035 2050 in st al li er te L ei st u n g [ G W ] -100 0 100 200 300 400 500 600 700 B as is ja h r B A B C C C B A B C C C B A B C C C 2010 2025 2035 2050 N et to st ro m er ze u g u n g [ T W h ] Ausspeicherleistung Im-/Exporte Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-14: Installierte Kraftwerksleistung (links) und Stromerzeugung (rechts) nach Energie- trägern im Szenariovergleich zwischen dem Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) und dem Szenario mit höheren Kapazitätskrediten für erneuerbare Energien (CCC) von 2010 bis 2050 ten geringfügige Unterschiede im Zubau von Gasturbinen beobachtet werden. In den Meilen- steinjahren 2025 und 2035 beträgt die Differenz der installierten Leistung in Gaskraftwerken etwa 1 GW bis 2 GW. In 2050 steigt die Differenz zwischen den beiden Szenarien auf 5 GW, die in Gasturbinen eingespart werden können. Die getroffenen Annahmen hinsichtlich des Ka- pazitätskredits haben somit nur einen geringen Einfluss auf die installierte Leistung, die im Szenario mit höheren Kapazitätskrediten für die erneuerbaren Energien (CCC) in 2050 etwa 2 % niedriger als im Bezugsszenario (BAB) ist. Da sowohl die Struktur als auch die Höhe der Stromerzeugung im Vergleich der beiden Sze- narien praktisch identisch sind, erfolgt keine weitere Diskussion der Ergebnisse. Dennoch sind die Ergebnisse in der rechten Hälfte von Abbildung 6-14 dargestellt. Die Analyse liefert wei- terhin Hinweise darauf, dass die Spitzenlast durch Last- und Einspeisemanagement bereits so geformt werden konnte, dass die Reservekapazitäten relativ gering ausfallen. Dafür sprechen auch die Systemkosten, die durch höhere Kapazitätskredite im Vergleich zum Bezugsszenario lediglich um 0,5 Mrd.e2010 reduziert werden. 114 6 Demand Side Management im Kontext des deutschen Energiesystems 6.4.2 Auswirkungen von Umlagen und Steuern auf einen kostenoptimalen Entwicklungspfad des Energiesystems in Deutschland Im Szenario ohne Umlage und Steuern (KUS), das auf dem Basisszenario mit Energieeinspa- rungen, Lastmanagement und begrenztem Curtailment aufbaut (BAB), werden keine energie- trägerspezifischen Aufschläge24 für die Flusskosten berücksichtigt. Über diesen Vergleich soll untersucht werden, wie ein kostenoptimales Energiesystem unter den gegebenen Rahmenbedin- gungen aussehen könnte. Daneben wird vermutet, dass durch die Berücksichtigung von Umla- gen und Steuern in den Basisszenarien Energieeinsparungen begünstigt und Lastverlagerungen benachteiligt werden. Im Hinblick auf die gesamte installierte Kraftwerksleistung sowie die absolute Nettostrom- erzeugung sind im Vergleich der beiden Szenarien geringe Unterschiede zu erkennen (Abbil- dung 6-15). Im Szenario ohne Umlagen und Steuern (KUS) steigt die installierte Kraftwerks- leistung in 2050 um 6 GW im Vergleich zum Basisszenario (BAB), während die Nettostrom- erzeugung nur um 2 TWh ansteigt. Die höhere installierte Kraftwerksleistung kann dabei auf zeitlich eingegrenzte Lastsituationen zurückgeführt werden, die über konventionelle Kraftwer- ke versorgt werden. Deutlichere Unterschiede sind im Vergleich der beiden Szenarien bei den Anteilen einzelner Energieträger zu erkennen. Braunkohlekraftwerke werden ohne Umlagen und Steuern (KUS) auch langfristig zur Stromerzeugung eingesetzt, sodass deren Leistung mit 9 GW in 2050 etwa 3 GW über den übrigen Variantenrechnungen liegt. Steinkohlekraftwerks- kapazitäten werden hingegen kaum zugebaut, sodass die installierte Leistung in 2050 ebenfalls 9 GW beträgt, die jedoch nur 0,1 GW über der installierten Leistung der übrigen Szenarien liegt. Während im Bezugsszenario (BAB) die Kapazitäten in Ölkraftwerken auf Basis der unterstell- ten Sterbekurve aus dem Kraftwerkspark ausscheiden, werden im Szenario ohne Umlagen und Steuern (KUS) in 2015 Erzeugungskapazitäten in Ölkraftwerken auf ca. 8 GW ausgebaut. Gas- kraftwerke werden ohne die Berücksichtigung von Umlagen und Steuern (KUS) im Vergleich zum Basisjahr nicht weiter ausgebaut. Die installierte Leistung fällt aber auch langfristig nicht unter 30 GW. Die Entwicklung der installierten Kraftwerkskapazitäten ist im linken Teil von Abbildung 6-15 dargestellt. Die Speicherkapazitäten werden im Szenario ohne Umlagen und Steuern (KUS), wie auch in den Basisszenarien, nicht erweitert. Die installierte Leistung in der Elektrolyse beträgt in 2050 im Szenario ohne Umlagen und Steuern (KUS) weniger als ein MW, sodass diese praktisch nicht genutzt wird. Die Nettostromerzeugung ist für den Szenariovergleich des Basisszenarios mit Energieein- sparungen, Lastmanagement und begrenztem Curtailment (BAB) sowie dem Szenario ohne Umlagen und Steuern (KUS) in der rechten Hälfte von Abbildung 6-15 dargestellt. Während 24In der Analyse wird die energieträgerspezifische Energiesteuer, die Stromsteuer, die Mehrwertsteuer, Konzessi- onsabgaben und Umlagen wie die EEG-Umlage, die Offshore-Haftungsumlage oder die Umlage der Verord- nung über Vereinbarungen zu abschaltbaren Lasten berücksichtigt (Abschnitt 6.1.2). 6 Demand Side Management im Kontext des deutschen Energiesystems 115 0 50 100 150 200 250 300 350 B as is ja h r B A B K U S B A B K U S B A B K U S 2010 2025 2035 2050 in st al li er te L ei st u n g [ G W ] -100 0 100 200 300 400 500 600 700 B as is ja h r B A B K U S B A B K U S B A B K U S 2010 2025 2035 2050 N et to st ro m er ze u g u n g [ T W h ] Ausspeicherleistung Im-/Exporte Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-15: Installierte Kraftwerksleistung und Stromerzeugung nach Energieträgern im Szena- riovergleich zwischen dem Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) sowie dem Szenario ohne Umlagen und Steuern (KUS) von 2010 bis 2050 die Nettostromerzeugung in 2025 im Szenario ohne Umlagen und Steuern (KUS) um 11 TWh größer ist, steigt die Differenz in 2035 auf 27 TWh und beträgt in 2050 noch 2 TWh. In den Meilensteinjahren bis 2050 ist die Nettostromerzeugung in Braunkohlekraftwerken im Sze- nario ohne Umlagen und Steuern (KUS) im Vergleich zum Bezugsszenario (BAB) um etwa 20 TWh bis 30 TWh gesteigert, während die Stromerzeugung in Steinkohlekraftwerken im glei- chen Zeitraum um 24 TWh bis 39 TWh sinkt. In 2050 ist die Nettostromerzeugung in Braun- kohlekraftwerken im Szenario ohne Umlagen und Steuern (KUS) knapp 19 TWh größer als im Bezugsszenario. Weiterhin wird im Szenario ohne Umlagen und Steuern (KUS) die zulässige Obergrenze des Curtailments in allen Meilensteinjahren nicht vollständig ausgeschöpft und die Erzeugung aus Windkraft- und Photovoltaikanlagen stattdessen stärker in das Energiesystem integriert. Aus dem Stromerzeugungsprofil für das Szenario ohne Umlagen und Steuern (KUS) in 2050 (siehe Abbildung 6-16) geht hervor, dass Steinkohlekraftwerke mit einer Leistung von mindes- tens 2,5 GW bis 5,5 GW grundlastorientiert betrieben werden. Der Einsatz von Gaskraftwerken unterscheidet sich im Vergleich zum Bezugsszenario (BAB) deutlich. Während gasbefeuerte KWK-Anlagen im Bezugsszenario (BAB) insbesondere in der Industrie kontinuierlich betrie- 116 6 Demand Side Management im Kontext des deutschen Energiesystems ben werden, erfolgt die Strombereitstellung im Szenario ohne Umlagen und Steuern (KUS) zentral über Steinkohlekraftwerke, Gasturbinen ergänzen die Bereitstellung bei Erzeugungslü- cken von Windkraft- und Photovoltaikanlagen oder hohen Stromexporten. -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-16: Profil der Stromerzeugung im Szenario ohne Umlagen und Steuern (KUS) in 2050 Das Niveau des Endenergieverbrauchs ist in den Meilensteinjahren 2025 und 2035 im Sze- nario ohne Umlagen und Steuern (KUS) um ungefähr 80 PJ bis 100 PJ niedriger als im Bezugs- szenario (BAB). In 2050 ist der Endenergieverbrauch im Szenario ohne Umlagen und Steuern (KUS) jedoch ca. 155 PJ höher als im Bezugsszenario (BAB). Davon entfallen knapp 17 PJ auf einen höheren Stromverbrauch. Die übrige Differenz entfällt hauptsächlich auf eine gesteigerte Gasnutzung im Transportsektor und im Sektor GHD, während der Gasverbrauch in der Indus- trie leicht rückläufig ist. Hinsichtlich des Stromverbrauchs findet eine Verlagerung zwischen den Verbrauchssektoren statt. Während im Basisszenario (BAB) in 2050 ca. 104 TWh in Haushalten genutzt wurden, steigt diese Menge im Szenario ohne Umlagen und Steuern (KUS) um 3 TWh. Weiterhin wird die Nutzung von Erdgas in der Industrie teilweise durch Strom substituiert. Der Stromverbrauch steigt in der Industrie in 2050 im Vergleich zum Bezugsszenario (BAB) um 14 TWh. Im Szenario ohne Umlagen und Steuern (KUS) verlieren Energieeinsparungen zur Er- reichung des Treibhausgasminderungsziels in 2050 an Bedeutung. Stattdessen werden verstärkt CO2 neutrale Energieträger eingesetzt. Weiterhin wird Lastmanagement in der Industrie in grö- ßerem Umfang genutzt. Die Produktionskapazitäten zur Herstellung von Chlor werden bei- spielsweise ebenfalls vollständig zur Verlagerung von Lasten eingesetzt. Demgegenüber wird 6 Demand Side Management im Kontext des deutschen Energiesystems 117 der Lastabwurf im Szenario ohne Umlagen und Steuern (KUS) in keiner Industriebranche zur Minimierung der Systemkosten eingesetzt, sodass keine Produktionsausfälle zu berücksichtigen sind. 6.4.3 Einfluss der Kapazitätsziele für erneuerbare Energien im Kontext definierter Anteile erneuerbarer Energien am Bruttostromverbrauch Auf Basis der Annahmen zum Ausbau erneuerbarer Energien aus Tabelle 6-4 werden in den Basisszenarien in 2050 in Windkraft- und Photovoltaikanlagen 200 GW an Erzeugungsleistung installiert. Allerdings gibt es für den langfristigen Ausbau erneuerbarer Energien keine tech- nologiespezifischen Ziele, sodass deren langfristige Entwicklung unsicher ist. Weiterhin ist das Ziel eines Anteils erneuerbarer Energien von 80 % am Bruttostromverbrauch gegebenenfalls kostengünstiger zu erreichen, wenn keine technologiespezifischen Ausbaupfade für die instal- lierte Leistung definiert werden. Vor diesem Hintergrund werden die Ausbaupfade der Kapa- zitäten erneuerbarer Energien im Szenario mit geringen Kapazitätszielen (LCT) dahingehend verändert, dass für Photovoltaikanlagen ab 2020 eine Kapazitätsuntergrenze von 52 GW gilt. Offshore Windkraftanlagen erreichen in 2035 eine Leistung von 15 GW, die als Kapazitätsun- tergrenze bis 2050 weitergeführt wird. Für onshore Windkraftanlagen wird in 2040 eine Kapa- zitätsuntergrenze von 72,5 GW angenommen, die bis 2050 nicht unterschritten werden darf. Im Szenario ohne Kapazitätsziele (NCT) wird hingegen auf Untergrenzen für die installierte Leis- tung in Photovoltaik- sowie onshore und offshore Windkraftanlagen verzichtet. Es erfolgt somit ein kostenoptimaler Ausbau erneuerbarer Energien, um einen Anteil von 80 % am Bruttostrom- verbrauch in 2050 zu erreichen. In beiden Variantenrechnungen wird die installierte Leistung von Biomasse auf die Obergrenze der Basisszenarien eingeschränkt (vergleiche Tabelle 6-4). Weiterhin wird der Anteil erneuerbarer Energien am Bruttostromverbrauch (40 % in 2025, 55 % in 2035 und 80 % in 2050) nach Tabelle 6-3 in beiden Szenariovarianten als Nebenbedingung berücksichtigt. Abbildung 6-17 zeigt die installierte Kraftwerksleistung nach Energieträgern für das Bezugs- szenario mit Energieeinsparungen, Lastmanagement und geringem Curtailment (BAB) sowie für die zwei Szenarien mit geringen Kapazitätszielen (LCT) und ohne Kapazitätsziele (NCT). Im Szenario mit niedrigen Kapazitätszielen (LCT) für Photovoltaik- und Windkraftanlagen wird in 2025 eine installierte Leistung von 203 GW erreicht, die bis 2035 auf 195 GW sinkt. Im Rah- men des weiteren Ausbaus der Kapazitäten in Windkraftkraftanlagen bis 2035 werden keine Kapazitäten in Braunkohlekraftwerken hinzugebaut, während ein geringer Zubau von Stein- kohlekraftwerken erfolgt. Bis 2050 reduziert sich die gesamte installierte Leistung im Szenario mit niedrigen Kapazitätszielen (LCT) auf 186 GW, was erneut auf den Rückgang der fossil befeuerten Kraftwerkskapazitäten zurückgeführt werden kann. Von 2035 bis 2050 sinkt die in- stallierte Leistung in Steinkohlekraftwerken von 12 GW auf 10 GW. Im gleichen Zeitraum geht 118 6 Demand Side Management im Kontext des deutschen Energiesystems 0 50 100 150 200 250 300 350 B as is ja h r B A B L C T N C T B A B L C T N C T B A B L C T N C T 2010 2025 2035 2050 in st al li er te L ei st u n g [ G W ] Ausspeicherleistung Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-17: Installierte Kraftwerksleistung im Szenariovergleich zwischen dem Basisszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB), dem Sze- nario mit niedrigen Kapazitätszielen (LCT) und dem Szenario ohne Kapazitätsziele (NCT) für Photovoltaik- und Windkraftanlagen von 2010 bis 2050 die installierte Leistung in Gaskraftwerken um 15 GW und in Braunkohlekraftwerken um 6 GW zurück. Im Szenario ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen steigt die installierte Leistung bis 2035 auf 168 GW und sinkt im Anschluss bis 2050 auf 143 GW. Da- mit liegt die installierte Kraftwerkskapazität in 2050 etwa 11 % unter dem Ausgangswert aus 2010. Im Rahmen der kostenoptimalen Erreichung des Anteils erneuerbarer Energien am Brut- tostromverbrauch wird auf einen Ausbau der offshore Windkraftanlagen vollständig verzich- tet. Onshore Windkraftanlagen werden bis zu einer installierten Leistung von 47 GW in 2050 ausgebaut. In 2035 erreicht die installierte Leistung in onshore Windkraftanlagen jedoch be- reits 50 GW, sodass die Kapazität in den nachfolgenden Jahren nicht erweitert, sondern leicht reduziert wird. Photovoltaikanlagen sind im Gegensatz zu offshore Windkraftanlagen Bestand- teil des kostenoptimalen Entwicklungspfades. In 2050 beträgt die installierte Photovoltaikleis- tung 38 GW. Im Gegensatz zu den übrigen Szenarien erfolgt im Szenario ohne Kapazitätsziele (NCT) ein Ausbau von Geothermiekraftwerken auf 10 GW in 2050. Sowohl im Szenario mit niedrigen Kapazitätszielen (LCT) als auch im Szenario ohne Kapazitätsziele (NCT) wird die Obergrenze der installierbaren Leistung in Biomasseanlagen nicht voll ausgeschöpft. Im Sze- 6 Demand Side Management im Kontext des deutschen Energiesystems 119 Tabelle 6-8: Installierte Kraftwerksleistung im Szenario mit niedrigen Kapazitätszielen (LCT) und dem Szenario ohne Kapazitätsziele (NCT) für Photovoltaik- und Windkraftanlagen als Differenz zum Bezugsszenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtail- ment (BAB) in 2050 niedrige Kapazitätsziele keine Kapazitätsziele [GW] [GW] Steinkohle 1 1 Braunkohle 0 0 Gas −18 −20 Biomasse 3 7 Geothermie 0 9 Photovoltaik −18 −32 Windkraft onshore −27 −53 Windkraft offshore −15 −30 nario mit niedrigen Kapazitätszielen (LCT) beträgt die installierte Leistung in Biomasseanlagen 5 GW und im Szenario ohne Kapazitätsziele (NCT) 9 GW. Aufgrund der niedrigeren Spitzen- last können die Reservekapazitäten in Gaskraftwerken auch im Szenario ohne Kapazitätsziele (NCT) auf 10 GW in 2050 reduziert werden. In Tabelle 6-8 wird die installierte Leistung in den beiden Varianten mit niedrigen Kapazitätszielen (LCT) und ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen dem Bezugsszenario (BAB) gegenübergestellt. In Abbildung 6-18 ist der Vergleich der Stromerzeugung zwischen dem Basisszenario (BAB) und den Szenarien mit niedrigen Kapazitätszielen (LCT) und ohne Kapazitätsziele (NCT) für erneuerbare Energien dargestellt. Die Stromerzeugung ist bis 2025 im Szenario mit niedrigem Kapazitätsziel (LCT) im Vergleich zum Bezugsszenario (BAB) praktisch identisch. In 2035 beträgt die Differenz zwischen dem Bezugsszenario (BAB) und dem Szenario mit niedrigen Kapazitätszielen (LCT) jedoch bereits 46 TWh und steigt in 2050 auf 118 TWh. Ab 2035 zei- gen sich im Szenariovergleich deutliche Unterschiede in der Stromerzeugung. Im Szenario mit niedrigen Kapazitätszielen (LCT) bleibt die Erzeugung aus Braunkohle nahezu unverändert (−3 TWh), die Erzeugung aus Steinkohle steigt um 5 TWh und die Nettostromerzeugung aus Erdgas steigt um 10 TWh, während in Photovoltaik- und offshore Windkraftanlagen insgesamt 58 TWh weniger erzeugt werden. Mit 105 TWh ist die Stromerzeugung in 2035 aus onshore Windkraftanlagen um 39 TWh niedriger als im Bezugsszenario. In 2050 ist die Differenz der Stromerzeugung aus Steinkohle zwischen dem Bezugsszenario (BAB) und dem Szenario mit niedrigen Kapazitätszielen (LCT) im Vergleich zu 2035 nahezu unverändert. Demgegenüber sinkt die Stromerzeugung aus Erdgas um 30 TWh in 2050. Deutlich gesteigert ist jedoch die 120 6 Demand Side Management im Kontext des deutschen Energiesystems Stromerzeugung aus Biomasse, die 16 TWh über der Erzeugung im Bezugsszenario (BAB) in 2050 liegt. Auch die Stromerzeugung von onshore Windkraftanlagen steigt von 2035 bis 2050 um weitere 22 TWh im Zuge des Kapazitätszubaus. -100 0 100 200 300 400 500 600 700 B as is ja h r B A B L C T N C T B A B L C T N C T B A B L C T N C T 2010 2025 2035 2050 N et to st ro m er ze u g u n g [ T W h ] Im-/Exporte Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle Abbildung 6-18: Vergleich der Stromerzeugung im Basisszenario mit Energieeinsparungen, Lastma- nagement und begrenztem Curtailment (BAB), dem Szenario mit niedrigen Kapazi- tätszielen (LCT) und dem Szenario ohne Kapazitätsziele (NCT) für Photovoltaik- und Windkraftanlagen von 2010 bis 2050 Das Szenario ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen unter- scheidet sich bereits in 2025 vom Basisszenario (BAB) und dem Szenario mit niedrigen Kapazi- tätszielen (LCT). Einerseits ist die Stromerzeugung aus fossilen Energieträgern um 21 TWh grö- ßer als im Bezugsszenario (BAB) und andererseits werden nur etwa 111 TWh in Photovoltaik- und Windkraftanlagen erzeugt. Unter den Annahmen des Bezugsszenarios (BAB) werden im gleichen Zeitraum bereits ca. 68 TWh mehr in Photovoltaik- und Windkraftanlagen erzeugt. In 2050 beträgt die Stromerzeugung aus den intermittierenden erneuerbaren Energien im Szena- rio ohne Kapazitätsziele (NCT) lediglich 38 % der Stromerzeugung aus dem Bezugsszenario (BAB). Die etwa 4 GW höhere installierte Leistung der Biomassekraftwerke im Szenario oh- ne Kapazitätsziele (NCT) im Vergleich zum Szenario mit niedrigen Kapazitätszielen (LCT) führt in 2050 zu einer um 22 TWh größeren Nettostromerzeugung aus Biomasse. Weiterhin beträgt die Nettostromerzeugung in Geothermiekraftwerken im Szenario ohne Kapazitätsziele (NCT) 54 TWh in 2050. Die verstärkte Nutzung steuerbarer erneuerbarer Energien (z. B. Bio- 6 Demand Side Management im Kontext des deutschen Energiesystems 121 Tabelle 6-9: Stromerzeugung im Szenario mit niedrigen Kapazitätszielen (LCT) und dem Szenario ohne Kapazitätsziele (NCT) für Photovoltaik- und Windkraftanlagen als Differenz zum Bezugs- szenario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) in 2050 niedrige Kapazitätsziele keine Kapazitätsziele [TWh] [TWh] Steinkohle 4 5 Braunkohle 2 −1 Gas −30 −35 Biomasse 16 38 Geothermie 1 51 Photovoltaik −15 −28 Windkraft onshore −48 −83 Windkraft offshore −50 −98 masse oder Geothermie) kann auf die hohen Systemintegrationskosten der intermittierenden erneuerbaren Energien (Wind und Photovoltaik) zurückgeführt werden. In Tabelle 6-9 wird die Stromerzeugung nach Energieträgern im Szenario mit niedrigen Kapazitätszielen (LCT) und im Szenario ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen dem Bezugssze- nario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) in 2050 gegenübergestellt. Die Analyse des Stromverbrauchs des Szenarios mit niedrigen Kapazitätszielen (LCT) und des Szenarios ohne Kapazitätsziele (NCT) im Vergleich zum Bezugsszenario (BAB) veran- schaulicht deutlich die Wirkungszusammenhänge im Kontext des Ziels eines Anteils der er- neuerbaren Energien am Bruttostromverbrauch von mindestens 80 % bis 2050. Durch eine Re- duktion des Stromverbrauchs kann das vorgegebene Ziel des Anteils erneuerbarer Energien am Bruttostromverbrauch mit geringeren Kapazitäten erreicht werden, wenn keine Vorgaben zur installierten Leistung in Photovoltaik- und Windkraftanlagen einzuhalten sind. Steigende Investitionen in Energieeinsparmaßnahmen werden somit durch Einsparungen bei den Inves- titionskosten von Erzeugungskapazitäten sowie geringeren variablen Kosten kompensiert und führen dadurch zu einer Reduktion der gesamten diskontierten Systemkosten im Vergleich zum Bezugsszenario (BAB). In Abbildung 6-19 ist das Stromerzeugungsprofil nach Energieträgern für das Szenario mit niedrigen Kapazitätszielen (LCT) in 2050 dargestellt. Im Gegensatz zum Basisszenario (BAB) erfolgt bereits im Szenario mit niedrigen Kapazitätszielen (LCT) keine ausgeprägte Abregelung von Erzeugungsspitzen der Photovoltaikanlagen. Die vorhandenen Stromspeicher werden wei- 122 6 Demand Side Management im Kontext des deutschen Energiesystems terhin zum Ausgleich des Angebots und der Nachfrage eingesetzt. Die Einspeicherung erfolgt dabei insbesondere im Frühling und im Sommer bis zum Mittag, während die Ausspeicherung häufig in den frühen Abendstunden stattfindet. -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-19: Profil der Stromerzeugung nach Energieträgern im Szenario mit niedrigen Kapazitäts- zielen (LCT) für Windkraft- und Photovoltaikanlagen in 2050 Für das Szenario ohne installierte Mindestleistungen in Photovoltaik- und Windkraftanlagen (NCT) zeigt Abbildung 6-20 den Kraftwerkseinsatz in 2050 für die vier modellierten Typwo- chen. Der Kraftwerkseinsatz zeigt eine grundlastorientierte Betriebsweise der