Modellierung von
Energieverbräuchen in hoher
regionaler und zeitlicher Aufösung
Entwicklung und Anwendung eines Verfahrens zur
Abbildung von Strom-, Erdgas und
Wasserstofverbräuchen im industriellen und
gewerblichen Sektor in Deutschland
vorgelegt von
M. Sc.
Paul Anton Verwiebe
an der Fakultät VII - Wirtschaft und Management
der Technischen Universität Berlin
zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
-Dr.-Ing.-
genehmigte Dissertation
Promotionsausschuss:
Vorsitzender: Prof. Dr. Dodo zu Knyphausen-Aufseß
Gutachter: Prof. Dr. Joachim Müller-Kirchenbauer
Gutachter: Prof. Dr. Aaron Praktiknjo
Tag der wissenschaftlichen Aussprache: 03. Mai 2023
Berlin 2023
Zusammenfassung
Vor dem Hintergrund des Transformationsdrucks auf das zunehmend durch Dezentralität
und fuktuierende Einspeisung geprägte Energiesystem steigt die Bedeutung hochaufgelöster
Energiesystemmodellierung. Detaillierte Energieverbrauchsszenarien bilden dafür eine der
wichtigsten Grundlagen. In dieser Arbeit wird ein Verfahren zur hochaufgelösten Modellierung
zukünftiger Strom-, Erdgas- und Wasserstofverbräuche im Industrie- und Gewerbe-, Handel-
und Dienstleistungssektor entwickelt und angewendet. Es wird untersucht, welche zukünftigen
Verbräuche sich durch die Substitution von Erdgas durch Strom und grünen Wasserstof
ergeben und wie sich die Verschiebungen zwischen den Energieträgern auf die regionale und
zeitliche Verteilung der Verbräuche auswirkt.
Zentrales Ergebnis der vorliegenden Arbeit ist das entwickelte Verfahren, das ausschließlich
auf öfentlichen Daten basiert und in Python implementiert ist. Ausgehend von aggregierten
Verbrauchsdaten aus statistischen Veröfentlichungen werden durch schrittweise Disaggregation
höher aufgelöste Verbräuche ermittelt. Für die Bestimmung zukünftiger Verbräuche werden die
prognostizierte wirtschaftliche Entwicklung sowie Efzienzsteigerungen berücksichtigt. Zudem
werden Energieträgerwechsel von Erdgas zu Strom und grünem Wasserstof modelliert. Im
Ergebnis werden durch Anwendung des Verfahrens zukünftige nach Landkreis, Wirtschaftszweig
und Anwendung diferenzierte Lastgänge ermittelt. Den zeitlichen Horizont bildet das Jahr 2045,
für das in Deutschland Treibhausgasneutralität gelten soll. Durch den im Modell vorgegebenen
Substitutionspfad geht der Verbrauch von fossilem Erdgas bis dahin auf Null. Die unter
Anwendung des Verfahrens modellierten Verbräuche von Strom- und grünem Wasserstof
im Industriesektor steigen bis 2045 insgesamt und besonders in den Zentren der chemischen
Industrie. Haupttreiber sind die Elektrifzierung der erdgasversorgten Wärmeanwendungen
bis 500°C durch Elektrodenkessel und Wärmepumpen sowie die nichtenergetischen Wasser-
stofverbräuche in der chemischen Industrie. Im gewerblichen Sektor konzentrieren sich die
Verbräuche auf die urbanen Zentren. Der Stromverbrauch stagniert in diesem Sektor, da die
Mehrverbräuche aus der Elektrifzierung der Raumwärme durch steigende Efzienz im Zuge
von Sanierungen ausgeglichen werden. Die Temperaturabhängigkeit der Stromlastgänge nimmt
zu und führt zu höheren Spitzenlasten in den Wintermonaten. Die Wasserstofastgänge sind
nahezu konstant, da der Verbrauch in durchgängig produzierenden Industrien anfällt.
Die Ergebnisse der vorliegenden Arbeit bieten eine sektorübergreifende Planungsgrundlage
für Energietransportsysteme. Auf ihrer Basis können durch Gegenüberstellung mit regionalen
Erzeugungsmengen Bedarfe an Übertragungskapazitäten identifziert werden. Im Zuge der
Dekarbonisierung ist dies vor dem Hintergrund steigender erwarteter Verbräuche von
CO2
-
neutralen Energieträgern in wirtschaftsstarken Regionen besonders relevant. Des Weiteren
liefern die Ergebnisse den Ausgangspunkt für die Quantifzierung regional und zeitlich
hochaufgelöster Lastfexibilisierungspotenziale, die für die Modellierung von Energiesystemen
mit 100% erneuerbaren Energien einen wesentlichen Inputfaktor darstellen, um Optionen für
den regionalen Ausgleich zwischen Erzeugung und Verbrauch aufzuzeigen und zu bewerten.
Abstract
The transforming energy system is under pressure by increasing decentralization and fuctuation
of feed-in. Hence, high-resolution modeling of energy systems, for which detailed energy
consumption scenarios are one of the essential inputs, is becoming increasingly important.
In this thesis, a method for high-resolution modeling of future electricity, natural gas and
hydrogen consumption in the industrial, commercial, trade and service sectors is developed and
applied. The future consumption resulting from the substitution of natural gas by electricity
and green hydrogen is investigated as well as how the switch between the energy sources afects
the regional and temporal distribution of consumption.
The central result of this dissertation is the developed method, which is based exclusively on
public data and implemented in Python. Based on aggregated consumption data from statistical
publications, consumption is determined at higher resolution by stepwise disaggregation. For
the determination of future consumption, the predicted economic development as well as
efciency increases are taken into account. In addition, the switch from natural gas to
electricity and green hydrogen are modeled. As a result, future load profles diferentiated
by NUTS-3 region, economic sector and application are determined. The time horizon is the
year 2045, for which greenhouse gas neutrality must be achieved in Germany. Due to the
modeled substitution path, the consumption of fossil natural gas decreases to zero by then.
The modeled consumption of electricity and green hydrogen in the industrial sector increases
until 2045 overall and especially in the centers of the chemical industry. The main drivers
are electrifcation of gas-fred heat applications up to 500°C by electrode boilers and heat
pumps, and non-energy hydrogen consumption in the chemical industry. In the commercial
sector, consumption is concentrated in urban centers. Overall, electricity consumption in this
sector is stagnant, as additional consumption from the electrifcation of space heating is ofset
by efciency gains from renovations. The temperature dependence of the power load curves
increases, resulting in higher peak loads during the winter months. Hydrogen load curves are
nearly constant as consumption occurs in continuously producing industries.
The results of this dissertation provide a cross-sectoral planning basis for energy transmission
systems. By comparing these results with regional feed-in, transmission capacity needs can be
determined. In the course of decarbonization, this is particularly relevant with regard to the
expected increase in consumption of
CO2
-neutral energy sources in economically strong regions.
In addition, the results form the starting point for quantifying load fexibility potentials in
high regional and temporal detail. These are key inputs for identifying and evaluating options
for regional balancing between feed-in and consumption when modeling energy systems with
100 % renewables.
Danksagung
Die vorliegende Dissertation entstand am Fachgebiet Energie- und Ressourcenmanagement
der TU Berlin im Zeitraum Januar 2017 bis Dezember 2022. An dieser Stelle möchte ich allen
beteiligten Personen meinen großen Dank aussprechen, die mich bei der Anfertigung meiner
Dissertation unterstützt haben.
Besonders danken möchte ich Herrn Prof. Dr. Müller-Kirchenbauer für die ausgezeichnete
Betreuung bei der Umsetzung der gesamten Arbeit. Außerdem möchte ich mich mich bei Herrn
Prof. Dr. Praktiknjo für die Einladung zum Kolloquium und die bereichernden Anregungen
bedanken.
Meinen Kollegen Stephan Seim, Johannes Kochems und Kyrill Danilov, die mich auf
meinem Weg mit produktiven Gesprächen und lieben Worten begleitet haben, gilt besonderer
Dank. Des Weiteren möchte ich Herrn Prof. Dr. Roland Verwiebe und Herrn Dr. Ernst Röder
Danke sagen, die durch ihre Unterstützung zum Gelingen der Arbeit beigetragen haben.
Meinen Eltern-, Schwiegereltern und meiner Schwester danke ich für ihre Ermutigungen
während der Arbeit an dieser Dissertation. Mein ganz besonderer Dank gilt Isabel Kuckartz
für ihre Geduld, ihr Mitgefühl und ihre Beharrlichkeit.
Inhaltsverzeichnis
Titelblatt i
Zusammenfassung iii
Abstract v
Abbildungsverzeichnis xiii
Tabellenverzeichnis xvii
Abkürzungsverzeichnis xix
1 Einleitung 1
1.1 Zielsetzung und Forschungsfragen . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Vorgehensweise und Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . 3
2 Grundlagen 5
2.1 Klassifzierung von Verfahren zur Modellierung von Energieverbräuchen . . . . 5
2.1.1 Statistische Verfahren ............................ 6
2.1.2 Verfahren des maschinellen Lernens . . . . . . . . . . . . . . . . . . . . 6
2.1.3 Metaheuristische Verfahren ......................... 7
2.1.4 Verfahren zur Abbildung von Unsicherheit . . . . . . . . . . . . . . . . . 7
2.1.5 Ingenieurwissenschaftliche Verfahren . . . . . . . . . . . . . . . . . . . . 7
2.2 Klassifzierung energienachfragebestimmender Größen . . . . . . . . . . . . . . 9
2.3 Systematik der regionalen Aufösung ........................ 10
2.4 Systematik der zeitlichen Aufösung ........................ 10
2.5
Klassifzierung von Verbrauchergruppen im industriellen und gewerblichen Sektor
11
2.6 Klassifzierung von Verbrauchsanwendungen . . . . . . . . . . . . . . . . . . . . 13
2.7 Datenlage zum industriellen und gewerblichen Energieverbrauch in Deutschland 16
2.8 Zwischenfazit ..................................... 23
3 Stand der Forschung 25
3.1
Systematische Literaturanalyse zu Modellierungsverfahren von Energieverbräuchen
25
3.1.1 Vorgehen bei der Literaturanalyse ..................... 26
3.1.2 Ergebnisse der Literaturanalyse . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Szenarien des deutschen Energieverbrauchs . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Vorstellung der Studien und Beschreibung der Verfahrensweisen . . . . . 33
ix
INHALTSVERZEICHNIS
3.2.2 Vergleich der Szenarienergebnisse . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Zwischenfazit ..................................... 49
4
Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
53
4.1 MethodischeGrundlagen............................... 53
4.1.1
Übersicht der Modellierung historischer Verbräuche nach dem Top-down-
Verfahren ................................... 55
4.1.2
Übersicht der Modellierung zukünftiger Verbräuche nach dem kombi-
nierten Top-down-bottom-up-Verfahren . . . . . . . . . . . . . . . . . . 57
4.2 Beschreibung der Eingangsdaten .......................... 58
4.2.1 Mengengerüst der modellierten Energieverbräuche . . . . . . . . . . . . 58
4.2.2 Energieverbräuche nach Regionen und Wirtschaftszweigen . . . . . . . . 59
4.2.3 Energieverbräuche nach Anwendungen . . . . . . . . . . . . . . . . . . . 60
4.2.4 Energienachfragebestimmende Größen . . . . . . . . . . . . . . . . . . . 61
4.2.4.1 Demographische und sozioökonomische Daten . . . . . . . . . 61
4.2.4.2 Technische Daten ......................... 64
4.2.5 Lastprofle................................... 69
4.2.5.1 Branchenlastprofle ........................ 69
4.2.5.2 Standardlastprofle......................... 70
4.2.5.3 Betriebsschichtprofle ....................... 71
4.2.5.4 Zuordnung der Profltypen zu Wirtschaftszweigen . . . . . . . 72
4.3 Modellierung regionaler Energieverbräuche . . . . . . . . . . . . . . . . . . . . . 73
4.3.1 Modellierung regionaler Verbräuche nach Wirtschaftszweigen . . . . . . 73
4.3.2 Modellierung regionaler Verbräuche nach Anwendungen . . . . . . . . . 75
4.4 Modellierung zeitlich aufgelöster Energieverbräuche . . . . . . . . . . . . . . . . 75
4.4.1 Modellierung von Lastgängen nach Wirtschaftszweigen . . . . . . . . . . 76
4.4.2 Modellierung von Lastgängen nach Anwendungen . . . . . . . . . . . . . 76
4.4.3 Modellierung von Lastgängen für Wärmepumpen . . . . . . . . . . . . . 77
4.4.3.1 Erstellung von COP-Zeitreihen . . . . . . . . . . . . . . . . . . 78
4.4.3.2 Erstellung von Wärmebedarfszeitreihen . . . . . . . . . . . . . 80
4.4.3.3 Erstellung von Stromverbrauchszeitreihen für Wärmepumpen . 82
4.5 Modellierung zukünftiger regional und zeitlich aufgelöster Energieverbräuche . 83
4.5.1 Modellierung des Mengenefekts . . . . . . . . . . . . . . . . . . . . . . . 83
4.5.2 Modellierung des Efzienzefekts ...................... 84
4.5.3 Modellierung der Energieträgerwechsel . . . . . . . . . . . . . . . . . . . 85
5 Ergebnisse 87
5.1
Ergebnisse der Top-down-Modellierung historischer hochaufgelöster Energiever-
bräuche ........................................ 87
5.2
Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche ......................... 97
5.2.1 Ergebnisse auf Anwendungsebene . . . . . . . . . . . . . . . . . . . . . . 97
5.2.2 Ergebnisse auf sektoraler Ebene . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.3 Ergebnisse in regionaler Aufösung .....................103
x
INHALTSVERZEICHNIS
5.2.4 Ergebnisse in zeitlicher Aufösung . . . . . . . . . . . . . . . . . . . . . . 106
6 Diskussion und zukünftiger Forschungsbedarf 111
6.1
Plausibilisierung der Ergebnisse der Top-down-Modellierung historischer Ver-
bräuche ........................................111
6.2
Einordnung der Ergebnisse der kombinierten Top-down-bottom-up-Modellierung
zukünftiger Verbräuche in den nationalen Forschungskontext . . . . . . . . . . 118
6.3 Kritische Würdigung des Modellierungsverfahrens . . . . . . . . . . . . . . . . . 124
6.4 Zukünftiger Forschungsbedarf ............................126
7 Fazit 129
Literatur 135
Anhang A Anhang 161
A.1 Systematische Literaturanalyse ...........................161
A.2
Eingangsgrößen der Modellierung - Anteile der Anwendungen am Energievebrauch
163
A.3 Eingangsgrößen der Modellierung - Steigerungsraten der Mengentreiber . . . . 169
A.4
Berechnung der Efzienzsteigerungsraten für Stromanwendungen im GHD-Sektor
172
A.5 Energieträgerwechsel-Potenziale . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
A.6 Lastprofle.......................................174
A.7 Ergebnisse.......................................177
A.8 Diskussion.......................................181
xi
Abbildungsverzeichnis
2.1
Erzielbare Temperaturniveaus verbreiteter Technologien für klimaneutrale
Wärme, eigene Darstellung nach [78, 79, 80] . . . . . . . . . . . . . . . . . . . . 14
2.2
Endenergieverbrauch nach Sektoren und Anwendungen (2018), nach AGEB und
BMWK [68] ...................................... 17
2.3 Energieverbrauch nach Wirtschaftszweigen (2018), nach UGR [92] . . . . . . . 18
2.4
Strom- und Gasverbrauch des industriellen Sektors einschließlich nichtenergeti-
schem Verbrauch (2018), nach JEVI [97, 98] . . . . . . . . . . . . . . . . . . . . 19
2.5
Strom- und Gasverbrauch nach Bundesländern für den Industrie- und GHD-
Sektor, inklusive Verbrauch von Industriekraftwerken, Kokereien, Kohlen-, Erdöl
und Erdgasgewinnung sowie des nichtenergetischen Verbrauchs (2018), nach
LAK [101] ....................................... 20
2.6
Lastgang der Bidding Zone DE laut “ENTSO-E Transparency Platform” (2018),
stündlich, nach [102, 104] .............................. 21
2.7
Aggregierter physikalischer Erdgasfuss zu Endkunden in den beiden Markt-
gebieten Gaspool und NCG laut “ENTSO-G Transparency Platform” (2018),
täglich, nach [103] .................................. 22
3.1 Vorgehensweise bei der systematischen Literaturanalyse . . . . . . . . . . . . . 26
3.2 Anzahl der Artikel nach Sektoren und Energieträger . . . . . . . . . . . . . . . 28
3.3 Häufgkeit der verwendeten Verfahren und jeweiliger Anteil der Energieträger . 29
3.4 Anteile der verwendeten Eingangsgrößen je Kategorie von Verfahren . . . . . . 30
3.5
Anteile verwendeter Verfahren bei unterschiedlichen zeitlichen und regionalen
Aufösungen ...................................... 31
3.6 Boxplots der MAPE-Werte nach Grad der regionalen Aufösung . . . . . . . . . 32
3.7
Szenarien zur Entwicklung des industriellen Strom- und Erdgasverbrauchs in
Energiesystemstudien, ohne nichtenergetischen Verbrauch . . . . . . . . . . . . 46
3.8
Szenarien zur Entwicklung des industriellen Verbrauchs von grünem Wasserstof
in Energiesystemstudien, inklusive nichtenergetischem Verbrauch . . . . . . . . 47
3.9
Szenarien zur Entwicklung des Strom- und Erdgasverbrauchs im GHD-Sektor
in Energiesystemstudien ............................... 49
4.1
Übersicht über das Modellierungsverfahren nach dem Top-down-bottom-up-
Prinzip, Nummerierung der Disaggregationsebenen von
1
bis
nach Tabelle
5
4.1 ........................................... 54
4.2 Darstellung des Disaggregationsverfahrens nach dem Top-down-Prinzip . . . . . 56
xiii
ABBILDUNGSVERZEICHNIS
4.3 Darstellung des Verfahrens zur Modellierung zukünftiger Lastgänge . . . . . . 57
4.4
Anteil des Erdgasverbrauchs für Stromproduktion der 10 verbrauchsintensivsten
industriellen Wirtschaftszweige, nach [92, 99] . . . . . . . . . . . . . . . . . . . 60
4.5
Sozialversicherungspfichtig Beschäftigte in Deutschland nach gruppierten
Wirtschaftszweigen (2018), nach [174], DL: Dienstleistungen . . . . . . . . . . . 62
4.6
Entwicklung der sozialversicherungspfichtig Beschäftigten für ausgewählte Wirt-
schaftszweige bis 2045, durchgezogenene Linie: historische Werte, gestrichelte
Linie: Prognose anhand Steigerungsraten aus der Literatur, siehe Tabelle A.6
im Anhang ...................................... 63
4.7
Entwicklung der Bruttowertschöpfung für ausgewählte Wirtschaftszweige bis
2045, durchgezogenene Linie: historische Werte, gestrichelte Linie: Prognose
anhand Steigerungsraten aus der Literatur, siehe Tabelle A.6 im Anhang . . . . 64
4.8
Exemplarischer Lastverlauf der Branchenlastprofle für ausgewählte Wirtschafts-
zweige für eine Woche von Montag bis Sonntag im Mai 2019, normiert auf 1
MWh Jahresverbrauch ................................ 69
4.9 Exemplarischer Verlauf des Strom-Standardlastprofls G0 (Gewerbe allgemein) 70
4.10
Exemplarischer Verlauf des Gas-Standardlastprofls für Gebietskörperschaften
für Berlin im Jahr 2015, normiert auf 1 MWh Jahresverbrauch . . . . . . . . . 71
4.11
Exemplarischer Lastverlauf der Betriebsschichtprofle für eine Woche von Montag
bis Sonntag im Mai, normiert auf 1 MWh Jahresverbrauch . . . . . . . . . . . 72
4.12 Verfahren zur Modellierung von Lastproflen für Wärmepumpen . . . . . . . . . 77
4.13
Temperaturverläufe der Wärmequellen Grundwasser, Luft und Sole für Berlin
(2018),nach[167][212]................................ 78
4.14 COP unterschiedlicher Wärmepumpentypen, Regression nach [83] und [215] . . 80
4.15
Übersicht des Verfahrens zur Modellierung der Energieträgerwechsel von Erdgas
zu Strom bzw. zu grünem Wasserstof ....................... 85
5.1 Regionaler Strom und Erdgasverbrauch im GHD-Sektor (2018) . . . . . . . . . 88
5.2 Regionaler Strom und Erdgasverbrauch im Industriesektor (2018) . . . . . . . . 89
5.3
Stromverbrauch nach Anwendungen der zehn verbrauchsstärksten Wirtschafts-
zweige (2018) ..................................... 91
5.4
Erdgasverbrauch nach Anwendungen der zehn verbrauchsstärksten Wirtschafts-
zweige (2018) ..................................... 92
5.5
Stromverbrauch des GHD-Sektors in stündlicher Aufösung (erste Maiwoche 2018)
93
5.6 Stromverbrauch des GHD-Sektors im Jahresverlauf (2018) . . . . . . . . . . . . 93
5.7 Gasverbrauch des GHD-Sektors in stündlicher Aufösung (erste Maiwoche 2018) 94
5.8 Gasverbrauch des GHD-Sektors im Jahresverlauf (2018) . . . . . . . . . . . . . 94
5.9
Stromverbrauch des Industriesektors in stündlicher Aufösung (erste Maiwoche
2018).......................................... 95
5.10 Stromverbrauch des Industriesektors im Jahresverlauf (2018) . . . . . . . . . . 95
5.11
Gasverbrauch des Industriesektors in stündlicher Aufösung mit temperaturab-
hängiger Modellierung der Raumwärme (erste Maiwoche 2018) . . . . . . . . . 96
5.12
Gasverbrauch des Industriesektors im Jahresverlauf mit temperaturabhängiger
Modellierung der Raumwärme (2018) . . . . . . . . . . . . . . . . . . . . . . . . 96
xiv
ABBILDUNGSVERZEICHNIS
5.13
Kumulierte Veränderung der Strom- und Erdgasverbräuche je Anwendung im
GHD-Sektor nach Jahren .............................. 98
5.14
Kumulierte Veränderungen der Strom- und Erdgasverbräuche je Anwendung
im Industriesektor nach Jahren ........................... 99
5.15
Veränderung der Wasserstof- und Erdgasverbräuche je Anwendung im Indu-
striesektor nach Jahren ...............................100
5.16
Zukünftiger absoluter Strom- und Erdgasverbrauch im GHD-Sektor unter
Einfuss des Energieträgerwechsels sowie des Mengen- und Efzienzefekts nach
Jahren . ... . ... ... . ... . ... ... . ... . ... ... . ... ... . 101
5.17
Zukünftiger absoluter Strom-, Erdgas- und Wasserstofverbrauch im Indu-
striesektor unter Einfuss des Energieträgerwechsels sowie des Mengen- und
Efzienzefekts nach Jahren .............................102
5.18
Anteile am Wasserstofverbrauch aus Erdgassubstitution nach Wirtschaftszwei-
gen in 2045 ......................................103
5.19
Relative regionale Änderung des Stromverbrauchs ohne Elektrolyse zwischen
2020 und 2045 . ... ... . ... . ... ... . ... . ... ... . ... ... . 104
5.20
Absolute regionale Änderung des Stromverbrauchs ohne Elektrolyse zwischen
2020 und 2045 . ... ... . ... . ... ... . ... . ... ... . ... ... . 104
5.21
Absolute regionale Änderung des Wasserstofverbrauchs zwischen 2045 und 2020
105
5.22
Relative regionale Änderung des Stromverbrauchs mit Elektrolysestrom zwischen
2020 und 2045 . ... ... . ... . ... ... . ... . ... ... . ... ... . 106
5.23
Absolute regionale Änderung des Stromverbrauchs mit Elektrolysestrom
zwischen 2020 und 2045 ...............................106
5.24
Zukünftiger Jahresverlauf des industriellen Stromverbrauchs, ohne Elektrolyse-
strom .........................................107
5.25 Zukünftiger Jahresverlauf des industriellen Wasserstofverbrauchs . . . . . . . . 107
5.26 Zukünftiger Jahresverlauf des Stromverbrauchs im GHD-Sektor . . . . . . . . . 108
5.27 Zukünftiger Jahresverlauf des Gasverbrauchs der Sektoren GHD und Industrie 109
6.1
Vergleich der Modellergebnisse mit den Energiedaten des BMWK [68] für den
industriellen Sektor (2018) . . . . ... . ... . . . . ... ... . ... . ... . 112
6.2
Vergleich der Modellergebnisse mit den Energiedaten des BMWK [68] für den
Gewerbe, Handel und Dienstleistungen (GHD)-Sektor (2018) . . . . . . . . . . 113
6.3
Vergleich der Modellergebnisse mit den LAK-Energiebilanzen der Länder für
den Industriesektor (2018), nach [89] ........................114
6.4
Vergleich der Modellergebnisse mit den LAK-Energiebilanzen der Länder für
den GHD-Sektor (2018), nach [89] .........................115
6.5
Vergleich der Modellergebnisse mit dem ENTSO-E Lastgang der Bidding Zone
DE (2018), nach [102] ................................116
6.6
Vergleich der Modellergebnisse mit dem aggregierten physikalischen Gasfuss zu
Endkunden in beiden Marktgebieten Gaspool und NCG nach ENTSO-G (2018),
nach [103] .......................................117
xv
ABBILDUNGSVERZEICHNIS
6.7
Einordnung des modellierten zukünftigen industriellen Strom- und Erdgasver-
brauchs in den nationalen Forschungskontext, ohne Umwandlungssektor (WZ
19); Abschätzung enthält zusätzliche Verbräuche aus der Substitution von
Kohlen und Mineralölprodukten . . . . ... . ... ... . ... . ... . . . . . 119
6.8
Einordnung des modellierten zukünftigen industriellen Wasserstofverbrauchs in
den nationalen Forschungskontext, ohne Umwandlungssektor (WZ 19) . . . . . 121
6.9
Einordnung des modellierten zukünftigen Strom- und Erdgasverbrauchs im
GHD-Sektors in den nationalen Forschungskontext, ohne Verkehr (WZ 49, 50, 51)
122
A.1 Boxplots der MAPE-Werte nach Methodenkategorien . . . . . . . . . . . . . . 162
A.2
Entwicklung der Energiebezugsfäche für ausgewählte Wirtschaftszweige bis
2045, durchgezogenene Linie: historische Werte, gestrichelte Linie: Prognose
anhand Steigerungsraten aus der Literatur, siehe Tabelle A.6 im Anhang . . . . 171
A.3 Stromverbrauch nach Anwendungen im GHD-Sektor für 2020 und 2045 . . . . 177
A.4 Stromverbrauch nach Anwendungen im Industriesektor für 2020 und 2045 . . . 177
A.5
Strom- und grüner Wasserstofverbrauch des Industriesektors 2045 nach
Anwendungen ... . ... . . . . ... . ... ... . ... . ... ... . ... . 178
A.6
Zukünftiger absoluter Strom-, Erdgas- und Wasserstofverbrauch des GHD- und
Industriesektors inklusive Mengen-, Efzienz- und Energieträgerwechsel-Efekt
nach Jahren . . . . . ... ... . ... . ... ... . ... . ... . . . . ... . 178
A.7 Absolute regionale Änderung des Erdgasverbrauchs zwischen 2020 und 2045 . . 179
A.8
Zukünftiger Jahresverlauf des industriellen Stromverbrauchs (2020, 2045 ohne
Elektrolyse und 2045 mit Elektrolyse) .......................179
A.9
Zukünftiger Jahresverlauf des Stromverbrauchs der Sektoren GHD und Industrie
(2020, 2045 ohne Elektrolyse und 2045 mit Elektrolyse) . . . . . . . . . . . . . 180
A.10
Vergleich der geglätteten Modellergebnisse mit Mittelwertfenstern von 6 und 10
Stunden mit dem ENTSO-E Lastgang der Bidding Zone DE (2018), nach [102] 181
A.11
Anteile der Gesamtlast je Bundesland als Faktorzeitreihe für 2 Aprilwochen in
2018 aus Modellergebnissen .............................181
A.12
Verteilung der ENTOS-E Gesamtlast gemäß Faktorzeitreihen aus Abbildung
A.11 für 2 Aprilwochen in 2018 ...........................182
xvi
Tabellenverzeichnis
2.1 Modellinputs und nachfragebestimmende Größen, nach [7, S. 4] . . . . . . . . . 9
2.2 Übersicht der Regionsbezeichnungen nach NUTS (2021) und AGS . . . . . . . 10
2.3 Einteilung der Wirtschaftszweige nach WZ08 [70] . . . . . . . . . . . . . . . . . 11
2.4
Übersicht der Wirtschaftsabteilungen und Zuordnung zu Sektoren, nach [70, S.
54-55] ......................................... 13
2.5 Modellierte Anwendungen je Energieträger . . . . . . . . . . . . . . . . . . . . . 16
3.1
Untersuchte Merkmale von Energieverbrauchsmodellen im Rahmen der syste-
matischen Literaturanalyse und Beispiele für mögliche Ausprägungen . . . . . . 27
3.2
Übersicht ausgewählter Entwicklungsszenarien des Energieverbrauchs aus
Energiesystemstudien, Abk. FH: Fraunhofer . . . . . . . . . . . . . . . . . . . . 34
3.3
Vergleich des Detailgrads der Bottom-up-Modellierung zukünftiger Energiever-
bräuche in Energiesystemstudien mit der vorliegenden Arbeit . . . . . . . . . . 44
4.1
Übersicht der Disaggregationsebenen, Nummerierung
1
bis
korrespondiert
5
mit Nummerierung in Abbildung 4.1 ........................ 54
4.2
Jährliche Efzienzsteigerungsraten in industriellen Wirtschaftszweigen, nach [180]
65
4.3
Jährliche Efzienzsteigerungsraten im GHD-Sektor nach Anwendungen, eigene
Berechnung nach [184] [62] [180] .......................... 66
4.4 Übersicht Wirkungsgrade nach Technologien und Anwendungen . . . . . . . . . 67
4.5
Übersicht der modellierten Energieträgerwechsel von Erdgas zu Strom bzw. zu
grünem Wasserstof nach Anwendung . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6 Verwendete Lastprofle je Sektor und Energieträger . . . . . . . . . . . . . . . . 69
4.7 Betriebsschichtprofle für industrielle Betriebe, nach [7, S. 73] . . . . . . . . . . 72
4.8
Senkentemperaturniveaus je Anwendung und Sektor für die Berechnung von
COP-Zeitreihen. ................................... 79
5.1
Landkreise und kreisfreien Städte mit dem größten Stromverbrauch und jeweils
verbrauchsintensivste Wirtschaftszweige (2018) . . . . . . . . . . . . . . . . . . 89
5.2
Landkreise und kreisfreien Städte mit dem größten Erdgasverbrauch und jeweils
verbrauchsintensivste Wirtschaftszweige (2018) . . . . . . . . . . . . . . . . . . 90
6.1
Übersicht der Gründe für Abweichungen zwischen dem Modellergebnis und
Datenquellen für die Plausibilisierung .......................118
xvii
TABELLENVERZEICHNIS
6.2
Abschätzung zukünftiger grüner Strom- und Wasserstofverbräuche aus der
Substitution fossiler Energieträger im Industriesektor (ohne WZ19 Kokerei und
Mineralölverarbeitung und ohne Bedarf an Syntheseprodukten aus Power-to-X-
Anlagen), siehe Exkurs S. 183 im Anhang für weitere Erläuterungen . . . . . . 120
6.3
Übersicht der Gründe für Abweichungen zwischen den modellierten zukünftigen
Verbräuchen und den untersuchten Studien, ET: Energieträger, THG: Treibhausgas
123
A.1 Übersicht aktueller systematischer Literaturanalysen . . . . . . . . . . . . . . . 161
A.2 Genutzte Schlüsselwörter bei der Systematischen Literaturanalyse . . . . . . . 162
A.3
Anteile der Anwendungen am Stromverbrauch je Wirtschaftszweig, BEL:
Beleuchtung, IKT: Informations- und Kommunikationstechnologie, KK: Klima-
kälte, PK: Prozesskälte, ME: Mechanische Energie, PW: Prozesswärme, RW:
Raumwärme, WW: Warmwasser ..........................163
A.4
Anteile der Anwendungen am Gasverbrauch je Wirtschaftszweig, ME: Mechani-
sche Energie, PW: Prozesswärme, RW: Raumwärme, WW: Warmwasser, NEN:
Nichtenergetische Nutzung . . . . ... ... . ... . ... ... . ... . . . . . 165
A.5 Aufteilung industrieller Prozesswärme nach Temperaturniveaus, nach [51] . . . 167
A.6
Jährliche Wachstumsraten der BWS im Industriesektor nach Subsektoren,
berechnet nach [62, S. 13] ..............................169
A.7
Jährlich Änderungsraten der Beschäftigten und Energiebezugsfächen im GHD-
Sektor je Wirtschaftszweig . . . ... . ... ... . ... . ... ... . ... . . 169
A.8
Anteile des Prozesswärmebedarfs im industriellen Sektor für Dampf, der durch
Wärmepumpen (bis 140°C) und Elektrodenkessel (140°C bis 200°C ) gedeckt
wird, eigene Berechnung nach [79, S. 990] [189, S. 487] . . . . . . . . . . . . . . 173
A.9 Verfügbare Standardlastprofle für Stromkunden, [64, S. 44] . . . . . . . . . . . 174
A.10 Verfügbare Standardlastprofle für Gaskunden, [65, S. 142] . . . . . . . . . . . . 174
A.11 Zuordnung der Lastprofltypen (LP) zu den Wirtschaftszweigen . . . . . . . . . 174
xviii
Abkürzungsverzeichnis
AGEB AG Energiebilanzen e.V. 11
AGS Amtlicher Gemeindeschlüssel 10
ARCH
Autoregressive bedingt heteroskedastische Zeitreihenmodelle (engl. autoregressive conditional hete-
roscedasticity) 6
ARMA Verfahren mit autogregressivem gleitendem Mittelwert (engl. Autoregressive Moving Average) 6
BCG Boston Consulting Group 35
BDI Bundesverband der Deutschen Industrie 32
BIP Bruttoinlandsprodukt 9
BLP Branchenlastprofl 3
BMWK Bundesministerium für Wirtschaft und Klimaschutz 11
BSP Betriebsschichtprofl 3
BWS Bruttowertschöpfung 3
COP Leistungskoefzient (engl. Coefcient of Performance) 3
CPA Classifcation of Products by Activity 11
dena Deutsche Energie-Agentur GmbH 32
EBF Energiebezugsfächen 3
ENAG Energienachfragebestimmende Größen 3
ENTSO-E European Network of Transmission System Operators for Electricity 21
ENTSO-G European Network of Transmission System Operators for Gas 21
EWI Energiewirtschaftliches Institut an der Universität zu Köln 36
FfE Forschungsstelle für Energiewirtschaft 19
FIW Forschungsinstitut für Wärmeschutz e.V. München 36
FNB Fernleitungsnetzbetreiber 21
GasNZV Gasnetzzugangsverordnung 22
GHD Gewerbe, Handel und Dienstleistungen xv
GIS Geografsche Informationssysteme 8
GWS Gesellschaft für wirtschaftliche Strukturforschung 41
ifeu Institut für Energie- und Umweltforschung Heidelberg 36
IKT Informations- und Kommunikationstechnologie 13
ITG Institut für technische Gebäudeausrüstung Dresden 36
xix
Abkürzungsverzeichnis
JEVI
Jahreserhebung über die Energieverwendung der Betriebe des Verarbeitenden Gewerbes, im Bergbau
und der Gewinnung von Steinen und Erden - kurz Jahreserhebung Energieverwendung Industrie 12
KIT Karlsruher Institut für Technologie 23
KNN Künstliche neuronale Netze 6
KSG Klimaschutzgesetz 2
KWK Kraft-Wärme-Kopplung 16
LAK Ländarbeitskreis Energiebilanzen 17
LFS Langfristszenarien für die Transformation des Energiesystems in Deutschland 32
MAPE Mean Average Percentage Error 27
ML Maschinelles Lernen 5
NCG NetConnect Germany 21
NEP Netzentwicklungsplan 39
NUTS Nomenclature des unités territoriales statistiques 10
SLP Standardlastprofl 3
StromNZV Stromnetzzugangsverordnung 22
SVM Support-Vektor-Maschinen 6
THG Treibhausgas 123
TSA Zeitreihenanalyse (engl. time series analysis) 6
UBA Umweltbundesamt 17
UGR Umweltökonomische Gesamtrechnung 11
VNB Verteilnetzbetreiber 22
WZ Wirtschaftszweige 2
WZ08 Klassifzierung der Wirtschaftszweige (2008) 11
ÜNB Übertragungsnetzbetreiber 21
xx
1
Einleitung
Im Sinne des energiepolitischen Zieldreiecks ist die zuverlässige, umweltfreundliche und
kostengünstige Energieversorgung zentrale Aufgabe der energiewirtschaftlichen Akteure. In
Zeiten eines sich immer deutlicher abzeichnenden Klimawandels und durch geopolitische
Konfikte verursachte Versorgungsengpässen, nimmt der Transformationsdruck auf das
Energiesystem deutlich zu. Mit Blick auf die Bewertung unterschiedlicher Transformations-
strategien ist deshalb eine detaillierte Modellierung des aufgrund zunehmender Dezentralität
und fuktuierender Einspeisung komplexer werdenden Systems notwendig. Im Rahmen der
Netzentwicklungsplanung kommen aus diesem Grund regional und zeitlich hochaufgelöste
Modelle zum Einsatz. Durch die wachsende Bedeutung lokaler systemischer Flexibilität vor
dem Hintergrund des Ausbaus der erneuerbaren Energieerzeugung und der zunehmenden
Verfechtung der Energieinfrastrukturen durch Sektorenkopplung nehmen Umfang und
Detailgrad der Modelle zu [1, 2]. Wachsende Mengen an Smart-Meter-Daten in Kombination mit
Fortschritten bei den Modellierungstechniken und der Rechenleistung sind weitere Triebkräfte
dieser Entwicklung [3].
Neben der detaillierten Beschreibung der Erzeugungsseite bilden fundierte Informationen
über den Energieverbrauch eine der wichtigsten Grundlagen für Energiesystemmodelle und
unterstützen damit die übergeordneten Entscheidungsprozesse [4]. Insbesondere für die
Planung von Energieinfrastrukturen ist die Erstellung von Energieverbrauchsszenarien in hoher
regionaler und zeitlicher Aufösung notwendig. Dabei ist für die Dimensionierung zukünftiger
Transportwege nicht nur Verbrauchsort und -zeitpunkt maßgeblich, sondern auch die
Betrachtung der Verbrauchergruppen und -anwendungen entscheidend, um Technologieoptionen
der Sektorenkopplung bewerten und Nachfragefexibilisierungspotenziale quantifzieren zu
können. Während auf der Erzeugungsseite bereits hochaufgelöste Datensätze, wie z. B.
das Marktstammdatenregister [5], verfügbar sind, ist die Datenlage auf der Nachfrageseite
weniger ergiebig [6, S. 17]. Entsprechend groß ist der Bedarf an Modellen zur Erstellung von
Energieverbrauchsszenarien in hoher regionaler und zeitlicher Aufösung.
1
1. Einleitung
1.1 Zielsetzung und Forschungsfragen
Ziel dieser Arbeit ist die Entwicklung eines Modellierungsverfahrens zur Ermittlung von Strom-,
Erdgas- und Wasserstofverbräuchen in den Sektoren Industrie und GHD in hoher regionaler
und zeitlicher Aufösung. Das Verfahren soll die Abbildung historischer und zukünftiger
Verbräuche in Form von Lastgängen je Landkreis auf Ebene der einzelnen Wirtschaftszweige
(WZ) und Anwendungen ermöglichen und vollständig auf öfentlichen Daten basieren. Das
Verfahren soll anschließend angewendet werden, um historische und zukünftige regional
und zeitlich hochaufgelöste Strom-, Erdgas- und Wasserstofverbräuche zu ermitteln. Neben
Einfüssen der Wirtschafts- und Arbeitsmarktentwicklung sollen dabei auch technologische
Entwicklungspfade zur Energieefzienz sowie Energieträgerwechsel von Erdgas zu Strom und
Wasserstof berücksichtigt werden. Im Ergebnis soll untersucht werden, welche Verbräuche
aus der Substitution von Erdgas im Industrie- und GHD-Sektor resultieren und in welchen
Regionen besonders starke Veränderungen der Verbräuche zu erwarten sind. Überdies soll vor
dem Hintergrund der Dekarbonisierung der erdgasversorgten Wärmeanwendungen beleuchtet
werden, wie sich die Lastgänge in den Sektoren verändern. Den zeitlichen Horizont bildet
dabei das Jahr 2045, für das gemäß § 3 Absatz 2 Klimaschutzgesetz (KSG) in Deutschland
Netto-Treibhausgasneutralität erreicht werden soll. Durch die Verwendung öfentlicher Daten
und die Veröfentlichung des Modells auf GitHub soll die Transparenz und Reproduzierbarkeit
der Ergebnisse sichergestellt sowie die Nutzung und Weiterentwicklung der Ergebnisse für
zukünftige Forschungsprojekte und Energiesystemanalysen ermöglicht werden. Im Zuge der
Arbeit werden folgende Forschungsfragen beantwortet:
•
Wie lässt sich ein Verfahren zur Modellierung von zukünftigen Strom-, Erdgas- und Was-
serstofverbräuchen ausgestalten, das mindestens stündlich aufgelöste Energieverbräuche
auf Ebene der Landkreise, WZ und Anwendungen abbildet?
•
Welche historischen Verbräuche ergeben sich in hoher regionaler und zeitlicher Aufösung
je WZ und Anwendung?
•
Welche zukünftigen Verbräuche resultieren aus der Substitution von Erdgas im Industrie-
und GHD-Sektor?
•
In welchen Regionen sind besonders starke Veränderungen der Verbräuche zu erwarten?
•
Wie verändern sich die sektoralen Lastgänge vor dem Hintergrund der Dekarbonisierung
der erdgasversorgten Wärmeanwendungen?
Die Ergebnisse der vorliegenden Arbeit können vielseitig verwendet werden: Sie bilden
eine essenzielle Eingangsgröße für Energiesystemmodelle und bieten eine fundierte und
sektorübergreifende Planungsgrundlage für Energietransportsysteme. Auf ihrer Basis können
sowohl Bedarfe an Transport- als auch regionalen Erzeugungskapazitäten identifziert werden.
Im Zuge der Dekarbonisierung der Endenergiesektoren ist dies vor dem Hintergrund
steigender erwarteter Verbräuche an
CO2
-neutralen Energieträgern in wirtschaftsstarken
Regionen besonders relevant. Des Weiteren liefern die Ergebnisse den Ausgangspunkt für die
Quantifzierung regional und zeitlich hochaufgelöster Lastfexibilisierungspotenziale, was bei
der Modellierung von Energiesystemen mit 100% erneuerbaren Energien einen wesentlichen
2
1.2 Vorgehensweise und Aufbau der Arbeit
Inputfaktor darastellt, um Optionen für den regionalen Ausgleich zwischen Erzeugung und
Verbrauch aufzuzeigen und zu bewerten.
1.2 Vorgehensweise und Aufbau der Arbeit
Das in dieser Arbeit entwickelte Verfahren verknüpft zwei Grundideen: Die Disaggregierung
historischer Verbräuche nach dem Top-down-Prinzip und die Modellierung zukünftiger
Verbräuche nach dem Bottom-up-Prinzip. Unter “top-down” wird dabei ein Verfahren
verstanden, bei dem ein Datensatz mit zeitlich und regional aggregierten Energieverbräuchen
aus öfentlichen Statistiken disaggregiert, d. h. zeitlich, regional und anwendungsspezifsch höher
aufgelöst wird. Hierbei werden energienachfragebestimmende Größen (ENAG) herangezogen,
um sukzessive eine höhere Detaillierung herbeizuführen. Unter “bottom-up” wird hingegen ein
Verfahren verstanden, bei dem mit hoher regionaler, zeitlicher und technologischer Granularität
gestartet wird und die Verbräuche nach und nach aggregiert werden. Für die Modellierung
zukünftiger Verbräuche wird das Verfahren zunächst in Top-down- und anschließend in Bottom-
up-Richtung durchlaufen. Die historischen Verbräuche werden dabei bereits während des Top-
down-Verfahrens unter Berücksichtigung der prognostizierten wirtschaftlichen Entwicklung,
der Veränderungen in der Beschäftigungsstruktur sowie Efzienzsteigerungen fortgeschrieben.
Auf Ebene WZ-spezifscher, regionaler und anwendungsspezifscher Lastgänge erfolgt die
Modellierung technologischer Transformationsprozesse durch Energieträgerwechsel von Erdgas
zu Strom und grünem Wasserstof. Durch anschließende Aggregation lassen sich zukünftige
Verbräuche in beliebiger Aufösung ermitteln.
Die Regionalisierung der Verbräuche erfolgt über die Anzahl der sozialversicherungs-
pfichtig Beschäftigten je WZ. Die regionalen Verbräuche werden anschließend je WZ auf
die Anwendungen, z. B. Prozesswärme, Raumwärme und Mechanische Energie, aufgeteilt.
Die Modellierung der unterjährigen zeitlichen Verläufe erfolgt je nach Datenverfügbarkeit
auf Basis von unterschiedlichen Lastprofltypen: Realdatenbasierten Branchenlastproflen
(BLP), Standardlastproflen (SLP) und Betriebsschichtproflen (BSP). Für Wärmepumpen
werden temperaturabhängige Wärmebedarfszeitreihen auf Basis der Gas-SLP ermittelt und
Zeitreihen der Leistungskoefzienten (engl. “coefcients of performance”) (COP) eingebunden.
Für die Herleitung zukünftiger Lastgänge werden die Verbräuche unter Berücksichtigung
dreier wesentlicher Efekte bis zum Jahr 2045 prognostiziert: Dem Mengenefekt, dem
Efzienzefekt sowie dem Einfuss von Energieträgerwechseln. Durch den Mengenefekt wird
der prognostizierten wirtschaftlichen Entwicklung je WZ Rechnung getragen. Dafür werden
Prognosen der Bruttowertschöpfung (BWS) und Energiebezugsfächen (EBF) als ENAG
herangezogen. Für die regionale Disaggregation wird dabei eine prognostizierte regionale
Verteilung der Beschäftigten verwendet. Die Auswirkungen der Efzienzentwicklung wird auf
der Ebene der Anwendungen anhand von Efzienzsteigerungsraten modelliert. Zieljahr der
Modellierung zukünftiger Verbräuche ist das Jahr 2045, in dem Deutschland laut KSG Treibh-
ausgasneutralität erreichen soll. Aus diesem Grund wird ein Substitutionspfad vorgegeben,
durch den die Erdgasverbräuche bis zu diesem Jahr vollständig durch Strom und grünen
Wasserstof ersetzt werden. Dabei wird angenommen, dass die Stromproduktion vollständig
auf erneuerbaren Energien basiert. Die Modellierung der Energieträgerwechsel erfolgt unter
3
1. Einleitung
Berücksichtigung temperaturabhängiger technischer Parameter, die in die Ermittlung der
zukünftigen Stromverbräuche für Wärmebedarfe eingehen. Die Berechnung der Verbräuche
von grünem Wasserstof berücksichtigt Wirkungsgrade für Brenner und Industrieöfen sowie
energetische Konvertierungsgrade der Dampfreformation für die nichtenergetische Nutzung.
Im Ergebnis werden durch das Verfahren zukünftige regionale WZ- und anwendungsspezifsche
Lastgänge erstellt, die einer anwendungsspezifschen Parametrierung unterliegen und nach
dem Bottom-up-Prinzip wieder zu regionalen oder nationalen Angaben aggregiert werden
können. Das in dieser Arbeit entwickelte Modellierungsverfahren knüpft an die Ergebnisse
aus dem Forschungsprojekt DemandRegio [7] an und wird in Python implementiert. Die
Ergebnisse dieser Arbeit bieten eine hochdetaillierte Datenbasis für die Verwendung in
Energiesystemmodellen sowie die Möglichkeit zukünftige Energieverbrauchslastgänge auf Basis
selbstgewählter Annahmen zu erzeugen.
Die Arbeit ist wie folgt aufgebaut. Nach der Einleitung werden im zweiten Kapitel
grundlegende Konzepte und Begrife der Modellierung von Energieverbräuchen eingeführt, wie z.
B. die Kategorien von Modellierungsverfahren und ENAG. Weiterhin werden Klassifzierungen
vorgestellt, die z. B. die Einteilung von Verbrauchergruppen, Anwendungen und Regionen
betrefen. Überdies werden öfentliche Datenquellen zum industriellen und gewerblichen
Energieverbrauch in Deutschland beschrieben, die den Ausgangspunkt für das in dieser
Arbeit entwickelte Modellierungsverfahren darstellen. Dabei wird herausgearbeitet, in welchem
räumlichen, zeitlichen, verbrauchergruppen- und anwendungsspezifschen Detaillierungsgrad
die Informationen verfügbar sind. Kapitel drei widmet sich dem Stand der Forschung. Zunächst
erfolgt eine Untersuchung der gängigen Verfahren zur Modellierung von Energieverbräuchen im
Rahmen einer systematischen Literaturanalyse internationaler Fachartikel. Ziel der Analyse ist
es, zu beleuchten, in welchem Kontext unterschiedliche Kategorien von Modellierungsverfahren
verwendet werden und die in dieser Arbeit getrofene Wahl des ingenieurbasierten Ansatzes zu
fundieren. Im zweiten Teil von Kapitel drei wird der nationale Forschungskontext beleuchtet,
indem einschlägige aktuelle Energiesystemstudien und die darin modellierten Szenarien zum
deutschen Energieverbrauch präsentiert und verglichen werden. Die Vorstellung der Szenarien
dient dazu, Referenzpunkte für die spätere Einordnung der erstellten Modellierungsergebnisse
zu setzen. In Kapitel vier wird das in dieser Arbeit entwickelte Verfahren zur hochaufgelösten
Modellierung zunächst überblicksartig vorgestellt und anschließend im Hinblick auf das
defnierte Mengengerüst, die verwendeten Eingangsdaten sowie die einzelnen Modellierungs-
schritte detailliert beschrieben. In Kapitel fünf werden die Ergebnisse präsentiert und die
Forschungsfragen beantwortet. Ein Schwerpunkt liegt dabei auf den zukünftigen Änderungen
der regionalen und zeitlichen Verteilung der Strom-, Erdgas- und Wasserstofverbräuche. In
Kapitel sechs werden die Ergebnisse auf ihre Plausibilität hin untersucht und in den nationalen
Forschungskontext eingebettet, indem sie mit den Szenarien aus den Energiesystemstudien
aus Kapitel drei verglichen werden. Im Zuge der anschließenden kritischen Würdigung werden
maßgebliche Entscheidungen bei der Ausgestaltung des Modellierungsverfahrens diskutiert und
begründet. Danach erfolgt die Darstellung des zukünftigen Forschungsbedarfs und die Erläute-
rung möglicher Anknüpfungspunkte für Weiterentwicklungen des Modellierungsverfahrens. In
Kapitel sieben wird das Fazit gezogen und entlang der Forschungsfragen eine Zusammenfassung
der zentralen Ergebnisse gegeben.
4
2
Grundlagen
Die Modellierung des Energieverbrauchs stützt sich auf mehrere zentrale Konzepte und
Datengrundlagen, die in diesem Kapitel beschrieben werden. Im Zuge dessen werden zunächst
die gängigen Verfahren zur Modellierung von Energieverbräuchen klassifziert sowie die Rolle der
ENAG erläutert, bevor in die Systematiken der regionalen und zeitlichen Aufösung eingeführt
wird. Anschließend werden die Verbrauchergruppen und Anwendungen des Strom
-
, Erdgas-
und Wasserstofverbrauchs im industriellen und gewerblichen Sektor klassifziert sowie die
Datenquellen aus öfentlichen Statistiken zum Energieverbrauch beschrieben. Die Erläuterung
dieser Grundlagen dient dabei auch der Eingrenzung des modellierten Systems sowie der
Spezifzierung der Anforderungen an die Ergebnisse.
2.1
Klassifzierung von Verfahren zur Modellierung von Ener-
gieverbräuchen
Für Verfahren der Energieverbrauchsmodellierung fndet sich in der Literatur eine Reihe von
Klassifzierungen [8, 3, 9, 10]. Die in dieser Arbeit verwendete Klassifzierung basiert auf jener
von Debnath und Mourshed [8], die um die Kategorie “ingenieurwissenschaftliche Verfahren”
erweitert wird. Verfahren dieser Kategorie werden auch von anderen Autoren erwähnt und
können nach dem Bottom-up- oder Top-down-Prinzip ausgestaltet sein [11, 12, 10, 13, 14,
15, 16]. Ein Defnition dieser beiden Ausgestaltungsmöglichkeiten erfolgt in Abschnitt 2.1.5.
