Version classiqueVersion mobile
OpenEdition Books

Energieszenarien

 | 
Christian Dieckhoff
, 
Wolf Fichtner
, 
Armin Grunwald
, 
et al.

Energiesystemmodelle zur Szenarienbildung – Potenziale und Grenzen

Martin Schönfelder, Patrick Jochem et Wolf Fichtner

Résumé

Energieszenarien sind eine zentrale Grundlage für viele weitreichende Entscheidungen in Politik und Wirtschaft. Zu ihrer Erstellung kommen unterschiedlich ausgeprägte Modelle zum Einsatz, die versuchen die Realität mit den wesentlichen Interdependenzen abzubilden. Die Modellierung bietet aufgrund der Möglichkeit komplexe mathematische Zusammenhänge und detaillierte techno-ökonomische Charakteristika abzubilden die Chance, heute zu treffende Entscheidungen im Hinblick auf ihre Wirkung zu bewerten und Handlungsempfehlungen abzuleiten. Doch stoßen Energiemodelle durch die Notwendigkeit unterschiedlicher Annahmen auch an Grenzen, welche bei der Interpretation der Ergebnisse mit einbezogen werden müssen. Die vorliegende Arbeit gibt einen Überblick über verschiedene Modellierungsansätze und geht insbesondere auf die spezifischen Grenzen optimierender Energiesystemmodelle ein.

Texte intégral

1 Einleitung

1Energieszenarien sind von strategischer Bedeutung in Energiepolitik, Energieforschung und Industrie. Sie sollen politische Entscheidungsträger bei der Entscheidungsfindung im Umfeld internationaler, nationaler oder sektorspezifischer Fragestellungen unterstützen sowie die strategische Unternehmensführung von Banken, der Industrie und Energieversorgungsunternehmen zur Seite stehen. Je nachdem welche Fragestellung, Annahmen und Methodik bei der Erstellung von Energieszenarien zugrunde gelegt werden, ändern sich auch deren Aussagen. Folglich muss dies bei der Interpretation von Energieszenarien auch stets berücksichtigt werden.

2Eine zentrale Methode zur Erstellung von Energieszenarien stellt die auf mathematischen Modellen basierte Energiesystemanalyse dar. Generell versucht ein Modell die reale Welt und die darin auftretenden Interdependenzen in qualitativer und quantitativer Hinsicht zu beschreiben. Die Schwierigkeit besteht darin, die Realität möglichst genau, jedoch mit reduzierter Komplexität abzubilden. Deshalb müssen wichtige Eigenschaften identifiziert und abgebildet werden, während von anderen Charakteristika abstrahiert werden muss. Die konkrete Ausgestaltung der Modelle hängt daher stark von der zugrunde liegenden Fragestellung und dem betrachteten Zeithorizont ab. Prinzipiell lassen sich die Modelle in Abhängigkeit ihres Zeithorizonts in kurz-, mittel- und langfristige Modelle einteilen. Für die Erstellung von langfristigen Energieszenarien sind auf Grund langer Investitionszyklen im Energiesektor Langfristmodelle von grundlegender Relevanz. Durch deren Einsatz ist es beispielsweise möglich den Einfluss unterschiedlicher politischer Instrumente zu vergleichen und so neben energiewirtschaftlichen auch energiepolitische Aussagen zu treffen sowie Handlungsempfehlungen abzuleiten.

3Im folgenden Kapitel wird ein Überblick über ausgewählte Modellierungsansätze in der Energiewirtschaft gegeben. Darauf aufbauend werden in Kapitel 3 ausgewählte optimierende Energiesystemmodelle und deren Eigenschaften vorgestellt, bevor in Kapitel 4 auf die Grenzen optimierender Energiesystemmodelle zur Erstellung von Energieszenarien eingegangen wird. Kapitel 5 schließt die Arbeit mit einem Fazit und Ausblick ab.

2 Charakterisierung von Energiemodellen

4Im Allgemeinen können Modelle als zweckorientiere Abbildung des Originals verstanden werden zu deren Entwicklung sich ein einheitliches Vorgehen etabliert hat (vgl. Abbildung 1). Insbesondere im Falle von Energiesystemen sind Modelle von entscheidender Bedeutung, da mit ihrer Hilfe auftretende Interdependenzen abgebildet werden können. Im Folgenden sollen diese Interdependenzen anhand eines kurzen Beispiels aus dem Bereich von Emissionsminderungs-maßnahmen erläutert werden: Unterstellt man eine Emissionsminderungskostenkurve für verschiedene Maßnahmen zur Reduzierung des CO2-Ausstoßes (quantifiziert in €/t CO2), beeinflusst die Ausführung einer Option ggf. die anzusetzenden Kosten einer anderen Maßnahme. Wird z. B. durch eine Energieträgersubstitution auf der Stromerzeugungsseite der durchschnittliche auf den Output bezogene Emissionsfaktor des Kraftwerksparks reduziert, erhöhen sich die Minderungskosten auf der Nachfrageseite, da nun beispielsweise Ersatzinvestitionen in effizientere Geräte weniger stark zur Emissionsminderung beitragen als sie es vor der Energieträgersubstitution auf der Stromerzeugungsseite getan hätten.

