{"id":1732,"date":"2024-09-24T14:11:54","date_gmt":"2024-09-24T12:11:54","guid":{"rendered":"https:\/\/hsnordhausen.artemis.wpspace.me\/science-blog\/?p=1732"},"modified":"2024-09-26T19:12:33","modified_gmt":"2024-09-26T17:12:33","slug":"unsicherheitsbewertung-des-energiesystemmodells-des-freistaats-thueringen-mit-hilfe-eines-monte-carlo-ansatzes","status":"publish","type":"post","link":"https:\/\/www.hs-nordhausen.de\/science-blog\/en\/unsicherheitsbewertung-des-energiesystemmodells-des-freistaats-thueringen-mit-hilfe-eines-monte-carlo-ansatzes\/","title":{"rendered":"Unsicherheitsbewertung des Energiesystemmodells des Freistaats Th\u00fcringen mit Hilfe eines Monte-Carlo-Ansatzes"},"content":{"rendered":"\n

von Theresa Reinhardt, Viktor Wesselak<\/p>\n\n\n\n

Ein Monte-Carlo-Modell des Th\u00fcringer Energiesystems wurde entwickelt, um die Zuverl\u00e4ssigkeit der Systemkonfigurationen zu bestimmen. Das Energiemodell umfasst Versorgungs-, Speicher-, Umwandlungs- und Nachfragekomponenten f\u00fcr verschiedene Energietr\u00e4ger wie Strom, W\u00e4rme, Biomasse, Wasserstoff und Erdgas. Die Analyse wird f\u00fcr das Jahr 2030 durchgef\u00fchrt und die energie- und klimapolitischen Ziele des Th\u00fcringer Klimaschutzgesetzes werden erf\u00fcllt. Das Ziel der Optimierung ist die Minimierung der Gesamtkosten. Unter Ber\u00fccksichtigung von Unsicherheiten wie Preis-, Nachfrage- und Windvariabilit\u00e4t werden die Auswirkungen auf das Systemdesign untersucht. Die Modellierung erfolgt mit Hilfe von Open-Source-Tools.<\/strong><\/p>\n\n\n\n

Ein Energiesystemmodell ist ein m\u00e4chtiges Werkzeug, das es Forscherinnen und Forschern, Politikerinnen und Politiker und Energieexpertinnen und -experten <\/strong>erm\u00f6glicht, das komplexe Netz von Interaktionen innerhalb eines Energiesystems zu verstehen, zu analysieren und Prognosen zu erstellen. Im Wesentlichen handelt es sich um eine mathematische Darstellung des gesamten Energiesektors, einschlie\u00dflich der Erzeugung, Verteilung, \u00dcbertragung und des Verbrauchs von Energie. Diese Modelle sind entscheidend, um fundierte Entscheidungen \u00fcber die Zukunft der Energieversorgung eines Landes oder einer Region zu treffen.<\/p>\n\n\n\n

Der Zweck eines Energiesystemmodells besteht darin, die Dynamik und das Verhalten verschiedener Energietechnologien und -infrastrukturen zu simulieren. Es ber\u00fccksichtigt Faktoren wie Energiequellen (z. B. fossile Brennstoffe oder erneuerbare Energien), \u00dcbertragungsnetze, Energiespeicher und die Nachfrage von Verbraucherinnen und Verbaucher<\/strong>. Durch die Integration dieser Komponenten k\u00f6nnen Modelle die Auswirkungen verschiedener Szenarien und Strategien bewerten, wie z. B. die Einf\u00fchrung neuer Technologien, \u00c4nderungen der Energiepolitik oder Schwankungen der Energienachfrage.<\/p>\n\n\n\n

Der Nutzen solcher Modelle besteht darin, dass sie komplexe Daten und Informationen zusammenfassen k\u00f6nnen, um Entscheidungstr\u00e4gern eine klare und messbare Basis f\u00fcr ihre Strategien zu liefern. Beispielsweise kann ein Energiesystemmodell dazu beitragen, die Auswirkungen des Ausstiegs aus fossilen Brennstoffen und der Einf\u00fchrung erneuerbarer Energien auf die Strompreise und die Versorgungssicherheit zu bewerten. Es kann auch dazu beitragen, die optimale Kombination von Energiequellen zu bestimmen, um die Treibhausgasemissionen zu reduzieren und gleichzeitig die Zuverl\u00e4ssigkeit der Energieversorgung sicherzustellen. Im Rahmen des Forschungsprojektes ZO.RRO <\/ins>II<\/a> wird am Institut f\u00fcr Regenerative Energietechnik der Hochschule Nordhausen<\/a> ein umfassendes Energiesystemmodell f\u00fcr Th\u00fcringen entwickelt. Dieses Modell zielt darauf ab, die Herausforderungen und Chancen des Energiesektors in der Region zu adressieren und eine nachhaltige und sichere Energiezukunft f\u00fcr Th\u00fcringen zu gew\u00e4hrleisten.<\/p>\n\n\n\n