Biomasseanla- gen, die in 2050 knapp 4950 Volllaststunden erreichen. Auch Gaskraftwerke werden im Szena- rio ohne Kapazitätsziele für Photovoltaik- und Windkraftanlagen (NCT) im Vergleich zum Sze- nario mit niedrigen Kapazitätszielen (LCT) kontinuierlicher betrieben. Lediglich am Mittwoch der Typwoche im Herbst kommt es zu einer Erzeugungsspitze in Gaskraftwerken, da zu diesem Zeitpunkt nahezu keine Einspeisung aus onshore Windkraftanlagen erfolgt, aber gleichzeitig modellexogen definierte Stromexporte die Stromlast erhöhen. Das Szenario ohne Kapazitäts- ziele für Photovoltaik- und Windkraftanlagen (NCT) ist darüber hinaus das einzige Szenario mit einer nennenswerten Stromerzeugung in Geothermiekraftwerken. Der Einsatz der Kapazi- täten in Geothermieanlagen korreliert zeitlich jedoch stark mit den modellexogen definierten Stromexporten, sodass die Grenzkosten im Vergleich zu anderen Erzeugungsoptionen im Aus- land günstiger sein müssten, um deren Einsatz zu rechtfertigen. Bei kostenoptimaler Erreichung des Anteils erneuerbarer Energien am Bruttostromverbrauch werden die vorhandenen Spei- 6 Demand Side Management im Kontext des deutschen Energiesystems 123 cherkapazitäten systemdienlich zum Ausgleich von Angebots- und Nachfrageschwankungen eingesetzt. Auf die Herstellung von Wasserstoff durch die Elektrolyse wird in diesem Szenario verzichtet, was darauf hindeutet, dass kein Überschussstrom zur Verfügung steht. -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-20: Profil der Stromerzeugung nach Energieträgern im Szenario ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen in 2050 Die gesamten Systemkosten sinken im Szenario mit niedrigen Kapazitätszielen (LCT) im Vergleich zum Basisszenario (BAB) um 31 Mrd.e2010. Im Szenario ohne Kapazitätsziele (NCT) für Windkraft- und Photovoltaikanlagen sinken die kumulierten diskontierten Systemkosten verglichen mit dem Basisszenario (BAB) um 78 Mrd.e2010. Im Hinblick auf Energieeinspa- rungen wirken sich die Kapazitätsziele kaum aus. Jedoch sinkt der Stromverbrauch, da dadurch die Nebenbedingung zum Anteil der erneuerbaren Energien am Bruttostromverbrauch kosten- günstiger zu erreichen ist. Der Endenergieverbrauch sinkt im Szenario mit niedrigen Kapazitäts- zielen (LCT) in 2050 um 215 PJ (3 %) und im Szenario ohne Kapazitätsziele (NCT) um 139 PJ (2 %) im Vergleich zum Bezugsszenario (BAB). Der Lastabwurf wird in beiden Szenarien stär- ker eingesetzt, als dies im Bezugsszenario (BAB) der Fall ist. Im Szenario mit geringen Kapa- zitätszielen (LCT) für Photovoltaik- und Windkraftanlagen wird die zulässige Obergrenze des Lastabwurfs bei der Herstellung von Aluminium, Chlor und Zement vollständig ausgeschöpft. Weiterhin werden 1,8 % der Stahlproduktion in Elektrolichtbogenöfen für den Lastabwurf ge- nutzt. Im Szenario ohne Kapazitätsziele (NCT) für Photovoltaik- und Windkraftanlagen wird der Lastabwurf in etwas geringerem Umfang eingesetzt. Dabei beträgt der Lastabwurf bei der 124 6 Demand Side Management im Kontext des deutschen Energiesystems Produktion von Elektrostahl 0,9 % in 2050. Aus der Perspektive des gesamten Energiesystems wäre es somit günstiger, auf einen Teil der Produktion zu verzichten, statt sehr hohe installier- te Leistungen intermittierender erneuerbarer Energien zu fördern. Bei der Nutzung des preis- basierten Lastmanagements können für die beiden analysierten Szenarien im Vergleich zum Bezugsszenario (BAB) keine signifikanten Unterschiede identifiziert werden. 6.4.4 Auswirkungen der Stromimporte und -exporte auf das Strom- und Energiesystem Im Szenario ohne Stromimporte und Stromexporte (KIE) erfolgt eine Optimierung des Energie- systems in Deutschland ohne einen modellexogenen Stromaustausch mit angrenzenden Staaten, um den Einfluss des modellexogen definierten Lastgangs auf das Strom- und Energiesystem in Deutschland bewerten zu können. In Abbildung 6-21 ist die installierte Leistung (links) sowie die Stromerzeugung (rechts) nach Energieträgern für das Basisszenario mit Energieeinsparun- gen, Lastmanagement und begrenztem Curtailment (BAB) und dem Szenario ohne Stromaus- tausch (KIE) dargestellt. Bereits ab dem Meilensteinjahr 2025 ist die installierte Leistung im Szenario ohne Stromimporte und -exporte (KIE) um 4 GW niedriger als im Bezugsszenario (BAB). Diese Differenz vergrößert sich in den nachfolgenden Jahren nicht weiter und gleicht sich stattdessen wieder aus. In 2050 beträgt die installierte Kraftwerksleistung in beiden Sze- narien 260 GW. Die installierte Leistung ist in Kraftwerken mit niedrigeren variablen Kosten (Braun- und Steinkohlekraftwerke) jedoch um 5 GW geringer als im Bezugsszenario (BAB). Die daraus resultierende Deckungslücke wird im Szenario ohne Stromimporte und Stromex- porte (KIE) durch Gasturbinen geschlossen. In 2050 sind im Szenario ohne Stromaustausch (KIE) 36 GW in Gaskraftwerken installiert, während die installierte Leistung im Bezugsszena- rio (BAB) 30 GW beträgt. Die Kraftwerkskapazitäten der übrigen Energieträger werden von der geänderten Annahme nicht beeinflusst. Im rechten Teil von Abbildung 6-21 ist die Stromerzeugung nach Energieträgern dargestellt. Wie bereits für die installierte Leistung dargelegt wurde, ist auch die Stromerzeugung in 2025 im Szenario ohne Stromaustausch (KIE) um etwa 34 TWh niedriger. In Gaskraftwerken ist die Nettostromerzeugung in 2025 um 22 TWh und in Steinkohlekraftwerken um 11 TWh gerin- ger als im Bezugsszenario (BAB), da durch Stromexporte verursachte Nachfragespitzen nicht bedient werden müssen. In 2050 wirkt sich die isolierte Betrachtung Deutschlands besonders auf die Stromerzeugung in Braunkohlekraftwerken aus, deren Erzeugung im Szenario ohne Stromaustausch (KIE) lediglich 4 TWh beträgt. Das Curtailment erneuerbarer Energien wird in beiden Szenarien im gleichen Umfang durchgeführt und die zulässige Obergrenze vollstän- dig ausgeschöpft. Die absolute Stromerzeugung beträgt im Szenario ohne Stromimporte und Stromexporte (KIE) in 2050 449 TWh. Abzüglich der Nettostromexporte im Bezugsszenario (BAB) ist der Endenergieverbrauch von Strom in der isolierten Analyse (KIE) somit lediglich 6 Demand Side Management im Kontext des deutschen Energiesystems 125 -100 0 100 200 300 400 500 600 700 B as is ja h r B A B K IE B A B K IE B A B K IE 2010 2025 2035 2050 N et to st ro m er ze u g u n g [ T W h ] Ausspeicherleistung Im-/Exporte Wind offshore Wind onshore PV Wasserstoff Abfälle Geothermie Biomasse Wasserkraft Mineralöle Gas Kernenergie Braunkohle Steinkohle 0 50 100 150 200 250 300 350 B as is ja h r B A B K IE B A B K IE B A B K IE 2010 2025 2035 2050 in st al li er te L ei st u n g [ G W ] Abbildung 6-21: Installierte Leistung (links) und Stromerzeugung (rechts) nach Energieträgern für Deutschland in der Variante ohne Stromaustausch (KIE) im Vergleich zum Basissze- nario mit Energieeinsparungen, Lastmanagement und begrenztem Curtailment (BAB) von 2010 bis 2050 um 0,3 TWh erhöht. Die Darstellung des Stromerzeugungsprofils in Abbildung 6-22 zeigt einen ausgleichenden Einsatz der vorhandenen Speicherkapazitäten und eine geringfügige Nutzung von Überschuss- strom zur Erzeugung von Wasserstoff. Die erzeugte Wasserstoffmenge über die Elektrolyse ist mit knapp 2 PJ etwa 36 % größer als im Bezugsszenario (BAB). Der Vergleich der bei- den Stromerzeugungsprofile veranschaulicht, dass die Erzeugungsspitzen, die im Basisszena- rio (BAB) durch den modellexogen definierten Exportlastgang verursacht wurden, im Herbst weniger stark ausgeprägt sind. Stattdessen entstehen beispielsweise im Sommer neue Erzeu- gungsspitzen der Gaskraftwerke, die im Bezugsszenario (BAB) durch Stromimporte abgedeckt worden sind. Im Szenario ohne Stromaustausch (KIE) erfolgt eine zum Basisszenario vergleich- bare Abregelungsstrategie der Erzeugungsspitzen aus Photovoltaikanlagen. Die Gesamtsystemkosten steigen ohne den Stromaustausch (KIE) mit angrenzenden Staaten über den gesamten Analysezeitraum um 4 Mrd.e2010. In 2050 ist der Endenergieverbrauch im Szenario ohne Stromaustausch (KIE) etwa 203 PJ (3 %) niedriger, wovon 159 PJ in der Indus- trie, 19 PJ in Haushalten und 18 PJ im Transportsektor eingespart werden. Energieeinsparungen gewinnen somit bei der Inselbetrachtung an Bedeutung. Der Lastabwurf wird im Szenario ohne 126 6 Demand Side Management im Kontext des deutschen Energiesystems den Stromaustausch (KIE) etwas häufiger eingesetzt und auf die Produktion von Aluminium und Chlor (0,3 % und 0,2 % der Jahresproduktion) ausgeweitet. Dies ist im Zusammenhang mit den Stromimporten zu sehen, die in den Basisszenarien Deckungslücken in begrenztem Umfang ausgleichen können. Der Einsatz von preisbasiertem Lastmanagement bleibt im Sze- nariovergleich jedoch unbeeinflusst. -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung 6-22: Profil der Stromerzeugung im Szenario ohne modellexogenen Stromaustausch (KIE) in 2050 Aus dem Vergleich der Inselbetrachtung Deutschlands (KIE) mit der integrierten Perspektive im europäischen Netzverbund (BAB) geht hervor, dass nur geringe Auswirkungen für Deutsch- land zu erwarten sind. Beide Varianten bilden in Abhängigkeit der definierten Höhe der Strom- importe und -exporte Extremsituationen ab. Einerseits führt die modellexogene Vorgabe eines Import- und Exportlastgangs zu Erzeugungsspitzen in Deutschland, die primär durch Gasturbi- nen gedeckt werden. Aus der Systemperspektive würden diese Kraftwerke nur eingesetzt wer- den, wenn in den Nachbarstaaten keine günstigeren Erzeugungsoptionen zur Verfügung ste- hen. Aufgrund der vergleichsweise hohen Grenzkosten der Stromerzeugung von Gasturbinen, müsste deren Einsatz Erzeugungskapazitäten mit höheren Grenzkosten verdrängen (beispiels- weise Ölkraftwerke) oder ein Standortvorteil für Gasturbinen in Deutschland bestehen. Beide Aspekte können auf Basis der nationalen Analyse Deutschlands nicht abschließend beantwor- tet werden. Umgekehrt hat die isolierte Betrachtung Deutschlands (KIE) aufgezeigt, dass über Stromimporte gegebenenfalls Deckungslücken der erneuerbaren Energien geschlossen werden 6 Demand Side Management im Kontext des deutschen Energiesystems 127 könnten. Solange in den Nachbarstaaten der Anteil intermittierender erneuerbarer Energien an der Stromerzeugung in vergleichbarem Umfang wie in Deutschland steigt, müssten Stromim- porte mit ähnlichen Kapazitätskrediten wie erneuerbare Energien bewertet werden. Somit ist nicht mit einer signifikanten Reduktion der Reservekapazitäten zu rechnen. 6.5 Schlussfolgerungen aus der Szenarioanalyse Aus der Szenarioanalyse geht hervor, dass die größte Reduktion der Gesamtsystemkosten durch Energieeinsparungen zu erreichen ist. Demgegenüber fällt der Beitrag von Lastmanagement als zweite Komponente von DSM zur Reduktion der Gesamtsystemkosten gering aus. Weiterhin können die formulierten Hypothesen nur eingeschränkt bestätigt werden. Beispielsweise zeigt die Berücksichtigung von DSM im Vergleich zum Szenario ohne Berücksichtigung von Last- management (KLM-KAB) keine Reduktion der installierten Kraftwerksleistung. Dies ist darauf zurückzuführen, dass die Spitzenlast durch DSM im Rahmen der modellierten Prozesse nur be- grenzt reduziert werden kann und daher der Effekt der Reservevorhaltung bei modellexogener Vorgabe der Kapazitäten in intermittierenden erneuerbaren Energien überwiegt. Es erfolgt je- doch eine geringere Nutzung der Elektrolyse, woraus gefolgert werden kann, dass Lastmanage- ment im Vergleich zu Power-to-Gas eine kostengünstigere Integration intermittierender erneu- erbarer Energien ermöglicht. Im Hinblick auf Speicherkapazitäten kann auf Basis der Szena- rioergebnisse keine Reduktion im Vergleich zum Szenario ohne Lastmanagement (KLM-KAB) nachgewiesen werden, da Speicher in keinem der untersuchten Szenarien ausgebaut werden. Aus diesen Ergebnissen wird gefolgert, dass ein genaues Monitoring des Kapazitätszubaus er- neuerbarer Energien notwendig ist, um Überkapazitäten zu vermeiden, deren Erzeugung im kostengünstigsten Fall abgeregelt werden müsste. Die Ergebnisse der Szenarioanalyse deuten darauf hin, dass es zukünftig zu stärkeren Ver- knüpfungen zwischen dem Strom- und Gasmarkt kommen kann. Einerseits ergänzen sich die Energieträger Strom und Gas in hybriden Erzeugungssystemen im Sektor GHD und bieten da- durch eine Option zur Bereitstellung von Nutzenergie, bei geringer Einspeisung aus intermit- tierenden erneuerbaren Energien in das Elektrizitätssystem. Andererseits könnten Stromüber- schüsse über die Umwandlungskette der Elektrolyse und der Methanisierung in das Gasnetz in- tegriert werden. Auf Basis der Szenarioergebnisse kann jedoch gefolgert werden, dass dies nur bei starkem Kapazitätszubau erneuerbarer Energien und entsprechend niedrigen Schattenprei- sen zu erwarten ist, da mit der Umwandlung hohe Verluste verknüpft sind. Aus diesem Grund wirkt die Elektrolyse und anschließende Methanisierung im Energiesystem wie Curtailment. Die Eingrenzung des Analyseraums auf Deutschland führt gegebenenfalls zu einer Überbe- wertung des Beitrags von DSM, da länderübergreifende, komplementäre Fluktuationen von An- gebot und Nachfrage bereits zu einem Ausgleich führen könnten und dadurch eine Glättung der 128 6 Demand Side Management im Kontext des deutschen Energiesystems residualen Last stattfinden könnte. Diese Problematik bleibt von der Analyse Deutschlands als Inselsystem unberührt. Der Szenariovergleich zwischen dem Basisszenario mit Energieeinspa- rungen, Lastmanagement und begrenztem Curtailment (BAB) und dem Szenario ohne Strom- importe und Stromexporte (KIE) zeigt, dass die installierte Kraftwerksleistung in Deutschland durch den Stromaustausch kaum beeinflusst wird. Gleichzeitig könnte die Rolle von anreizba- siertem Lastmanagement durch den modellexogenen Stromexportlastgang überbewertet wer- den. Die Ergebnisse von Kies et al. (2015) deuten darauf hin, dass der Speicher- und Ausgleichs- bedarf in Europa von den Anteilen von onshore und offshore Windkraft sowie Photovoltaik an der gesamten intermittierenden Erzeugung abhängig ist. Bei einem verstärkten Ausbau der off- shore Windkraft im Vergleich zu Photovoltaik und onshore Windkraft würde der Speicherbedarf deutlich reduziert. Eine mögliche Erklärung für diese Ergebnisse könnte in höheren Volllast- stunden von offshore Windkraftanlagen und einem gleichmäßigeren Erzeugungsprofil liegen. Kies et al. (2015) zeigen jedoch auch, dass der Speicherbedarf bei begrenzten Kuppelkapazitä- ten durch einen höheren Installationsgrad erneuerbarer Energien über die auftretende Nachfrage hinaus, nur begrenzt gesenkt werden kann. Diese Bewertung muss jedoch vor dem Hintergrund der Szenarioergebnisse dieser Arbeit hinterfragt werden, da offshore Windkraftanlagen im Sze- nario ohne Kapazitätsziele (NCT) bei den getroffenen Kostenannahmen nicht Bestandteil der kostenoptimalen Lösung für Deutschland sind. Ergänzend zu den vorgestellten Szenarien und Variantenrechnungen sind zwei weitere Ana- lysen durchgeführt worden, deren Darstellung an dieser Stelle auf eine qualitative Beschreibung beschränkt ist. In der ersten Variantenrechnung wird die kostenoptimale Erreichung der Treib- hausgasminderungsziele in Deutschland untersucht. Die Optimierung erfolgt somit ohne die Nebenbedingung zum Anteil erneuerbarer Energien am Bruttostromverbrauch. Wie in allen un- tersuchten Szenarien dieser Arbeit wird davon ausgegangen, dass die Kernenergie nach 2022 in Deutschland nicht weiter genutzt wird. Die Ergebnisse dieses Falls zeigen, dass insbesonde- re Energieeinsparungen zur Reduktion des Stromverbrauchs in Kombination mit CCS in fossil befeuerten Kraftwerken genutzt werden würden, um die Treibhausgasminderungsziele einzu- halten. Intermittierende erneuerbarer Energien werden hingegen kaum zur Dekarbonisierung der Stromerzeugung eingesetzt (11 % der Nettostromerzeugung in 2050). Daraus folgt auch, dass Lastmanagement als zweite Komponente von DSM in diesem Szenario an Bedeutung ver- liert. Exemplarisch kann dies an den Kapazitäten der Chlorproduktion aufgezeigt werden, die in diesem Szenario praktisch nicht mehr für die Verlagerung von Lasten genutzt werden. Die Einsparungen der kumulierten und diskontierten Systemkosten würden für diese Variante im Vergleich zum Bezugsszenario (BAB) 165 Mrd.e2010 betragen. Weiterhin wurde untersucht, welche Auswirkungen die Verwendung eines Zinssatzes von 3 % auf die langfristige Entwicklung des Energiesystems in Deutschland hat. Im Vergleich zum Basisszenario mit DSM und begrenztem Curtailment (BAB) intermittierender erneuerbarer En- 6 Demand Side Management im Kontext des deutschen Energiesystems 129 ergien sinken sowohl der Primär- als auch der Endenergieverbrauch, was auf die verstärkte Nutzung von Energieeinsparmaßnahmen zurückgeführt werden kann. Dieser Effekt wurde be- reits in der Literatur beschrieben und durch die Modellrechnungen bestätigt. Prinzipiell wer- den kapitalintensive Technologien mit geringeren variablen Kosten in der Zukunft durch einen niedrigeren Zinssatz attraktiver, während Technologien mit niedrigeren Investitionskosten und höheren variablen Kosten unattraktiver werden (Hermelink und de Jager, 2015). Bei unveränder- tem Treibhausgasminderungsziel wird im Szenario mit einem Zinssatz von 3 % verstärkt Kohle genutzt, während der Endenergieverbrauch von Erdgas sinkt. Durch den gesteigerten Einsatz von Energieeinsparmaßnahmen können somit CO2-intensivere Energieträger genutzt werden, wobei das Treibhausgasminderungsziel weiter eingehalten wird. Abschließend fasst Tabelle 6-10 die diskontierten und kumulierten Systemkosten aller Szena- rien als Differenz zum Szenario mit moderaten Energieeinsparungen (MOD-EFF) zusammen. Darüber hinaus ordnet Tabelle 6-11 die diskontierten Differenzkosten der Variantenrechnun- gen, in denen Steuern und Umlagen für Energieträger berücksichtigt wurden, gegenüber dem Bezugsszenario mit DSM und begrenztem Curtailment (APLM-BAB) ein. Tabelle 6-10: Übersicht der diskontierten und kumulierten Systemkosten aller Szenarien als Differenz zum Szenario mit moderaten Energieeinsparungen (MOD-EFF) ∆ Systemkosten [Mrd. e2010] Energieeinsparungen, kein Lastmanagement, kein Curtailment (KLM-KAB) −292 DSM, kein Curtailment (APLM-KAB) −305 DSM, begrenztes Curtailment (APLM-BAB) −316 DSM, vollständiges Curtailment (APLM-VAB) −339 DSM, begrenztes Curtailment, höherer Kapazitätskredit (CCC) −317 DSM, begrenztes Curtailment, keine Umlagen und Steuern (KUS) −1948 DSM, begrenztes Curtailment, niedrige Kapazitätsziele (LCT) −347 DSM, begrenztes Curtailment, keine Kapazitätsziele (NCT) −394 DSM, begrenztes Curtailment, Inselbetrachtung (KIE) −312 130 6 Demand Side Management im Kontext des deutschen Energiesystems Tabelle 6-11: Vergleich der diskontierten und kumulierten Systemkosten der Variantenrechnungen als Differenz zum Szenario mit Demand Side Management und begrenztem Curtailment (APLM-BAB) ∆ Systemkosten [Mrd. e2010] DSM, begrenztes Curtailment, höherer Kapazitätskredit (CCC) −1 DSM, begrenztes Curtailment, niedrige Kapazitätsziele (LCT) −31 DSM, begrenztes Curtailment, keine Kapazitätsziele (NCT) −78 DSM, begrenztes Curtailment, Inselbetrachtung (KIE) 4 7 Zusammenfassung und Ausblick 131 7 Zusammenfassung und Ausblick Das Energiekonzept 2010 der Bundesregierung sieht eine weitgehende Reduktion der Treib- hausgasemissionen in Deutschland bis 2050 vor. Bisherige Studien haben bereits gezeigt, dass unter den energiepolitischen Zielen zur Minderung von Treibhausgasen eine weitgehende De- karbonisierung der Stromerzeugung notwendig sein wird (Kober, 2014; Schlesinger et al., 2014). Allerdings beschränken sich die möglichen Optionen zur Dekarbonisierung der Stromerzeu- gung weitgehend auf einen starken Ausbau der erneuerbaren Energien, wenn Kernenergie und CCS nicht als Technologieoptionen zur Erreichung der Treibhausgasminderungsziele beitragen können. Im EEG 2014 wird bereits ein Ausbaupfad für onshore und offshore Windkraft- so- wie Photovoltaikanlagen in Deutschland skizziert. Auf Basis dieses Ausbaupfades kann davon ausgegangen werden, dass Situationen, in denen die Erzeugung intermittierender erneuerbarer Energien die Nachfrage übersteigt, zunehmen werden, wenn die Erzeugung nicht abgeregelt werden darf oder die Nachfrage in ihrer zeitlichen Struktur flexibilisiert wird. Vor diesem Hintergrund wurde in der vorliegenden Arbeit modellgestützt für exemplarische Anwendungen untersucht, ob mittels Demand Side Management (DSM) hohe Anteile inter- mittierender erneuerbarer Energien kostengünstiger in das Elektrizitätssystem integriert werden können, als dies mit Stromspeichern, Power-to-Gas oder konventionellen Reservekapazitäten möglich wäre. Im Rahmen der vorliegenden Arbeit wird DSM als Kombination von Energieein- sparungen und Lastmanagement verstanden. Die Wirkungsdauer einzelner Maßnahmen auf den Lastgang kann dabei als Zuordnungskriterium verwendet werden. Energieeinsparungen weisen eine dauerhafte Reduktion der Last auf, ohne die zeitliche Struktur des Lastgangs zu beeinflus- sen. Im Gegensatz zu Energieeinsparungen beschreibt Lastmanagement Lastreduktionen oder -verlagerungen, deren Wirkungsdauer auf wenige Minuten oder Stunden begrenzt ist. Lastma- nagement wird weiterhin in preis- und anreizbasiertes Lastmanagement unterteilt, um zwischen Preissignalen oder Anreizprogrammen als Auslöser der Lastverlagerung oder Lastreduktion un- terscheiden zu können. Zur Modellierung beider Formen von