Abbildung 1: Schritte zur Durchführung einer Systemabbildung [in Anlehnung an Küll & Stähly 1999]

5Von zentraler Bedeutung für die Interpretation der Ergebnisse von Modellen ist, dass diese in den meisten Fällen lediglich eine Denkhilfe darstellen und helfen sollen, Entscheidungen strukturiert und gut informiert zu treffen. Von geringerer Bedeutung sind hingegen die exakten Zahlen als Ergebnis der Modelle: „Modeling for insights, not numbers“ [Huntington et al. 1982, Bloomfield & Updegrove 1981].

6Im Folgenden soll kurz anhand von drei Unterscheidungsmerkmalen (Zeithorizont, Systemperspektive und Planungsaufgabe) auf verschiedene Modellansätze mit ihren jeweiligen Eigenschaften eingegangen werden [Connolly et al. 2010].

Zeithorizont

  • Ein Kurzfrist-Modell simuliert zumeist den Betrieb eines bestehenden oder fiktiven Energiesystems. Dabei wird die Struktur der Energieversorgung unter der Vorgabe eines Bedarfsszenarios simuliert. Typischerweise werden entsprechende Modelle in stündlicher Auflösung betrieben und der Betrachtungszeitraum beträgt ein Jahr.

  • Ein Langfrist-Modell kombiniert die errechneten Ergebnisse für mehrere Jahre in ein Langfristszenario. Die verwendeten Zeitschritte variieren je nach Fragestellung zwischen einem und fünf Jahren. Das Ergebnis ist typischerweise ein Langfristszenario über 20 bis 50 Jahre. Diese Art von Energiemodellen ist von wesentlicher Bedeutung für die Erstellung von Energieszenarien.

Systemperspektive

  • Bei der Top-Down Modellierung handelt es sich um einen makroökonomischen Ansatz der Modellbildung. Sie zeichnet sich durch einen hohen Aggregationsgrad bzgl. Produktionsfunktionen aus, während Prozess-oder Energieträgersubstitutionen in der Regel über Elastizitäten bestimmt werden [Möst & Fichtner 2009]. Gleichgewichtsmodelle sind typische Vertreter von Top-Down-Energiemodellen welche, basierend auf dem Walrasschen Gesetz, Preise auf einem (Partialmodell) oder mehreren Märkten erklären. Dabei kombinieren sie in der Regel (nahezu) perfekte Märkte mit empirischen Marktcharakteristika [Böhringer & Löschel 2004].

  • Bottom-Up-Modelle greifen zur Modellierung des Energiesystems auf eine differenzierte techno-ökonomische Charakterisierung aller zugrunde liegenden Produktionsprozesse und Technologien zurück. Zur Erstellung von Energieszenarien wird vielfach auf Bottom-Up-Modelle zurückgegriffen, wenn eine detaillierte Analyse technischer Anpassungsprozesse auf exogen vorgegebene Veränderungen der Rahmenbedingungen für die Analyse entscheidend ist. Mit Hilfe von Bottom-Up-Modellen kann die gesamte energetische Wertschöpfungskette abgebildet werden.

Planungsaufgabe

  • Modelle zur Einsatzplanung optimieren den Betrieb eines exogen vorgegebenen Energiesystems. Der Planungszeitraum entsprechender Modelle bewegt sich im Bereich von wenigen Stunden bis hin zu einem Jahr. In vielen Fällen handelt es sich bei diesen Modellen um Simulationsmodelle. Einsatzplanungsmodule sind jedoch auch in verschiedenen optimierenden Energiesystemmodellen enthalten (z. B. PERSEUS, Balmorel, vgl. Kapitel 3).

  • Modelle zur Investitionsplanung optimieren die Investitionen eines Energiesystems. Um diesem Anspruch gerecht zu werden, wird hierbei stets ein Bottom-Up-Modellansatz verfolgt. Des Weiteren handelt es sich bei Modellen zur Investitionsplanung meist um Langfrist-Modelle.