Überdies fnden sich in der Literatur häufg auch stochastische Modelle, die für Simulationen mit
Markov-Ketten oder Gauß-Prozessen genutzt werden. Diese bilden gemeinsam mit Methoden
der grauen Systemtheorie und Fuzzy-Logik eine Kategorie von Verfahren zur Abbildung
von Unsicherheit. Die in dieser Arbeit verwendete Klassifzierung umfasst fünf Kategorien:
Statistische Verfahren, Verfahren des maschinellen Lernens (ML), metaheuristische Verfahren,
Verfahren zur Abbildung von Unsicherheit sowie ingenieurwissenschaftliche Verfahren. Die
Verfahren werden zudem häufg zu kategorieübergreifenden Hybridansätzen kombiniert.
5
2. Grundlagen
2.1.1 Statistische Verfahren
Dieser Kategorie lassen sich nach [8] und [3] Regressionsverfahren und Verfahren der
Zeitreihenanalyse (engl. time series analysis) (TSA) zuordnen. Wie in [12] beschrieben,
wurden Methoden dieser Kategorie schon früh in der Ökonometrie eingesetzt, um die
Wechselbeziehung zwischen Energienachfrage und wirtschaftlicher Entwicklung zu untersuchen.
Das zugrundeliegende Problem, welches durch Regressionsverfahren gelöst wird, besteht darin,
einen funktionalen Zusammenhang zwischen numerischen Eingangs- und Ausgangsvariablen
zu approximieren [17, S. 13]. Für lineare Beziehungen kann dies mit der Methode der
kleinsten Quadrate geschehen [18]. Für nichtlineare Zusammenhänge werden beispielsweise
Methoden des steilsten Gradienten [18] oder Kernel-Funktionen [19] verwendet. Typische
Beispiele für Regressionen, die in der Literatur genannt werden, sind lineare, nichtlineare,
logistische, Quantil- und Ridge-Regression. Außerhalb der statistischen Verfahren sind nicht-
parametrische Regressionen anzusiedeln, bei denen ML-Verfahren wie Künstliche neuronale
Netze (KNN), Kernel-Regression oder Regressionsbäume eingesetzt werden, um die Funktion
und die Regressionsparameter aus den Daten abzuleiten [20, 21].
TSA-Verfahren leiten ihre Vorhersagen von einer historischen Zeitreihe ab. Im Kern handelt
es sich bei vielen TSA-Verfahren um Regressionsmodelle, da der vorhergesagte Wert auf
der Grundlage eines oder mehrerer früherer Werte geschätzt wird [10, S. 260]. Zu dieser
Kategorie gehören univariate Zeitreihenmodelle, wie z. B. Verfahren mit autogregressivem
gleitendem Mittelwert (ARMA). Beliebte andere Methoden sind das integrierte ARMA-Modell
(ARIMA) für nichtstationäre Zeitreihen, die SARIMA-Modelle für Saisonalität und ARMAX
zur Einbeziehung externer Variablen [3, 22]. Eine typische multivariate TSA-Methode ist die
Vektor-Autoregression, wie sie in [23, 24] verwendet wird. Wie in [8] vorgeschlagen, umfasst
die Kategorie der TSA auch exponentielle Glättungsmodelle und autoregressive bedingt
heteroskedastische Zeitreihenmodelle (ARCH).
2.1.2 Verfahren des maschinellen Lernens
Verfahren aus dieser Kategorie fnden breite Anwendung bei der Modellierung und Vorher-
sage des Energiebedarfs und können in überwachte und unüberwachte Lernansätze (engl.
supervised/unsupervised learning) unterteilt werden. Verfahren des überwachten Lernens
verwenden annotierte Trainingsdatensätze, um eine Funktion zu approximieren, die eine
Beziehung zwischen Eingaben und Ausgaben auf der Grundlage von Beispielen aus den
Trainingsdatensätzen beschreibt [25, S. 529]. Sie können bei Regressionsproblemen auf
numerische Variablen und bei Klassifzierungsproblemen auf kategoriale Variablen angewendet
werden [26]. Unter den überwachten Lernverfahren sind gängige Methoden KNN, Algorithmen
wie “k-nearest-neighbor” und Kernel-Methoden [27], wie Support-Vektor-Maschinen (SVM),
die ein nichtlineares Problem durch Übertragung in einen hochdimensionalen Raum in
ein lineares Problem umwandeln [28]. Überdies werden überwachten Lernverfahren auch
Entscheidungsbäume, Bayes’sche Algorithmen und Methoden mit Ensemble-Lernen, wie z.B.
Gradient-Boosting-Maschinen, zugeordnet [3]. Unüberwachte Lernverfahren werden häufg
auf Clustering-Probleme angewandt. Diese Algorithmen werden darauf trainiert, Strukturen
in einem nicht-annotierten Eingabedatensatz zu erkennen, z. B. durch die Suche nach
Gemeinsamkeiten [29].
6
2.1 Klassifzierung von Verfahren zur Modellierung von Energieverbräuchen
2.1.3 Metaheuristische Verfahren
Metaheuristische Verfahren werden häufg zur Lösung von Optimierungsproblemen eingesetzt
und können in andere Verfahren integriert werden, um die Lösungsfndung zu beschleunigen
[17]. Zu dieser Kategorie gehören evolutionäre Algorithmen, die Mechanismen nachahmen, die
von biologischen Prozessen inspiriert sind wie Reproduktion, Mutation, Rekombination und
Selektion [8, S. 306]. Dazu gehören genetische Algorithmen, Partikelschwarm-Optimierung, bee-
colony-Optimierung, frefy-Algorithmen und weitere [30]. In Kombination mit ML-Ansätzen
können sie z. B. zur Parameteroptimierung in SVM [31] oder zur Optimierung der Gewichtungen
von Verbindungen in KNN [32, 16] eingesetzt werden, was zu kombinierten Ansätzen wie dem
frefy-Algorithmus für neuronale Netze führt [17]. Genetische Algorithmen werden z. B. für
die Merkmalsauswahl in ML-Ansätzen verwendet [33, 34].
2.1.4 Verfahren zur Abbildung von Unsicherheit
Die Methoden in dieser Kategorie werden zur Abbildung verschiedener Arten von Unsicherheit
in Modellen verwendet. Nach Zimmermann (2001) beschreibt die traditionelle Logik der
Wahrscheinlichkeit die Zufälligkeit des Eintretens eines Ereignisses, während die Unschärfe
(engl. “Fuzziness”) die Mehrdeutigkeit eines Ereignisses beschreibt, d.h. in welchem Ausmaß ein
Ereignis eintritt [35, S. 3]. Wie auch Hájek et al. [36] betonen, stellen Wahrscheinlichkeit und
Fuzzy-Logik also unterschiedliche Arten von Unsicherheit dar. Die Wahrscheinlichkeitstheorie
wird verwendet, um stochastische Prozesse zu beschreiben [37], bei denen zukünftige Zustände
eines Systems durch ihre vergangenen Zustände plus eine zufällige Änderung beschrieben
werden. Die graue Systemtheorie wurde 1982 von Deng entwickelt, um das Verhalten eines
Systems zu schätzen, über das nur unvollständige Informationen vorliegen und beschreibt damit
Unsicherheit über den Zustand eines Systems [38]. Bei Modellen der grauen Systemtheorie,
werden zukünftige Datenpunkte auf Basis einer geringen Anzahl zurückliegender Daten mittels
Diferentialgleichungen beschrieben [39, 38]. Bei der Modellierung des Energiebedarfs kommen
unter anderem stochastische Prozesse, wie z. B. Markov-Ketten, für die Vorhersage und
Simulation von Lastproflen zum Einsatz [40, 41, 14, 42]. Fuzzy-Logik wird z. B. in Form von
Fuzzy-Zeitreihen [43], Fuzzy-Regressionsmodellen [3], Fuzzy-Clustering [44] und Neuro-Fuzzy-
Interferenzsystemen [45] eingesetzt.
2.1.5 Ingenieurwissenschaftliche Verfahren
Für die Einteilung ingenieurwissenschaftlicher Verfahren begegnet man in der Literatur
häufg den zwei unterschiedliche Ansätzen „top-down“ und „bottom-up“. Beide Ansätze
verfolgen das Ziel, Systeme und die Wechselswirkungen ihrer Elemente zu beschreiben und
zu modellieren [46]. Top-down-Verfahren folgen dabei dem makroskopischen Leitmuster der
Disaggregation [11, S. 65]. Den Ausgangspunkt stellen Daten auf einer hierarchisch hohen Ebene
dar. Es handelt sich häufg um regional, zeitlich oder nach anderen Merkmalen aggregierte
Daten, die durch das Verfahren auf mehrere hierarchisch untergeordnete Merkmalsträger
über Verteilungsschlüssel aufgeteilt werden [47]. Die Modellierung von Veränderungen erfolgt
auf der aggregierten Ebene, woraus sich die Änderungen auf den untergeordneten Ebenen
ergeben. Im Kontext der Energieverbrauchsmodellierung wird z. B. Stromnachfrage als
7
2. Grundlagen
eine Funktion makroökonomischer Variablen, wie der demografschen und wirtschaftlichen
Entwicklung, modelliert, da der Stromverbrauch in der Regel mit dem Wachstum der BWS
oder der Bevölkerung steigt [48, S. 51]. In der Regel wird für eine möglichst realistische
Aufteilung der aggregierten Modellierungsergebnisse auf die bekannten Eigenschaften der
hierarchisch untergeordneten Merkmalsträger abgestellt [49, S. 150]. Dennoch treten bei solch
einer Disaggregation auf der hierarchisch tiefergestellten Ebene Fehler auf, die anhand von
Vergleichen mit stichprobenhaft erhobenen Daten aufgedeckt werden können. Eine vollständige
Vailiderung der Ergebnisse für alle Merkmalsträger ist aufgrund mangelnder Datenverfügbarkeit
meist nicht möglich.
Bottom-up Verfahren basieren hingegen auf einer mikroskopischen Leitidee [11, S. 65].
Sie beginnen auf einer tieferen Hierarchieebene und fügen das Gesamtbild des Systems auf
Basis der Beschreibung der einzelnen Merkmalsträger und ihren Wechselwirkungen zusammen
[46]. Im Ergebnis entsteht eine hochaufgelöste Abbildung des Systems, dessen Erstellung
allerdings einen hohen Datenbedarf hat. Veränderungen des Gesamtsystems ergeben sich aus
den individuellen Änderungen jedes Elements. Entsprechend lassen sich durch Aggregation
der Modellierungsergebnisse für jeden Merkmalsträger Aussagen über die Entwicklung des
Gesamtsystems ableiten. Im Kontext der Modellierung von Energienachfrage werden in
Bottom-up-Verfahren eine Vielzahl externer und interner Parameter berücksichtigt, um
energieverbrauchende Systeme detailliert zu beschreiben [12, 17]. Gängige Beispiele sind
Modelle auf der Ebene einzelner Wohneinheiten [50] oder industrieller Prozesse [51] sowie
Gebäudesimulationen [52]. Oftmals werden einzelne Verbräuche von Endgeräten ermittelt,
um Gesamtlastprofle zu erstellen [13]. Ingenieurwissenschaftliche Modelle haben sich bei
der Planung und Auslegung von technischen Systemen bewährt, da sie das Verhalten eines
Systems unter beliebigen Bedingungen simulieren können [15]. Darüber hinaus sind sie
vielversprechende Ansätze für die Abbildung des individuellen Verhaltens von Verbrauchern bei
der Erprobung von Strategien zur Nachfragesteuerung durch Demand-Side Management [14].
Bei ingenieurwissenschaftlichen Verfahren werden für die Abbildung eines regionalen Bezugs
mitunter geografsche Informationssysteme (GIS) hinzugezogen. Diese Systeme ermöglichen es,
Daten geografschen Formen zuzuweisen, die eine eindeutige Lage und Ausrichtung in Bezug auf
ein Referenzkoordinatensystem haben. Meistens werden GIS zur Visualisierung und Kartierung
des Energieverbrauchs sowie zur städtischen [53] und ländlichen [54] Infrastrukturplanung und
Gebäudesimulation [52, 55] verwendet.
Die beiden Verfahrensrichtungen haben unterschiedliche Vor- und Nachteile. Das Top-
down-Verfahren bietet in der Regel die Möglichkeit, mit geringem Datenbedarf, z. B. aus
öfentlichen Statistiken, und mit vertretbarem Aufwand ein detailliertes Bild zu erzeugen. Da
die Einzelheiten auf den unteren Ebenen allerdings nicht bekannt sind, können dort angesiedelte
individuelle Veränderungen bei den Merkmalsträgern nicht abgebildet werden. Damit sind
diese Modelle nicht in der Lage, die Auswirkungen von technischen Brüchen oder das Auftreten
neuer Endverbraucher zu simulieren, die nicht in den makroskopischen Daten auftreten [47].
Der Einsatz von Bottom-up-Modellen ist allerdings mit erheblichen Anforderungen an die
Mikrodaten und entsprechendem Aufwand für deren Verarbeitung verbunden [11, S. 89]. Eine
Kombination der beiden Ansätze ist durchaus möglich, etwa, wenn z. B. durch Top-down-
Verfahren fehlende Informationen für das Bottom-up-Verfahren bereitgestellt und dann auf
8
2.2 Klassifzierung energienachfragebestimmender Größen
detaillierter Ebene Spezifzierungen vorgenommen werden. Dieser kombinierte Ansatz wird
auch in der vorliegenden Arbeit verfolgt.
2.2 Klassifzierung energienachfragebestimmender Größen
Die Modellierung von Energienachfrage erfolgt unter Verwendung geeigneter Eingangsgrößen,
die beispielsweise als Treiber zukünftiger Entwicklung oder Prädiktoren für regionale und
zeitliche Verteilung wirken. In der Literatur begegnet man einer Vielzahl unterschiedlicher
ENAG. Sozioökonomische Informationen werden häufg als Indikatoren für regionale Verteilung
und Treiber zukünftiger Verbrauchsentwicklungen angesetzt. Dazu zählen beispielsweise
Daten zur BWS [56, S. 14], zu Produktionsmengen [51], zur Anzahl von Betrieben und
deren Emissionen [57] oder zur Anzahl von Erwerbstätigen [58, 59]. Wetterdaten oder
Kalenderinformationen kommen bei der Erstellung von Lastproflen für die Modellierung
zeitlicher Verläufe zum Einsatz [7, S. 95]. Technische Parameter, wie Gebäudefächen
[60], Wärmedurchgangskoefzienten von Gebäudehüllen [61] oder Geräteefzienzen [62, S.
64] werden häufg in ingenieurwissenschaftlichen Modellierungsverfahren herangezogen, um
Energieverbräuche zu berechnen. Dem historischen Energieverbrauch kommt eine Sonderrolle
zu, da er zwar selbst nicht als ENAG bezeichnet werden kann, aus seiner Analyse allerdings
durchaus Schlussfolgerungen für zukünftige Verbräuche abgeleitet werden können. Der
historische Energieverbrauch ist sogar die wichtigste Eingangsgröße für die Modellierung
zukünftiger Energieverbräuche, da er sowohl als Input von Modellen, z. B. zur Erstellung von
Trainingsdatensätzen, als auch als Validierung der Modelloutputs in Form von Testdatensätzen
verwendet wird [63]. Tabelle 2.1 zeigt eine Zusammenstellung häufg verwendeter ENAG und
ihrer Kategorien. Eine detaillierte Beschreibung der in Modellen verwendeten Verfahren und
ENAG ist Abschnitt 3.1 zu entnehmen.
Tabelle 2.1: Modellinputs und nachfragebestimmende Größen, nach [7, S. 4]
Modell Inputs
Historischer Ener-
gieverbrauch
Wetterdaten
Kalenderdaten
Demograph. & so-
zioökonom. Daten
Technische Daten
Nutzungs- und Ver-
haltensdaten
Energiepreise
Beispiele
Strom-, Erdgas-, Wasserstofverbrauch bzw. Wärme- und Kältebedarf
Außentemperatur, Kühl- und Heizgradtage, Luftfeuchtigkeit, Strah-
lungsdaten
Tageszeit, Wochentag, Monat, Feiertage, Brückentage
Bevölkerungsentwicklung, Anzahl der Haushalte, Bruttoinlandspro-
dukt (BIP), Produktionsniveau, Einkommen, Import- und Exportni-
veau
Gerätedaten: Wirkungsgrade, Materialeigenschaften, Durchfussraten,
Auslass-/Einlasstemperaturen, Anzahl und Nennleistung von Geräten
Gebäudedaten: Gebäude-/ Wohnfäche, Transmissionsfaktor, Gebäu-
detyp, Gebäudealter, Efzienzklasse, Gebäudegeometrie, Sanierungs-
status, Fensterfäche, Baumaterial, Raumtemperatur
Arbeitszeit, Nutzungszeit von Geräten, Belegungs-/Aktivitätsmuster
Strom- und Gaspreise, Tarife, Zahlungsmodalitäten
9
2. Grundlagen
2.3 Systematik der regionalen Aufösung
Für die Kategorisierung von Regionen in Deutschland wird von den statistischen Ämtern der
amtliche Gemeindeschlüssel (AGS) genutzt. Diese Zifernfolge dient zur Identifzierung von
Gemeinden. Der Schlüssel enthält zudem die Informationen über das Bundesland und den
Landkreis, in dem die Gemeinde liegt. Die Identifzierung erfolgt nach folgendem Prinzip:
Die ersten zwei Zifern stehen für das Bundesland, die dritte Stelle für den Regierungsbezirk
und die vierte und fünfte für den Landkreis. Die volle achtstellige Zeichenfolge bezeichnet die
Gemeinde. Zum 31.07.2020 existierten 10.796 Gemeinden in Deutschland und 401 Landkreise.
Über die Jahre haben sich diese Zahlen durch die Gebietsreformen stetig reduziert. Um 1900
gab es in Deutschland etwa 77.000 Gemeinden. In 2016 erfolgte die aktuellste Änderung
durch die Zusammenlegung der Kreise Osterode und Göttingen. Neben der Nomenklatur
nach AGS existiert auch die europäische “Nomenclature des unités territoriales statistiques”
(NUTS). Diese aus vier Ebenen bestehende Systematik dient der eindeutigen Identifzierung und
Klassifzierung von Gebieten in den Mitgliedstaaten der Europäischen Union. Die Regionen sind
anhand einer 5-Stelligen Zeichenfolge identifzierbar. Die oberste Ebene (NUTS-0) beschreibt
die nationale und die Ebenen NUTS-1 bis NUTS-3 die regionalen Ebenen. Tabelle 2.2 zeigt
eine Übersicht der Regionsklassifkationen nach AGS und NUTS. In dieser Arbeit wird die
regionale Aufösung der Modellierungsergebnisse auf NUTS-3 Regionen (Landkreise) festgelegt.
Tabelle 2.2: Übersicht der Regionsbezeichnungen nach NUTS (2021) und AGS
Region Beispiel AGS NUTS
Staat Deutschland - DE
Bundesland Sachsen 14-000-000 DED
Direktionsbezirk Dresden 14-600-000 DED2
Landkreis Bautzen 14-625-000 DED2C
Gemeinde Arnsdorf 14-625-010 -
2.4 Systematik der zeitlichen Aufösung
Der Energieverbrauch eines Systems bezieht sich immer auf einen Zeitraum. Die Anzahl der
Zeitschritte, in die der Zeitraum unterteilt ist, beschreibt die zeitliche Aufösung des Energie-
verbrauchs. Je höher die Anzahl der Zeitschritte, desto höher ist die Aufösung. Gemessene
Zeitreihen von Energieverbräuchen bezeichnet man auch als Strom- bzw. Gaslastgänge. Liegt
keine gemessene Zeitreihe vor, kann die zeitliche Verteilung des Energieverbrauchs über ein
Lastprofl approximiert werden. Lastprofle sind repräsentative verbrauchergruppenspezifsche
Verbrauchszeitreihen, die auf Basis von stichprobenhaften Messungen erstellt werden. Die
bekanntesten Profle sind die Standardlastprofle (SLP), die sowohl für Strom- [64] als auch
für Erdgasverbräuche [65] existieren. Die zeitliche Aufösung von Verbräuchen variiert je nach
Datenquelle zwischen jährlichen, täglichen, stündlichen bis hin zu sekündlichen Zeitintervallen.
Das Messstellenbetriebsgesetz legt indes in §55 MsbG und §58 MsbG die Zeitintervalle für
die registrierende Leistungsmessung von Endverbrauchern fest. Diese ist viertelstündlich für
die Stromlast und stündlich für die Gaslast und wird auch für in dieser Arbeit modellierte
Lastgänge angesetzt.
10
2.5 Klassifzierung von Verbrauchergruppen im industriellen und gewerblichen Sektor
2.5
Klassifzierung von Verbrauchergruppen im industriellen
und gewerblichen Sektor
Der Energieverbrauch ist eng mit den Eigenschaften des verbrauchenden Systems bzw. mit den
Tätigkeiten der involvierten Personen verknüpft. Eine Systematisierung der Verbrauchergruppen
ist elementar für die Modellierung von Energieverbräuchen, da Verbraucher mit ähnlichen
Aktivitäten ähnliche Charakteristiken ihrer Energieverbräuche aufzeigen. Häufg werden
Energieverbräuche oder
CO2
-Emissionen gemäß der Sektoren bilanziert, in denen sie anfallen.
Typischerweise wird dabei nach Haushalten, Industrie, GHD sowie Verkehr unterschieden, wie
z. B. durch das Umweltbundesamt [66], die AG Energiebilanzen e.V. (AGEB) [67] oder das
Bundesministerium für Wirtschaft und Klimaschutz (BMWK) [68].
Im internationalen System der Wirtschaftsklassifkationen existieren unterschiedliche
Systematiken, die der Einordnung von Daten über wirtschaftlich tätige Einheiten dienen und
die Grundlage für die Erstellung von Statistiken über Produktionswerte, Produktionsfaktoren
und Finanztransaktionen der Einheiten bilden. Eine dieser Klassifkationen ist die Güterklas-
sifkation in Verbindung mit den WZ, die “Classifcation of Products by Activity” (CPA),
welche innerhalb der Europäischen Union genutzt wird [69] [70, S. 8]. Die CPA-Klassifkation
wird auch in einigen Veröfentlichungen des Statistischen Bundesamtes aufgegrifen, etwa
durch die Umweltökonomische Gesamtrechnung (UGR) [71]. Mit der Klassifzierung der
Wirtschaftszweige (2008) (WZ08) hat das statistische Bundesamt eine nationale Systematik
erstellt, die weitgehend mit der Einteilung der CPA übereinstimmt [70]. Die Klassifzierung ist
in fünf Ebenen gegliedert (siehe Tabelle 2.3). Wird eine Gliederungsebene an letzter Stelle mit
einer “0” kodiert, so wird diese Gliederungsebene nicht weiter unterteilt. Eine Kodierung an
letzter Stelle durch die Zifer “9” steht für Restgruppen, -klassen oder –unterklassen.
Tabelle 2.3: Einteilung der Wirtschaftszweige nach WZ08 [70]
Gliederungsebene Anzahl Code Beispiel
Abschnitte
Abteilungen
Gruppen
Klassen
Unterklassen
21
88
272
615
839
A-U
01-99
01.1-99.0
01.11-99.00
01.11.0-99.00.0
Abschnitt M : Erbringung von
freiberufichen, wissenschaftlichen
und technischen Dienstleistungen
71: Architektur- und Ingenieurbü-
ros; technische, physikalische und
chemische Untersuchung
71.1: Architektur- und Ingenieur-
büros
71.11 Architekturbüros
71.11.1 Architekturbüros für Hoch-
bau
Um der Heterogenität innerhalb des GHD- und Industriesektors gerecht zu werden, wird
für die Modellierung des Energieverbrauchs eine möglichst kleinteilige Klassifzierung von
Verbrauchergruppen angestrebt, die in sich jeweils möglichst homogen im Hinblick auf ihre
Produktionsaktivitäten und sonstige wirtschaftliche Tätigkeiten sind. Gleichzeitig wird eine
möglichst große Abdeckung durch öfentliche Statistiken im Hinblick auf Energieverbräuche
und geeignete ENAG angestrebt. Den bestmöglichen Kompromiss bietet die Einteilung
nach WZ08 des Statistischen Bundesamts [70]. Auf der zweiten Gliederungsebene sind 88
11
2. Grundlagen
Wirtschaftsabteilungen defniert, die in dieser Arbeit als Verbrauchergruppen herangezogen
werden. Wenn im Folgenden von WZ gesprochen wird, sind damit die Wirtschaftsabteilungen
gemeint.
Die Zuordnung der WZ zu den Sektoren erfolgt zunächst für den Industriesektor, welcher
gleichbedeutend mit dem produzierenden Gewerbe ist. Das produzierende Gewerbe umfasst
nach der Abgrenzung der amtlichen Statistik die Wirtschaftsabschnitte B: Bergbau, C:
Verarbeitendes Gewerbe, D: Energie- und E: Wasserversorgung, F-Baugewerbe sowie die
Betriebe des produzierenden Handwerks [72]. Mitunter werden in Veröfentlichungen des
Statistischen Bundesamtes allerdings die Abschnitte B und C zusammengefasst, wie z. B. in der
“Jahreserhebung über die Energieverwendung der Betriebe des Verarbeitenden Gewerbes, im
Bergbau und der Gewinnung von Steinen und Erden” - kurz Jahreserhebung Energieverwendung
Industrie (JEVI) [73]. Aus diesem Grund wird in einschlägigen Veröfentlichungen, wie z. B. in
der ”Erstellung von Anwendungsbilanzen”, der industrielle Sektor auch “als Verarbeitendes
Gewerbe ohne Rafnerien, aber einschließlich der Gewinnung von Steine-Erden und sonstigem
Bergbau” defniert [58, S. 3]. In dieser Arbeit werden die WZ dementsprechend zugeordnet.
Folglich bilden die WZ 5-33 der Abschnitte B und C den industriellen Sektor. Dem GHD-
Sektor werden die restlichen Abschnitte A (Wirtschaftsabteilungen 1-3) und Abschnitte E-U
bzw. Wirtschaftsabteilungen 36-99 zugeteilt. Der Abschnitt D: Energieversorgung zählt zum
Umwandlungssektor und wird in dieser Arbeit nicht betrachtet, da es bei der Bilanzierung
der Verbräuche dieses Abschnitts zu einer Doppelzählung zwischen Gas und Stromverbrauch
kommen würde. Eine Übersicht der Zuordnung zwischen den WZ und Sektoren ist Tabelle 2.4
zu entnehmen. Sie dient gleichzeitig der Erläuterung der WZ-Nummerierung.
12
2.6 Klassifzierung von Verbrauchsanwendungen
Tabelle 2.4: Übersicht der Wirtschaftsabteilungen und Zuordnung zu Sektoren, nach [70, S. 54-55]
Abschnitt
Abteilung
Bezeichnung
Zuordnung
Sektor
A 01-03 Landwirtschaft, Forstwirtschaft und Fischerei GHD
B 05-09
Bergbau und Gewinnung von Steinen und Erden
Industrie
C 10-33 Verarbeitendes Gewerbe Industrie
D 35 Energieversorgung Umwandlung
E 36-39
Wasserversorgung; Abwasser- und Abfallentsor-
gung und Beseitigung von Umweltverschmut-
zungen
GHD
F 41-43 Baugewerbe GHD
G 45-47
Handel; Instandhaltung und Reparatur von
Kraftfahrzeugen
GHD
H 49-53 Verkehr und Lagerei GHD
I 55-56 Gastgewerbe GHD
J 58-63 Information und Kommunikation GHD
K 64-66
Erbringung von Finanz- und Versicherungs-
dienstleistungen
GHD
L 68 Grundstücks- und Wohnungswesen GHD
M 69-75
Erbringung von freiberufichen, wissenschaftli-
chen und technischen Dienstleistungen
GHD
N 77-82
Erbringung von sonstigen wirtschaftlichen
Dienstleistungen
GHD
O 84
Öfentliche Verwaltung, Verteidigung; Sozialver-
sicherung
GHD
P 85 Erziehung und Unterricht GHD
Q 86-88 Gesundheits- und Sozialwesen GHD
R 90-93 Kunst, Unterhaltung und Erholung GHD
S 94-96 Erbringung von sonstigen Dienstleistungen GHD
T 97-98
Private Haushalte mit Hauspersonal; Herstel-
lung von Waren und Erbringung von Dienst-
leistungen durch private Haushalte für den
Eigenbedarf ohne ausgeprägten Schwerpunkt
GHD
U 99
Exterritoriale Organisationen und Körperschaf-
ten
GHD
2.6 Klassifzierung von Verbrauchsanwendungen
In diesem Abschnitt erfolgt die Einteilung der Verbrauchsanwendungen, in denen Endenergie
bei den Verbrauchern in Nutzenergie umgewandelt wird. Dabei kommen unterschiedliche
Technologien zum Einsatz, die in der Literatur nach Querschnitts- und Prozesstechnologien
diferenziert werden [58, S. 5]. Erstere umfassen jene Anwendungen, die sich über die Branchen
des GHD- und Industriesektors hinweg wenig unterscheiden und eher gebäudespezifsch
sind wie Klimatisierung, Beleuchtung, Informations- und Kommunikationstechnologie (IKT),
Raumwärme und Warmwasser. Die Prozesstechnologien umfassen Anwendungen, die den
konkreten Fertigungsprozessen zuzuordnen sind und daher branchenspezifsch sind. Dazu
gehören Prozesswärme, Prozesskälte und Mechanische Energie. [58, 74, 75]
Wegen der angestrebten Dekarbonisierung ist insbesondere die Wärmeversorgung von einer
weitreichenden Transformation betrofen, da hier aktuell noch überwiegend Technologien im
13
2. Grundlagen
Einsatz sind, in denen fossile Energieträger in Wärme umgewandelt werden. Für die technische
Bewertung des Einsatzes von Technologien, in denen
CO2
-neutrale Energieträger genutzt
werden, ist eine Unterteilung des Wärmebedarfs nach Temperaturniveaus notwendig, da sich
je nach Temperaturbereich unterschiedliche Technologien eignen [76, S. 2019]. Dabei gilt
der Einsatz strombasierter Technologien für die direkte und indirekte Elektrifzierung als
zentrale Strategie zur Dekarbonisierung der Industrie [77]. Neben den universell einsetzbaren
Technologien wie Wärmepumpen und Elektrodenkessel existieren zahlreiche branchenspezifsche
Optionen für die direkte Elektrifzierung, wie z. B. den Einsatz von Lichtbogen-, Induktions-
oder Infrarot-Anwendungen [78, S. 14]. Für die indirekte Elektrifzierung wird die Produktion
und Nutzung von grünem Wasserstof diskutiert, der durch die Elektrolyse von Wasser unter
Verwendung von Strom aus erneuerbaren Quellen produziert wird [78, S. 15]. Neben der
Elektrifzierung gilt auch die Nutzung alternativer Brennstofe, z. B. Kunststofabfälle oder
Biomasse, und der Einsatz erneuerbarer Wärmequellen aus Solar- und Geothermie als mögliche
Alternative für fossile Energieträger in der Wärmebereitstellung. Diesen Alternativen wird
allerdings aufgrund ihrer begrenzten Verfügbarkeit im zukünftigen Energiesystem eine weniger
dominante Rolle zugeschrieben als den Technologien zur direkten und indirekten Elektrifzierung
[78, S. 7]. Diese Arbeit konzentriert sich auf den Einsatz von Wärmepumpen, Elektrodenkessel
und grünem Wasserstof, da diese breit einsetzbar sind. Abbildung 2.1 zeigt die erreichbaren
Temperaturbereiche dieser Technologien.
Abbildung 2.1: Erzielbare Temperaturniveaus verbreiteter Technologien für klimaneutrale Wärme,
eigene Darstellung nach [78, 79, 80]
Besondere Bedeutung kommt dabei den Wärmepumpen zu, da durch diese Technologie
aus Strom und Umgebungswärme
CO2
-neutrale Nutzwärme bereitgestellt werden kann, sofern
der Strom erneuerbar produziert wurde. In Wärmepumpen wird über einen Kältekreislauf
Wärme von einem niedrigen Temperaturniveau unter Zufuhr von mechanischer Energie auf ein
höheres Niveau gehoben. Je nach Temperaturniveau der Wärmesenke wird in der Literatur
zwischen konventionellen (bis 80°C), Hochtemperatur- (bis 100°C) und Höchsttemperatur-
wärmepumpen (bis 160°C) unterschieden [79]. Die Efzienz der Wärmepumpe wird durch
die Leistungszahl, auch COP genannt, ausgedrückt. Dieser Wert gibt das Verhältnis von
nutzbarer Wärmeleistung und eingesetzter Antriebsleistung an (siehe Formel 2.1). Entscheidend
für die Leistungsaufnahme und den maximal möglichen COP der Wärmepumpen ist die
14
2.6 Klassifzierung von Verbrauchsanwendungen
Temperaturdiferenz zwischen Wärmequelle und Wärmesenke, der sogenannte Temperaturhub.
Gemäß des Carnot-Wirkungsgrads steigt der COP mit sinkender Temperaturdiferenz von
Wärmequelle und Wärmesenke [81, S. 20]. Hoch- und Höchsttemperaturwärmepumpen arbeiten
deshalb mit Quelltemperaturen um 40°C bzw. 60°C, die durch Nutzung von Abwärmeströmen
oder Kaskadierung mehrerer Wärmepumpenkreisläufe erreicht werden [82, S. 288]. Analysen
aktueller Herstellerangaben zeigen, dass für Temperaturhübe von 20°C bis 30°C COP-Werte
zwischen 7 und 3,5 erreicht werden. Für Hübe von 30°C bis 60°C liegen die COP-Werte
zwischen 3,5 und 2 und bei Hüben zwischen 60°C und 100°C sind Werte zwischen 2,5 und 1,5
möglich [83, S. 6] [79, S. 996]. Für die zukünftige Bereitstellung von Niedertemperaturwärme
und Dampf (bis 140°C) werden in dieser Arbeit ausschließlich Wärmepumpen verwendet, wobei
im Temperaturbereich ab 100°C von einem kaskadierten Wärmepumpensystem ausgegangen
wird.
W ärmeleistung[kW ]
COP = (2.1)
Antriebsleistung[kW ]
Im Hinblick auf die Dekarbonisierung sind die unterschiedlichen Temperaturanforderungen
bei der Prozesswärmebereitstellung besonders im Industriesektor relevant, da hier große
Wärmemengen auf hohen Temperaturniveaus benötigt werden, die aktuell zu großen Teilen
durch Erdgas, Kohle und Mineralölprodukte gedeckt werden. Prozesswärme bis 500°C wird
vorwiegend für die Bereitstellung von Heißdampf in industriellen Prozessen benötigt. Dafür
stellen Elektrodenkessel gegenüber gasbefeuerten Kesseln eine marktreife elektrische Alternative
dar [78, S. 12]. Bei dieser Technologie wird Wasser direkt an Elektroden verdampft. Da
die Investitionskosten für Elektrodenkessel im Vergleich zu Wärmepumpen geringer sind,
ist für ihre Wirtschaftlichkeit vor allem ein günstiger Strompreis entscheidend [78, S. 26].
Angesichts steigender Erdgaspreise und potenziell sinkender Strompreise durch den Ausbau
günstiger erneuerbarer Energien wird dieser Technologie ein hoher Stellenwert im zukünftigen
Energiesystem eingeräumt. In dieser Arbeit wird davon ausgegangen, dass Elektrodenkessel
für die Prozesswärmebereitstellung von 140°C bis 500°C zum Einsatz kommen.
Neben der direkten Elektrifzierung wird auch den synthetischen Gasen eine wichtige Rolle
zugeschrieben, da durch Brennstofe eine hohe Leistungsdichte erreicht werden kann. In der
nationalen Wasserstofstrategie der Bundesregierung wird deshalb konstatiert, “dass auch nach
Ausschöpfen der Efzienz- und Elektrifzierungspotenziale bei der Prozesswärmeherstellung
oder im Gebäudesektor ein Bedarf an gasförmigen Energieträgern bestehen bleibt” [84, S. 11].
Ob dafür Wasserstof oder auch synthetisches Methan zum Einsatz kommt, bleibt zunächst ofen.
Grüner Wasserstof, der durch Elektrolyse von Wasser unter Einsatz von Strom aus erneuerbaren
Energien erzeugt wird, bildet die chemische Grundlage für
CO2
-neutrale synthetische Gase.
Bereits heute wird Wasserstof als Grundstof in der chemischen Industrie. Seine Herstellung
erfolgt allerdings vorwiegend über die Dampfreformation von Erdgas [85]. Im Jahr 2020 wurden
in Deutschland jährlich ca. 55-60 TWh Wasserstof verbraucht, überwiegend in Rafnerien und
für die Ammoniakproduktion [86]. In Zukunft wird allerdings nicht nur dieser Verbrauch durch
grünen Wasserstof ersetzt, sondern auch andere Branchen, wie z. B. die Stahlherstellung auf
eine treibhausgasneutrale Produktion umgestellt, wofür ebenfalls hohe Wasserstofverbräuche
anfallen werden [84, S. 6]. Für die zukünftige Bereitstellung von Prozesswärme über 500°C
15
2. Grundlagen
sowie für den nichtenergetischen Verbrauch wird in dieser Arbeit der Einsatz von grünem
Wasserstof unterstellt.
Neben den bisher vorgestellten Anwendungen für fossile Brennstofe, wird Erdgas auch
zu einem erheblichen Anteil zur industriellen Strom- und Dampfproduktion in Anlagen mit
Kraft-Wärme-Kopplung (KWK) genutzt. Die Verwendung von Erdgas zur industriellen Strom-
produktion stellt dabei keine Bereitstellung von Nutzenergie dar, sondern eine Umwandlung
in die Endenergie Strom. Da sie aber einen signifkanten Teil des Erdgasverbrauchs im
industriellen Sektor ausmacht, der in Zukunft dekarbonisiert werden muss, wird die industrielle
Stromproduktion durch die Modellierung in dieser Arbeit abgedeckt und in die Liste der
Erdgasanwendungen aufgenommen. In Zukunft wird dieser Erdgasverbrauch entweder durch
zusätzlichen Netzbezug oder werkseigene erneuerbare Stromproduktion gedeckt werden. Ein
zusätzlicher Stromverbrauch ergibt sich aus dieser Substitution allerdings nicht.
In dieser Arbeit wird die folgende nach dem Vorbild der Veröfentlichungen der Anwendungs-
bilanzen erstellte und um Temperaturbereiche erweiterte Klassifzierung der Anwendungen
verwendet (siehe Tabelle 2.5). Dabei wurde insbesondere auf eine diferenzierte Einteilung im
unteren Temperaturbereich der industriellen Prozesswärme geachtet, um der Modellierung eines
realistischen Einsatzes von Wärmepumpen gerecht zu werden. Dafür werden unterschiedliche
Veröfentlichungen zu Temperaturanforderungen der industriellen Prozesswärme mit einbezogen
[75, S. 122], [76, S. 2022], [51, S. 14]. Im Zuge der Modellierung werden Erdgasverbräuche für
zukünftige Jahre durch Strom und grünen Wasserstof substituiert.
Tabelle 2.5: Modellierte Anwendungen je Energieträger
Anwendung Strom Erdgas
Wasserstof
Beleuchtung ✓
IKT ✓
Klimakälte ✓
Prozesskälte ✓
Mechanische Energie ✓ ✓
Raumwärme ✓ ✓
Warmwasser ✓ ✓
Niedertemperaturwärme <100°C ✓ ✓
Dampf 100°C - 200°C ✓ ✓
Heißdampf 200°C - 500°C ✓ ✓
Hochtemperaturwärme >500°C ✓ ✓
Industrielle Stromproduktion ✓
Nichtenergetische Nutzung ✓ ✓
2.7
Datenlage zum industriellen und gewerblichen Energiever-
brauch in Deutschland
Im folgenden Abschnitt wird die Datenbereitstellung zum Energieverbrauch in Deutschland von
öfentlicher Seite aufgearbeitet und damit die Ausgangslage für die Modellierung beschrieben.
Die Bündelung und Veröfentlichung von Informationen über den Energieverbrauch ist sowohl
für die Erfüllung von nationalen und internationalen Berichtspfichten als auch für die
modellgestützte Energiesystemanalyse von elementarer Bedeutung und ist in verschiedenen
16
2.7 Datenlage zum industriellen und gewerblichen Energieverbrauch in Deutschland
Gesetzen und Verordnungen, wie z. B. dem Energiestatistikgesetz oder den Strom- und Gas-
netzzugangsverordnungen (StromNZV/GasNZV) verankert. Im Rahmen der Untersuchung von
Seim et al. (2019) [6] erfolgte eine Analyse der Datenlandschaft der deutschen Energiewirtschaft.
Darin wurden unter anderem Umfragen zum Datenbedarf innerhalb der energiewirtschaftlichen
Community durchgeführt. Die Autoren halten fest, dass insbesondere auf der Verbrauchsseite
großer Bedarf an hochaufgelösten Daten besteht, dem nur ein dürftiges Angebot gegenübersteht
[6, S. 17, 18].
Für die Beschreibung der historischen Energieverbräuche stehen unterschiedlich detaillierte
und strukturierte Datensätze zur Verfügung. Auf nationaler Ebene sind in erster Linie die
Veröfentlichungen der AGEB [67] und des Statistischen Bundesamts über die UGR [87]
als Primärdatenquellen zu nennen. Andere staatliche Institutionen wie das BMWK oder das
Umweltbundesamt (UBA) nutzen diese Informationsquellen und veröfentlichen ihrerseits Daten
zum Energieverbrauch wie z. B. die “Energiedaten: Gesamtausgabe” [68] oder “Energieefzienz
in Zahlen” [88]. Auf regionaler Ebene bilden die Veröfentlichungen des Ländarbeitskreis
Energiebilanzen (LAK) [89] und die JEVI [73] wichtige Datengrundlagen. Alle genannten
Datensätze liefern für die Beschreibung des Endenergieverbrauchs lediglich Jahreswerte.
Die durch die AGEB bereitgestellten Informationen erlauben die Darstellung der jährlichen
Energieverbräuche nach Energieträgern, Sektoren und Anwendungen (siehe Abbildung 2.2).
Im jährlichen Turnus werden Informationen über Energieverbräuche in Deutschland in Form
von standardisierten Berichten und Statistiken veröfentlicht wie die Energiebilanz [67] und
das daraus abgeleitete Energiefussbild [90]. Überdies werden jährlich die Anwendungsbilanzen
für die Sektoren Haushalte und Verkehr [91], GHD [59] und Industrie [58] herausgegeben,
die zwischen verschiedenen Verbrauchergruppen und Anwendungsbereichen diferenzieren. In
Abbildung 2.2: Endenergieverbrauch nach Sektoren und Anwendungen (2018), nach AGEB und
BMWK [68]
17
2. Grundlagen
Abbildung 2.2 sind die Anteile des Endenergieverbrauchs im GHD- und Industriesektor für
Strom und Erdgas nach ihren Anteilen in den von der AGEB defnierten Anwendungsbereichen
wiedergegeben. Im Industriesektor fällt der größte Anteil des Verbrauchs auf die Anwendung
Prozesswärme, die zu einem großen Teil aus Erdgas sowie Kokerei-, Gicht- und Grubengas
gedeckt wird. Diese Energieträger sind ebenfalls in Abbildung 2.2 enthalten. Letztere Gasarten
tragen mit etwa 30 TWh zum Gasverbrauch bei und kommen in der Stahlerzeugung, im
Bergbau und in den Kokereien zum Einsatz. Im GHD-Sektor sticht der Anteil für Raumwärme
heraus, welcher zu ca. 55% durch Erdgas gedeckt wird [68, Tabelle 7b]. Im Hinblick auf die
Anwendungen bieten die Daten der AGEB einen höheren Grad der Aufösung als andere
öfentliche Datenquellen, liefern aber keine Diferenzierung nach Verbrauchergruppen unterhalb
der sektoralen Ebene.
Im Zuge der UGR werden vom Statistischen Bundesamt in jährlicher Folge ökonomische,
ökologische und energetische Indikatoren zur Beschreibung der „Wechselwirkungen zwischen
Umwelt und Wirtschaft“ [93, S. 6] veröfentlicht. Die Publikation zur Energiegesamtrechnung
im Abschnitt Energiefüsse und Emissionen [94] beinhaltet Informationen über die Energie-
verwendung nach Energieträgern bei Produktionsprozessen sowie im Verkehrssektor und in
privaten Haushalten. Die Daten für die Verwendung von Energie nach Produktionsbereichen
sind neben der Veröfentlichung als Excel-fle [92] auch über das statistische Informationssystem
GENESIS-online abrufbar [95]. In der Veröfentlichung aus dem Jahr 2021 [92] wird
nach bis zu 30 Energieträgern und 67 Produktionsbereichen in der CPA-08-Klassifkation
(übertragbar auf die Einteilung nach WZ, siehe Kapitel 2.5) unterschieden und bietet damit
einen höheren verbrauchergruppenspezifschen Grad der Detaillierung, als andere öfentliche
Datenquellen. Abbildung 2.3 zeigt den Strom- und Gasverbrauch nach den WZ für das
Abbildung 2.3: Energieverbrauch nach Wirtschaftszweigen (2018), nach UGR [92]
18
2.7 Datenlage zum industriellen und gewerblichen Energieverbrauch in Deutschland
Jahr 2018. Die Gasverbräuche in den Tabellen der UGR “Verwendung von Energie nach
Energieträgern und Produktionsbereichen” [92, Tabellen 2.3.1 bis 2.3.7] umfassen alle Gasarten,
also neben Erdgas auch Kokerei-, Gicht- und Grubengas, sowie den nichtenergetischen
Verbrauch, der auf die Produktionsbereiche anhand von Daten aus der Mineralölstatistik
des Mineralölwirtschaftsverbandes verteilt wurde [96, S. 12].
Im Rahmen der JEVI wird jährlich eine Erhebung bei bis zu 68 000 industriellen Betrieben
durchgeführt, die eine Belegschaft vom mindestens 20 Beschäftigten aufweisen [73, S. 4]. Dabei
werden Verbräuche und Abgaben von Energieträgern getrennt nach Art und Energiegehalt
erfasst. Die Veröfentlichung erfolgt sowohl über das Datenportal GENESIS-Online [99] als
auch über die regionalstatistische Datenbank [97]. Im ersten Fall werden die Ergebnisse für die
WZ des verarbeitenden Gewerbes jeweils als bundesweit aggregierte Werte angegeben. Dies
umfasst die Tabellen 43531-0001 mit den Angaben zum Energieverbrauch und 43531-0002 mit
den Angaben zu Stromerzeugung, -bezug, -abgabe und –verbrauch. Im zweiten Fall werden
die bis auf die Landkreisebene regional gegliederten Ergebnisse veröfentlicht. Allerdings geht
die Gliederung nach WZ an dieser Stelle verloren. Die JEVI bietet damit im Hinblick auf die
regionale Aufösung einen höheren Grad der Detaillierung als andere öfentliche Datenquellen
(siehe Abbildung 2.4). Die Energieverbrauchsdaten je Landkreis weisen allerdings regelmäßig
Lücken auf, wenn die Zahlenwerte geheim zu halten sind. Dies trift z. B. dann zu, wenn im
Landkreis ein besonders großer Industriebetrieb ansässig ist, für den der Energieträgerverbrauch
unter die Wahrung von Geschäftsgeheimnissen fällt, wie z. B. im Falle der kreisfreien Stadt
Wolfsburg. Für etwa 20% der Landkreise fehlen die entsprechenden Angaben. Im Rahmen des
Forschungsprojekts DemandRegio wurden die Datensätze bis 2017 durch die Forschungsstelle für
Abbildung 2.4: Strom- und Gasverbrauch des industriellen Sektors einschließlich nichtenergeti-
schem Verbrauch (2018), nach JEVI [97, 98]
19
2. Grundlagen
Energiewirtschaft (FfE) aufbereitet und fehlende Daten einzelner Landkreise durch historische
Werte aufgefüllt [7, S. 70] [100, S. 24 f.]. Abbildung 2.4 zeigt den durch die FfE aufbereiteten
Datensatz der JEVI aus der Regionalstatistik für das Jahr 2017 [97].
Der LAK veröfentlicht länderspezifsche Energie- und
CO2
-Bilanzen zu Aufkommen,
Umwandlung und Verwendung von Energie bzw. zu energiebedingten Emissionen [89]. Die
Tabellen zum Endenergieverbrauch sind dabei entweder nach Energieträgern oder nach
Verbrauchssektoren gegliedert, wobei der GHD- und der Haushaltssektor zusammengefasst
werden. Überdies können die vollständigen Energiebilanzen der Länder heruntergeladen
werden, die Auskunft über alle Energieträger, Erzeuger- und Verbrauchergruppen geben.
Die Daten weisen allerdings regelmäßig Lücken auf, da die Erhebung der Informationen
nicht einheitlich sondern dezentral organisiert in den Ländern erfolgt, die die Informationen
mit unterschiedlichem zeitlichen Versatz an den LAK übermitteln und mitunter abweichende
Defnitionen der Sektoren nutzen. Die Darstellung der Verbräuche nach Bundesländern erfordert
deshalb zunächst eine Bereinigung der Datensätze durch das Aufüllen mit historischen
Werten der gleichen Bilanzpositionen. Dabei muss auf Daten aus den Jahren 2015 und 2012
zurückgegrifen werden. Abbildung 2.5 zeigt die Aufstellung der Strom- und Gasverbräuche für
den Industrie- und GHD-Sektor je Bundesland für das Jahr 2018 [101]. Die Datenlücken und
Aufbereitung der Datensätze betrefen die Länder Bayern, Brandenburg und das Saarland.
Abbildung 2.5: Strom- und Gasverbrauch nach Bundesländern für den Industrie- und GHD-Sektor,
inklusive Verbrauch von Industriekraftwerken, Kokereien, Kohlen-, Erdöl und Erdgasgewinnung
sowie des nichtenergetischen Verbrauchs (2018), nach LAK [101]
20
2.7 Datenlage zum industriellen und gewerblichen Energieverbrauch in Deutschland
Für Verbrauchsdaten in unterjähriger zeitlicher Aufösung ist die Informationslage von
Seiten der statistischen Ämter wenig ergiebig [6, S. 18]. Die ertragreichsten Quellen sind
die europäischen Informationsplattformen der Übertragungsnetzbetreiber (ÜNB) „ENTSO-E
Transparency Platform“ [102] und Fernleitungsnetzbetreiber (FNB) „ENTSO-G Transparency
Platform“ [103]. Die dort veröfentlichten Last- bzw. Verbrauchszeitreihen beziehen sich auf
großräumige Netzgebiete. Sie ermöglichen weder eine Unterscheidung zwischen unterschiedlichen
Verbrauchergruppen noch eine hochaufgelöste regionale Diferenzierung. Im Falle der Daten
des European Network of Transmission System Operators for Electricity (ENTSO-E) ist die
kleinste wählbare regionale Aufösung für die Abfrage der Lastgangdaten die “Bidding Zone”
DE (Deutschland). Im Rahmen des Forschungsprojekts “Open Power System Data” wurden
die auf der ENTSO-E-Plattform veröfentlichten Datensätze für Erzeugung und Verbrauch
aufbereitet und bereitgestellt [104]. Abbildung 2.6 zeigt den Lastgang der Bidding Zone DE.
Die Jahresstrommenge von 498,9 TWh deckt sich mit einer Abweichung von ca. 3% mit dem
Jahresendenergieverbauch des Energieträgers Strom aus den BMWK-Energiedaten, wo er mit
513,3 TWh für 2018 angegeben ist [68, Tabelle 6].
Abbildung 2.6: Lastgang der Bidding Zone DE laut “ENTSO-E Transparency Platform” (2018),
stündlich, nach [102, 104]
Gasverbräuche in zeitlicher Aufösung werden durch die europäischen FNB über die
Plattform des European Network of Transmission System Operators for Gas (ENTSO-G)
bereitgestellt [103]. Dort können aggregierte eingehende und ausgehende physikalische Flüsse
an den „entry-“ und „exit-points“ der Fernleitungsnetze abgefragt und exportiert werden.