Lastmanagement wurden im Rahmen der vorliegen- den Arbeit Methoden entwickelt, die einerseits die Berücksichtigung von Lastverlagerungs- potenzialen und andererseits die Implementierung technischer Betriebsrestriktionen ermögli- chen. Die häufig verwendete Implementierungsform für Lastmanagement über Speicher weist ein charakteristisches Einsatzprofil auf, weshalb alternative Abbildungsmethoden entwickelt worden sind. Diese beziehen sich bei preisbasiertem Lastmanagement auf die Abbildung von Batchprozessen mit einer definierten unterbrechungsfreien Betriebsdauer, auf die Modellierung von zulässigen Lastbereichen unter Berücksichtigung des thermischen Speicherpotenzials von thermostatgeregelten Lasten sowie die Energieträgerflexibilität, die hybride Erzeugungssysteme bieten könnten. In einer zweistufigen Prozesskette erfolgt dabei in der vorgelagerten Prozess- 132 7 Zusammenfassung und Ausblick ebene die Manipulation des Lastgangs und auf der nachfolgenden Prozessebene die Model- lierung techno-ökonomischer Prozessparameter. Die Manipulation des Lastgangs erfolgt über die Verfügbarkeit unter Nutzung von zwei Ebenen der Baumstruktur zur Abbildung von Zeit- segmenten des Modellgenerators TIMES. Auf der niedrigeren Zeitsegmentebene werden dabei für jedes Zeitsegment Ober- und Untergrenzen der Verfügbarkeit definiert, welche die zuläs- sige Lastverlagerung repräsentieren. Auf der übergeordneten Zeitsegmentebene wird über alle Zeitsegmente des Knotens summiert und ein Ausgleich der verlagerten Lasten innerhalb eines Tages gewährleistet. Sollen auch Lastverlagerungen über einen Tag hinaus modelliert werden, könnten statt Gleichungen auch Ungleichungen auf der übergeordneten Zeitsegmentebene ver- wendet werden. Für Batchprozesse wurde innerhalb des Modellierungskonzepts die Kombinatorik aller mög- lichen Betriebszeitpunkte innerhalb eines Typtages implementiert, sodass auf eine Formulie- rung als gemischt-ganzzahliges Optimierungsproblem mit binären Variablen verzichtet werden konnte. Während bei preisbasiertem Lastmanagement die Nachfrage innerhalb einer zulässigen Zeit- spanne verlagert werden kann, steht bei anreizbasiertem Lastmanagement hingegen der Abwurf von Lasten ohne Kompensation von Produktionsausfällen im Fokus. Dazu wurde der sektorspe- zifische VoLL über die Produktionsfunktionsmethode für einzelne Industriezweige ermittelt und die Kosten eines Produktionsausfalls entsprechend in der Systemanalyse berücksichtigt. Weiter- hin wurden bisherige Studien zu DSM meist nicht im Kontext des Energie- sondern lediglich im Rahmen des Elektrizitätssystems durchgeführt. Die Möglichkeit zur Berücksichtigung struktu- reller Veränderungen in der Bereitstellung von Nutzenergie spricht jedoch für eine Analyse von DSM im Rahmen des gesamten Energiesystems. Die Ermittlung von Lastverlagerungspotenzialen und zulässigen Betriebsparametern thermo- statgeregelter Lasten erfolgte über ein dynamisches Simulationsmodell für Zweipunktregler. Dazu wurden typische Temperaturbereiche für Anwendungen definiert, der Lastverlauf von Gerätepopulationen analysiert und dem Lastgang einer Population mit größerer Temperatur- spreizung gegenübergestellt. Die simulierten Ober- und Untergrenzen der Leistungsaufnahme wurden über Nebenbedingungen in den Szenarien der Energiesystemanalyse mit DSM berück- sichtigt. Die resultierenden Potenziale und deren Nutzung sind bei der beschriebenen Form der Implementierung von DSM Bestandteil des Optimierungsergebnisses, da die Aktivität einzel- ner Prozesse in jedem Zeitsegment sowohl von der installierten Kapazität als auch den Ober- und Untergrenzen der Verfügbarkeit abhängig ist. Durch die Simulation einzelner Geräte wur- de gewährleistet, dass diese im zulässigen Temperaturbereich betrieben werden und somit ein Komfortverlust der Nutzer durch Über- oder Unterschreitung der Betriebsparameter vermie- den wird. Darüber hinaus wurde das Simulationsmodell um einen Störprozess erweitert, der für Kühl- und Gefriergeräte Temperaturveränderungen durch Befüllungen berücksichtigen kann. Die exemplarischen Ergebnisse der quantitativen Szenarioanalyse unter Berücksichtigung 7 Zusammenfassung und Ausblick 133 der energiepolitischen Ziele zur Treibhausgasemissionsminderung und zum Ausbau erneuer- barer Energien mit dem Energiesystemmodell TIMES-D-DSM zeigen, dass Energieeinsparun- gen langfristig ein hohes Kostenreduktionspotenzial haben. Über den gesamten Analysezeit- raum von 2010 bis 2050 betragen die Einsparungen der gesamten diskontierten Systemkosten durch Energieeinsparungen 292 Mrd.e2010. Die größten kostenoptimalen Energieeinsparungen können dabei in den Sektoren Transport sowie Gewerbe, Handel und Dienstleistungen erzielt werden, die allein in 2050 ein kumuliertes Reduktionspotenzial des Endenergieverbrauchs von knapp 926 PJ aufweisen. In der Analyse können Auswirkungen eines Energieträgerwechsels zur Erreichung der modellexogen definierten energiepolitischen Ziele auf Energieeinsparungen jedoch nicht vollständig ausgeschlossen werden. Im Vergleich zu Energieeinsparungen bietet Lastmanagement als zweite Komponente von DSM ein vergleichsweise geringes Kostenreduktionspotenzial von etwa 12 Mrd.e2010 im Zeit- raum von 2020 bis 2050. Anreizbasiertes Lastmanagement kommt dabei nur im Szenario mit vollständigem Curtailment zum Einsatz, wenn ausgeprägte Preisspitzen der Schattenpreise für Strom in der Industrie auftreten. Das vollständige Potenzial zum Lastabwurf wird bei vollstän- digem Curtailment bei der Zement- und der Chlorherstellung genutzt. Bei der Herstellung von Aluminium beträgt der Lastabwurf durch anreizbasiertes Lastmanagement 1,7 % der Jahres- produktion in 2050. Aus der zeitlichen Analyse des Curtailments und des Lastabwurfs geht hervor, dass sich diese beiden Maßnahmen nicht überlagern. Stattdessen erfolgt der Lastab- wurf überwiegend in den späten Abendstunden, während Einspeisemanagement insbesondere zur Reduktion von Erzeugungsspitzen aus Photovoltaikanlagen eingesetzt wird. Preisbasier- tes Lastmanagement wird hingegen weitgehend unabhängig von der Option der Abregelung erneuerbarer Energien eingesetzt. Die Produktionskapazitäten der Elektrolichtbogenöfen, der Chlorherstellung sowie der Primäraluminium- und Primärkupferproduktion werden in der Sze- narioanalyse bis 2050 für Lastverlagerungen genutzt. Demgegenüber werden Holzschleifer in der Papierindustrie unabhängig vom Szenario nicht für die Verschiebung von Lasten verwen- det. Die Nutzung der Produktionskapazitäten bei der Chlorherstellung für die Flexibilisierung der Nachfrage ist von der zulässigen Höhe des Curtailments sowie der Tarifstruktur abhängig. Mit zunehmenden Curtailment sinkt dabei der Einsatz von Lastmanagement bei der Herstellung von Chlor, während die Lastverlagerung durch den Verzicht auf Umlagen und Steuern begüns- tigt wird. Das Konzept des anreizbasierten Lastmanagements und dessen Implementierung über den VoLL kann auch auf Haushalte oder den Sektor GHD übertragen werden und zeigt weiteren Forschungsbedarf auf. Im Sektor GHD wird die Energieträgerflexibilität als Komponente des preisbasierten Lastma- nagements sowohl in großen als auch in kleinen Betrieben eingesetzt. Während in großen Be- trieben hybride Erzeugungssysteme sowohl aus einem Erdgasbrennwertkessel und einer Wär- mepumpe als auch aus einem Erdgasbrennwertkessel und einem Widerstandserhitzer genutzt werden, erfolgt in kleinen Betrieben überwiegend ein Einsatz von Erdgasbrennwertkesseln in 134 7 Zusammenfassung und Ausblick Kombination mit Widerstandserhitzern. Prinzipiell könnten hybride Erzeugungssysteme auch in Haushalten und der nicht-energieintensiven Industrie in Abhängigkeit des Temperaturniveaus eingesetzt werden, weshalb eine Übertragung auf diese Sektoren zu prüfen ist. In Haushalten werden in der Szenarioanalyse lediglich Batchprozesse im Rahmen des preis- basierten Lastmanagements für Lastverlagerungen eingesetzt. Die Nutzung von thermostatge- regelten Lasten wie Kühl- und Gefrierschränken erfolgt in keinem der untersuchten Szenarien. Daraus kann geschlossen werden, dass die spezifischen Investitionskosten für die Anbindung vergleichsweise geringer schaltbarer Leistungen nicht zur Minderung der Gesamtsystemkosten beitragen. Hinsichtlich der Forschungshypothese konnte über die Szenarioanalyse aufgezeigt werden, dass die Gesamtsystemkosten mittels DSM langfristig deutlich gesenkt werden können, wo- bei die Komponente der Energieeinsparungen im Vergleich zu Lastmanagement ein erheblich größeres Kostenreduktionspotenzial bietet. Die Erwartung einer Reduktion von Reservekapazi- täten durch Lastmanagement konnte hingegen nicht bestätigt werden. Da in keinem Szenario Stromspeicherkapazitäten zugebaut wurden, kann die Hypothese einer Reduktion der benötig- ten Speicherkapazitäten durch DSM ebenfalls nicht bestätigt werden. Es erfolgt jedoch eine verringerte Nutzung der Elektrolyse, wenn Lastmanagement als Flexibilitätsoption zur Verfü- gung steht, woraus gefolgert werden kann, dass Lastmanagement im Vergleich zu Power-to-Gas die kostengünstigere Flexibilitätsoption zur Integration hoher Anteile intermittierender erneu- erbarer Energien ist. Weiterhin kann aus den Ergebnissen der Szenarien gefolgert werden, dass sich Lastmanagement und Curtailment ergänzen und die Gesamtsystemkosten durch die Kom- bination weiter gesenkt werden können. Die Analyse mit hoher zeitlicher Auflösung hat gezeigt, dass Überschüsse der Erzeugung intermittierender erneuerbarer Energien zur Herstellung von Wasserstoff verwendet werden. Mit zunehmender Flexibilisierung des Energiesystems durch Lastmanagement und Curtailment, oder durch entsprechend adaptierte Preisstrukturen, sinkt die Herstellung von Wasserstoff über die Elektrolyse, was darauf hindeutet, dass die Technologieoption der Elektrolyse und Metha- nisierung aus der Modellperspektive als eine verdeckte Curtailmentvariante eingesetzt wird. In der vorliegenden Studie wurde der Kapazitätskredit von Windkraft- und Photovoltaik- anlagen modellexogen definiert. Allerdings kann die gesicherte Leistung von intermittierenden erneuerbaren Energien auch in Abhängigkeit des Leistungsanteils an der gesamten Erzeugungs- kapazität des Elektrizitätssystems beschrieben werden (Voorspools und D’haeseleer, 2006). So- fern benötigte Reservekapazitäten im Elektrizitätssystem durch einen modellexogen definierte Kapazitätskredit überschätzt werden, könnte eine modellendogene Bestimmung des Kapazitäts- kredits die Lösungsgenauigkeit verbessern. M. Welsch (2013) präsentiert bereits einen Ansatz zur Bestimmung des Kapazitätskredits für definierte Durchdringungsraten von Windkraftan- lagen im Elektrizitätssystem unter Nutzung einer abschnittsweise linearisierten Funktion und gemischt-ganzzahliger Optimierung. Die Endogenisierung der Berechnung des Kapazitätskre- 7 Zusammenfassung und Ausblick 135 dits für erneuerbare Energien im Modellgenerator TIMES könnte somit ein zukünftiges For- schungsfeld darstellen. Literatur 137 Literatur Aalami, H., Moghaddam, M. P. und Yousefi, G. (2010): Demand response modeling considering Interruptible/Curtailable loads and capacity market programs. In: Applied Energy 87 (1), S. 243–250. (Besucht am 22. 11. 2015). AG Energiebilanzen e. V. (2010): Energieverbrauch in Deutschland im Jahr 2009. URL: http ://www.ag-energiebilanzen.de/index.php?article_id=29&fileName=ageb_jahresbericht 2009_20100309.pdf (besucht am 26. 04. 2016). AG Energiebilanzen e. V. (2012): Bilanz 2010. URL: http://www.ag-energiebilanzen.de/index .php?article_id=29&fileName=druck_eb2010_25092012.xlsx (besucht am 13. 11. 2015). AGEB – AG Energiebilanzen e. V. (2015): Auswertungstabellen zur Energiebilanz Deutschland 1990 bis 2014. Berlin. URL: http://www.ag-energiebilanzen.de/index.php?article_id=29&f ileName=ausw_25082015_ov.pdf (besucht am 24. 02. 2016). AGEE-Stat – Arbeitsgruppe Erneuerbare Energien-Statistik (2016): Zeitreihen zur Entwicklung der erneuerbaren Energien in Deutschland. unter Verwendung von Daten der Arbeitsgruppe Erneuerbare Energien-Statistik (AGEE-Stat) (Stand: Februar 2016). Hrsg. von Bundesmi- nisterium für Wirtschaft und Energie. Dessau-Roßlau. URL: http://www.erneuerbare-ener gien.de/EE/Redaktion/DE/Downloads/zeitreihen-zur-entwicklung-der-erneuerbaren-en ergien-in-deutschland-1990-2015.pdf;jsessionid=E9A2CD2505C5FC85B7CD1A8EA3A 35424?__blob=publicationFile&v=6 (besucht am 30. 03. 2016). Agricola, A.-C. (2011): Demand Side Management (DSM) in Deutschland – Potenziale und Märkte. Berlin: Deutsche Energie Agentur. (Besucht am 15. 11. 2013). Albadi, M. und El-Saadany, E. (2008): A summary of demand response in electricity markets. In: Electric Power Systems Research 78 (11), S. 1989–1996. (Besucht am 18. 11. 2013). Alfstad, T. (2005): Development of a least cost energy supply model for the SADC region. Cape Town: University of Cape Town. 159 S. URL: http://www.iea-etsap.org/web/Docs/ERC %20SADC%20energy%20supply%20model.pdf (besucht am 31. 01. 2014). Annala, S., Viljainen, S. und Tuunanen, J. (2012): Demand response from residential customers’ perspective. In: 2012 9th International Conference on the European Energy Market (EEM). (Florenz, 10.–12. Mai 2012), S. 1–7. Apel, R., Aundrup, T., Bucholz, B. M., Domels, H. P., Funke, S., Gesing, T., Glaunsinger, W., Gronstedt, P., Heins, F., Hösle, A., Knack, V., Küter, T., Stötzer, M., Struwe, C., Styczynski, Z. A., von Scheven, A. und Seidl, H. (2012): Demand Side Integration. Lastverschiebungs- potenziale in Deutschland. Hrsg. von Verband der Elektrotechnik Elektronik und Informa- tionstechnik e.V. Frankfurt am Main. (Besucht am 04. 12. 2015). 138 Literatur ASHRAE – American Society of Heating, R. und Engineers, A.-C. (2006): 2006 ASHRAE handbook. Atlanta: American Society of Heating, Refrigerating, and Air-Conditioning En- gineers. Ashok, S. (2006): Peak-load management in steel plants. In: Applied Energy 83 (5), S. 413– 424. (Besucht am 18. 11. 2013). Assoumou, E. und Maïzi, N. (2011): Carbon value dynamics for France: A key driver to support mitigation pledges at country scale. In: Energy Policy 39 (7), S. 4325–4336. (Besucht am 03. 02. 2014). Atikol, U. (2013): A simple peak shifting DSM (demand-side management) strategy for resi- dential water heaters. In: Energy 62, S. 435–440. (Besucht am 08. 01. 2016). BAFA – Bundesamt für Wirtschaft und Ausfuhrkontrolle (2010): Amtliche Mineralödaten 2010. URL: http://www.bafa.de/bafa/de/energie/mineraloel_rohoel/amtliche_mineraloeldaten /2010/index.html (besucht am 12. 11. 2015). BAFA – Bundesamt für Wirtschaft und Ausfuhrkontrolle (2015a): Amtliche Mineralöldaten 2014. URL: http://www.bafa.de/bafa/de/energie/mineraloel_rohoel/amtliche_mineraloeldat en/2014/index.html (besucht am 24. 10. 2015). BAFA – Bundesamt für Wirtschaft und Ausfuhrkontrolle (2015b): Amtliche Mineralöldaten 2015. URL: http://www.bafa.de/bafa/de/energie/mineraloel_rohoel/amtliche_mineraloeldat en/2015/index.html (besucht am 24. 10. 2015). BAFA – Bundesamt für Wirtschaft und Ausfuhrkontrolle (2015c): Aufkommen und Export von Erdgas. Entwicklung der Grenzübergangspreise ab 1991. Eschborn. URL: http: / /ww w.bafa .de/bafa /de/energie /erdgas /ausgewaehlte_statistiken/egasmon.pdf (besucht am 12. 11. 2015). BAFA – Bundesamt für Wirtschaft und Ausfuhrkontrolle (2015d): Drittlandssteinkohlepreise. URL: http://www.bafa.de/bafa/de/energie/steinkohle/drittlandskohlepreis/energie_steinkoh le_statistiken_preise.docx (besucht am 12. 11. 2015). Balta-Ozkan, N., Davidson, R., Bicket, M. und Whitmarsh, L. (2013): Social barriers to the adoption of smart homes. In: Energy Policy 63, S. 363–374. (Besucht am 04. 11. 2015). Bartram, J., Chartier, Y., Lee, J. V., Pond, K. und Suman-Lee, S. (2007): Legionella and the prevention of legionellosis. Geneva: World Health Organization. URL: http://www.who.int /water_sanitation_health/emerging/legionella.pdf (besucht am 17. 11. 2015). Bauknecht (2014): Gefriertruhen & -schränke. URL: http://www.bauknecht.de/produkte-1/k%C 3%BChlen-%26-gefrieren-2/k%C3%BChl---%26-gefrierkombinationen-3/102021009/ (besucht am 25. 08. 2014). BBSR – Bundesinstitut für Bau-, Stadt- und Raumforschung (2013): Aktualisierte und erwei- terte Testreferenzjahre von Deutschland für mittlere, extreme und zukünftige Witterungs- verhältnisse. URL: http://www.bbsr-energieeinsparung.de/EnEVPortal/DE/Regelungen/Te Literatur 139 streferenzjahre/Testreferenzjahre/TRY2011_Datensatz.zip?__blob=publicationFile&v=2 (besucht am 02. 10. 2015). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2013): Trinkwasserverwen- dung im Haushalt 2012. Durchschnittswerte bezogen auf die Wasserabgabe an Haushalte und Kleingewerbe. URL: https: / /www.google.de/url?sa=t&rct=j&q=&esrc=s&sourc e=web&cd=1&cad=rja&uact=8&ved=0CCQQFjAAahUKEwjTs_Hw_5LJAhWG8XI KHeIwAPc&url=https%3A%2F%2Fwww.bdew.de%2Finternet.nsf%2Fid%2F3852C 5217E9FD4E1C125786C004274E7 % 2F % 24file % 2FTrinkwasserverwendung % 2520im %2520HH%25202012.pdf&usg=AFQjCNHqITUpZH9ocgMY1dIcIngifgrswA (besucht am 15. 11. 2015). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2014a): BDEW-Strompreis- analyse Juni 2014. Haushalte und Industrie. URL: https:/ /www.bdew.de/internet.nsf/ id /20140702-pi-steuern-und-abgaben-am-strompreis-steigen-weiter-de/$file/140702%20B DEW%20Strompreisanalyse%202014%20Chartsatz.pdf (besucht am 06. 11. 2015). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2014b): Stromaustausch Deutschlands mit dem Ausland. Hintergrundinformationen zu den physikalischen Lastflüs- sen Deutschlands mit dem Ausland im europäischen Kontext. Berlin. URL: https://bdew.de /internet.nsf/id/20140114-pi-mueller-grundlegende-reform-des-eeg-ist-eine-kernaufgabe -der-neuen-bundesregierung-2014/$file/BDEW%20Hintergrundinformationen%20Strom austausch%20mit%20dem%20Ausland.pdf (besucht am 09. 03. 2016). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2016a): Energiedaten. Netto- Engpassleistung der Stromerzeugungsanlagen in Deutschland nach Energieträgern. URL: h ttps://www.bdew.de/internet.nsf/id/DE_Energiedaten#cat/Daten%2FGrafiken%5CEn ergie%20allgemein%5CEnergiedaten%5C3.%20Stromversorgung/3-3-netto-engpassleis tung-der-stromerzeugungsanlagen-in-deutschland-nach-energietraegern-de (besucht am 05. 07. 2016). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2016b): Energiedaten. Netto- Stromerzeugung in Deutschland nach Erzeugern. URL: https://www.bdew.de/internet.nsf/i d/DE_Energiedaten#cat/Daten%2FGrafiken%5CEnergie%20allgemein%5CEnergiedaten %5C3.%20Stromversorgung/3-6-netto-erzeugung-in-deutschland-nach-energietraegern-d e (besucht am 05. 07. 2016). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2016c): Energiedaten. Strom- austausch mit dem Ausland. URL: https://www.bdew.de/internet.nsf/id/DE_Energiedaten #cat/Daten%2FGrafiken%5CEnergie%20allgemein%5CEnergiedaten%5C3.%20Stromver sorgung/3-9-stromaustausch-mit-dem-ausland-de (besucht am 05. 07. 2016). BDEW – Bundesverband der Energie- und Wasserwirtschaft e. V. (2016d): Energiedaten. Netto- Elektrizitätsverbrauch nach Verbrauchergruppen. URL: https://www.bdew.de/internet.nsf/i d/DE_Energiedaten#cat/Daten%2FGrafiken%5CEnergie%20allgemein%5CEnergiedaten 140 Literatur %5C3.%20Stromversorgung/3-12-netto-elektrizitaetsverbr-nach-verbrauchergruppen-de (besucht am 06. 08. 2016). Bechem, H., Blesl, M., Brunner, M., Conrad, J., Falke, T., Felsmann, C., Geipel, M., Ger- hardt, N., Glaunsinger, W., Hilpert, J., Kessler, A., Kleimaier, M., Köhler, S., Lüking, R.-M., Mayrhofer, P., Meinzenbach, A., Metten, E., Neugebauer, H., Oesterwind, D., Pels- Leusden, C., Plate, J., Pöhlmann, A., Riegebauer, P., Rummeni, J., Schegner, P., Schnettler, A., Tenbohlen, S., Roon, S. von, Werner, J. und Wille-Haussmann, B. (2015): Potenziale für Strom im Wärmemarkt bis 2050. Wärmeversorgung in flexiblen Energieversorgungssyste- men mit hohen Anteilen an erneuerbaren Energien. Hrsg. von Verband der Elektrotechnik Elektronik und Informationstechnik e.V. Frankfurt am Main. (Besucht am 04. 10. 2015). Beenstock, M., Goldin, E. und Haitovsky, Y. (1998): Response bias in a conjoint analysis of power outages. In: Energy Economics 20, S. 135–156. (Besucht am 06. 08. 2015). Bergaentzlé, C., Clastres, C. und Khalfallah, H. (2014): Demand-side management and Euro- pean environmental and energy goals: An optimal complementary approach. In: Energy Policy 67, S. 858–869. (Besucht am 08. 05. 2015). Blesl, M., Kober, T., Bruchof, D. und Kuder, R. (2010): Effects of climate and energy policy related measures and targets on the future structure of the European energy system in 2020 and beyond. In: Energy Policy 38 (10), S. 6278–6292. (Besucht am 31. 01. 2014). Blesl, M., Bruchof, D., Fahl, U., Kober, T., Kuder, R., Götz, B. und Voß, A. (2011): Integrierte Szenarioanalysen zu Energie- und Klimaschutzstrategien in Deutschland in einem Post- Kyoto-Regime. Stuttgart: Institut für Energiewirtschaft und Rationelle Energieanwendung. URL: http://elib.uni-stuttgart.de/opus/volltexte/2012/7338 (besucht am 12. 11. 2015). Blesl, M., Wiesmeth, M. und Fahl, U. (2016): Untersuchung der Auswirkungen des Klimawan- dels sowie von Klimaschutz- und Anpassungsmaßnahmen auf das Energie- und Verkehrs- system in Baden-Württemberg. Projektbericht. Hrsg. von Institut für Energiewirtschaft und Rationelle Energieanwendung. Stuttgart. BMWi – Bundesministerium für Wirtschaft und Energie (2014a): Die Energie der Zukunft. Erster Fortschrittsbericht zur Energiewende. Berlin. URL: http://www.bmwi.de/BMWi/R edaktion/PDF/Publikationen/fortschrittsbericht,property=pdf,bereich=bmwi2012,sprache =de,rwb=true.pdf (besucht am 22. 