7Aus der Auflistung wird deutlich, dass im Kontext der Erstellung von Energieszenarien neben (partiellen) Gleichgewichtsmodellen wie z. B. PRIMES [Capros 2008] auch Langfrist-Modelle mit Bottom-Up-Ansatz (z. B. PERSEUS, vgl. Kapitel 3) – abhängig von der zugrundeliegenden Fragestellung – relevant sind. Makroökonomische Ansätze verzichten meist auf die detaillierte Abbildung technischer Charakteristika und eignen sich somit vor allem dazu, die Entwicklung des aggregierten Energiekonsums abzuschätzen. Um das Technologieportfolio zu ermitteln, mit dem die ermittelte Nachfrage optimal gedeckt werden soll, eignen sich hingegen technologiezentrierte Bottom-Up-Modelle. Der Fokus liegt hier auf der korrekten Abbildung der existierenden (system-)technischen Restriktionen, die den zulässigen Lösungsraum begrenzen sowie auf der Einbeziehung aller techno-ökonomischer Charakteristika der Anlagenalternativen [Enzensberger 2003]. In der Gruppe der Bottom-Up-Modelle kann des Weiteren zwischen Simulationsmodellen und optimierenden Modellen unterschieden werden, welche in Tabelle 1 einander gegenüber gestellt werden.

Tabelle 1: Vergleich eines optimierenden Energiesystemmodells mit einem Simulationsmodell; in Anlehnung an [Möst 2010]

Simulationsmodell

Optimierendes Modell

Modellphilosophie

Marktsimulation: Prognose des Marktgeschehens (inkl. Akteursverhalten)

Systemoptimierung: Anpassung eines Systems an alternative Rahmenbedingungen unter gegebener Zielfunktion

Modelllogik

Entscheidungsregeln simulieren Akteursverhalten und Marktplätze

Systembeschreibung (Variablen, Restriktionen, Zielfunktion) und Vergleich aller denkbaren Optionen

Stärken und Schwächen

Transparenz der Einzelentscheidung gut erweiterbar und anpassbar Wechselwirkungen zwischen Entscheidungsregeln ggf. unklar

Optimalität der Ergebnisse Einzelentscheidungen schwer/nicht isolierbar

Marktverständnis

Reale, imperfekte Märkte mit strategischem Verhalten

Perfekte Märkte mit vollständiger Information

Investitionsentscheidung

Anlagenbezogen (z. B. NPV)

Systembezogen (Maßnahmenbündel)

Strompreise

Ergebnis des simulierten Bietverhaltens

Abgeleitet aus Schattenpreisen der Nachfragedeckung

8Das Ergebnis optimierender Energiesystemmodelle ist unter anderem der Verlauf von (Des-)Investitionsentscheidungen und damit eine detaillierte Projektion der Zusammensetzung von Technologien zur Befriedigung der exogen gegebenen Nachfrageentwicklung. Der im folgenden Kapitel gegebene Überblick sowie die kritische Würdigung der Modelle in Kapitel 4 beschränkt sich auf eine Auswahl an optimierenden Energiesystemmodellen zur Szenarienerstellung mit einem Planungshorizont von größer als fünf Jahren.

3 Ausgewählte optimierende Energiesystemmodelle

Balmorel

9Das Modell Balmorel (Baltic Model of Regional Energy Market Liberalization) ist ein 1999 im Rahmen des Dänischen Energieforschungsprogramms entwickeltes Energiesystemmodell. Inzwischen ist das Modell als sogenanntes „Open-Source Modell“ frei verfügbar und wird von verschiedenen Anwendern genutzt und weiterentwickelt [Ravn 2001]. Balmorel basiert auf einer mehrperiodischen linearen Optimierung mit der Zielfunktion der Minimierung der jährlichen entscheidungsrelevanten Systemausgaben. Es handelt sich somit um einen myopischen Modellierungsansatz, der im Gegensatz zu den sogenannten Perfect-Foresight-Modellen steht, welche die diskontierten Systemausgaben über den gesamten Betrachtungszeitraum minimieren [Ball 2006].

IKARUS

  • 3 Im Rahmen der kritischen Würdigung optimierender Energiesystemmodelle in Kapitel 4 wird der myopisc (...)

10Das Modell IKARUS (Instrumente für Klimagasreduktionsstrategien) wurde am Forschungszentrum Jülich in Zusammenarbeit mit mehreren wissenschaftlichen Institutionen im Rahmen eines vom BMWA geförderten Projektes entwickelt [Markewitz & Stein 2003]. Die treibende Größe des Modells ist die Befriedigung der exogen gegebenen Nachfrage nach Energie. Mittels linearer Optimierung werden die volkswirtschaftlich minimierten Kosten unter der Nebenbedingung der Befriedigung von energie- und umweltpolitischen Zielen errechnet. Es können jedoch auch andere Zielkriterien definiert werden. Im Gegensatz zu Modellen, die Investitionsentscheidungen unter perfekter Voraussicht treffen, wurde beispielsweise im Projekt „IKARUS – Energieszenarien bis 2030“ ein quasi-statischer Modellansatz verfolgt (vgl. Balmorel). Das bedeutet, dass die Optimierung nicht über einen mehrperiodischen Zeitraum, sondern für jedes Jahr getrennt erfolgt. Dies soll, gegenüber Perfect-Foresight-Modellen, realitätsnähere Szenarien erzeugen.3