Es ist wichtig anzuerkennen, dass Energiesystemmodelle Unsicherheiten unterliegen, insbesondere im Zusammenhang mit Modellparametern. Diese Parameter umfassen eine Vielzahl von Variablen, wie z. B. zuk\u00fcnftige technologische Fortschritte, wirtschaftliche Faktoren und Verbraucherverhalten. Aufgrund der dynamischen Natur des Energiesektors ist es eine Herausforderung genaue Vorhersagen \u00fcber lange Zeitr\u00e4ume hinweg zu treffen. Um diesen Unsicherheiten Rechnung zu tragen, verwenden Modellierer oft Sensitivit\u00e4tsanalysen und untersuchen eine Reihe von Szenarien, um die Robustheit der Ergebnisse zu bewerten.<\/p>\n\n\n\n

Methodik<\/h3>\n\n\n\n

Monte-Carlo-Simulationen sind eine leistungsstarke Methode, um Unsicherheiten und Variabilit\u00e4ten innerhalb von Energiesystemmodellen zu bew\u00e4ltigen. Im Wesentlichen handelt es sich dabei um eine Technik, bei der eine gro\u00dfe Anzahl zuf\u00e4lliger Stichproben aus einem definierten Eingabebereich gezogen wird, um die Auswirkungen von Unsicherheiten auf die Modellvorhersagen zu bewerten.<\/p>\n\n\n\n

In Energiesystemmodellen gibt es zahlreiche Parameter, deren Werte mit einer gewissen Unsicherheit behaftet sind, wie z. B. zuk\u00fcnftige Energiepreise, technologische Fortschritte oder die Nachfrage von Verbraucherinnen und Verbraucher. Monte-Carlo-Simulationen erm\u00f6glichen es Modelliererinnen und Modellierer, diese Unsicherheiten zu quantifizieren und zu verstehen, wie sie sich auf die Ergebnisse auswirken k\u00f6nnen.<\/p>\n\n\n\n

Durch die wiederholte Ausf\u00fchrung des Modells mit unterschiedlichen Eingabewerten, die zuf\u00e4llig innerhalb eines bestimmten Bereichs ausgew\u00e4hlt werden, kann ein Verteilungsmuster der Ergebnisse erstellt werden. Dies erm\u00f6glicht es Forscherinnen und Forschern, Wahrscheinlichkeiten f\u00fcr verschiedene Szenarien zu bestimmen und zu verstehen, wie empfindlich das System auf Ver\u00e4nderungen reagiert.<\/p>\n\n\n\n

Das Energiesystem Th\u00fcringen<\/h3>\n\n\n\n

Grundlage des Monte-Carlo-Modells ist das Energiesystemmodell des Freistaats Th\u00fcringen aus dem vorangegangenen Forschungsprojekt ZO.RRO[1]. Im Rahmen des Projekts wurden die Ausbaupfade f\u00fcr verschiedene Technologien bis 2050 analysiert. Dabei werden die Entwicklung des Energiebedarfs und die lokalen Energiepotenziale der erneuerbaren Technologien ebenso ber\u00fccksichtigt wie klimapolitische Ziele. Ziel ist es, die ben\u00f6tigte Leistung von erneuerbaren Energiequellen, Speichern und Power-to-X-Technologien1 <\/sup>zu optimieren und gleichzeitig die wirtschaftlichen Gesamtkosten zu senken. Das Modell hat eine st\u00fcndliche Aufl\u00f6sung und ist in oemof<\/em>2<\/sup> implementiert. Die Abk\u00fcrzung oemof steht f\u00fcr open energy modelling framework. oemof ist eine quelloffene Python-Bibliothek zur Modellierung und Analyse von Energiesystemen[2]. Alle Arten von Eingangsdaten werden in das oemof-Modell eingespeist, darunter Lastprofile, Komponentenspezifikationen wie Wirkungsgrade und Einspeiseprofile.<\/p>\n\n\n\n