11. 2015). BMWi – Bundesministerium für Wirtschaft und Energie (2014b): Zahlen und Fakten Energie- daten. Nationale und Internationale Entwicklung. URL: http://bmwi.de/BMWi/Redaktion /Binaer/energie-daten-gesamt,property=blob,bereich=bmwi2012,sprache=de,rwb=true.xls (besucht am 14. 10. 2014). BMWi – Bundesministerium für Wirtschaft und Energie (2015a): Die Energie der Zukunft. Vierter Monitoring-Bericht zur Energiewende. Berlin. URL: https://www.bmwi.de/BMWi /Redaktion/PDF/V/vierter-monitoring-bericht-energie-der-zukunft,property=pdf,bereich =bmwi2012,sprache=de,rwb=true.pdf (besucht am 16. 05. 2016). Literatur 141 BMWi – Bundesministerium für Wirtschaft und Energie (2015b): Ein Strommarkt für die Ener- giewende. Ergebnispapier des Bundesministeriums für Wirtschaft und Energie (Weißbuch). Berlin. URL: http://www.bmwi.de/BMWi/Redaktion/PDF/Publikationen/weissbuch,proper ty=pdf,bereich=bmwi2012,sprache=de,rwb=true.pdf (besucht am 22. 11. 2015). BMWi – Bundesministerium für Wirtschaft und Energie (2015c): Zahlen und Fakten Energie- daten. Nationale und Internationale Entwicklung. URL: http://bmwi.de/BMWi/Redaktion /Binaer/energie-daten-gesamt,property=blob,bereich=bmwi2012,sprache=de,rwb=true.xls (besucht am 17. 11. 2015). BMWi – Bundesministerium für Wirtschaft und Energie (2016): Zahlen und Fakten Energieda- ten. Nationale und Internationale Entwicklungen. URL: http://bmwi.de/BMWi/Redaktion /Binaer/energie-daten-gesamt,property=blob,bereich=bmwi2012,sprache=de,rwb=true.xls (besucht am 05. 07. 2016). BMWi – Bundesministerium für Wirtschaft und Energie (2017): Zahlen und Fakten Energie- daten. Nationale und Internationale Entwicklung. URL: https://www.bmwi.de/Redaktion /DE/Binaer/Energiedaten/energiedaten-gesamt-xls.xls?__blob=publicationFile&v=29 (besucht am 24. 04. 2017). Borggrefe, F., Pregger, T., Gils, H. C., Cao, K.-K., Deissenroth, M., Bothor, S., Blesl, M., Fahl, U., Steurer, M. und Wiesmeth, M. (2014): Kurzstudie zur Kapazitätsentwicklung in Süd- deutschland bis 2025 unter Berücksichtigung der Situation in Deutschland und den euro- päischen Nachbarstaaten. im Auftrag des Ministeriums für Umwelt, Klima und Energie- wirtschaft Baden-Württemberg. Kurzfassung. Stuttgart: Institut für Technische Thermody- namik, Abt. Systemanalyse und Technikbewertung und Institut für Energiewirtschaft und Rationelle Energieanwendung. URL: https://um.baden-wuerttemberg.de/fileadmin/redakti on/m-um/intern/Dateien/Dokumente/5_Energie/Versorgungssicherheit/Kurzstudie_Kapaz itaetsentwicklung_Sueddeutschland.pdf (besucht am 20. 02. 2016). Bose, R. K., Shukla, M., Srivastava, L. und Yaron, G. (2006): Cost of unserved power in Kar- nataka, India. In: Energy Policy 34 (12), S. 1434–1447. (Besucht am 08. 11. 2015). Boshell, F. und Veloza, O. (2008): Review of Developed Demand Side Management Programs Including Different Concepts and their Results. In: Transmission and Distribution Confe- rence and Exposition: Latin America, 2008 IEEE/PES, S. 1–7. (Besucht am 18. 11. 2013). Boßmann, T. (2015): The contribution of electricity consumers to peak shaving and the inte- gration of renewable energy sources by means of demand response. A model-based long- term scenario analysis in consideration of structural changes in electricity demand. ISI- Schriftenreihe Innovationspotentiale. Stuttgart: Fraunhofer-Verl. XIV, 256 S. URL: http://p ublica.fraunhofer.de/eprints/urn_nbn_de_0011-n-3601777.pdf (besucht am 04. 12. 2015). Bouckaert, S., Assoumou, E. und Maïzi, N. (2012): Flattening the load curve with Demand Response solutions: a long-term analysis. Cape Town: Energy Research Centre. URL: http 142 Literatur ://www.iea-etsap.org/web/Workshop/CapeTown_June2012/BOUCKAERT_ETSAP.pdf (besucht am 21. 11. 2013). Boughton, B. E., Clausing, A. M. und Newell, T. A. (1992): An Investigation of Household Refrigerator Cabinet Loads. Hrsg. von Air Conditioning and Refrigeration Center. Urbana. URL: https://www.ideals.illinois.edu/bitstream/handle/2142/9722/TR021.pdf?sequence=3 (besucht am 01. 05. 2015). Brunke, J.-C. und Blesl, M. (2014a): A plant-specific bottom-up approach for assessing the cost- effective energy conservation potential and its ability to compensate rising energy-related costs in the German iron and steel industry. In: Energy Policy 67, S. 431–446. (Besucht am 15. 12. 2015). Brunke, J.-C. und Blesl, M. (2014b): Energy conservation measures for the German cement in- dustry and their ability to compensate for rising energy-related production costs. In: Journal of Cleaner Production 82, S. 94–111. (Besucht am 15. 12. 2015). Bruchof, D. (2012): Energiewirtschaftliche Verkehrsstrategie. Möglichkeiten und Grenzen al- ternativer Kraftstoffe und Antriebe in Deutschland und der EU-27. Institut für Energiewirt- schaft und Rationelle Energieanwendung. Holzgartenstr. 16 und 70174 Stuttgart: Universi- tät Stuttgart. URL: http://dx.doi.org/10.18419/opus-2040 (besucht am 30. 07. 2016). Bundesregierung (2002): Perspektiven für Deutschland. Unsere Strategie für eine nachhaltige Entwicklung. URL: http://www.bundesregierung.de/Content/DE/_Anlagen/Nachhaltigkeit -wiederhergestellt/perspektiven-fuer-deutschland-langfassung.pdf?__blob=publicationFil e (besucht am 24. 02. 2016). Bundesregierung (2007): Eckpunkte für ein integriertes Energie- und Klimaprogramm. URL: h ttp://www.bmub.bund.de/fileadmin/bmu-import/files/pdfs/allgemein/application/pdf/klim apaket_aug2007.pdf (besucht am 21. 11. 2015). Bundesregierung (2010): Energiekonzept für eine umweltschonende, zuverlässige und bezahl- bare Energieversorgung. URL: http://www.bundesregierung.de/ContentArchiv/DE/Archiv 17/_Anlagen/2012/02/energiekonzept-final.pdf?__blob=publicationFile&v=5 (besucht am 24. 10. 2015). Bundesrepublik Deutschland (2010): Nationaler Aktionsplan für erneuerbare Energie gemäß der Richtlinie 2009/28/EG zur Förderung der Nutzung von Energie aus erneuerbaren Quel- len. URL: http://ec.europa.eu/energy/sites/ener/files/documents/dir_2009_0028_action_pla n_germany.zip (besucht am 02. 05. 2016). Bundestag (2011): Dreizehntes Gesetz zur Änderung des Atomgesetzes. Version 31. Juli 2011. URL: http://www.bgbl.de/xaver/bgbl/start.xav?startbk=Bundesanzeiger_BGBl&bk=Bunde sanzeiger_BGBl&start=//*%255B@attr_id=%2527bgbl111s1704.pdf%2527%255D#__b gbl__%2F%2F*[%40attr_id%3D%27bgbl111s1704.pdf%27]__1448192707149 (besucht am 22. 11. 2015). Literatur 143 Bundestag (2014): Gesetz für den Ausbau erneuerbarer Energien (Erneuerbare-Energien-Gesetz - EEG 2014). EEG 2014. Version 21.07.2014. URL: http://www.bgbl.de/xaver/bgbl/start.x av?start=%2F%2F*[%40attr_id%3D%27bgbl114s1066.pdf%27]#__bgbl__%2F%2F*[%4 0attr_id%3D%27bgbl114s1066.pdf%27]__1453888479263 (besucht am 27. 01. 2016). Bundestag (2015a): Energiesteuergesetz. EnergieStG. Version 03.12.2015. URL: http : / /www . bgbl . de / xaver / bgbl / start . xav ? startbk = Bundesanzeiger _ BGBl & bk = Bundesanzeiger _BGBl&start= / /*%255B@attr_ id=%2527bgbl116s0032 .pdf%2527%255D#__bgbl __%2F%2F*[%40attr_id%3D%27bgbl116s0032.pdf%27]__1455990728168 (besucht am 20. 02. 2016). Bundestag (2015b): Stromsteuergesetz. StromStG. Version 03.12.2015. URL: http://www.bgbl .de/xaver/bgbl/start.xav?startbk=Bundesanzeiger_BGBl&bk=Bundesanzeiger_BGBl&star t=//*%255B@attr_id=%2527bgbl116s0032.pdf%2527%255D#__bgbl__%2F%2F*[%40a ttr_id%3D%27bgbl116s0032.pdf%27]__1455990728168 (besucht am 20. 02. 2016). Bundesnetzagentur (2016): Kraftwerksliste. URL: http : / / www . bundesnetzagentur . de / Share dDocs /Downloads /DE/Sachgebiete /Energie /Unternehmen_Institutionen /Versorgungss icherheit /Erzeugungskapazitaeten/Kraftwerksliste /Kraftwerksliste_2015.xlsx; jsessionid =01534CDDABDFB6B9F03379F3AB9DF520?__blob=publicationFile&v=5 (besucht am 29. 05. 2016). Bundesregierung (2016): Elektromobilität. Einigung auf Kaufprämie für E-Autos. URL: https ://www.bundesregierung.de/Content/DE/Artikel/2016/04/2016-04-27-foerderung-fuer-ele ktroautos-beschlossen.html (besucht am 17. 05. 2016). Callaway, D. S. (2009): Tapping the energy storage potential in electric loads to deliver load following and regulation, with application to wind energy. In: Energy Conversion and Ma- nagement 50 (5), S. 1389–1400. (Besucht am 13. 10. 2014). Caves, D. W., Herriges, J. A. und Windle, R. J. (1992): The Cost of Electric Power Interruptions in the Industrial Sector: Estimates Derived from Interruptible Service Programs. In: Land Economics 68 (1), S. 49–61. URL: http : / / www . jstor . org / stable / 3146742 (besucht am 06. 08. 2015). Chen, W., Yin, X. und Ma, D. (2014): A bottom-up analysis of China’s iron and steel industrial energy consumption and CO2 emissions. In: Applied Energy 136, S. 1174–1183. (Besucht am 15. 04. 2016). Comodi, G., Cioccolanti, L. und Gargiulo, M. (2012): Municipal scale scenario: Analysis of an Italian seaside town with MarkAL-TIMES. In: Energy Policy 41, S. 303–315. (Besucht am 03. 02. 2014). Cooke, D. (2011): Empowering Customer Choice in Electricity Markets. Paris: International Energy Agency. URL: https://www.iea.org/publications/freepublications/publication/Empo wer.pdf (besucht am 15. 11. 2013). 144 Literatur Creamer, T. (2013): Eskom signs up 11 buy-back deals to provide maintenance cushion. URL: http://www.engineeringnews.co.za/article/eskom-signs-up-11-buy-back-deals-to-provide -maintenance-cushion-2013-01-14 (besucht am 08. 01. 2016). Deane, J., Chiodi, A., Gargiulo, M. und Ó Gallachóir, B. P. (2012): Soft-linking of a power systems model to an energy systems model. In: Energy 42 (1), S. 303–312. (Besucht am 03. 02. 2014). Destatis – Statistisches Bundesamt (2011): Bevölkerung und Erwerbstätigkeit 2010. Haushalte und Familien - Ergebnisse des Mikrozensus. Wiesbaden. URL: https://www.destatis.de/G PStatistik/servlets/MCRFileNodeServlet/DEHeft_derivate_00009112/2010300107004.pdf (besucht am 16. 11. 2015). Destatis – Statistisches Bundesamt (2012): Bauen und Wohnen. Mikrozensus - Zusatzerhebung 2010 - Bestand und Struktur der Wohneinheiten - Wohnsituation der Haushalte. URL: https ://www.destatis.de/DE/Publikationen/Thematisch/EinkommenKonsumLebensbedingunge n/Wohnen/WohnsituationHaushalte2055001109004.pdf?__blob=publicationFile (besucht am 14. 10. 2014). Destatis – Statistisches Bundesamt (2014): Ausstattung privater Haushalte mit elektrischen Haushalts- und sonstigen Geräten - Deutschland. Laufenden Wirtschaftrechnungen. URL: h ttps://www.destatis.de/DE/ZahlenFakten/GesellschaftStaat/EinkommenKonsumLebensbe dingungen/AusstattungGebrauchsguetern/Tabellen/Haushaltsgeraete_D.html (besucht am 15. 10. 2014). Destatis – Statistisches Bundesamt (2015a): Bautätigkeit und Wohnungen. Bestand an Wohnun- gen. Wiesbaden. URL: https://www.destatis.de/DE/Publikationen/Thematisch/Bauen/Wo hnsituation/BestandWohnungen2050300147004.pdf?__blob=publicationFile (besucht am 13. 11. 2015). Destatis – Statistisches Bundesamt (2015b): Bevölkerung und Erwerbstätigkeit. Vorläufige Er- gebnisse der Bevölkerungsfortschreibung 2014 auf Grundlage des Zensus 2011. Wiesba- den. URL: https://www.destatis.de/DE/Publikationen/Thematisch/Bevoelkerung/Bevoelke rungsstand/VorlBevoelkerungsfortschreibung5124103149004.pdf?__blob=publicationFile (besucht am 13. 11. 2015). Destatis – Statistisches Bundesamt (2015c): Bevölkerung und Erwerbstätigkeit 2014. Haushalte und Familien - Ergebnisse des Mikrozensus. Wiesbaden. URL: https://www.destatis.de/DE /Publikationen/Thematisch/Bevoelkerung/HaushalteMikrozensus/HaushalteFamilien2010 300147004.pdf?__blob=publicationFile (besucht am 16. 11. 2015). Destatis – Statistisches Bundesamt (2015d): Verkehr. Verkehr im Überblick. Wiesbaden. URL: https://www.destatis.de/DE/Publikationen/Thematisch/TransportVerkehr/Querschnitt/Ver kehrUeberblick2080120147004.pdf?__blob=publicationFile (besucht am 13. 11. 2015). Destatis – Statistisches Bundesamt (2015e): Volkswirtschaftliche Gesamtrechnungen. Inlands- produktsberechnung - Detaillierte Jahresergebnisse. Wiesbaden. URL: https://www.destatis Literatur 145 .de/DE/Publikationen/Thematisch/VolkswirtschaftlicheGesamtrechnungen/Inlandsproduk t/InlandsproduktsberechnungEndgueltigPDF_2180140.pdf;jsessionid=0EAEB83A2A84E 36D8C0C2DFC4E4A921C.cae3?__blob=publicationFile (besucht am 13. 11. 2015). Deschermeier, P. (2016): Einfluss der Zuwanderung auf die demografische Entwicklung in Deutschland. Hrsg. von Institut der deutschen Wirtschaft Köln. Köln. URL: https : / / ww w.iwkoeln.de/_storage/asset/284209/storage/master/file/9516076/download/IW-Trends _2016-02-03_Deschermeier.pdf (besucht am 02. 06. 2016). Deuschle, J., Hauser, W., Sonnberger, M., Tomaschek, J., Brodecki, L. und Fahl, U. (2015): Energie-Autarkie und Energie-Autonomie in Theorie und Praxis. In: Zeitschrift für Ener- giewirtschaft 39 (3), S. 151–162. Diefenbach, N., Cischinsky, H., Rodenfels, M. und Clausnitzer, K.-D. (2010): Datenbasis Ge- bäudebestand. Datenerhebung zur energetischen Qualität und zu den Modernisierungs- trends im deutschen Wohngebäudebestand. 1. Auflage. Darmstadt: Institut Wohnen und Umwelt und Bremer Energie Institut. 150 S. URL: http://datenbasis.iwu.de/dl/Endbericht _Datenbasis.pdf (besucht am 17. 11. 2015). DIN – Deutsches Institut für Normung e. V., Hrsg. (2003): Wärmeschutz und Energie-Einspa- rung in Gebäuden. Vornorm. Berlin. (Besucht am 15. 11. 2015). Dittrich, M. (2015): Investitionskosten von Flansch-Heizkörpern. Unter Mitarb. von M. Wei- nert. E-Mail. Reichshof. DOE – U.S. Department of Energy (2006): Benefits of Demand Response in Electricity Mar- kets and Recommendations for Achieving Them. A Report to the United States Congress Pursuant to Section 1252 of the Energy Policy Act of 2005. (Besucht am 15. 11. 2013). Döschner, J. (2015): Was bringt die „Klimareserve“? Stilllegung von Braunkohlekraftwerken. URL: https://www.tagesschau.de/inland/klimareserve- fragen-und-antworten-101.html (besucht am 22. 11. 2015). EC – European Commission (2013): Incorporing demand side flexibility, in particular demand response, in electricity markets. Commission staff working document. Brussels. URL: http ://ec.europa.eu/energy/gas_electricity/doc/com_2013_public_intervention_swd07_en.pdf (besucht am 18. 12. 2013). EC – European Commission (2016a): Effort Sharing Decision. URL: http://ec.europa.eu/clima /policies/effort/index_en.htm (besucht am 02. 05. 2016). EC – European Commission (2016b): Energy Efficiency. Saving energy, saving money. URL: h ttp://ec.europa.eu/energy/en/topics/energy-efficiency (besucht am 02. 05. 2016). EK – Europäische Kommission (2016a): CO2-arme Wirtschaft bis 2050. URL: http://ec.europa .eu/clima/policies/strategies/2050/index_de.htm (besucht am 02. 05. 2016). EK – Europäische Kommission (2016b): Klima- und Energiepaket 2020. URL: http://ec.europa .eu/clima/policies/strategies/2020/index_de.htm (besucht am 02. 05. 2016). 146 Literatur EK – Europäische Kommission (2016c): Rahmen für die Klima- und Energiepolitik bis 2030. URL: http : / / ec . europa . eu / clima / policies / strategies / 2030 / index _ de . htm (besucht am 02. 05. 2016). Elsner, P., Erlach, B., Fischedick, M., Lunz, B. und Sauer, D. U. (2015): Flexibilitätskonzepte für die Stromversorgung 2050. Technologien – Szenarien – Systemzusammenhänge. Mün- chen: acatech – Deutsche Akademie der Technikwissenschaften e. V., Deutsche Akademie der Naturforscher Leopoldina e. V. und Union der deutschen Akademien der Wissenschaf- ten e. V. URL: http://www.acatech.de/fileadmin/user_upload/Baumstruktur_nach_Website /Acatech/root/de/Publikationen/Kooperationspublikationen/ESYS_Analyse_Flexibilitaets konzepte.pdf (besucht am 28. 05. 2016). S. Eltron – Stiebel Eltron GmbH & Co. KG (2015a): Kleinspeicher und Wandspeicher. URL: ht tps://www.stiebel-eltron.de/de/home/produkte-loesungen/warmwasser/kleinspeicher_und wandspeicher/kleinspeicher_5_bis15l.html (besucht am 17. 11. 2015). S. Eltron – Stiebel Eltron GmbH & Co. KG (2015b): Kleinspeicher und Wandspeicher. Stand- speicher ab 200 L. URL: https : / / www . stiebel - eltron . de / de / home / produkte - loesunge n/warmwasser/kleinspeicher_undwandspeicher/standspeicher_ab200l.html (besucht am 17. 11. 2015). S. Eltron – Stiebel Eltron GmbH & Co. KG (2015c): Kleinspeicher und Wandspeicher. Wand- speicher 30 bis 150 L. URL: https://www.stiebel-eltron.de/de/home/produkte-loesungen /warmwasser/kleinspeicher_undwandspeicher/wandspeicher_30_bis150l.html (besucht am 17. 11. 2015). EnBW (2013): Umfrage zum Forschungsprojekt MeRegio. Die Ergebnisse. URL: http://www .meregio.de/pdf/MeRegio_Forsabericht.pdf (besucht am 01. 11. 2015). ENTSO-E – European Network of Transmission System Operators for Electricity (2014): The ENTSO-E Transparency Platform. 2014 Data. URL: https://transparency.entsoe.eu/conten t/static_content/Static%20content/legacy%20data/legacy%20data2014.html (besucht am 28. 01. 2016). ENTSO-E – European Network of Transmission System Operators for Electricity (2015): Hour- ly load values for a specific country for a specific month (in MW). ENTSO-E. URL: https ://www.entsoe.eu/db-query/consumption/mhlv-a-specific-country-for-a-specific-month (besucht am 23. 08. 2015). Eurostat (2015a): Detaillierte jährliche Unternehmensstatistiken für die Industrie (NACE Rev. 2, B-E). [sbs_na_ind_r2]. URL: http://ec.europa.eu/eurostat/data/database# (besucht am 14. 10. 2015). Eurostat (2015b): Harmonisierte Verbraucherpreisindizes (HVPI) (prc_hicp). HVPI (2005 = 100) - Jährliche Daten (Durchschnittsindex und Veränderungsrate) [prc_hicp_aind]. URL: http://ec.europa.eu/eurostat/web/hicp/data/database (besucht am 15. 10. 2015). Literatur 147 Fahl, U., Rühle, B., Blesl, M., Ellersdorfer, I., Eltrop, L., Harlinghausen, D.-C., Küster, R., Rehrl, T., Remme, U. und Voß, A. (2007): Energieprognose Bayern 2030. Stuttgart: Institut für Energiewirtschaft und Rationelle Energieanwendung. URL: http://elib.uni-stuttgart.de/b itstream/11682/1767/1/FB102.pdf (besucht am 10. 04. 2016). Fahl, U., Welsch, J., Eberl, T., Vu, T., Steurer, M., Bothor, S., Blesl, M. und Telsnig, T. (2015): Systemanalyse Energiespeicher. Schlussbericht. Hrsg. von Institut für Energiewirtschaft und Rationelle Energieanwendung. Stuttgart. Faruqui, A., Harris, D. und Hledik, R. (2010): Unlocking the e53 billion savings from smart meters in the EU: How increasing the adoption of dynamic tariffs could make or break the EU’s smart grid investment. In: Energy Policy 38 (10), S. 6222–6231. (Besucht am 08. 01. 2016). Faria, P. und Vale, Z. (2011): Demand response in electrical energy supply: An optimal real time pricing approach. In: Energy 36 (8), S. 5374–5384. (Besucht am 08. 01. 2016). Fehrenbach, D., Merkel, E., McKenna, R., Karl, U. und Fichtner, W. (2014): On the econo- mic potential for electric load management in the German residential heating sector – An optimising energy system model approach. In: Energy 71, S. 263–276. (Besucht am 05. 05. 2015). Finn, P. und Fitzpatrick, C. (2014): Demand side management of industrial electricity consump- tion: Promoting the use of renewable energy through real-time pricing. In: Applied Energy 113, S. 11–21. (Besucht am 15. 11. 2013). Fleiter, T., Hrsg. (2013): Energieverbrauch und CO2-Emissionen industrieller Prozesstechnolo- gien. Einsparpotenziale, Hemmnisse und Instrumente. ISI-Schriftenreihe „Innovationspo- tenziale“. Stuttgart: Fraunhofer-Verl. 562 S. Fraunhofer IRB (2011): Aktualisierte und erweitere Testreferenzjahre (TRY) von Deutschland für mittlere und extreme Witterungsverhältnisse. URL: http://www.irbnet.de/daten/baufo /20118035316/TRY2011_Datensatz.zip (besucht am 14. 05. 2015). Galván-López, E., Curran, T., McDermott, J. und Carroll, P. (2015): Design of an autonomous intelligent Demand-Side Management system using stochastic optimisation evolutionary algorithms. In: Neurocomputing 170, S. 270–285. (Besucht am 08. 01. 2016). Gebhardt, M., Kohl, H. und Steinrötter, T. (2002): Ableitung von Kostenfunktionen für Kom- ponenten der rationellen Energienutzung. Preisatlas. Duisburg-Rheinhausen: Institut für Energie- und Umwelttechnik e.V. (IUTA). URL: http:/ /www.stenum.at/media/documen ts/preisatlas_komplett.PDF (besucht am 06. 10. 2015). Geppert, J. (2011): Modelling of domestic refrigerators energy consumption under real li- fe conditions in Europe. Institut für Landtechnik. Bonn: Rheinische Friedrich-Wilhelms- Universität Bonn. 145 S. URL: http://hss.ulb.uni-bonn.de/2011/2587/2587.pdf (besucht am 13. 10. 2014). 148 Literatur Gils, H. C. (2014): Assessment of the theoretical demand response potential in Europe. In: Energy 67, S. 1–18. (Besucht am 04. 12. 2015). Gils, H. C. (2016): Economic potential for future demand response in Germany – Modeling approach and case study. In: Applied Energy 162, S. 401–415. (Besucht am 03. 12. 2015). Gin, B., Farid, M. und Bansal, P. (2010): Effect of door opening and defrost cycle on a freezer with phase change panels. In: Energy Conversion and Management 51 (12), S. 2698–2706. (Besucht am 18. 11. 2015). Göransson, L., Goop, J., Unger, T., Odenberger, M. und Johnsson, F. (2014): Linkages between demand-side management and congestion in the European electricity transmission system. In: Energy 69, S. 860–872. URL: http : / / www . sciencedirect . com / science / article / pii / S 0360544214003478. Gottwalt, S., Ketter, W., Block, C., Collins, J. und Weinhardt, C. (2011): Demand side ma- nagement—A simulation of household behavior under variable prices. In: Energy Policy 39 (12), S. 8163–8174. (Besucht am 08. 