MARKAL/TIMES

11Die MARKAL/TIMES (Market Allocation/The Integrated MARKAL/EFOM System) Modellfamilie besteht aus Energie-, Ökonomie- und Umwelttools, die unter der Schirmherrschaft der IEA (International Energy Agency) entwickelt werden. Die Modelle sind sehr weit verbreitet und werden in über 70 Ländern und 250 Institutionen angewendet. Es können beliebig große und kleine Regionen modelliert werden, weshalb das Spektrum von einer weltweiten bis hin zur kommunalen Betrachtung reicht. Das Zielkriterium der Optimierung ist die Minimierung der gesamten diskontierten Systemausgaben über den gesamten Planungshorizont unter Einhaltung aller vorgegebenen politischen und physikalischen Nebenbedingungen [Hundt et al. 2010]. Somit ist die Modellfamilie in die Gruppe der Bottom-Up-Modelle und Perfect-Foresight-Modelle einzuordnen.

PERSEUS

12Das Modell PERSEUS (Programme Package for Emission Reduction Strategies in Energy Use and Supply) wurde am Institut für Industriebetriebslehre und Industrielle Produktion des Karlsruher Instituts für Technologie entwickelt und wird im Rahmen verschiedener Forschungsprojekte weiterentwickelt. Es handelt es sich um ein multiregionales Energie- und Stoffflussmodell zur Abbildung und Analyse des Energieversorgungssektors unter alternativen Rahmenbedingungen. Die Zielfunktion des Modells ist die Minimierung aller entscheidungsrelevanten und diskontierten Systemausgaben zur Deckung der exogen vorgegebenen Nachfrage und unter Berücksichtigung aller definierten Restriktionen. PERSEUS ist somit in die Gruppe der Bottom-Up- und Perfect-Foresight-Modelle einzuordnen.

4 Grenzen optimierender Energiesystemmodelle

13Energiemodelle sind eine exzellente Möglichkeit, um fundierte Aussagen über mögliche künftige Entwicklungen von Energiesystemen treffen zu können. Dies gilt insbesondere für große und komplexe Systeme, welche die Eigenschaft haben, dass viele Wechselwirkungen bestehen und somit bereits kleine technologische oder politische Veränderungen deutliche Auswirkungen zeigen können. Dies zeigt sich heute beispielsweise bei der geplanten Verlängerung der Laufzeiten von Atomkraftwerken [BMU & BMWi 2010]. Sollte das entsprechende Gesetz in Kraft treten, wird dies die weitere Entwicklung der Elektrizitätserzeugung in Deutschland weitreichend verändern. An diesem Beispiel lässt sich jedoch auch eines der größten Probleme von Energiemodellen zeigen. Abhängig von den zugrunde liegenden Annahmen und der Güte der verwendeten Datensätze des jeweiligen Modells können sich stark unterschiedliche Projektionen ergeben, wie z. B. bei der Gegenüberstellung der Studien [Hundt et al. 2010] und [Fischedick et al. 2009] deutlich wird.

14Zur Einordnung der Möglichkeiten und Grenzen von Energiemodellen soll deshalb im Folgenden eine kritische Würdigung am Beispiel des optimierenden Energiesystemmodells PERSEUS erfolgen. Die getroffenen Aussagen sind aus einem reinen Strommodell abgeleitet. Die meisten Aussagen lassen sich jedoch auch auf andere Energiesystemmodelle übertragen, die auf der Methode der linearen Programmierung aufbauen. Die in diesem Zusammenhang wichtigen Punkte sind:

  • Die gewählten Systemgrenzen,

  • die zeitliche und räumliche Differenzierung,

  • das implizit unterstellte Marktverständnis und die Abbildung des Akteursverhaltens,

  • der Detailgrad der Technologieabbildung sowie

  • die Berücksichtigung von Unsicherheiten.

4.1 Systemgrenzen

15Die Wahl der Systemgrenzen hat weitreichenden Einfluss auf die Ergebnisse eines Energiemodells. So determiniert die Wahl des geografischen Ausmaßes nicht nur die Reichweite des Modelles sondern hat auch Einfluss auf die Ergebnisse der Optimierung. Beispielsweise vernachlässigt ein Energiemodell, das sich auf Deutschland beschränkt, europaweite Ausgleichseffekte in stochastischen Prozessen wie der Windenergieeinspeisung. Somit kann z. B. ein verstärkter Zubau an Regelenergiekraftwerken notwendig sein, der in der Realität aufgrund natürlicher Ausgleichseffekte eventuell überflüssig wäre.