Abbildung 2.7 zeigt den aggregierten physikalischen Fluss zu Endkunden der FNB über alle
exit points der Marktgebiete NetConnect Germany (NCG) und Gaspool sowie die Summe
der Flüsse in beiden Marktgebieten. Die Jahresenergiemenge von 111,8 TWh deckt sich
allerdings nicht mit dem deutschlandweiten Endenergieverbrauch des Energieträgers Erdgas
aus den BMWK-Energiedaten, wo er mit 637,2 TWh für 2018 angegeben ist [68, Tabelle
6]. In der Dokumentation der ENTSO-G-Plattform wird im Hinblick auf diese Abweichung
21
2. Grundlagen
auf eine Absprache mit der deutschen Regulierungsbehörde verwiesen, nach der nur jene
Letztverbraucher in der Datenbank ausgewiesen werden, die direkt an die FNB angeschlossen
sind [105, S. 1]. Dies zeigt, dass ein Großteil des Erdgasverbrauchs nicht ohne Weiteres über die
ENTSO-G-Transparenzplattform abgerufen werden kann. Für ein vollständiges Bild müssten
die Gasmengen, die an die unteren Netzebenen übergeben werden, oder die Mengen, die über
die virtuellen Handelspunkte gehandelt werden, abrufbar sein. Überdies treten immer wieder
Datenlücken auf, wie z. B. beim FNB GASCADE, bei dem für den Zeitraum zwischen Februar
und August 2018 keine Angaben zum physikalischen Fluss existieren [103, Tabelle NCG Exit].
Abbildung 2.7: Aggregierter physikalischer Erdgasfuss zu Endkunden in den beiden Marktgebie-
ten Gaspool und NCG laut “ENTSO-G Transparency Platform” (2018), täglich, nach [103]
Lastgangdaten auf regional tiefer gegliederten Ebenen oder gar von einzelnen Ver-
brauchergruppen bilden eine wichtige Grundlage für die hochaufgelöste und Modellierung
von Energieverbräuchen, sind aber nicht ohne Weiteres verfügbar. Lastgänge regionaler
Versorgungsgebiete sind auf den Webseiten der Verteilnetzbetreiber (VNB) zu fnden, deren
Veröfentlichungspfichten sich aus §17 StromNZV bzw. §40 GasNZV ableiten. Während
für die Stromnetze eindeutig festgelegt ist, dass die Jahreshöchstlast, der Lastverlauf als
viertelstündige Leistungsmessung und die Netzverluste von Netzbetreibern zu veröfentlichen
sind, gibt es für die Gasnetzbetreiber keine Pficht zur Veröfentlichung von Lastgangdaten [6,
S. 4]. Als Datenquelle für regionale Lastgänge kommen entsprechend die ca. 900 Webseiten
der Strom VNB in Betracht, für die allerdings keine einheitlichen und maschinenlesbaren
Veröfentlichungsformate gelten. Im Rahmen des Forschungsprojekts DemandRegio wurde
im Rahmen einer Erhebung festgestellt, dass 583 von 880 VNB die Lastgangdaten in ihrer
Netzebene nicht in einem maschinenlesbaren Format veröfentlichen und dies auch nicht für
mehrere Jahre in historischer Folge. Zudem stimmen die Netzgebiete nur in seltenen Fällen mit
den Grenzen administrativen Regionen, wie z. B. Landkreisen, überein, was die Verknüpfung mit
22
2.8 Zwischenfazit
regional strukturierten Datensätzen erschwert. Im Rahmen des Forschungsprojekts open_eGo
(open electricity grid optimization) wurden vom Reiner Lemoine Institut Stromlastgänge für
die Modellierung von Nieder- und Mittelspannungsnetzen entwickelt und veröfentlicht [106].
Der Datensatz umfasst 208 276 Verbrauchsregionen mit Jahresstromverbräuchen nach Sektoren
[107], die z. B. mittels SLP in eine zeitliche Aufösung überführt werden können.
Für Lastgänge einzelner Betriebe oder Liegenschaften ist die Datenlage besonders dürftig,
wie in der Studie zur Datenlandschaft der Energiewirtschaft von Seim et al. ausgeführt
wird [6, S. 17]. Dies ist auf Datenschutzerfordernisse und auf den Schutz von Betriebs- und
Geschäftsgeheimnissen zurückzuführen. Überdies wurden Verbräuche mit einem geringeren
Jahresstromverbrauch von 100.000 kWh bisher in Deutschland nicht in unterjähriger zeitlicher
Aufösung erfasst. Erst mit dem aktuell laufenden Smart Meter Rollout werden ab dem 31.
Januar 2020 sukzessive auch Verbraucher mit einem Jahresenergieverbrauch von mindestens
6.000 kWh mit intelligenten Stromzählern ausgestattet [108]. Zu den wenigen Datenquellen
von betrieblichen Lastgängen zählen einzelne kommunale Datenportale, wie z. B. jener
der Städte Frankfurt [109] oder Aachen [110], in denen liegenschaftsspezifsche Lastgänge
veröfentlicht werden. Überdies existieren vereinzelte Veröfentlichungen von Lastgangdaten
aus darauf ausgerichteten Forschungsprojekten, wie z. B. dem Smart City Building Energy
Resources Datensatz des Karlsruher Instituts für Technologie (KIT) [111], dem Datensatz zu
28 Deutschen Betrieben aus dem SINTEG Programm vom KIT [112] oder dem Datensatz zu 50
industriellen Betrieben in Deutschland vom KIT [113]. Abschließend lässt sich zur Datenlage
festhalten, dass keine Datenquelle aus ofziellen Statistiken existiert, durch die regionale,
verbrauchergruppenspezifsche oder gar anwendungsspezifsche Strom- und Erdgaslastgänge
bereitgestellt werden.
2.8 Zwischenfazit
In diesem Kapitel wurden anfänglich die in dieser Arbeit genutzten Klassifzierungen von
Modellierungsverfahren, ENAG, Verbrauchergruppen und Anwendungen vorgestellt sowie die
Systematiken der regionalen und zeitlichen Aufösung beschrieben. Daraus ging hervor, dass
für die regionale Aufösung die Einteilung nach NUTS-3 Regionen (Landkreisen) genutzt
wird und für die zeitliche Aufösung von Lastgängen mindestens stündliche Zeitschritte
angegeben werden. Für die Einteilung der Verbrauchergruppen wird auf die Klassifzierung
der WZ von 2008 zurückgegrifen, in der 88 Wirtschaftsabteilungen defniert sind und die im
Folgenden durch die Abkürzung WZ (Wirtschaftszweige) bezeichnet werden. In Bezug auf die
Anwendungstechnologien wird die von der AGEB genutzte Systematisierung nach Querschnitts-
und Prozesstechnologien erweitert, indem eine Einteilung nach Temperaturbereichen für die An-
wendung Prozesswärme vorgenommen wird. Überdies werden die industrielle Stromproduktion
und die nichtenergetische Nutzung in die Liste der modellierten Anwendungen aufgenommen.
Anschließend wurde die Informationslage zum Energieverbrauch des GHD- und Indu-
striesektors in öfentlichen Quellen untersucht. Dabei wurde festgestellt, dass eine Reihe
von Datenquellen existiert, die allerdings jeweils nur entweder nach Regionen (JEVI, LAK),
Verbrauchergruppen (UGR) oder Anwendungen (AGEB) diferenzieren. Alle Angaben in den
genannten Datenquellen sind ausschließlich als Jahresenergieverbräuche verfügbar. Bezüglich
23
2. Grundlagen
Datensätze mit unterjähriger Aufösung (Lastgänge) kann für den Stromverbrauch auf
die Angaben von ENTSO-E und für den Erdgasverbrauch auf ENTSO-G zurückgegrifen
werden. Allerdings bieten diese Datenquellen weder eine Diferenzierung nach Regionen auf
subnationalem Level, noch nach Verbrauchergruppen oder nach Anwendungen. Aus dieser
Beschreibung der Ausgangslage geht hervor, dass Verbrauchsdatensätze in hoher regionaler,
zeitlicher, verbrauchergruppen- und anwendungsspezifscher Aufösung in öfentlichen Quellen
nicht existieren und ihre Generierung folglich den Einsatz von Modellen erfordert. Der in dieser
Arbeit modellierte Energieverbrauch umfasst den Endenergieverbrauch von Strom, Erdgas
und Wasserstof zuzüglich des jeweiligen Energieträgereinsatzes für die nichtenergetische
Nutzung und für die industrielle Stromproduktion. Der Endenergieverbrauch lässt nach seiner
Verwendung in den Querschnitts- und Prozessanwendungen wie Beleuchtung oder Prozesswärme
einteilen und fällt direkt bei den Endkunden für die Umwandlung in Nutzenergie wie Licht
oder Wärme an.
24
3
Stand der Forschung
In diesem Abschnitt wird der Stand der Forschung sowohl in Bezug auf gegenwärtige
Verfahren zur Modellierung von Energieverbräuchen präsentiert als auch hinsichtlich Ener-
gieverbrauchsszenarien in aktuellen Energiesystemstudien zur Klimaneutralität beschrieben.
Im ersten Teil dieses Abschnitts wird eine systematische Literaturanalyse durchgeführt, um
zu beleuchten, in welchem Kontext unterschiedliche Kategorien von Modellierungsverfahren
verwendet werden und somit die in dieser Arbeit getrofene Wahl des ingenieurbasierten
Verfahrens zu fundieren. Dafür werden die in der internationalen Literatur genutzten Verfahren
den abgebildeten Energieträgern und Wirtschaftssektoren gegenübergestellt und die jeweils
typischen Eingangsgrößen sowie die regionale und zeitliche Aufösung untersucht. Überdies
wird analysiert, ob sich je nach Kontext bzw. Modellierungsverfahren Unterschiede bei
der Vorhersagegenauigkeit ergeben. Im zweiten Teil werden die Energieverbrauchsszenarien
in aktuellen nationalen Studien zur Klimaneutralität und zu Transformationspfaden des
Energiesystems vorgestellt. Dabei werden auch die verwendeten Modelle und ihr Detailgrad zur
Erstellung der Verbrauchsszenarien untersucht und verglichen. Die Vorstellung der Szenarien
dient dazu, Referenzpunkte für die spätere Einordnung der in dieser Arbeit erzeugten
Modellierungsergebnisse zu setzen.
3.1
Systematische Literaturanalyse zu Modellierungsverfahren
von Energieverbräuchen
Energienachfragemodelle haben eine breite Palette von Anwendungen. Diese reicht von kurzfri-
stigen Energieverbrauchsprognosen in Energienetzen und -märkten über die Simulation von
Wärme- und Stromlasten in Gebäuden und industriellen Prozessen bis hin zu ökonometrischen
Langzeitprojektionen des nationalen Energiebedarfs [12]. Entsprechend bildet die Modellierung
von Energieverbräuchen ein Forschungsfeld mit einer steigenden Zahl an Publikationen
1
.
In diesem Abschnitt werden gängige Verfahren zur Modellierung von Energieverbräuchen
1
Im Jahr 2009 waren in der Literaturdatenbank “Web of Science” 60 englischsprachige Artikel indexiert, die
“energy demand” (bzw. “energy consumption” als Synonym) und “model” im Titel hatten. Im Jahr 2020 hatte
sich diese Zahl auf 641 erhöht.
25
3. Stand der Forschung
untersucht und herausgearbeitet, in welchen Kontexten unterschiedliche Modellierungsverfahren
in Kombination mit ihren entsprechenden Eingangsdaten zum Einsatz kommen. Dazu wird eine
systematische Literaturanalyse von 419 Artikeln im Hinblick auf die verwendeten Verfahren
und Eingangsdaten, die abgebildeten Energieträger und Sektoren, die regionale und zeitliche
Aufösung sowie die Modellgenauigkeit durchgeführt. Die ausführlichen Ergebnisse dieser
Literaturanalyse wurden 2021 vom Verfasser der vorliegenden Dissertation in Erstautorenschaft
in Form eines Artikels in der Fachzeitschrift “Energies” publiziert [63].
In der Vergangenheit wurde bereits eine Reihe von Literaturanalysen veröfentlicht, in
denen die Vielfalt der Ansätze erfasst und die Entwicklungen in der Energiebedarfsmodellierung
beschrieben wurden. Die Untersuchung von 28 aktuellen Literaturanalysen ergab, dass lediglich
sieben ein systematisches Vorgehen im Hinblick auf die Gewährleistung von Transparenz,
Replizierbarkeit und Neutralität [3, S. 916 f.][114, S. 30 f.][115] aufweisen. Tabelle A.1
im Anhang zeigt, welche Merkmale von Energienachfragemodellen in den systematischen
Literaturanalysen untersucht wurden. Keine Analyse umfasste alle oben genannten Merkmale.
Zudem ist der Literaturumfang in fast allen Fällen geringer als die in dieser Untersuchung
analysierten 419 Artikel.
3.1.1 Vorgehen bei der Literaturanalyse
Die Literaturrecherche folgt der systematischen Vorgehensweise, wie sie in [114, S. 30], [10]
und [8] empfohlen wird und ist in drei Schritte eingeteilt, die in Abbildung 3.1 dargestellt sind.
Abbildung 3.1: Vorgehensweise bei der systematischen Literaturanalyse
In Schritt eins wurde zunächst das Ziel der Literaturanalyse festgelegt, welches darin
besteht, ein umfassende Beschreibung von Verfahren zur Modellierung von Energienachfrage
im Hinblick auf ihre Anwendungsbereiche und Datenanforderungen zu erstellen. Um sich
auf aktuelle und relevante Literatur zu beschränken, wurden nur Artikel berücksichtigt, die
zwischen 2015 und 2020 in englischsprachigen Fachzeitschriften aus den Bereichen Energie,
Technik, Modellierung und Simulation oder Informatik veröfentlicht wurden. Die untersuchte
Literatur ist das Ergebnis einer replizierbaren Abfrage bei der “Web of Science Core Collection”,
einer wissenschaftlichen Literaturdatenbank für internationale Zeitschriftenpublikationen und
Konferenzberichte [116], am 1. Mai 2021. In Schritt zwei wird aus einer Stichwortmatrix
mit Begrifen aus den Themengruppen “Energie”, “Nachfrage” und “Modellierung” eine
Datenbankabfrage abgeleitet. Die Datenbankabfrage und die Stichwortmatrix sind dem Anhang
zu entnehmen (siehe Tabelle A.2). Die Suche ergab 695 Artikel, die anhand des Titels und
des Abstracts hinsichtlich ihrer Einschlägigkeit überprüft wurden. Während dieses Screening-
Prozesses wurden 276 Artikel ausgeschlossen, weil sie thematisch nicht einschlägig waren oder
26
3.1 Systematische Literaturanalyse zu Modellierungsverfahren von Energieverbräuchen
trotz institutioneller Anmeldung auf den Webseiten der Verlage nicht zugänglich waren. Die
endgültige Literatursammlung bestand aus 419 Artikeln. Im dritten Schritt wurden die Artikel
nach den in Tabelle 3.1 aufgeführten Merkmalen untersucht, die Ergebnisse visualisiert und
interpretiert.
Jedes Merkmal aus Tabelle 3.1 wird durch Beispiele möglicher Ausprägungen näher spezif-
ziert, die in der entsprechenden Spalte festgehalten sind. Bei sich gegenseitig ausschließenden
Kriterien ist nur eine Angabe möglich, während bei nicht ausschließenden Eigenschaften mehrere
Werte angegeben und mehrfach gezählt werden können. Die regionale Aufösung wird durch die
kleinste energieverbrauchende Einheit defniert, die in den jeweiligen Artikeln modelliert wurde.
Für den zeitlichen Horizont gibt es in der Literatur verschiedene Kategorisierungen [8, 117].
Die gewählte Defnition ist von Wei et al. [9] inspiriert. Die Vorhersagegenauigkeit der Modelle
wurde anhand des Mean Average Percentage Error (MAPE) erfasst. Der MAPE ist defniert
als die durchschnittliche absolute Abweichung zwischen dem vorhergesagten Wert und dem
tatsächlichen Wert, ausgedrückt in Prozent des tatsächlichen Wertes [118]. Es handelt sich um
ein einheitenloses Fehlermaß, das nicht von der Größe des Systems abhängt, weshalb es sich
für den Vergleich der Prognosegüte von Verfahren eignet, die in unterschiedlichen Kontexten
eingesetzt werden [119]. Daher ist es in der Energiebedarfsmodellierung weit verbreitet [3].
Die Einteilung der in den Artikeln verwendeten Verfahren erfolgt nach den in Abschnitt 2.1
defnierten Kategorien.
Tabelle 3.1: Untersuchte Merkmale von Energieverbrauchsmodellen im Rahmen der systematischen
Literaturanalyse und Beispiele für mögliche Ausprägungen
Merkmal Beschreibung Mögliche Ausprägungen
Ausschließ-
barkeit
Kategorie
Kathegorie der angewandten Ver-
ML, statistische, metaheuristi-
Nein
von
fahren
sche, stochastische/fuzzy/graue
Verfahren
und ingenieurwissenschaftliche
Verfahren
Eingangs- Eingangsgrößen für Modelle, er- historische Last, Kalender-,
Nein
größen klärende Variablen, Prädiktoren
Wetter-, Volkswirtschafts-,
Demographie-, Umwelt-, Preis-
und technische Daten
Energieträger
Modellierter Energieträger
Elektrizität, Erdgas, Wärme und
Nein
Kälte
Sektor
Modellierter Wirtschaftssektor Industrie, GHD, Haushalte, alle
Nein
oder Verbrauchergruppe Sektoren
Regionale
Regionaler Detailgrad der Model-
Land, Region (z.B. Bezirk), Ge-
Ja
Aufösung le bäude, Endgerät
Zeitliche
Länge der Zeitschritte, die durch
Kürzer als stündlich, stündlich,
Ja
Aufösung das Modell beschrieben werden täglich, wöchentlich bis jährlich
Zeitlicher Modellierter Prognosehorizont
Kurzfristig (< Tag), mittelfristig
Ja
Horizont bzw. Zeitspanne
(Wochen oder Monate), langfri-
stig (> ein Jahr)
Modell- Vorhersagegenauigkeit des Mo-
Numerische Werte für MAPE Nein
genauigkeit dells
3.1.2 Ergebnisse der Literaturanalyse
Insgesamt wurden 419 Artikel aus 54 verschiedenen Ländern untersucht. Abbildung 3.2 zeigt
die Energieträger und Wirtschaftssektoren, deren Verbräuche in den Artikeln modelliert
27
3. Stand der Forschung
wurden. Es zeigt sich, dass in den meisten Artikeln die Verbrauchergruppe nicht auf einen
einzelnen Sektor beschränkt ist, sondern alle Sektoren umfasst. Dies ist z. B. der Fall, wenn
der Energieverbrauch einer ganzen Region erfasst wird. Aber auch die gezielte Abbildung
des Energieverbrauchs von Haushalten und Gewerbebetrieben ist üblich. Modellierungen
industrieller Energieverbräuche sind in den Artikeln seltener zu fnden. Dies könnte zum einen
durch einen Mangel an öfentlich zugänglichen Verbrauchsdaten für den Industriesektor erklärt
werden [6, S. 18], zum anderen durch eine erhöhte Komplexität des benötigten Modells, da der
industrielle Energieverbrauch tendenziell weniger abhängig von exogenen Einfussfaktoren (z.B.
Wetter) ist und eher produktionsbedingte zeitliche Muster aufweist, die sich ohne Kenntnis der
internen Abläufe nur schwierig vorhersagen lassen [7, S. 14]. Abbildung 3.2 zeigt auch, dass
sich die meisten Artikel auf die Stromnachfrage konzentrieren. Insbesondere im Wohn- und
Gewerbesektor gibt es jedoch auch zahlreiche Artikel, in denen der Bedarf von Wärme und
Kälte modelliert wird. Dies lässt sich zum Teil dadurch erklären, dass es eine große Anzahl von
Artikeln gibt, in denen die Modellierung von Gebäudeenergieverbräuchen beschrieben wird.
Abbildung 3.2: Anzahl der Artikel nach Sektoren und Energieträger
Abbildung 3.3 zeigt die Häufgkeit der verwendeten Verfahren nach den fünf Kategorien
gemäß der Klassifzierung aus Abschnitt 2.1 sowie jeweils den Anteil der abgebildeten
Energieträger. Es zeigt sich, dass ML und statistische Verfahren in den meisten der untersuchten
Artikel verwendet werden. Diese Verfahren können mit relativ geringem Aufwand für die
Modellkonfguration und Datenaufbereitung auf eine Vielzahl von Fällen angewendet werden,
da hauptsächlich historische Lastdaten als Input benötigt werden, die durch eine begrenzte
Anzahl externer Parameter, wie Kalender- oder Wetterdaten, ergänzt werden können [38, 120,
121, 122]. Überdies dienen Regressionsverfahren mitunter als Benchmark für andere Ansätze
[123, 124, 125]. Stochastische Verfahren gehören zur Kategorie der Verfahren zur Abbildung
von Unsicherheit und werden z. B. bei der Simulation von Lastproflen mittels Gaußscher
Prozesse [126] oder Markov-Ketten [50, 127, 128] genutzt. Die Darstellung von Ergebnissen
unter Unsicherheit durch “Fuzziness” oder graue Ausdrücke wird häufg mit Verfahren
28
3.1 Systematische Literaturanalyse zu Modellierungsverfahren von Energieverbräuchen
wie statistischer Regression [129, 130] oder KNN [131, 132] kombiniert. Metaheuristische
Verfahren werden ebenfalls häufg als Teil von kombinierten Verfahren eingesetzt. Typische
Anwendungen sind die Optimierung von Modellparametern [28, 133] oder die Auswahl
von Merkmalen [33, 45]. Ein weiteres Beispiel ist die Anwendung genetischer Algorithmen,
um optimierte Modelle als Ergebnis eines evolutionären Prozesses zu erstellen, bei dem
eine Modellkonfguration über mehrere Generationen hinweg verfeinert wird [134, 135]. Bei
ingenieurwissenschaftlichen (Bottom-up-)Verfahren wird der Energieverbrauch eines Systems
aus den technischen Parametern abgeleitet [51, 136, 137]. Daher kann eine Simulation mit
einem ingenieurbasierten Modell eine große Menge an Daten und Aufwand erfordern [138].
Ingenieurwissenschaftliche Verfahren sind besonders bei der Modellierung des Heiz- und
Kühlbedarfs verbreitet, insbesondere im Rahmen von Gebäudesimulationen.
Abbildung 3.3: Häufgkeit der verwendeten Verfahren und jeweiliger Anteil der Energieträger
Ein weiterer Aspekt der untersuchten Artikel betrift die jeweiligen Datensätze, die als
Input für die Modelle dienen. Abbildung 3.4 zeigt die Verwendung verschiedener Typen
von Eingangsdaten in Verbindung mit den Verfahren (vgl. Tabelle 2.1 für einen Überblick
Kategorien von ENAG). Die historische Energienachfrage ist die am häufgsten verwendete
Eingangsgröße und kommt in 85% der Artikel zum Einsatz. Da zukünftige Verbräuche durch
Trendextrapolation und Mustererkennung aus historischen Verbrauchsdaten prognostiziert
werden können, wie z. B. im Falle von ARMA-Modellen, stellen sie für einige Modelle die
alleinigen Eingangsgrößen dar. Wetterdaten werden ebenfalls häufg verwendet, was darauf
zurückzuführen ist, dass die Betriebsphasen von Heiz-, Kühl- und Beleuchtungssystemen mit
Wetterphänomenen korrelieren. Kalenderinformationen kommen ebenfalls häufg zum Einsatz,
da der Energieverbrauch oft regelmäßige Tages-, Wochen- oder Jahresmuster aufweist. So
spiegeln beispielsweise die gemessenen Energieverbräuche eines Unternehmens die Arbeitszeiten
und den Betrieb technischer Anlagen wider. In ähnlicher Weise beschreiben Nutzungs- und
Verhaltensdaten den Zusammenhang zwischen Energieverbrauch und Nutzerverhalten, z. B.
durch einen Parameter, der angibt, ob ein technisches Gerät gerade in Betrieb ist. Regionale
29
3. Stand der Forschung
demografsche und wirtschaftliche Daten beschreiben Eigenschaften einer Region, die mit
dem Energieverbrauch auf aggregierter Ebene korreliert sind - vom Haushaltseinkommen bis
zur Wirtschaftsleistung einer Region. Insgesamt fällt auf, dass die Eingangsdaten zu etwa
gleichen Anteilen in allen Kategorien von Verfahren zum Einsatz kommen, mit Ausnahme der
ingenieurwissenschaftlichen Verfahren, bei denen technischen Daten eine besondere Bedeutung
zukommt. Durch sie werden die physikalischen Eigenschaften des modellierten Systems
beschrieben, auf deren Basis der Energieverbrauch des Systems bestimmt wird.
Abbildung 3.4: Anteile der verwendeten Eingangsgrößen je Kategorie von Verfahren
Abbildung 3.5 fasst die Ergebnisse für den Prognosehorizont sowie die zeitliche und regionale
Aufösung je Verfahrenskategorie zusammen. Es zeigt sich, dass ML-Verfahren häufger für
die Prognose kurzer Zeithorizonte verwendet werden, während ingenieurwissenschaftliche
Verfahren häufger für längere Zeiträume Anwendung fnden (Abbildung 3.5, links). Dies steht
im Einklang mit der Ansicht von Fleiter et al. (2011), wonach ingenieurwissenschaftliche
Energienachfragemodelle als Simulationsverfahren beschrieben werden, die für eine realistische
und zuverlässige Modellierung längerer Zeiträume geeignet sind [138]. Die Analyse der
Eingangsdaten in Verbindung mit dem Prognosehorizont ergab zudem, dass die Bedeutung von
Wetter- und Kalenderdaten für langfristige Vorhersagen abnimmt, während die Bedeutung von
demografschen, wirtschaftlichen und Preisdaten zunimmt. Die Analyse der zeitlichen Aufösung
(Abbildung 3.5, Mitte) zeigt eine allgemeine Tendenz zu stündlichen oder kürzeren Zeitschritten.
Eine stündliche Aufösung stellt dabei für die meisten Modelle einen Kompromiss zwischen
Detaillierungsgrad, Verfügbarkeit von Eingangsdaten und Datenmenge dar. Stromverbräuche
werden häufg auch in höherer Aufösung, z. B. viertelstündlich, modelliert, während die
stündliche Aufösung für Gasverbräuche bereits eine hohe Detaillierung darstellt. Der
Unterschied in der zeitlichen Aufösung für Strom und Gas spiegelt die Anforderungen an
den Systembetrieb und die jeweilige Messinfrastruktur [6]. Abbildung 3.5 zeigt auch, dass bei
Zeitschritten, die länger als ein Tag sind, ein Rückgang der ML-Ansätze zu verzeichnen ist,
während statistische Ansätze häufger verwendet werden. Die Untersuchung der regionalen
30
3.1 Systematische Literaturanalyse zu Modellierungsverfahren von Energieverbräuchen
Aufösung (Abbildung 3.5, rechts) zeigt eine allgemeine Tendenz hin zur Modellierung
des Energieverbrauchs auf der Ebene einzelner Haushalte und Gebäude sowie auf Ebene
subnationaler Regionen. Ingenieurwissenschaftliche Verfahren zeichnen sich durch eine klare
Tendenz zur Gebäude- und Geräteebene aus, was den hohen Detaillierungsgrad erklärt, der
für diese Verfahren charakteristisch ist. Im Gegensatz dazu werden statistische Verfahren
am häufgsten auf großen geografschen Skalen eingesetzt, was ihre traditionelle Rolle in
nationalen ökonometrischen Analysen widerspiegelt. Folglich sind die technischen System-
und Verhaltensdaten besonders wichtig für kleinere Maßstäbe, in denen demographische und
volkswirtschaftliche Daten fast nie verwendet werden.
Abbildung 3.5: Anteile verwendeter Verfahren bei unterschiedlichen zeitlichen und regionalen
Aufösungen
Bei der Modellierung von Energienachfrage wird eine hohe Vorhersagegenauigkeit angestrebt,
da diese maßgeblich für die Qualität von Entscheidungen ist, die auf Basis der Modellergebnisse
getrofen werden [139]. Nach Hong und Fan ist der MAPE aufgrund seiner einfachen
Berechnung das am häufgsten verwendete Fehlermaß in der Elektrizitätswirtschaft [3]. Der
Lewis-Benchmark [140] deutet darauf hin, dass ein MAPE-Wert von 10% oder weniger eine
hohe Vorhersagegenauigkeit anzeigt [141, 119]. In der untersuchten Literatur war der MAPE
das am häufgsten verwendete Fehlermaß und wurde in 217 von 419 Artikeln angegeben. Beim
direkten Vergleich zwischen den Kategorien der Verfahren ergab sich keine durchschnittlich
höhere Genauigkeit für eine der Kategorien (siehe Abbildung A.1 im Anhang). Abbildung 3.6
zeigt allerdings, dass die Betrachtung des MAPE in Verbindung mit der regionalen Aufösung
der Modelle eine Tendenz erkennen lässt. Ein höherer Detaillierungsgrad geht mit höheren
MAPE-Werten einher. Die Vorhersage der Verbräuche einzelner Geräte zeigt tendenziell eine
31
3. Stand der Forschung
geringere Genauigkeit bei höherer Varianz im Vergleich zur Modellierung von Verbräuchen
auf höherem regionalen Level. Die Gründe dafür sind einerseits, dass sich bei aggregierten
Lastgängen auf der Ebene von Staaten oder Versorgungsgebieten zufällige Lastschwankungen
ausgleichen und überdies eher saisonale Muster aufweisen als Lasten einzelner Verbraucher.
Da Verbräuche einzelner Geräte oder Anlagen vom Verhalten der Nutzer abhängen und ein
höheres Maß an Zufälligkeit aufweisen, ist ihre Vorhersagegenauigkeit geringer.
Abbildung 3.6: Boxplots der MAPE-Werte nach Grad der regionalen Aufösung
3.2 Szenarien des deutschen Energieverbrauchs
Die Erstellung von Prognosen und Szenarien über die zukünftige Entwicklung des Energiever-
brauchs ist integraler Bestandteil von Energiesystemanalysen, die im Kontext der Transformati-
on des Energiesystems durchgeführt werden. In diesem Abschnitt werden Verbrauchsszenarien
aus aktuellen Energiesystemstudien untersucht. Neben den Szenarienergebnissen werden dabei
auch die jeweils eingesetzten Modellierungsverfahren verglichen. Die aktuellen Klimaneutrali-
tätsstudien sind geprägt von den technologischen Trends Sektorenkopplung, Elektrifzierung,
Wasserstofeinsatz sowie Material- und Energieefzienz. Im Jahr 2021 wurden fünf Studien zu
Transformationspfaden auf dem Weg zur Klimaneutralität in Deutschland veröfentlicht, die
auch als “Big 5” Klimaneutralistätsszenarien gelten [142]: “Klimaneutrales Deutschland 2045”
von Agora Energiewende et al. (Agora 2021), “Klimapfade 2.0 – Ein Wirtschaftsprogramm
für Klima und Zukunft” im Auftrag des Bundesverbands der Deutschen Industrie (BDI
2021), die Leitstudie der Deutschen Energie-Agentur (dena) “Aufbruch Klimaneutralität”
(dena 2021), der Zwischenbericht zu den “Langfristszenarien für die Transformation des
Energiesystems in Deutschland (LFS) 3” im Auftrag des BMWK (LFS3 2021) sowie den
Modell- und Szenarienvergleich “Deutschland auf dem Weg zur Klimaneutralität 2045” aus
dem Kopernikus-Projekt “Ariadne” (Ariadne 2021).
Im Folgenden werden die “Big 5” Studien um vergleichbare Veröfentlichungen aus den
letzten Jahren ergänzt und die daraus ausgewählten Szenarien beschrieben. Anschließend
32
3.2 Szenarien des deutschen Energieverbrauchs
werden die genutzten Verfahren für die Modellierung der Energieverbräuche vorgestellt und
bezüglich der betrachteten Energieträger, Verbrauchergruppen und Anwendungstechnologien
sowie ihres regionalen und zeitlichen Detailgrads charakterisiert. Abschließend erfolgt die
Gegenüberstellung der Ergebnisse der verschiedenen Studien im Hinblick auf die zukünftigen
Strom-, Erdgas- und Wasserstofverbräuche in den Verbrauchssektoren.
3.2.1 Vorstellung der Studien und Beschreibung der Verfahrensweisen
In diesem Abschnitt werden die ausgewählten Energiesystemstudien vorgestellt und die darin
verwendeten Verfahren zur Modellierung zukünftiger Energieverbräuche im Industrie- und
GHD-Sektor analysiert. Dabei werden sowohl die verwendeten Eingangsdaten untersucht als
auch der Detailgrad der Modellierungen hinsichtlich der regionalen und zeitlichen Aufösung
sowie der abgebildeten Energieträger, Verbrauchergruppen, Anwendungen und des zeitlichen
Horizonts der Szenarien beschrieben. Eine Übersicht der Untersuchungsergebnisse ist in Tabelle
3.3 am Ende dieses Abschnitts gegeben. Das im Rahmen dieser Arbeit entwickelte Verfahren ist
ebenfalls in der Tabelle enthalten und wird den Studien anhand der Merkmale gegenübergestellt.
Eine Übersicht der zwölf ausgewählten Studien und Szenarien ist Tabelle 3.2 zu entnehmen.
Es handelt sich zunächst um die im Szenarienvergleich des Kopernikus Projekts Ariadne
aufgeführten “Big 5” Studien aus 2021 [77]. Zum Vergleich dazu wurde eine unabhängige
Studie aus 2020 hinzugefügt, die vom Fraunhofer ISE in Freiburg erstellt wurde und die
im November 2021 nach Beschluss des Klimaschutzgesetzes aktualisiert wurde (ISE 2021).
Überdies wurde die Liste der Studien um die für den Energieinfrastrukturausbau besonders
bedeutsamen Netzentwicklungspläne Strom (NEP Strom 2021 und NEP Strom 2023) und
Gas (NEP Gas 2022) ergänzt. Überdies wurde die Vorgängerstudie zu den Langfristszenarien
(LFS2 2017) aufgenommen. Zusätzlich wurden zwei repräsentative ältere Studien ausgewählt,
die Vorläuferversionen zu den aktuellen Studien darstellen: Die Energiereferenzprognose von
2014 (ERP 2014) und das Klimaschutzszenario 2050 (KS 2015).
In den Energiesystemstudien kommen unterschiedliche Modelle zum Einsatz. Der grund-
sätzliche Modellierungsansatz ähnelt sich jedoch. Es handelt sich um den ingenieurwissenschaft-
lichen Bottom-up-Ansatz, bei dem das Verhalten eines Systems auf Basis einer detaillierten
Abbildung der einzelnen technologischen Elemente und deren Wechselwirkungen beschrieben
wird (Siehe Abschnitt 2.1.5). Bottom-up-Modelle zeichnen sich durch technologische und
sektorale Tiefe aus, was mit einem hohen Datenbedarf einher geht. Häufg handelt es sich
dabei um Simulationsmodelle. Daraus folgt, dass die Energieverbräuche in der Regel nicht
das Ergebnis einer Kostenoptimierung sind, sondern Investitionsentscheidungen, wie z. B.
Sanierungsmaßnahmen, direkt in den Transformationspfaden vorgegeben werden [143, S. 17].
Um diesen Nachteil auszugleichen, werden die Verfahren in einigen Fällen durch sektorspezifsche
Optimierungsmodelle ergänzt, z. B. zur Ermittlung des Zeitpunkts von Investitionen in moderne
Anlagen und einem damit verbundenen Energieträgerwechsel.
In der Studie Agora 2021 [144] wurden im Auftrag der Agora Energiewende, Agora
Verkehrswende und der Stiftung Klimaneutralität Maßnahmen untersucht, um das Ziel der
Klimaneutralität Deutschland bis 2045 zu erreichen. Das Szenario “Klimaneutrales Deutschland
2045” (KNDE2045) berücksichtigt die Treibhausgasemissionen sämtlicher Sektoren. Die Sekto-
ren Verkehr, Landwirtschaft, Abfall und Landnutzung wurden vom Öko-Institut bearbeitet, der
33
3. Stand der Forschung
Tabelle 3.2: Übersicht ausgewählter Entwicklungsszenarien des Energieverbrauchs aus Energiesy-
stemstudien, Abk. FH: Fraunhofer
Kürzel
Titel der Studie Bearbeitet durch im Auftrag Szenario
Prognos, Öko-
Institut, Wuppertal-
Institut
BCG
EWI, FIW, ITG, Uni
Bremen, Stiftung
Umweltenergierecht,
Wuppertal-Institut
Consentec, FH-ISI,
TU Berlin, ifeu
FH-ISI, Consentec
GmbH, ifeu
PIK, MCC, PSI,
RWI, Hereon,
IER, FH-ISI/ISE/
IEG/IEE, DLR-
VF/VE/FK
FH ISE Freiburg
ÜNB
ÜNB
FNB Gas, Prognos
AG
FH-ISI, Öko-Institut
Prognos AG, EWI,
GWS
Stiftung Kli-
maneutralität,
Agora Energie-/
Verkehrswende
BDI
dena
BMWK
BMWK
Kopernikus-
Projekte BMBF
-
BNetzA
BNetzA
BNetzA
BMUV
BMWK
KNDE2045
Zielpfad
KN100
TN-Strom
Basis-
szenario
Technologie-
Mix
Referenz100
Szenario B
Szenario B
dena-
TM95/FNB
KS95
Zielszenario
2050
Agora
Klimaneutrales Deutsch-
2021 land 2045
BDI Klimapfade 2.0 – Ein
2021
Wirtschaftsprogramm
für Klima und Zukunft
dena
Aufbruch Klimaneutrali-
2021 tät
LFS3 Langfristszenarien für
2021
die Transformation
des Energiesystems in
Deutschland 3
LFS2 Langfristszenarien für
2017
die Transformation
des Energiesystems in
Deutschland 2
Ariadne
Deutschland auf dem
2021
Weg zur Klimaneutrali-
tät 2045
ISE Wege zu einem klima-
2021
neutralen Energiesystem
2045
NEP Netzentwicklungsplan
Strom Strom 2021 -
2021
Genehmigter
Szenariorahmen
NEP Netzentwicklungsplan
Strom Strom 2023 -
2023
Genehmigter
Szenariorahmen
NEP Netzentwicklungsplan
Gas
Gas 2022-2032
2022
KS Klimaschutzszenario
2015 2050
ERP Entwicklung der Ener-
2014
giemärkte – Energierefe-
renzprognose
Industriesektor vom Wuppertal Institut, der Gebäudesektor und die Energiewirtschaft von der
Prognos AG. Die beteiligten Institute brachten dabei jeweils ihre sektorspezifsche Modelle zum
Einsatz. Die Ergebnisse wurden überwiegend auf Bundesebene (NUTS-0) in jährlicher Aufösung
präsentiert. Für Detailanalysen, wie z. B. potenzieller Standorte für Wasserstofproduktion
34
3.2 Szenarien des deutschen Energieverbrauchs
oder Nachfragefexibilität, wurde eine höhere regionale und zeitliche Aufösung gewählt. Die
Rahmendaten für die Abschätzung des Energieverbrauchs umfassen die Entwicklung der
Bevölkerung, der Haushalte und Erwerbstätigen, des BIP sowie der BWS. Überdies gehen
die Heiz- und Kühlgradtage sowie die Energie- und
CO2
-Preise zukünftiger Jahre in die
Berechnung ein [144, S. 25]. Im Industriesektor wurden die emissionsintensiven Branchen Stahl,
Grundstofchemie, Zement, Kalk, Nichteisenmetalle, Glas, Gießereien sowie Papier und Pappe
auf Ebene einzelner Prozesse untersucht. Dafür wurden unterschiedliche Annahmen über die
Entwicklung der Produktionsmengen unter Berücksichtigung globaler Trends getrofen und
Investitionszeitpunkte in neue Anlagen durch ein Optimierungsmodell bestimmt [144, S. 40-41].
Im Gebäudesektor wurde vorwiegend die Anwendung Raumwärme betrachtet. Flächen für
Wohngebäude sind an die Bevölkerungsentwicklung geknüpft, während die Flächen für Nicht-
wohngebäude von der Zahl der Erwerbstätigen sowie branchenspezifschen Flächenbedarfen
je Erwerbstätigen abgeleitet wurden [144, S. 57]. Unter Berücksichtigung von Kosten und
Treibhausgas-Minderungspotenzialen wurden modellendogen Sanierungsmaßnahmen bestimmt
und Heizungsanlagen im Gebäudebestand ausgetauscht. Der Stromverbrauch von IKT in
Haushalten und Gewerbebetrieben wurde ebenfalls betrachtet, ebenso wie die Verbräuche und
Emissionen aus Verkehr, Landwirtschaft, Abfallsektor sowie geänderter Flächennutzung.
In der Studie BDI 2021 [145] wurden im Auftrag des BDI von der Boston Consulting Group
(BCG) in verschiedenen Szenarien volkswirtschaftlich optimierte
CO2
-Reduktionspfade für alle
Sektoren erarbeitet, in denen die Klimaziele im Jahr 2030 erreicht und die Weichen in Richtung
Treibhausgasneutralität im Jahr 2045 gestellt werden. Das Zielpfadszenario beschreibt einen
aus heutiger Sicht kostenefzienten Zielpfad auf Basis einer vorrangig nationalen Perspektive.
Die Studie BDI 2021 ist die Folgestudie zu “Klimapfade für Deutschland” von 2018 [146], in
der Transformationspfade im Hinblick auf das Emissionsreduktionsziel von 80% und 95%
entwickelt wurden. In der hier untersuchten Folgestudie BDI 2021 wurde eine Analyse
technischer Klimaschutzmaßnahmen durchgeführt und eine Bewertung der zur Umsetzung
nötigen Investitionen und Kosten erstellt. Anschließend wurde die Regulierungslücke für
das Jahr 2030 herausgearbeitet [145, S. 4]. Dafür wurden die Verbrauchssektoren Industrie,
Gebäude und Verkehr abgebildet und die Ergebnisse in einem Bottom-up-Prozess mithilfe
von Experteninterviews mit Industriepartnern erarbeitet und validiert [145, S. 5]. Während
die Kosten in der Vorgängerstudie aus volkswirtschaftlicher Perspektive modelliert worden
waren, wurde in BDI 2021 eine betriebswirtschaftliche Perspektive eingenommen. Dabei
wurden annuisierte Investitionen sowie Energieträger- und Betriebskosten inklusive Steuern,
Abgaben und Umlagen berücksichtigt. Die angesetzten Realzinssätze belaufen sich auf 7,5%
für die Industrie und 2% für GHD und private Haushalte. Die Studienergebnisse wurden auf
Bundesebene (NUTS-0) in jährlicher Aufösung angegeben. Industrie- und Verkehrssektor
wurden im Hinblick auf die unterschiedlichen Verbrauchergruppen, wie WZ und Verkehrsträger,
detaillierter untersucht als der GHD- und Haushaltssektor, die beide im Gebäudesektor
zusammengefasst wurden. Dabei wurde nach Wohn- und Nichtwohngebäuden sowie Geräten
und Prozessen unterschieden.
In der Leitstudie dena 2021 [147] wurde im Auftrag der dena ein Pfad zur Klimaneutralität in
Deutschland und Europa entworfen (KN100). Das KN100-Szenario beschreibt eine konsistente
Transformation der Endverbrauchssektoren und des Energiesystems. Für die Endverbrauchs-
35
3. Stand der Forschung
sektoren Industrie, Verkehr und Gebäude wurden jeweils separate Transformationspfade
basierend auf Bottom-up-Modellen des Energiewirtschaftlichen Instituts an der Universität
zu Köln (EWI), des Instituts für technische Gebäudeausrüstung Dresden (ITG) und des
Forschungsinstituts für Wärmeschutz e.V. München (FIW) entwickelt [143, S. 6]. Die
resultierenden sektoralen Energiebedarfe in jährlicher und stündlicher Aufösung wurden
anschließend in die Energiesystemmodellierung des EWI eingespeist und die kostenminimale
Bereitstellung ermittelt. Abschließend erfolgte eine Regionalisierung der Ergebnisse zur
Ermittlung der Auswirkungen einer veränderten Erzeugungs- und Verbrauchsstruktur auf das
Stromnnetz. Die Transformationspfade waren das Ergebnis von Simulationsmodellen ohne Ko-
stenoptimierung, denen Annahmen zu politischen und gesellschaftlichen Rahmenbedingungen
zugrunde lagen [143, S. 16, 17]. Für die Modellierung der Verbrauchssektoren gingen BIP-
Wachstum, Bevölkerungsentwicklung, Personen- und Güterverkehrsleistung, Brennstofpreise
und Wechselkurse als Rahmendaten ein. Im Industriesektor wurden Prozessumstellungen,
Energieträgersubstitutionen und Energieefzienzsteigerungen modelliert und die energiein-
tensiven Branchen Chemie, Stahl, Glas, Nichteisenmetalle, Papier und Steine und Erden
gesondert betrachtet [143, S. 47]. Gleichzeitig wurden Entwicklungen der Produktionsmengen
und Recyclingquoten berücksichtigt. Wichtigste Faktoren des Energiebedarfs im Gebäudesektor
waren die Sanierungsrate und die Entwicklung der Beheizungsstruktur mit steigender
Durchdringung von Wärmepumpen, Biomasseheizungen und Fernwärmeanschlüssen [143, S. 72].
Zudem wurde davon ausgegangen, dass bis 2045 ein Großteil der Gasverteilnetze auf Wasserstof
umgestellt sein werden, so dass ca. 13% des Endenergieverbrauchs im Gebäudesektor durch
Wasserstof gedeckt wird [143, S. 74]. Der GHD-Sektor wurde als Teil des Gebäudesektors
modelliert, wobei in Bezug auf die Verbräuche für die Anwendungen Prozesswärme, -kälte und
Mechanische Energie der technische Entwicklungspfad der Industrie hinterlegt wurde [143, S.
75].
In der Studie LFS3 2021 [148], die im Auftrag des BMWK vom Fraunhofer ISI, Consentec,
des Fachgebiets Energie- und Ressourcenmanagement der TU Berlin und dem Institut für
Energie- und Umweltforschung Heidelberg (ifeu) erstellt wurde, wurden unterschiedliche
Transformationspfade des gesamten Energiesystems untersucht. Dabei kam ein Modellverbund
von spezialisierten Sektormodellen für Gebäude, Industrie, Verkehr, GHD sowie für das
Energieangebot zum Einsatz. Die Ergebnisse wurden anschließend nach NUTS-3 Regionen und
stündlichen Zeitschritten aufgelöst und zur Bestimmung der optimierten Energiebereitstellung
an das Modell Enertile des Fraunhofer ISI übergeben. Anschließend erfolgte die Bewertung
der Transportkapazitäten der Strom- und Gasnetze, was einen hohen Detaillierungsgrad der
eingesetzten Modelle erforderte [148, S. 3]. Das Szenario “Treibhausgasneutralität-Strom”
(TN-Strom) setzt auf einen starken Einsatz von Strom in den Nachfragesektoren und stellt
das Referenzszenario in der Studie dar. Die Treibhausgasneutralität wird erst in 2050 erreicht,
da dieses Szenario vor der Novelle des Bundes-Klimaschutzgesetzes modelliert wurde. Die
Modellierung des Industriesektors wurde mithilfe des Bottom-up-Energienachfragemodells
FORECAST Industry des Fraunhofer ISI durchgeführt, durch welches die Technologiestruktur
der Industrie abgebildet und Energieverbrauch, Emissionen und Kosten auf Prozessebene
berechnet werden können [149, S. 23]. Dabei wurde eine Treibhausgasminderung von
95% bis 2050 erreicht, was aufgrund der negativen Emissionen in anderen Sektoren mit
36
3.2 Szenarien des deutschen Energieverbrauchs
der Treibhausgasneutralität bis 2050 kompatibel ist [149, S. 13]. Für die Modellierung
wurden Nachfragetreiber wie Wertschöpfung, Bevölkerung, Energiepreise, Temperaturen,
technische Parameter der Industrieprozesse wie Efzienz- und Energieträgerwechselpoten-
ziale, Recyclingquoten, Lebensdauer der Anlagen sowie staatliche Förderinstrumente und
Investitions- und Betriebskosten herangezogen [149, S. 24]. Die Energieverbräuche wurden
anschließend anhand eines Parameterdatensatzes berechnet, welcher für die 14 abgebildeten
Subsektoren und deren prozessspezifsche Technologien festgelegt wurde und durch Literatur
und Expertenschätzungen validiert wurde. Investitionsentscheidungen wurden in begrenztem
Rahmen modellendogen getrofen, z. B. beim Wechsel des Energieträgers bei Industrieöfen.
Die Regionalisierung des Energieverbrauchs erfolgte anhand von Produktionsmengen und
Beschäftigten [149, S. 25]. Die Modellierung des Gebäudesektors wurde mit dem Bottom-up-
Modell GEMOD des ifeu realisiert [150]. Der Gebäudebestand umfasste die Wohngebäude
und Nichtwohngebäude. Sanierungszeitpunkte und Investitionsentscheidungen im Hinblick
auf Heiztechnologien wurden von diesem Modell endogen auf Basis des Gebäudealters, der
Nutzungsdauern, der Wärmebedarfe sowie Wärmegestehungskosten in Abhängigkeit der
Wirkungsgrade und Anlagenverluste des jeweiligen Gebäudes bestimmt. Die Rahmendaten der
Modellierung umfassten die Entwicklung der Wohnfächen und Nutzfächen sowie die Neubau-
und Abgangsraten [150, S. 8]. Die nicht-gebäudebezogenen Energieverbräuche wurden mit den
Modell FORECAST-Tertiary im GHD-Sektor und FORECAST Residential im Haushaltssektor
berechnet. Haupttreiber des Geräteverbrauchs im GHD-Sektor sind dabei die Entwicklung
der Anzahl der Beschäftigten sowie die Nutzfäche in den acht abgebildeten Branchen.
Die Verbräuche wurden anhand einzelner Anwendungen abgebildet, denen Efzienz- und
Elektrifzierungspotenziale zugeordnet sind [151, S. 6-8]. Analog erfolgte im Haushaltssektor die
Berechnung von Verbräuchen nach Gerätekategorien gemäß der jahresspezifschen Gerätezahl,
den spezifschen Verbräuchen sowie Lebensdauer der Geräte [151, S. 14-15]. Die Arbeiten an
der LFS3-Studie laufen zum Zeitpunkt der Erstellung dieser Arbeit noch; ein Endbericht liegt
noch nicht vor.
Die Studie LFS2 2017 [152] ist der Vorgänger der LFS3 2021. Im Rahmen der LFS2-
Studie wurden kostenminimale Entwicklungspfade des gesamten Energiesystems erarbeitet,
einschließlich der Stromnetze und der Verbrauchssektoren Strom, Wärme/Kälte, Verkehr.
Der Fokus lag allerdings auf dem Stromsystem, weshalb im Gegensatz zur LFS3-Studie
die Gastransportinfrastruktur nicht detailliert betrachtet wurde. Die Szenarien wurden auf
Basis von dynamischen Energiesystem- und Netzmodellen entwickelt, mit deren Hilfe eine
techno-ökonomische Optimierung des Energiesystems erfolgte. Das “Basisszenario” enthält eine
kostenminimale Lösung der Ziele der Energiewende (Stand 2017: -80% Treibhausgas-Emissionen
im Vergleich zu 1990), wobei zentrale, bereits getrofene Beschlüsse zur Technologiewahl
berücksichtigt wurden. Auch in der Studie LFS2 2017 wurden Energieverbräuche für die
einzelnen Verbrauchssektoren mit Modellen des Fraunhofer ISI berechnet. Für die Ermittlung
des regionalen Verbrauchs im Industriesektor wurde auf das Modell FORECAST-Industry
zurückgegrifen. Für den GHD-Sektor kam das Modell FORECAST-Tertiary zum Einsatz,
das nach acht Subsektoren und acht Anwendungen unterscheidet [153, S. 18]. Für die
Prognose des zukünftigen Energiebedarfs wurden Trends zur wirtschaftlichen Entwicklung
der Regionen sowie Annahmen zu technologiespezifschen Einsparoptionen berücksichtigt.
37
3. Stand der Forschung
Der Bedarf für Raumwärme wurde sektorübergreifend unter Anwendung des Modells
INVERT/EE-Lab realisiert. Datengrundlage bildeten Studien zum Wohngebäude- [154]
und Nichtwohngebäudebestand [155] in Kombination mit techno-ökonomischen Daten für
unterschiedliche Heiztechnologien [153, S. 20]. Für die zukünftige Entwicklung der Verbräuche
wurde eine Sanierungsrate auf Basis des Gebäudealters abgeleitet [153, S. 21]. Die Ergebnisse
der Bedarfsrechnungen fossen in das Optimierungsmodell Enertile ein, welches das deutsche
Energiesystem abbildet und die Kosten der Erzeugung, Übertragung und Speicherung über
einen langen Zeitraum für Europa minimiert. Dafür wurden die jährlichen Summen aus den
Bedarfsrechnungen über typische Lastprofle in stündlich aufgelöste Lastgänge überführt,
wofür das Modell eLOAD zum Einsatz kam [153, S. 40]. Im Modell Enertile ist die regionale
Aufösung durch sechs Regionen in Deutschland defniert [153, S. 36].