01. 2016). Götz, B., Voß, A., Blesl, M. und Fahl, U. (2011): Die Auswirkungen des EEG auf das Ener- giesystem Deutschlands – Eine Betrachtung mit dem Energiesystemmodell TIMES-D. In: Zeitschrift für Energiewirtschaft 35 (3), S. 183–194. (Besucht am 03. 02. 2014). Haasz, T., Tomaschek, J. und Fahl, U. (2013): South Africa’s iron and steel industry. An eva- luation of energy and greenhouse gas emission reduction potentials in Gauteng Province. In: 16th International Union of Air Pollution Prevention and Environmental Protection As- sociations (IUAPPA) Congress. (Kapstadt, 29. Sep.–4. Okt. 2013). Hartmann, N. (2013): Rolle und Bedeutung der Stromspeicher bei hohen Anteilen erneuerbarer Energien in Deutschland. Speichersimulation und Betriebsoptimierung. Institut für Energie- wirtschaft und Rationelle Energieanwendung. ger. Holzgartenstr. 16 und 70174 Stuttgart: Universität Stuttgart. URL: http://elib.uni-stuttgart.de/opus/volltexte/2013/8555 (besucht am 22. 10. 2015). Hasanuzzaman, M., Saidur, R. und Masjuki, H. (2009): Effects of operating variables on heat transfer and energy consumption of a household refrigerator-freezer during closed door operation. In: Energy 34 (2), S. 196–198. (Besucht am 01. 05. 2015). Hasanbeigi, A., Price, L., Lu, H. und Lan, W. (2010): Analysis of energy-efficiency opportu- nities for the cement industry in Shandong Province, China: A case study of 16 cement plants. In: Energy 35 (8), S. 3461–3473. (Besucht am 22. 04. 2016). Hasanbeigi, A., Morrow, W., Masanet, E., Sathaye, J. und Xu, T. (2013): Energy efficiency improvement and CO2 emission reduction opportunities in the cement industry in China. In: Energy Policy 57, S. 287–297. (Besucht am 03. 04. 2016). Hellwig, M. (2003): Entwicklung und Anwendung parametrisierter Standard-Lastprofile. En- ergiewirtschaft und Anwendungstechnik. Dissertation. München: Technische Universität Literatur 149 München. URL: http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss200310071 5846 (besucht am 15. 11. 2015). Hermelink, A. H. und de Jager, D. (2015): Evaluating our future. The crucial role of discount rates in European Commission energy system modelling. Hrsg. von The European Council for an Energy Efficient Economy. Stockholm. URL: http://www.eceee.org/policy-areas/dis count-rates/resolveuid/b5a128e269a1428bb947040dbeb39ce8 (besucht am 26. 09. 2016). Hoefnagels, R., Junginger, M., Panzer, C., Resch, G. und Held, A. (2011): Long Term Poten- tials and Costs of RES. Part I: Potentials, Diffusion and Technological learning. Utrecht: Copernicus Institute. URL: http://www.reshaping-res-policy.eu/downloads/D10_Long-ter m-potentials-and-cost-of-RES.pdf (besucht am 22. 12. 2015). Howells, M., Alfstad, T., Victor, D., Goldstein, G. und Remme, U. (2005): A model of hou- sehold energy services in a low-income rural African village. In: Energy Policy 33 (14), S. 1833–1851. (Besucht am 20. 11. 2013). Huber, M., Dimkova, D. und Hamacher, T. (2014): Integration of wind and solar power in Europe: Assessment of flexibility requirements. In: Energy 69, S. 236–246. (Besucht am 11. 12. 2015). Huber, G. (2015): Spezifische Kosten Erdgasbrennwertgerät. Unter Mitarb. von M. Weinert. E-Mail. Mainburg. idealo (2015a): Bitron 902010/25. URL: http://www.idealo.de/preisvergleich/OffersOfProduct /4887947_-902010-25-bitron.html (besucht am 22. 12. 2015). idealo (2015b): Bitron 902010/28. URL: http://www.idealo.de/preisvergleich/OffersOfProduct /4887964_-902010-28-bitron.html (besucht am 22. 12. 2015). IEA – International Energy Agency (2003): The Power to Choose. Demand Response in Libe- ralised Electricity Markets. Paris. (Besucht am 15. 11. 2013). IEA – International Energy Agency (2011a): Harnessing variable renewables. A guide to the balancing challenge. Paris: OECD/IEA. IEA – International Energy Agency (2011b): Modelling the capacity credit of renewable energy sources. URL: http://www.worldenergyoutlook.org/media/weowebsite/energymodel/Meth odology_CapacityCredit.pdf (besucht am 23. 08. 2015). IEA – International Energy Agency (2011c): World energy outlook 2011. Paris: OECD. 659 S. (Besucht am 23. 08. 2015). IEA – International Energy Agency und OECD (2015): World Energy Outlook 2015. Paris: OECD Publishing. 718 S. URL: http://www.oecd-ilibrary.org/docserver/download/611527 1e.pdf?expires=1447151036&id=id&accname=ocid77015704&checksum=67AD103B1F 6953C40968759061B631F6 (besucht am 10. 11. 2015). Inan, C., Newell, T. und Egrican, A. (2000): Heat and Mass Transfer through a Domestic Ref- rigerator and Evaluation of Evaporator Performance under Frosted Conditions. Air Condi- 150 Literatur tioning and Refrigeration Center University of Illinois. URL: https://www.ideals.illinois.ed u/bitstream/handle/2142/13407/CR048.pdf?sequence=2.. (besucht am 15. 10. 2014). Ingenieurkarriere.de (2014): Gehälter für Ingenieure mit Berufserfahrung 2014. URL: http://w ww.ingenieurkarriere.de/content/download/16501/415166/file/Geh%C3%A4lter (besucht am 31. 10. 2015). IWR – IWR Windenergie (2012): Der IWR-Windertragsindex R© für Regionen. 10-jähriger In- dex 2011. URL: http://www.iwr.de/wind/wind/windindex/index11_10jahre.htm (besucht am 13. 11. 2015). Kannan, R. und Turton, H. (2012): Cost of ad-hoc nuclear policy uncertainties in the evo- lution of the Swiss electricity system. In: Energy Policy 50, S. 391–406. (Besucht am 03. 02. 2014). Kao, J. Y. und Kelly, G. E. (1996): Factors Affecting the Energy Consumption of Two Refrige- rator-Freezers. In: ASHRAE Transactions 102 (2), S. 1–11. (Besucht am 14. 05. 2015). Kar, A. K. und Kar, Ü. (1996): Optimum design and selection of residential storage-type electric water heaters for energy conservation. In: Energy Conversion and Management 37 (9), S. 1445–1452. URL: http://www.sciencedirect.com/science/article/pii/0196890495002308. Kaygusuz, K. (1999): The Viability of Thermal Energy Storage. In: Energy Sources 21 (8), S. 745–755. Keep, T., Sifuentes, F., Auslander, D. und Callaway, D. (2011): Using load switches to control aggregated electricity demand for load following and regulation. In: 2011 IEEE Power and Energy Society General Meeting. (Detroit, 24.–29. Juli 2011). July, S. 1–7. Kemna, R., van Elburg, M., Li, W., van Holsteijn, R., Denison-Pender, M. und Corso, A. (2007): Preparatory Study on Eco-design of Water Heaters. Task 2 Report (Final) - Market Analysis. Delft. URL: https://www.ebpg.bam.de/de/ebpg_medien/002_studyf_07-11_part2.pdf (besucht am 28. 07. 2016). Kepplinger, P., Huber, G. und Petrasch, J. (2015): Autonomous optimal control for demand side management with resistive domestic hot water heaters using linear optimization. In: Energy and Buildings 100, S. 50–55. (Besucht am 08. 01. 2016). Kerlen, J. (2014): Leitentscheidung - begleitende Studie zur energiewirtschaftlichen Notwen- digkeit der Braunkohle - Abstimmung Eingangsdaten. Unter Mitarb. von T. Haasz. E-Mail. Essen. Kies, A., Nag, K., Bremen, L. von, Lorenz, E. und Heinemann, D. (2015): Investigation of balancing effects in long term renewable energy feed-in with respect to the transmission grid. In: Advances in Science and Research 12, S. 91–95. (Besucht am 11. 03. 2016). Killus, R. (2015): Spezifische Kosten Elektro-Heizstäbe in Pufferspeichern. Unter Mitarb. von M. Weinert. E-Mail. Seesen. Klobasa, M., Angerer, G., Lüllmann, A., Schleich, J., Buber, T., Gruber, A., Hünecke, M. und Roon, S. von (2013): Lastmanagement als Beitrag zur Deckung des Spitzenlastbedarfs in Literatur 151 Süddeutschland. Endbericht einer Studie von Fraunhofer ISI und der Forschungsgesell- schaft für Energiewirtschaft. Hrsg. von Agora Energiewende. Berlin. URL: http://www.ag ora-energiewende.de/fileadmin/Projekte/2012/Lastmanagement-als-Beitrag-zur-Versor gungssicherheit/Agora_Studie_Lastmanagement_Sueddeutschland_Endbericht_web.pdf (besucht am 06. 04. 2016). Klobasa, M. (2007): Dynamische Simulation eines Lastmanagements und Integration von Wind- energie in ein Elektrizitätsnetz auf Landesebene unter regelungstechnischen und Kostenge- sichtspunkten. Zürich: ETH Zürich. 239 S. URL: http://publica.fraunhofer.de/eprints/urn_n bn_de_0011-n-686156.pdf (besucht am 17. 02. 2016). Knau, T. (2015): Spezifische Kosten Erdgasbrennwertgerät. Unter Mitarb. von M. Weinert. E- Mail. Lollar. Kober, T. (2014): Energiewirtschaftliche Anforderungen an neue fossil befeuerte Kraftwerke mit CO2-Abscheidung im liberalisierten europäischen Elektrizitätsmarkt. Institut für Ener- giewirtschaft und Rationelle Energieanwendung. ger. Holzgartenstr. 16 und 70174 Stutt- gart: Universität Stuttgart. URL: http : / / elib .uni - stuttgart . de /opus /volltexte /2014 /9144 (besucht am 12. 11. 2015). Koch, S. (2012): Demand Response Methods for Ancillary Services and Renewable Energy Integration in Electric Power Systems. Zürich: ETH Zürich. 299 S. URL: http://e-collectio n.library.ethz.ch/eserv/eth:6787/eth-6787-02.pdf (besucht am 24. 01. 2016). Kohler, T. (2015): Investitionskosten steuerbarer Kühlgeräte. Unter Mitarb. von T. Haasz. Tele- fonat. Kondoh, J., Ning Lu und Hammerstrom, D. (2011): An Evaluation of the Water Heater Load Potential for Providing Regulation Service. In: IEEE Transactions on Power Systems 26 (3), S. 1309–1316. Kondziella, H. und Bruckner, T. (2016): Flexibility requirements of renewable energy based electricity systems – a review of research results and methodologies. In: Renewable and Sustainable Energy Reviews 53, S. 10–22. (Besucht am 31. 03. 2016). Kost, C., Mayer, J. N., Thomsen, J., Hartmann, N., Senkpiel, C., Philipps, S., Nold, S., Lude, S., Saad, N. und Schlegl, T. (2013): Levelized Cost of Electricity Renewable Energy Techno- logies. Freiburg: Fraunhofer ISE. URL: https://www.ise.fraunhofer.de/en/publications/vero effentlichungen-pdf-dateien-en/studien-und-konzeptpapiere/study-levelized-cost-of-elect ricity-renewable-energies.pdf (besucht am 22. 12. 2015). Kuder, R., Blesl, M., Fahl, U. und Voß, A. (2013): Energieeffizienz. Diskussion der aktuellen Begriffsverwendung und Herleitung eines erweiterten Verständnisses. Arbeitsbericht. Stutt- gart: Institut für Energiewirtschaft und Rationelle Energieanwendung. URL: http://www.ie r.uni-stuttgart.de/publikationen/arbeitsberichte/downloads/Arbeitsbericht_12.pdf (besucht am 29. 09. 2016). 152 Literatur Kuder, R. (2014): Energieeffizienz in der Industrie. Modellgestützte Analyse des effizienten Energieeinsatzes in der EU-27 mit Fokus auf den Industriesektor. Institut für Energiewirt- schaft und Rationelle Energieanwendung. ger. Holzgartenstr. 16 und 70174 Stuttgart: Uni- versität Stuttgart. URL: http://elib.uni-stuttgart.de/opus/volltexte/2014/9063 (besucht am 13. 11. 2015). Kypreos, S. und Lehtila, A. (2015): Decomposing TIAM-MACRO to Assess Climatic Change Mitigation. In: Environmental Modeling & Assessment 20 (6), S. 571–581. (Besucht am 25. 04. 2017). Labriet, M., Loulou, R. und Kanudia, A. (2008): Is a 2 degrees Celsius warming achievable under high uncertainty? Analysis with the TIMES integrated assessment model. In: Les Cahiers du GERAD (G–2008–30), S. 1–23. (Besucht am 31. 01. 2014). Laege, E. (2002): Entwicklung des Energiesektors im Spannungsfeld von Klimaschutz und Ökonomie. Eine modellgestütze Systemanalyse. Institut für Energiewirtschaft und Ratio- nelle Energiewirtschaft. Stuttgart: Universität Stuttgart. Laguerre, O. und Flick, D. (2004): Heat transfer by natural convection in domestic refrigerators. In: Journal of Food Engineering 62 (1), S. 79–88. (Besucht am 01. 05. 2015). Laguerre, O. und Flick, D. (2007): Frost formation on frozen products preserved in domestic freezers. In: Journal of Food Engineering 79 (1), S. 124–136. (Besucht am 18. 11. 2015). Laguerre, O. (2010): Heat Transfer and Air Flow in a Domestic Refrigerator. In: Mathematical Modeling of Food Processing. Contemporary Food Engineering. CRC Press, S. 453–482. Leahy, E. und Tol, R. S. (2011): An estimate of the value of lost load for Ireland. In: Energy Policy 39 (3), S. 1514–1520. (Besucht am 05. 08. 2015). Lefebvre, S. und Desbiens, C. (2002): Residential load modeling for predicting distribution transformer load behavior, feeder load and cold load pickup. In: International Journal of Electrical Power & Energy Systems 24 (4), S. 285–293. LG (2015): Discover LG Smart ThinQTM Appliances. URL: http://www.lg.com/us/discover/sm artthinq/thinq (besucht am 22. 12. 2015). Lijesen, M. G. (2007): The real-time price elasticity of electricity. In: Energy Economics 29 (2), S. 249–258. (Besucht am 23. 11. 2015). Lisovich, M. A., Mulligan, D. K. und Wicker, S. B. (2010): Inferring Personal Information from Demand-Response Systems. In: Security Privacy, IEEE 8 (1), S. 11–20. Liu, D.-Y., Chang, W.-R. und Lin, J.-Y. (2004): Performance comparison with effect of door opening on variable and fixed frequency refrigerators/freezers. In: Applied Thermal Engi- neering 24 (14-15), S. 2281–2292. (Besucht am 18. 11. 2015). Livgard, E. (2010): Electricity customers’ attitudes towards smart metering. In: 2010 IEEE International Symposium on Industrial Electronics (ISIE). (Bari, 4.–7. Juli 2010). July, S. 2519–2523. Literatur 153 Loga, T., Born, R., Großklos, M. und Bially, M. (2001): Energiebilanz-Toolbox. Arbeitshil- fe und Ergänzungen zum Energiepass Heizung, Warmwasser. 1. Aufl. Darmstadt: Institut Wohnen und Umwelt. 76 S. Loulou, R., Remme, U., Kanudia, A., Lehtila, A. und Goldstein, G. (2005a): Documentation for the TIMES Model. PART I. Hrsg. von Energy Technology Systems Analysis Programme. URL: http://www.iea-etsap.org/web/Docs/TIMESDoc-Intro.pdf (besucht am 29. 01. 2014). Loulou, R., Remme, U., Kanudia, A., Lehtila, A. und Goldstein, G. (2005b): Documentation for the TIMES Model. PART II. Hrsg. von Energy Technology Systems Analysis Program- me. URL: http : / / www . iea - etsap . org / web / Docs / TIMESDoc - Details . pdf (besucht am 04. 12. 2013). Lu, N. und Katipaluma, S. (2005): Control Strategies of Thermostatically Controlled Applian- ces in a Competitive Electricity Market. In: Power Engineering Society General Meeting, 2005. IEEE (1), S. 202–207. (Besucht am 13. 10. 2014). Lünsdorf, O. (2012): Selbstorganisation virtueller Geräte für das Lastmanagement von Klein- verbrauchern. Fakultät II - Informatik, Wirtschafts- und Rechtswissenschaften - Depart- ment für Informatik. Oldenburg: Universität Oldenburg. URL: http://www.uni-oldenburg .de/fileadmin/user_upload/informatik/download/Promotionen/luesel12.pdf (besucht am 23. 10. 2015). Magness, B. und Seely, C. V. (2013): Estimating the Value of Lost Load. Briefing paper prepared for the Electric Reliability Council of Texas, Inc. by London Economics International LLC. Texas. URL: https://www.google.de/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ca d=rja&uact=8&ved=0CCcQFjAAahUKEwizqtndnpzHAhVJVSwKHVlwDW4&url=http %3A%2F%2Fwww.ercot.com%2Fcontent%2Fgridinfo%2Fresource%2F2014%2Fmktan alysis%2FERCOT_ValueofLostLoad_LiteratureReviewandMacroeconomic.pdf&ei=i2fH VfO4FsmqsQHZ4LXwBg&usg=AFQjCNG6rJbCndr0wHerq9JAByPaOBo3gQ&bvm=bv .99804247,d.bGg (besucht am 09. 08. 2015). McKane, A. und Hasanbeigi, A. (2011): Motor systems energy efficiency supply curves: A methodology for assessing the energy efficiency potential of industrial motor systems. In: Energy Policy 39 (10), S. 6595–6607. (Besucht am 22. 04. 2016). McKenna, E., Richardson, I. und Thomson, M. (2012): Smart meter data: Balancing consumer privacy concerns with legitimate applications. In: Energy Policy 41, S. 807–814. (Besucht am 01. 11. 2015). McKenna, R., Hollnaicher, S. und Fichtner, W. (2014): Cost-potential curves for onshore wind energy: A high-resolution analysis for Germany. In: Applied Energy 115, S. 103–115. (Be- sucht am 22. 12. 2015). Meck, G. (2015): Irrsinn in Irsching. Hrsg. von W. D’Inka, J. Kaube, B. Kohler und H. Steltzner. Frankfurter Allgemeine Zeitung. URL: http://www.faz.net/aktuell/wirtschaft/wirtschaftspo 154 Literatur litik/eon-kraftwerk-irsching-das-scheitern-der-energiewende-13483187.html (besucht am 29. 05. 2016). Meier, A. K. (1982): Supply Curves of Conserved Energy. Lawrence Berkeley Laboratory. Berkeley: University of California. 125 S. URL: http://escholarship.org/uc/item/20b1j10d (besucht am 22. 04. 2016). Mert, W., Suschek-Berger, J. und Tritthart, W. (2008): Consumer acceptance of smart applian- ces. A report prepared as part of the EIE project „Smart Domestic Appliances in Sustainable Energy Systems (Smart-A)”. URL: http://www.smart-a.org/WP5_5_Consumer_acceptance _18_12_08.pdf (besucht am 01. 11. 2015). MeRegio Projektteam (2012): Projektergebnisse MeRegio. Ein Fazit des E-Energy Projektes MeRegio, zusammengefasst in Kernthesen. URL: https://www.enbw.com/media/privatkun den/docs/2012_10_10_thesen_final.pdf (besucht am 10. 04. 2016). Meyer, N. (2015): Statistisches Bundesamt, Kundennummer: 293215. Unter Mitarb. von J.-C. Brunke. E-Mail. Miele (2015): Produktauswahl Hausgerätevernetzung. URL: http://www.miele.de/haushalt/pro duktauswahl-hausgeraetevernetzung-3070.htm (besucht am 22. 12. 2015). Mišák, S., Stuchlý, J., Platoš, J. und Krömer, P. (2015): A heuristic approach to Active Demand Side Management in Off-Grid systems operated in a Smart-Grid environment. In: Energy and Buildings 96, S. 272–284. (Besucht am 08. 01. 2016). Moghaddam, M. P., Abdollahi, A. und Rashidinejad, M. (2011): Flexible demand response programs modeling in competitive electricity markets. In: Applied Energy 88 (9), S. 3257– 3269. (Besucht am 08. 01. 2016). Mortensen, R. und Haggerty, K. (1988): A stochastic computer model for heating and coo- ling loads. In: IEEE Transactions on Power Systems 3 (3), S. 1213–1219. (Besucht am 13. 10. 2014). Mousavi, B. und Blesl, M. (2014): Global decarbonisation pathways: Contribution of different options in CO2 reduction TIAM-MSA, Decomposition analysis. Semi-annual ETSAP_- TIAM meeting. Energy Technology Systems Analysis Programme. URL: https://iea-etsap .org/workshop/copenhagen_nov2014/wt3-mousavi%20ier%20etsap_tiam.pdf (besucht am 25. 04. 2017). Nakata, T., Silva, D. und Rodionov, M. (2011): Application of energy system models for desi- gning a low-carbon society. In: Progress in Energy and Combustion Science 37 (4), S. 462– 502. (Besucht am 30. 01. 2014). Neff (2014): Kühlschränke und Kühl-Gefrierkombinationen. URL: http://www.neff.de/produkt e/k%C3%BChlschr%C3%A4nke.html (besucht am 25. 08. 2014). Nick, S. (2014): Empirical Essays on Energy Economics and Firm Performance Measurement. Köln: Wirtschafts- und Sozialwissenschaftliche Fakultät der Universität zu Köln. 166 S. (Besucht am 05. 08. 2015). Literatur 155 Nooij, M. de, Koopmans, C. und Bijvoet, C. (2007): The value of supply security. In: Energy Economics 29 (2), S. 277–295. (Besucht am 06. 08. 2015). NPE – Nationale Plattform Elektromobilität (2014): Fortschrittsbericht 2014. Bilanz der Markt- vorbereitung. Hrsg. von Gemeinsame Geschäftsstelle Elektromobilität der Bundesregie- rung. Berlin. URL: http : / /www.bmub.bund.de/ fileadmin/Daten_BMU/Download_PD F/Verkehr/emob_fortschrifttsbericht_2014_bf.pdf (besucht am 16. 05. 2016). O’Dwyer, C., Duignan, R. und O’Malley, M. (2012): Modeling demand response in the residen- tial sector for the provision of reserves. In: 2012 IEEE Power and Energy Society General Meeting. (San Diego, 22.–26. Juli 2012). July, S. 1–8. Özdemir, E. D. (2012): The future role of alternative powertrains and fuels in the German trans- port sector. A model based scenario analysis with respect to technical, economic and envi- ronmental aspects with a focus on road transport. Institut für Energiewirtschaft und Ratio- nelle Energieanwendung. eng. Holzgartenstr. 16 und 70174 Stuttgart: Universität Stuttgart. URL: http://elib.uni-stuttgart.de/opus/volltexte/2012/7048/pdf/Oezdemir_Dissertation.pdf (besucht am 30. 01. 2014). P3 – P3 Energy & Storage GmbH (2015): Entwicklung des Ausbaus der erneuerbaren Energien in den Jahren 2016 bis 2020 (Trend-Szenario). Zusammenfassung des Datengerüstes. URL: https : / / www . netztransparenz . de / de / file / 20151015 _ EE - Prognose _ 2016_ - _2020 . pdf (besucht am 31. 07. 2016). Palensky, P. und Dietrich, D. (2011): Demand Side Management: Demand Response, Intelligent Energy Systems, and Smart Loads. In: IEEE Transactions on Industrial Informatics 7 (3), S. 381–388. (Besucht am 15. 11. 2013). Paulus, M. und Borggrefe, F. (2011): The potential of demand-side management in energy- intensive industries for electricity markets in Germany. In: Applied Energy 88 (2), S. 432– 441. (Besucht am 15. 11. 2013). Pelzer, R., Mathews, E., Le Roux, D. und Kleingeld, M. (2008): A new approach to ensure suc- cessful implementation of sustainable demand side management (DSM) in South African mines. In: Energy 33 (8), S. 1254–1263. (Besucht am 18. 11. 2013). Perfumo, C., Kofman, E., Braslavsky, J. H. und Ward, J. K. (2012): Load management: Model- based control of aggregate power for populations of thermostatically controlled loads. In: Energy Conversion and Management 55, S. 36–48. (Besucht am 13. 10. 2014). Pfeifroth, P., Samweber, F., Gobmaier, T. und Rüger, M. (2012): Funktionaler Stromspeicher mit Haushaltskühlgeräten. In: BWK 64 (12), S. 29–33. URL: https://www.ffe.de/downl oad/article /445/2012- 12_BWK- Artikel_Funktionaler_Stromspeicher .pdf (besucht am 13. 10. 