16Auch die Vorgabe makroökonomischer Entwicklungen stellt eine wesentliche Systemgrenze dar. Die treibende Kraft des Energiesystemmodells PERSEUS ist die exogen vorgegebene Energienachfrage. Dementsprechend finden intersektorale Interdependenzen im Modell keine Berücksichtigung. In der realen Welt hängt beispielsweise die Stromnachfrage in den verschiedenen Nachfragesektoren von der makroökonomischen Entwicklung sowie von dem unterstellten Marktpreis für Elektrizität ab. Umgekehrt wird der Strompreis jedoch bei gegebenen Erzeugungsmöglichkeiten von der Gesamtnachfrage determiniert. Eine Berücksichtigung dieses Wechselspiels ist im PERSEUS-Modell jedoch nicht möglich, da die unterstellte Stromnachfrage exogen vorgegeben ist.

4.2 Zeitliche und räumliche Differenzierung

17Um die Modellgröße möglichst gering zu halten, erfolgt die zeitliche Differenzierung in PERSEUS über sogenannte Typtage. Die Typtage bilden jeweils den typischen Lastverlauf eines Tages über mehrere Zeitscheiben ab und können für jede Jahreszeit sowie für Werk- und Wochenendtage unterschiedlich angelegt werden. Durch die Wahl der Anzahl und Auflösung der Typtage kann die Komplexität des Modells stark beeinflusst werden. Somit stellt die Wahl der Anzahl der Typtage bzw. Zeitscheiben stets einen Trade-off zwischen Modellgenauigkeit und Modellkomplexität dar. Darüber hinaus verursacht die zeitliche Differenzierung über Typtage zunehmend Probleme in der Abbildung der fluktuierenden Energiebereitstellung aus erneuerbaren Energien. Deren Einspeisecharakteristika erfordern aufgrund des stochastischen Verlaufs eine höhere zeitliche Auflösung im Modell als es bei ausschließlich steuerbaren Stromerzeugern der Fall ist.

18Neben der zeitlichen ist auch die räumliche Differenzierung entscheidend. Vor allem in größeren Modellen, z. B. wenn ganz Europa abgebildet werden soll, ist eine hohe räumliche Aggregation notwendig, da mit steigender Anzahl der definierten Regionen, für die jeweils getrennt Technologieoptionen und andere Daten hinterlegt werden können, die Modellkomplexität stark ansteigt. Zwar sind die Ergebnisse bei starker Differenzierung aussagekräftiger, doch stoßen Modelle mit starker räumlicher Differenzierung auch schnell an die Grenzen der Lösbarkeit in vertretbarer Zeit.

4.3 Marktverständnis und Akteursverhalten

  • 4 Strategisches Verhalten und Interaktion zwischen Akteuren wird in anderen Ansätzen, z. B. Multiagen (...)

19Die im optimierenden Energiesystemmodells PERSEUS verwendete systemumfassende Zielfunktion der Minimierung aller entscheidungsrelevanten diskontierten Ausgaben stellt gegenüber der realen Marktsituation eine Vereinfachung dar, da durch die Unterstellung eines ausgabenbasierten Bietverhaltens in anonymen und diskriminierungsfreien Märkten insbesondere das in der Realität auftretende strategische Verhalten von Unternehmen vernachlässigt wird. So werden zwar gesamtwirtschaftlich optimale Entscheidungen getroffen, doch müssen diese nicht notwendigerweise optimal für jeden einzelnen der modellierten Akteure sein. Es wird vielmehr eine einheitliche Strategie unterstellt, nämlich die systemkostenminimale Deckung der exogen vorgegebenen Nachfrage [Perlwitz 2007, Enzensberger 2003]. Somit unterscheidet sich der Ansatz von einer betriebswirtschaftlichen Optimierung aus Sicht des Einzelakteurs, welcher in der Realität danach strebt seinen Anlagenpark zu optimieren, jedoch nicht versucht systemoptimale Entscheidungen zu treffen.4

20Eine weitere Problematik von Perfect-Foresight-Modellen besteht darin, dass sie auf der Annahme beruhen, dass alle Marktteilnehmer über vollständige Information und perfekte Voraussicht bzgl. aller Rahmenbedingungen (z. B. Nachfrage- und Preisentwicklungen) verfügen. In der realen Welt sind jedoch lediglich myopische Kenntnisse der Marktteilnehmer vorhanden, welche zu irreversiblen Investitionen führen können. Dies macht deutlich, dass die Systemausgaben in der realen Welt tendenziell höher ausfallen als in Perfect-Foresight-Modellen errechnet wird. Zwar trägt diesem Problem ein myopischer Modellansatz Rechnung, doch hier ist zu kritisieren, dass unterstellt wird, dass der simulierte Entscheidungsträger, der in der Realität über gute Informationen verfügt, eine weniger genaue Kenntnis der Zukunft hat als der Modellentwickler und es somit lediglich zu einer zeitverzögerten Anpassung des Systems kommt. Dies erhöht unvermeidlich die sunk costs und somit die berechneten Systemausgaben im Vergleich zu Perfect-Foresight-Modellen [Enzensberger 2003]. Die durch Perfect-Foresight-Modelle ermittelten marginalen Kosten der Stromproduktion oder CO2-Minderung können somit als untere Grenze für den Strom- und Zertifikatepreis interpretiert werden [Rosen 2007].