Das Energiesystemmodell Th\u00fcringen weist acht Busse auf. <\/a>In der Energiesystemmodellierung bezeichnen „Buse<\/ins>“ den Transfer von Energiemengen innerhalb eines Energiesystems. Ein „Bus“ ist ein Knotenpunkt, an dem verschiedene Energiequellen, Verbraucher und Speicher miteinander verbunden sind. Die Busleitung gibt an, wie viel Energie \u00fcber diesen Knotenpunkt flie\u00dft, was entscheidend f\u00fcr das Verst\u00e4ndnis und die Optimierung des Energieflusses im Gesamtsystem ist: W\u00e4hrend Gas-<\/strong> und Strombus<\/strong> die vorhandenen, \u00fcberregionalen Netze abbilden, fasst der Fernw\u00e4rmebus<\/strong> die dezentralen Nah- und Fernw\u00e4rmenetze in den Th\u00fcringer Kommunen zusammen. \u00d6l- & Kraftstoff-<\/strong> sowie Festbrennstoffbus <\/strong>repr\u00e4sentieren die Verteilinfrastruktur f\u00fcr Kraft- und Brennstoffe. Der Wasserstoffbus<\/strong> beschreibt eine noch aufzubauende Verteilinfrastruktur f\u00fcr Wasserstoff. Bei der Biomasse wird zwischen Holz (Bioholzbus<\/strong>) und Substrat f\u00fcr Biogasanlagen (Biobus<\/strong>) unterschieden[1].<\/p>\n\n\n\n

Das Python-Package monaco<\/em> wird zur Verwaltung der Monte-Carlo-Simulation verwendet und erm\u00f6glicht Benutzerinnen und Benutzern die Analyse von Unsicherheiten und Sensitivit\u00e4ten in ihren Berechnungsmodellen. Mit monaco<\/em> k\u00f6nnen Benutzerinnen und Benutzer zuf\u00e4llige Eingabevariablen aus verschiedenen kontinuierlichen oder diskreten Verteilungen definieren und die Eingabedaten f\u00fcr die Hauptsimulation vorbereiten. Es bietet Plot- und Statistikfunktionen f\u00fcr die Analyse der Simulationsergebnisse und sorgt durch die Verwaltung zuf\u00e4lliger Seeds3<\/sup> f\u00fcr die Wiederholbarkeit der Ergebnisse[3].<\/p>\n\n\n\n

\n


\"\"<\/p>\n<\/div>\n\n\n\n

Abb. 1: Berechnete Kombinationen von unsicheren Parametern<\/p>\n\n\n\n

In dieser Studie werden parametrische Unsicherheiten ber\u00fccksichtigt. Hierf\u00fcr wurden sechs Parameter ausgew\u00e4hlt, die hinsichtlich ihres Einflusses auf das Energiesystem als besonders relevant eingestuft werden und deren Unsicherheit in Tabelle 1 angegeben ist. F\u00fcnf Zufallszahlen werden als gleichverteilt angenommen, da \u00fcber die tats\u00e4chliche Verteilung keine fundierte Aussage gemacht werden kann. Es werden 200 Iterationen durchgef\u00fchrt. Abb. 1 zeigt die Kombinationen der unsicheren Eingangsparameter, wobei die Gr\u00f6\u00dfe der Kreise die Lastschwankungen darstellt. Es ist eine gleichm\u00e4\u00dfige Abdeckung des Eingangsparameterraumes zu erkennen. Die Windgeschwindigkeit ist in Abb. 1 nicht enthalten.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Parameter<\/td>Range<\/td>Distribution<\/td><\/tr><\/thead>
CO2<\/sub>-Preis<\/td>83,54 \u2013 160 \u20ac\/t<\/td>uniform<\/td><\/tr>
Lastschwankungen (Strom und W\u00e4rme)<\/td>\u00b1 20 %<\/td>uniform<\/td><\/tr>
Strompreisfaktor<\/td>0.8 \u2013 2.5<\/td>uniform<\/td><\/tr>
Wasserstoffpreis<\/td>45 \u2013 205 \u20ac\/MWh<\/td>uniform<\/td><\/tr>
Windgeschwindigkeit<\/td>0 \u2013 14,2 m\/s<\/td>Weibull<\/td><\/tr><\/tbody><\/table>
Tabelle 1: Untersuchte Parameter, deren Schwankungsbreite sowie Verteilung<\/figcaption><\/figure>\n\n\n\n

Das Referenzszenario ist das Basisszenario 2030 aus dem Projekt ZO.RRO[1]. Alle Ergebnisse der Monte-Carlo-Simulation werden mit dieser Referenz verglichen.<\/p>\n\n\n\n