Die Studie Ariadne 2021 [156] wurde im Rahmen des gleichnamigen Kopernikus Projekts
erstellt. Darin wurden sechs Gesamtsystem- und Sektormodelle unterschiedlicher Institute zur
Exploration möglicher Transformationsfade zur Klimaneutralität 2045 mit unterschiedlichen
technologischen Schwerpunkten kombiniert. Das Kernszenario “Technologie-Mix” erlaubt
die Nutzung eines gemischten Energieträgerportfolios aus Wasserstof, Elektrifzierung und
synthetischen Kraftstofen. Aus dem Ensemble der System- und Sektormodelle wurden für
spezifsche Forschungsfragen Leitmodelle bestimmt [156, S. 23]. Für die Modellierung des
Energieverbrauchs im Industriesektor fungiert das Bottom-up-Modell FORECAST-Industry des
Fraunhofer ISI als Leitmodell, welches Aktivitätsgrößen wie die Wirtschaftsleistung je Branche,
Energie- und
CO2
-Preise, Annahmen zu Instrumenten, Strukturdaten wie Energie- und
Treibhausgasbilanzen sowie techno-ökonomische Daten der abgebildeten Technologien nutzt, um
Energieverbräuche, Emissionen und Kosten auf Prozessebene zu berechnen [156, S. 321]. Für die
Parametrisierung wurden statistische Daten, Literaturstudien und Expertenschätzungen heran-
gezogen. Der industrielle Sektor wurde in einzelne Subsektoren unterteilt, welchen spezifsche
Industrieprozesse zugeordnet wurden. Querschnittstechnologiebereiche wie Elektromotoren,
Industrieöfen, Raumwärme und Dampferzeugung wurden separat modelliert. In der Studie
Ariadne 2021 wurden zudem die Branchen Stahlerzeugung, Zementherstellung, chemische
Industrie sowie Glasherstellung mit spezifschen Annahmen im Hinblick auf Technologiewechsel
belegt. Eine explizite Modellierung des GHD-Sektors erfolgte nicht. Die Raumwärmebedarfe im
GHD-Sektor wurden allerdings über die Modellierung des gesamten Gebäudebestands, inklusive
Nichtwohngebäude, durch das Modell ReMOD des Fraunhofer ISE abgedeckt [156, S. 91]. Durch
das Modell ReMOD wurde ein kostenoptimaler Transformationspfad bestimmt, bei dem eine
jährlich vorgegebene Obergrenze erlaubter
CO2
-Emissionen über die Sektoren Gebäudewärme,
Stromanwendungen, industrielle Prozesswärme und Verkehr hinweg nicht überschritten wird
[156, S. 305]. Die Raumwärme-Nachfrage wurde dabei in stündlicher Aufösung nach DIN EN
13790 berechnet, wobei der Gebäudebestand durch Typgebäude abgebildet wurde und über
unterschiedliche Wärmeversorgungsoptionen aus Kombinationen von Heizungssystemen und
Vorlauftemperaturen optimiert wurde [156, S. 306].
Die Studie ISE 2021 vom Fraunhofer ISE wurde erstmals 2020 veröfentlicht [157] und im
November 2021 nach der Novelle des Klimaschutzgesetzes aktualisiert [158]. In der aktualisierten
Fassung wird Klimaneutralität bis zum Jahr 2045 erreicht. In der Studie wurden kostenminimale
Transformationspfade des Energiesystems für ein treibhausgasneutrales Deutschland im
38
3.2 Szenarien des deutschen Energieverbrauchs
Jahr 2045 mittels des Optimierungsmodells REMod untersucht. Das ausgewählte Szenario
“Referenz100” stellt ein Vergleichsszenario dar, für das weder besonders starke Einschränkungen
gelten, wie z. B. ein gehemmter Ausbau von Windenergie, noch begünstigende Annahmen
getrofen wurden, wie z. B. ein starker Rückgang der Energienachfrage. Um alle Erzeuger,
Umwandler, Speicher und Verbraucher adäquat abzubilden, erfolgte die Simulation in stündli-
cher Aufösung bis zum Jahr 2045. Die Endenergienachfrage wurde nach den vier Kategorien
Stromanwendungen, Gebäudewärme (Raumwärme, Warmwasser), Verkehr und industrielle
Prozesswärme unterteilt. Für den Stromverbrauch wurden die Anwendungen Beleuchtung,
IKT, Kältetechnik und Mechanische Energie betrachtet und stündliche Verbrauchsprofle auf
Basis der Daten von ENTSO-E erstellt [157, S. 15]. Die Nachfrage im Gebäudesektor wurde
mit dem sogenannten vereinfachten Stundenverfahren nach DIN EN 13790 berechnet und
nach Wohn- und Nichtwohngebäuden unterschieden [157, S. 14]. Energie zur Bereitstellung
von Prozesswärme in der Industrie wurde nach Temperaturniveaus unterteilt. Für den
Temperaturbereich unter 500°C wurde das Profl des Stromverbrauchs angenommen, während
für Anwendungen mit Temperaturen jenseits von 500°C ein konstante Nachfrage unterstellt
wurde [157, S. 16].
Die vier deutschen Übertragungsnetzbetreiber sind verpfichtet, alle zwei Jahre einen
gemeinsamen Nationalen Netzentwicklungsplan (NEP) vorzulegen. Der NEP Strom 2021 hat
den Betrachtungszeitraum bis 2035 und enthält Maßnahmen zur bedarfsgerechten Optimierung,
Verstärkung und zum Ausbau des Netzes [159]. Im Szenariorahmen des NEP [160] werden
drei Szenarien für das Jahr 2035 und ein Langfristszenario für das Jahr 2040 betrachtet.
Das ausgewählte “Szenario B” beschreibt eine Transformation des Stromsektors, in der
die Sektorenkopplung und das stromnetzorientierte Einsatzverhalten von Erzeugern und
Verbrauchern eine relevante Rolle spielen. Der Stromsektor trägt im Szenariopfad B signifkant
zur Dekarbonisierung der anderen Sektoren bei. Dies zeigt sich anhand einer erhöhten
Durchdringung mit Elektroautos, Wärmepumpen und Power-to-Gas-Anlagen. Die Modellierung
der Stromverbräuche erfolgte durch eine Top-down-Regionalisierung anhand sozioökonomischer
Indikatoren sowie einer Plausibilisierung zugrundeliegender Annahmen durch Expertinnen und
Experten [159, S.22]. Basierend auf öfentlichen Statistiken historischer Stromnachfrage auf
Bundes- bzw- Bundeslandebene erfolgte zunächst eine Projektion auf Landkreise unter Einbezug
regionaler Strukturparameter [160, S. 33]. Anhand der Entwicklungen von Verbrauchstreibern
wie Bevölkerung, Erwerbstätigen, BWS und Anzahl der Haushalte und Betriebe wurden
Szenarien für die zukünftige Stromnachfrage je Landkreis entwickelt und anhand regional
aufgelöster Stromverbrauchsprofle zeitlich verteilt [160, S. 34, 35]. Zur Ermittlung der
zukünftigen Verbräuche im GHD- und Industriesektor wurde das historische Nachfrageniveau
unter Berücksichtigung einer jährlichen Efzienzsteigerung von 0,5% sowie einem Mehrbedarf
durch Digitalisierung und neue Verbraucher unter 10 MW Anschlussleistung fortgeschrieben
[160, S. 36, 38]. Neue Großverbraucher jenseits von 10 MW Anschlussleistung, wie z. B.
Rechenzentren oder industrielle Anlagen, wurden durch eine Abfrage bei den VNB ermittelt
und in den Szenarien mit unterschiedlichen Realisierungswahrscheinlichkeiten berücksichtigt
[160, S. 42].
Der Netzentwicklungsplan für das Jahr 2037 (NEP Strom 2023) ist zum Zeitpunkt der
Erstellung dieser Arbeit noch nicht abschließend veröfentlicht. Allerdings ist der Entwurf
39
3. Stand der Forschung
des Szenariorahmens bereits einsehbar [161]. Das ausgewählte “Szenario B” beschreibt eine
Transformation des Energiesystems, in der Strom weit über die heutigen Anwendungsgebiete
hinaus zum Einsatz kommt und so beispielsweise auch im Schwerlastverkehr und in industriellen
Wärmeprozessen eine zentrale Rolle spielt. Überdies sieht das Szenario eine hohe inländische
Wasserstofproduktion vor. Die Prognose der Stromverbräuche bezog sich auf die Jahre 2037 bzw.
2045. Analog zum NEP Strom 2021 basierte die Verbrauchsprognose auf einer Modellierung,
dem Austausch mit Expertinnen und Experten sowie externen Gutachten, z. B. durch die
FfE zu Lastmanagementpotenzialen in der Industrie [161, S. 14]. Im Unterschied zum NEP
Strom 2021 unterlagen die modellierten Transformationspfade den strengeren Klimazielen
gemäß der Novelle des Klimaschutzgesetzes von Juni 2021, in der Treibhausgasneutralität bis
2045 festgeschrieben wurde [161, S. 17]. Die Annahmen zur Entwicklung der Nachfrageseite
bezogen sich im Wesentlichen auf die Energiesystemstudien Agora 2021 und die LFS3 2021 [161,
S.30]. Überdies wurde bei den VNB eine Abfrage nach neuen Großverbrauchern durchgeführt
[161, S.31]. Die Regionalisierung des Verbrauchs auf Landkreise erfolgte unter Nutzung
regionaler gewichteter Kennzahlen, wie z. B. Bevölkerung, BWS, Anzahl und Struktur der
Haushalte sowie Wohngebäude- und Wohnungsbestand [161, S.33]. Im Industriesektor wurden
insbesondere jene WZ standortscharf betrachtet, in denen grundlegende Veränderungen durch
Prozessumstellungen und Energieträgerwechsel zu erwarten sind, wie z. B. die Grundstofchemie
oder die Metallerzeugung [161, S.37]. Im GHD-Sektor wurde der Anstieg des Stromverbrauchs
im Bereich IKT und Raumwärme durch den zusätzlichen Verbrauch von Rechenzentren und
Wärmepumpen abgebildet [161, S.40].
Analog zum NEP Strom, sind die deutschen FNB verpfichtet, alle zwei Jahre einen
Netzentwicklungsplan Gas (NEP Gas) vorzulegen. Im abgestimmten Szenariorahmen für den
Zeitraum 2022 bis 2032 stellen die FNB Szenarien mit unterschiedlichen Entwicklungspfaden bis
zum Jahr 2050 vor, welche das politische Ziel einer klimaneutralen Energiewende berücksichtigen
[162]. Das ausgewählte Szenario “dena-TM95/FNB” basiert auf einem Technologiemixszenario
welches in der dena Studie “Integrierte Energiewende” von 2018 [163] vorgestellt wurde. In
diesem Szenario wird eine Treibhausgasminderung von 95% bis zum Jahr 2050 erreicht. Das
Szenario wurde von den FNB angepasst, um der zunehmenden Bedeutung von Wasserstof
gerecht zu werden, die sich aus der nationalen Wasserstofstrategie der Bundesregierung
ergibt. Der Szenariorahmen zum NEP Gas 2022 legt die Grundlage für die Modellierung
der Lastfüsse in den Fernleitungsnetzen und für die Ermittlung von Netzausbaumaßnahmen
[162, S. 11]. Die für die Netzplanung maßgebliche Bestimmung des zukünftigen Gasbedarfs
basierte zum einen auf einer Marktabfrage zukünftiger Kapazitätsbedarfe bei VNB und
Industriekunden sowie auf den angepassten Ergebnissen des Technologiemixszenarios aus
der dena-Leitstudie “Integrierte Energiewende” [163] von 2018 [162, S. 14]. Um der aus
Sicht der FNB erhöhten Bedeutung von Wasserstof gerecht zu werden, wurde das Szenario
dena-TM95 [163] angepasst und eine Verschiebung von Methan in Richtung Wasserstof
vorgenommen. Dies wurde durch einen verstärkten Wasserstofeinsatz in der Industrie, z.
B. bei der Stahlerzeugung, und im Verkehrsbereich durch die Substitution von Kraftstofen
begründet [162, S. 49]. Die Ergebnisse der Gasbedarfsermittlung wurden anschließend auf
Landkreisebene anhand von Datenbeständen der Prognos AG regionalisiert [162, S. 54]. Für
die bedarfsgerechte Netzauslegung wurden letztlich unterschiedliche Modellierungsvarianten
40
3.2 Szenarien des deutschen Energieverbrauchs
defniert, für die allerdings nur die Bedarfsmeldungen aus der Marktabfrage eingingen [162,
S. 47]. Das langfristige Technologiemixszenario war dementsprechend kein Bestandteil des
verbindlichen NEP Gas, fand aber grundsätzlich Berücksichtigung [162, S. 14, 92]. Für die
Defnition der Modellierungsvarianten zur Netzauslegung waren entsprechend ausschließlich die
Fortschreibungen der internen Bestellungen der VNB des Jahres 2022, die Bestandskapazitäten
der Industriebedarfe (Annahme eines konstanten Kapazitätsbedarfs bis 2032) sowie der NEP-
Gas-Datenbankzyklus “2022 - SR” maßgeblich [162, S. 92, 93]. Für die Modellierung einer
Wasserstofvariante wurden die aus der Marktabfrage gemeldeten Wasserstofbedarfe der
VNB für das Jahr 2032 betrachtet sowie Projekte einbezogen, welche an das Fernleitungsnetz
angeschlossen werden sollen [162, S. 93]. Die zeitliche Aufösung der langfristigen Gasbedarfe
war durch Jahresmengen defniert [162, S. 50]. Für die Netzmodellierung wurde hingegen mit
Kapazitätsbedarfen gerechnet [162, S. 24, 89].
In der Studie KS 2015 wurden 2015 im Auftrag des BMUV vom Öko-Institut und
Fraunhofer ISI Szenarien für energetische und nicht-energetische Treibhausgasemissionen
entwickelt [164]. Aus heutiger Sicht ist dabei vor allen Dingen jenes Szenario “KS95”
relevant, welches eine Reduktion der Treibhausgasemissionen von 95% gegenüber 1990
erreicht. Grundlage der Szenarienentwicklung waren die Zielvorgaben des Energiekonzepts
2010/2011 der Bundesregierung. Für die Abbildung der Verbrauchssektoren Gebäude, Industrie,
GHD und Haushaltsgeräte sowie Verkehr wurde auf die Modelllandschaft des Fraunhofer
ISI zurückgegrifen [164, S. 34]. Die Ergebnisse wurden als Jahreswerte auf Bundesebene
angegeben. Im Gebäudesektor wurde der Wärmebedarf mit dem Modell INVERT/EE-Lab
bestimmt, welches die eingesetzten Technologien detailliert darstellt und Veränderungen im
Gebäudebestand sowie Investitionen im Zeitverlauf abbildet. Für die Sektoren Industrie,
GHD und Haushalte kam der Modellverbund FORECAST zum Einsatz. Je Sektor wurden
spezifsche Aktivitätsgrößen identifziert, die einen möglichst direkten Zusammenhang mit
dem Energieverbrauch aufweisen. Im Industriesektor wurde beispielsweise auf die Produktion
und Wertschöpfung und im GHD-Sektor auf die Anzahl der Beschäftigten abgestellt. Für
die Projektion des Verbrauchs wurden technologie- und anwendungsspezifsche Trends wie
Efzienzsteigerungen bei Geräten und Industrieprozessen berücksichtigt. Im industriellen
Sektor erfolgte eine Unterteilung nach 14 Branchen mit jeweils individuellen Prozessstrukturen.
Im GHD-Sektor wurden acht Branchen und 13 Anwendungen betrachtet [164, S. 40 f.].
In der Studie ERP 2014 wurde im Auftrag des BMWK von der Prognos AG, dem EWI
und der Gesellschaft für wirtschaftliche Strukturforschung (GWS) eine Prognose über die
wahrscheinliche Entwicklung der Energiemärkte bis 2030 erstellt [165]. Die Referenzprognose
wurde durch Szenarien ergänzt, die mögliche Entwicklungen bis 2050 aufzeigen. Im ausgewählten
“Zielszenario” wurden Maßnahmen unterstellt, um die im Energiekonzept 2010/2011 der
Bundesregierung festgehaltenen Ziele zu erreichen, z. B. 80% erneuerbare Energien beim
Bruttostromverbrauch. Die für das Zielszenario notwendigen Weichenstellungen wurden
gegenüber einem Trendszenario als deutliche Veränderungen der gesellschaftlichen und
technischen Rahmenbedingungen beschrieben. Der Energieverbrauch wurde nach Sektoren,
Energieträgern und Anwendungen unterschieden, regional und zeitlich jedoch aggregiert
betrachtet [165]. Die Studie legte eine Referenzprognose für das Jahr 2030 und zwei
Szenarien für das Jahr 2050 vor. Als Grundlage der Betrachtungen diente ein aus mehreren
41
3. Stand der Forschung
Modellen bestehender Verbund. Zum einen wurden internationale Wirtschaftsprognosen
mithilfe makroökonomischer Input-Output-Modelle, wie z. B. dem Prognos-Makromodell
„VIEW“ [165, S. 58], erstellt. Dazu gehörte auch die Prognose der Bevölkerungsentwicklung
sowie der Branchenstrukturen auf Ebene der Bundesländer. Die Modellierung des End-
energieverbrauchs erfolgte für die Sektoren der privaten Haushalte, GHD, Industrie und
Verkehr nach Energieträgern und Verwendungszwecken durch verschiedene Bottom-up-Modelle.
Auf Basis geeigneter Leitvariablen, wurde jeweils der sektorale Endenergieverbrauch nach
Energieträgern und Verwendungszwecken abgebildet und fortgeschrieben [165, S. 535]. Überdies
wurden sektorspezifsche Energieefzienzfortschritte sowie die technologische Entwicklung und
damit verbundene Verfügbarkeit neuer Technologien zur Substitution fossiler Energieträger
berücksichtigt [165, S. 449 f., S. 463 f.]. Die Umwandlungssektoren für Elektrizität und
Wärme wurden durch das europäische Strommarktmodell DIMENSION abgebildet. Die
Outputs aus den Bottom-up-Modellen und dem Strommarktmodell wurden für die Bestimmung
gesamtwirtschaftlicher Efekte in dem energie- und umweltökonomischen Modell PANTA RHEI
zusammengeführt [165, S. 534-537].
In Tabelle 3.3 sind die Charakteristika der Bottom-up-Modellierungen des Energiever-
brauchs in den untersuchten Studien zusammengetragen. Schwerpunkt der Analyse ist dabei
der jeweilige Detaillierungsgrad im Hinblick auf die regionale und zeitliche Aufösung der
Modellierung sowie die abgebildeten Energieträger, Verbrauchergruppen, Anwendungen und
den zeitlichen Horizont. Es zeigt sich, dass die meisten Studien einen der Natur von Bottom-
up-Modellen entsprechenden hohen Grad der Detaillierung aufweisen. Allerdings lässt sich
bei genauerer Betrachtung die Gruppe von Studien zu den Netzentwicklungsplänen (NEP
Strom 2021, NEP Strom 2023, NEP Gas 2022) von den übrigen Studien abgrenzen, da
hier die Betrachtung der Netzinfrastruktur eine höhere regionale und zeitliche Aufösung
erforderlich macht. Gleichzeitig wird sich im Rahmen der NEP jeweils nur auf den für die
Infrastruktur maßgeblichen Energieträger Strom bzw. Gas und Wasserstof konzentriert und
keine Diferenzierung der Verbrauchergruppen unterhalb der sektoralen Ebene vorgenommen.
Die sektoralen Verbrauchsmodellierungen wurden allerdings sowohl im NEP Strom als auch
NEP Gas durch Abfragen bei VNB und Industriekunden zu zukünftigen standortscharfen
Anschlussleistungen ergänzt. Zudem wurde besonders auf jene Anwendungen fokussiert,
durch die zukünftig zusätzliche Verbräuche erwartbar sind, wie z. B. Elektromobilität oder
Rechenzentren. Demgegenüber steht die Gruppe der Energiesystemstudien, die ein breiteres
Spektrum an Energieträgern, Verbrauchergruppen und Anwendungen abdecken. Dies ist
dadurch zu begründen, dass in ihnen klimafreundliche Transformationspfade entwickelt wurden,
die das gesamte Energiesystem inklusive der Substitutionsefekte zwischen Energieträgern
abbilden. Eine stündliche Aufösung der Energieverbräuche erfolgt in den meisten Studien,
um Kraftwerkseinsätze zu modellieren. Eine hohe regionale Aufösung wird hingegen in den
meisten Energiesystemstudien nicht vorgenommen. Ausnahmen sind die Studie LFS3 2021,
in der das gesamte Energiesystem, inklusive Netzinfrastruktur auf der Strom- und Gasseite,
mit einem hohen Detailgrad modelliert wird, sowie die Studie dena 2021, in der allerdings nur
Auswirkungen auf das Stromnetz modelliert wurden.
Die vorliegende Arbeit gliedert sich in die bestehenden Studien ein und liefert auf regionaler
und zeitlicher Ebene einen ähnlich hohen Detailgrad, wie die Infrastrukturstudien zum NEP
42
3.2 Szenarien des deutschen Energieverbrauchs
Strom und NEP Gas. Gleichzeitig bietet sie eine mit den Energiesystemstudien vergleichbare
Detaillierung bei den übrigen Kriterien und bildet als einzige Studie alle 88 WZ nach der
Klassifzierung der WZ [70] ab. Diese Arbeit vereint damit die sektorale und technologische
Tiefe der Energiesystemstudien mit der hohen regionalen und zeitlichen Aufösung der
Infrastrukturmodellierungen und ist am ehesten mit dem Grad der Detaillierung in der
Studie LFS3 vergleichbar. Allerdings wird in der vorliegenden Arbeit auf die Verbräuche der
Energieträger Strom, Wasserstof und Erdgas in den Sektoren Industrie und GHD fokussiert.
43
3. Stand der Forschung
44
Tabelle 3.3: Vergleich des Detailgrads der Bottom-up-Modellierung zukünftiger Energieverbräuche in Energiesystemstudien mit der vorliegenden Arbeit
Studie
Regionale Zeitliche
Energieträger Verbrauchergruppe Anwendung
Zeitlicher
Aufösung Aufösung Horizont
Agora 2021
NUTS-0, H2
stündlich
Bio, EG, FW, H2, HÖ, K, MÜ, S,
EW, FN, G, GHD, I, LW,
AT*, DAC, IPT*, LWP*, ME, NE, PW, PtG, RW,
2045
Standorte Solth, UW PHH, V WW
BDI 2021 NUTS-0 jährlich
Bio, EG, FW, GG, H2, K, KS, MÜ, EW, G (EZFH, MFH, GHD),
AT*, Bel, IKT, HTW (>500°C), HT*, IPT*, PK,
2050
MÖP, S, UW I (14 WZ), V (nach VT)
ME, MTW (<= 500°C), NTW(<130°C), PW, RW,
WW
dena 2021
NUTS-0, stündlich,
Bio, EG, FW, H2 (Blau/Grün), K,
EW, FN, G, I (7 WZ), LW,
AT*, HT*, IPT* 2050
Strom-
jährlich KS, MÖP, S, SET V (PersV, GütV)
Netzknoten
LFS3 2021 NUTS-3 stündlich
Bio, FET, FW, H2, HÖ, KS, S, G (WG, NWG), HG, GHD
A, Bel, D, IKT, IPT*, Ko, ME, NE, PK, PW, RK,
2050
SET, SynCH4, UW
(8 WZ), I (14 WZ), V (nach
RW, RZ, StrBel, Wa, WeWa, WW
VT)
LFS2 2017
6 Enertile-
stündlich
Bio, EG, FW, K, MÜ, S, Solth, W
GHD(8 WZ), I (14 WZ),
A, Bel, Ko, IKT, PK, PW (nach °C), RK, RW, RZ,
2050
Regionen PHH, V (nach VT) Wa
Ariadne
NUTS-0 jährlich
Bio, EG, FW, Geoth, H2, HÖ, K,
G, I (6WZ), V (nach VT)
AT*, Bel, CCS, HT*, ME, NE, PK, PtH, PW, RK
2045
2021 KS, S, SET, Solth, SynCH4, UW
ISE 2021 NUTS-0 stündlich Bio, Br, EG, H2, K, S, W G, I, V
AT*, Bel, HT*, ME, PtG, PtH, PtL PW (nach °C)
2045
NEP S 2021 NUTS-3 stündlich S GHD, I, PHH, U, V Elektromobilität, PtH (WP, Heizkessel) PtG 2040
NEP S 2023 NUTS-3 stündlich S GHD, I, PHH, U, V AT*, DAC, Gerätebestand, PtG, RZ, WP 2045
NEP Gas
NUTS-3
ausgewählte
CH4 (biogen, synthetisch), H2 GHD, I, PHH, U, V Energetisch, Nichtenergetisch 2050
2022 Lastfälle
KS 2015 NUTS-0 jährlich EE, EG, FW, HÖ, K, MÜ, S
GHD (8 WZ), I (14 WZ), AT*, A, Bel, IKT, Ko, PK, PW, RK, RW, RZ,
2050
PHH, V (nach VT) WeWa
ERP 2014 NUTS-0 jährlich
Bio, EG, FW, Geoth, K, MÖP,
GHD, I, PHH, V Bel, IKT, ME, PK, PW, RW, WW 2050
MÜ, S, Solth
Vorliegende
NUTS-3
viertelstündlich
EG, H2, S
I, GHD, insgesamt 88 WZ
Bel, IKT, ISP, ME, NE, PtG, PW (NTW <100°C,
2045
Arbeit (nach WZ08)
D 100°C-200°C, HD 200°C-500°C, HTW >500°C),
RK, RW
Aufzüge, AT: Antriebstechnologien, Bel: Beleuchtung, Bio: Biomasse, Br: Brennstofe, CH4: Methan, D: Dampf, DAC: Direct Air Capture, EE: Erneuerbare Energien, EG: Erdgas, EW:A:
Energiewirtschaft, E/ZFH: Ein-/Zweifamilienhäuser, FET: Fossile Energieträger, FN: Flächennutzung, FW: Fernwärme, G: Gebäude, GHD: Gewerbe, Handel und Dienstleistungen, GG:
Grüne Gase, Geoth: Geothermie, H2: Wasserstof, HD: Heißdampf, HG: Haushaltsgeräte, HÖ: Heizöl, HT: Heiztechnologien, HTW: Hochtemperaturwärme, I: Industrie, IKT: Informations- und
Kommunikationstechnologie, IPT: Industriespezifsche Prozesstechnologien, ISP: Industrielle Stromproduktion, K: Kohle, Ko: Kochen, KS: Kraftstofe, LW: Landwirtschaft, LWP: Landwirtschaftliche
Prozesse, MÖP: Mineralölprodukte, ME: Mechanische Energie, MFH: Mehrfamilienhäuser, MÜ: Müll, MTW: Mitteltemperaturwärme, NE: Nichtenergetischer Einsatz (von Erdgas/Wasserstof ),
NTW: Niedrigtemperaturwärme, NWG: Nichtwohngebäude, PHH: Private Haushalte, PK: Prozesskälte, PtG: Power-to-Gas, PtH: Power-to-Heat, PtL: Power-to-Liquids, PW: Prozesswärme,
RK: Raumkühlung, RW: Raumwärme, RZ: Rechenzentren, S: Strom, SET: Sektorspezifsche Energieträger, Solth: Solarthermie, StrBel: Straßenbeleuchtung, SynCH4: Synthetisches Methan, U:
Umwandlungssektor, UW: Umweltwärme, V: Verkehr, VT: Verkehrsträger, W: Wärme, Wa: Waschen, WeWa: Weiße Ware, WG: Wohngebäude, WP: Wärmepumpen, WW: Warmwasser, WZ:
Wirtschaftszweige, *: unterschiedliche verbrauchergruppenspezifsche Technologien (z.B. Lichtbogenofen als industriespezfsche Prozesstechnologie)
3.2 Szenarien des deutschen Energieverbrauchs
3.2.2 Vergleich der Szenarienergebnisse
In diesem Abschnitt werden die Ergebnisse der ausgewählten Szenarien aus den Energiesy-
stemstudien zum Strom-, Gas- und Wasserstofverbrauch für die Sektoren GHD und Industrie
zusammengetragen und gegenübergestellt. Dafür wurden die Modellierungsergebnisse des
jeweiligen Szenarios aus jeder Studie für den Zeitraum zwischen 2025 und 2050 visualisiert.
Aus einigen Studien konnten allerdings bestimmte Angaben nicht entnommen werden. So
wurde beispielsweise der zukünftige sektorale Stromverbrauch im NEP Gas 2022 nicht
explizit angegeben. Überdies werden in den Studien häufg weder der nichtenergetische
Erdgasverbrauch noch der Verbrauch im Umwandlungssektor (Mineralölverarbeitung und
Kraftwerke) ausgewiesen. Aus diesem Grund sind der nichtenergetische Erdgasverbrauch sowie
der Verbrauch des Umwandlungssektors in den folgenden Abbildungen nicht enthalten. Als
gemeinsamer Ausgangspunkt aller Studien wird der tatsächliche Endenergieverbrauch des
Jahres 2018 für die Energieträger Strom und Erdgas aus der “Energiedaten: Gesamtausgabe”
vom BMWK angesetzt [68], der sich mit den Angaben aus den Anwendungstabellen der AGEB
deckt [166].
Abbildung 3.7 enthält eine Übersicht der Studienergebnisse zum industriellen Strom-
und Erdgasverbrauch. Bezüglich der Stromseite (Abbildung 3.7, links) fällt auf, dass die
älteren Studien ERP 2014, KS 2015 sowie LFS2 2017 von sinkenden Verbräuchen bis zum
Jahr 2050 ausgehen. Dies ist darauf zurückzuführen, dass für diese Szenarien nicht von
einer Treibhausgasneutralität ausgegangen wird, weshalb ein höherer Anteil an Brennstofen
im System verbleibt. Gleichzeitig wird eine ambitionierte Entwicklung der Energieefzienz
entlang der technologischen Leitlinien des Energiekonzepts der Bundesregierung von 2010/2011
vorausgesetzt. In den meisten Studien wird von einem steigenden Stromverbrauch auf ca. 300
bis 400 TWh im industriellen Sektor ausgegangen, was maßgeblich auf die Elektrifzierung der
Prozesswärme, inklusive strombasierte Dampfproduktion sowie Hochtemperaturwärmepumpen,
zurückzuführen ist. Überdies werden die Efzienzpotenziale der Querschnittstechnologien
gehoben, was in einigen Studien, wie Agora 2021 [144, S. 16] und LFS3 2021 [148, S. 10], bis 2030
zu einem zunächst konstanten bzw. leicht sinkenden Stromverbrauch führt. Aufällig ist zudem
die Abweichung zwischen dem NEP Strom 2021 und NEP Strom 2023. Dies lässt sich dadurch
erklären, dass zum Zeitpunkt der Erstellung des Szenariorahmens für den NEP 2021 noch nicht
von einem treibhausgasneutralen System bis 2045 ausgegangen wurde. Maßgeblich waren die
Klimaschutzziele 2030 vom Oktober 2019, die eine Treibhausgasneutralität des Kraftwerksparks
bis 2050 vorsahen [160, S. 14]. In der Studie ISE 2021 ergibt sich ein vergleichsweise
hoher industrieller Stromverbrauch, da ein besonders hohes Elektrifzierungspotenzial der
Hochtemperaturanwendungen gesehen wird: Im Jahr 2045 wird hier ca. 70% des industriellen
Prozesswärmebedarfs durch Stromanwendungen gedeckt [158, S. 18]. Ähnlich wird in der
Studie LFS3 2021 verfahren. Im darin vorgestellten Szenario “TN-Strom” wird in 2050 67% der
industriellen Prozesswärme durch Strom bereitgestellt [149, S. 58]. Im Gegensatz dazu wird in
der Studie Ariadne 2021 der Prozesswärmebedarf nur zu etwa 45% durch Stromanwendungen
gedeckt [156, S. 131]. Eine entsprechende Aussage lässt sich aus den Unterlagen zu den
Studien Agora 2021 und dena 2021 nicht entnehmen. Es kann allerdings mindestens von
einem ausgeglichenen Verhältnis zwischen Brennstof- und Stromeinsatz zur industriellen
Prozesswärmebereitstellung ausgegangen werden, da in beiden Studien Biomasse und
CO2
-
45
3. Stand der Forschung
Abscheidungs bzw. Kompensationsmaßnahmen zum Einsatz kommen [144, S. 44] [143, S. 60].
In der Studie BDI 2021 ist der industrielle Stromverbrauch, inklusive des Verbrauchs für die
Elektrolyse, angegeben [145, S. 18], weshalb er im Vergleich recht hoch liegt.
Abbildung 3.7: Szenarien zur Entwicklung des industriellen Strom- und Erdgasverbrauchs in
Energiesystemstudien, ohne nichtenergetischen Verbrauch
Bezüglich des Erdgasverbrauchs im Industriesektors (Abbildung 3.7, rechts) sehen die
meisten Szenarien im Sinne der Treibhausgasneutralität einen Rückgang bis auf Null TWh in
2045 bzw. 2050 vor. Wo auf Brennstofe nicht verzichtet werden kann, wird in diesen Szenarien
häufg von einem erhöhten Wasserstofbedarf ausgegangen. Dies gilt insbesondere auch für
den nichtenergetischen Erdgasverbrauch. Die Studien LFS2 2017 und ERP 2014 weisen auch
für 2050 einen Erdgasverbrauch aus, da die Modellierungen keine Treibhausgasneutralität
vorsehen und demnach fossile Brennstofe auch zukünftig genutzt werden. Im NEP Gas 2022
wird auch von einem hohen Gasanteil im System ausgegangen, wobei es sich dabei überwiegend
um klimaneutrales Methan handelt, welches zu großen Teilen auf importiertem Wasserstof
basiert [162, S. 47-48]. Auch die Studie dena 2021 geht von einem Restanteil methanbasierter
Gase im System aus, wobei im Jahr 2045 etwa die Hälfte davon biogenen Ursprungs ist. Der
in Abbildung 3.7 gezeigte Verbrauch der dena-Studie bezieht sich auf fossiles Methan, für das
eine Kompensation der entstehenden Emissionen gegenüber dem Einsatz von synthetischem
Methan vorgezogen wird [147, S. 60].
Abbildung 3.8 zeigt den prognostizierten industriellen grünen Wasserstofverbrauch in den
betrachteten Energiesystemstudien. Aktuell werden im Industriesektor jährlich bereits ca. 55-60
TWh fossiler Wasserstof verbraucht, der aus der Reformation von Erdgas gewonnen wird und
vorwiegend in Rafnerien und für die Ammoniakproduktion eingesetzt wird [86]. Die Angaben in
Abbildung 3.8 enthalten für alle Studien auch den nichtenergetischen Wasserstofverbrauch, mit
Ausnahme von ISE 2021, in der für den stofichen Wasserstofbedarf eine breite Abschätzung
46
3.2 Szenarien des deutschen Energieverbrauchs
Abbildung 3.8: Szenarien zur Entwicklung des industriellen Verbrauchs von grünem Wasserstof
in Energiesystemstudien, inklusive nichtenergetischem Verbrauch
von zusätzlich 35 TWh bis 300 TWh angeführt wird [158, S. 26]. Über alle Studien hinweg
betrachtet ergibt sich für das Jahr 2045 ein Verbrauch zwischen 75 TWh und 190 TWh an
grünem Wasserstof, der vorwiegend in den Branchen Eisen- und Stahlerzeugung sowie der
chemischen Industrie anfällt. Die Schwankungsbreite ergibt sich aus den zugrundeliegenden
Annahmen in den jeweiligen Studien, wie z. B. dem Einsatz von Wasserstof in weiteren
Industriezweigen oder dem verstärkten Einsatz alternativer Energieträger, wie beispielsweise
Biomasse. In der Studie Agora 2021 unterliegt die Wasserstofnachfrage sowohl einer
abnehmenden nichtenergetischen Verwendung aufgrund sinkender Ammoniakproduktion als
auch einem steigendem Bedarf für die Dampfbereitstellung. Ab 2040 wird feste Biomasse
der Energieträger mit dem größten Beitrag für die Prozesswärmebereitstellung, wodurch der
energetische Wasserstofbedarf sinkt [144, S. 50]. In der Studie BDI 2021 wird in 2045 Biomasse
zur Deckung von 20% des industriellen Prozesswärmebedarfs eingesetzt [145, S. 83] und
auch in der Studie ISE 2021 kommt neben dem hohen Elektrifzierungsgrad der industriellen
Prozesswärmebereitstellung auch Biomasse zum Einsatz [158, S. 18]. Im NEP Gas 2022 wird
Wasserstof hingegen eine höhere Bedeutung in der energetischen Verwendung zugeschrieben,
während die Einspeisung von Biomethan eine untergeordnete Rolle spielt [162, S. 63]. In der
Studie dena 2021 wird Wasserstof zudem in der Zement- und Kalkindustrie (11 TWh in 2045)
sowie der sonstigen Industrie (14 TWh in 2045) verwendet. Überdies ergibt sich allein aus
der nichtenergetischen Nutzung in der Chemie- und Stahlindustrie ein Verbrauch von 102
TWh im Jahr 2045 [147, S. 61]. In der Studie Ariadne 2021 kommen unterschiedliche Modelle
zur Ermittlung des Wasserstofbedarfs zum Einsatz. In Abbildung 3.8 ist das Ergebnis des
Technologiemix-Szenarios aus dem Leitmodell FORECAST des Fraunhofer ISI dargestellt. Im
Jahr 2045 werden hier sowohl in der Chemie-, Metall, Glas- als auch Zement- und Kalkindustrie
Bedarfe für die Verwendung von Wasserstof gesehen, wobei sich die Bedarfe von etwa 215 TWh
zu etwa gleichen Teilen auf die stofiche und energetische Nutzung aufteilen [156, S. 131]. In den
47
3. Stand der Forschung
beiden NEP Strom steht der zusätzliche Strombedarf für die inländische Wasserstoferzeugung
sowie die zu installierende Elektrolyseursleistung im Fokus. Der Wasserstofbedarf wird für
alle Sektoren insgesamt angegeben und orientiert sich im Fall des NEP Strom 2023 an den
Studien Agora 2021 und LFS3 2021. Für das Jahr 2045 wird ein Gesamtbedarf über alle
Sektoren zwischen 240 TWh und 450 TWh angesetzt [161, S. 48]. In den älteren Studien
LFS2 2017, KS 2015 und ERP 2014 wurde Wasserstof noch nicht als relevanter zukünftiger
Energieträger angesehen. Dies ist darauf zurückzuführen, dass die Modellierungen nicht von
treibhausgasneutralen Energiesystemen ausgingen und somit fossile Brennstofe für die schwer
zu elektrifzierenden Industrieanwendungen im System verbleiben. Auch im Falle des KS 2015
mit 95%-iger Treibhausgasreduktion kommt die Wasserstofelektrolyse wegen der hohen Kosten
nicht zum Einsatz. Stattdessen wird “Carbon Capture and Storage” in Kombination mit
fossilen Energieträgern verwendet und die Wasserstoferzeugung vor allem in der Rolle fexibler
Stromverbraucher und Energiespeicher gesehen [164, S. 263, 327].
Abbildung 3.9 zeigt die Szenarienergebnisse aus den Energiesystemstudien für den GHD-
Sektor. Auf der Stromseite wird in den meisten Studien ein sinkender Verbrauch prognostiziert:
Von 150 TWh in 2018 auf Werte zwischen 105 TWh und 135 TWh in 2045. Die Studien
weisen dabei einen stärkeren Rückgang bis etwa 2030 und einen schwächeren Rückgang
bis leichten Zuwachs in den Jahren danach aus. Dies ist auf die Annahme einer zügigen
Hebung hoher Efzienzpotenziale bei den Querschnittstechnologien zurückzuführen, wie z.
B. durch den Einsatz energiesparender Beleuchtung (Agora 2021 [144, S. 16], LFS3 [151, S.
8 f.], KS2015 [164, S. 191]). Zudem wird davon ausgegangen, dass die Geschwindigkeit der
Efzienzfortschritte mit der Zeit abnimmt, da die einfacher zu hebenden Potenziale zuerst
realisiert werden. Demgegenüber steht ein Mehrverbrauch durch die Elektrifzierung des
Raumwärmebedarfs durch den Einsatz von Wärmepumpen. Da Wärmepumpen einen hohen
Wirkungsgrad aufweisen, wird ihr Mehrverbrauch durch die Efzienzfortschritte, z. B. durch
die fortschreitende Sanierung des Gebäudebestands, in den meisten Studien überkompensiert.
Im Gegensatz dazu gehen die Studien dena 21 sowie der Szenariorahmen des NEP 2023
von steigenden Stromverbräuchen im GHD-Sektor aus. Dies ist im Falle der dena-Studie auf
etwas geringer eingeschätzte Efzienzpotenziale sowie höhere Verbräuche bei der elektrischen
Wärmebereitstellung im Niedrig- bis Mitteltemperaturbereich zurückzuführen [143, S. 75].
Im Falle des NEP 2023 wird zudem auf einen stark ansteigenden Strombedarf durch neue
Rechenzentren abgestellt. Dieser wird für das Jahr 2045 auf 50 TWh geschätzt, während
der Verbrauch aus dem Gerätebestand konstant bleibt [161, S. 32]. Auf der Erdgasseite
gehen die Studien im Sinne der gebotenen Klimaneutralität und der Elektrifzierung der
Wärmeversorgung von einem Rückgang des Verbrauchs aus. Allerdings werden nur in den
Studien KS 2015, ERP 2014 und LFS3 2021 explizite Angaben zum Erdgasverbrauch im
GHD-Sektor getätigt. In den übrigen Studien wurde der Gebäudesektor untersucht, der die
Verbräuche des GHD- und Haushaltssektors gemeinsam abdeckt. Um den Erdgasverbrauch des
GHD-Sektors zu bestimmen, wurden die Anteile der Gebäudefächen der Nichtwohngebäude
am gesamten Gebäudebestand aus den Studien herangezogen [144, S. 58] [145, S. 138] [147,
S. 108] [152, S. 113]. Dieser Anteil betrug durchschnittlich etwa 25% und wurde angesetzt,
um den Anteil des GHD-Sektors am Erdgasverbrauch im Gebäudesektor in den Studien
Ariadne 2021 und ISE 2021 zu schätzen. Im NEP Gas 2022 wurde für zukünftige Jahre nur der
48
3.3 Zwischenfazit
zusammengefasste zukünftige Methanverbrauch des GHD- und Haushaltssektors angegeben,
welcher anhand des GHD-Anteils im Jahr 2020 (28%) aufgeteilt wurde [162, S. 50]. Fast
alle Studien weisen eine Reduktion des Erdgasverbrauchs bis auf wenige TWh spätestens
bis zum Jahr 2050 aus. Lediglich in den Studien ERP 2014 und LFS2 2017, in denen kein
treibhausgasneutrales System modelliert wurde, bleiben erhebliche Erdgasmengen erhalten
[165, S. 281] [62, S. 126]. Im Falle des NEP Gas 2022 wird zudem von einer hohen Nutzung
synthetischen Methans ausgegangen, dessen Herstellung in erheblichem Maße durch den Import
von Wasserstof ermöglicht wird [162, S. 47 f.].
Abbildung 3.9: Szenarien zur Entwicklung des Strom- und Erdgasverbrauchs im GHD-Sektor in
Energiesystemstudien
3.3 Zwischenfazit
Aus der systematischen Literaturanalyse in Abschnitt 3.1 ging hervor, dass die Modellierung
des Energieverbrauchs ein Forschungsgebiet mit einer steigenden hohen Anzahl jährlicher
Veröfentlichungen ist. Die meisten in internationalen Fachzeitschriften publizierten Artikel
konzentrieren sich auf den Stromverbrauch, was plausibel ist, da es sich im Vergleich um
den wertvollsten Energieträger handelt und aufgrund der Anforderungen an den Betrieb der
Netzinfrastruktur und des Einsatzes intelligenter Zähler große Mengen an Daten verfügbar
sind [6] [3]. Studien mit Schwerpunkt auf Gebäuden stellen ebenfalls einen bedeutenden
Anteil der analysierten Artikel dar und sind im Zusammenhang mit der Modellierung des
Wärme- und Kältebedarfs im Wohn- und Gewerbesektor besonders relevant. Im Vergleich dazu
ist der Industriesektor in der Stichprobe der internationalen Artikel unterrepräsentiert. In
Anbetracht der intensiven Bemühungen um Efzienzziele und Nachfragesteuerungspotenziale
besteht allerdings ein großes Interesse an der Modellierung des Industriesektors [138]. Die
49
3. Stand der Forschung
geringe Anzahl der Artikel mit Fokus auf die Industrie zeigt jedoch, dass es an öfentlich
zugänglichen Daten mangeln könnte oder dass die Veröfentlichung dieser Art von Forschung
Geheimhaltungsvereinbarungen unterliegt, da Energieverbräuche von Unternehmen als sensible
Daten betrachtet werden, weil sie implizit Informationen über die Produktionstätigkeit und
Efzienz enthalten [6]. Grundsätzlich stehen für die Modellierung der Energienachfrage eine
große Zahl an Verfahren zur Verfügung. ML-Verfahren werden am häufgsten verwendet und
hauptsächlich für kurzfristige Stromprognosen auf regionaler Ebene eingesetzt. Statistische
Verfahren sind etabliert, vielseitig einsetzbar und dienen oft als Benchmark. Verfahren zur
Modellierung stochastischer, fuzzy und grauer Systeme werden verwendet, um unterschied-
liche Facetten von Unsicherheit in Energienachfragemodellen abzudecken. Metaheuristische
Verfahren werden hauptsächlich als Teil kombinierter Modelle verwendet, z. B. um den
Lösungsraum zu verkleinern und Modellparameter zu optimieren. Ingenieurwissenschaftliche
Verfahren leiten den Energiebedarf aus einer Bottom-up-Darstellung eines Systems ab. Im
Vergleich zu den übrigen Verfahren werden häufger technische Daten zur Beschreibung der
physikalischen Eigenschaften der Systeme und den Wechselwirkungen ihrer Komponenten
herangezogen. Dieser Detaillierungsgrad stellt einen grundlegenden Unterschied zu anderen
Ansätzen dar. Durch die resultierende Fülle an Daten ist ihre Erstellung deshalb in der
Regel mit höherem Aufwand verbunden. Einmal erstellt haben diese Modelle jedoch das
Potenzial, verschiedene Szenarien über einen langen Zeithorizont vorherzusagen, was sie im
Kontext der Systemplanung besonders relevant macht. Darüber hinaus ist die Vorhersage
auf der Grundlage historischer Verbrauchsdaten, wie sie von ML- und TSA-Verfahren
vorgenommen wird, nicht in der Lage, strukturelle Brüche abzubilden, wie etwa die Folgen
politischer Interventionen, technologischer Entwicklungssprünge oder einer Pandemie. Die in
den nationalen Energiesystemstudien aus Abschnitt 3.2 verwendeten Modelle fallen demgemäß
in die Kategorie der ingenieurwissenschaftlichen Verfahren.
Die Untersuchung der Energiesystemstudien in Abschnitt 3.2 hat gezeigt, dass für
den Industriesektor von steigenden Strom- und Wasserstofverbräuchen ausgegangen wird,
während für den GHD-Sektor eher mit sinkenden Stromverbräuchen gerechnet wird, obwohl
einige Studien vor dem Hintergrund des Zubaus von Rechenzentren auch hier steigenden
Strombedarf sehen. Für den Erdgasverbrauch wird in beiden Sektoren über fast alle Studien
hinweg von einer vollständigen Substitution durch
CO2
-neutrale Energieträger bis zum
Jahr 2045 ausgegangen. Haupttreiber dieser Entwicklungen sind die Elektrifzierung der
Wärmeanwendungen, der nichtenergetische Einsatz von grünem Wasserstof und seine Nutzung
für Hochtemperaturanwendungen (z. B. in der Stahlherstellung), sowie die Efzienzpotenziale
in den Querschnittsanwendungen. Für die Erstellung der Verbrauchsszenarien kommen
sektorspezifsche Bottom-up-Modelle zum Einsatz, die jeweils eigens für die Abbildung
von Haushalts-, Industrie-, GHD- und Verkehrssektor entwickelt wurden. Mitunter wird
darüber hinaus nach Subsektoren unterteilt, allerdings erfolgt in den betrachten Studien keine
vollständige Aufteilung des Industrie- und GHD-Sektors nach WZ gemäß ihrer Klassifkation
[70]. Hingegen wird in fast allen Studien zwischen unterschiedlichen Nutzenergieanwen-
dungen diferenziert. Für nationale Energieprognosen und Klimaschutzszenarien wird der
Energieverbrauch in der Regel nicht in regionaler Aufösung modelliert. Sofern in den
Studien allerdings Energieinfrastrukturen betrachtet und ihre Transportkapazitäten bewertet
50
3.3 Zwischenfazit
werden, ist eine hohe regionale Aufösung des Energieverbrauchs notwendig. In fast allen
Studien werden Energieverbräuche mittels stündlich aufgelöster Lastprofle angeben. Dies ist
insbesondere dann der Fall, wenn außentemperaturabhängige Wärmeanwendungen oder auch
der Kraftwerkseinsatz zur Stromproduktion modelliert werden. Der zeitliche Horizont der
Szenarien erstreckt sich bei allen Studien mindestens bis zum Jahr 2045.
Die Aufarbeitung des Stands der Forschung auf Basis von Fachartikeln sowie nationalen
Studien ergab, dass für szenarienbasierte langfristige Energieverbrauchsprognosen ingenieurwis-
senschaftliche Bottom-up-Modelle zum Einsatz kommen. Aus diesem Grund wird auch in der
vorliegenden Arbeit ein ingenieurwissenschaftlicher Ansatz gewählt. Die Analyse der Datenlage
zum Energieverbrauch in Abschnitt 2.7 ergab zudem, dass zwar Energieverbrauchsdaten
auf sektoraler und regionaler Ebene öfentlich zugänglich sind, jedoch als Jahreswerte
angegeben werden. Datensätze mit unterjähriger zeitlicher Aufösung stehen wiederum nur
ohne Detaillierung im Hinblick auf die Verbrauchergruppen zur Verfügung. Folglich werden
für die Erstellung von Zukunftsszenarien häufg mehrere Modelle gekoppelt, mit denen aus
öfentlichen und nicht-öfentlichen Daten hochaufgelöste Datensätze zum historischen und
zukünftigen Energieverbrauch erstellt werden. Die Ergebnisse dieser Modellverbünde werden
allerdings von den erstellenden Instituten nicht vollständig veröfentlicht. Diese Lücke wird
durch die vorliegende Arbeit geschlossen. Das entwickelte Verfahren kombiniert die sektorale
und technologische Detaillierung der Energiesystemstudien mit der hohen regionalen und
zeitlichen Aufösung der Studien in denen Energieinfrastruktur modelliert wird. Zudem werden
das in Python implementierte Modellierungsverfahren sowie die aufbereiteten Eingangsdaten
für die Erzeugung regional und zeitlich hochaufgelöster zukünftiger Energieverbräuche auf
GitHub [167] veröfentlicht.
51
4
Modellierung hochaufgelöster Strom-,
Erdgas-, und Wasserstofverbräuche
In den vorangegangen Kapiteln wurde die in dieser Arbeit adressierte Forschungslücke
herausgearbeitet. Im Zuge der Modellierung komplexer werdender Energiesysteme exi-
stiert ein gesteigerter Bedarf an Energieverbrauchsdaten in hoher regionaler, zeitlicher,
verbrauchergruppen- und anwendungsspezifscher Aufösung. Dieser Informationsbedarf kann
durch öfentliche Datenquellen nicht gedeckt werden. In der Literatur kommen für die Erstellung
und Prognose solcher hochaufgelösten Datensätze ingenieurbasierte Verfahren zum Einsatz. In
diese Kategorie fällt auch das in dieser Arbeit entwickelte Modellierungsverfahren, welches
im Folgenden beschrieben wird. Damit wird bereits die erste Forschungsfrage nach der
Ausgestaltung eines solchen Verfahrens beantwortet. Zunächst werden die methodischen
Grundlagen dargelegt, indem in Abschnitt 4.1 ein Überblick über das Verfahren gegeben wird.
In Abschnitt 4.2 wird die Auswahl und Aufarbeitung der Eingangsdaten ausgeführt. Daran
schließen sich in den Abschnitten 4.3 und 4.4 die Verfahrensbeschreibungen der Modellierung
historischer regional und zeitlich hochaufgelöster Strom- und Erdgasverbräuche nach WZ und
Anwendungen an. Zuletzt wird in Abschnitt 4.5 die Modellierung zukünftiger Verbräuche
beschrieben, die sich einerseits aus der Substitution von Erdgas durch Strom und grünen
Wasserstof ergeben und andererseits den Einfüssen der Wirtschafts- und Efzienzentwicklung
unterliegen.