21Neben den oben genannten Problemen ist bei der Modellierung mittels der linearen Programmierung der sogenannte Bang-Bang Effekt zu beobachten [Perlwitz 2007, Rosen 2007]. Der Begriff beschreibt die Problematik, dass bereits bei marginalen Variationen von Eingangsparametern oder technischen Spezifikationen extreme Veränderungen im Modellergebnis auftreten können. Das Phänomen wird durch substituierbare Alternativen verursacht, da stets die hinsichtlich ihres Beitrags zur Zielfunktion, wenn auch nur marginal, bessere Alternative bis zu eventuellen Restriktionen ausgeschöpft wird. Somit können kleinste Veränderungen im Ergebnis einen vollständigen Wechsel zwischen zwei Substituten verursachen. Bang-Bang Effekte können am wirksamsten durch die Wahl geeigneter Restriktionen verhindert oder durch die Modellstruktur zumindest auf kleine Bereiche des Systems beschränkt werden.

22In optimierenden Energiesystemmodellen wird jede (Des-)Investitionsentscheidung unter rein ökonomischen Gesichtspunkten getroffen. In der Realität werden solche Entscheidungen jedoch auch stark von weiteren Einflussfaktoren bestimmt. Neben strategischen Überlegungen der Unternehmen zählen dazu auch politische Zielvorgaben, technische Restriktionen oder auch marktimmanente Aspekte wie begrenzte Fertigungskapazitäten der Anlagenbauer. Um die genannten Faktoren in adäquater Weise in den Modellergebnissen widerzuspiegeln, müssen diese in geeigneter Weise in das Gleichungssystem integriert werden. Dies kann jedoch nur für einen Teil der relevanten Aspekte gelingen, da bei vielen Teilaspekten keine mathematisch exakte Abbildung möglich ist.

4.4 Detailgrad der Technologieabbildung

23Je genauer die verfügbaren Technologien mit ihren Eigenschaften im Modell abgebildet werden können desto belastbarer werden die errechneten Ergebnisse. Einige Technologieaspekte können auf der Seite der Energiewandlungsanlagen in heutigen Modellen nur näherungsweise berücksichtigt werden. Dazu gehören neben dem Anfahrverhalten von Kraftwerken beispielsweise auch Systemdienstleistungen, welche bisher nur teilweise im Modell integriert sind.

24Ein weiterer Aspekt, der heute in optimierenden Energiesystemmodellen nur unzureichende Berücksichtigung findet, ist die Einbeziehung von Netzrestriktionen in die Optimierung. Durch die zunehmende räumliche Verschiebung von Erzeugungskapazitäten im Elektrizitätssektor, beispielsweise bedingt durch den starken Zubau von Windkraftanalgen im Norden Deutschlands, ergeben sich verstärkt Netzengpässe im Übertragungsnetz. Ohne adäquate Berücksichtigung dieser Engpässe kann die Optimierung zu suboptimalen Ergebnissen und somit zu falschen Aussagen hinsichtlich der zukünftigen Zusammensetzung der Stromerzeugung führen. Bisher besteht in den meisten Energiesystemmodellen die Möglichkeit, Energieaustauschkapazitäten zwischen den Regionen über interregionale Flussobergrenzen zu modellieren. Dabei wird jedoch der tatsächliche elektrische Lastfluss vernachlässigt. Da der Einfluss des Netzes auf Investitionsentscheidungen mit steigendem Anteil von fluktuierender und nicht steuerbar anfallender Windenergie ebenfalls weiter steigen wird, ist es von grundlegender Bedeutung, die technischen Eigenschaften der Netze basierend auf geeigneten Lastflussmodellen in optimierende Energiesystemmodelle zu integrieren. Erste Ansätze dazu werden beispielsweise in [Groschke et al. 2009] oder [Eßer et al. 2008] vorgestellt.