2014). Philipps, S., Kost, C. und Schlegl, T. (2014): Up-to-date levelized cost of electricity of Photo- voltaics. Background from Fraunhofer ISE relating to IPCC WGIII 5th Assessment Report, Final Draft, September 2014. Freiburg: Fraunhofer ISE. URL: http://go100re.net/wp-conte 156 Literatur nt/uploads/2014/10/2014_10_24_Statement_LCOE_PV_Fraunhofer_ISE.pdf (besucht am 22. 12. 2015). PIK – Potsdam-Institut für Klimafolgenforschung (2015): Bedeckungsgrad. URL: https://www .pik-potsdam.de/services/klima-wetter-potsdam/klimazeitreihen/bedeckungsgrad (besucht am 16. 02. 2015). Pina, A., Silva, C. und Ferrão, P. (2012): The impact of demand side management strategies in the penetration of renewable electricity. In: Energy 41 (1), S. 128–137. (Besucht am 20. 11. 2013). Pina, A., Baptista, P., Silva, C. und Ferrão, P. (2013): Energy reduction potential from the shift to electric vehicles: The Flores island case study. In: Energy Policy. (Besucht am 21. 11. 2013). Prost, S. (2012): Anaylse der Nichtverfügbarkeit von Wärmekraftwerken 2002 - 2011. VGB Technisch-wissenschaftliche Berichte „Wärmekraftwerke“. Hrsg. von VGB PowerTech e. V. Essen. URL: http://www.vgb.org/vgbmultimedia/TW_103+A_+2012_+Kurzinfo- p -6294.pdf (besucht am 23. 08. 2015). Rask, C. (1989): Thermal properties of dough and bakery products: A review of published data. In: Journal of Food Engineering 9 (3), S. 167–193. Remme, U., Goldstein, G., Schellmann, U. und Schlenzig, C. (2002): MESAP / TIMES — Advanced Decision Support for Energy and Environmental Planning. In: Operations Rese- arch Proceedings 2001. Hrsg. von P. Chamoni, R. Leisten, A. Martin, J. Minnemann und H. Stadtler. Bd. 2001. Operations Research Proceedings 2001. Springer Berlin Heidelberg, S. 59–66. Remme, U. (2006): Zukünftige Rolle erneuerbarer Energien in Deutschland. Sensitivitätsanaly- sen mit einem linearen Optimierungsmodell. Institut für Energiewirtschaft und Rationelle Energieanwendung. ger. Holzgartenstr. 16 und 70174 Stuttgart: Universität Stuttgart. URL: http://elib.uni-stuttgart.de/opus/volltexte/2006/2817/pdf/dissertation_remme_2006.pdf (besucht am 29. 01. 2014). Richardson, I. und Thomson, M. (2010): Domestic electricity demand model - simulation examp- le. Loughborough University. URL: https : / /dspace . lboro .ac .uk/2134/5786 (besucht am 15. 11. 2015). Richardson, I., Thomson, M., Infield, D. und Clifford, C. (2010): Domestic electricity use: A high-resolution energy demand model. In: Energy and Buildings 42 (10), S. 1878–1887. (Besucht am 15. 11. 2015). Roon, S. von und Gobmaier, T. (2010): Demand Response in der Industrie. Status und Potenzia- le in Deutschland. Hrsg. von Forschungsstelle für Energiewirtschaft e.V. (FfE). München. URL: http://www.ffe.de/download/article/353/von_Roon_Gobmaier_FfE_Demand_Respo nse.pdf (besucht am 05. 12. 2013). Literatur 157 Roscoe, A. und Ault, G. (2010): Supporting high penetrations of renewable generation via implementation of real-time electricity pricing and demand response. In: IET Renewable Power Generation 4 (4), S. 369–382. (Besucht am 03. 03. 2014). Rüffler, W. (2001): Integrierte Ressourcenplanung für Baden-Württemberg. Bd. 77. Forschungs- bericht. Stuttgart: Universität Stuttgart, Institut für Energiewirtschaft und Rationelle Ener- gieanwendung. Rühle, B. (2013): Kosten regionaler Energie- und Klimapolitik. Szenarioanalysen mit einem Energiesystemmodell auf Bundesländerebene. Institut für Energiewirtschaft und Rationelle Energieanwendung. Stuttgart: Universität Stuttgart. URL: http://dx.doi.org/10.18419/opus -2177 (besucht am 08. 06. 2016). Saidur, R., Masjuki, H. H. und Choudhury, I. A. (2002): Role of ambient temperature, door opening, thermostat setting position and their combined effect on refrigerator-freezer en- ergy consumption. In: Energy Conversion and Management 43 (6), S. 845–854. URL: http ://www.sciencedirect.com/science/article/pii/S0196890401000693. Saidur, R., Mekhilef, S., Ali, M., Safari, A. und Mohammed, H. (2012): Applications of varia- ble speed drive (VSD) in electrical motors energy savings. In: Renewable and Sustainable Energy Reviews 16 (1), S. 543–550. (Besucht am 15. 12. 2015). Schlesinger, M., Hofer, P., Kemmler, A., Kirchner, A., Koziel, S., Ley, A., Piégsa, A., Seefeldt, F., Straßburg, S., Weinert, K., Lindenberger, D., Knaut, A., Malischek, R., Nick, S., Panke, T., Paulus, S., Tode, C., Wagner, J., Lutz, C., Lehr, U. und Ulrich, P. (2014): Entwicklung der Energiemärkte - Energiereferenzprognose. Projekt Nr. 57/12 - Studie im Auftrag des Bundesministeriums für Wirtschaft und Technologie. Endbericht. Hrsg. von Prognos AG, EWI - Energiewirtschaftliches Institut an der Universität zu Köln und Gesellschaft für Wirt- schaftliche Strukturforschung mbH. Basel, Köln und Osnabrück. URL: http://www.bmwi.d e/BMWi/Redaktion/PDF/Publikationen/entwicklung-der-energiemaerkte-energiereferenz prognose-endbericht,property=pdf,bereich=bmwi2012,sprache=de,rwb=true.pdf (besucht am 18. 11. 2015). Schlomann, B., Wohlfahrt, K., Kleeberger, H., Hardi, L., Geiger, B., Pich, A., Gruber, E., Gerspacher, A., Holländer, E. und Roser, A. (2015): Energieverbrauch des Sektors Gewer- be, Handel, Dienstleistungen (GHD) in Deutschland für die Jahre 2011 bis 2013. Schlussbe- richt an das Bundesministerium für Wirtschaft und Energie (BMWi). Hrsg. von Fraunhofer- Institut für System-und Innovationsforschung, Lehrstuhl für Energiewirtschaft und Anwen- dungstechnik, GfK Retail and Technology GmbH und Institut für Ressourceneffizienz und Energiestrategien. Karlsruhe, München und Nürnberg. URL: http://www.bmwi.de/Dateien /Energieportal/PDF/erhebung-des-energieverbrauchs-des-ghd-sektors-2011-2013,propert y=pdf,bereich=bmwi2012,sprache=de,rwb=true.pdf (besucht am 04. 10. 2015). Schmidt, C. (2013): Erstellung der Anwendungsbilanzen 2011 und 2012 für den Sektor Private Haushalte. Forschungsprojekt im Auftrag der Arbeitsgemeinschaft Energiebilanzen, Berlin. 158 Literatur Hrsg. von Rheinisch-Westfälisches Institut für Wirtschaftsforschung. URL: http://www.rwi -essen.de/media/content/pages/publikationen/rwi-projektberichte/PB_Anwendungsbilanz _2011_und_2012.pdf (besucht am 14. 10. 2014). Seck, G. S., Guerassimoff, G. und Maïzi, N. (2013): Heat recovery with heat pumps in non- energy intensive industry: A detailed bottom-up model analysis in the French food & drink industry. In: Applied Energy 111, S. 489–504. (Besucht am 15. 04. 2016). Seebach, D., Timpe, C. und Bauknecht, D. (2009): Costs and Benefits of Smart Appliances in Europe. D 7.2 of WP 7 from the Smart-A project - A report prepared as part of the EIE project „Smart Domestic Appliances in Sustainable Energy Systems (Smart-A)”. Öko- Institut. URL: http://www.smart-a.org/W_P_7_D_7_2_Costs_and_Benefits.pdf (besucht am 22. 12. 2015). SEG – SEG Hausgeräte GmbH (2015a): Standspeicher. URL: http://www.siemens-home.de/pr oduktliste/warmwasser/standspeicher (besucht am 17. 11. 2015). SEG – SEG Hausgeräte GmbH (2015b): Wandspeicher. URL: http://www.siemens-home.de/pr oduktliste/warmwasser/wandspeicher (besucht am 17. 11. 2015). Serra, P. und Fierro, G. (1997): Outage costs in Chilean industry. In: Energy Economics 19, S. 417–434. (Besucht am 06. 08. 2015). Shen, B., Ghatikar, G., Ni, C. C., Dudley, J., Martin, P. und Wikler, G. (2012): Addressing Energy Demand through Demand Response: International Experiences and Practices. Hrsg. von Ernest Orlando Lawrence Berkeley National Laboratory. (Besucht am 18. 11. 2013). Siano, P. (2014): Demand response and smart grids—A survey. In: Renewable and Sustainable Energy Reviews 30, S. 461–478. (Besucht am 04. 12. 2015). Siemens (2012): Kühlen und Gefrieren in neuer Dimension. Die neue Generation der Kältege- räte 2012: die besten ihrer Klasse. München. Siemens (2015): Warmwasser. Hrsg. von SEG Hausgeräte GmbH. URL: http://www.siemens-h ome.de/produkte/warmwasser (besucht am 16. 11. 2015). Siemens (2016): Gas- und Dampfturbinen-Kraftwerk setzt neue Maßstäbe. Irsching bei Ingol- stadt. URL: http://www.siemens.de/staedte/referenzprojekte/seiten/gud-kraftwerk_irsching -5.aspx (besucht am 29. 05. 2016). Sioshansi, R. und Short, W. (2009): Evaluating the Impacts of Real-Time Pricing on the Usage of Wind Generation. In: IEEE Transactions on Power Systems 24 (2), S. 516–524. Soria, R., Lucena, A. F. P., Tomaschek, J., Fichter, T., Haasz, T., Szklo, A., Schaeffer, R., Roche- do, P., Fahl, U., Kern, J. und Hoffmann, S. (2016): The role of CSP in Brazil: A multi-model analysis. In: AIP Conference Proceedings 1734 (1). Stadler, I. und Bukvic´-Schäfer, A. S. (2003): Demand side management as a solution for the balancing problem of distributed generation with high penetration of renewable energy sources. In: International Journal of Sustainable Energy 23 (4), S. 157–167. (Besucht am 03. 04. 2016). Literatur 159 Stadler, M., Krause, W., Sonnenschein, M. und Vogel, U. (2009): Modelling and evaluation of control schemes for enhancing load shift of electricity demand for cooling devices. In: Environmental Modelling & Software 24 (2), S. 285–295. (Besucht am 13. 10. 2014). Stadtwerke Unna (2002): VDEW-Lastprofile. H0: Haushalt allgemein. URL: http://www.gipsp rojekt.de/featureGips/sw_unna/EnwgTool/Stromnetz/Standardlastprofile/VDEW-Lastprof ile/VDEW-Lastprofile/Lastprofil_H0.xls (besucht am 15. 11. 2015). Stadler, I. (2006): Demand Response. Nichtelektrische Speicher für Elektrizitätsversorgungs- systeme mit hohem Anteil erneuerbarer Energien. Bd. 6. Berlin: dissertation.de. 241 S. Stadler, I. (2008): Power grid balancing of energy systems with high renewable energy penetra- tion by demand response. In: Utilities Policy 16 (2), S. 90–98. (Besucht am 03. 03. 2014). Stamminger, R. (2008): Synergy Potential of Smart Appliances. A report prepared as part of the EIE project „Smart Domestic Appliances in Sustainable Energy Systems (Smart-A)”. Hrsg. von University of Bonn. URL: http://www.smart-a.org/WP2_D_2_3_Synergy_Poten tial_of_Smart_Appliances.pdf (besucht am 13. 10. 2014). Sterner, M. und Stadler, I. (2014): Energiespeicher. Bedarf, Technologien, Integration. Berlin und Heidelberg: Springer Vieweg. Steurer, M., Haasz, T., Fahl, U. und Voß, A. (2014): Analysing Demand Side Management in Energy System Models. In: Proceedings of the 14th IAEE European Energy Conference. (Besucht am 01. 10. 2015). Steurer, M., Sun, N., Fahl, U. und Voß, A. (2014): Lastverschiebung in der Industrie. Potenzial und Einfluss auf die Stromerzeugungskosten in Deutschland. In: 13. Symposium Energie- innovation. (Graz, 12.–14. Feb. 2014). URL: http://www.tugraz.at/fileadmin/user_upload/E vents/Eninnov2014/files/lf/LF_Steurer.pdf (besucht am 08. 12. 2015). Steurer, M., Bothor, S. und Hufendiek, K. (2015): Nutzung von Demand Side Integration zur optimalen Systemintegration erneuerbarer Energien. In: Proceedings der 11. VDI-Fachtung Optimierung in der Energiewirtschaft. Steurer, M., Miller, M., Fahl, U. und Hufendiek, K. (2015): Enabling demand side integrati- on. Assessment of appropriate information and communication technology infrastructures, their costs and possible impacts on the electricity system. In: Proceedings of Smarter Euro- pe - E-world energy & water 2015, S. 1–8. URL: http://www.ier.uni-stuttgart.de/publikatio nen/veroeffentlichungen/downloads/20150121_SmartER_Europe_Steurer_Miller_et_al.p df (besucht am 15. 10. 2015). Steurer, M., Haasz, T., Klempp, N., Fahl, U. und Hufendiek, K. (2016): Beitrag des Gewerbes im Smart Market mit Fokus auf erdgasspezifische Anwendungen. Hrsg. von BDEW Bun- desverband der Energie- und Wasserwirtschaft e. V. Berlin: Institut für Energiewirtschaft und Rationelle Energieanwendung. Strbac, G. (2008): Demand side management: Benefits and challenges. In: Energy Policy 36 (12), S. 4419–4426. (Besucht am 15. 11. 2013). 160 Literatur Sun, N. (2013): Modellgestützte Untersuchung des Elektrizitätsmarktes. Kraftwerkseinsatzpla- nung und -investitionen. Institut für Energiewirtschaft und Rationelle Energieanwendung. ger. Holzgartenstr. 16 und 70174 Stuttgart: Universität Stuttgart. URL: http://elib.uni-stuttg art.de/opus/volltexte/2013/8642 (besucht am 10. 12. 2015). Swisher, J. N., Jannuzzi, G. S. M. de und Redlinger, R. Y. (1997): Tools and methods for in- tegrated resource planning. Improving energy efficiency and protecting the environment. Bd. 7. Working paper / UNEP Collaborating Centre on Energy and Environment. Den- mark: UNEP Collaborating Centre on Energy and Environment, Risø National Laboratory. 259 S. Tennet – TenneT TSO GmbH (2016): Tatsächliche und prognostizierte Windenergieeinspei- sung. URL: http://www.tennettso.de/site/de/Transparenz/veroeffentlichungen/netzkennzahl en/tatsaechliche-und-prognostizierte-windenergieeinspeisung (besucht am 09. 03. 2016). The Engineering ToolBox (k. A.): Thermal Conductivity of Materials and Gases. URL: http://w ww.engineeringtoolbox.com/thermal-conductivity-d_429.html (besucht am 16. 11. 2015). Thiel, D. und Ehrlich, M. (2012): Ermittlung von spezifischen Kosten energiesparender Bauteil- , Beleuchtungs-, Heizungs- und Klimatechnikausführungen bei Nichtwohngebäuden für die Wirtschaftlichkeitsuntersuchungen zur EnEV 2012. BMVBS-Online-Publikation 08/2012. Hrsg. von Bundesministerium für Verkehr, Bau und Stadtentwicklung. Berlin. URL: http :/ /www.bbsr.bund.de/BBSR/DE/Veroeffentlichungen/BMVBS/Online/2012/DL_ON 082012.pdf;jsessionid=7650352186A7CEB012116B9496F4E8A0.live1043?__blob=publi cationFile&v=2 (besucht am 02. 10. 2015). Thomas, S. (2007): Erhebung des Verbraucherverhaltens bei der Lagerung verderblicher Le- bensmittel in Europa. Bd. 2007,2. Schriftenreihe der Haushaltstechnik Bonn. Shaker. 101 S. Tomaschek, J., Dobbins, A. und Fahl, U. (2012): A regional TIMES model for application in Gauteng, South Africa. In: Proceedings of the 31st International Energy Workshop. Interna- tional Energy Workshop. (Kapstadt, 19.–21. Juni 2012). Hrsg. von G. Blanford, M. Tavoni, B. van der Zwaan, A. Hughes, K. Donovan und A. Trikam. Tomaschek, J., Haasz, T. und Fahl, U. (2016): Concentrated solar power generation: Firm and dispatchable capacity for Brazil’s solar future? In: AIP Conference Proceedings 1734 (1). Tomaschek, J. (2013): Long-term optimization of the transport sector to address greenhouse gas reduction targets under rapid growth. Application of an energy system model for Gauteng province, South Africa. Institut für Energiewirtschaft und Rationelle Energieanwendung. eng. Holzgartenstr. 16 und 70174 Stuttgart: Universität Stuttgart. URL: http://elib.uni-stutt gart.de/opus/volltexte/2014/9080 (besucht am 04. 12. 2015). UBA – Umweltbundesamt (2014): Berichterstattung unter der Klimarahmenkonvention der Ver- einten Nationen und dem Kyoto-Protokoll 2014. Nationaler Inventarbericht zum Deutschen Treibhausgasinventar 1990 - 2012. URL: http://cdr.eionet.europa.eu/de/eu/ghgmm/envutt 6ka/2014-01-15_NIR_2014_EU-Submission.pdf (besucht am 31. 10. 2015). Literatur 161 ÜNB – Übertragungsnetzbetreiber (2014a): Bericht der deutschen Übertragungsnetzbetreiber zur Leistungsbilanz 2014 nach EnWG § 12 Abs. 4 und 5. Stand 30.09.2014. URL: http://w ww.bmwi.de/BMWi/Redaktion/PDF/J-L/leistungsbilanzbericht-2014,property=pdf,bereic h=bmwi2012,sprache=de,rwb=true.pdf (besucht am 22. 08. 2015). ÜNB – Übertragungsnetzbetreiber (2014b): Szenariorahmen für die Netzentwicklungspläne Strom 2015. Entwurf der Übertragungsnetzbetreiber. URL: http : / /www.netzentwicklung splan.de/system/files/media/documents/Szenariorahmen_NEP2015_Entwurf_140430.pdf (besucht am 24. 10. 2015). ÜNB – Übertragungsnetzbetreiber (2016): Netzentwicklungsplan Strom 2025. Zweiter Ent- wurf. Version 2015. URL: http : / /www.netzentwicklungsplan.de/_NEP_file_transfer /N EP_2025_2_Entwurf_Teil1.pdf (besucht am 29. 09. 2016). van Beeck, N. (2003): A new decision support method for local energy planning in developing countries. Bd. 116. Tilburg: CentER, Tilburg University. 330 S. (Besucht am 30. 01. 2014). van Beeck, N. (1999): Classification of Energy Models. Hrsg. von W. van Groenendaal. Tilburg University und Eindhoven University of Technology. URL: http://citeseerx.ist.psu.edu/vie wdoc/download?doi=10.1.1.43.8055&rep=rep1&type=pdf (besucht am 30. 01. 2014). VDI – Verein Deutscher Ingenieure, Hrsg. (2000): Wirtschaftlichkeit gebäudetechnischer An- lagen - Nutzenergiebedarf für die Trinkwassererwärmung. Berlin: Beuth Verlag GmbH. (Besucht am 15. 11. 2015). VDI – Verein Deutscher Ingenieure, Hrsg. (2008): Referenzlastprofile von Ein- und Mehrfami- lienhäusern für den Einsatz von KWK-Anlagen. Berlin: Beuth Verlag GmbH. VDI – Verein Deutscher Ingenieure, Hrsg. (2012a): Wirtschaftlichkeit gebäudetechnischer An- lagen - Energieaufwand der Erzeugung. VDI 2067. Berlin: Beuth Verlag GmbH. (Besucht am 05. 10. 2015). VDI – Verein Deutscher Ingenieure, Hrsg. (2012b): Wirtschaftlichkeit gebäudetechnischer An- lagen Grundlagen und Kostenberechnung. VDI 2067. Berlin: Beuth Verlag GmbH. (Be- sucht am 05. 10. 2015). Vine, E., Hamrin, J., Eyre, N., Crossley, D., Maloney, M. und Watt, G. (2003): Public policy analysis of energy efficiency and load management in changing electricity businesses. In: Energy Policy 31 (5), S. 405–430. Voorspools, K. R. und D’haeseleer, W. D. (2006): An analytical formula for the capacity credit of wind power. In: Renewable Energy 31 (1), S. 45–54. (Besucht am 23. 08. 2015). Voß, A., Bothor, S., Eberl, T. und Gottschling, J. (2014): Energiemärkte und Energiehandel. Vor- lesungsskript. Stuttgart: Institut für Energiewirtschaft und Rationelle Energieanwendung. Voß, A. und Hoecker, H. (1994): Integrierte Ressourcenplanung und Least Cost Planning - neue Anwendungsbereiche für die Optimierung. In: Optimierung in der Energieversorgung: Methoden, praktische Erfahrungen und neue Möglichkeiten. (Stuttgart, 18.–19. Okt. 1994). Hrsg. von VDI-Gesellschaft Energietechnik. VDI-Berichte 1140. Düsseldorf: VDI-Verlag. 162 Literatur Voß, A. (2009): Systemtechnische Planungsmethoden in Wirtschaft und Technik. Vorlesungs- skript. Stuttgart: Institut für Energiewirtschaft und Rationelle Energieanwendung. Welsch, M., Howells, M., Bazilian, M., DeCarolis, J., Hermann, S. und Rogner, H. (2012): Modelling elements of Smart Grids – Enhancing the OSeMOSYS (Open Source Energy Modelling System) code. In: Energy 46 (1), S. 337–350. (Besucht am 28. 01. 2014). Welsch, M., Deane, P., Howells, M., Ó Gallachóir, B., Rogan, F., Bazilian, M. und Rogner, H.-H. (2014): Incorporating flexibility requirements into long-term energy system models – A case study on high levels of renewable electricity penetration in Ireland. In: Applied Energy 135, S. 600–615. (Besucht am 31. 03. 2016). Welsch, M. (2013): Enhancing the treatment of systems integration in long-term energy models. Bd. 13:09. Trita-KRV. Stockholm: Industrial Engineering and Management, KTH Royal Institute of Technology. xxi, 305 s. URL: https : / /www.diva- portal .org/smash/get /diva 2:664679/FULLTEXT02.pdf (besucht am 04. 03. 2016). Wölling, J. und Arlt, D. (2013): Smart Metering in den Medien und im Urteil der Öffentlichkeit. In: Smart metering. Zwischen technischer Herausforderung und gesellschaftlicher Akzep- tanz; interdisziplinärer Status Quo. Hrsg. von D. Westermann, N. Döring und P. Bretschnei- der. Bd. 5. Ilmenauer Beiträge zur elektrischen Energiesystem-, Geräte- und Anlagentech- nik 5. Ilmenau: Univ.-Verl, S. 17–60. Wolf, S., Fahl, U., Blesl, M., Voß, A. und Jakobs, R. (2014): Analyse des Potentials von Indus- triewärmepumpen in Deutschland. Forschungsbericht. Hrsg. von Institut für Energiewirt- schaft und Rationelle Energieanwendung. Stuttgart. URL: http://www.ier.uni-stuttgart.de/p ublikationen/veroeffentlichungen/forschungsberichte/downloads/141216_Abschlussberich t_FKZ_0327514A.pdf (besucht am 01. 10. 2015). Worrell, E., Martin, N. und Price, L. (2000): Potentials for energy efficiency improvement in the US cement industry. In: Energy 25 (12), S. 1189–1214. Zehir, M. A. und Bagriyanik, M. (2012): Demand Side Management by controlling refrigerators and its effects on consumers. In: Energy Conversion and Management 64, S. 238–244. (Besucht am 18. 11. 2013). Zerrahn, A. und Schill, W.-P. (2015): On the representation of demand-side management in power system models. In: Energy 84, S. 840–845. (Besucht am 05. 05. 2015). A Appendix 163 A Appendix A.1 Beschreibung des Energiesystemmodells Die Modellierung und Aggregation der einzelnen Branchen des Industriesektors in TIMES-D- DSM ist in Abbildung A-1 dargestellt. In der Modellierung wird zwischen der prozess- und der anwendungsorientierten Modellierung unterschieden, da einerseits physische Mengen von Produkten inklusive ihrer Produktionsrouten und andererseits Nutzenergiearten mit den bereit- stellenden Querschnittstechnologien abgebildet werden (Kuder, 2014). Prozessorientierte Modellierung • Eisen und Stahl • Aluminium • Kupfer • Chlor • Ammoniak • Zement • Kalk • Glas • Papier Anwendungsorientierte Modellierung • Sonstige NE-Metalle • Sonstige Chemie • Sonstige NM-Mineralien • Lebensmittel • Übrige Branchen E n er g ie in te n si v e B ra n ch en Der Industriesektor in TIMES-D-DSM N ic h t- E n er g ie in te n si v e B ra n ch en Abbildung A-1: Struktur und Aggregation des Industriesektors in TIMES-D-DSM (Darstellung nach Kuder, 2014) In Abschnitt 5.2 wurde die Verwendung unterschiedlicher Hierarchieebenen der Wirtschafts- zweigdefinition zur Berechnung des VoLL angesprochen. Die genaue Zuordnung sowie die ge- naue Aggregation der Wirtschaftszweige zu den industriellen Subsektoren im Energiesystem- modell TIME-D-DSM wurde jedoch nicht erläutert. Daher erfolgt in Tabelle A-1 die Auflis- tung der verwendeten Hierarchieebenen und der Aggregation der einzelnen Wirtschaftszweige zu den Industriesektoren. 