4.1 Methodische Grundlagen
Das entwickelte Modellierungsverfahren dient der Ermittlung regional und zeitlich hochaufgelö-
ster Strom-, Erdgas- und Wasserstofverbräuche je WZ und Anwendung. Zudem können durch
das Verfahren zukünftige Verbräuche bis 2045 modelliert werden, wobei der wirtschaftlichen
Entwicklung, der Efzienzentwicklung und zukünftigen Energieträgerwechseln Rechnung
getragen wird. Da im Zieljahr 2045 Deutschland laut Klimaschutzgesetz Treibhausgasneutralität
erreichen soll, wird ein Substitutionspfad festgelegt, durch den Erdgas bis 2045 vollständig
53
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
durch Strom aus erneuerbaren Energien und grünen Wasserstof ersetzt wird. Durch die
Verwendung öfentlicher Daten und die Verfügbarmachung des Modells wird die Transparenz
und Reproduzierbarkeit der Ergebnisse sichergestellt. Zentrales Ergebnis dieser Arbeit ist das
entwickelte Modellierungsverfahren selbst, welches für die Erstellung eines hochaufgelösten
Zukunftsszenarios zur Anwendung gebracht wird.
Das Modellierungsverfahren folgt einem kombinierten Top-down-bottom-up-Ansatz und
ist in seinen Grundzügen in Abbildung 4.1 festgehalten. Grundidee des Verfahrens ist die
Erstellung detaillierter historischer Verbrauchsdatensätze nach dem Top-down-Prizip, die
anhand WZ- und technologiespezifscher Entwicklungspfade nach dem Bottom-up-Prinzip auf
disaggregierter Ebene fortgeschrieben und anschließend zu zukünftigen Verbräuchen wieder
aggregiert werden können. Entsprechend erfolgt ausgehend von aggregierten historischen
Verbrauchsdaten auf Bundesebene zunächst eine top-down gerichtete Disaggregierung der
Strom- und Erdgasverbräuche entlang der in Tabelle 4.1 festgehaltenen Ebenen.
Tabelle 4.1: Übersicht der Disaggregationsebenen, Nummerierung
1
korrespondiert mit
bis
5
Nummerierung in Abbildung 4.1
Disaggregationsebene
1
Energieträger
Wirtschaftszweige
3
2
Regionen
4
Anwendungen
Lastgänge
5
Beispiele
Nationaler Strom- bzw. Erdgasverbrauch für ein historisches
(2000-2018) oder zukünftiges (2019-2045) Jahr
WZ 1 bis WZ 88, Defnition nach WZ08 [70]
401 Landkreise und kreisfreie Städte (NUTS-3 Regionen)
Raumwärme, Mechanische Energie etc., insgesamt 14 Anwen-
dungen
Viertelstündliche bzw. stündliche Aufösung
Abbildung 4.1: Übersicht über das Modellierungsverfahren nach dem Top-down-bottom-up-
Prinzip, Nummerierung der Disaggregationsebenen von 1 nach Tabelle 4.1
bis 5
54
4.1 Methodische Grundlagen
Für die Berechnung der Verbrauchswerte auf jeder Ebene werden die Ergebnisse aus der
darüberliegenden Ebene mit ENAG aus öfentlichen Datenquellen verknüpft. Die Informationen
aus den darüberliegenden Ebenen bleiben dabei erhalten, so dass der Detaillierungsgrad von
Ebene zu Ebene zunimmt. Die Fortschreibung der Verbräuche erfolgt bis zum Jahr 2045.
Dabei werden drei Efekte berücksichtigt, die auf unterschiedlichen Disaggregationsebenen
wirken. Der Einfuss der wirtschaftlichen Entwicklung (Mengenefekt) wird auf der Ebene
der WZ abgebildet, der Efzienzefekt auf der Ebene der Anwendungen und WZ und der
Energieträgerwechsel auf der Ebene der anwendungs- und WZ-spezifschen Lastgänge. Im Zuge
des Energieträgerwechsels werden die Endenergielastgänge zunächst in Nutzenergielastgänge
und anschließend in zukünftige Lastgänge für
CO2
-neutrale Energieträger umgerechnet. Dabei
werden sowohl anwendungsspezifsche Wirkungsgrade als auch regionale Temperaturverläufe
berücksichtigt. Durch Aggregation können die Ergebnisse nach dem Bottom-up-Prinzip auf die
darüber liegenden Ebenen gebracht werden. Zuletzt werden die Ergebnisse in der Auswertung
visualisiert und durch Konsistenzprüfungen plausibilisiert. Nachfolgend wird die Top-down-
Modellierung (Abschnitt 4.1.1) sowie die Bottom-up-Modellierung (Abschnitt 4.1.2) näher
beschrieben.
Das folgende Beispiel dient der Veranschaulichung: Durch das Top-down-Verfahren
wird zunächst der Erdgaslastgang für die Anwendung Raumwärme in den Tierarztpraxen
(WZ 75) in München für ein spezifsches Wetterjahr modelliert (Ebene 5, vgl. Abbildung
4.1). Unter Berücksichtigung des Mengen- und Efzienzefekts wird dieser Lastgang für
ein Zieljahr fortgeschrieben, im Zuge des Energieträgerwechsels in einen Wärmelastgang
umgerechnet und unter Zuweisung des historischen Wetterjahrs abschließend in einen
Stromlastgang für Wärmepumpen überführt. Erfolgt dieses Verfahren in angepasster Weise
für alle in München ansässigen WZ und deren Anwendungen, kann nach dem Bottom-up-
Prinzip für das Zieljahr schließlich der zukünftige Stromlastgang für München modelliert
werden.
4.1.1
Übersicht der Modellierung historischer Verbräuche nach dem Top-
down-Verfahren
Das Top-down-Verfahren erlaubt es, aggregierte Energieverbräuche aus öfentlichen statistischen
Erhebungen durch geeignete ENAG sukzessive nach WZ, NUTS-3 Regionen und Anwendungen
bis auf die Ebene regionaler, WZ- und anwendungsspezifscher Lastgänge zu disaggregieren.
Abbildung 4.2 enthält eine detaillierte Darstellung des Disaggregationsverfahrens nach dem Top-
down-Prinzip. Zunächst erfolgt die Aufbereitung der Eingangsdaten. Dies betrift Datensätze
zum Energieverbrauch und ENAG, wie z. B. Beschäftigtenzahlen, Anteile der Anwendungen am
Energieverbrauch und Lastprofle. Das Verfahren beginnt auf der Ebene der WZ. Da sich die
verfügbare Datenbasis zwischen GHD- und den Industriesektor unterscheidet, wird das regionale
Disaggregationsverfahren für den jeweiligen Sektor entsprechend angepasst. Im GHD-Sektor
wird aus den öfentlichen Daten direkt ein spezifscher Verbrauch je beschäftigter Person für
jeden WZ berechnet und direkt für die Regionalisierung verwendet. Für den Industriesektor wird
auf eine zusätzliche Datenquelle zurückgegrifen, unter deren Einbeziehung in einem iterativen
Verfahren regional diferenzierte spezifsche Verbräuche je beschäftigter Person für jeden WZ
55
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
ermittelt werden. Im Rahmen der anwendungsbezogenen Disaggregation werden die regionalen
Verbräuche anschließend gemäß aus der Literatur entnommener Anteile der Anwendungen
am Strom- bzw. Gasverbrauch aufgeteilt. Auf der untersten Ebene erfolgt die Modellierung
des zeitlichen Verlaufs der Endenergieverbräuche mittels Lastproflen. Dafür stehen je nach
Datenlage unterschiedliche Lastprofltypen zur Wahl wie die von Seim et al. (2021) entwickelten
WZ-spezifschen Branchenlastprofle (BLP), die auf gemessenen Verbrauchslastgängen basieren
[168]. In anderen Fällen, die nicht durch BLP abgedeckt sind, werden im GHD-Sektor Gas-
bzw. Strom-SLP [169, 64] herangezogen und im Industriesektor Betriebsschichtprofle (BSP)
[7] verwendet. Je nach Vorgabe können die anwendungs- und WZ-spezifschen Lastverläufe
auch wieder zu regionsspezifschen Lastgängen aggregiert werden.
Abbildung 4.2: Darstellung des Disaggregationsverfahrens nach dem Top-down-Prinzip
56
4.1 Methodische Grundlagen
4.1.2
Übersicht der Modellierung zukünftiger Verbräuche nach dem kombi-
nierten Top-down-bottom-up-Verfahren
Die Modellierung zukünftiger Energieverbräuche erfolgt durch die Kombination des Top-
down-Verfahrens mit der Fortschreibung auf den Disaggregationsebenen anhand WZ- und
technologiespezifscher Entwicklungspfade und anschließender Aggregation nach dem Bottom-
up-Prinzip. Abbildung 4.3 zeigt das kombinierte Verfahren zur Erstellung zukünftiger
disaggregierter Lastgänge.
Abbildung 4.3: Darstellung des Verfahrens zur Modellierung zukünftiger Lastgänge
Die Verbräuche werden für ein vorgegebenes Zieljahr unter Berücksichtigung dreier
wesentlicher Efekte prognostiziert, die auf unterschiedlichen Disaggregationsebenen des
Verfahrens ansetzen. Durch den Mengenefekt wird der prognostizierten wirtschaftlichen
Entwicklung je WZ Rechnung getragen. Dafür werden WZ-spezifsche Prognosen der
BWS und Energiebezugsfächen (EBF) als ENAG herangezogen, für die ein proportionaler
57
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Zusammenhang mit dem Energieverbrauch angenommen wird. Anschließend erfolgt die
regionale und anwendungsbezogene Disaggregation nach dem in Abbildung 4.2 dargestellten
Verfahren, wobei eine für das Zieljahr prognostizierte regionale Verteilung der Beschäftigten
verwendet wird. Im nächsten Schritt werden auf der Ebene der WZ und Anwendungen
die Auswirkungen der Efzienzentwicklung in den Querschnitts- und Prozesstechnologien
modelliert. Auf Ebene der anwendungsspezifschen Lastgänge werden anschließend der Einsatz
CO2
-neutraler Technologien und die damit verbundenen Energieträgerwechsel modelliert.
Anhand WZ- und anwendungsspezifscher Energieträgerwechsel-Potenziale werden dafür
zunächst diejenigen Erdgasmengen berechnet, die durch Strom bzw. Wasserstof substituiert
werden. Diese Erdgasmengen werden über das Verfahren zur zeitlichen Disaggregation aus
Abbildung 4.2 in Lastgänge überführt und mittels technischer Angaben zu Wirkungsgraden
von Wärmeanwendungen in Nutzenergielastgänge umgerechnet. Anschließend werden die
Nutzenergielastgänge unter Einbeziehung technischer Parameter von Wärmepumpen (z. B.
COP-Zeitreihen) in Stromlastgänge überführt. Die Berechnung der Wasserstofastgänge
berücksichtigt Wirkungsgrade für Wasserstofbrenner sowie energetische Konvertierungsgrade
der Dampfreformation für die nichtenergetische Nutzung. Im Ergebnis werden durch das
Verfahren zukünftige regionale WZ-und anwendungsspezifsche Lastgänge erstellt. Diese können
durch anschließende Aggregation auf eine beliebige Detailebene gebracht werden.
4.2 Beschreibung der Eingangsdaten
In das Modell fießen unterschiedliche Datenströme ein, die für ihre Verwendung zunächst
aufbereitet werden. Dies betrift Datensätze von ENAG sowie Datensätze zu Strom- und
Gasverbräuchen in Deutschland, die im Zuge der Modellierung regional und anwendungsspezi-
fsch disaggregiert und fortgeschrieben werden. Überdies kommen für die Ermittlung zeitlich
aufgelöster Energieverbräuche Lastprofle zum Einsatz, deren Erstellung ebenfalls beschrieben
wird.
4.2.1 Mengengerüst der modellierten Energieverbräuche
Ausgangspunkt der Modellierung sind Datensätze zum Energieverbrauch aus öfentlichen
statistischen Erhebungen. Es bestehen allerdings unterschiedliche Defnitionen des Energie-
verbrauchs. Häufg wird darunter der Endenergieverbrauch verstanden. In einigen Veröfent-
lichungen, wie z. B. der JEVI [97] und der UGR [92] (vgl. Abschnitt 2.7), enthalten die
angegebenen Energiemengen allerdings auch den nichtenergetischen Verbrauch. Hingegen ist
der Verbrauch von Brennstofen für die industrielle Stromproduktion nur in den Angaben
der JEVI enthalten, nicht aber in der UGR. Überdies wird der Energieträgerverbrauch des
Umwandlungssektors meist separat ausgewiesen, wie z. B. in den Energiebilanzen der AGEB
[67]. Aus diesem Grund bedarf es der Defnition eines konsistenten Mengengerüsts für die in
dieser Arbeit modellierten Energiemengen, insbesondere für die Verwendung und den Abgleich
mit bestehenden statistischen Veröfentlichungen aus UGR, JEVI, AGEB [67] und LAK [89].
58
4.2 Beschreibung der Eingangsdaten
Für die in dieser Arbeit modellierten Energiemengen gelten folgende Bestimmungen:
•
Die Angaben enthalten den Endenergieverbrauch der Energieträger Strom, Erdgas und
Wasserstof.
• Die Angaben schließen den nichtenergetischen Erdgas- und Wasserstofverbrauch ein.
•
Die Angaben schließen den Erdgasverbrauch für die industrielle Strom- und Wärmepro-
duktion ein, da dieser bei den Verbrauchern vor Ort anfällt.
•
Die Angaben schließen den Stromverbrauch aus industrieller Stromproduktion (Eigener-
zeugung) ein.
•
Die Angaben schließen die Erdgas-, Strom und Wasserstofverbräuche der Kokerei und
Mineralölverarbeitung (WZ 19) mit ein.
• Die Angaben enthalten nicht den Verbrauch des Energieversorgungssektors (WZ 35).
• Die Angaben enthalten nicht den Verbrauch von Kokerei-, Gicht und Grubengas.
4.2.2 Energieverbräuche nach Regionen und Wirtschaftszweigen
Für die Modellierung werden zum einen die im Zuge der JEVI veröfentlichten Datensätze
zu industriellen Energieverbräuchen in regionaler Aufösung (siehe Abbildung 2.4, nach
[97]) verwendet. Im Rahmen des Forschungsprojekts DemandRegio wurden diese Daten aus
Tabelle 43531-01-02-4 der Regionalstatistik für die Jahre 2003 bis 2017 aufbereitet und
Datenlücken auf Basis historischer Werte geschlossen [7, S. 70]. Zum anderen gehen Datensätze
zur Verwendung von Energie nach Produktionsbereichen aus der UGR (siehe Abbildung
2.3, nach [92]) in die Modellierung ein. Da beide Datenquellen verwendet werden, müssen
die Aufstellungen der Verbräuche konsistent sein. Während in den Angaben der JEVI der
Gasverbrauch nach Erd-, Kokerei-, Gicht-, und Grubengasverbrauch unterschieden wird, ist
dies bei der UGR nicht der Fall. Hier wird der Verbrauch aller Gasarten aggregiert angegeben.
Entsprechend werden unter Einbeziehung von Tabelle 43531-0001 aus der JEVI [99] WZ-
spezifsche Faktoren ermittelt, um den Anteil der Kokerei-, Gicht- und Grubengase aus den
Angaben zum gesamten Gasverbrauch in der UGR herauszurechnen. Dies betrift die Verbräuche
der WZ 5 Kohlenbergbau (23% Grubengas), WZ 19 Kokerei und Mineralölverarbeitung
(18,5% Kokereigas) und WZ 24 Metallerzeugung (51% Gichtgas). Überdies wurde bei der
Erstellung der UGR der Energieträgerverbrauch für die industrielle Stromproduktion aus
den jeweiligen WZ herausgerechnet und der Energieversorgung (WZ 35) zugerechnet [71, S.
8]. Da der Erdgasverbrauch für die industrielle Stromproduktion laut Mengengerüst (vgl.
Abschnitt 4.2.1) in den Modellierungsergebnissen enthalten sein soll, werden diese Verbräuche
den Angaben der UGR wieder hinzugerechnet. Dafür wird aus den Daten zur industriellen
Stromerzeugung aus Tabelle 43531-0002 der JEVI [99] zunächst die absolute Stromerzeugung
je WZ ermittelt. Anschließend werden die Erdgasverbräuche für industrielle Stromproduktion
aus der Energiebilanz der Bundesrepublik Deutschland [67, Zeile 12] proportional zur
Stromerzeugung auf die WZ verteilt. Dabei gilt die Annahme vergleichbarer Wirkungsgrade bei
der Stromerzeugung aus Erdgas. Daraus ergibt sich für jeden industriellen WZ der Anteil des
Erdgasverbrauchs, der für die industrielle Stromproduktion genutzt wird. Abbildung 4.4 zeigt
59
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
diesen Anteil für die zehn verbrauchsintensivsten WZ, die für 90% des gesamten industriellen
Erdgasverbrauchs verantwortlich sind.
Abbildung 4.4: Anteil des Erdgasverbrauchs für Stromproduktion der 10 verbrauchsintensivsten
industriellen Wirtschaftszweige, nach [92, 99]
4.2.3 Energieverbräuche nach Anwendungen
Die Datengrundlagen für die Disaggregation nach Anwendung liefern im Wesentlichen
die Anwendungsbilanzen, für deren Erstellung in jährlicher Folge Studien von der AGEB
ausgeschrieben und veröfentlicht werden [
rohde_erstellung_2016
, 74, 58, 170, 155].
Diesen Arbeiten enthalten Informationen über die Anteile der Anwendungen am Strom-
bzw. Erdgasverbrauch für eine Reihe von WZ im Industrie- [58, S. 9] und GHD-Sektor
[171, S. 16], [155, S. 83, 84], [172, S. 19]. Die gewählte Einteilung der Verbrauchergruppen
in den Veröfentlichungen lässt sich mithilfe der angegebenen Zuordnungs- [58, S. 3] und
Ergebnistabellen [74, S. 9] auf die Klassifkation der WZ von 2008 [70] übertragen. Die
Angaben in den einschlägigen Tabellen enthalten absolute jährliche Verbräuche je Anwendung,
Energieträger und Verbrauchergruppe in TWh. Für jeden WZ und Energieträger werden
daraus die Verbrauchsanteile für die jeweiligen Anwendungen berechnet. In einzelnen Fällen,
in denen die Summierung der Anteile aufgrund von Ungenauigkeiten in der Datenbasis
nicht 100% ergab, wurden die Anteile für jene Anwendungsbereiche angepasst, die den
größten Anteil ausmachen. Im Industriesektor ist dies im Falle der Stromverbräuche die
Anwendung Mechanische Energie und im Falle der Erdgasverbräuche die Prozessenergie. Im
GHD-Sektor ist dies die Anwendungen Beleuchtung für die Strom- und die Raumwärme für
die Erdgasverbräuche. Dabei handelt es sich um Korrekturen in Höhe von 1% bis 2% des
60
4.2 Beschreibung der Eingangsdaten
Gesamtverbrauchs. Als Basisjahr für die Berechnung der Anteile der Anwendungen je WZ und
Energieträger dienen die Datengrundlagen für das Jahr 2015, da diese weitestgehend lückenlos
vorliegen. Die Tabellen A.3 und A.4 im Anhang zeigen die Aufteilung nach Anwendungen für
den Strom- bzw. Erdgasverbrauch. Vor dem Hintergrund der Umstellung auf
CO2
-neutrale
Bereitstellungstechnologien wird der Bedarf brennstofbasierter industrieller Prozesswärme
zudem je WZ nach den Temperaturbereichen aus Tabelle 2.5 aufgeschlüsselt (<100°C, 100°C
bis 200°C, 200°C bis 500°C und >500°C). Grundlage dafür bilden die Arbeiten von Nägler
(2015) [76] und Rehfeld (2018) [51]. Die Einteilung nach Temperaturbereichen ist dabei für die
Modellierung unterschiedlicher Technologieoptionen besonders relevant, da z. B. Wärmepumpen
nicht beliebig hohe Temperaturen realisieren können (vgl. Abschnitt 2.6). Die WZ-spezifsche
Einteilung der Wärmeanwendungen nach Temperaturbereichen ist in Tabelle A.5 im Anhang
zusammengetragen.
4.2.4 Energienachfragebestimmende Größen
Die in die Modellierung eingehenden ENAG für die regionale Disaggregierung sowie die
Fortschreibung der Energieverbräuche umfassen demographische und sozioökonomische Daten
über die Beschäftigung und BWS. Für die zeitliche Disaggregierung werden Wetter- und
Kalenderinformationen in zeitlicher und regionaler Aufösung für die Erstellung von Lastproflen
herangezogen. Technische Daten fießen auf der Ebene der Anwendungen und WZ ins Modell
ein und bestimmen die zukünftige Verbrauchsentwicklung durch veränderte EBF, jährliche
Efzienzsteigerungen sowie Energieträgerwechsel-Potenziale.
4.2.4.1 Demographische und sozioökonomische Daten
Für die Modellierung regionaler Jahresenergieverbräuche je WZ kommen ENAG in Betracht,
die in einem möglichst direkten Zusammenhang mit den Energieverbräuchen stehen, mit
der gewählten Klassifzierung nach WZ08 kompatibel sind und überdies mit ausreichendem
regionalen Detailgrad vorliegen. Diese Voraussetzungen werden durch den Datensatz der
sozialversicherungspfichtig Beschäftigten erfüllt, welcher regelmäßig von der Bundesagentur
für Arbeit in WZ-spezifscher Aufösung gemäß der Klassifkation der WZ von WZ08 [70]
veröfentlicht wird [173]. Überdies liegen die Daten auf Ebene der Landkreise vor, die sich auf
die NUTS-Systematik übertragen lässt (siehe Tabelle 2.2). Im Rahmen des Forschungsprojekts
DemandRegio wurde der historische Datensatz aufbereitet und liegt für die Jahre 2008 bis 2018
vor [7, S. 65] [174]. Abbildung 4.5 zeigt die auf Bundesebene aggregierten Beschäftigtenzahlen
für gruppierte WZ für das Jahr 2018.
Für die Bestimmung der zukünftigen Energieverbräuche unter Einfuss des Mengenefekts
werden unterschiedliche Treiber identifziert. Für den GHD-Sektor wird dafür die EBF je WZ
herangezogen, da diese Größe direkt mit der Difusion von elektrischen Geräten sowie dem
Bedarf für Beleuchtung und Raumwärme korreliert [62, S. 63] [175, S. 39] [144, S. 57]. Die
zukünftigen EBF werden über die Entwicklung der Beschäftigten abgeschätzt. Ausgehend von
den historischen Daten der sozialversicherungspfichtig Beschäftigten je WZ [173] werden aus
den Angaben der Arbeitsmarktprognose 2030 [176, S. 163 f.] zukünftige Beschäftigtenzahlen
je WZ für das Jahr 2030 abgeleitet. Für die Jahre nach 2030 werden die durchschnittlichen
Änderungsraten der Beschäftigtenzahlen beibehalten. Tabelle A.7 im Anhang enthält die
61
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Abbildung 4.5: Sozialversicherungspfichtig Beschäftigte in Deutschland nach gruppierten
Wirtschaftszweigen (2018), nach [174], DL: Dienstleistungen
jährlichen Änderungsraten der Beschäftigten. Im Rahmen des Forschungsprojekts DemandRegio
wurden die Datensätze auf Basis der Raumordnungsprogonose 2035 [177] regionalisiert und
stehen als freie Datensätze zur Verfügung [7, S. 69]. Abbildung 4.6 zeigt die sich aus
den Steigerungsraten ergebende Prognose der sozialversicherungspfichtig Beschäftigten für
ausgewählte WZ des GHD-Sektors. Für die Bestimmung des spezifschen Flächenbedarfs in
m2
EBF pro beschäftigter Person, werden anschließend aus der Studie LFS2 [62, S. 64] Angaben zu
den EBFs je GHD-Subsektor entnommen. Aus dem Verhältnis der Angaben für die Jahre 2010
und 2050 wird die jährliche Änderungsrate des spezifschen Flächenbedarfs je WZ abgeleitet.
Tabelle A.7 im Anhang enthält die jährlichen Änderungsraten der spezifschen EBFs. Aus
den Änderungsraten für den spezifschen Flächenbedarf und den Beschäftigten wird für die
Jahre 2020 bis 2045 eine Prognose der absoluten EBF je WZ errechnet. Im Zeitraum 2020
bis 2045 steigt die Anzahl der Beschäftigten im GHD-Sektor um ca. 6% an. Die gleichzeitige
Ausweitung der EBF pro Person wirkt in die gleiche Richtung, sodass sich für diesen Zeitraum
eine Gesamtsteigerung der absoluten EBF von ca. 13% ergibt. Abbildung A.2 im Anhang zeigt
die sich aus den Steigerungsraten ergebende Prognose der EBF für ausgewählte WZ.
62
4.2 Beschreibung der Eingangsdaten
Abbildung 4.6: Entwicklung der sozialversicherungspfichtig Beschäftigten für ausgewählte
Wirtschaftszweige bis 2045, durchgezogenene Linie: historische Werte, gestrichelte Linie: Prognose
anhand Steigerungsraten aus der Literatur, siehe Tabelle A.6 im Anhang
Für die Prognose des industriellen Energieverbrauchs wird auf die Wirtschaftsaktivitäten
in den WZ abgestellt. Dafür wird die BWS als Indikator für die Entwicklung der
Produktionsmengen herangezogen. Diese Vorgehensweise wird auch in einschlägigen
energiewirtschaftlichen Studien gewählt, da die Verwendung der BWS den notwendigen
WZ-spezifschen Detailgrad mit sich bringt sowie der Heterogenität der Produkte innerhalb
der WZ Rechnung trägt, indem die Herstellung teurerer Produkte, die tendenziell energie- und
ressourcenintensiver sind, stärker auf den Endenergieverbrauch wirken als günstige Produkte
[62, S. 13] [148, S. 4] [164, S. 86] [165, S. 105] [175, S. 78] [178, S. 68]. Der historische Verlauf
der BWS je Industriezweig wird durch das Statistische Bundesamt im Rahmen der Branchen-
und Unternehmenserhebungen in Tabelle 42251-001 veröfentlicht [179]. Die Fortschreibung
der BWS wird an die vom Fraunhofer ISI veröfentlichte Entwicklung in der Studie LFS2 2017
angelehnt [62, S. 13]. Das Fraunhofer ISI geht zwischen den Jahren 2020 und 2050 von einer
Steigerung von insgesamt 22,7% aus, die sich unterschiedlich auf die WZ und Jahre verteilt.
Aus den veröfentlichten absoluten Angaben zur BWS wurden jährliche Wachstumsraten
errechnet, die Tabelle A.6 im Anhang zu entnehmen sind. Für den Zeitraum 2020 bis 2045
ergibt sich aus den Angaben aus Tabelle A.6 eine Steigerung der BWS im industriellen Sektor
von 18% (21,7% bis 2050) bei einer durchschnittlichen jährlichen Steigerungsrate von 0,66%,
was konsistent mit den Angaben aus der Studie LFS2 ist. Abbildung 4.7 zeigt historische Werte
und die sich aus den Steigerungsraten ergebende Prognose der BWS bis 2045 für ausgewählte
industrielle WZ.
63
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Abbildung 4.7: Entwicklung der Bruttowertschöpfung für ausgewählte Wirtschaftszweige bis 2045,
durchgezogenene Linie: historische Werte, gestrichelte Linie: Prognose anhand Steigerungsraten
aus der Literatur, siehe Tabelle A.6 im Anhang
4.2.4.2 Technische Daten
Im Rahmen der Modellierung wird eine Reihe von technischen Parametern berücksichtigt. Für
die Abbildung des Einfusses steigender Energieefzienz auf zukünftige Verbräuche wird in
Energiesystemstudien häufg mit Efzienzsteigerungsraten zwischen 0,5% und 2,5% gerechnet
[62, S. 64] [180] [181, S. 13] [182, S. 29]. Im industriellen Sektor werden aufgrund der
branchenspezifschen Prozesstechnologien in der Regel Efzienzsteigerungsraten angesetzt,
die für den gesamten WZ gelten [143, S. 54]. Diesem Ansatz wird auch in der vorliegenden
Arbeit gefolgt. Die Bestimmung der jährlichen Efzienzsteigerung im Industriesektor erfolgt auf
Basis der WZ-spezifsche Angaben aus dem EWI-Datenanhang der dena-Leitstudie “Aufbruch
Klimaneutralität” (dena 2021) [180]. Dabei werden die chemische Industrie, die Stahlerzeugung
sowie die Aluminium-, Glas-, Kupfer-, Papier-, Kalk- und Zementindustrie separat betrachtet,
da sich diese Branchen durch besonders spezialisierte Produktionsprozesse auszeichnen
und den Querschnittstechnologien nur eine geringe Bedeutung beigemessen wird [143, S.
54]. Entsprechend wird für die übrigen Branchen eine einheitliche Efzienzsteigerungsrate
angegeben. Überdies wird erwartet, dass die realisierbaren Efzienzgewinne über die Zeit
abnehmen, weshalb sich die Steigerungsraten tendenziell im laufe der Jahre reduzieren. Dies
gilt nicht für die Papier-, Glas- u. Metallerzeugung, für die im Rahmen der dena-Leitstudie
auf Basis von Experteninterviews mit Industrieverterinnen und -vertretern individuelle
Efzienzsteigerungsraten ermittelt wurden und für diese Arbeit übernommen werden [180].
Tabelle 4.2 bietet eine Übersicht zu den WZ-spezifschen jährlichen Efzienzsteigerungsraten
im Industriesektor. Aus den Angaben ergibt sich eine nach den Energieverbräuchen von 2018
64
4.2 Beschreibung der Eingangsdaten
gewichtete durchschnittliche Efzienzsteigerungsrate von ca. 1% pro Jahr bis 2035 und danach
von 0,5% pro Jahr.
Tabelle 4.2: Jährliche Efzienzsteigerungsraten in industriellen Wirtschaftszweigen, nach [180]
Wirtschaftszweig
WZ Efzienzsteigerung Efzienzsteigerung
Nr. p. a. bis 2035 p. a. ab 2036
Papierherstellung 17 0,3% 0,3%
Mineralölverarbeitung und
19 & 20 0,2% 0,1%
chemische Industrie
Glas- u. Zementherstellung 23 0,5% 0,5%
Metallerzeugung 24 0,25% 0,5%
Sonstige Industrie - 1,9% 1,3%
Für die Modellierung des Efzienzefekts im GHD-Sektor wird in der Literatur aufgrund
der höheren Bedeutung der Querschnittstechnologien mit WZ-übergreifenden, aber anwen-
dungsspezifschen Efzienzsteigerungen gerechnet [62, S. 64] [157, S. 20]. Auf diese Weise wird
auch in der vorliegenden Arbeit verfahren. Konkrete jährliche Efzienzsteigerungsraten lassen
sich aus der Literatur nicht entnehmen. Häufg werden stattdessen Efzienzpotenziale für
Querschnittsanwendungen, wie Beleuchtung, IKT, Klimakälte oder Raumwärme, angegeben,
welche allerdings von Studie zu Studie teilweise deutlich voneinander abweichen [175, S.
41] [183, S. 56] [148, S. 18]. Die in dieser Arbeit angesetzten anwendungsspezifschen
Efzienzsteigerungsraten werden über einen Vergleich mit den Ergebnissen der LFS2-Studie
des Fraunhofer ISI bestimmt [62]. Böckmann et al. (2021) haben aus den Angaben des
Fraunhofer ISI zum Basisszenario der LFS2 für das Jahr 2035 [62, S. 64, 69 f.] sowie den
Veröfentlichungen der AGEB zur Anwendungsbilanz des GHD-Sektors [155, S. 84] [58, S. 9]
eine mit den LFS2-Werten konsistente Anwendungsbilanz des Stromverbrauchs für das Jahr
2035 abgeleitet [184, S. 5, 23]. Diese Anwendungsbilanz dient als Vergleichswert für die mithilfe
des Disaggregationssverfahrens erzeugten Zwischenergebnisse für zukünftige Stromverbräuche
des GHD-Sektors unter Einfuss des Mengenefekts für das Jahr 2035 (siehe Abschnitt 4.5.1).
Die Efzienzsteigerungsrate wird derart berechnet, dass die Verhältnisse der modellierten
Stromverbräuche für die Jahre 2035 und 2018 je Anwendung mit jenen aus der von Böckman
et al. berechneten LFS2-Anwendungsbilanz für die Jahre 2035 und 2018 übereinstimmen. Eine
detaillierte Beschreibung dieser Berechnung ist dem Anhang A.4 zu entnehmen.
Es ergeben sich Steigerungsraten um 1%, mit Ausnahme der Prozesskälte, für die eine
etwas höhere jährliche Steigerung von 3,3% berechnet wurde. Diese lässt sich anhand der hohen
Efzienzpotenziale plausibilisieren, die in der Literatur für diese Anwendung auf bis zu 50%
geschätzt werden [185, S. 8]. Für die Klimakälte ergibt sich eine negative Efzienzsteigerung, was
eine sinkende Efzienz und damit einen steigenden Endenergiebedarf für die gleiche Nutzenergie
bedeutet. Dies lässt sich durch den Klimawandel und der damit einhergehenden Zunahme der
durchschnittlichen Außentemperatur, besonders im Sommer, erklären. Für die Gasanwendungen
im GHD-Sektor werden die Efzienzsteigerungsraten der Stromanwendungen übernommen,
mit Ausnahme von Raumwärme und Warmwasser. Hierfür werden die Angaben zur jährlichen
Efzienzsteigerung im Gebäudesektor aus dem EWI-Datenanhang der dena-Leitstudie (dena
2021) angesetzt [180]. Tabelle 4.3 zeigt die Aufstellung der jährlichen Efzienzsteigerung im
GHD-Sektor. Für die Jahre nach 2035 werden die Raten gemäß der Annahme halbiert, dass die
65
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Geschwindigkeit der Efzienzfortschritte mit der Zeit abnimmt, da die einfacher zu hebenden
Efzienzpotenziale zuerst realisiert werden. Für die Klimakälte gilt diese Annahme nicht, da
angenommen wird, dass technische Efzienzgewinne durch steigenden Außentemperaturen in
konstantem Verhältnis überkompensiert werden. Aus den Werten aus Tabelle 4.3 ergibt sich eine
nach den Energieverbräuchen von 2018 gewichtete durchschnittliche Efzienzsteigerungsrate
von ca. 1,57% pro Jahr bis 2035 und danach von 0,785% pro Jahr.
Tabelle 4.3: Jährliche Efzienzsteigerungsraten im GHD-Sektor nach Anwendungen, eigene
Berechnung nach [184] [62] [180]
Strom
Anwendung
Efzienz- Efzienz-
steigerung p. a. steigerung p. a.
bis 2035 ab 2036
Beleuchtung 2,1% 1,05%
IKT 0,7% 0,35%
Klimakälte -0,5% -0,5%
Prozesskälte 3,3% 1,65%
Mechanische Energie
1,5% 0,75%
Prozesswärme 1,3% 0,65%
Raumwärme und
0,9% 0,45%
Warmwasser
Erdgas
Efzienz- Efzienz-
steigerung p. a. steigerung p. a.
bis 2035 ab 2036
- -
- -
- -
- -
1,5%
1,3%
2,5%
0,75%
0,65%
1,25%
Im Zuge des Energieträgerwechsels werden Erdgasverbräuche in zukünftige Strom- und
Wasserstofverbräuche überführt. Dafür werden die Wirkungsgrade für eine Reihe von
Technologien in den Datenblättern von Anlagenherstellern sowie Datenanhängen einschlägiger
Energiesystemstudien recherchiert. Tabelle 4.4 zeigt eine Übersicht der in dieser Arbeit
modellierten Technologien und die angesetzten Wirkungsgrade. Für die Anwendungen
Raumwärme, Warmwasser sowie Niedertemperaturwärme (< 100°C) wird ein durchschnittlicher
heizwertbezogener Wirkungsgrad der Gasthermen bzw. Gas-Heizkesseln von 96% angesetzt.
Auch wenn sich durch den Einsatz der Brennwerttechnik bereits heute Wirkungsgrade von
über 100% (bezogen auf den Heizwert) erreichen lassen [186, 187], werden auf diese Weise
auch niedrigere Wirkungsgrade des Anlagenbestands berücksichtigt, was auch in einschlägigen
Studien, wie z. B. “Wege für die Energiewende” von Robinius, Markewitz et al. (2020) [188, S.
107], so gehandhabt wird. Für die Bereitstellung von Raumwärme und Warmwasser werden in
dieser Arbeit temperaturabhängige COP-Zeitreihen berechnet. In Abschnitt 4.4.3 wird das
genaue Vorgehen dabei beschrieben. Für die Erzeugung von Dampf (100°C bis 200°C) und
Heißdampf (200°C bis 500°C) wird auf durchschnittliche Wirkungsgrade von gasbefeuerten
Dampfkesseln abgestellt. Diese lagen 2015 bei durchschnittlich 88% [189, S. 185]. Moderne
Anlagen können laut Herstellerangaben zwar Wirkungsgrade von bis zu 95% erreichen [190],
in dieser Arbeit wird allerdings 90% als Durchschnittswert über alle Anlagen angesetzt.
Für die Dampferzeugung durch Elektrodenkessel werden in der Literatur Wirkungsgrade
nahe 100% angegeben [191, S. 12] [188, S. 107] [192, S. 10]. Entsprechend wird in dieser
Arbeit mit einem Wirkungsgrad von 98% gerechnet. Hochtemperaturwärme ab 500°C wird in
einer Vielzahl thermischer Verfahren genutzt, z. B. beim Schmelzen, Umformen oder Härten
in der Metall- oder Glasindustrie [193]. Dabei kommen unterschiedliche Industrieöfen zum
Einsatz. Bei den brennstofversorgten Öfen ist der Brenner das wesentliche Bauteil. Je nach
66
4.2 Beschreibung der Eingangsdaten
Brennerart liegen die Wirkungsgrade dabei zwischen 75% und 85% [189, S. 122] [194, S. 41].
In dieser Arbeit wird von einem durchschnittlichen Wirkungsgrad von 80% ausgegangen.
Für die Bereitstellung mechanischer Energie durch Gasmotoren, können Wirkungsgrade
von 40% bis 45% erzielt werden [195, 196]. In dieser Arbeit wird als durchschnittlicher
mechanischer Wirkungsgrad der untere Wert von 40% angesetzt. Elektromotoren haben
einen Wirkungsgrad je nach Leistungspunkt und Efzienzklasse zwischen 80% und 95%
[189, S. 80] [197]. In dieser Arbeit wird daher von einem durchschnittlichen Wirkungsgrad
von 90% ausgegangen. Für die Berechnung des aus der Substitution von nichtenergetisch
genutztem Erdgas resultierenden Verbrauchs von grünem Wasserstof wird der energetische
Ausnutzungsgrad der Dampfreformierung angesetzt. Dieser beschreibt das Verhältnis aus der
chemisch gebundenen Energie des produzierten Wasserstofs und der chemisch gebundenen
Energie des eingesetzten Erdgases. Der Ausnutzungsgrad schwankt je nach Größe und
Betriebspunkt der Reformierungsanlage. In der Literatur fnden sich entsprechende Angaben
zwischen 70% und 85% [85, S. 72] [198, S. 42] [199, S. 225, 226] [188, S. 107]. In dieser Arbeit
wird ein Ausnutzungsgrad von 70% angenommen. Für die Berechnung des Stromverbrauchs
für die Herstellung von grünem Wasserstof via Elektrolyse wird ein Wirkungsgrad von 70%
angesetzt. Dieser stellt eine eher konservative Schätzung dar, da Wirkungsgrade moderner
Polymer-Elektrolyt-Membran-Elektrolyseure bereits heute darüber liegen können [200], ist
aber als durchschnittlicher Wert über alle Betriebspunkte hinweg plausibel.
Tabelle 4.4: Übersicht Wirkungsgrade nach Technologien und Anwendungen
Technologie Anwendung
Wirkungsgrad
Quellen
Erdgastherme Raumwärme, Warmwasser 96% [188, 186]
Wärmepumpe Raumwärme, Warmwasser
COP- eigene Ber.
Zeitreihen (Kap. 4.4.3.1)
Erdgas-Heizkessel
Prozesswärme <100°C Indu-
96% [187]
strie , Prozesswärme GHD
Erdgas-Dampfkessel Dampf (100°C - 200°C), 90% [189, 190]
Heißdampf (200°C - 500°C)
Elektrodenheizkessel Dampf (100°C - 200°C), 98%
[191, 188, 192]
Heißdampf (200°C - 500°C)
Brenner, Industrieofen Hochtemperaturwärme
80% [189, 194]
(Erdgas, Wasserstof) (>500°C)
Gasmotor Mechanische Energie 40% [195, 196]
Elektromotor Mechanische Energie 90% [189, 197]
Dampfreformierung Nichtenergetische Erdgas- 70%
[85, 188, 198,
nutzung 199]
Polymer-Elektrolyt-
Wasserstofelektrolyse 70% [200]
Membran-Elektrolyse
Für die Modellierung zukünftiger Energieverbräuche werden zudem Potenziale für einen
Energieträgerwechsel von Erdgas zu Strom bzw. grünem Wasserstof je Anwendung und WZ
berücksichtigt. Diese Wechselpotenziale werden bis zum Jahr 2045 aufgrund der im Modell
angestrebten vollständigen Substitution von Erdgas vollständig gehoben. Daraus ergibt sich
eine normative Zielsetzung für die Erdgasmengen, die zu einem gegebenen Jahr durch die
Energieträger Strom bzw. Wasserstof ersetzt werden müssen. Die Elektrifzierungspotenziale für
Wärmeanwendungen unterscheiden sich je nach Temperaturniveau. Laut aktuellen Herstelleran-
67
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
gaben lassen sich durch Wärmepumpen unter Nutzung von Abwärmeströmen als Wärmequelle
Temperaturen bis zu 200°C realisieren [82, 201]. Im Bereich über 140°C handelt es sich dabei
allerdings um noch nicht kommerziell verfügbare Anlagen und auch für Temperaturen zwischen
100°C und 140°C besteht noch keine Serienproduktion für Wärmepumpen [79, S. 990]. Für
Temperaturen unter 100°C existieren hingegen bereits marktreife Lösungen. Aus diesen Gründen
wurden für die erdgasversorgten Industrieanwendungen Prozesswärme <100°C, Raumwärme
und Warmwasser für das Jahr 2045 ein WZ-übergreifendes Elektrifzierungspotenzial durch
Wärmepumpen von 100% angenommen. Im Temperaturbereich von 100°C bis 200°C kommen
sowohl kaskadierte Wärmepumpensysteme als auch Elektrodenkessel zum Einsatz. Auf
Basis von Literaturangaben [79, S. 990] [189, S. 487] wurde für jeden WZ der Anteil der
Wärme mit Temperaturen zwischen 100°C und 140°C ermittelt. Für diesen Bereich wird die
Wärmebereitstellung durch zweistufge Wärmepumpen modelliert. In den Temperaturbereichen
von 140°C bis 200°C sowie 200°C bis 500°C werden Elektrodenkessel für die Dampferzeugung
verwendet. Tabelle A.8 im Anhang zeigt die prozentuale Aufteilung des Prozesswärmebedarfs
(100°C bis 200°C) je WZ in einen Anteil, der durch Wärmepumpen bereitgestellt wird und einen
Anteil, der durch Elektrodenkessel bereitgestellt wird. Die Anwendung Mechanische Energie
wird als vollständig elektrifzierbar angesehen. Für alle nicht-elektrifzierbaren Anwendungen
wurde ein Energieträgerwechsel zu Wasserstof modelliert. Dies betrift die Verbräuche
für Prozesswärme jenseits von 500°C und die nichtenergetische Erdgasnutzung. Im GHD-
Sektor wurde für sämtliche Gasanwendungen (Raumwärme, Warmwasser, Prozesswärme und
Mechanische Energie) ein Elektrifzierungspotenzial von 100% bis 2045 angesetzt, wobei für
die Wärmebereitstellung ausschließlich Wärmepumpen zum Einsatz kommen. Die industrielle
Stromproduktion aus Erdgas wird im Modell nicht durch Wasserstof bereitgestellt, sondern aus
anderen Strombezugsquellen gedeckt. Im Ergebnis resultiert daraus allerdings kein zusätzlicher
Stromverbrauch. Tabelle 4.5 zeigt eine Übersicht der modellierten Energieträgerwechsel von
Erdgas zu Strom bzw. zu grünem Wasserstof.
Tabelle 4.5: Übersicht der modellierten Energieträgerwechsel von Erdgas zu Strom bzw. zu
grünem Wasserstof nach Anwendung
Anwendung Modellierter Energieträgerwechsel
Raumwärme, Warmwasser,
WZ-übergreifende Elektrifzierung durch Wärmepumpen
Prozesswärme <100°C
Prozesswärme 100°C bis
Elektrifzierung durch Wärmepumpen für Anteil der Wärme un-
200°C (Dampf)
ter 140°C, Rest durch Elektrodenkessel. Anteile WZ-spezifsch
bestimmt (siehe Tabelle A.8).
Prozesswärme 200°C bis
Direktelektrifzierung mit Elektrodenkesseln
500°C (Heißdampf)
Prozesswärme >500°C Wasserstofbefeuerte Öfen, keine Elektrifzierung
Mechanische Energie WZ-übergreifende Elektrifzierung durch Elektromotoren
Nichtenerget. Nutzung Vollständige Substitution durch Wasserstof
Industrielle Stromprod.
Kein zusätzlicher Strombedarf, lediglich andere Strombezugs-
quellen (Netzbezug, werkseigene CO2-neutrale Produktion)
68
4.2 Beschreibung der Eingangsdaten
4.2.5 Lastprofle
Für die Modellierung zeitlicher Verläufe werden unterschiedliche Lastprofltypen herangezogen.
Auf der Stromseite stehen für 32 WZ realdatenbasierte BLP zur Verfügung [168]. Für
die übrigen WZ kommen für den Strom- und Gasverbrauch im GHD-Sektor SLP und im
Industriesektor BSP zum Einsatz, für deren Erstellung eine Reihe von ENAG verwendet
werden, wie z. B. Kalenderinformationen (Monat, Wochentag, Uhrzeit) und Temperaturdaten.
Dafür wird auf die im Rahmen des Forschungsprojekts DemandRegio aufbereiteten historischen
landkreisspezifschen Wetterdaten zurückgegrifen [7, S. 95]. Tabelle 4.6 zeigt eine Übersicht
der verwendeten Lastprofle je Sektor und Energieträger.
Tabelle 4.6: Verwendete Lastprofle je Sektor und Energieträger
Sektor Energieträger Verwendete Lastprofle
GHD Strom BLP/SLP
GHD Gas SLP
Industrie Strom BLP/BSP
Industrie Gas BSP
4.2.5.1 Branchenlastprofle
Bei der Modellierung des zeitlich aufgelösten Stromverbrauchs kommen regions- und WZ-
spezifsche BLP zum Einsatz, die im Rahmen des Forschungsprojekts DemandRegio erstellt
wurden und als normierte Profle für 32 WZ je NUTS-3 Region in Deutschland verfügbar sind
[168]. Abbildung 4.8 zeigt die charakteristischen Verläufe der BLP für ausgewählte WZ für
eine Woche im Mai 2019.
Abbildung 4.8: Exemplarischer Lastverlauf der Branchenlastprofle für ausgewählte Wirtschafts-
zweige für eine Woche von Montag bis Sonntag im Mai 2019, normiert auf 1 MWh Jahresverbrauch
Die BLP basieren auf realen Lastgangdaten von Unternehmen. Insgesamt sind mehr
als 1100 Jahreslastgänge sowie standortspezifsche Kalender- und Wetterdaten in das
69
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Regressionsverfahren zu deren Erstellung eingefossen [168, S. 1]. Für jedes Unternehmen,
wurden Lastmodelle mit individuellen Regressionskoefzienten erstellt, die anschließend durch
Mittelwertbildung zu WZ-spezifschen Modellen zusammengefasst wurden.
4.2.5.2 Standardlastprofle
1999 wurden an der Brandenburgischen Technischen Universität Cottbus im Auftrag des
Verbands der Elektrizitätswirtschaft e. V. die SLP für Stromkunden auf Basis von gemessenen
Lastgängen entwickelt. Die SLP spiegeln die Charakteristika bestimmter Kundengruppen
hinreichend genau, sodass sie von Anbietern, Versorgungsunternehmen und Netzbetreibern
bis heute genutzt werden. Insgesamt sind ca. 1200 gemessene Lastgänge in das Verfahren zur
Erstellung der SLP eingegangen. Mittels Gruppenbildung wurden elf repräsentative Profle
entwickelt: Ein Haushaltsprofl (H0), drei Landwirtschaftsprofle (L0, L1 und L2) sowie
sieben Gewerbeprofle (G0 bis G6) [64, S. 44]. Tabelle A.9 im Anhang enthält eine Übersicht
sowie eine Kurzbeschreibung der Profle und der entsprechenden Kundengruppen. Die Profle
der einzelnen Kundengruppen werden aufgrund jahreszeitlicher und wochentagsspezifscher
Lastschwankungen nach drei Jahreszeiten (Sommer, Übergang und Winter) sowie drei Typtagen
(Werktag, Samstag und Sonntag) unterschieden. Es ergeben sich insgesamt für jedes SLP neun
verschiedene Tagesprofle mit viertelstündlichen Leistungswerten, die auf einen Jahresverbrauch
von 1000 kWh normiert sind. Abbildung 4.9 zeigt den Verlauf des Lastprofls G0 (Gewerbe
allgemein) am Beispiel der drei Typtage für den Winter.
Abbildung 4.9: Exemplarischer Verlauf des Strom-Standardlastprofls G0 (Gewerbe allgemein)
Für die Modellierung des zeitlichen Verlaufs von Gasverbräuchen existieren ebenfalls
SLP. Diese wurden an der TU München im Auftrag des Bundesverbands der Energie-
und Wasserwirtschaft e. V. (BDEW) entwickelt [65, S. 16]. Im Jahr 2015 wurden die
ursprünglichen Sigmoid-SLP durch die FfE zu SigLinDe-Proflen weiterentwickelt [202].
Letztere kommen in dieser Arbeit zum Einsatz. Unter den SigLinDe Proflen existieren
drei Haushalts- und elf Gewerbeprofle, jeweils in den Ausprägungen “mittlerer” und
70
4.2 Beschreibung der Eingangsdaten
“erhöhter Heizgasanteil”. Tabelle A.10 im Anhang stellt eine Übersicht der verfügbaren
repräsentativen Gas-Lastprofle dar. Im Gegensatz zu den Strom-SLP, sind die Gas-SLP
temperaturabhängig und werden daher mittels Proflkoefzienten, Wochentagsfaktoren und
h-Werten jeweils für die einzelnen WZ und NUTS-3 Regionen erstellt [65, S. 160-166]. Als
Ausgangspunkt dienen Temperaturzeitreihen je Region [7, S. 71]. Die Temperaturzeitreihen
gehen gemeinsam mit proflspezifschen Parametern und Wochentagsfaktoren in die Berechnung
der täglichen “h-Werte” ein, über die der Jahresgasverbrauch auf die Tage verteilt wird. Über die
Wochentagsfaktoren werden auch bundeslandspezifsche Feiertage berücksichtigt. Anschließend
werden die Tagesgasmengen mittels SLP-Stundenwerten nach Praxisinfo P 2007/13 [203]
temperaturabhängig auf die Stunden des Tages verteilt. Abbildung 4.10 zeigt exemplarisch
den auf eine Megawattstunde normierten Jahreslastgang für das Gewerbeprofl “GKO”
(Gebietskörperschaften, Kreditinstitute etc.) für Berlin auf Basis der Temperaturzeitreihen
und Feiertage für 2015. Dieses Profl ist typisch für Bürobetriebe.
Abbildung 4.10: Exemplarischer Verlauf des Gas-Standardlastprofls für Gebietskörperschaften
für Berlin im Jahr 2015, normiert auf 1 MWh Jahresverbrauch
4.2.5.3 Betriebsschichtprofle
Da die SLP nicht für die Modellierung von Industrieverbräuchen entwickelt wurden, werden
WZ aus diesem Sektor mittels BSP modelliert, sofern keine realdatenbasierten BLP existieren.
Die BSP erlauben eine Verteilung der Energieverbräuche auf viertelstündliche Zeitschritte
und wurden im Rahmen des Forschungsprojekts DemandRegio entwickelt [7, S. 73]. Je nach
Arbeitszeiten und Länge der Arbeitswoche, wird zwischen Ein-, Zwei-, und Dreischichtbetrieb
bzw. nach Fünf-, Sechs- und Siebentagewoche unterschieden. Die Arbeitszeiten sind wie folgt
defniert: Im Einschichtbetrieb wird von 08:00 bis 16:30 Uhr gearbeitet, im Zweischichtbetrieb
von 06:00 bis 23:00 Uhr und im Dreischichtbetrieb von 0:00 bis 24:00 Uhr. Insgesamt ergeben sich
aus der Kombination von Arbeitsschichten und Länge der Arbeitswoche neun unterschiedliche
BSP, die Tabelle 4.7 entnommen werden können.