4.5 Berücksichtigung von Unsicherheiten

25Viele der im Modell verwendeten Eingangsparameter sind mit teilweise schwer quantifizierbarer Unsicherheit behaftet. Beispielsweise handelt es sich bei der unterstellten Nachfrageentwicklung immer selbst um das Ergebnis eines Modells, welches wiederum mit Unsicherheit behaftete Parameter als Eingangsgröße verwendet. Aus diesem Grund werden im Zusammenhang mit Energiemodellen häufig Szenarien angewendet, durch deren Verwendung eine Bandbreite an Ergebnissen angegeben werden kann. Neben der Anwendung von Szenarien wird häufig auch eine Sensitivitätsanalyse bzgl. unsicherer Eingangsparameter angewendet. Durch die Sensitivitätsanalyse kann abgeschätzt werden, welchen Einfluss eine Änderung unsicherer Eingangsgrößen auf das errechnete Ergebnis hat. Zwar kann dadurch nicht die Unsicherheit selbst abgeschätzt werden, doch wird deutlich, hinsichtlich welcher Parameter das Ergebnis besonders sensitiv reagiert. Eine Möglichkeit um Unsicherheiten adäquat zu berücksichtigen, welche durch relevante stochastische Teilprozesse auftreten, ist deren direkte Einbettung in die Optimierung [dargestellt in Möst & Keles 2010]. Dies bietet sich beispielsweise an um Prozesse wie die fluktuierende Einspeisung aus Windenergie in optimierenden Modellen zu berücksichtigen.

5 Fazit und Ausblick

26Die Erstellung von Energieszenarien basiert in der Regel auf komplexen mathematischen Modellen, die je nach Modellansatz verschiedenen Zielen dienen. Um eine Projektion für die Zusammensetzung der Technologien zur Energiebereitstellung zu erstellen eignen sich Bottom-Up-Modelle, da sie detaillierte techno-ökonomische Daten berücksichtigen und somit unter Berücksichtigung der zugrundeliegenden Annahmen fundierte Aussagen hinsichtlich der Entwicklung der Energieversorgung getroffen werden können.

27Da jedoch bei der modellhaften Abbildung der Realität eine Vielzahl von Annahmen getroffen werden müssen, ergeben sich zwangsläufig Ungenauigkeiten und Unsicherheiten in den errechneten Ergebnissen. Wesentliche Punkte, die zur korrekten Interpretation und Bewertung von Energieszenarien auf Basis optimierender Energiesystemmodelle beachtet werden müssen, sind:

  • Die gewählten Systemgrenzen, welche die Gültigkeit der Ergebnisse ggf. auf bestimmte Regionen oder Teilmärkte beschränken,

  • die zeitliche und räumliche Differenzierung,

  • das implizit unterstellte Marktverständnis sowie die Abbildung des Akteursverhaltens,

  • der Detailgrad der Technologieabbildung sowie

  • die Berücksichtigung von Unsicherheiten hinsichtlich der Modellparameter bzw. das Einbeziehen stochastischer Prozesse in die Optimierung.

28Insbesondere durch die stetige Steigerung der zur Verfügung stehenden Rechnerleistung sind für die Zukunft weitere Verbesserungen im Bereich des Detaillierungsgrades der Modelle zu erwarten. Dies trägt dazu bei, dass die errechneten Ergebnisse zunehmend genauer werden. Dennoch bleibt eine wesentliche Einschränkung, dass die Qualität der Ergebnisse stark von den getroffenen Annahmen abhängt und somit nicht zuletzt auch von subjektiven Einschätzungen des Modellierers abhängen. Des Weiteren wird es auch in Zukunft nur begrenzt möglich sein, belastbare langfristige Akteurstrategien in den Modellen zu berücksichtigen, da diese von zu vielen nicht objektivierbaren Faktoren abhängen. Somit können Szenarien erstellt mit Energiesystemmodellen immer nur eine mögliche Entwicklung darstellen.

Bibliographie

Literaturverzeichnis

Ball, M 2006, „Integration einer Wasserstoffwirtschaft in ein nationales Energiesystem am Beispiel Deutschlands“,. Dissertation, Universität Karlsruhe (TH).

Bloomfield, S & Updegrove, D 1981, “Modeling for insights, not numbers”, New directions for higher education, vol. 35, S. 93-104.

BMU & BMWi, 2010, Energiekonzept für eine umweltschonende, zuverlässige und bezahlbare Energieversorgung, Bundesministerium für Wirtschaft und Technologie (BMWi); Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit (BMU).

Böhringer, C & Löschel, A 2004, Climate change policy and global trade, ZEW Economic Studies 26, Mannheim.

Capros, P 2008, The PRIMES Energy System Model, National Technical University of Athens.

Connolly, D, Lund, H, Mathiesen, BV & Leahy, M 2001, “A review of computer tools for analysing the integration of renewable energy into various energy systems”, Applied Energy, vol. 87, S. 1059 – 1082.

Enzensberger, N 2003, „Entwicklung und Anwendung eines Strom- und Zertifikatemodells für den europäischen Energiesektor“, Dissertation, Universität Karlsruhe (TH).

Eßer, A, Möst, D & Rentz, O 2008, “Long-term power plant investment planning in Baden-Wuerttemberg using a GIS-based nodal pricing approach”, In: Proceedings of the 31st IAEE International Conference, Istanbul.