164 A Appendix Tabelle A-1: Zuordnung der Hierarchieebenen der Wirtschaftszweige und Aggregation zu den Industrie- sektoren im Energiesystemmodell für die Berechnung des Value of Lost Load Industriesektor Wirtschaftszweige Eisen und Stahl C 241 Aluminium C 2442 Kupfer C 2444 übrige Nichteisenmetalle C 2441, C 2443, C 2445 Ammoniak C 2015 Chlor C 2013 übrige Chemie C 2011, C 2012, C 2014, C 2016, C 2017, C 2041, C 2042, C 2051 bis C 2053, C 2059, C 2211, C 2219, C 2221 bis C 2223, C 2229 Zement C 2351 Kalk C 2352 Behälterglas C 2313 Flachglas C 2311 übrige nichtmetallische Mineralien C 2331, C 2332, C 2343, C 2344, C 2349, C 2361 bis C 2365, C 2369, C 2391, C 2399 Papier und Pappe C 1711, C 1712, C 1721 bis C 1724, C 1729 Nahrungsmittel und Tabakverarbeitung C 1011 bis C 1013, C 1031, C 1032, C 1039, C 1041, C 1042, C 1051 C 1052, C 1061, C 1062, C 1071 bis C 1073, C 1081 bis C 1086, C 1089, C 1091, C 1092, C 1101, C 1102, C 1105 bis C 1107, C 12 übrige Industriezweige C 1391 bis C 1393, C 1395, C 1396, C 1411 bis C 1414, C 1511, C 1512, C 1621 bis C 1624, C 1629, C 1811 bis C 1814, C 2451 bis C 2454, C 2511, C 2512, C 2521, C 2529, C 2561, C 2562, C 2571 bis C 2573, C 2591 bis C 2594, C 2599, C 2611, C 2612, C 2651, C 2652, C 2711, C 2712, C 2731 bis C 2733, C 2751, C 2752, C 2811 bis C 2815, C 2821 bis C 2825, C 2829, C 2841, C 2849, C 2891 bis C 2896, C 2899, C 2931, C 2932, C 3011, C 3012, C 3092, C 3101 bis C 3103, C 3109, C 3211 bis C 3213, C 3291, C 3311 bis C 3317, C 3319, C 3320 A Appendix 165 Tabelle A-2: Annahmen zur Güterproduktion und der Nachfrage nach Energiedienstleistungen für DSM relevante Prozesse Sektor Nachfrage Einheit 2010 2020 2030 2040 2050 Industrie Aluminium Mt 1,0 1,1 1,0 0,9 0,8 Chlor Mt 4,5 5,2 5,5 5,6 5,2 Kupfer Mt 0,7 0,7 0,7 0,7 0,5 Eisen und Stahl Mt 43,8 45,3 46,2 44,3 40,3 Papier und Pappe Mt 22,9 26,0 27,3 26,8 25,6 GHD Raumwärme groß PJ 349,0 331,8 311,0 287,5 265,7 Raumwärme klein PJ 170,2 165,5 158,5 149,4 140,9 Warmwasser groß PJ 71,3 71,0 69,5 67,3 64,8 Warmwasser klein PJ 35,7 35,5 34,8 33,7 32,4 Haushalte Waschmaschinen PJ 29,5 27,4 26,1 26,1 26,4 Trockner PJ 16,1 16,7 17,1 17,3 17,5 Spülmaschinen PJ 20,3 21,0 21,6 21,8 22,1 Kühlschränke PJ 26,9 27,6 28,1 28,4 28,7 Kühl- und Gefrierschränke PJ 15,8 16,3 16,5 16,7 16,9 Gefrierschränke PJ 25,2 25,9 26,3 26,6 26,9 Warmwasser PJ 223,8 226,5 223,5 207,6 190,7 Tabelle A-3: Grenzübergangspreis für die Energieträger Steinkohle, Erdgas und Erdöl sowie Förderkos- ten für Braunkohle in Deutschland in Preisen von 2010 für den Zeitraum von 2010 bis 2050 (eigene Berechnung mit Daten aus IEA, 2015; BAFA, 2010; BAFA, 2015b; BAFA, 2015c; BAFA, 2015d; Eurostat, 2015b; Kerlen, 2014) e2010/GJ 2010 2015 2020 2025 2030 2035 2040 2045 2050 Rohöl 10,65 8,53 10,34 12,30 14,27 15,16 16,05 16,99 17,99 Erdgas(Hs) 5,73 5,51 5,11 6,23 7,35 7,75 8,15 8,56 9,00 Steinkohle 2,91 2,22 2,70 2,80 2,89 2,96 3,04 3,11 3,18 Braunkohle 1,25 1,25 1,25 1,25 1,25 1,25 1,25 1,25 1,25 166 A Appendix Tabelle A-4: Techno-ökonomische Parameter ausgewählter Kraftwerkstechnologien (Institut für Ener- giewirtschaft und Rationelle Energieanwendung - TIMES PanEU) E ne rg ie tr äg er Te ch no lo gi e sp ez .I nv es tit io ns ko st en B et ri eb sk os te n W ir ku ng sg ra d te ch n. L eb en sd au er [e 20 10 /k W el .] fix [e 20 10 /k W el ./a ] va ri ab el [e 20 10 /G J] [% ] [a ] 20 20 20 50 20 20 20 50 B ra un ko hl e üb er kr iti sc h 1 39 5 1 39 5 34 ,4 0 1, 09 0, 46 0, 47 40 IG C C 1 74 0 1 74 0 47 ,5 3 1, 21 0, 49 0, 52 30 C C S Po st -c om bu st io n 2 31 7 2 31 7 57 ,1 1 1, 34 0, 36 0, 39 40 C C S O xy -f ue l 2 49 2 2 49 2 61 ,4 2 1, 62 0, 37 0, 39 30 IG C C C C S 2 47 2 2 42 6 57 ,8 8 1, 34 0, 42 0, 45 30 St ei nk oh le üb er kr iti sc h 1 20 9 1 20 9 30 ,7 8 0, 99 0, 46 0, 47 40 IG C C 1 60 0 1 60 0 47 ,5 3 1, 11 0, 51 0, 53 30 C C S Po st -c om bu st io n 2 13 1 2 13 1 54 ,2 3 1, 24 0, 37 0, 40 40 C C S O xy -f ue l 2 30 6 2 30 6 58 ,6 9 1, 52 0, 38 0, 40 30 IG C C C C S 2 32 6 2 27 9 57 ,8 8 1, 24 0, 44 0, 46 30 E rd ga s G as tu rb in e 30 2 30 2 10 ,4 1 0, 51 0, 30 0, 30 30 G uD 65 1 65 1 17 ,2 0 0, 49 0, 61 0, 62 30 C C S Po st -c om bu st io n 99 1 99 1 48 ,9 8 0, 84 0, 53 0, 56 30 C C S O xy -f ue l 1 32 1 1 11 3 26 ,2 1, 26 0, 50 0, 52 30 So la r D ac hfl äc he PV 2 07 8 1 28 0 18 ,3 7 - 1 1 25 Fr ei flä ch e PV 1 79 1 1 08 9 15 ,6 3 - 1 1 25 W in d O ns ho re 1 17 2 1 08 8 46 ,5 2 - 1 1 20 O ff sh or e kü st en na h 2 77 4 2 66 3 10 6, 86 - 1 1 20 O ff sh or e kü st en fe rn 3 17 7 3 06 5 10 6, 86 - 1 1 20 E rd w är m e O R C 7 64 1 4 81 6 15 6, 72 0, 3 0, 09 0, 12 25 A Appendix 167 Tabelle A-5: Wärmeübergangskoeffizienten, thermische Widerstände für Wärmeleitung, kombinierter Ersatzwiderstand für Wände und Türen sowie jeweiliger effektiver Gesamtwiderstand für drei Größenklassen von Kühl- und Gefrierkombinationen Größe Bereich hco hro hci hri A Rins RErsatz Rges W m2·K m 2 K W klein Wand-kühl 1,529 4,689 1,495 4,025 0,75 2,222 2,536 1,644 Tür-kühl 1,818 4,678 1,814 4,036 0,25 4 4,676 Wand-gefrier 2,012 4,683 2,099 3,114 0,375 5,531 5,985 3,618 Tür-gefrier 2,572 4,654 2,385 3,123 0,125 8 9,147 mittel Wand-kühl 1,295 4,689 1,266 4,025 1,46 1,142 1,411 0,902 Tür-kühl 1,539 4,678 1,536 4,036 0,487 2,055 2,496 Wand-gefrier 1,704 4,683 1,777 3,114 0,73 2,841 3,154 1,901 Tür-gefrier 2,177 4,654 2,019 3,123 0,243 4,11 4,786 groß Wand-kühl 1,235 4,689 1,208 4,025 1,76 0,947 1,211 0,77 Tür-kühl 1,469 4,678 1,466 4,036 0,587 1,705 2,111 Wand-gefrier 1,626 4,683 1,696 3,114 0,88 2,357 2,65 1,595 Tür-gefrier 2,078 4,654 1,927 3,123 0,293 3,409 4,005 A.2 Parameter der Simulation von Kühl- und Gefrierkombinationen sowie Gefriergeräten In Anlehnung an Abschnitt 5.4.1.1 erfolgt die Berechnung des effektiven Gesamtwiderstandes für Kühl- und Gefrierkombinationen sowie Gefriergeräte ebenfalls nach dem eindimensionalen Wärmeübertragungsmodell von Boughton et al. (1992). Dazu wurden erneut drei Größenklas- sen definiert, die sich in ihrer Höhe nicht von Kühlschränken unterscheiden. Allerdings wird in der Berechnung angenommen, dass 1/3 der Gerätehöhe für das Gefrierabteil verwendet werden (Laguerre, 2010; Hasanuzzaman et al., 2009). Für die nachfolgende Simulation wird angenom- men, dass 5 % der Kühl- und Gefrierkombinationen klein, 25 % mittelgroß und 70 % groß sind. Weiterhin wird im Bereich des Gefrierabteils für die horizontalen Wände von einer Schichtdicke der Isolation von 5,6 cm ausgegangen. Tabelle A-5 listet die berechneten Wärmeübergangskoef- fizienten, die thermischen Widerstände für Wärmeleitung, die kombinierten Ersatzwiderstände für Wände und Türen sowie die effektiven Gesamtwiderstände für die drei Größenklassen der Kühl- und Gefrierkombinationen auf. Die thermische Kapazität wurde in Abhängigkeit der Befüllung mit einer Auswahl verschie- dener Lebensmittel und deren spezifischer Wärmekapazität nach ASHRAE (2006) und Rask (1989) für den Kühl- und den Gefrierbereich getrennt berechnet. Innerhalb der Größenklassen 168 A Appendix wird von einer Gleichverteilung der thermischen Kapazität ausgegangen und diese zufällig für jeden Simulationsdurchlauf bestimmt. Aufgrund der niedrigeren thermischen Wärmekapazität der Lebensmittel unterhalb des Gefrierpunktes,25 trägt das Gefrierfach nur geringfügig zur ther- mischen Kapazität des Geräts bei. Für das Gefrierabteil wird von einer thermischen Kapazität zwischen 0,671 Wh/◦C und 5,208 Wh/◦C ausgegangen, während sich die thermische Kapazi- tät des Kühlabteils in Abhängigkeit der Gerätegröße zwischen 2,121 Wh/◦C und 28,597 Wh/◦C befinden kann. Abbildung A-2 zeigt das Simulationsergebnis der Kühl- und Gefrierkombinationen für den Standardtemperaturbereich von 4 ◦C bis 6 ◦C für das Kühl- und −17 ◦C bis −19 ◦C für das Gefrierabteil. Daraus ist zu erkennen, dass die minimale Last in der Nacht in den Typstun- den etwa 56 % der Jahreshöchstlast beträgt und durch das Nutzerverhalten während des Tages auf 75 % bis 80 % der Jahreshöchstlast steigt. Durch die hinterlegte Temperaturzeitreihe eines Testreferenzjahres und des damit verbundenen Anstiegs der Raumtemperatur steigt die Last an einzelnen Sommertagen deutlich an und erreicht in einer Typstunde die Jahreshöchstlast. 0% 20% 40% 60% 80% 100% 1 63 12 5 18 7 24 9 31 1 37 3 43 5 49 7 55 9 62 1 St ün dl ic he L as t i m V er hä ltn is zu r J ah re sh öc hs tla st Typstunde 0% 20% 40% 60% 80% 100% 1 54 9 10 97 16 45 21 93 27 41 32 89 38 37 43 85 49 33 54 81 60 29 65 77 71 25 76 73 82 21 St ün dl ic he L as t i m V er hä ltn is zu r J ah re sh öc hs tla st Stunde des Jahres Abbildung A-2: Auf die Jahreshöchstlast normierter Jahreslastgang der simulierten Kühl- und Gefrier- schrankpopulation (links) und auf 672 Typstunden aggregierter Jahreslastgang (rechts) Die Berechnung der Wärmeübergangskoeffizienten und thermischen Widerstände zur Be- rechnung des effektiven Gesamtwiderstandes für drei Größenklassen von Gefriergeräten erfolgt anhand der Gleichungen 5-5 bis 5-9 und des bereits beschriebenen eindimensionalen Wärme- übertragungsmodells. Die drei Größenklassen entsprechen der Definition der Kühlschrankgrö- ßen in Abschnitt 5.4.1.1. Für die Simulation der Lastgänge wird angenommen, dass jeweils 1/3 aller Geräte in diese drei Größenklassen einzuordnen sind. Die Isolationsschicht der Gefrier- geräte wird mit einer Schichtstärke von 5,6 cm im Bereich der Wände angenommen. Für den 25Es wird unterstellt, dass nur die sensible Wärme zur thermischen Kapazität beiträgt und Lebensmittel innerhalb des Gerätes nicht aufgetaut werden. A Appendix 169 Türbereich wird eine Schichtstärke von 4 cm unterstellt. Die Wärmeübergangskoeffizienten, die thermischen Widerstände, die Ersatzwiderstände für Wände und Türen sowie die jeweili- gen effektiven Gesamtwiderstände für Gefriergeräte der drei Größenklassen sind in Tabelle A-6 zusammengefasst. Tabelle A-6: Wärmeübergangskoeffizienten, thermische Widerstände für Wärmeleitung, kombinierter Ersatzwiderstand für Wände und Türen sowie jeweiliger effektiver Gesamtwiderstand für drei Größenklassen von Gefriergeräten Größe Bereich hco hro hci hri A Rins RErsatz Rges W m2·K m 2 K W klein Wand 1,541 4,356 1,595 3,114 1,125 1,844 2,127 1,278 Tür 1,969 4,327 1,812 3,123 0,375 2,667 3,201 mittel Wand 1,304 4,356 1,35 3,114 2,19 0,947 1,197 0,716 Tür 1,667 4,327 1,534 3,123 0,73 1,37 1,784 groß Wand 1,245 4,356 1,289 3,114 2,64 0,786 1,024 0,614 Tür 1,591 4,327 1,464 3,123 0,88 1,136 1,535 Unterhalb des Gefrierpunktes ist die spezifische Wärmekapazität der angenommenen Le- bensmittel um ca. 50 % geringer als über dem Gefrierpunkt (ASHRAE, 2006). Daher ist die thermische Kapazität eines befüllten Gefriergerätes kaum größer als eines geringer befüllten Kühlschranks. Für Gefriergeräte wird von einer thermischen Kapazität von 3,953 Wh/◦C bis 44,424 Wh/◦C ausgegangen. Im Vergleich zu Kühlschränken ist die Annahme zur thermischen Kapazität etwa um den Faktor 1,6 größer, da von einer entsprechend höheren Menge tiefgekühl- ter Lebensmittel ausgegangen wird. Wie auch bei Kühlschränken, wird der durch Türöffnungen induzierte Mehrverbrauch in einen Temperaturanstieg pro Türöffnung unter Berücksichtigung der thermischen Kapazität des Inhalts umgerechnet. Dieser entspricht einer Bandbreite von 0,279 ◦C bis 3,137 ◦C. Der erwartete Temperaturanstieg durch die Einbringung von Lebens- mitteln wird für Gefriergeräte entsprechend den Angaben zum Gefrierabteil bei kombinierten Kühl- und Gefriergeräten verwendet. In der Simulation des Referenzlastprofils wird von einer Solltemperatur von −18 ◦C (Keep et al., 2011; Gin et al., 2010; Liu et al., 2004) und einer zulässigen Temperaturabweichung von ±1 ◦C ausgegangen. Daraus ergibt sich in der Lastganglinie für die 672 Typstunden ein ty- pischer Lastbereich zwischen 70 % und 80 % der Jahreshöchstlast, wie es in Abbildung A-3 dargestellt ist. Das Lastminimum ist über das gesamte Jahr relativ konstant und wird jeweils in den Nachtstunden erreicht, wenn nur ein geringer Einfluss durch Nutzer auf den Energie- verbrauch zu beobachten ist. Aus dem Lastprofil wird ebenfalls ersichtlich, dass die Jahres- höchstlast in Abhängigkeit steigender Außentemperaturen im Sommer erreicht wird. In diesen 170 A Appendix Typtagen steigt auch das Lastminimum über die sonst üblichen 70 % der Jahreshöchstlast auf etwa 76 % der Jahreshöchstlast. 0% 20% 40% 60% 80% 100% 1 63 12 5 18 7 24 9 31 1 37 3 43 5 49 7 55 9 62 1 St ün dl ic he L as t i m V er hä ltn is zu r J ah re sh öc hs tla st Typstunde 0% 20% 40% 60% 80% 100% 1 54 9 10 97 16 45 21 93 27 41 32 89 38 37 43 85 49 33 54 81 60 29 65 77 71 25 76 73 82 21 St ün dl ic he L as t i m V er hä ltn is zu r J ah re sh öc hs tla st Stunde des Jahres Abbildung A-3: Auf die Jahreshöchstlast normierter Jahreslastgang der simulierten Gefrierschrankpo- pulation (links) und auf 672 Typstunden aggregierter Jahreslastgang (rechts) A Appendix 171 A.3 Weitere Modellergebnisse der Basisszenarien Tabelle A-7: Primärenergieverbrauch nach Energieträgern in den Basisszenarien von 2010 bis 2050 in PJ St ei nk oh le B ra un ko hl e R oh öl E rd ga s W as se r, W in d un d So la r K er ne ne rg ie So ns tig e Su m m e 20 10 B as is ja hr 1 72 6 1 59 5 4 97 0 3 03 9 30 1 1 49 5 10 2 14 23 9 20 15 M O D -E FF 1 70 7 1 44 3 4 74 1 2 41 6 50 0 64 4 61 12 72 8 20 25 M O D -E FF 2 51 4 88 3 3 59 4 2 59 8 75 7 0 30 11 78 6 K L M -K A B 1 36 0 69 3 3 59 4 2 54 0 86 7 0 30 10 29 3 A PL M -K A B 1 43 7 68 1 3 59 4 2 17 5 86 5 0 30 10 01 1 A PL M -B A B 1 42 8 67 7 3 59 4 2 25 5 81 0 0 31 10 01 7 A PL M -V A B 1 42 9 63 8 3 59 4 2 61 8 64 3 0 31 10 15 2 20 35 M O D -E FF 2 27 7 41 0 2 80 0 2 56 0 1 07 6 0 70 10 59 4 K L M -K A B 1 03 5 51 7 2 50 0 2 46 8 1 07 1 0 71 9 10 7 A PL M -K A B 1 02 2 52 6 2 54 9 2 25 7 1 07 1 0 71 8 90 3 A PL M -B A B 98 4 46 3 2 55 7 2 32 1 1 02 2 0 71 8 83 3 A PL M -V A B 1 08 7 24 9 2 50 8 2 68 3 76 4 0 69 8 74 3 20 50 M O D -E FF 2 63 2 20 0 1 20 9 2 08 7 1 50 0 0 0 9 47 2 K L M -K A B 1 08 2 27 5 1 17 2 2 11 4 1 38 9 0 4 7 64 3 A PL M -K A B 1 08 4 26 5 1 18 0 2 14 2 1 33 9 0 4 7 63 4 A PL M -B A B 74 4 22 0 1 29 8 2 13 2 1 30 7 0 4 7 32 8 A PL M -V A B 1 05 8 21 4 1 24 8 2 07 9 1 07 0 0 3 7 30 6 172 A Appendix Tabelle A-8: Endenergieverbrauch nach Energieträgern in den Basisszenarien von 2010 bis 2050 in PJ Kohle Gas Strom Mineralöle Wärme Erneuerbare Energien Abfälle Summe 2010 Basisjahr 746 2532 1900 3205 374 515 80 9388 2015 MOD-EFF 1035 2062 1805 3791 409 248 38 9399 2025 MOD-EFF 1983 2504 1874 2552 288 301 54 10175 KLM-KAB 929 2408 1386 2650 250 321 68 8536 APLM-KAB 963 2042 1425 2652 307 344 68 8320 APLM-BAB 990 2109 1420 2654 310 344 68 8414 APLM-VAB 1019 2466 1399 2625 310 335 54 8728 2035 MOD-EFF 1786 2405 1876 1887 289 466 11 9365 KLM-KAB 840 2436 1378 1642 172 463 24 7665 APLM-KAB 867 2150 1417 1754 227 418 24 7515 APLM-BAB 857 2228 1391 1779 218 427 24 7571 APLM-VAB 926 2579 1312 1716 240 410 13 7862 2050 MOD-EFF 787 1912 1944 563 299 995 0 7768 KLM-KAB 691 1977 1475 735 162 591 79 6307 APLM-KAB 701 1953 1514 746 166 603 79 6353 APLM-BAB 688 1946 1495 722 174 613 78 6385 APLM-VAB 663 2022 1202 731 211 623 78 6189 Tabelle A-9: Endenergieverbrauch nach Sektoren von 2010 bis 2050 in den Basisszenarien in PJ Landwirtschaft Industrie GHD Haushalte Verkehr Summe 2010 Basisjahr 118 3096 1344 2618 2211 9388 2015 MOD-EFF 128 3160 1423 2700 1989 9399 2025 MOD-EFF 142 4054 1401 2665 1914 10175 KLM-KAB 135 3090 1107 2402 1801 8536 APLM-KAB 135 3121 862 2401 1801 8320 APLM-BAB 135 3211 865 2402 1801 8414 APLM-VAB 135 3457 936 2399 1801 8728 2035 MOD-EFF 108 3593 1377 2377 1909 9365 KLM-KAB 119 2684 997 2184 1681 7665 APLM-KAB 119 2711 791 2213 1681 7515 APLM-BAB 123 2764 794 2208 1681 7571 APLM-VAB 119 3047 807 2208 1681 7862 2050 MOD-EFF 77 2535 1266 2011 1879 7768 KLM-KAB 73 2224 831 1793 1387 6307 APLM-KAB 73 2272 748 1872 1389 6353 APLM-BAB 92 2242 758 1827 1466 6385 APLM-VAB 79 2164 725 1859 1362 6189 A Appendix 173 Tabelle A-10: Treibhausgasemissionen nach Sektoren in den Basisszenarien von 2010 bis 2050 in Mt CO2-Äq. Landwirtschaft Industrie GHD Haushalte Verkehr Umwandlungssektor Summe 2010 Basisjahr 50 202 46 105 148 332 883 2015 MOD-EFF 49 217 57 127 122 286 857 2025 MOD-EFF 44 198 46 128 73 159 647 KLM-KAB 43 214 43 123 63 162 647 APLM-KAB 43 217 23 121 63 180 647 APLM-BAB 43 224 24 121 63 172 647 APLM-VAB 43 237 29 121 63 154 647 2035 MOD-EFF 29 152 42 95 67 77 462 KLM-KAB 34 168 33 104 36 87 462 APLM-KAB 34 175 13 108 35 98 462 APLM-BAB 36 179 15 108 34 90 462 APLM-VAB 34 194 22 107 35 70 462 2050 MOD-EFF 21 83 28 61 12 41 246 KLM-KAB 21 113 20 67 6 19 246 APLM-KAB 21 118 5 73 7 23 246 APLM-BAB 22 117 6 68 10 23 246 APLM-VAB 22 115 12 73 8 18 246 -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung A-4: Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit moderaten Energieeinsparungen (MOD-EFF) in 2050 174 A Appendix Tabelle A-11: Installierte Netto-Kraftwerksleistung nach Energieträgern in den Basisszenarien von 2010 bis 2050 in GWel B io m as se G as B ra un ko hl e St ei nk oh le G eo th er m ie M in er al öl e A bf äl le K er ne ne rg ie W as se rs to ff W as se rk ra ft PV W in d on sh or e W in d of fs ho re A bw är m e A us sp ei ch er le is tu ng 20 10 B as is ja hr 7 28 20 23 0 4 3 20 0 4 17 27 0 0 7 20 15 M O D -E FF 7 27 21 28 0 3 3 12 0 4 40 42 3 0 7 20 25 M O D -E FF 5 21 16 45 1 2 2 0 0 4 55 59 11 0 7 K L M -K A B 5 27 15 19 0 2 2 0 0 4 55 59 11 0 7 A PL M -K A B 5 27 15 20 1 2 2 0 0 4 55 59 10 0 7 A PL M -B A B 5 30 14 20 1 2 2 0 0 4 55 59 10 0 7 A PL M -V A B 6 36 14 21 1 3 2 0 0 4 55 59 11 0 7 20 35 M O D -E FF 5 24 13 38 1 2 1 0 0 4 61 82 19 0 7 K L M -K A B 2 28 14 11 1 1 1 0 0 4 61 82 19 0 7 A PL M -K A B 2 27 13 12 1 1 1 0 0 4 61 82 18 0 7 A PL M -B A B 2 27 12 11 1 1 1 0 0 4 61 82 19 0 7 A PL M -V A B 3 32 12 13 1 2 1 0 0 4 61 82 19 0 7 20 50 M O D -E FF 7 48 6 18 15 0 2 0 0 4 70 10 0 30 0 7 K L M -K A B 1 33 8 9 1 0 1 0 0 4 70 10 0 30 0 7 A PL M -K A B 1 34 7 9 1 0 1 0 0 4 70 10 0 30 0 7 A PL M -B A B 2 30 6 9 1 0 1 0 0 4 70 10 0 30 0 7 A PL M -V A B 4 16 6 10 1 0 1 0 0 4 70 10 0 30 0 7 A Appendix 175 Tabelle A-12: Nettostromerzeugung nach Energieträgern in den Basisszenarien von 2010 bis 2050 in TWh B io m as se G as B ra un ko hl e St ei nk oh le G eo th er m ie M in er al öl e A bf äl le K er ne ne rg ie W as se rs to ff A bw är m e W as se rk ra ft PV W in d on sh or e W in d of fs ho re Im po rt e 20 10 B as is ja hr 33 96 14 5 12 0 0 6 15 14 1 0 0 17 16 36 0 −1 7 20 15 M O D -E FF 29 85 12 8 11 8 2 7 7 61 0 0 16 33 75 10 −3 6 20 25 M O D -E FF 20 55 73 19 0 4 1 7 0 0 0 18 48 10 7 35 −3 6 K L M -K A B 17 86 57 69 2 0 7 0 0 0 18 48 10 7 35 −3 6 A PL M -K A B 18 86 57 78 4 0 7 0 0 0 18 48 10 7 35 −3 6 A PL M -B A B 19 98 56 78 3 0 7 0 0 0 14 48 97 33 −3 6 A PL M -V A B 20 13 3 56 80 4 1 7 0 0 0 18 48 64 16 −3 6 20 35 M O D -E FF 21 43 29 17 5 4 0 7 0 0 0 19 59 15 1 62 −3 6 K L M -K A B 4 62 44 49 4 0 7 0 0 0 18 59 15 1 62 −3 6 A PL M -K A B 4 64 44 51 3 0 7 0 0 0 18 59 15 1 62 −3 6 A PL M -B A B 6 74 37 48 3 0 7 0 0 0 18 56 14 4 59 −3 6 A PL M -V A B 7 10 8 18 58 3 0 7 0 0 0 18 59 92 36 −3 6 20 50 M O D -E FF 29 23 13 77 82 0 5 0 0 0 19 68 18 4 10 3 −3 6 K L M -K A B 5 61 22 37 4 0 5 0 0 0 17 68 18 4 10 3 −3 6 A PL M -K A B 5 63 20 37 4 0 5 0 0 0 16 68 18 4 10 3 −3 6 A PL M -B A B 9 63 14 35 4 0 5 0 0 0 16 65 17 5 98 −3 6 A PL M -V A B 18 41 14 37 4 0 5 0 0 0 18 67 12 2 64 −3 6 176 A Appendix -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung A-5: Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit Energieeinsparungen und Lastmanagement aber ohne Curtailment (APLM-KAB) in 2050 A Appendix 177 -40 -20 0 20 40 60 80 100 120 001608001608001608001608001608001608001608001608001608001608001608001608001608001608 Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Mo Di Mi Do Fr Sa So Winter Frühling Sommer Herbst L ei st u n g [ G W ] Biomasse Gas Braunkohle Steinkohle Geothermie Mineralöle Abfälle Kernenergie Wasserstoff Wasserkraft PV Wind onshore Wind offshore Importe Ausspeicherung Exporte Einspeicherung Elektrolyse Abbildung A-6: Kraftwerkseinsatz in Deutschland nach Energieträgern auf Basis der 672 Typstunden für das Szenario mit Energieeinsparungen, Lastmanagement und vollständigem Curtail- ment (APLM-VAB) in 2050 Forschungsberichte des Instituts für Energiewirtschaft und Rationelle Energieanwendung Band 131 T. Haasz Entwicklung von Methoden zur Abbildung von Demand Side Management in einem optimierenden Energiesystemmodell – Fallbeispiele für Deutschland in den Sektoren Industrie, Gewerbe, Handel, Dienstleistungen und Haushalte April 2017, 177 Seiten Band 130 M. Steurer Analyse von Demand Side Integration im Hinblick auf eine effiziente und umweltfreundliche Energieversorgung April 2017, 230 Seiten Band 129 S. Bubeck Potenziale elektrischer Energieanwendungstechniken zur rationellen Energieanwendung Januar 2017, 255 Seiten Band 128 R. Beestermöller Die Energienachfrage privater Haushalte und ihre Bedeutung für den Klimaschutz – Volkswirtschaftliche Analysen zur deutschen und europäischen Klimapolitik mit einem technologiefundierten Allgemeinen Gleichgewichtsmodell Januar 2017, 211 Seiten Band 127 M. Ohl Analyse der Einsatzpotenziale von