71
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Tabelle 4.7: Betriebsschichtprofle für industrielle Betriebe, nach [7, S. 73]
Betriebsschichtprofle
Einschichtbetrieb
Zweischichtbetrieb
Dreischichtbetrieb
werktags
werktags und werktags, samstags und
samstags sonntags
S1_WT S1_WTSA S1_WTSASO
S2_WT S2_WTSA S2_WTSASO
S3_WT S3_WTSA S3_WTSASO
Für jedes Profl wird zwischen zwei Lastniveaus unterschieden. Während der Arbeitszeit
gilt das höhere Niveau und außerhalb der Arbeitszeit gilt das Grundlastniveau, welches 50%
des hohen Niveaus entspricht [7, S. 81]. Diese Annahme wurde anhand der verfügbaren
realdatenbasierten BSP plausibilisiert. Abbildung 4.11 zeigt den beispielhaften Verlauf der
BSP für WZ, in denen nur werktags gearbeitet wird, für eine Woche im Mai. Die Profle sind
auf einen Jahresverbrauch von einer Megawattstunde normiert.
Abbildung 4.11: Exemplarischer Lastverlauf der Betriebsschichtprofle für eine Woche von Montag
bis Sonntag im Mai, normiert auf 1 MWh Jahresverbrauch
4.2.5.4 Zuordnung der Profltypen zu Wirtschaftszweigen
Im letzten Schritt der Vorbereitung der zeitlichen Aufösung werden die Lastprofltypen den WZ
zugeordnet. Soweit vorhanden werden dabei die realdatenbasierten BLP prioritär verwendet.
Jenen WZ, für die keine BLP verfügbar sind, werden SLP zugeordnet, sofern sie zum GHD-
Sektor gehören, und BSP zugeordnet, sofern sie zum Industriesektor gehören (siehe Tabelle 2.4).
Für die Zuordnung der SLP wird auf die Veröfentlichungen des BDEW für Strom [204] bzw.
Gas [65, 205] abgestellt. Für den Industriesektor wurden unterschiedliche branchenspezifsche
Veröfentlichungen, u. a. von Gewerkschaften, zu typischen Arbeitszeiten herangezogen, um
eine plausible Zuordnung der BSP zu den WZ vorzunehmen [206, S. 35], [207, 208]. Die BSP
werden sowohl für den Strom-, als auch für den Gasverbrauch angewendet. Tabelle A.11 im
Anhang zeigt die Zuordnung der Lastprofltypen zu den WZ.
72
4.3 Modellierung regionaler Energieverbräuche
4.3 Modellierung regionaler Energieverbräuche
Für die regionale Aufösung der Modellierung wird auf die internationale Systematik der
NUTS-Regionen abgestellt, die deckungsgleich mit der deutschen AGS-Systematik ist (siehe
Abschnitt 2.3). Auf diese Weise kann auf Datenquellen zurückgegrifen werden, die die
gleiche oder eine übertragbare Systematik verwenden. Zudem können die Verbräuche für
den Vergleich mit anderen Datenquellen auf die NUTS-1- (Bundesländer) oder NUTS-0-Ebene
(Deutschland) aggregiert werden. Auf Basis der Datenaufbereitungen werden nun die Strom-
und Gasverbräuche des Industrie- und GHD-Sektors je NUTS-3 Region (Landkreise) und WZ
und Anwendung berechnet. Die Disaggregation erfolgt jeweils in einem mehrstufgen Verfahren,
welches sich zwischen den Sektoren aufgrund unterschiedlicher Datengrundlagen unterscheidet.
4.3.1 Modellierung regionaler Verbräuche nach Wirtschaftszweigen
Für die Ermittlung der regionalen Strom- und Erdgasverbräuche werden gemäß des Top-down-
Ansatzes auf Basis der deutschlandweiten Jahresenergieverbräuche je WZ (siehe Abschnitt 4.2.2)
und den sozialversicherungspfichtig Beschäftigten je WZ (siehe Abschnitt 4.2.4), spezifsche
Verbräuche in MWh pro beschäftigter Person gebildet. Für den GHD-Sektor erfolgt die
Berechnung des Strom-, bzw. Erdgasverbrauchs für ein gegebenes historisches Jahr zwischen
2000 und 2018 je NUTS-3 Region (
SNUT S3,W Z
bzw.
GNUT S3,W Z
) durch die Multiplikation
des spezifschen Verbrauchs (
sW Z
und
gW Z
) mit den Beschäftigten je WZ und NUTS-3 Region
aus dem jeweiligen Jahr (
BNUT S3,W Z
). Für die Bestimmung des spezifschen Verbrauchs wird
der Jahresstrom- bzw. Gasverbrauch nach UGR (
SUGR,P B
bzw.
GUGR,P B
) herangezogen, der
allerdings nicht für die WZ sondern für Produktionsbereiche angegeben wird (siehe Abschnitt
2.5). Produktionsbereiche sind in der Regel identisch mit WZ, umfassen allerdings hin und
wieder mehrere WZ. In diesen Fällen ergibt sich ein identischer spezifscher Verbrauch für
alle WZ, die zum gleichen Produktionsbereich gehören. Formel 4.1 zeigt die Berechnung am
Beispiel des Stromverbrauchs SNUT S3,W Z
.
SUGR,P B
SNUT S3,W Z
=sW Z · BNUT S3,W Z
= ∑ · BNUT S3,W Z (4.1)
BW Z
W Z∈P B
Im Unterschied zum GHD-Sektor wird der spezifsche Verbrauch für industrielle WZ in
einem iterativen Verfahren ermittelt. Hintergrund ist, dass ein fester spezifscher Verbrauch je
beschäftigter Person im gleichen WZ über alle Landkreise zu einer Verzerrung der tatsächlichen
regionalen Verteilung der Verbräuche führt. Dies liegt darin begründet, dass Beschäftigte in der
Verwaltung und in den Produktionsstätten stark abweichende spezifsche Verbräuche aufweisen,
allerdings gleichermaßen zum jeweiligen industriellen WZ gezählt werden. Die Standorte
von Verwaltung und Produktionsbetrieb können überdies regional auseinanderfallen, selbst
wenn sie zum gleichen Unternehmen gehören. Bei festem spezifschen Verbrauch würde der
Verbrauch von Verwaltungsniederlassungen überschätzt und jener von Produktionsstandorten
unterschätzt werden. Im Zuge des iterativen Verfahrens werden spezifschen Verbräuche in
MWh pro beschäftigter Person je WZ und NUTS-3 Region berechnet. Dies erfolgt durch
einen sich wiederholenden Abgleich zwischen den Datenquellen der UGR und der JEVI. Die
73
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Datengrundlage der UGR liefert die WZ-spezifschen Verbräuche, während die JEVI die
regionsspezifschen Verbräuche des industriellen Sektors enthält (vgl. Abschnitt 2.7, Abbildung
2.4). Die spezifschen Strom- und Erdgasverbräuche (
sNUT S3,W Z
bzw.
gNUT S3,W Z
) werden
derart ermittelt, sodass die Summenverbräuche auf WZ-Ebene jenen nach UGR und auf
regionaler Ebene jenen nach JEVI entsprechen. Das iterative Verfahren wurde vom Autor der
vorliegenden Dissertation entwickelt und im Rahmen des Forschungsprojekts DemandRegio
angewendet [7, S. 76 f.]. Für ein gegebenes historisches Jahr zwischen 2000 und 2018 wird
folgende Schrittfolge durchlaufen, die hier exemplarisch für den Stromverbrauch beschrieben
wird:
1.
Initiale Berechnung der WZ-spezifschen Verbräuche (
sNUT S3,W Z
) je beschäftigter Person
(
BNUT S3,W Z
) analog zum Vorgehen im GHD-Sektor und Übernahme der spezifschen
Verbräuche für jeden Landkreis.
SUGR,P B
sNUT S3,W Z
= ∑ (4.2)
BW Z
W Z∈P B
2. Berechnung des Verbrauchs je NUTS-3 Region und WZ (SNUT S3,W Z
).
SNUT S3,W Z
=sNUT S3,W Z · BNUT S3,W Z (4.3)
3. Aggregation der Verbräuche über alle WZ je NUTS-3 Region (SNUT S3).
∑
SNUT S3= SNUT S3,W Z (4.4)
W Z
4.
Abgleich des errechneten Verbrauchs je NUTS-3 Region mit den Angaben zum
Verbrauch je NUTS-3 Region aus der JEVI (
SNUT S3,JEV I
) und Berechnung eines
Abweichungsfaktors (AFNUT S3).
SNUT S3,JEV I
AFNUT S3= (4.5)
SNUT S3
5.
Anpassung der spezifschen Verbräuche für alle WZ im jeweiligen Landkreis mittels
des Abweichungsfaktors (
AFNUT S3
). Dabei darf ein Jahresverbrauch von 10 MWh pro
beschäftigter Person nicht unterschritten werden.
10MW h
sN UT S3,W Z,neu
=max{AFNUT S3 · sNUT S3,W Z,alt ,
6. Berechnung des Verbrauchs je NUTS-3 Region und WZ.
SNUT S3,W Z
=sNUT S3,W Z · BNUT S3,W Z
B } (4.6)
(4.7)
7. Aggregation der Verbräuche über alle Regionen je WZ (SW Z
).
∑
SW Z
= SNUT S3,W Z (4.8)
NUT S3
74
4.4 Modellierung zeitlich aufgelöster Energieverbräuche
8.
Abgleich des errechneten Verbrauchs je WZ mit den Angaben zum Verbrauch je WZ aus
der UGR (SW Z,UGR) und Berechnung eines Abweichungsfaktors (AFW Z
).
SW Z,UGR
AFW Z
= (4.9)
SW Z
9.
Anpassung der spezifschen Verbräuche für alle WZ mittels des Abweichungsfaktors
(
AFW Z
). Dabei darf ein Jahresverbrauch von 10 MWh pro beschäftigter Person nicht
unterschritten werden.
10MW h
sNUT S3,W Z,neu
=max{AFW Z · sNUT S3,W Z,alt , B } (4.10)
10. Berechnung des Verbrauchs je NUTS-3 Region und WZ.
SNUT S3,W Z
=sNU T S3,W Z · BNUT S3,W Z (4.11)
Die Schritte drei bis zehn werden wiederholt, bis die Abweichungen der Jahresverbräuche je
NUTS-3 Region im Vergleich zur JEVI (Formel 4.5) und die Abweichungen je WZ im Vergleich
zur UGR (Formel 4.9) weniger als 10% betragen. Dies ist in der Regel nach acht Iterationen
erreicht.
4.3.2 Modellierung regionaler Verbräuche nach Anwendungen
In diesem Schritt werden die regionalen Energieverbräuche je WZ gemäß ihrer Verwendung
nach Anwendungen disaggregiert. Die Aufteilung der Strom- bzw. Gasverbräuche je WZ auf die
Anwendung erfolgt auf Basis der Faktoren aus Tabelle A.3 und Tabelle A.4 (siehe Abschnitt
4.2.3), die je WZ und Anwendungen für Strom (
fs,W Z,AW
) und Erdgas (
fg,eW Z,AW
) vorliegen
(AW steht für Anwendung). Für die Disaggregation im industriellen Sektor werden zunächst
die Erdgasmengen, die für die industrielle Stromproduktion eingesetzt werden, herausgerechnet,
da sich die Aufteilung nach Anwendungen aus Tabelle A.4 auf den Erdgasverbrauch exklusive
des industriellen Kraftwerksverbrauchs beziehen. Die industriellen Erdgasverbräuche für
Prozesswärme können durch einen zusätzlichen Berechnungsschritt nach Temperaturniveaus
(
T
) aufgeteilt werden (siehe Abschnitt 4.2.3). Dafür werden zusätzlich die Faktoren aus
Tabelle A.5 berücksichtigt, über die der Prozesswärmeanteil gemäß der Temperaturbereiche
(<100°C, 100°C bis 200°C, 200°C bis 500°C und >500°C) genauer aufgeteilt wird. Im Ergebnis
werden regionale Strom- bzw. Erdgasverbräuche je WZ für GHD- und Industrieanwendungen
(
SNUT S3,W Z,AW
bzw.
GNUT S3,W Z,AW,T
) ermittelt. Formel 4.12 beschreibt die Berechnung am
Beispiel des Stromverbrauchs.
SNUT S3,W Z,AW =SNUT S3,W Z · fs,W Z,AW (4.12)
4.4 Modellierung zeitlich aufgelöster Energieverbräuche
Auf Basis der Ergebnisse der regionalen Disaggregation werden in diesem Schritt die Strom- und
Erdgasverbräuche im zeitlichen Verlauf berechnet. Die Modellierung erfolgt auf der Grundlage
75
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
der in Abschnitt 4.2.5 vorgestellten Lastprofle. Die zeitliche Aufösung der Modellierung
entspricht, wie im Abschnitt 2.4 vorgestellt, mindestens viertelstündlichen Zeitschritten für
den Stromverbrauch und mindestens stündlichen Zeitschritten für den Erdgasverbrauch.
4.4.1 Modellierung von Lastgängen nach Wirtschaftszweigen
Für die Ermittlung der zeitlich aufgelösten Verbräuche werden normierte regions- und WZ-
spezifsche Lastprofle mit den entsprechenden Ergebnissen aus den regionalen Disaggrega-
tionsverfahren skaliert. Die Zuordnung der Lastprofle BLP, SLP und BSP zu den WZ und
Energieträgern ist Tabelle A.11 zu entnehmen. Im GHD-Sektor werden für Stromverbräuche,
sofern verfügbar, realdatenbasierte WZ-und landkreisspezifsche BLP verwendet (siehe
Tabelle 4.6) [7, S. 95]. Sofern keine BLP verfügbar sind, werden Strom-SLP gemäß der
Verfahrensbeschreibung aus dem VDEW Leitfaden [209] gebildet. Zunächst wird für das
betrachtete Jahr ein Kalender angelegt, der neben der Uhrzeit auch Informationen zum
Typtag (Werktag, Samstag, Sonntag) und zur Jahreszeit (Sommer, Übergang und Winter)
enthält. Feiertage werden dabei wie Sonntage behandelt. Mithilfe dieses Kalenders werden
aus den Tagesproflen für jeden Lastprofltyp (siehe Tabelle A.9) und jede NUTS-3 Region
normierte viertelstündlich aufgelöste Jahresprofle erstellt, die anschließend mit den jährlichen
WZ-spezifschen Stromverbräuchen aus der regionalen Disaggregation skaliert werden. Für die
zeitliche Aufösung der Erdgasverbräuche werden entsprechende Gas-SLP erstellt. Für den
GHD-Sektor erfolgt dies nach dem synthetischen Standardlastproflverfahren mit den SigLinDe
Proflen der Ffe, welches im entsprechenden Leitfaden beschrieben ist [65]. Dabei werden
neben den Profl- und Tagestypen auch regionsspezifsche Temperaturzeitreihen berücksichtigt
(siehe Abschnitt 4.2.5.2). Im Ergebnis entstehen auf Basis der Jahresenergiemengen aus der
regions- und WZ-spezifschen Disaggregation stündlich aufgelöste Jahreslastgänge je WZ und
NUTS-3 Region. Für Stromverbräuche im Industriesektor werden ebenfalls BLP verwendet,
sofern die Datenlage es erlaubt. In den anderen Fällen werden die BSP herangezogen (siehe
Abschnitt 4.2.5.3). Die Erstellung der BSP erfolgt analog zum Verfahren für die Strom-SLP.
Je Bundesland und Profltyp (siehe Tabelle 4.7) wird ein normiertes Lastprofl auf Basis
eines bundeslandspezifschen Kalenders erstellt. Allerdings unterliegt der Verlauf hier keinen
jahreszeitlichen Schwankungen. Im Ergebnis entstehen viertelstündlich aufgelöste normierte
Lastprofle, die sowohl für die Modellierung des Strom- als auch des Gasverbrauchs im
Industriesektor verwendet werden und die mit den Ergebnissen aus der Disaggregation je
NUTS-3 Region und WZ skaliert werden.
4.4.2 Modellierung von Lastgängen nach Anwendungen
Die zeitliche Aufösung der anwendungsspezifschen Verbräuche erfolgt auf Basis der nach
NUTS-3 Region, WZ und Anwendung disaggregierten Jahresverbräuche (siehe Abschnitt 4.3.2)
sowie der WZ-spezifschen Lastgänge je NUTS-3 Region (siehe Abschnitt 4.4.1). Aus den
Jahresverbräuchen wird zunächst je NUTS-3 Region und WZ der Anteil der Anwendungen am
Strom- bzw. Gasverbrauch berechnet. Anschließend wird jeder Zeitschritt der regionalen und
WZ-spezifschen Lastgänge gemäß der Anteile der Anwendungen aufgeteilt. Das Verfahren
kann für mittels BLP, SLP und BSP modellierte Lastgänge gleichermaßen angewendet werden.
Überdies erlaubt es, die Lastgänge vollständig, das heißt je Anwendung, NUTS-3 Region und
76
4.4 Modellierung zeitlich aufgelöster Energieverbräuche
WZ, zu disaggregieren, als auch die anwendungsspezifschen Verbräuche über alle WZ je Region
summiert auszugeben. Im Falle der vollständigen Disaggregation werden die Berechnungen für
jedes Bundesland separat ausgeführt, da es ansonsten je nach Arbeitsspeicher des ausführenden
Computers aufgrund der Größe der entstehenden Datensätze zu Kapazitätsproblemen bei
der Speichernutzung kommen kann. Versucht man den vollständig disaggregierten Datensatz
für den GHD-Sektor über alle Landkreise in einem Schritt zu berechnen, würde bei 35.040
Viertelstunden, 58 WZ, 401 NUTS-3 Regionen und 8 Anwendungen eine Tabelle mit ca. 6
Mrd. Zellen entstehen. Für jede darin gespeicherte Dezimalzahl (foat) wären 8 Bytes nötig
[210], was im Ergebnis zu einem Arbeitsspeicherbedarf von 50 GB führen würde. Werden die
Bundesländer sukzessive berechnet, ergibt sich z. B. im Fall von Niedersachsen, immer noch
ein Arbeitsspeicherbedarf von ca. 5 GB.
4.4.3 Modellierung von Lastgängen für Wärmepumpen
Für die Abbildung zukünftiger Verbräuche der strombasierten Deckung der Wärmenachfrage ist
die Modellierung von Wärmepumpenlastgängen notwendig. Dafür werden die anwendungsspezi-
fschen Erdgaslastgänge in Wärmelastgänge umgerechnet und über COP-Zeitreihen in regions-
und WZ-spezifsche Wärmepumpenlastgänge überführt. Das in Abschnitt 4.4.2 vorgestellte
Verfahren liefert bereits anwendungsspezifsche regionale Verbrauchslastgänge je WZ. Im
Ergebnis dieser einfachen Disaggregation entsprechen die Verläufe aller Anwendungen jenen
der WZ-spezifschen Gesamtlastgänge. Dabei unterscheiden sich die Verläufe von Raum- und
Prozesswärmeanwendungen innerhalb eines WZ nicht voneinander, obwohl für die Raumwärme
eine höhere Abhängigkeit von der Außentemperatur gegeben sein müsste. Aus diesem Grund
werden auf Basis der Gas-SLP zunächst normierte Lastprofle mit einerseits starker und
andererseits nur bedingter Temperaturabhängigkeit entwickelt. Erstere Profle kommen für
die Modellierung der Raumwärmebedarfe zum Einsatz und letztere für die Anwendungen
Prozesswärme und Warmwasser. Der Einsatz von Wärmepumpen wird in dieser Arbeit
für Wärmeanwendungen bis maximal 140°C modelliert (siehe Tabelle 4.5). Abbildung 4.12
zeigt eine Übersicht der Vorgehensweise zur Modellierung von Stromnachfragezeitreihen für
Wärmepumpen. Im ersten Schritt werden technologie- und regionsspezifsche COP-Zeitreihen
berechnet. Im zweiten Schritt erfolgt die Ermittlung von Wärmebedarfszeitreihen, die sich je
nach Anwendung in ihrer Außentemperaturabhängigkeit unterscheiden. Zuletzt werden COP-
und Wärmebedarfszeitreihen zu Wärmepumpenlastgängen verrechnet.
Abbildung 4.12: Verfahren zur Modellierung von Lastproflen für Wärmepumpen
Das Verfahren aus Abbildung 4.12 erweitert jenes von Ruhnau et al. (2019) aus dem
Forschungsprojekt “When2Heat” [83]. Der im Zuge dieses Projekts erstellte Datensatz umfasst
Zeitreihen für Wärmenachfragen und COP für 16 europäische Länder in stündlicher Aufösung
77
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
[211]. Das Verfahren wird in dieser Arbeit für die Verwendung im Disaggregationsprozess auf
höherer regionaler (NUTS-3) und zeitlicher (viertelstündlich) Aufösung sowie für verschiedene
WZ angepasst.
4.4.3.1 Erstellung von COP-Zeitreihen
Der COP von Wärmepumpen hängt maßgeblich von der Bauweise der Wärmepumpe
und der zu überwindenden Temperaturdiferenz zwischen Wärmequelle und Wärmesenke
- auch als Temperaturhub bezeichnet - ab. In dieser Arbeit wird zwischen Luft-, Sole- und
Grundwasserwärmepumpen unterschieden. Je nach Technologie ergibt sich ein spezifsches
Temperaturniveau der Wärmequelle. Für Luftwärmepumpen gilt die Außenluft als Wärmequelle.
NUTS-3-spezifsche Außentemperaturzeitreihen wurden im Rahmen des Projekts Demand-
Regio von den Datenbanken des Deutschen Wetterdienstes abgerufen und sind über eine
Datenschnittstelle abrufbar [167]. Für Solewärmepumpen ist die Bodentemperatur maßgeblich.
Dementsprechend werden Bodentemperaturdaten in 1,00 bis 2,89 m unter der Oberfäche
vom Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF) aus dem ERA-
Interim Archiv verwendet [212]. Für die Bestimmung der Temperatur der Sole wird von der
Bodentemperatur 5°C für die Wärmeübertragung zwischen Boden und Sole abgezogen [83,
S.5-6]. Die Grundwassertemperatur wird über das Jahr konstant bei 10°C angenommen. Für die
Übertragung auf das Medium der Wärmepumpe wird ebenfalls 5°C subtrahiert [83, S. 6]. Um
die Abhängigkeit der Wärmenachfrage von der Außentemperatur auch in der Fortschreibung zu
ermöglichen, wird jedem zukünftigen Jahr ein historisches Wetterjahr zugeordnet. Abbildung
4.13 zeigt die für die Modellierung der Wärmepumpen ermittelten Temperaturverläufe der
Wärmequellen für Berlin im Jahr 2018.
Abbildung 4.13: Temperaturverläufe der Wärmequellen Grundwasser, Luft und Sole für Berlin
(2018), nach [167] [212]
Für die Wärmesenken werden je nach Anwendung unterschiedliche Temperaturniveaus
festgelegt, die in Tabelle 4.8 festgehalten sind. Für Raumwärme wird die Temperatur
des Heizungsvorlaufs über die Heizperiode konstant mit 40°C angenommen. Dieser Wert
ist konsistent mit den Ergebnissen einer Felduntersuchung von Wärmepumpen durch das
Fraunhofer ISE aus dem Jahr 2020, in der über verschiedene Wärmeübergabesysteme
gemittelte Vorlauftemperaturen von Außenluftwärmepumpen von 36,9°C und maximale
Vorlauftemperaturen von 43,6°C ermittelt wurden [213, S. 6]. Für Warmwasser wird ein
78
4.4 Modellierung zeitlich aufgelöster Energieverbräuche
Temperaturniveau von 55°C angesetzt, um einer Vermehrung von Legionellen vorzubeugen
[214]. Für die Prozesswärme im GHD-Sektor wird angenommen, dass die Temperaturen
bis auf wenige Ausnahmen bei unter 100°C liegen. Über alle WZ hinweg wird hier ein
durchschnittlicher Wert von 70°C angenommen. Im industriellen Sektor hingegen wird nach
Temperaturniveaus des Prozesswärmebedarfs unterschieden (siehe Tabelle A.5). Für den
Einsatz von Wärmepumpen kommen dabei aber nur die Niedertemperaturwärme (< 100°C)
und Prozessdampf (100°C bis 200°C) in Betracht. Im Bereich der Niedertemperaturwärme wird
hier mit einem durchschnittlichen Temperaturniveau von 80°C gerechnet. Diese Annahme stützt
sich auf Analysen des Prozesswärmebedarfs verschiedener industrieller WZ [79, S. 990]. Für
den notwendigen Temperaturhub für Prozesswärme im Bereich von 100°C bis 200°C kommen
kommerziell verfügbare Wärmepumpen an ihre technische Grenzen. Wie in Abschnitt 4.2.4
beschrieben, ist deshalb nicht der gesamte Wärmebedarf, der in diesem Temperaturbereich
anfällt durch Wärmepumpen elektrifzierbar, sondern nur der Teil, der unter 140°C liegt
(siehe Tabelle 4.5). Als durchschnittliches Temperaturniveau der Wärmesenke wird hier 120°C
angenommen.
Tabelle 4.8: Senkentemperaturniveaus je Anwendung und Sektor für die Berechnung von COP-
Zeitreihen.
Anwendung
Raumwärme
Warmwasser
Prozesswärme
Prozesswärme <100°C
Prozesswärme 100°C-140°C
GHD
40°C
55°C
70°C
-
-
Industrie
40°C
55°C
-
80°C
120°C
Aus der Temperaturdiferenz zwischen Wärmequellen und -senken werden im nächsten
Schritt Temperaturhübe berechnet, die in Bezug auf die verschiedenen Wärmepumpentypen
maßgeblich für die Höhe des COP sind. Die Bestimmung der COP-Werte basiert auf
Regressionen von Herstellerdaten, die aus den Veröfentlichungen von Ruhnau et al. [83,
S. 5] sowie Arpagaus et al. [215, S. 7] übernommen wurden. Von den Autoren Ruhnau et al.
wird zudem ein Korrekturfaktor in Höhe von 0,85 vorgeschlagen, um die über die Regression
ermittelten COP-Werte mit realen Messungen aus einer umfangreichen Feldmessung von
Wärmepumpenanlagen des Fraunhofer ISE [216] konsistent zu halten. Ursächlich für die
Abweichungen zwischen den für die Regression verwendeten Herstellerangaben und gemessenen
Werten könnte sein, dass die Herstellerdaten unter idealen Bedingungen erfasst wurden und
Wirkungsgradverluste im Teillastbetrieb nicht berücksichtigt wurden [83, S. 7]. Überdies muss
für den Betrieb von Grundwasser- und Solewärmepumpen die Höhendiferenz berücksichtigt
werden, die von der Wärmepumpe überwunden werden muss, sofern Erdsonden in größerer
Tiefe verwendet werden [83, S. 7]. Der Korrekturfaktor wird in dieser Arbeit übernommen und
die über die Regression ermittelten COP-Werte mit diesem Faktor belegt. Das Ergebnis ist in
Abbildung 4.14 dargestellt. Sie zeigt die COP-Werte für verschiedene Wärmepumpentypen
in Abhängigkeit des Temperaturhubs unter Berücksichtigung des Korrekturfaktors von 0,85.
Die Regressionsfunktionen für Luft-, Sole und Grundwasserwärmepumpen entstammen der
Veröfentlichung von Ruhnau et al. (2019) und jene für Abwärme als Wärmequelle von Arpagaus
et al. (2019).
79
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
Abbildung 4.14: COP unterschiedlicher Wärmepumpentypen, Regression nach [83] und [215]
4.4.3.2 Erstellung von Wärmebedarfszeitreihen
In diesem Schritt werden Wärmebedarfszeitreihen je WZ ermittelt, wobei die Zeitreihen
für Raumwärme eine starke Außentemperaturabhängigkeit aufweisen und die Zeitreihen für
die übrigen Anwendungen nur bedingt temperaturabhängig sind. Ausgangsbasis bilden die
Erdgaslastgänge je WZ, die auf Basis des SLP-Verfahrens (Gas) erzeugt und in einen stark
temperaturabhängigen und einen bedingt temperaturabhängigen Teil zerlegt werden. So
verfahren auch Ruhnau et al. (2019) [83]. Anschließend werden die zerlegten Lastgänge unter
Berücksichtigung der Wirkungsgrade von Erdgasthermen (siehe Tabelle 4.4) in Wärmelastgänge
umgerechnet. Die Zerlegung erfolgt, indem vom gesamten Gaslastgang je NUTS-3 Region und
WZ der bedingt temperaturabhängige Teil subtrahiert wird [83, S. 5]. Für die Berechnung des
bedingt temperaturabhängigen Teils werden die Jahresgasverbräuche für die Anwendungen
Warmwasser, Mechanische Energie und Prozesswärme herangezogen, da angenommen wird,
dass die Höhe des Bedarfs für diese Anwendungen kaum von der Außentemperatur abhängt.
Diese Jahresgasverbräuche sind das Ergebnis der anwendungsspezifschen Disaggregation (siehe
Abschnitt 4.3.2).
Maßgeblich für die im SLP-Verfahren (Gas) erzeugten Lastgänge sind die tagesspezifschen
h-Werte, die Faktoren zur Bestimmung des Tagesbedarfs als Anteil vom Jahresbedarf
darstellen. Für die Berechnung der h-Werte wird wiederum die Allokationstemperatur
(
TAllo
) herangezogen, welche sich aus einer geometrischen Reihe von vier vorangegangenen
Tagesmitteltemperaturwerten (
TD
bis
TD�3
) errechnet (siehe Formel 4.13) [65, S. 24]. Auf
diese Weise wird die thermische Trägheit von Gebäuden näherungsweise berücksichtigt.
TD + 0.5 · TD�1 + 0.25 · TD�2 + 0.125 · TD�3
TAllo
= (4.13)
1+0.5+0.25 + 0.125
Abhängig von der Allokationstemperatur werden als nächstes die h-Werte, die für den
Gesamtlastgang maßgeblich sind, berechnet. Die h-Wert-Funktion wird aus der Summe
eines sigmoiden und eines linearen Funktionsterms gebildet [65, S. 56]. Die Parameter der
Sigmoidfunktion
A
bis
D
sowie die Koefzienten des linearen Anteils
mH
und
bH
(Heizen) und
80
4.4 Modellierung zeitlich aufgelöster Energieverbräuche
mW
und
bW
(Warmwasserbereitstellung) sind in den Datenblättern des BDEW-Leitfadens für
elf verschiedene Gewerbe-Typen defniert [65, S. 158]. Die Referenztemperatur
T0
wird auf
40°C festgelegt [65, S. 58]. Formel 4.14 zeigt die Berechnung für die h-Werte, welche für die
Verteilung des gesamten Gasbedarfs auf die Tage gelten.
[ { }]
A
mH · TAllo + bH
hgesamt(TAllo)=
( )C + D
+ max (4.14)
1 + B mW · TAllo + bW
TAllo�T0
Die h-Werte, die für die Bildung des bedingt temperaturabhängigen Lastgangs maßgeblich
sind (
hbedtemp
), werden aus dem temperaturunabhängigen Anteil der Sigmoidfunktion (Faktor
D
, siehe Formel 4.14) und dem linearen Teil für Warmwasser gebildet. Der lineare Teil gilt
dabei nur für Temperaturen oberhalb der Heizgrenze von 15°C. Durch das negative Vorzeichen
des Koefzienten
mw
sinkt
hbedtemp
mit steigender Allokationstemperatur. Unterhalb der
Heizgrenze ergibt sich ein konstanter h-Wert [83, S. 4, 5]. Formel 4.15 zeigt die Berechnung.
D + mW · TAllo + bW , TAllo > 15◦C
hbedtemp(TAllo)= (4.15)
D + mW · 15 + bW , TAllo ≤ 15◦C
Die temperaturabhängigen und bedingt temperaturabhängigen Jahresgasverbräuche werden
nun mit den entsprechenden h-Werten aus Formeln 4.14 und 4.15 sowie den im BDEW-
Leitfaden defnierten Wochentagsfaktoren [65, S. 158] multipliziert, um die Tagesverbräuche
zu ermitteln. Anschließend werden die Tagesverbräuche mittels SLP-Stundenwerten nach
Praxisinfo P 2007/13 [203] temperaturabhängig auf die Stunden verteilt. Im Falle des bedingt
temperaturabhängigen Verbrauchs werden die Stundenwerte verwendet, welche für das höchste
Temperaturintervall (über 25°C) vorgesehen sind, da angenommen wird dass bei diesen
Außentemperaturen keine Raumwärme nachgefragt wird [83, S. 5].
Der Gaslastgang für Raumwärme (
LGRW
) wird anschließend als Diferenz zwischen dem
Lastgang des Gesamtbedarfs (
LGgesamt
) und dem bedingt temperaturabhängigen Lastgang
(
LGbedtemp
) berechnet. Dabei treten in der stündlichen Aufösung im Sommer einige negative
Werte auf, die auf Null gesetzt werden. Überdies ist zu beachten, dass der sigmoide Teil der
h-Werte bei steigender Allokationstemperatur gegen Null geht (siehe Formel 4.14), aber auch in
Bereichen oberhalb der Heizgrenze stets größer als Null ist, was dazu führt, dass auch an Tagen
mit Temperaturen oberhalb der Heizgrenze Raumwärmebedarf allokiert wird. Die resultierende
Überallokation in den Sommermonaten wird in der Literatur als “Sommer-Winter-Efekt”
beschrieben [65, S. 16]. In einigen Publikationen wird deshalb ein zusätzlicher Saisonalfaktor in
Betracht gezogen, auf den in dieser Arbeit allerdings verzichtet wird [202, S. 17]. Stattdessen
wird der Gasbedarf für Raumwärme, wie in Formel 4.16 angegeben, oberhalb der Heizgrenze
auf Null gesetzt. Formel 4.16 zeigt die Berechnung.
81
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
0, TAllo > 15◦C
LGRW (TAllo)=
LGgesamt(hgesamt(TAllo)) � LGbedtemp(hbedtemp(TAllo)), TAllo ≤ 15◦C
(4.16)
Die auf diese Weise berechneten NUTS-3- und WZ-spezifschen temperaturabhängigen
Gaslastgänge für Raumwärme (
LGRW
) und für bedingt temperaturabhängige Anwendungen
(
LGbedtemp
) werden anschließend normiert. Im letzten Schritt werden die temperaturabhängigen
Lastgänge mit dem entsprechenden WZ-spezifschen Jahresgasverbrauch für Raumwärme
skaliert und über den Wirkungsgrad für Erdgasthermen (96%, siehe Tabelle 4.4) in den
Raumwärmelastgang überführt. Analog werden die bedingt temperaturabhängigen normierten
Gaslastgänge mit den WZ-spezifschen Jahresgasverbräuchen für Prozesswärme und Warmwas-
ser skaliert und ebenfalls über die technologiespezifschen Wirkungsgrade (siehe Tabelle 4.4)
in Wärmelastgänge umgerechnet.
4.4.3.3 Erstellung von Stromverbrauchszeitreihen für Wärmepumpen
Die Wärmebedarfszeitreihen für Raumwärme, Warmwasser und Prozesswärme werden nun
gemäß der Defnition des COP (siehe Formel 2.1) in Strombedarfszeitreihen für Wärmepumpen
umgerechnet. Die entstehenden Stromverbrauchszeitreihen für Raumwärme weisen im Ergebnis
eine doppelte Temperaturabhängigkeit auf. Zum einen besteht im Winter ein höherer Bedarf
an Raumwärme und zum anderen ist der COP der Wärmepumpen im Winter niedriger
als im Sommer. Die Stromlastgänge für die bedingt temperaturabhängigen Wärmebedarfe
für Warmwasser und Prozesswärme weisen eine einfach Temperaturabhängigkeit über den
COP auf. Für die Anwendungen Raumwärme, Warmwasser sowie die Prozesswärme im
Niedertemperaturbereich (<100°C) werden die COP-Zeitreihen gemäß der Anteile der
Wärmepumpentypen aus dem Wärmepumpenbestand für Raumwärme in Deutschland aus
dem Jahr 2019 berechnet, der vom Bundesverband Wärmepumpe e. V. mit 58% Luft-, 36%
Sole- und 6% Grundwasserwärmepumpen angegeben wird [217, S. 7].
Im Bereich des Prozesswärmebedarfs zwischen 100°C und 140°C ist zu beachten, dass ein-
kreisige Wärmepumpen nicht in der Lage sind, Temperaturhübe von über 80°C ohne erhebliche
Efzienzverluste zu überbrücken. Hochtemperaturwärmepumpen nutzen deshalb Abwärme
aus industriellen Prozessen als Wärmequelle oder bestehen aus mehrkreisigen kaskadierten
Wärmepumpensystemen [82, S. 293] [79, S. 997]. Da für die einzelnen industriellen WZ nicht
mit einem bis zum Jahr 2045 sicher zur Verfügung stehenden Abwärmepotenzial gerechnet
werden kann, wird die Bereitstellung der Prozesswärme bis 140°C in dieser Arbeit durch ein
zweistufges Wärmepumpensystem modelliert. In der ersten Stufe wird dabei ein Temperaturhub
von Umgebungstemperatur auf 60°C realisiert. Der resultierende Stromverbrauch wird dabei
gemäß des Vorgehens für die Niedertemperaturwärme berechnet. Im zweiten Schritt wird ein
Temperaturhub von 60°C auf 120°C (durchschnittliche Senkentemperatur im Temperaturbereich
100°C bis 140°C, siehe Tabelle 4.8) auf Basis eines Abwärmestroms von 60°C aus der ersten Stufe
des Wärmepumpensystems berechnet. Dafür wird auf die Regression der Herstellerangaben
von Arpagaus et al. (2019) für Abwärme als Wärmequelle abgestellt (siehe Abbildung 4.14)
82
4.5 Modellierung zukünftiger regional und zeitlich aufgelöster Energieverbräuche
[215]. Die resultierenden Stromverbräuche für die Bereitstellung von Raumwärme, Warmwasser
und Prozesswärme durch Wärmepumpen werden anschließend addiert.
4.5
Modellierung zukünftiger regional und zeitlich aufgelöster
Energieverbräuche
Die Modellierung zukünftiger Strom- und Gasverbräuche unterliegt drei Efekten, die auf unter-
schiedlichen Disaggregationsebenen wirken. Auf der Ebene der WZ wird durch den Mengenefekt
der Einfuss der Produktions- und Beschäftigungsentwicklung berücksichtigt. Auf der Ebene der
Anwendungen wird einerseits durch den Efzienzefekt der fortschreitenden Efzienzentwicklung
der Querschnitts- und Prozesstechnologien Rechnung getragen und andererseits der Einsatz
CO2
-neutraler Technologien und der damit verbundene Energieträgerwechsel von Erdgas zu
Strom bzw. grünem Wasserstof abgebildet. Der Mengen- und der Efzienzefekt wirken bereits
während der top-down-gerichteten Disaggregation nach Regionen und Anwendungen. Die
Energieträgerwechsel werden auf der Ebene vollständig disaggregierter regionaler WZ- und
anwendungsspezifscher Lastgänge modelliert. Für die Ermittlung zukünftiger aggregierter
Verbräuche wird das Verfahren entsprechend vollständig erst in Top-down- und anschließend
in Bottom-up-Richtung durchlaufen.
4.5.1 Modellierung des Mengenefekts
Die Modellierung des Mengenefekts basiert auf der Annahme, dass sich der Energieverbrauch
von Unternehmen proportional zu bestimmten Aktivitätsgrößen verhält. Ähnlich wie bei der
Erstellung der LFS2-Studie durch das Fraunhofer ISI [62] oder der Energiereferenzprognose
durch die Prognos AG [165], werden für die Sektoren jeweils geeignete Mengentreiber verwendet.
Im Falle der Industrie ist die Entwicklung der Produktionsmenge ein typischer Treiber für den
Energieverbrauch, die über die Entwicklung der BWS je WZ abgeschätzt wird. Im GHD-Sektor
werden zukünftige EBFs je WZ als Treiber des Endenergieverbrauchs herangezogen, welche
über die Entwicklung der Beschäftigtenzahl errechnet werden. Die EBF stehen in direktem
Zusammenhang mit dem Bedarf für Raumwärme und Beleuchtung sowie der Ausstattung
mit technischen Geräten. Je WZ ergeben sich aus der Kombination der Änderungsraten
der Beschäftigung und dem Flächenbedarf individuelle Steigerungsraten der absoluten EBF.
In Abschnitt 4.2.4 wurde die Aufbereitung der Mengentreiber BWS und EBF detailliert
beschrieben.
Für die Berechnung der resultierenden zukünftigen Strom- und Gasverbräuche unter
Berücksichtigung des Mengenefekts wird ein linearer Zusammenhang zwischen den Verbräuchen
und den Mengentreibern angenommen. Für ein gegebenes Zieljahr wird zunächst die absolute
Höhe des entsprechenden Mengentreibers (
MTW Z,Zieljahr
) auf Basis der in Tabellen A.6 und
A.7 festgehaltenen jährlichen Steigerungsraten je WZ ermittelt. Basisjahr für die Berechnung
ist das Jahr 2018. Der Verbrauch im Zieljahr unter Berücksichtigung des Mengenefekts
(
EVW Z,Zieljahr,ME
), wird auf Basis des Verbrauchs des Jahrs 2018 (
EVW Z,2018
) sowie der
relativen Gesamtsteigerung des Mengentreibers (BWS für die Industrie und EBF für GHD)
zwischen dem Jahr 2018 und dem Zieljahr errechnet. Formel 4.17 zeigt die Berechnung. Es
83
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
ergibt sich ein bundesweiter prognostizierter Verbrauch je WZ, der sich wie in Formel 4.17
berechnet.
MTW Z,Zieljahr
EVW Z,Zieljahr,ME
=EVW Z,2018 · (4.17)
MTW Z,2018
Der prognostizierte WZ-spezifsche Verbrauch wird anschließend über die Verfahren
der regionalen Aufösung auf die NUTS-3 Regionen verteilt. Hierbei wird für zukünftige
Jahre der Datensatz der zukünftigen regionalen Verteilung der Beschäftigten aus der
Arbeitsmarktprognose [176] herangezogen, welcher im Rahmen des Forschungsprojekts
DemandRegio aufbereitet wurde [7, S.68, 69].
4.5.2 Modellierung des Efzienzefekts
Neben dem Mengenefekt, wird durch das Modellierungsverfahren auch auch ein Efzienzefekt
berücksichtigt, dem die Annahme zugrunde liegt, dass die Energieefzienz im Zeitverlauf
zunimmt, weil alte Wärmedämmungen, Anlagen und Geräte durch neue und efzientere
ersetzt werden [175, S. 17]. In der vorliegenden Arbeit wurden je Anwendung für die
Sektoren Industrie und GHD sowie Energieträger Strom und Gas individuelle jährliche
Efzienzstiegerungsraten aus Literaturangaben ermittelt. Tabellen 4.2 und 4.3 enthalten
die anwendungsspezifschen Steigerungsraten je Sektor, welche als Eingangsgrößen dienen. Die
Einbindung des Efzienzefekts erfolgt im Zuge der anwendungsspezifschen Disaggregation
der Energieverbräuche. Für ein gegebenes Zieljahr werden zunächst die regionalen Strom- bzw.
Gasverbräuche je WZ unter Berücksichtigung des Mengenefekts prognostiziert (siehe Abschnitt
4.5.1). Danach erfolgt die Aufteilung auf die Anwendungen nach dem in Abschnitt 4.3.2
beschriebenen Verfahren. Daraus geht ein unter Beachtung des Mengenefekts prognostizierter
und nach WZ, Anwendung und NUTS-3 Region disaggregierter Verbrauch für ein gegebenes
Zieljahr hervor (
EVW Z,AW,NUT S3,Zieljahr,ME 1
). Anschließend wird je Anwendung auf Basis der
in Tabellen 4.2 und 4.3 angegebenen jährlichen Efzienzsteigerungsraten (
ERW Z,AW
) der Efekt
auf den Verbrauch für das Zieljahr in Form eines Reduktionsfaktors berechnet. Basisjahr für die
Berechnung ist das Jahr 2018. Ab dem Jahr 2036 werden die jährlichen Efzienzsteigerungsraten
halbiert (siehe Abschnitt 4.2.4.2). Durch Multiplikation des Reduktionsfaktors mit dem auf
Basis des Mengenefekts projizierten Verbrauchs ergibt sich der zukünftige Verbrauch je
WZ und Anwendung, der sowohl den Efzienz-, als auch den Mengenefekt berücksichtigt
(
EVW Z,AW,NUT S3,Zieljahr,ME,EfE 2
). Die Berechnung für ein Zieljahr zwischen 2018 und 2035
ist in Formel 4.18 festgehalten. Die zuvor erfolgte Regionalisierung der Energieverbräuche wird
während des Berechnungsverfahrens beibehalten.
· (1 � ERW Z,AW )Ziehljahr�2018
EVW Z,AW,NUT S3,Zieljahr,ME,EfE
=EVW Z,AW,NUT S3,Zieljahr,ME
(4.18)
1ME steht für Mengenefekt
2EfE steht für Efzienzefekt
84
4.5 Modellierung zukünftiger regional und zeitlich aufgelöster Energieverbräuche
4.5.3 Modellierung der Energieträgerwechsel
Die Modellierung der Energieträgerwechsel stellt eine wesentliche Komponente des Modells
dar, um Dekarbonisierungsmaßnahmen durch den Wechsel auf
CO2
-neutrale Energieträger
abzubilden. Neben der Elektrifzierung geeigneter Erdgasanwendungen ist auch der Wechsel
von Erdgas auf grünen Wasserstof implementiert. Abbildung 4.15 zeigt eine Übersicht des
Verfahrens.
Abbildung 4.15: Übersicht des Verfahrens zur Modellierung der Energieträgerwechsel von Erdgas
zu Strom bzw. zu grünem Wasserstof
Eingangsgrößen für das Verfahren sind zum einen defnierte maximale Energieträgerwechsel-
Potenziale je Anwendung und WZ für das Jahr 2045 (siehe Abschnitt 4.2.4) und zum
anderen in vorherigen Verfahrensschritten disaggregierte und durch Mengen- und Efzienzefekt
prognostizierte Gasverbräuche je NUTS-3 Region, WZ und Anwendung für ein beliebiges
Zieljahr bis 2045. Für dieses Zieljahr wird zunächst der durch Strom bzw. Wasserstof zu
ersetzende Gasverbrauch je NUTS-3 Region, WZ und Anwendung berechnet. Dazu wird eine
linearer Anstieg des substituierten Erdgases angenommen, von 0% im Jahr 2018 bis zum
maximalen Potenzial im Jahr 2045 (siehe Tabelle 4.5). Anschließend werden die Gasverbräuche
auf Basis der in Abschnitt 4.4 erläuterten Verfahren mittels WZ-spezifscher Lastprofle zeitlich
aufgelöst. Im GHD-Sektor kommen dabei die SLP zum Einsatz. Im Industriesektor werden
die BSP verwendet, mit Ausnahme für die Anwendung “Raumwärme”. Hier wird auch im
industriellen Sektor das GHD-Lastprofl für Gebietskörperschaften und Kreditinstitute (GKO)
85
4. Modellierung hochaufgelöster Strom-, Erdgas-, und Wasserstofverbräuche
verwendet, da der Raumwärmebedarf vorwiegend auf die Büroräume entfällt. Die unterjährige
zeitliche Verteilung der Verbräuche ist notwendig, um über die temperaturabhängigen COP-
Zeitreihen Wärmepumpenlastgänge berechnen zu können.
Im folgenden Schritt werden die Gaslastgänge für Anwendungen, deren Bedarfe durch
Wärmepumpen bereitgestellt werden, nach dem in Abschnitt 4.4.3 beschriebenen Verfahren in
temperaturabhängige und -unabhängige Lastgänge aufgeteilt und in Wärmebedarfszeitreihen
umgerechnet. Für die gasversorgten Wärmeanwendungen wird dabei ein Wirkungsgrad von
96% für Raumwärme, Warmwasser und Niedertemperaturwärme und 90% für Prozesswärme bis
140°C angesetzt (siehe Tabelle 4.4). Anschließend werden die Wärmebedarfszeitreihen mittels
COP-Zeitreihen in Stromlastgänge umgerechnet. Je nach Wärmeanwendung und Wärmepum-
pentechnologie werden unterschiedliche Wärmequell- und -senkentemperaturniveaus festgelegt
(siehe Abschnitt 4.4.3.1). Aus den sich ergebenden Temperaturhüben werden anschließend über
eine Regression von Herstellerdaten COP-Zeitreihen berechnet. Prozesswärmebedarfe unter
100°C werden durch einkreisige Wärmepumpensysteme gedeckt. Für Bedarfe im Bereich 100°C
bis 140°C werden zweistufge kaskadierte Wärmepumpensysteme modelliert (siehe Abschnitt
4.4.3.3). Die Gasverbrauchslastgänge für die Anwendung Mechanische Energie werden über den
temperaturunabhängigen Anteil der WZ-spezifschen Gaslastprofle modelliert (siehe Abschnitt
4.4.3.2) und über einen Wirkungsgrad von 40% für Gasmotoren und von 90% für Elektromotoren
in Stromlastgänge umgerechnet (siehe Tabelle 4.4). Für die Berechnung der aus der Substitution
von Erdgas resultierenden Lastgänge für grünen Wasserstof für Wärmeanwendungen wird
angenommen, dass gas- und wasserstofgefeuerte Anlagen zur Wärmebereitstellung den gleichen
Wirkungsgrad von 80% aufweisen (siehe Tabelle 4.4). Für die Berechnung des aus der
nichtenergetischen Nutzung von Erdgas resultierenden Wasserstofbedarfs wird der energetische
Ausnutzungsgrad der Dampfreformierung von 70% angesetzt (siehe Tabelle 4.4). Zuletzt
werden die aus dem Energieträgerwechsel resultierenden Stromlastgänge zu den bestehenden
Lastgängen aus Stromverbräuchen addiert und die Wasserstofastgänge direkt ausgegeben. Um
die zusätzlichen Stromverbräuche zu ermitteln, die aus der Erzeugung von grünem Wasserstof
via Elektrolyse resultieren würden, werden die Wasserstofastgänge zunächst zu Jahresmengen
aufsummiert, da die Wasserstoferzeugung aufgrund von Speichermöglichkeiten nicht zum
gleichen Zeitpunkt wie der Wasserstofverbrauch erfolgen müsste. Anschließend wird ein
durchschnittlicher Elektrolyse-Wirkungsgrad von 70% (siehe Tabelle 4.4) angesetzt, um die
Stromverbräuche zu berechnen.
86
5
Ergebnisse
Zentrale Ergebnisse der vorliegenden Arbeit sind zum einen das entwickelte Verfahren selbst
sowie die unter Anwendung des Verfahrens modellierten hochaufgelösten Energieverbräuche.
Das vorgestellte Modellierungsverfahren erlaubt die Disaggregation von Energieverbräuchen
sowie die Fortschreibung der Verbräuche unter Berücksichtigung von Energieträgerwechsel-
Potenzialen sowie Mengen- und Efzienzefekten. Die detaillierte Beschreibung des Verfahrens
und damit die Beantwortung der ersten Forschungsfrage erfolgte im vorhergehenden Kapitel. In
diesem Abschnitt werden die Ergebnisse der Modellierung vorgestellt und damit die Forschungs-
fragen nach dem historischen und zukünftigen Strom-, Erdgas- und Wasserstofverbrauch
beantwortet. Zunächst werden die historischen Verbräuche auf sektoraler, verbrauchergruppen-
und anwendungsspezifscher sowie regionaler und zeitlicher Disaggregationsebene präsentiert.
Das Vorgehen entspricht dabei dem Top-down Verfahren (siehe Abschnitt 4.1.1). Im zweiten
Teil des Kapitels werden die Ergebnisse der Modellierung zukünftiger Strom-, Gas- und
Wasserstofverbräuche vorgestellt. Dabei wird gemäß der Forschungsfragen insbesondere
auf die im Zuge des Energieträgerwechsels substituierten Erdgasmengen durch Strom und
grünen Wasserstof eingegangen. Überdies werden die resultierenden Veränderungen in
den einzelnen Regionen und Lastgängen untersucht. Für die Modellierung der zukünftigen
Verbräuche entspricht die Vorgehensweise dem kombinierten Top-down-bottom-up-Verfahren
(vgl. Abschnitt 4.1.2).