Fischedick, M, Supersberger, N & Zeiss, C 2009, Die Auswirkungen einer Laufzeitverlängerung der Atomkraftwerke auf erneuerbare Energien, Bundesministerium für Umwelt Naturschutz und Reaktorsicherheit (BMU).

Genoese, M 2010, „Energiewirtschaftliche Analysen des deutschen Strommarkts mit agentenbasierter Simulation“, Dissertation, Karlsruher Institut für Technologie.

Groschke, M, Eßer, A, Möst, D & Fichtner, W 2009, “Neue Anforderungen an optimierende Energiesystemmodelle für die Kraftwerkseinsatz- und Zubauplanung bei begrenzten Netzkapazitäten“, ZfE Zeitschrift für Energiewirtschaft, 01/2009, S. 14 – 22.

Hundt, M, Barth, R, Sun, N, Brand, H & Voß, A 2010, Herausforderungen eines Elektrizitätsversorgungssystems mit hohen Anteilen erneuerbarer Energien, Institut für Energiewirtschaft und Rationelle Energieanwendung, IER.

Huntington, HG, Weyant, J & Sweeney, J 1982, “Modeling for insights, not numbers: the experiences of the energy modeling forum”, Omega – the International Journal on Management Science, vol. 10, no. 5, S. 449-462.

Küll, R & Stähly, P 1999, „Zur Planung und effizienten Abwicklung von Simulationsexperimenten“, In: Biethan et al.: Simulation als betriebliche Entscheidungshilfe – State of the Art und neuere Entwicklungen, Heidelberg: Physica-Verlag, S. 1-21.

Markewitz, P, & Stein, G 2003, Das IKARUS-Projekt: Energietechnische Perspektiven für Deutschland, Forschungszentrum Jülich.

Möst D & Fichtner W 2009, „Einführung zur Energiesystemanalyse“, In: Energiesystemanalyse, Möst, D, Fichtner, W; Grunwald, A (ed.), Universitätsverlag Karlsruhe 2009.

Möst, D & Keles, D 2010, “A survey of stochastic modelling approaches for liberalised electricity markets”, European Journal of Operational Research, (2009), doi: 10.1016/j. ejor. 2009.11.007.

Möst, D 2010, “Energy economics and energy system analysis. Methods for decision support and its application in energy markets”, Kumulative Habilitationsschrift, Karlsruher Institut für Technologie (KIT).

Perlwitz, H 2007, „Der Erdgasmarkt für den Kraftwerkssektor unter CO2-Minderungsverpflichtungen“, Dissertation, Universität Karlsruhe (TH).

Ravn, H (ed.) 2001, Balmorel: A Model for Analyses of the Electricity and CHP Markets in the Baltic Sea Region, Elkraft System.

Rosen, J 2007 “The future role of renewable energy sources in European electricity supply”, Dissertation, Universität Karlsruhe (TH).

Notes

3 Im Rahmen der kritischen Würdigung optimierender Energiesystemmodelle in Kapitel 4 wird der myopische Modellansatz den Perfect Foresight Modellen gegenübergestellt und hinsichtlich der Güte der Projektion eingeordnet.

4 Strategisches Verhalten und Interaktion zwischen Akteuren wird in anderen Ansätzen, z. B. Multiagenten simulationen, berücksichtigt [Genoese 2010]. Diese eignen sich jedoch eher für kurzfristige Betrachtungen, da die Ableitung plausibler langfristiger Akteursstrategien schwer möglich ist (vgl. Kapitel 2).

Table des illustrations

Légende Abbildung 1: Schritte zur Durchführung einer Systemabbildung [in Anlehnung an Küll & Stähly 1999]
URL http://books.openedition.org/ksp/docannexe/image/2950/img-1.jpg
Fichier image/jpeg, 85k

Auteurs

Institut für Industriebetriebslehre und Industrielle Produktion (IIP), Karlsruher Institut für Technologie, Lehrstuhl für Energiewirtschaft, 76187 Karlsruhe, Deutschland, E-Mail: martin.schoenfelder@kit.edu, Telefon: +49(0)721/608-4461/-4460/-4590

Institut für Industriebetriebslehre und Industrielle Produktion (IIP), Karlsruher Institut für Technologie, Lehrstuhl für Energiewirtschaft, 76187 Karlsruhe, Deutschland, E-Mail: patrick.jochem@kit.edu, Telefon: +49(0)721/608-4461/-4460/-4590

Institut für Industriebetriebslehre und Industrielle Produktion (IIP), Karlsruher Institut für Technologie, Lehrstuhl für Energiewirtschaft, 76187 Karlsruhe, Deutschland, E-Mail: wolf.fichtner@kit.edu, Telefon: +49(0)721/608-4461/-4460/-4590

Lire

Open access

Acheter