Abbildung 2 zeigt beispielhaft ein Ergebnis der Monte-Carlo-Simulation. Untersucht wurde die Abh\u00e4ngigkeit des Einsatzes von Elektrodenheizkesseln und Photovoltaikanlagen vom Strompreis und die sich daraus ergebenden Mengen importierten Stroms. Im Referenzszenario hatte der Elektrodenkessel eine Leistung P von 280 MW und die Freifl\u00e4chenphotovoltaik von 4.729 MW, was der linken unteren Ecke in Abb. 2 entspricht. Bei einem g\u00fcnstigen Strompreis (Strompreisfaktor zwischen 1 und 1,2) wird viel Strom importiert (blaue Kreise). Steigt der Strompreis an, geht der Import zur\u00fcck, die Eigenerzeugung aus Photovoltaik erh\u00f6ht sich und in diesem Zuge auch der Einsatz von Elektrodenheizkesseln zur Nutzung des \u00fcbersch\u00fcssigen Stroms.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/p>\n\n\n\n

Abb. 2: Zusammenhang zwischen Strompreis und Elektrodenkessel<\/p>\n\n\n\n

<\/p>\n\n\n\n

Schlussfolgerungen und Ausblick<\/h3>\n\n\n\n

Es wurde eine Monte-Carlo-Simulation f\u00fcr das Energiesystem in Th\u00fcringen beschrieben. Das Energiesystem besteht aus einer gro\u00dfen Anzahl von Komponenten und Energietr\u00e4gern. Die Analyse wurde f\u00fcr das Jahr 2030 in st\u00fcndlicher Aufl\u00f6sung durchgef\u00fchrt. F\u00fcr die Modellierung wurden Open-Source Python-Tools verwendet. Die Gesamtkosten wurden in jeder Monte-Carlo-Iteration minimiert, wobei die Emissionen ber\u00fccksichtigt wurden.<\/p>\n\n\n\n

Es wurden Unsicherheiten bei der Energieversorgung, den Preisen und der Lastseite modelliert. Es zeigt sich, dass der Strompreis den gr\u00f6\u00dften Einfluss auf das gesamte System und seine Konfiguration hat. Die Auswirkungen der anderen unsicheren Parameter, wie z. B. des CO2<\/sub>-Preises, auf die Auslegung des Gesamtsystems sind eher gering.<\/p>\n\n\n\n

Steigt der Strompreis, sinkt gleichzeitig die aus dem Netz bezogene Strommenge und der Ausbau von Photovoltaik-Freifl\u00e4chenanlagen wird verst\u00e4rkt. \u00dcbersch\u00fcssige Photovoltaik-Energie wird dann im Elektrolyseur und dem Heizstab genutzt. Dadurch werden auch die Speicherkapazit\u00e4ten erh\u00f6ht. In diesem Fall sinken sowohl die Gesamtkosten als auch die Emissionen. Dies spricht f\u00fcr den Ausbau der erneuerbaren Technologien. Die Technologien, die im Referenzszenario nicht eingesetzt werden (z. B. Brennstoffzelle und Methanisierung), kommen auch in keiner Monte-Carlo-Iteration zum Einsatz. Bei den beiden W\u00e4rmepumpen ist eine Lastabh\u00e4ngigkeit deutlich zu erkennen. Zusammenfassend l\u00e4sst sich feststellen, dass eine Variation der sechs unsicheren Parameter nicht zu einer anderen Zusammensetzung des Energiesystems f\u00fchrt, sondern eher zu einer Ver\u00e4nderung der installierten Leistung einiger Technologien oder Speicherkapazit\u00e4ten. Monte Carlo ist also eine gute Methode, um die robustesten Technologien unter Unsicherheit zu identifizieren.<\/p>\n\n\n\n

Referenzen<\/p>\n\n\n\n

[1] C. Frenkel, L. Hofmann, J. Liebe, A. Oberdorfer, T. Reinhardt, C. Schmidt S. Voswinckel, V. Wesselak, \u201cSo geht\u00b4s Wie Th\u00fcringen klimaneutral wird \u2013 die Ergebnisse der Energiessystemmodellierung,\u201d Digitale Bibliothek Th\u00fcringen<\/em>, 2021, https:\/\/doi.org\/10.22032\/dbt.53108.<\/p>\n\n\n\n

[2] U. Krien, P. Sch\u00f6nfeldt, J. Launer and S. Hilpert, \u201coemof.solph – A model generator for linear and mixed-integer linear optimisation of energy system,\u201d Software Impacts<\/em>, Volume 6, 2020, https:\/\/doi.org\/10.1016\/j.simpa.2020.100028.<\/p>\n\n\n\n

[3] W. Scott Shambaugh, \u201cMonaco: A Monte Carlo Library for Performing Uncertainty and Sensitivity Analyses,\u201d In Proceedings of the 21st Python in Science Conference<\/em> (pp. 202 – 208), 2022<\/em>.<\/p>\n\n\n\n