5.1
Ergebnisse der Top-down-Modellierung historischer hoch-
aufgelöster Energieverbräuche
In diesem Abschnitt wird die Forschungsfrage beantwortet, welche Verbräuche je WZ und
Anwendungen sowie in regionaler und zeitlicher Aufösung ergeben. Ausgehend von den
aggregierten Energieverbräuchen aus öfentlichen Datenquellen (siehe Abschnitt 4.2.2), werden
im ersten Schritt des Disaggregationsverfahrens die sektoralen Strom- und Erdgasverbräuche
je NUTS-3 Region berechnet. In Abbildung 5.1 ist der regionale Strom- und Erdgasver-
brauch des GHD-Sektors im Jahr 2018 dargestellt. Erwartungsgemäß treten vor allem die
87
5. Ergebnisse
bevölkerungsstarken Regionen Berlin, Hamburg und München hervor, aber auch Hannover,
Köln, Düsseldorf, Frankfurt a. M. und Stuttgart sind klar zu erkennen. Dies ist durch
die höhere Konzentration von gewerblichen Niederlassungen und Büros und einer damit
verbundenen höheren Zahl an Beschäftigten im Vergleich zu den ländlichen Regionen zu
erklären. Abgesehen von den Unterschieden in den absoluten Verbrauchsmengen ergibt sich
für die Strom- und Erdgasverbräuche im GHD-Sektor eine ähnliche regionale Verteilung, was
darauf zurückzuführen ist, dass im GHD-Sektor das Verhältnis der Beschäftigten zwischen den
WZ über alle Regionen vergleichbar ist.
Abbildung 5.1: Regionaler Strom und Erdgasverbrauch im GHD-Sektor (2018)
Abbildung 5.2 ist der Strom und Erdgasverbrauch des industriellen Sektors auf Ebene
der NUTS-3 Regionen zu entnehmen. Nachfolgend werden die verbrauchsstärksten Regionen
benannt und Beispiele für ansässige energieintensive Unternehmen gegeben. Bezüglich des
Stromverbrauchs stechen die Zentren der chemischen und metallverarbeitenden Industrie hervor.
Im Norden sind dies die Regionen Hamburg (Aluminiumwerk Trimet) und Stade (Chlorproduk-
tion Dow Chemical), im Westen sind dies die Regionen Rhein-Kreis Neuss (Aluminiumwerk
Aluminium Norf), Ludwigshafen (Chemiepark BASF), Duisburg (Thyssenkrupp) und der
Rhein-Erft Kreis (verschiedene Chemiestandorte), im Süden Altötting (Chlorproduktion im
Chemiepark Gendorf) und im Osten der Saalekreis (Chemiestandort Leuna). Der Gasverbrauch
konzentriert sich vor allen Dingen auf die Zentren der chemischen Industrie. In Ludwigshafen
betreibt die BASF SE einen der größten zusammenhängenden Chemieparks weltweit, weshalb
der Jahresverbrauch in diesem Landkreis mit bis zu 30 TWh weit höher liegt als in allen
anderen Regionen. Ebenfalls gut zu erkennen sind die Landkreise Wittenberg, mit den dort
ansässigen Stickstofwerken Piesteritz, die Chemieregion Köln “ChemCologne” sowie die
Regionen Hamburg (Shell Rafnerie), Steinburg (Chemiestandort Bayer AG) und Stade
(Chemiewerke Dow Chemical).
Die regional disaggregierten Verbräuche lassen sich auch auf Ebene der WZ darstellen.
Tabelle 5.1 zeigt eine Aufstellung der Landkreise und kreisfreien Städte mit dem größten
Stromverbrauch sowie den Verbrauch des stromintensivsten WZ im jeweiligen Landkreis im Jahr
88
5.1 Ergebnisse der Top-down-Modellierung historischer hochaufgelöster
Energieverbräuche
Abbildung 5.2: Regionaler Strom und Erdgasverbrauch im Industriesektor (2018)
2018. In fast allen Landkreisen bildet ein Industrie-WZ die verbrauchsstärkste Gruppe, mit
Ausnahme von Berlin, wo es der Einzelhandel ist. Aufgrund der Größe des Landkreises,
seiner hohen Einwohnerzahl und der Größe des GHD-Sektors ist dieses Modellergebnis
plausibel. Ebenfalls aufällig ist der vergleichsweise hohe Stromverbrauch des Kohlenbergbaus im
Landkreis Köln. Dieses Ergebnis lässt sich durch die Höhe des spezifschen Stromverbrauchs je
beschäftigter Person in diesem WZ erklären. Der gesamte Stromverbrauch des Kohlenbergbaus
beläuft sich im Jahr 2018 auf immerhin 5,5 TWh [92, Tabelle 2.3.6]. Bei einer gleichzeitig
relativ geringen Anzahl an bundesweit Beschäftigten von etwa 19.000 ergibt ich ein spezifscher
Verbrauch von ca. 300 MWh pro Person. Im Zuge des iterativen Abgleichs mit den regionalen
Ergebnissen der Jahreserhebung über die Energieverwendung der Betriebe des Verarbeitenden
Gewerbes erhöht sich dieser Wert sogar auf 443 MWh pro Person (siehe Abschnitt 4.3.1). In
Verbindung mit den etwa 1700 Beschäftigten im Kohlenbergbau in der Region Köln ergibt sich
ein Verbrauch in entsprechender Höhe.
Tabelle 5.1: Landkreise und kreisfreien Städte mit dem größten Stromverbrauch und jeweils
verbrauchsintensivste Wirtschaftszweige (2018)
Landkreis
Stromverbrauch WZ mit größ- Stromverbrauch
Landkreis [TWh] tem Verbrauch WZ [TWh]
Hamburg 11 Chemieindustrie 1,4
Berlin 10,1 Einzelhandel 0,8
Rhein-Kreis Neuss 7,5 Metallerzeugung 2,5
Ludwigshafen am
6,9 Chemieindustrie 6,1
Rhein
Duisburg 6,5 Metallerzeugung 4,7
Rhein-Erft-Kreis 6,1 Chemieindustrie 2
Köln 5,8 Kohlenbergbau 0,7
München 5,6 Fahrzeugbau 0,5
Stade 5,4 Chemieindustrie 3,2
Frankfurt am Main
4,7 Chemieindustrie 0,7
89
5. Ergebnisse
Tabelle 5.2 zeigt eine Aufstellung der Landkreise mit dem größten Gasverbrauch sowie den
Verbrauch des gasintensivsten WZ im jeweiligen Landkreis im Jahr 2018. Auch hier bildet ein
industrieller WZ fast immer die verbrauchsstärkste Gruppe, mit Ausnahme von Berlin, wo es
der Bereich Erziehung und Unterricht ist. Dieser umfasst Schulen, Kindergärten, Universitäten
und weitere Ausbildungsstätten jeglicher Art. Der hohe Verbrauch in diesem Bereich lässt sich
durch die Größe der Region sowie die hohe Einwohner- und Beschäftigtenzahl erklären. In
diesem WZ hat Berlin mit ca. 87.000 die höchste Anzahl an Beschäftigten im Vergleich zu
allen anderen Landkreisen.
Tabelle 5.2: Landkreise und kreisfreien Städte mit dem größten Erdgasverbrauch und jeweils
verbrauchsintensivste Wirtschaftszweige (2018)
Landkreis
Erdgasverbrauch WZ mit größtem
Erdgasverbrauch
Landkreis [TWh] Verbrauch WZ [TWh]
Ludwigshafen am
28,8 Chemieindustrie 27,5
Rhein
Köln 16,7 Chemieindustrie 6,0
Wittenberg 11,7 Chemieindustrie 6,7
Hamburg 11,0 Kokerei & Mineralöl 2,9
Berlin 7,4
Erziehung u. Unter-
0,8
richt
Steinburg 7,2 Chemieindustrie 1,6
Kelheim 5,6 Kokerei & Mineralöl 2,0
Rheinisch-
5,6
Nahrungsmitte-
1,3
Bergischer Kreis lindustrie
Altötting 5,5 Chemieindustrie 5,1
Recklinghausen 5,3 Kokerei & Mineralöl 1,8
Auf der nächsten Stufe der Disaggregation können die regionalen und WZ-spezifschen
Verbräuche gemäß ihrer Verwendung in den einzelnen Anwendungen angegeben werden.
Abbildung 5.3 zeigt die Stromverbräuche der zehn verbrauchsstärksten WZ nach Anwendungen
im Jahr 2018. Es fällt auf, dass der größte Teil des Stromverbrauchs für die Bereitstellung
von mechanischer Energie anfällt. In der chemischen und metallerzeugenden Industrie
zählt dazu insbesondere der für Elektrolyseprozesse verwendete Strom, wie z. B. bei der
Chloralkalielektrolyse und der Schmelzfusselektrolyse bei der Herstellung von Aluminium.
In der Metallerzeugung wird zudem ein beträchtlicher Teil des Stroms bei der Herstellung
von Elektrostahl für die Bereitstellung von Prozesswärme verwendet. Der Verbrauch für die
Beleuchtung von Innenräumen spielt in den industriellen WZ ein untergeordnete Rolle. Im
GHD-Sektor hingegen ist diese Anwendung wesentlich relevanter für den Gesamtverbrauch,
was hier am Beispiel des Einzelhandels deutlich wird. Prozesskälte ist besonders für die
Haltbarmachung von Lebensmitteln relevant, weshalb wesentliche Stromverbräuche hierfür
in der Nahrungsmittelindustrie und im Einzelhandel anfallen. Auch in der chemischen und
pharmazeutischen Industrie sind Kälteanlagen im Einsatz um die Temperaturanforderungen
chemischer Prozesse zu erfüllen. Der Verbrauch für IKT und Klimakälte ist unter den
abgebildeten WZ eher gering. In den GHD-WZ mit einem höheren Anteil an Büroarbeit hat der
Verbrauch für diese beiden Anwendungen hingegen eine höhere Relevanz. Die Stromverbräuche
für Raumwärme sind insgesamt auf einem vergleichsweise niedrigen Niveau. An dieser Stelle ist
in Zukunft aufgrund der Elektrifzierung der Raumwärmebereitstellung durch Wärmepumpen
90
5.1 Ergebnisse der Top-down-Modellierung historischer hochaufgelöster
Energieverbräuche
mit steigenden Verbräuchen zu rechnen. Aufällig ist zudem der WZ Landverkehr, der mit
einen besonders hohen Stromverbrauch im Bereich mechanischer Energie aufwartet. Ein großer
Teil kommt dabei beim Schienenverkehr zum Einsatz, ein anderer Teil beim Transport von
Wasser in Rohrfernleitungen, der auch zu diesem WZ gezählt wird [70, S. 337].
Abbildung 5.3: Stromverbrauch nach Anwendungen der zehn verbrauchsstärksten Wirtschafts-
zweige (2018)
Abbildung 5.4 zeigt die Erdgasverbräuche der zehn verbrauchsstärksten WZ nach
Anwendungen im Jahr 2018. Der größte Gasverbrauch entfällt auf die Anwendung Pro-
zesswärme, welche besonders in den industriellen WZ maßgeblich ist. Überdies werden in
der Chemieindustrie ca. 30 TWh Erdgas nichtenergetisch verwendet, was insbesondere der
Dampfreformierung von Erdgas zur Herstellung von Wasserstof und der Weiterverarbeitung zu
Ammoniak oder Methanol zuzuschreiben ist. Die Gasverbräuche für Prozesswärme lassen sich
über das vorgestellte Verfahren noch weiter auf Ebene einzelner Temperaturbereiche unterteilen.
Dies ist insbesondere vor dem Hintergrund eines zukünftigen Energieträgerwechsel von
Bedeutung und wird im folgenden Kapitel diskutiert. Die Anwendung Raumwärme dominiert
den Erdgasverbrauch in den WZ des GHD-Sektors. Besonders bei großen zu beheizenden
Flächen im Einzelhandel, Schulen und Universitäten sowie in Gebäuden der öfentlichen
Verwaltung besteht ein beträchtlicher Raumwärmebedarf, welcher in weiten Teilen Deutschlands
durch Erdgas gedeckt wird. Überdies ist der Gasbedarf für die industrielle Stromproduktion
ausgewiesen. Es wird deutlich, dass besonders in den stromverbrauchsintensiven WZ, wie
Chemieindustrie, Metallerzeugung und Papierindustrie auf industrielle Eigenerzeugung gesetzt
wird, was entsprechende Erdgasverbräuche durch die werkseigenen Anlagen zur Strom- und
Wärmeproduktion nach sich zieht. Der Einsatz von Erdgas für die Bereitstellung mechanischer
Energie ist in den meisten WZ von geringer Bedeutung, mit Ausnahme des WZ 49 Landverkehr
91
5. Ergebnisse
und Transport in Rohrleitungen, da hier auch der Gasverbrauch für den Betrieb von
Gasfernleitungen enthalten ist [70, S. 335].
Abbildung 5.4: Erdgasverbrauch nach Anwendungen der zehn verbrauchsstärksten Wirtschafts-
zweige (2018)
Auf der untersten Stufe der Disaggregation können regionale, verbrauchergruppen-
und anwendungsspezifsche Verbräuche über die in Abschnitt 4.4 vorgestellten Verfahren
zeitlich aufgelöst werden. Für jeden Landkreis werden die Jahresverbräuche dabei unter
Berücksichtigung regionaler Feiertage und Außentemperaturen in Strom- bzw. Gaslastgänge
überführt. Für die Modellierung des Stromverbrauchs kommen für 32 der insgesamt 88 WZ
BLP zum Einsatz, die im Rahmen des Forschungsprojekts DemandRegio auf Basis realer
Lastgangdaten ermittelt wurden (siehe Abschnitt 4.2.5.1 und Tabelle A.11 im Anhang). Für
die übrigen WZ werden die SLP und BSP berechnet und angewendet (siehe Abschnitte 4.2.5.2
und 4.2.5.3 sowie Tabelle A.11 im Anhang).
Abbildung 5.5 zeigt den Stromverbrauch des GHD-Sektors in der ersten Maiwoche in
stündlicher Aufösung, wobei auch eine Modellierung mit viertelstündlicher Aufösung möglich
wäre. Der Lastverlauf des Sektors ergibt sich aus der Summation sämtlicher regionaler und WZ-
spezifscher Lastverläufe. Der Lastgang weist eine deutliche Tag-Nacht-Charakteristik auf. Die
Lastspitze liegt etwa um 10 Uhr vormittags. An den Wochenenden ist ein deutlicher Rückgang
des Verbrauchs zu verzeichnen, da insbesondere in den Büros, Schulen und Verwaltung nicht
gearbeitet wird. Da der 1. Mai 2018 auf einen Dienstag fel, ist die Last hier niedriger als an
den Werktagen.
92
5.1 Ergebnisse der Top-down-Modellierung historischer hochaufgelöster
Energieverbräuche
Abbildung 5.5: Stromverbrauch des GHD-Sektors in stündlicher Aufösung (erste Maiwoche
2018)
In Abbildung 5.6 ist der Jahresverlauf für 2018 als Heatmap dargestellt, was eine
gleichzeitige Betrachtung der Verteilung über die Stunden des Tages und Tage des Jahres
erlaubt. Regelmäßige Lasttäler ergeben sich an den Wochenenden und Feiertagen. In den
Abendstunden geht der Verbrauch über mehrere Stunden schrittweise zurück, da durch die
verwendeten Lastprofle auch unterschiedlich lange Öfnungs- bzw. Arbeitszeiten in den WZ
des GHD-Sektors berücksichtigt werden. Über das Jahr ergibt sich ein relativ konstanter
Verbrauch ohne ausgeprägte Sommer-Winter-Charakteristik. Dies ist dadurch zu erklären,
dass die Stromverbräuche in den vergangen Jahren nicht in besonderem Maße vom Verlauf der
Außentemperaturen geprägt waren. Mit zunehmender Elektrifzierung von Gebäudeheizungen
ist an dieser Stelle in Zukunft mit einer stärkeren Temperaturabhängigkeit zu rechnen.
Abbildung 5.6: Stromverbrauch des GHD-Sektors im Jahresverlauf (2018)
Abbildung 5.7 zeigt den zeitlichen Verlauf des Erdgasverbrauchs im GHD-Sektor in der
ersten Maiwoche 2018 in stündlicher Aufösung. Der Tag-Nacht Rhythmus wird auch hier
deutlich, da während der Geschäftszeiten auf eine angenehme Innentemperatur geheizt wird.
Die Spitzenlast des Tages tritt etwas früher als beim Stromverbrauch um ca. 8 Uhr morgens auf.
Die auf die Tage verteilten Erdgasmengen hängen neben dem Wochentagsfaktor maßgeblich
von der Tagesmitteltemperatur ab, sodass an kühleren Wochenend- oder Feiertagen mitunter
mehr Gas für die Raumwärme verbraucht werden kann als an Werktagen. Liegt ein Feiertag in
der Wochenmitte, wie am 1. Mai 2018 der Fall, kann zudem davon ausgegangen werden, dass
93
5. Ergebnisse
die Bürogebäude dennoch geheizt werden. Zum Wochenende nimmt der Gasverbrauch ab, was
auf eine höhere Außentemperatur und geringere Auslastung in den Büros zurückzuführen ist.
Abbildung 5.7: Gasverbrauch des GHD-Sektors in stündlicher Aufösung (erste Maiwoche 2018)
Abbildung 5.8 zeigt den Verbrauch im Jahresverlauf als Heatmap. Im Gegensatz zum
Stromverbrauch ist eine klare Sommer-Winter-Charakteristik und damit die Heizperiode
erkennbar. Die Spitzenlasten mit über 50 GWh/h treten in der besonders kalten ersten
Märzwoche mit Tiefstwerten um -11 °C auf. Im Vergleich zur Abbildung 5.7 wird deutlich, dass
die erste Maiwoche mit Spitzenlasten um 15 GWh/h bereits außerhalb der Heizperiode liegt. In
der warmen Jahreszeit wird wesentlich weniger Erdgasverbrauch über die temperaturabhängigen
h-Werte allokiert. Die Tagesspitzen ergeben sich über die Verteilung der Tagesmengen auf die
Stunden nach den Stundenwerten (vgl. Abschnitt 4.2.5.2).
Abbildung 5.8: Gasverbrauch des GHD-Sektors im Jahresverlauf (2018)
Aus Abbildung 5.9 geht der Verlauf des industriellen Stromverbrauchs der erstem
Maiwoche im Jahr 2018 in stündlicher Aufösung hervor. Auch hier ist ein klarer Tag-
Nacht-Rhythmus erkennbar. Im Vergleich zum Stromverbrauch im GHD-Sektor fallen die
Schwankungen relativ zur Tageshöchstlast geringer aus. Im GHD-Sektor fällt die Last auf
etwa 40% des Tageshöchstwerts, während es in der Industrie etwa 70% sind. Dies ist darauf
zurückzuführen, dass im Industriesektor zwar auch arbeitszeitbedingte Lastschwankungen
auftreten, es aber einen beträchtlichen Teil an Industriezweigen gibt, in denen im Zweischicht-
oder Dreischichtbetrieb gearbeitet wird, was im Summenlastgang durch geringe Tag-Nacht-
Schwankungen erkennbar wird. Aus dem gleichen Grund fallen die nächtlichen Lasttäler kürzer
und weniger tief aus als im GHD-Sektor. An Wochenenden und Feiertagen geht der Verbrauch
94
5.1 Ergebnisse der Top-down-Modellierung historischer hochaufgelöster
Energieverbräuche
stärker zurück, da eine größere Anzahl an WZ trotz Zwei- oder Dreischichtbetrieb ohne
Wochenend- bzw. Feiertagsarbeit modelliert wurde (siehe Abschnitt 4.2.5.4).
Abbildung 5.9: Stromverbrauch des Industriesektors in stündlicher Aufösung (erste Maiwoche
2018)
In Abbildung 5.10 ist der Jahresverlauf als Heatmap dargestellt. Es zeigt sich ein über
das Jahr relativ gleichmäßig verteilter Lastverlauf mit klaren Tälern an den Wochenenden
und Feiertagen sowie leicht abgesenktem Lastniveau in den Nachtstunden. Im Vergleich zum
GHD-Sektor sind die täglichen Hochlastphasen länger, da ein Großteil der Industriebetriebe
mit zwei Arbeitsschichten modelliert wurde. Längere Phasen auf niedrigem Lastniveau ergeben
sich um die Feiertage zu Ostern und Weihnachten. Im Monat August fällt zudem ein etwa
zweiwöchiger Rückgang der Last auf, was auf die Modellierung von Betriebsferien einiger
stromintensiver WZ mittels realdatenbasierter BLP zurückzuführen ist.
Abbildung 5.10: Stromverbrauch des Industriesektors im Jahresverlauf (2018)
Abbildung 5.11 zeigt den Verlauf des Gasverbrauchs im industriellen Sektor in der ersten
Maiwoche im Jahr 2018 in stündlicher Aufösung. Im Vergleich zu den anderen Verläufen tritt
hier eine vergleichsweise abrupte Laständerung zu Beginn und Ende des Tages auf, was auf den
schematischen Charakter der verwendeten BSP zurückzuführen ist (siehe Abschnitt 4.2.5.3).
Allerdings gibt es aufgrund der Datenlage keine Alternativen, um stündliche Gasverbräuche
industrieller Kunden zu modellieren. Die über alle WZ und NUTS-3 Regionen summierten
BSP weisen einen klaren Tag-Nacht- sowie Werktag-Wochenend-Rhythmus auf. Insgesamt
liegt der Verbrauch auf einem relativ konstanten Niveau. Diese Charakteristik wird durch den
Anteil an kontinuierlich produzierenden Betrieben hervorgerufen.
95
5. Ergebnisse
Abbildung 5.11: Gasverbrauch des Industriesektors in stündlicher Aufösung mit temperaturab-
hängiger Modellierung der Raumwärme (erste Maiwoche 2018)
In Abbildung 5.12 ist der Jahresverlauf dargestellt. Auch hier zeigt sich der stufenweise
Lastwechsel zwischen Arbeits- und Nichtarbeitszeiten. Wochenenden und Feiertage, an
denen in einigen WZ nicht gearbeitet wird, zeigen sich als klare Lasttäler. Längere Phasen
auf niedrigem Lastniveau ergeben sich um die Feiertage zu Ostern und Weihnachten. Im
Vergleich zum GHD-Sektor sind auch hier die täglichen Hochlastphasen länger, da ein
Großteil der Industriebetriebe mit zwei Arbeitsschichten modelliert wurde. Im Vergleich
zum Stromverbrauch ergibt sich allerdings ein deutliche Temperaturabhängigkeit, mit
höheren Gasverbräuchen in den Wintermonaten, als in den Sommermonaten. Dies ist darauf
zurückzuführen, dass für die Anwendung Raumwärme, auf die etwa 10% des Gasbedarfs fällt,
ein temperaturabhängiges Lastprofl gewählt wurde, welches auf Basis des GHD-SLP für
Gebietskörperschaften und Kreditinstitute (GKO) gebildet wurde, da der Raumwärmebedarf
vorwiegend auf die Büroräume entfällt. Das Verfahren zur Erstellung des temperaturabhängigen
Lastgangs ist in Abschnitt 4.4.3.2 beschrieben.
Abbildung 5.12: Gasverbrauch des Industriesektors im Jahresverlauf mit temperaturabhängiger
Modellierung der Raumwärme (2018)
96
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
5.2
Ergebnisse der kombinierten Top-down-bottom-up-
Modellierung zukünftiger hochaufgelöster Energiever-
bräuche
In diesem Abschnitt werden die Ergebnisse der hochaufgelösten Modellierung zukünftiger
Strom-, Erdgas-, und Wasserstofverbräuche präsentiert. Dabei werden sowohl der Mengen-
und Efzienzefekt, als auch der Einfuss der Energieträgerwechsel von Erdgas zu Strom bzw.
grünem Wasserstof berücksichtigt. Die Einfüsse der gesamtwirtschaftlichen Entwicklung
durch den Mengenefekt wirken dabei auf der Ebene der WZ. Da sich Efzienzfortschritte,
Technologieumbrüche und Energieträgerwechsel in der Realität auf der Ebene der WZ-
und anwendungsspezifschen Technologien abspielen, werden diese auch auf diesen Ebenen
modelliert. Zudem wird der zeitliche Verlauf des substituierten Erdgasverbrauchs und
des daraus resultierenden Wärmebedarfs für die Berechnung der Stromverbräuche von
Wärmepumpen berücksichtigt, da die Außentemperaturen maßgeblich für die Wirkungsgrade
der Wärmepumpen sind. Im Zuge der Parametrierung des Modells werden langfristige
Energieträgerwechsel-Potenziale je WZ und Anwendung für das Jahr 2045 defniert (siehe
Abschnitt 4.5.3), woraus sich eine schrittweise Reduktion des Erdgasverbrauchs und eine
Zunahme des Verbrauchs von Strom und grünem Wasserstof ergibt. Im Rahmen des Top-down-
bottom-up-Verfahrens werden die Disaggregationsverfahren mit den technologiespezifschen
Entwicklungspfaden für die Fortschreibung auf den einzelnen Ebenen kombiniert. Die
sich ergebenden zukünftigen Lastgänge je WZ, NUTS-3 Region und Anwendung können
anschließend zu beliebig aufgelösten Ergebnissen aggregiert werden.
5.2.1 Ergebnisse auf Anwendungsebene
In diesem Abschnitt wird die Forschungsfrage beantwortet, welche Verbräuche je Sektor aus der
Substitution von Erdgas resultieren. Der Wechsel auf
CO2
-neutrale Energieträger wird auf der
Ebene der anwendungsspezifschen Lastgänge modelliert, die anschließend zu Jahresmengen
aufsummiert werden. Die zu substituierenden Erdgasmengen ergeben sich nach Maßgabe der
Potenziale für einen Energieträgerwechsel je Anwendung und Sektor. Abbildung 5.13 zeigt
die kumulierte Substitution von Erdgas durch Strom je Anwendung im GHD-Sektor im Zuge
des Energieträgerwechsels. Die Angaben unterliegen auch den Mengen- und Efzienzefekten.
Auf der linken Seite der Abbildung ist die Zunahme des Stromverbrauchs dargestellt. Diese
Entwicklung wird maßgeblich durch den Einsatz von Wärmepumpen für die Bereitstellung
von Raumwärme getrieben. Die Anwendungen Mechanische Energie, Prozesswärme und
Warmwasser werden ebenfalls vollständig elektrifziert, machen aber einen deutlich geringen
Anteil am Gesamtverbrauch aus. Im Vergleich zur Reduktion der Erdgasverbräuche fallen
die erheblichen Unterschiede der Energiemengen auf. Im Jahr 2045 ist die Substitution
vollständig abgeschlossen. Für die Raumwärme werden bis dahin insgesamt etwa 60 TWh
Erdgasverbrauch durch 19,2 TWh Stromverbrauch ersetzt. Unter Berücksichtigung des
Wirkungsgrads für Gasthermen von 96% entspricht dies einem durchschnittlichen COP von
3. Dieser Wert wird laut der Regression der Herstellerdaten bei einem Temperaturhub von
ca. 30°C bei Luftwärmepumpen erreicht (siehe Abbildung 4.14 und [83]) und ist damit
97
5. Ergebnisse
auch im Hinblick auf die möglichen technischen Fortschritte bis zum Jahr 2045 plausibel.
Für die anderen Wärmeanwendungen ergeben sich aufgrund der höheren Temperaturhübe
(siehe Tabelle 4.8) geringere durchschnittliche COP von 2,33 für Warmwasser bzw. 1,68 für
Prozesswärme. Für die Anwendung Mechanische Energie ergibt sich aufgrund des vorteilhaften
Wirkungsgrads von Elektromotoren (90%) gegenüber Gasmotoren (40%) ebenfalls einen
reduzierten Endenergiebedarf. Es werden ca. 16,8 TWh Gasverbrauch durch ca. 7,5 TWh
Stromverbrauch substituiert, was größtenteils der Elektrifzierung der Verdichterstationen für
den Ferngastransport zuzuschreiben ist. Abbildung A.3 im Anhang stellt die resultierenden
und nach Anwendungen aufgeteilten Gesamtstromverbräuche im GHD-Sektor von 2020 und
2045 gegenüber.
Abbildung 5.13: Kumulierte Veränderung der Strom- und Erdgasverbräuche je Anwendung im
GHD-Sektor nach Jahren
Abbildung 5.14 zeigt eine analoge Darstellung der kumulierten Energieträgersubstitution
für den Industriesektor. Auch hier sind die Werte unter Berücksichtigung des Mengen- und
des Efzienzefekts angegeben. Der Grad der Elektrifzierung für jede Anwendung ist durch
die in Tabelle 4.5 festgehaltenen Energieträgerwechsel-Potenziale für 2045 defniert. Aufgrund
der höheren Wirkungsgrade der Stromanwendungen ist der aus der Substitution resultierende
Stromverbrauch geringer, als der ersetzte Erdgasverbrauch. Für die Elektrifzierung der
Wärmeanwendungen Raumwärme und Warmwasser gelten die gleichen Annahmen bezüglich
der Wirkungsgrade und Temperaturanforderungen wie im GHD-Sektor. Es ergeben sich
durchschnittliche COP-Werte für die Wärmepumpen von ca. 3,0 für Raumwärme bzw. 2,3
Warmwasser. Für Prozesswärme unter 100°C wird eine Senkentemperatur von 80°C angesetzt
(siehe Tabelle 4.8). Bis zum Jahr 2045 werden für diese Anwendung ca. 25 TWh Erdgas durch
17 TWh Strom substituiert, was unter Berücksichtigung eines 96%-igen Wirkungsgrads für die
die Gasanwendung einem COP von 1,4 entspricht. Der Wärmebedarf im Temperaturbereich
zwischen 100°C und 200°C wird sowohl von Wärmepumpen (bis 140°C) als auch Elektroden-
98
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
Abbildung 5.14: Kumulierte Veränderungen der Strom- und Erdgasverbräuche je Anwendung im
Industriesektor nach Jahren
heizkesseln (ab 140°C) bereitgestellt. Für jeden WZ wird dafür der Anteil der Wärme unter
bzw. über 140°C aus der Literatur ermittelt (siehe Tabelle A.8 im Anhang). Für den durch
Wärmepumpen bereitgestellten Wärmebedarf wird eine durchschnittliche Senkentemperatur
von 120°C angenommen. Um Wärme auf diesem Temperaturniveau bereitzustellen, wird
ein zweistufges kaskadiertes Wärmepumpensystem modelliert (siehe Abschnitt 4.4.3.3). Im
Ergebnis werden für den Temperaturbereich von 100°C bis 140°C 24,6 TWh Erdgasverbrauch
durch 18,7 TWh Strom für den Betrieb von Wärmepumpen ersetzt, was unter Berücksichtigung
des Wirkungsgrads für Dampfkessel von 90% einem durchschnittlichen COP von 1,2 entspricht.
Für die Elektrodenheizkessel wird ein durchschnittlicher Wirkungsgrad von 98% angenommen.
Der durch diese Technologie substituierte Erdgasbedarf im Temperaturbereich von 140°C bis
200°C beläuft sich im Jahr 2045 auf 22,5 TWh und der resultierende Stromverbrauch auf
20,6 TWh. Elektrodenheizkessel kommen zudem auch für die Bereitstellung von Heißdampf
im Temperaturbereich von 200°C bis 500°C zum Einsatz. Dort werden ca. 12,8 TWh Erdgas
durch 11,8 TWh Strom ersetzt. Dieser Unterschied kommt durch die leichte Diferenz in den
Wirkungsgraden für Erdgas-Dampfkessel (90%) und Elektrodenheizkessel (98%) zustande.
Für die Anwendung Mechanische Energie gelten die gleichen Wirkungsgradannahmen wie
im GHD-Sektor. Es werden ca. 7 TWh Erdgasverbrauch durch 3,1 TWh Stromverbrauch
substituiert. Für die industrielle Stromproduktion wird davon ausgegangen, dass der erzeugte
Strom bis 2045 vollständig durch werkseigene
CO2
-neutrale Stromproduktion oder durch
Netzbezug ersetzt wird. Aus der entsprechenden Reduktion des Erdgasverbrauchs ergibt sich
allerdings kein zusätzlicher Stromverbrauch, der auf der linken Seite von Abbildung 5.14
zu fnden sein könnte, da dieser Stromverbrauch weiterhin besteht, allerdings in 2045 aus
99
5. Ergebnisse
anderen Quellen gedeckt wird. Abbildung A.4 im Anhang stellt die resultierenden industriellen
Gesamtstromverbräuche nach Anwendungen von 2020 und 2045 gegenüber.
Abbildung 5.15 zeigt die Substitution von Erdgas durch grünen Wasserstof für die nicht
direkt elektrifzierbaren Anwendungen für Hochtemperaturwärme jenseits von 500°C sowie
die nichtenergetische Nutzung von Erdgas (siehe Tabelle 4.5). Für die Bereitstellung von
Hochtemperaturwärme wird davon ausgegangen, dass Wasserstof mit gleichem Wirkungsgrad
von 80% wie Erdgas in Brennern bzw. Industrieöfen eingesetzt wird (siehe Tabelle 4.4). Folglich,
sind die sich ergebenden Verbräuche an grünem Wasserstof mit ca. 86 TWh genau so hoch wie
die substituierten Erdgasmengen. Für den nichtenergetischen Gasbedarf wird der energetische
Ausnutzungsgrad der Dampfreformierung von Erdgas zu Wasserstof angesetzt, der gemäß
der Literaturwerten durchschnittlich ca. 70% beträgt (siehe Tabelle 4.4). Im Ergebnis werden
im Jahr 2045 ca. 35,8 TWh nichtenergetischer Erdgasverbrauch durch ca. 25,1 TWh grünem
Wasserstof substituiert. Der gesamte resultierende Wasserstofbedarf beläuft sich für 2045 auf
ca. 111 TWh. Abbildung A.5 im Anhang zeigt den resultierenden industriellen Gesamtverbrauch
für Strom und Wasserstof des Jahres 2045 aufgeteilt nach Anwendungen.
Abbildung 5.15: Veränderung der Wasserstof- und Erdgasverbräuche je Anwendung im
Industriesektor nach Jahren
5.2.2 Ergebnisse auf sektoraler Ebene
Aus den Ergebnissen der Modellierung der Energieträgerwechsel auf Ebene der Anwendungen
lassen sich im nächsten Schritt die resultierenden jährlichen Gesamtverbräuche bestimmen.
Abbildung 5.16 zeigt den zukünftigen jährlichen absoluten Strom- und Erdgasverbrauch des
GHD-Sektors unter Berücksichtigung des Mengen- und Efzienzefekts sowie der schrittweisen
Substitution von Erdgas durch Strom. Es fällt auf, dass trotz des zusätzlichen Strombedarfs aus
der Erdgassubstitution ein Rückgang der Stromverbräuche zu verzeichnen ist. Dies ist durch die
verbrauchssenkende Wirkung des Efzienzefekts zu erklären. In den Jahren vor 2035 wurden im
100
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
mengengewichteten Mittel über alle Anwendungen eine jährliche Efzienzsteigerungsrate von
1,57% angesetzt (siehe Tabelle 4.3). Ausgehend vom Basisjahr 2018 ergibt sich daraus bis zum
Jahr 2035 eine Reduktion des Stromverbrauchs im GHD-Sektor von 23,6%, was ca. 37 TWh
entspricht. Demgegenüber steht ein zusätzlicher Verbrauch von 21,5 TWh aus der Substitution
von Erdgas und dem Mengenefekt (Zuwachs an Bürofäche und Beschäftigtenzahlen). Der
Stromverbrauch sinkt damit von ca. 156,7 TWh in 2018 auf ca. 141,5 TWh in 2035. Danach
halbiert sich die Efzienzsteigerungsrate und der Stromverbrauch steigt leicht bis zum Jahr 2045
auf ca. 146,2 TWh. Der Erdgasverbrauch reduziert sich gemäß des modellierten vollständigen
Energieträgerwechsels schrittweise bis 2045 auf Null.
Abbildung 5.16: Zukünftiger absoluter Strom- und Erdgasverbrauch im GHD-Sektor unter
Einfuss des Energieträgerwechsels sowie des Mengen- und Efzienzefekts nach Jahren
Abbildung 5.17 zeigt die zukünftigen absoluten Strom-, Erdgas-, und Wasserstofverbräuche
im Industriesektor, die sich unter Einfuss der Energieträgerwechsel sowie des Mengen- und des
Efzienzefekts ergeben. Analog zum GHD-Sektor fällt auch hier der Erdgasverbrauch bedingt
durch den vorgegebenen Substitutionspfad bis zum Jahr 2045 auf Null. Der aus der Substitution
für die Hochtemperaturanwendungen sowie für die nichtenergetische Nutzung resultierende
Verbrauch von grünem Wasserstof steigt kontinuierlich bis zu einem Verbrauch von 111,1 TWh
im Jahr 2045 an. Der Stromverbrauch ist sowohl mit als auch ohne die Berücksichtigung
des Verbrauchs für die Produktion von Wasserstof via Elektrolyse angegeben. Bei der
Betrachtung des Verbrauchs ohne Elektrolyse fällt auf, dass analog zum GHD-Sektor dem
zusätzlichen Stromverbrauch aus der Erdgassubstitution die Wirkung der Efzienzfortschritte
entgegenstehen, sodass der Verbrauch bis 2035 nur in moderater Weise ansteigt. Gegenüber
dem Basisjahr 2018 ergibt sich aus der reinen Efzienzsteigerung im Industriesektor von
durchschnittlich 1% pro Jahr bis 2035 eine relative Reduktion des Stromverbrauchs von 16%
bzw. 38,4 TWh. Demgegenüber steht im Jahr 2035 ein zusätzlicher Strombedarf von 54,4
TWh aus der Erdgassubstitution und dem Mengenefekt (moderat wachsende BWS). Der
Stromverbrauch steigt damit von ca. 240 TWh in 2018 auf ca. 256 TWh in 2035 an. Danach
halbiert sich die Efzienzsteigerungsrate und der Stromverbrauch steigt bis zum Jahr 2045 auf
101
5. Ergebnisse
ca. 281 TWh. Sofern der für die Bereitstellung des Wasserstofs erforderlicher Elektrolysestrom
ebenfalls berücksichtigt wird, ergibt sich ein kontinuierlich steigender Verbrauch auf ca. 440
TWh im Jahr 2045. Der Wirkungsgrad der Elektrolyse wurde dabei mit 70% angesetzt.
Abbildung 5.17: Zukünftiger absoluter Strom-, Erdgas- und Wasserstofverbrauch im Industrie-
sektor unter Einfuss des Energieträgerwechsels sowie des Mengen- und Efzienzefekts nach Jahren
Die Entwicklung der summierten Verbräuche beider Sektoren ist in Abbildung A.6 im
Anhang gegeben. Analog zu den vorherigen Abbildungen sinkt der Gasverbrauch kontinuierlich,
während der Wasserstofverbrauch steigt. Der Stromverbrauch ohne Elektrolyse steigt von ca.
397 TWh in 2018 auf ca. 427 Twh in 2045. Unter Berücksichtigung des Elektrolysestroms für
die Wasserstofproduktion steigt er bis 2045 auf ca. 586 TWh.
Abbildung 5.18 zeigt, wie sich der Verbrauch von grünem Wasserstof, der aus der
Substitution von Erdgas resultiert, im Jahr 2045 auf die WZ verteilt. Da sich der Einsatz von
grünem Wasserstof auf die nichtenergetische Nutzung sowie die Prozesswärmeanwendungen
im Temperaturbereich oberhalb von 500°C beschränkt, konzentriert sich ein Großteil des
Verbrauchs auf jene WZ mit hohen Gasverbräuchen für diese Anwendungen. Entsprechend
entfällt ca. 98% des Wasserstofverbrauchs auf vier WZ: Chemieindustrie, Glas- und
Zementherstellung, Metallerzeugung sowie Mineralölverarbeitung. Die chemische Industrie hat
mit ca. 56% den größten Anteil, da hier auch die größte Menge an nichtenergetisch genutztem
Erdgas durch grünen Wasserstof substituiert wird. In diesem Industriezweig fallen ca. 30%
des Erdgasbedarfs auf die nichtenergetische Nutzung, und ca. 53% auf die Prozesswärme,
wovon wiederum ca. 67% oberhalb von 500°C anfallen (vgl. Abbildung 5.4 und Tabelle A.5 im
Anhang). Aus den substituierbaren Anteilen des Erdgasverbrauchs und unter Berücksichtigung
des Mengen- und Efzienzefekts resultiert daraus ein Wasserstofbedarf von ca. 62 TWh. In
der Metallerzeugung und -bearbeitung entfällt aktuell ca. 10% des Endenergiebedarfs auf
Erdgas [218, S. 2]. Dieser Verbrauch betrug in 2018 ca. 40 TWh [92, Tabelle 2.3.6], wovon
der größte Anteil für Hochtemperaturprozesswärme genutzt wurde. Unter Berücksichtigung
des Mengen- und des Efzienzefekts wird Erdgas in diesem WZ in 2045 durch ca. 22 TWh
102
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
Wasserstof substituiert. Etwa 17 TWh Wasserstofverbrauch fallen in 2045 auf die Glas
und Zementherstellung. In diesem WZ liegt ca. 75% des Prozesswärmebedarfs oberhalb von
500°C. Der Wasserstofverbrauch ist hauptsächlich der Glasindustrie zuzuschreiben, wo Erdgas
überwiegend bei der Glasschmelze eingesetzt wird [219, S. 1]. Dieses Erdgas wird im Modell
vollständig durch Wasserstof ersetzt. In der Mineralölverarbeitung fel 2018 ca. 11% des
Erdgasverbrauchs auf die nichtenergetische Nutzung und ca. 51% auf die Prozesswärme. Diese
Verbräuche werden bis 2045 weitestgehend durch grünen Wasserstof substituiert, was einem
Verbrauch von ca. 8 TWh entspricht.
Abbildung 5.18: Anteile am Wasserstofverbrauch aus Erdgassubstitution nach Wirtschaftszwei-
gen in 2045
5.2.3 Ergebnisse in regionaler Aufösung
In diesem Abschnitt wird die Forschungsfrage beantwortet, in welchen Regionen sich künftig
besonders starke Veränderungen ergeben. Nachfolgend werden deshalb die Ergebnisse der
Modellierung zukünftiger Verbräuche in regionaler Aufösung je NUTS-3 Region vorgestellt.
Gemäß der vorgegebenen vollständigen Substitution von Erdgas ergeben sich die stärksten
Rückgänge des Erdgasverbrauchs in jenen Regionen, in denen zuvor am meisten verbraucht
wurde. Dies betrift die urbanen Ballungszentren Berlin und Hamburg sowie jene Regionen mit
hoher industrieller Konzentration, wie Ludwigshafen, Köln und Wittenberg. Abbildung A.7
im Anhang zeigt die absolute Veränderung des Erdgasverbrauchs beider Sektoren je NUTS-3
Region zwischen zwischen den Jahren 2020 und 2045.
Abbildung 5.19 zeigt die relative Änderung des Stromverbrauchs ohne Elektrolysestrom je
NUTS-3 Region zwischen den Jahren 2020 und 2045, bezogen auf das Jahr 2020. Die Verbräuche
des Industrie- und GHD-Sektors sind beide enthalten. Dabei wirken sich Industriestandorte mit
hohem Prozesswärmebedarf im Temperaturbereich bis 500°C sowie wachsender prognostizierter
BWS besonders auf hohe Stromverbrauchszuwächse aus. Dazu gehört beispielsweise die
Nahrungsmittelindustrie. Es zeigt sich, dass die größten Verbrauchszuwächse, relativ zum
103
5. Ergebnisse
Abbildung 5.19: Relative regionale Ände-
Abbildung 5.20: Absolute regionale Ände-
rung des Stromverbrauchs ohne Elektrolyse rung des Stromverbrauchs ohne Elektrolyse
zwischen 2020 und 2045 zwischen 2020 und 2045
Jahresverbrauch 2020, in den industriell geprägten Landkreisen wie beispielsweise Wittenberg
(chemische Industrie, Nahrungsindustrie), Steinburg (Chemie-, Glas- und Nahrungsmittelin-
dustrie), Kelheim (Mineralölverarbeitung und Chemieindustrie) und Speyer (Chemie- und
Papierindustrie) zu beobachten sind. Rückgänge im Stromverbrauch sind in jenen Regionen
zu verzeichnen, in denen WZ mit rückläufger BWS und Beschäftigung ansässig sind, wie z.
B. der Kohleindustrie in Bottrop, oder in denen insgesamt ein Bevölkerungsrückgang und
abnehmende Beschäftigung prognostiziert wird, wie z. B. Rügen, Mecklenburgische Seenplatte
oder Suhl, oder in denen überwiegend WZ aus dem GHD-Sektor ansässig sind, bei denen
sich die Efzienzfortschritte besonders auf den Stromverbrauch des Landkreises auswirken,
wie z. B. in Neustadt an der Weinstraße oder Zweibrücken. Aus Abbildung 5.20 geht die
absolute Änderung des Stromverbrauchs (ohne Elektrolysestrom) je NUTS-3 Region hervor.
Es zeigt sich, dass die absoluten Veränderungen in weiten Teilen Deutschlands nicht besonders
hoch ausfallen, da der deutschlandweite Gesamtverbrauch aufgrund des starken Einfusses des
Efzienzefekts nur in geringem Maße ansteigt (siehe Abbildung A.6 im Anhang). Die größten
Zuwächse von 4,3 bis 1,3 TWh sind in den Landkreisen mit Zentren der chemischen Industrie
zu erwarten, wie Ludwigshafen, Köln, Wittenberg und Steinburg. In den GHD-Zentren sinkt
der Stromverbrauch durch den starken Einfuss der Efzienzsteigerung über die Jahre. Dies
trift beispielsweise auf Berlin, Dresden oder Frankfurt zu. Aber auch in Landkreisen, in denen
bereits heute stark elektrifzierte WZ ansässig sind, wie der Fahrzeugbau in Wolfsburg, sind von
leichten Verbrauchsrückgängen gekennzeichnet. Allerdings ist zu beachten, dass die regionalen
Verbrauchsrückgänge deutlich schwächer ausfallen, als die Zuwächse.
Abbildung 5.21 zeigt die absolute Zunahme des Wasserstofverbrauchs je NUTS-3 Region
zwischen den Jahren 2020 und 2045. Wie aus Abbildungen 5.17 hervorgeht, nimmt der
104
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
Wasserstofverbrauch über die Jahre kontinuierlich zu. Dabei erfahren jene Landkreise besonders
hohe Zuwächse, in denen Industrien ansässig sind, die Prozesswärme auf hohen Temperaturen
benötigen, wie z. B. die Metallerzeugung in Hamburg, Duisburg und im Rhein-Kreis Neuss.
Überdies weisen die Zentren der chemischen Industrie hohe Wasserstofverbräuche für die
nichtenergetische Nutzung aus. Entsprechend treten die Landkreise Ludwigshafen, Köln und
Wittenberg hervor sowie Altöttig und Kelheim in Bayern und Stade in Niedersachsen. Im Falle
von Steinburg in Schleswig-Holstein ist neben der chemischen Industrie auch WZ 23 (Herstellung
von Glas sowie die Verarbeitung von Steinen und Erden) ein bedeutender Nachfrager an
Hochtemperaturprozesswärme, was einen erhöhten Wasserstofverbrauch für diese Region nach
sich zieht.
Abbildung 5.21: Absolute regionale Änderung des Wasserstofverbrauchs zwischen 2045 und
2020
Sofern die Stromverbräuche für die Wasserstofelektrolyse mitbetrachtet werden, treten die
bereits genannten industriestarken NUTS-3 Regionen besonders hervor, in denen zukünftig
besonders viel Wasserstof nachgefragt wird. Diesem Sachverhalt liegt die Annahme zugrunde,
dass die Wasserstofproduktion in unmittelbarer Nähe zu den Industriebetrieben erfolgt. Die
relative Veränderung zwischen den Jahren 2020 und 2045, bezogen auf den Verbrauch in
2020, ist Abbildung 5.22 zu entnehmen. Besonders hohe relative Änderungen sind in den
Zentren der chemischen Industrie in Wittenberg, Kelheim und Ludwigshafen zu erwarten
sowie im Landkreis Oberspreewald-Lausitz, in dem sowohl die Zementindustrie als auch
die Metallerzeugung und die chemische Industrie große Standorte unterhält. Die absoluten
Veränderungen sind Abbildung 5.23 zu entnehmen und konzentrieren sich vorwiegend auf die
Industriestandorte Ludwigshafen und Köln im Westen, Wittenberg im Osten, Altötting und
Kehlheim im Süden und Hamburg, Steinburg und Stade im Norden.
105
5. Ergebnisse
Abbildung 5.22: Relative regionale Ände-
Abbildung 5.23: Absolute regionale Ände-
rung des Stromverbrauchs mit Elektrolyse- rung des Stromverbrauchs mit Elektrolyse-
strom zwischen 2020 und 2045 strom zwischen 2020 und 2045
5.2.4 Ergebnisse in zeitlicher Aufösung
In diesem Abschnitt wird der Forschungsfrage nachgegangen, wie sich die zukünftigen
Änderungen der Verbräuche, insbesondere durch die Elektrifzierung der Wärmeanwendungen,
auf die Lastgänge auswirken. Dafür werden die modellierten zukünftigen Verbräuche in zeitlicher
Aufösung präsentiert. Sie ergeben sich gemäß des Top-down-bottom-up-Prinzips aus der
Summation der nach NUTS-3 Regionen, WZ und Anwendungen disaggregierten und unter
Einfuss des Mengen- und Efzienzefekts sowie des Energieträgerwechsels fortgeschriebenen
Lastgänge. Abbildung 5.24 zeigt den Jahresverlauf des Stromverbrauchs im industriellen
Sektor (ohne Elektrolysestrom) für die Jahre 2020 und 2045. Aus der Abbildung geht zunächst
die Gesamtsteigerung des industriellen Stromverbrauchs hervor (vgl. Abbildung 5.17). Der
Lastgang für 2045 liegt entsprechend auf einem höheren Niveau, als jener von 2020. Die
Spitzenlast erhöht sich von ca. 44 GW in 2020 (24. März) auf ca. 48 GW in 2045 (14. Februar).
Überdies führt der Einsatz von Wärmepumpen für die Niedertemperaturanwendungen sowie
die Raumwärme zu außentemperaturabhängigen Stromverbräuchen, die sich in einer stärkeren
Sommer-Winter-Charakteristik in 2045 im Vergleich zu 2020 niederschlagen. Aus diesem Grund
verschob sich die Spitzenlast vom März auf den durchschnittlich kälteren Februar. Die Tag-
Nacht-Charakteristik, die sich aus den regelmäßigen Schichtwechseln in den BSP ergibt, ist auch
in 2045 erkennbar. Sofern verfügbar, werden allerdings die realdatenbasierten WZ-spezifschen
BLP gegenüber den BSP bevorzugt genutzt. Da in den Realdaten einiger stromintensiver
Betriebe im August aufgrund von Betriebsferien ein Lastrückgang zu verzeichnen ist, spiegelt
sich dieser Efekt auch im Verlauf des Jahres 2045 wider.
Abbildung 5.25 zeigt den Jahresverlauf des Wasserstofverbrauchs für das Jahr 2045. Da sich
der Wasserstofeinsatz auf die Hochtemperaturprozesse ab 500°C sowie die nichtenergetische
106
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
Abbildung 5.24: Zukünftiger Jahresverlauf des industriellen Stromverbrauchs, ohne Elektrolyse-
strom
Nutzung in Industriebetrieben beschränkt, konzentriert sich 98% des Verbrauchs von grünem
Wasserstof auf die Mineralölverarbeitung, die chemische Industrie, die Herstellung von Glas
sowie die Metallerzeugung und -bearbeitung (siehe Abbildung 5.18). In diesen Branchen
werden die Lastgänge anhand BSP mit Dreischichtbetrieb modelliert. Es ergibt sich ein relativ
konstanter Gesamtlastgang des Wasserstofverbrauchs, mit einer durchschnittlichen Last von
ca. 12,6 GW. Die Schwankungen zum Tag-Nacht-Wechsel sowie die Rückgänge an Feiertagen
sind auf die Lastgänge der übrigen WZ zurückzuführen, auf die ca. 2% des Verbrauchs von
grünem Wasserstof entfällt.