Wärmeerzeugungstechniken in industriellen Anwendungen August 2016, 202 Seiten Band 126 W. Genius Grüne Bilanzierung - Internalisierung von Umwelt- und Gesundheitsschäden im Rahmen der Input-Output-Rechnung April 2015, 243 Seiten Band 125 E. Heyden Kostenoptimale Abwärmerückgewinnung durch integriert-iteratives Systemdesign (KOARiiS) - Ein Verfahren zur energetisch-ökonomischen Bewertung industrieller Abwärmepotenziale 2016, 121 Seiten Band 124 K. Ohlau Strategien zur wirksamen Minderung von Fluglärm in Deutschland - Minderungsmaßnahmen und langfristige Perspektiven 2015, 192 Seiten Band 123 T. Telsnig Standortabhängige Analyse und Bewertung solarthermischer Kraftwerke am Beispiel Südafrikas September 2015, 285 Seiten Band 122 M. Henßler Ganzheitliche Analyse thermochemischer Verfahren bei der Nutzung fester Biomasse zur Kraftstoffproduktion in Deutschland April 2015, 243 Seiten Band 121 B. Fais Modelling policy instruments in energy system models - the example of renewable electricity generation in Germany Januar 2015, 194 Seiten Band 120 M. Blesl Kraft-Wärme-Kopplung im Wärmemarkt Deutschlands und Europas – eine Energiesystem- und Technikanalyse August 2014, 204 Seiten Band 119 S. Kempe Räumlich detaillierte Potenzialanalyse der Fernwärmeversorgung in Deutschland mit einem hoch aufgelösten Energiesystemmodell Juli 2014, 204 Seiten Band 118 B. Thiruchittampalam Entwicklung und Anwendung von Methoden und Modellen zur Berechnung von räumlich und zeitlich hochaufgelösten Emissionen in Europa April 2014, 238 Seiten Band 117 T. Kober Energiewirtschaftliche Anforderungen an neue fossil befeuerte Kraftwerke mit CO2-Abscheidung im liberalisierten europäischen Elektrizitätsmarkt März 2014, 158 Seiten Band 116 S. Wissel Ganzheitlich-integrierte Betrachtung der Kernenergie im Hinblick auf eine nachhaltige Energieversorgung Februar 2014, 230 Seiten Band 115 R. Kuder Energieeffizienz in der Industrie – Modellgestützte Analyse des effizienten Energieeinsatzes in der EU-27 mit Fokus auf den Industriesektor Februar 2014, 286 Seiten Band 114 J. Tomaschek Long-term optimization of the transport sector to address greenhouse gas re- duction targets under rapid growth – Application of an energy system model for Gauteng province, South Africa Dezember 2013, 263 Seiten Band 114 B. Rühle Kosten regionaler Energie- und Klimapolitik - Szenarioanalysen mit einem Energiesystemmodell auf Bundesländerebene November 2013, 196 Seiten Band 112 N. Sun Modellgestützte Untersuchung des Elektrizitätsmarktes - Kraftwerkseinsatz- planung und -investitionen August 2013, 173 Seiten Band 111 J. Lambauer Auswirkungen von Basisinnovationen auf die Energiewirtschaft und die Energienachfrage in Deutschland - Am Beispiel der Nano und Biotechnologie März 2013, 303 Seiten Band 110 R. Barth Ökonomische und technisch-betriebliche Auswirkungen verteilter Elektrizi- tätserzeugung in Verteilungsnetzen - eine modellgestützte Analyse am Beispiel eines Mittelspannungsnetzes März 2013, 234 Seiten Band 109 D. Bruchof Energiewirtschaftliche Verkehrsstrategie - Möglichkeiten und Grenzen alter- nativer Kraftstoffe und Antriebe in Deutschland und der EU-27 März 2012, 226 Seiten Band 108 E. D. Özdemir The Future Role of Alternative Powertrains and Fuels in the German Transport Sector - A model based scenario analysis with respect to technical, economic and environmental aspects with a focus on road transport Januar 2012, 194 Seiten Band 107 U. Kugler Straßenverkehrsemissionen in Europa - Emissionsberechnung und Bewer- tung von Minderungsmaßnahmen Januar 2012, 236 Seiten Band 106 M. Blesl, D. Bruchof, U. Fahl, T. Kober, R. Kuder, B. Götz, A. Voß Integrierte Szenarioanalysen zu Energie- und Klimaschutzstrategien in Deutschland in einem Post-Kyoto-Regime Februar 2011, 200 Seiten Band 105 O. Mayer-Spohn Parametrised Life Cycle Assessment of Electricity Generation in Hard-Coal- Fuelled Power Plants with Carbon Capture and Storage Dezember 2009, 210 Seiten Band 104 A. König Ganzheitliche Analyse und Bewertung konkurrierender energetischer Nut- zungspfade für Biomasse im Energiesystem Deutschland bis zum Jahr 2030 Juli 2009, 194 Seiten Band 103 C. Kruck Integration einer Stromerzeugung aus Windenergie und Speichersystemen unter besonderer Berücksichtigung von Druckluft-Speicherkraftwerken Mai 2008, 162 Seiten Band 102 U. Fahl, B. Rühle, M. Blesl, I. Ellersdorfer, L. Eltrop, D.-C. Harlinghausen, R. Küster, T. Rehrl, U. Remme, A. Voß Energieprognose Bayern 2030 Oktober 2007, 296 Seiten Band 101 U. Remme, M. Blesl, U. Fahl Global resources and energy trade: An overview for coal, natural gas, oil and uranium Juli 2007, 108 Seiten Band 100 S. Eckardt Energie- und Umweltmanagement in Hotels und Gaststätten: Entwicklung eines Softwaretools zur systematischen Prozessanalyse und Management-un- terstützung Mai 2007, 152 Seiten Band 99 U. Remme Zukünftige Rolle erneuerbarer Energien in Deutschland: Sensitivitätsanaly- sen mit einem linearen Optimierungsmodell August 2006, 336 Seiten Band 98 L. Eltrop, J. Moerschner, M. Härdtlein, A. König Bilanz und Perspektiven der Holzenergienutzung in Baden-Württemberg Mai 2006, 102 Seiten Band 97 B. Frey Modellierung systemübergreifender Energie- und Kohlenstoffbilanzen in Entwicklungsländern Mai 2006, 148 Seiten Band 96 K. Sander Potenziale und Perspektiven stationärer Brennstoffzellen Juni 2004, 256 Seiten Band 95 M. A. dos Santos Bernardes Technische, ökonomische und ökologische Analyse von Aufwindkraftwerken März 2004, 228 Seiten Band 94 J. Bagemihl Optimierung eines Portfolios mit hydro-thermischem Kraftwerkspark im börslichen Strom- und Gasterminmarkt Februar 2003, 138 Seiten Band 93 A. Stuible Ein Verfahren zur graphentheoretischen Dekomposition und algebraischen Reduktion von komplexen Energiesystemmodellen November 2002, 156 Seiten Band 92 M. Blesl Räumlich hoch aufgelöste Modellierung leitungsgebundener Energieversor- gungssysteme zur Deckung des Niedertemperaturwärmebedarfs August 2002, 282 Seiten Band 91 S. Briem, M. Blesl, M. A. dos Santos Bernardes, U. Fahl, W. Krewitt, M. Nill, S. Rath-Nagel, A. Voß Grundlagen zur Beurteilung der Nachhaltigkeit von Energiesystemen in Ba- den-Württemberg August 2002, 138 Seiten Band 90 B. Frey, M. Neubauer Energy Supply for Three Cities in Southern Africa Juli 2002, 96 Seiten Band 89 A. Heinz, R. Hartmann, G. Hitzler, G. Baumbach Wissenschaftliche Begleitung der Betriebsphase der mit Rapsölmethylester befeuerten Energieversorgungsanlage des Deutschen Bundestages in Berlin Juli 2002, 212 Seiten Band 88 M. Sawillion Aufbereitung der Energiebedarfsdaten und Einsatzanalysen zur Auslegung von Blockheizkraftwerken Juli 2002, 136 Seiten Band 87 T. Marheineke Lebenszyklusanalyse fossiler, nuklearer und regenerativer Stromerzeugungs- techniken Juli 2002, 222 Seiten Band 86 B. Leven, C. Hoeck, C. Schaefer, C. Weber, A. Voß Innovationen und Energiebedarf - Analyse ausgewählter Technologien und Branchen mit dem Schwerpunkt Stromnachfrage Juni 2002, 224 Seiten Band 85 E. Laege Entwicklung des Energiesektors im Spannungsfeld von Klimaschutz und Ökonomie - Eine modellgestützte Systemanalyse Januar 2002, 254 Seiten Band 84 S. Molt Entwicklung eines Instrumentes zur Lösung großer energiesystemanalyti- scher Optimierungsprobleme durch Dekomposition und verteilte Berech- nung Oktober 2001, 166 Seiten Band 83 D. Hartmann Ganzheitliche Bilanzierung der Stromerzeugung aus regenerativen Ener- gien September 2001, 228 Seiten Band 82 G. Kühner Ein kosteneffizientes Verfahren für die entscheidungsunterstützende Um- weltanalyse von Betrieben September 2001, 210 Seiten Band 81 I. Ellersdorfer, H. Specht, U. Fahl, A. Voß Wettbewerb und Energieversorgungsstrukturen der Zukunft August 2001, 172 Seiten Band 80 B. Leven, J. Neubarth, C. Weber Ökonomische und ökologische Bewertung der elektrischen Wärmepumpe im Vergleich zu anderen Heizungssystemen Mai 2001, 166 Seiten Band 79 R. Krüger, U. Fahl, J. Bagemihl, D. Herrmann Perspektiven von Wasserstoff als Kraftstoff im öffentlichen Straßenperso- nenverkehr von Ballungsgebieten und von Baden-Württemberg April 2001, 142 Seiten Band 78 A. Freibauer, M. Kaltschmitt (eds.) Biogenic Greenhouse Gas Emissions from Agriculture in Europe Februar 2001, 248 Seiten Band 77 W. Rüffler Integrierte Ressourcenplanung für Baden-Württemberg Januar 2001, 284 Seiten Band 76 S. Rivas Ein agro-ökologisches regionalisiertes Modell zur Analyse des Brennholz- versorgungssystems in Entwicklungsländern Januar 2001, 200 Seiten Band 75 M. Härdtlein Ansatz zur Operationalisierung ökologischer Aspekte von "Nachhaltig- keit" am Beispiel der Produktion und Nutzung von Triticale (Triticosecale Wittmack)-Ganzpflanzen unter besonderer Berücksichtigung der luftge- tragenen N-Freisetzungen September 2000, 168 Seiten Band 74 T. Marheineke, W. Krewitt, J. Neubarth, R. Friedrich, A. Voß Ganzheitliche Bilanzierung der Energie- und Stoffströme von Energiever- sorgungstechniken August 2000, 118 Seiten Band 73 J. Sontow Energiewirtschaftliche Analyse einer großtechnischen Windstromerzeu- gung Juli 2000, 242 Seiten Band 72 H. Hermes Analysen zur Umsetzung rationeller Energieanwendung in kleinen und mittleren Unternehmen des Kleinverbrauchersektors Juli 2000, 188 Seiten Band 71 C. Schaefer, C. Weber, H. Voss-Uhlenbrock, A. Schuler, F. Oosterhuis, E. Nieuwlaar, R. Angioletti, E. Kjellsson, S. Leth-Petersen, M. Togeby, J. Munks- gaard Effective Policy Instruments for Energy Efficiency in Residential Space Heating - an International Empirical Analysis (EPISODE) Juni 2000, 146 Seiten Band 70 U. Fahl, J. Baur, I. Ellersdorfer, D. Herrmann, C. Hoeck, U. Remme, H. Specht, T. Steidle, A. Stuible, A. Voß Energieverbrauchsprognose für Bayern Mai 2000, 240 Seiten Band 69 J. Baur Verfahren zur Bestimmung optimaler Versorgungsstrukturen für die Elektrifizierung ländlicher Gebiete in Entwicklungsländern Mai 2000, 154 Seiten Band 68 G. Weinrebe Technische, ökologische und ökonomische Analyse von solarthermischen Turmkraftwerken April 2000, 212 Seiten Band 67 C.-O. Wene, A. Voß, T. Fried (eds.) Experience Curves for Policy Making - The Case of Energy Technologies April 2000, 282 Seiten Band 66 A. Schuler Entwicklung eines Modells zur Analyse des Endenergieeinsatzes in Baden- Württemberg März 2000, 236 Seiten Band 65 A. Schäfer Reduction of CO2-Emissions in the Global Transportation Sector März 2000, 290 Seiten Band 64 A. Freibauer, M. Kaltschmitt (eds.) Biogenic Emissions of Greenhouse Gases Caused by Arable and Animal Agriculture - Processes, Inventories, Mitigation März 2000, 148 Seiten Band 63 A. Heinz, R. Stülpnagel, M. Kaltschmitt, K. Scheffer, D. Jezierska Feucht- und Trockengutlinien zur Energiegewinnung aus biogenen Fest- brennstoffen. Vergleich anhand von Energie- und Emissionsbilanzen sowie anhand der Kosten Dezember 1999, 308 Seiten Band 62 U. Fahl, M. Blesl, D. Herrmann, C. Kemfert, U. Remme, H. Specht, A. Voß Bedeutung der Kernenergie für die Energiewirtschaft in Baden-Württem- berg - Auswirkungen eines Kernenergieausstiegs November 1999, 146 Seiten Band 61 A. Greßmann, M. Sawillion, W. Krewitt, R. Friedrich Vergleich der externen Effekte von KWK-Anlagen mit Anlagen zur ge- trennten Erzeugung von Strom und Wärme September 1999, 138 Seiten Band 60 R. Lux Auswirkungen fluktuierender Einspeisung auf die Stromerzeugung kon- ventioneller Kraftwerkssysteme September 1999, 162 Seiten Band 59 M. Kayser Energetische Nutzung hydrothermaler Erdwärmevorkommen in Deutsch- land - Eine energiewirtschaftliche Analyse - Juli 1999, 184 Seiten Band 58 C. John Emissionen von Luftverunreinigungen aus dem Straßenverkehr in hoher räumlicher und zeitlicher Auflösung - Untersuchung von Emissionsszena- rien am Beispiel Baden-Württembergs Juni 1999, 214 Seiten Band 57 T. Stelzer Biokraftstoffe im Vergleich zu konventionellen Kraftstoffen - Lebenswegana- lysen von Umweltwirkungen Mai 1999, 212 Seiten Band 56 R. Lux, J. Sontow, A. Voß Systemtechnische Analyse der Auswirkungen einer windtechnischen Stromerzeugung auf den konventionellen Kraftwerkspark Mai 1999, 322 Seiten Band 55 B. Biffar Messung und Synthese von Wärmelastgängen in der Energieanalyse Mai 1999, 236 Seiten Band 54 E. Fleißner Statistische Methoden der Energiebedarfsanalyse im Kleinverbraucher-sek- tor Januar 1999, 306 Seiten Band 53 A. Freibauer, M. Kaltschmitt (Hrsg.) Approaches to Greenhouse Gas Inventories of Biogenic Sources in Agricul- ture Januar 1999, 252 Seiten Band 52 J. Haug, B. Gebhardt, C. Weber, M. van Wees, U. Fahl, J. Adnot, L. Cauret, A. Pierru, F. Lantz, J.-W. Bode, J. Vis, A. van Wijk, D. Staniaszek, Z. Zavody Evaluation and Comparison of Utility's and Governmental DSM- Programmes for the Promotion of Condensing Boilers Oktober 1998, 156 Seiten Band 51 M. Blesl, A. Schweiker, C. Schlenzig Erweiterung der Analysemöglichkeiten von NetWork - Der Netzwerkeditor September 1998, 112 Seiten Band 50 S. Becher Biogene Festbrennstoffe als Substitut für fossile Brennstoffe - Energie- und Emissionsbilanzen Juli 1998, 200 Seiten Band 49 P. Schaumann, M. Blesl, C. Böhringer, U. Fahl, R. Kühner, E. Läge, S. Molt, C. Schlenzig, A. Stuible, A. Voß Einbindung des ECOLOG-Modells 'E³Net' und Integration neuer methodi- scher Ansätze in das IKARUS-Instrumentarium (ECOLOG II) Juli 1998, 110 Seiten Band 48 G. Poltermann, S. Berret ISO 14000ff und Öko-Audit - Methodik und Umsetzung März 1998, 184 Seiten Band 47 C. Schlenzig PlaNet: Ein entscheidungsunterstützendes System für die Energie- und Um- weltplanung Januar 1998, 230 Seiten Band 46 R. Friedrich, P. Bickel, W. Krewitt (Hrsg.) External Costs of Transport April 1998, 144 Seiten Band 45 H.-D. Hermes, E. Thöne, A. Voß, H. Despretz, G. Weimann, G. Kamelander, C. Ureta Tools for the Dissemination and Realization of Rational Use of Energy in Small and Medium Enterprises Januar 1998, 352 Seiten Band 44 C. Weber, A. Schuler, B. Gebhardt, H.-D. Hermes, U. Fahl, A. Voß Grundlagenuntersuchungen zum Energiebedarf und seinen Bestimmungs- faktoren Dezember 1997, 186 Seiten Band 43 J. Albiger Integrierte Ressourcenplanung in der Energiewirtschaft mit Ansätzen aus der Kraftwerkseinsatzplanung November 1997, 168 Seiten Band 42 P. Berner Maßnahmen zur Minderung der Emissionen flüchtiger organischer Verbin- dungen aus der Lackanwendung - Vergleich zwischen Abluftreinigung und primären Maßnahmen am Beispiel Baden-Württembergs November 1997, 238 Seiten Band 41 J. Haug, M. Sawillion, U. Fahl, A. Voß, R. Werner, K. Weiß, J. Rösch, W. Wölfle Analysis of Impediments to the Rational Use of Energy in the Public Sector and Implementation of Third Party Financing Strategies to improve Energy Efficiency August 1997, 122 Seiten Band 40 U. Fahl, R. Krüger, E. Läge, W. Rüffler, P. Schaumann, A. Voß Kostenvergleich verschiedener CO2-Minderungsmaßnahmen in der Bundes- republik Deutschland August 1997, 156 Seiten Band 39 M. Sawillion, B. Biffar, K. Hufendiek, R. Lux, E. Thöne MOSAIK - Ein EDV-Instrument zur Energieberatung von Gewerbe und mit- telständischer Industrie Juli 1997, 172 Seiten Band 38 M. Kaltschmitt Systemtechnische und energiewirtschaftliche Analyse der Nutzung erneuer- barer Energien in Deutschland April 1997, 108 Seiten Band 37 C. Böhringer, T. Rutherford, A. Pahlke, U. Fahl, A. Voß Volkswirtschaftliche Effekte einer Umstrukturierung des deutschen Steuer- systems unter besonderer Berücksichtigung von Umweltsteuern März 1997, 82 Seiten Band 36 P. Schaumann Klimaverträgliche Wege der Entwicklung der deutschen Strom- und Fern- wärmeversorgung - Systemanalyse mit einem regionalisierten Energiemodell Januar 1997, 282 Seiten Band 35 R. Kühner Ein verallgemeinertes Schema zur Bildung mathematischer Modelle energie- wirtschaftlicher Systeme Dezember 1996, 262 Seiten Band 34 U. Fahl, P. Schaumann Energie und Klima als Optimierungsproblem am Beispiel Niedersachsen November 1996, 124 Seiten Band 33 W. Krewitt Quantifizierung und Vergleich der Gesundheitsrisiken verschiedener Strom- erzeugungssysteme November 1996, 196 Seiten Band 32 C. Weber, B. Gebhardt, A. Schuler, T. Schulze, U. Fahl, A. Voß, A. Perrels, W. van Arkel, W. Pellekaan, M. O'Connor, E. Schenk, G. Ryan Consumers’ Lifestyles and Pollutant Emissions September 1996, 118 Seiten Band 31 W. Rüffler, A. Schuler, U. Fahl, H.W. Balandynowicz, A. Voß Szenariorechnungen für das Projekt Klimaverträgliche Energieversorgung in Baden-Württemberg Juli 1996, 140 Seiten Band 30 C. Weber, B. Gebhardt, A. Schuler, U. Fahl, A. Voß Energy Consumption and Air-Borne Emissions in a Consumer Perspective September 1996, 264 Seiten Band 29 M. Hanselmann Entwicklung eines Programmsystems zur Optimierung der Fahrweise von Kraft-Wärme-Kopplungsanlagen August 1996, 138 Seiten Band 28 G. Schmid Die technisch-ökonomische Bewertung von Emissionsminderungsstrategien mit Hilfe von Energiemodellen August 1996, 184 Seiten Band 27 A. Obermeier, J. Seier, C. John, P. Berner, R. Friedrich TRACT: Erstellung einer Emissionsdatenbasis für TRACT August 1996, 172 Seiten Band 26 T. Hellwig OMNIUM - Ein Verfahren zur Optimierung der Abwärmenutzung in Indust- riebetrieben Mai 1998, 118 Seiten Band 25 R. Laing CAREAIR - ein EDV-gestütztes Instrumentarium zur Untersuchung von Emissionsminderungsstrategien für Dritte-Welt-Länder dargestellt am Bei- spiel Nigerias Februar 1996, 221 Seiten Band 24 P. Mayerhofer, W. Krewitt, A. Trukenmüller, A. Greßmann, P. Bickel, R. Friedrich Externe Kosten der Energieversorgung März 1996, Kurzfassung, 40 Seiten Band 23 M. Blesl, C. Schlenzig, T. Steidle, A. Voß Entwicklung eines Energieinformationssystems März 1996, 76 Seiten Band 22 M. Kaltschmitt, A. Voß Integration einer Stromerzeugung aus Windkraft und Solarstrahlung in den konventionellen Kraftwerksverbund Juni 1995, Kurzfassung, 51 Seiten Band 21 U. Fahl, E. Läge, W. Rüffler, P. Schaumann, C. Böhringer, R. Krüger, A. Voß Emissionsminderung von energiebedingten klimarelevanten Spurengasen in der Bundesrepublik Deutschland und in Baden-Württemberg September 1995, 454 Seiten Band 20 M. Fischedick Erneuerbare Energien und Blockheizkraftwerke im Kraftwerksverbund - Technische Effekte, Kosten, Emissionen Dezember 1995, 196 Seiten Band 19 A. Obermeier Ermittlung und Analyse von Emissionen flüchtiger organischer Verbindun- gen in Baden-Württemberg Mai 1995, 208 Seiten Band 18 N. Kalume Strukturmodule - Ein methodischer Ansatz zur Analyse von Energiesystemen in Entwicklungsländern Dezember 1994, 113 Seiten Band 17 Th. Müller Ermittlung der SO2- und NOx-Emissionen aus stationären Feuerungsanlagen in Baden-Württemberg in hoher räumlicher und zeitlicher Auflösung November 1994, 142 Seiten Band 16 A. Wiese Simulation und Analyse einer Stromerzeugung aus erneuerbaren Energien in Deutschland Juni 1994, 223 Seiten Band 15 M. Sawillion, T. Hellwig, B. Biffar, R. Schelle, E. Thöne Optimierung der Energieversorgung eines Industrieunternehmens unter Umweltschutz- und Wirtschaftlichkeitsaspekten - Wertanalyse-Projekt Januar 1994, 154 Seiten Band 14 M. Heymann, A. Trukenmüller, R. Friedrich Development prospects for emission inventories and atmospheric transport and chemistry models November 1993, 105 Seiten Band 13 R. Friedrich Ansatz zur Ermittlung optimaler Strategien zur Minderung von Luftschad- stoffemissionen aus Energieumwandlungsprozessen Juli 1992, 292 Seiten Band 12 U. Fahl, M. Fischedick, M. Hanselmann, M. Kaltschmitt, A. Voß Abschätzung der technischen und wirtschaftlichen Minderungspotentiale energiebedingter CO2-Emissionen durch einen verstärkten Erdgaseinsatz in der Elektrizitätsversorgung Baden-Württembergs unter besonderer Berück- sichtigung konkurrierender Nutzungsmöglichkeiten August 1992, 471 Seiten Band 11 M. Kaltschmitt, A. Wiese Potentiale und Kosten regenerativer Energieträger in Baden-Württemberg April 1992, 320 Seiten Band 10 A. Reuter Entwicklung und Anwendung eines mikrocomputergestützten Energiepla- nungsinstrumentariums für den Einsatz in Entwicklungsländern November 1991, 170 Seiten Band 9 T. Kohler Einsatzmöglichkeiten für Heizreaktoren im Energiesystem der Bundesrepub- lik Deutschland Juli 1991, 162 Seiten Band 8 M. Mattis Kosten und Auswirkungen von Maßnahmen zur Minderung der SO2- und NOx-Emissionen aus Feuerungsanlagen in Baden-Württemberg Juni 1991, 188 Seiten Band 7 M. Kaltschmitt Möglichkeiten und Grenzen einer Stromerzeugung aus Windkraft und Solar- strahlung am Beispiel Baden-Württembergs Dezember 1990, 178 Seiten Band 6 G. Schmid, A. Voß, H.W. Balandynowicz, J. Cofala, Z. Parczewski Air Pollution Control Strategies - A Comparative Analysis for Poland and the Federal Republic of Germany Juli 1990, 92 Seiten Band 5 Th. Müller, B. Boysen, U. Fahl, R. Friedrich, M. Kaltschmitt, R. Laing, A. Voß, J. Giesecke, K. Jorde, C. Voigt Regionale Energie- und Umweltanalyse für die Region Neckar-Alb Juli 1990, 484 Seiten Band 4 Th. Müller, B. Boysen, U. Fahl, R. Friedrich, M. Kaltschmitt, R. Laing, A. Voß, J. Giesecke, K. Jorde, C. Voigt Regionale Energie- und Umweltanalyse für die Region Hochrhein-Bodensee Juni 1990, 498 Seiten Band 3 D. Kluck Einsatzoptimierung von Kraftwerkssystemen mit Kraft-Wärme-Kopplung Mai 1990, 155 Seiten Band 2 M. Fleischhauer, R. Friedrich, S. Häring, A. Haugg, J. Müller, A. Reuter, A. Voß, H.-G. Wystrcil Grundlagen zur Abschätzung und Bewertung der von Kohlekraftwerken ausgehenden Umweltbelastungen in Entwicklungsländern Mai 1990, 316 Seiten Band 1 U. Fahl KDS - Ein System zur Entscheidungsunterstützung in Energiewirtschaft und Energiepolitik März 1990, 265 Seiten