Abbildung 5.25: Zukünftiger Jahresverlauf des industriellen Wasserstofverbrauchs
Unter der Annahme, dass der grüne Wasserstof genau in dem Moment erzeugt wird,
in dem er verbraucht wird, kann auch der zukünftige Stromverbrauch inklusive des für die
Elektrolyse benötigten Stroms ermittelt werden. Aufgrund der gegebenen Speichermöglichkeiten
für Wasserstof, ist eine zeitliche Entkopplung von Erzeugung und Verbrauch allerdings
wahrscheinlich. Da der Wasserstofverbrauch aber nahezu konstant ist, und aus Betreibersicht
für großskalige Wasserstofproduktionsanalgen eine hohe Auslastung angestrebt wird, erscheint
der auf Basis des Wasserstofastgangs abgeleitete Elektrolyseurslastgang wiederum nicht
107
5. Ergebnisse
unplausibel. Abbildung A.8 im Anhang zeigt den zukünftigen Verlauf des Stromverbrauchs im
Industriesektor unter Berücksichtigung des Stroms, welcher für die Elektrolyse des Wasserstofs
benötigt wird, sofern der Wasserstof genau in dem Moment erzeugt wird, in dem er verbraucht
wird. Durch den Lastgang der Elektrolyse wird das Lastniveau für 2045 im Vergleich zur Last
ohne Elektrolyse um durchschnittlich ca. 18 GW angehoben. Die Spitzenlast in 2045 liegt nun
bei ca. 66 GW.
Abbildung 5.26 zeigt die Verläufe des Stromverbrauchs im GHD-Sektor der Jahre 2020
und 2045. Der Stromverbrauch in 2045 ist geringfügig geringer als im Jahr 2020, was
durch die verbrauchsreduzierende Wirkung des Efzienzefekts hervorgerufen wird, der den
Mehrverbrauch aus der Elektrifzierung der gasversorgten Anwendungen überkompensiert (vgl.
Abbildung 5.16 und Abbildung A.3 im Anhang). Gleichzeitig weist der Verlauf des Jahres
zu einer ausgeprägten Sommer-Winter-Charakteristik. Dies ist auf den steigenden Anteil
temperaturabhängiger Stromverbräuche für die Raumwärme zurückzuführen, welche zukünftig
durch Wärmepumpen bereitgestellt wird, deren Einsatz und Efzienz von der Außentemperatur
abhängt. Entsprechend tritt die Spitzenlast von 33,6 GW am 19. Dezember auf. Im Jahr 2020
beträgt die Spitzenlast ca. 27,6 GW (15. Januar). Der Energieträgerwechsel führt damit zu
einer Erhöhung des Verbrauchs bei kalten Außentemperaturen, während der Efzienzefekt
eine über das Jahr gleichmäßig verteilte Verbrauchsreduktion aller Anwendungen bewirkt. Im
Ergebnis sinkt der Stromverbrauch in den Sommermonaten efzienzbedingt ab und bleibt in
den Wintermonaten auf einem höheren Niveau.
Abbildung 5.26: Zukünftiger Jahresverlauf des Stromverbrauchs im GHD-Sektor
Abbildung A.9 im Anhang enthält die addierten Stromlastgänge des GHD- und Industrie-
sektors der Jahre 2020 und 2045. Daraus geht hervor, dass sich das zukünftige Lastniveau vom
gegenwärtigen nicht besonders stark unterscheidet. Der Lastgang von 2045 weist allerdings
eine stärkere Sommer-Winter-Charakteristik und eine höhere Spitzenlast an kalten Tagen auf:
Ca. 67 GW in 2020 (25. November) und 78 GW in 2045 (1. Februar). Betrachtet man den
zusätzlichen Stromverbrauch aus der Elektrolyse ergibt sich eine Spitzenlast von 96,1 GW.
108
5.2 Ergebnisse der kombinierten Top-down-bottom-up-Modellierung zukünftiger
hochaufgelöster Energieverbräuche
Die Analyse der zukünftigen Gaslastgänge spiegelt die Ergebnisse aus Abbildungen
5.16 und 5.17 wider. Es ergibt sich ein kontinuierlicher Rückgang der Gasmengen bis
auf Null im Jahr 2045 zeigen, da die Jahresverläufe der industriellen Gasverbräuche für
Niedertemperaturanwendungen und mechanische Energie durch Stromlastgänge substituiert
werden und die Verläufe für Hochtemperaturanwendungen in Wasserstofverläufe überführt
werden. Im GHD-Sektor werden sämtliche Anwendungen bis zum Jahr 2045 elektrifziert.
Abbildung 5.27 im Anhang zeigt den Gesamtlastgang der Gasverbräuche im GHD- und
Industriesektor für die Jahre 2020, 2025, 2035 und 2045. Die schrittweise Substitution der
Erdgasmengen im Zuge des Energieträgerwechsels sorgen für ein rückläufges Lastniveau. Die
zukünftige Deckung des Raumwärmebedarfs durch Wärmepumpen führt insbesondere zu
einer signifkanten Reduktion der Gasverbräuche in den Wintermonaten. Die Spitzenlasten
reduzieren sich von ca. 87 GW in 2020, auf ca. 33 GW in 2035, bis auf 0 GW in 2045. Neben
der Sommer-Winter-Charakteristik, ist auch der Schichtwechsel im Tagesverlauf weiterhin gut
zu erkennen, welcher durch die Verwendung der BSP hervorgerufen wird.
Abbildung 5.27: Zukünftiger Jahresverlauf des Gasverbrauchs der Sektoren GHD und Industrie
109
6
Diskussion und zukünftiger
Forschungsbedarf
In diesem Abschnitt erfolgt die Diskussion und Einordnung der Ergebnisse. Zunächst werden
die disaggregierten historischen Verbräuche, die durch Anwendung des Top-down-Verfahrens
modelliert wurden, anhand statistischer Veröfentlichungen plausibilisiert. Anschließend werden
die durch das kombinierte Top-down-bottom-up-Verfahren modellierten zukünftigen Verbräuche
in den nationalen Forschungskontext eingebettet. Im daraufolgenden Abschnitt wird das
entwickelte Modellierungsverfahren kritisch gewürdigt. Zuletzt werden Anknüpfungspunkte für
zukünftige Forschungsarbeiten diskutiert.
6.1
Plausibilisierung der Ergebnisse der Top-down-Modellierung
historischer Verbräuche
Mithilfe des Top-down-Verfahrens wurden historische Strom- und Erdgasverbräuche nach
Anwendungen und Verbrauchergruppen regional und zeitlich disaggregiert. Ausgangspunkt
sind die öfentlichen Daten des Statistischen Bundesamts zum Energieträgerverbrauch nach WZ,
die im Rahmen der UGR und JEVI regelmäßig veröfentlicht werden. Daneben werden Daten
der AGEB für die Bestimmung anwendungsspezifscher Verbräuche sowie die Abgrenzung von
Verbräuchen für die industrielle Stromproduktion hinzugezogen.
Die Plausibilisierung der Ergebnisse auf Bundesebene erfolgt anhand der “Energiedaten:
Gesamtausgabe” des BMWK [68]. In Abbildung 6.1 wird der modellierte industrielle Strom-
und Erdgasverbrauch des Jahres 2018 den Angaben des BMWK für das gleiche Jahr
gegenübergestellt. Dabei ist die Defnition des in dieser Arbeit angewendeten Mengengerüsts
zu beachten, das den Endenergieverbrauch, den nichtenergetischen Verbrauch sowie den
Verbrauch für die industrielle Stromproduktion einschließt (vgl. Abschnitt 4.2.1). Überdies sind
in den Modellergebnissen die Verbräuche sämtlicher in der UGR ausgewiesenen WZ enthalten,
mit Ausnahme des WZ 35 Energieversorgung. Das bedeutet, dass mit WZ 19 Kokerei und
Mineralölverarbeitung auch ein Teil des Umwandlungssektors und mit den WZ 5 bis 9 auch
111
6. Diskussion und zukünftiger Forschungsbedarf
der Bergbau abgebildet wird, welche in den Angaben zum industriellen Verbrauch in den
BMWK-Daten nicht enthalten sind. Zudem schließen die Modellergebnisse nicht die Verbräuche
von Kokerei-, Gicht- und Grubengas ein, was bei den Angaben des BMWK wiederum der
Fall ist. Die Angaben der BMWK-Energiedaten wurden entsprechend um die Verbräuche
dieser Gasarten bereinigt. Aus Abbildung 6.1 geht hervor, dass die Modellergebnisse ein große
Übereinstimmung mit den BMWK-Daten aufweisen, was auch für die anwendungsspezifsche
Unterteilung der Verbräuche gilt. Unter Berücksichtigung der unterschiedlichen Mengengerüste
ergibt sich zwischen den Gesamtverbräuchen auf der Stromseite eine Abweichung von -0,2%
und auf der Gasseite eine Abweichung von -1,7% bezogen auf die BMWK-Daten.
Abbildung 6.1: Vergleich der Modellergebnisse mit den Energiedaten des BMWK [68] für den
industriellen Sektor (2018)
In Abbildung 6.2 sind die Ergebnisse der Modellierung den BMWK-Energiedaten für den
GHD-Sektor gegenübergestellt. Dabei ist zu beachten, dass in den Modellergebnissen mit den
WZ 49 Landverkehr, 50 Schiffahrt und 51 Luftfahrt auch Verbräuche des Verkehrssektors
enthalten sind, die für den Vergleich in Abbildung 6.2 getrennt ausgewiesen werden. Es zeigt sich,
dass der modellierte Stromverbrauch insgesamt weitestgehend mit den BMWK-Energiedaten
übereinstimmt, wobei sich in der anwendungsspezifschen Aufteilung leichte Abweichungen
ergeben. In den BMWK-Daten wird ein größerer Anteil des Stromverbrauchs der Anwendung
Mechanische Energie sowie der Prozesskälte zugeschrieben, während das Modellergebnis bei der
Beleuchtung einen höheren Anteil vorsieht. Dies könnte darauf zurückzuführen sein, dass in der
Modellierung eine nach WZ diferenzierte Aufteilung des Stromverbrauchs nach Anwendungen
angesetzt wird, die sich für den GHD-Sektor auf Quellen aus den Jahren 2015 und 2016 bezieht
112
6.1 Plausibilisierung der Ergebnisse der Top-down-Modellierung historischer Verbräuche
(siehe Tabelle A.3), während die BMWK-Daten aktueller sind, aber nur eine sektorweite
Aufteilung der Anwendungen vorsehen. Auf der Gasseite ergibt sich eine Abweichung bei der
Aufteilung zwischen Prozesswärme und Raumwärme. Im Vergleich zum Modellergebnis weisen
die BMWK-Daten einen höheren Anteil der Prozesswärme aus. Im Gegenzug ist der Anteil
für Raumwärme geringer als im Modellergebnis. Analog zur Stromseite ist der Grund für
die Abweichung auch hier auf Datengrundlagen aus unterschiedlichen Jahren zurückzuführen.
Unter Berücksichtigung der Mengen, die dem Verkehrssektor zugerechnet werden müssen,
ergibt sich zwischen den Gesamtverbräuchen auf der Stromseite eine Abweichung von -3% und
auf der Erdgasseite eine Abweichung von -1,8% bezogen auf die BMWK-Daten.
Abbildung 6.2: Vergleich der Modellergebnisse mit den Energiedaten des BMWK [68] für den
GHD-Sektor (2018)
Für die Plausibilisierung der Ergebnisse auf regionaler Ebene, werden die Veröfentlichungen
des LAK herangezogen. Abbildung 6.3 zeigt eine Gegenüberstellung der modellierten
Verbräuche je Bundesland und den Verbräuchen aus den länderspezifschen Energiebilanzen
[89] für den industriellen Sektor. Insgesamt weisen die Daten eine hohe Übereinstimmung auf.
Auf der Stromseite liegen die relativen Abweichungen unterhalb von 5%, bezogen auf den
jeweiligen LAK-Verbrauch. Auf der Gasseite ergibt sich insgesamt eine relative Abweichung
von -3,3% (LAK: 333 TWh, Modell: 322 TWh), wobei allerdings in einigen Bundesländern
positive und in anderen negative Abweichungen vorliegen. Die größte negative absolute
Abweichung ergibt sich für Brandenburg (-3,6 TWh), was darauf zurückzuführen sein könnte,
dass die Landesenergiebilanz von Brandenburg keine aktuellen Angaben zum Verbrauch der
Mineralölverarbeitung enthält, weshalb hier auf Angaben aus 2015 zurückgegrifen werden
musste. Gleichzeitig könnten die Verbräuche der Mineralölindustrie in Brandenburg, wie
113
6. Diskussion und zukünftiger Forschungsbedarf
z. B. der Rafnerie in Schwedt, vom Modell unterschätzt worden sein. Die größte positive
Abweichung ergibt sich für Bayern (+3,1 TWh), was zum einen darauf zurückzuführen
sein könnte, dass für die Verbräuche der Mineralölverarbeitung sowie die nichtenergetischen
Verbräuche keine Angaben in der bayerischen Energiebilanz für das Jahr 2018 vorliegen, weshalb
hier auf Werte von 2012 und 2007 zurückgegrifen werden musste. Überdies sind in Bayern die
Unternehmenssitze mehrerer industrieller Großbetriebe mit vielen Büroangestellten ansässig,
wie z. B. BMW und Audi, weshalb bei der Regionalisierung über die Beschäftigtenzahlen,
trotz des iterativen Verfahrens (vgl. Abschnitt 4.3.1), ein hoher Verbrauch allokiert wurde, der
zu einer Überschätzung führen könnte.
Abbildung 6.3: Vergleich der Modellergebnisse mit den LAK-Energiebilanzen der Länder für den
Industriesektor (2018), nach [89]
In Abbildung 6.4 werden die modellierten Verbräuche des GHD-Sektors mit jenen der
länderspezifschen Energiebilanzen des LAK verglichen. Im Gegensatz zum Industriesektor
ergeben sich in einigen Bundesländern etwas deutlichere Abweichungen. Der modellierte
Stromverbrauch im GHD-Sektor beträgt insgesamt 144,4 TWh (bestätigt durch BMWK-
Daten, siehe Abbildung 6.2), während er vom LAK mit 131,1 TWh angegeben wird. Dies
entspricht einer Abweichung von 10% (bezogen auf den LAK-Verbrauch). Die größte positive
Abweichung ergibt sich für Nordrhein-Westfalen mit 4,3 TWh. Die größte negative Abweichung
tritt in Hessen mit -0,7 TWh auf. Auf der Gasseite ist es umgekehrt. Hier liegen die
Modellergebnisse (98,9 TWh, bestätigt durch BMWK-Daten, siehe Abbildung 6.2) niedriger
als die Angaben des LAK (132,40 TWh). Die größte negative Abweichung ergibt sich für
114
6.1 Plausibilisierung der Ergebnisse der Top-down-Modellierung historischer Verbräuche
Bayern mit -6,5 TWh und die größte positive Abweichung für Bremen mit +0,05 TWh. Die
Abweichungen könnten durch die unscharfe Defnition des GHD-Sektors durch den LAK
zurückzuführen sein, worauf die Bezeichnung der entsprechenden Bilanzzeile mit “Gewerbe,
Handel, Dienstleistungen u. übrige Verbraucher” hindeutet. Die Länderenergiebilanzen weisen
zudem auch den Endenergieverbrauch für den Verkehr in einer gesonderten Bilanzzeile aus.
Aus diesen Gründen wurden für den Vergleich analog zu Abbildung 6.2, die Verbräuche der
WZ 49, 50 und 51 aus den Modellergebnissen herausgerechnet. Dies umfasst im Falles des WZ
49 Landverkehr auch den Transport über Rohrfernleitungen, für den in Deutschland 2018 ca.
17,7 TWh Erdgas anfelen [92, Tabelle 2.3.6]. Wie dieser Posten in die Landesenergiebilanzen
eingeht und was sonst unter “übrige Verbraucher” fällt, ist nicht abschließend zu klären. In den
Tabellen zum Endenergieverbrauch nach Verbrauchergruppen der LAK sind die Verbräuche
der privaten Haushalte und des GHD-Sektors zudem zusammengefasst, was darauf hinweisen
könnte, dass die Trennung nicht immer scharf ist [89]. Im Vergleich mit Abbildung 6.2 wird
deutlich, dass die Angaben des LAK auch deutlich von jenen des BMWK abweichen.
Abbildung 6.4: Vergleich der Modellergebnisse mit den LAK-Energiebilanzen der Länder für den
GHD-Sektor (2018), nach [89]
Für die Plausibilisierung des modellierten zeitlichen Verlaufs des Stromverbrauchs werden
die Daten der ENTSO-E Plattform zum Vergleich hinzugezogen. In Abbildung 6.5 ist der
ENTSO-E-Lastgang der “Bidding Zone” DE sowie der modellierte Gesamtlastgang Deutsch-
lands abgebildet. Zur Komplettierung des modellierten Lastgangs wurde der Stromverbrauch der
Haushalte von 2018 aus den BMWK-Energiedaten von 126,6 TWh [68, Tabelle 6a] mit dem SLP
115
6. Diskussion und zukünftiger Forschungsbedarf
für Haushalte (siehe Abschnitt 4.2.5.2) zeitlich aufgelöst und zum modellierten Industrie- und
GHD-Lastgang hinzuaddiert. Der modellierte Lastgang repräsentiert eine Jahresenergiemenge
von 478,3 TWh und der ENTSO-E Lastgang 498,8 TWh, was einer Abweichung von 4,1%
entspricht. Beide Lastgänge weisen grundsätzlich eine ähnliche Charakteristik auf. Allerdings
zeichnet sich der ENTSOE-Lastgang durch weniger ausgeprägte Spitzen aus. Dies ist dadurch
zu erklären, dass ein großer Teil der Verbraucher mit SLP modelliert wurde, die einen
stark ausgeprägten Lastunterschied zwischen Tag und Nacht aufweisen, was besonders auf
das Haushaltsprofl zutrift. Grund dafür ist, dass das SLP nur für die Prognose weniger
hundert Verbraucher entwickelt wurde, bei denen es weniger Ausgleichsefekte gibt [220,
S. 73]. Die Anwendung für die Gesamtheit aller Verbraucher in Deutschland unterstellt
eine absolut gleichzeitige Stromverwendung, was im Hinblick auf die große Anzahl der
Verbraucher unrealistisch erscheint. Ein Ansatz zur Angleichung des Modelloutputs an den
ENTSO-E-Lastgang wäre die Glättung über einen gleitenden Mittelwert, unter der Annahme,
dass Verbrauchsspitzen in den einzelnen Haushalten zeitlich versetzt auftreten und sich die
Wahrscheinlichkeit dafür erhöht, je mehr Verbraucher im System sind [220, S. 73]. Abbildung
A.10 im Anhang zeigt, dass sich das Modellergebnis dem ENTSO-E-Lastgang annähert, sofern
die Haushalts-SLP durch einen gleitenden Mittelwert geglättet werden und je größer das
Mittelwertintervall gewählt wird.
Abbildung 6.5: Vergleich der Modellergebnisse mit dem ENTSO-E Lastgang der Bidding Zone
DE (2018), nach [102]
Für die Plausibilisierung des modellierten Gaslastgangs werden die Daten der ENTSO-G-
Plattform herangezogen. Analog zum Stromverbrauch wurde der Gasverbrauch der privaten
Haushalte von 2018 mit dem Haushalts-SLP für Gas zeitlich aufgelöst und zum modellierten
Industrie- und GHD-Verbrauch hinzuaddiert. Der modellierte Gesamtlastgang repräsentiert
einen Gasverbrauch von 713 TWh. In Abschnitt 2.7 wurde bereits erläutert, dass der auf der
ENTSO-G Plattform veröfentlichte aggregierte physikalische Gasfuss zu Endkunden in den
116
6.1 Plausibilisierung der Ergebnisse der Top-down-Modellierung historischer Verbräuche
beiden Marktgebieten Gaspool und NCG für 2018 lediglich einen Jahresverbrauch von 111,8
TWh darstellt. Sein zeitlicher Verlauf in Abbildung 6.6 ist daher für einen direkten Vergleich mit
dem modellierten Gasverbrauch ungeeignet. Aus diesem Grund wurde der ENTSO-G Lastgang
auf den modellierten Jahresverbrauch von 713 TWh skaliert und ebenfalls in Abbildung 6.6
eingefügt. Es zeigt sich eine vergleichbare Charakteristik der beiden Lastgänge mit höheren
Verbräuchen in den Wintermonaten und niedrigeren Verbräuchen in den Sommermonaten.
Der Verbrauchsrückgang im Sommer ist im ENTSO-G Lastgang allerdings weniger stark
ausgeprägt, als im modellierten Lastgang. Dies ist darauf zurückzuführen, dass es sich bei
den Endkunden der FNB, deren Verbrauch durch den ENTSO-G Lastgang wiedergegeben
wird, um Großkunden, wie Kraftwerke und große Industrieparks, handelt, deren Verbrauch
tendenziell weniger witterungsabhängig ist als der von durchschnittlichen Endkunden. Die
Verwendung des ENTSO-G Lastgangs als Lastprofl für den nationalen Gesamtverbrauch ist
damit nicht zu empfehlen, da das Verbrauchsverhalten des überwiegenden Teils der Endkunden
nicht abgebildet wird.
Abbildung 6.6: Vergleich der Modellergebnisse mit dem aggregierten physikalischen Gasfuss zu
Endkunden in beiden Marktgebieten Gaspool und NCG nach ENTSO-G (2018), nach [103]
Die folgenden Übersichtstabelle 6.1 enthält eine Zusammenfassung der Gründe für
auftretende Abweichungen zwischen den für die Plausibilisierung herangezogen Datenquellen
und den Modellierungsergebnissen für historische Verbräuche.
117
6. Diskussion und zukünftiger Forschungsbedarf
Tabelle 6.1: Übersicht der Gründe für Abweichungen zwischen dem Modellergebnis und
Datenquellen für die Plausibilisierung
Datenquelle Gründe für Abweichungen
BMWK Energieda-
Mengengerüst abweichend; Sektorendefnition abweichend (Verkehr,
ten
Umwandlungssektor); nichtenergetische Nutzung von Erdgas nicht
im Endenergieverbrauch des BMWK
LAK Energiebilan-
LAK-Daten unvollständig für 2018 daher ergänzt durch historische
zen der Länder Daten; LAK-Defnition des GHD-Sektors unscharf
ENTSO-E
Verwendung von SLP im Modell führt zur Vernachlässigung von
Ausgleichsefekten durch zeitlichen Versatz des Verbrauchs und damit
zu hohen Lastspitzen und niedrigen Lasttälern, Glättung mittels
gleitendem Mittelwert bringt Verbesserung
ENTSO-G
ENTSO-G Lastgang repräsentiert nur 15% des Jahreserdgasver-
brauchs; nur Großverbraucher, die direkt an die FNB angeschlossen
sind
6.2
Einordnung der Ergebnisse der kombinierten Top-down-
bottom-up-Modellierung zukünftiger Verbräuche in den
nationalen Forschungskontext
Die Plausibilisierung der Top-down-bottom-up-Modellierung zukünftiger Strom-, Erdgas-
und Wasserstofverbräuche erfolgt durch Einordnung in den nationalen Forschungskontext.
Dafür werden die Modellergebnisse mit den in Abschnitt 3.2 vorgestellten Studien verglichen
und erläutert, weshalb es zu Abweichungen zwischen den Modell- und Studienergebnissen
kommt. Abbildung 6.7 zeigt den modellierten industriellen Strom- und Erdgasverbrauch im
Vergleich zu den untersuchten Studien. Für die bessere Vergleichbarkeit mit den Studien
wurden die Modellergebnisse um den Verbrauch des Umwandlungssektors (WZ 19 Kokerei
und Mineralölverarbeitung) bereinigt. Auf der Gasseite (Abbildung 6.7, rechts) ergeben
sich für das Jahr 2018 dennoch Abweichungen, da in den Modellergebnissen noch der
Verbrauch der Industriekraftwerke sowie der nichtenergetische Verbrauch enthalten ist. Die
modellierten Gasverbräuche reduzieren sich gemäß des vorgegebenen Substitutionspfades auf
Null TWh im Jahr 2045. Diese Entwicklung ist konsistent mit jenen Studien, in denen ein
treibhausgasneutrales Szenario modelliert wurde. Im Unterschied dazu wurde in den Studien
LFS2 2017 und ERP 2014, die 2045 einen substanziellen Erdgasverbrauch von über 100 TWh
aufweisen, kein treibhausgasneutrales Szenario modelliert (vgl. Abschnitt 3.2.2). Im NEP
Gas 2022 werden ebenfalls signifkante Gasverbräuche in 2045 ausgewiesen. Dabei handelt
es sich um klimaneutrales Methan, welches zu einem erheblichen Anteil auf der Synthese
aus importiertem Wasserstof basiert [162, S. 47-49]. Im Falle der Studie dena 2021 wurde
zwar ein treibhausgasneutrales Szenario modelliert, allerdings verbleibt dennoch Erdgas im
System, dessen Emissionen kompensiert werden [147, S. 60]. Tabelle 6.3 auf Seite 123 enthält
eine Übersicht der Gründe für die Abweichungen zwischen dem in dieser Arbeit modellierten
Gasverbrauch und jenem in den untersuchten Studien.
Der modellierte Stromverbrauch (ohne WZ 19) liegt mit ca. 273 TWh für 2045 auf
einem ähnlichen Niveau, wie die Angaben im NEP Strom 2021. Im Vergleich zu den meisten
treibhausgasneutralen Szenarien ergibt sich allerdings für 2045 ein geringerer Verbrauch. Dies
118
6.2 Einordnung der Ergebnisse der kombinierten Top-down-bottom-up-Modellierung
zukünftiger Verbräuche in den nationalen Forschungskontext
Abbildung 6.7: Einordnung des modellierten zukünftigen industriellen Strom- und Erdgasver-
brauchs in den nationalen Forschungskontext, ohne Umwandlungssektor (WZ 19); Abschätzung
enthält zusätzliche Verbräuche aus der Substitution von Kohlen und Mineralölprodukten
ist darauf zurückzuführen, dass in der vorliegenden Arbeit ausschließlich die Energieträger
Strom, Erdgas und Wasserstof betrachtet wurden. Folglich ergeben sich die zukünftigen
Strom- und Wasserstofverbräuche ausschließlich aus der Substitution von Erdgas. Im
industriellen Sektor werden aber auch in erheblichem Maße fossile Energieträger wie Kohle-
und Mineralölprodukte eingesetzt, aus deren Substitution sich zukünftig ebenfalls Strom-
und Wasserstofverbräuche ergeben. Diese Substitutionsefekte wurden in der vorliegenden
Arbeit nicht modelliert, können aber wie im Exkurs S. 183 im Anhang beschrieben abgeschätzt
werden. In Tabelle 6.2 auf Seite 120 sind die Ergebnisse der Abschätzungen für zusätzliche
Strom- und Wasserstofverbräuche aus der Substitution von Kohlen- und Mineralölprodukten
zusammengefasst. Unter Berücksichtigung der abgeschätzten Stromverbräuche ergibt sich in
Abbildung 6.7 für 2045 ein industrieller Stromverbrauch von etwa 323 TWh (gestrichelte Linie),
der auf einem vergleichbaren Niveau mit den Studien dena 2021, Agora 2021 und Ariadne
2021 liegt. Bei jenen Studien, die einen niedrigeren Stromverbrauch ausweisen, wird sowohl in
LFS2 2017, ERP 2014 und KS 2015 kein treibhausgasneutrales Szenario modelliert, weshalb
der Elektrifzierungsgrad niedriger ist. Zudem werden in der Studie ERP 2014 besonders
ambitionierte Maßnahmen zu Erhöhung der Material- und Energieefzienz modelliert [165,
S. 256] und in KS 2015 zudem ein niedriges Produktionsniveau unterstellt [164, S. 167]. Bei
jenen Studien, die einen Stromverbrauch jenseits von 300 TWh ausweisen, wird mitunter von
einem höheren Elektrifzierungsgrad der Prozesswärmeanwendungen ausgegangen. Laut den
Modellergebnissen der vorliegenden Arbeit werden die Verbräuche für Wärmeanwendungen in
2045 zu etwa gleichen Teilen durch Strom und Wasserstof gedeckt werden (vgl. Abbildung A.5
im Anhang). In der Studie ISE 2021 werden im Jahr 2045 hingegen 69 % der Prozesswärme
119
6. Diskussion und zukünftiger Forschungsbedarf
durch strombasierte Technologien gedeckt [158, S. 18]. In der Studie LFS3 2021 sind es 2050
67% der industriellen Prozesswärme, die durch Strom bereitgestellt werden [149, S. 58]. Im
Gegensatz dazu, wird in der Studie Ariadne 2021 der Prozesswärmebedarf nur zu etwa 45%
durch Stromanwendungen gedeckt [156, S. 131]. In den Studien Agora 2021 und dena 2021
erfolgt Wärmebereitstellung neben Strom auch zu erheblichen Anteilen durch Biomasse [144, S.
44] und fossile Energieträger, deren Emissionen technisch oder bilanziell kompensiert werden
[143, S. 60]. In der Studie BDI 2021 ist der industrielle Stromverbrauch inklusive des Verbrauchs
für die Elektrolyse angegeben [145, S. 18], weshalb er im Vergleich recht hoch liegt. Im NEP
Strom 2023 basiert die Prognose des Stromverbrauchs auf den Annahmen der Studien LFS3
2021 und Agora 2021 und wird um eine Abfrage bei Großverbrauchern und deren zukünftige
Anschlussleistung ergänzt [161, S. 37]. Die Ergebnisse dieser Abfrage führen zu einem signifkant
höheren prognostizierten Verbrauch als noch im NEP Strom 2021. Tabelle 6.3 auf Seite 123
zeigt eine Zusammenfassung der Gründe für die Abweichungen zwischen dem in dieser Arbeit
modellierten Stromverbrauch und jenem in den untersuchten Studien.
Tabelle 6.2: Abschätzung zukünftiger grüner Strom- und Wasserstofverbräuche aus der Substitu-
tion fossiler Energieträger im Industriesektor (ohne WZ19 Kokerei und Mineralölverarbeitung und
ohne Bedarf an Syntheseprodukten aus Power-to-X-Anlagen), siehe Exkurs S. 183 im Anhang für
weitere Erläuterungen
Energieträger-
Substituiert
Erläuterung
verbrauch
durch
2018
166,6
Braun-
TWh
und
ca. 67 TWh H2
ca. 133 TWh Kohleverbrauch in Stahlerzeugung substitu-
iert durch ca. 50 TWh
H2
[221][222]; restlicher 33,6 TWh
Steinkohlen [92]
Kohleverbrauch in anderen WZ für Prozesswärme durch
17 TWh
H2
(Annahme: Substitution im Verhältnis von
2:1, da Efzienzgewinne und Biomasse möglich)
203,3 TWh Mi-
neralölprodukte
50 TWh Strom
und 37 TWh
H2
ca. 61 TWh Mineralölprodukte elektrifzierbar nach an-
wendungsspezifscher Aufteilung nach Tabellen A.4 und
[92]
A.5, was 50 TWh Stromverbrauch entspricht nach Tabelle
4.4; restliche 141 TWh zu ca. 85% in chemischer Industrie,
wo sich ein Wasserstofbedarf von 21 TWh ergibt [221]
(Syntheseprodukte aus PtX nicht betrachtet), restlicher
Mineralölverbrauch von 32 TWh in anderen WZ für
Prozesswärme durch 16 TWh
H2
(Annahme: Substitution
im Verhältnis von 2:1, da Efzienzgewinne und Biomasse
möglich)
In Abbildung 6.8 wird der modellierte industrielle grüne Wasserstofverbrauch den Studiener-
gebnissen gegenübergestellt. Obwohl der modellierte Wert nur den grünen Wasserstofverbrauch
aus der Substitution von Erdgas darstellt, liegt er auf einem vergleichbaren Niveau mit den
anderen Studien. Die Angaben aus den Studien NEP Gas 2022, dena 2021, Ariadne 2021
und LFS3 2021 sind zum Ende des jeweiligen modellierten Zeitraums höher, was darauf
zurückzuführen ist, dass in diesen Studien Wasserstof eine breite Verwendung im industriellen
Sektor zugeschrieben wurde und neben Erdgas auch die Substitution anderer fossiler
Energieträger, wie Kohlen und Mineralölprodukten modelliert wurde. Der vergleichsweise
hohe Wasserstofverbrauch resultiert beispielsweise aus einem hohen Bedarf von mindestens
100 TWh für den nichtenergetischen Einsatz von Wasserstof in der Chemie- und Stahlindustrie
sowie dem energetischen Einsatz in weiteren Industriezweigen, wie der Zementindustrie [143, S.
61] [156, S. 131] [149, S. 57] [162, S. 50]. In der Studie Ariadne 2021 wird Wasserstof zudem
120
6.2 Einordnung der Ergebnisse der kombinierten Top-down-bottom-up-Modellierung
zukünftiger Verbräuche in den nationalen Forschungskontext
auch zur Dampferzeugung und in Industrieöfen eingesetzt [156, S. 126-131]. Im Gegensatz dazu
wurde in den Studien LFS2 2017, KS 2015 und ERP 2014 kein treibhausgasneutrales Szenario
modelliert, weshalb Wasserstof als Energieträger keine Beachtung erhält, sondern fossile
Brennstofe eingesetzt werden. In den Studien mit mittlerem grünen Wasserstofverbrauch, wie
Agora 2021, BDI 2021 und ISE 2021, wird für die Bereitstellung von industrieller Prozesswärme
verstärkt Biomasse eingesetzt, was den Bedarf an Wasserstof senkt [144, S. 50], [145, S. 83]
[158, S. 18]. In den Studien LFS3 2021 und ISE 2021 wird der zukünftige Wasserstofverbrauch
zudem durch den hohen Elektrifzierungsgrad der industriellen Prozesswärmebereitstellung
gedrückt [158, S. 18] [149, S. 58]. Unter Berücksichtigung der Abschätzung der zusätzlichen
Verbräuche aus der Substitution von Kohlen und Mineralölprodukten ergibt sich für 2045 ein
Wasserstofverbrauch von ca. 207 TWh (siehe Tabelle 6.2 und Exkurs S. 183). Dieser Wert
liegt auf einem ähnlichen Niveau, wie die Studie Ariadne 2021 (gestrichelte Linie, Abbildung
6.8). Dies ist darauf zurückzuführen, dass die Werte in Tabelle 6.2 eine obere Abschätzung
der Wasserstofverbräuche darstellen, da sie den Annahmen unterliegen, dass der Kohle-
und Mineralölverbrauch von 2018 vollständig substituiert wird und dass Wasserstof breite
Anwendung in der Bereitstellung von Hochtemperaturprozesswärme fndet. Tabelle 6.3 auf
Seite 123 enthält eine Übersicht der Gründe für die Abweichungen zwischen den in dieser
Arbeit modellierten grünen Wasserstofverbräuchen und jenen in den untersuchten Studien.
Abbildung 6.8: Einordnung des modellierten zukünftigen industriellen Wasserstofverbrauchs in
den nationalen Forschungskontext, ohne Umwandlungssektor (WZ 19)
Abbildung 6.9 zeigt den modellierten Strom- und Erdgasverbrauch des GHD-Sektors
im Vergleich zu den in Kapitel 3.2 vorgestellten Studien. Um eine bessere Vergleichbarkeit
herzustellen, wurden die Modellergebnisse um den Verbrauch der WZ 49 Landverkehr, 50
Schiffahrt und 51 Luftverkehr bereinigt (analoges Vorgehen wie in Abschnitt 6.1, siehe
Abbildung 6.2), was die leichte Abweichung für das Jahr 2018 erklärt. Insgesamt ergibt
sich ein mit den anderen Studien konsistentes Bild der Modellergebnisse. Der modellierte
121
6. Diskussion und zukünftiger Forschungsbedarf
Stromverbrauch liegt auf einem Niveau mit den Ergebnissen der Studien Agora 2021, NEP
Strom 2021 und LFS2 2017. Die Studien mit einem höheren Verbrauch zeichnen sich im
Falle des NEP Strom 2023 durch eine dezidierte Berücksichtigung zukünftiger Verbräuche
von Rechenzentren (50 TWh in 2045) [161, S. 32] und im Falle der Studie dena 2021 durch
einen hohen Strombedarf für die strombasierte Prozesswärmebereitstellung im Niedrig- bis
Mitteltemperaturbereich aus [143, S. 75]. Bei den Studien mit geringeren prognostizierten
Werten wird im Falle der LFS3 2021 und KS 2015 von einer besonders ambitionierten Umsetzung
von Efzienzmaßnahmen ausgegangen [151, S. 8] [164, S. 191]. Die Studie ERP 2014 basiert
nicht auf einem treibhausgasneutralen Szenario, weshalb hier keine vollständige Elektrifzierung
vorliegt [165, S. 281]. Dies ist auch in der Studie LFS2 2017 der Fall, wo allerdings im Gegenzug
auch weniger ambitionierte Efzienzfortschritte bei den Geräteverbräuchen angesetzt werden
[62, S. 70, 126]. Auf der Gasseite entwickeln sich die modellierten Verbräuche entsprechend
des normativen Reduktionspfads bis 2045 auf Null TWh, was auch in den meisten anderen
Studien zu beobachten ist. In jenen Studien, die auch in 2045/2050 noch einen Erdgasverbrauch
ausweisen, wird entweder nicht mit einem treibhausgasneutralen Szenario gerechnet (ERP 2014,
LFS2 2017, NEP Gas 2022), enthalten die Angaben auch den Verbrauch von synthetischem
Methan (NEP Gas 2022) oder werden
CO2
-Kompensationsmaßnahmen durchgeführt (dena
2021) (vgl. Abschnitt 3.2.2). Tabelle 6.3 auf Seite 123 enthält eine Übersicht der Gründe für
die Abweichungen zwischen den in dieser Arbeit modellierten Strom- und Erdgasverbräuchen
und jenen in den untersuchten Studien.
Abbildung 6.9: Einordnung des modellierten zukünftigen Strom- und Erdgasverbrauchs im
GHD-Sektors in den nationalen Forschungskontext, ohne Verkehr (WZ 49, 50, 51)
122
6.2 Einordnung der Ergebnisse der kombinierten Top-down-bottom-up-Modellierung
zukünftiger Verbräuche in den nationalen Forschungskontext
Tabelle 6.3: Übersicht der Gründe für Abweichungen zwischen den modellierten zukünftigen
Verbräuchen und den untersuchten Studien, ET: Energieträger, THG: Treibhausgas
Sektor
Energie-
Begründung Modell >Studien
Begründung Modell <Studien
träger
Industrie
Strom
•
Kein THG-neutrales Szenario,
daher geringerer Elektrifzie-
rungsgrad [LFS2 2017, ERP
2014, KS 2015]
•
Besonders ambitionierte Efzi-
enzmaßnahmen [KS 2015, ERP
2014]
Industrie
H2 •
Kein THG-neutrales Szenario,
daher fossile Brennstofe für
die schwer zu elektrifzierenden
Industrieanwendungen, Wasser-
stof nicht relevant [LFS2 2017,
KS 2015, ERP 2014]
•
Einsatz von Biomasse für Pro-
zesswärme [Agora 2021, BDI
2021, ISE 2021]
•
Hoher Elektrifzierungsgrad in
der Hochtemperaturprozesswär-
me [LFS3 2021, ISE 2021]
•
Angaben ohne nichtenergeti-
schen Verbrauch [ISE 2021]
Industrie
Erdgas /
und
GHD
GHD Strom
•
Kein THG-neutrales Szenario,
daher geringerer Elektrifzie-
rungsgrad [ERP 2014, KS 2015,
LFS2 2017]
•
Besonders ambitionierte Efzi-
enzmaßnahmen [LFS3 2021, KS
2015]
•
Vollständige Substitution aller fossi-
len ET in THG-neutralem Szenario
[Agora 2021, BDI 2021, LFS3 2021,
Ariadne 2021, ISE 2021, NEP Strom
2023, NEP Strom 2021], teilweise Sub-
stitution der fossilen ET i.V.m. CO2
Kompensation im Falle von [dena
2021]
•
Hoher Elektrifzierungsgrad in der
Hochtemperaturprozesswärme [ISE
2021, LFS3 2021, NEP Strom 2023]
•
Angaben inklusive Elektrolysestrom
[BDI 2021]
•
Vollständige Substitution aller fossi-
len ET in THG-neutralem Szenario
[Agora 2021, BDI 2021, LFS3 2021,
Ariadne 2021, ISE 2021]
•
Besonders hoher Bedarf für nichtener-
getischen Einsatz (>100TWh) oder
Verwendung in Zement und sonsti-
ger Industrie sowie in Öfen und zur
Dampferzeugung [dena 2021, Ariadne
2021, NEP Gas 2022, LFS3 2021]
•
Kein THG-neutrales Szenario, daher
Erdgas noch im System [LFS2 2017,
ERP 2014, NEP Gas 2022, KS 2015]
•
Einsatz fossiles Methan i.V.m. CO2
Kompensation [dena 2021]
•
Angaben enthalten synthetisches Me-
than [NEP Gas 2022]
•
Berücksichtigung zusätzlicher Ver-
bräuche durch Rechenzentren [NEP
Strom 2023]
•
Besonders hohe Bedarfe für die Raum-
und Prozesswärmebereitstellung [de-
na 2021]
•
Weniger ambitionierte Efzienzmaß-
nahmen [LFS2 2017]
123
6. Diskussion und zukünftiger Forschungsbedarf
6.3 Kritische Würdigung des Modellierungsverfahrens
Das in dieser Arbeit vorgestellte Verfahren erlaubt die vollständige Abbildung sektoraler
Energieverbräuche in hoher regionaler und zeitlicher Aufösung. Datenbasis bilden die
Veröfentlichungen des Statistischen Bundesamtes. Die Energieverbräuche aus der UGR und
JEVI werden nach dem Top-down-Prinzip anhand regional, zeitlich und anwendungsspezifsch
aufgelöster ENAG disaggregiert. Auf diese Weise wird ein hoher Detaillierungsgrad erreicht.
Dies ermöglicht es, Energieverbräuche auf den jeweiligen Disaggregationsebenen mit WZ- und
anwendungsspezifschen Parametern zu verknüpfen, fortzuschreiben und anschließend nach
dem Bottom-up-Prinzip wieder zu aggregieren. Auf diese Weise werden zukünftige Energiever-
bräuche modelliert, die einer detaillierten Abbildung technologischer Transformationsprozesse
unterliegen. In diesem Abschnitt wird das Verfahren kritisch untersucht.
Für die Regionalisierung der Energieverbräuche wurden die sozialversicherungspfichtig
Beschäftigten als ENAG gewählt. Hierfür könnten auch andere Größen in Betracht kommen, die
mit Energieverbräuchen in kausalem Zusammenhang stehen, wie z. B. Produktionsmengen oder
EBF. Diese Größen sind allerdings nicht in der gleichen hohen regionalen und WZ-spezifschen
Aufösung aus öfentlichen Datenquellen entnehmbar, wie es bei den sozialversicherungspfichtig
Beschäftigten der Fall ist. Zudem werden die Beschäftigten in langer Historie statistisch
erfasst und im Rahmen von Arbeitsmarktprognosen fortgeschrieben. Um den Ungenauigkeiten
entgegenzuwirken, die entstehen, wenn industrielle Verbräuche anhand von Beschäftigten
regionalisiert werden (Produktionsstandorte könnten unterschätzt und Bürostandorte könnten
überschätzt werden), wurden die regionalen industriellen Verbräuche aus der JEVI als
Datenbasis einbezogen, um die spezifschen Verbräuche in MWh pro Person je WZ und NUTS-
3 Region anzupassen (siehe iteratives Verfahren in Abschnitt 4.3.1). Überdies werden die
zukünftigen Entwicklungen der BWS und EBF, als Indikatoren für die industrielle Produktion
bzw. gewerblichen Flächenbedarf, bei der Fortschreibung der Energieverbräuche berücksichtigt.
Die Verwendung der JEVI als Kalibrierungsgröße in einem Zwischenschritt der Regio-
nalisierung industrieller Verbräuche (iteratives Verfahren, vgl. Abschnitt 4.3.1) erlaubt es,
die spezifschen Verbräuche in MWh pro Person in produktionsstarken Regionen anzupassen.
Allerdings prägen die historischen Strukturen der regionalen Verteilung der Energieverbräuche
damit auch die Ergebnisse der Zukunftsmodellierung. Um dem entgegenzuwirken, werden
in der Modellierung einerseits die Veränderungen der regionalen Beschäftigtenstruktur laut
Arbeitsmarktprognose berücksichtigt und andererseits WZ- und anwendungsspezifsche Ener-
gieträgerwechselpotenziale einbezogen, die die Verbräuche je NUTS-3 Region unterschiedlich
stark beeinfussen. Auf diese Weise ergibt sich für zukünftige Verbräuche eine Verschiebung
der relativen Unterschiede zwischen den NUTS-3 Regionen.
In dieser Arbeit erfolgt die Einteilung der Verbrauchssektoren in Industrie, GHD und private
Haushalte. In aktuellen Energiesystemstudien wird mitunter nach Industrie-, Gebäude- und
Geräteverbräuchen unterschieden (vgl. Abschnitt 3.2.1). Die sektorübergreifende Modellierung
des Raumwärmebedarfs nach Gebäuden hat den Vorteil einer höheren Abbildungsgenauigkeit im
Hinblick auf den Einfuss technologischer Entwicklungen, wie Sanierungen oder der Installation
neuer Heizungssysteme, die sich je nach Gebäudetyp und Baualter unterschiedlich stark
auswirken. Einige Institute haben daher separate Gebäudemodelle entwickelt, deren Outputs
124
6.3 Kritische Würdigung des Modellierungsverfahrens
entsprechend genutzt werden (siehe Abschnitt 3.2.1). Die zugrundeliegenden Datensätze können
zwar aus öfentlichen Datenquellen, wie dem Gebäudezensus oder den Veröfentlichungen des
Instituts für Wohnen und Umwelt in Darmstadt, gespeist werden. Allerdings sind diese
Datensätze insbesondere in Bezug auf Nichtwohngebäude lückenhaft. Für die vollständige
Modellierung des Gebäudesektors verwenden die Institute daher teilweise jahrelang aufgebaute
Gebäudedatensätze und nutzen dafür z. B. “Open Street Map” [223]. In dieser Arbeit wird
der Gebäudesektor nicht explizit modelliert, sondern die Einteilung der Sektoren gemäß der
Klassifkation der WZ von 2008 übernommen und die Verbräuche für Raumwärme als eine der
Anwendungen im Zuge der Disaggregation entsprechend abgebildet. Dies hat den Vorteil der
direkten Verwendbarkeit öfentlicher und gepfegter Datensätze des Statistischen Bundesamts
zu Endenergieverbräuchen (z. B. UGR, JEVI) oder der Bundesagentur für Arbeit (z. B. für
Beschäftigte [173]).
In dieser Arbeit werden konstante anwendungs- und WZ-spezifsche Efzienzsteigerungsra-
ten aus der Literatur entnommen. In aktuellen Energiesystemstudien wird hingegen mitunter
mit globalen Efzienzsteigerungsraten von beispielsweise 0,5% gerechnet (vgl. NEP Strom
2021 [160, S. 36] oder ISE 2021 [157, S. 19]). In dieser Arbeit wurden die angesetzten
Efzienzsteigerungsraten (siehe Tabellen 4.2 und 4.3) auf Quellen gestützt, denen eine
sorgfältige Branchenanalyse und teilweise auch eine Befragungen von Industriepartnern
zugrunde liegen. Die Annahme konstanter Efzienzsteigerungsraten impliziert, dass auch
in Branchen, in denen neue Technologien eingeführt und Prozesse grundlegend verändert
werden, kontinuierlich neue Energiesparmaßnahmen umgesetzt werden. Aus diesem Grund
wurden in dieser Arbeit die Efzienzsteigerungsraten ab 2036 halbiert.
Der Einsatz von Lastproflen, insbesondere von SLP, bietet den Vorteil einer hinreichend
genauen Abbildung der zeitlichen Verläufe von Energieverbräuchen bei vollständiger Abdeckung
aller Verbrauchergruppen. Gleichzeitig führt die breite Verwendung der gleichen Profle zur
Unterschätzung von Ausgleichsefekten, die durch die zeitliche Verschiebung von Aktivitäten
der Verbraucher auftreten und zu einer Glättung des Gesamtlastgangs einer Region führen.
Folglich werden bei der Verwendung von Lastproflen auch in dieser Arbeit Lastspitzen
über- und Lasttäler unterschätzt, was anhand des ENTSO-E-Profls gezeigt wurde (siehe
Abbildung 6.5). In der Realität wird diesem Efekt bei der Netzdimensionierung durch die
Berücksichtigung von Gleichzeitigkeitsfaktoren Rechnung getragen [224]. In dieser Arbeit wurde
dieser Problematik durch die Verwendung von BLP adressiert, die auf Basis einer Vielzahl
gemessener Lastgänge erstellt wurden und im Vergleich zu den SLP einen Verlauf mit weniger
ausgeprägten Lastspitzen aufweisen (siehe Abschnitt 4.2.5.1). Überdies konnte gezeigt werden,
dass sich der modellierte Gesamtlastgang durch die Glättung der SLP durch einen gleitenden
Mittelwert an den ENTSO-E-Lastgang annähert. Durch Randomisierung der SLP könnte
eine zeitliche Verschiebung des Verbrauchsverhaltens simuliert werden, allerdings wurde keine
Untersuchung gefunden, die Anhaltspunkte liefert, bei welcher Anzahl an Verbrauchern welche
Art von zeitlicher Verschiebung sinnvoll ist.
Die Ermittlung von Elektrolyseurslastgängen auf Basis der Wasserstofastgänge unterliegt
der Annahme, dass grüner Wasserstof zu dem Zeitpunkt erzeugt wird, zu dem er auch
verbraucht wird. Aufgrund der Speichermöglichkeiten von Wasserstof, ist eine zeitliche
Entkopplung von Erzeugung und Verbrauch allerdings wahrscheinlich. Zudem könnte das
125
6. Diskussion und zukünftiger Forschungsbedarf
Produktionsverhalten der Elektrolyseure auch durch Strompreissignale beeinfusst werden.
Gleichzeitig wird im Sinne der technischen Betriebsführung wie bei allen großindustriellen
Anlagen, eine möglichst konstante Auslastgung angestrebet. Dieses Produktionsverhalten
wird auch in der vorliegenden Arbeit unterstellt, da sich durch den nahezu konstanten
Wasserstofbedarf in den durchgängig produzierenden WZ auch ein nahezu konstanter
Stromverbrauch durch die Elektrolyse ergibt.
6.4 Zukünftiger Forschungsbedarf
Das in dieser Arbeit vorgestellte Verfahren für die hochaufgelöste Modellierung von Strom-,
Erdgas- und Wasserstofverbräuchen bietet zahlreiche Ansatzpunkte für Weiterentwicklungen.
Eine Auswahl daraus wird in diesem Abschnitt skizziert. Die Weiterentwicklungen bestehen
sowohl in der Ausweitung des Modells auf zusätzliche Energieträger und Sektoren als auch
in der Erhöhung der Abbildungsschärfe und des Detailgrads. Das Verfahren ließe sich
zudem auch für die Abbildung regional und zeitlich aufgelöster Flexibilisierungspotenziale
anpassen. Daneben bieten sich weitere Verwendungsmöglichkeiten für das Verfahren, wie
z. B. die Gegenüberstellung regionaler Verbräuche mit regionalen Erzeugungskapazitäten
für die Ermittlung von Energietransportbedarfen oder die Regionalisierung existierender
Gesamtlastgänge.
Zunächst könnte das Verfahren um die Abbildung anderer Energieträger, wie Braun-
und Steinkohlen, Erdöl, Kraftstofe und Heizöl, sowie Biomasse und Syntheseprodukte aus
Power-to-X-Anlagen ergänzt werden. Eine derartige Erweiterung würde nicht nur erlauben,
die gegenwärtigen regionalen Verbrauchsschwerpunkte weiterer fossiler Energieträger zu
identifzieren, sondern auch die aus deren Substitution resultierenden regionalen zukünftigen
Bedarfe an
CO2
-neutralen Energieträgern abzubilden. Die in dieser Arbeit verwendete
Datenbasis der UGR und der JEVI könnte dafür ein geeigneter Ausgangspunkt sein. Allerdings
würde die Regionalisierung und die Modellierung der Energieträgerwechsel eine detaillierte
Aufarbeitung WZ-spezifscher Regionalisierungs- und Substitutionsfaktoren erfordern, wie im
Exkurs (siehe S. 183 im Anhang) angedeutet wurde. Zudem könnte eine Modellierung der
privaten Haushalte und des Verkehrssektors in das Verfahren aufgenommen werden. Für die
regionale, zeitliche und anwendungsspezifsche Modellierung der Verbräuche im Haushaltssektor
kann das bestehende Verfahren unter Berücksichtigung angepasster Regionalisierungsfaktoren
und Parameter übernommen werden. Hierfür könnte auf den Arbeiten von Gotzens et al.
(2017) aufgebaut werden, die im Rahmen des DemandRegio Projekts bereits die regionale
und zeitliche Disaggregation von Energieverbräuchen des Haushaltssektors betrieben haben
[7, S. 41-60]. Die Modellierung des Heizölverbrauchs würde eine gesonderte Untersuchung
dazu erfordern, in welchen Regionen Ölheizungen vermehrt zum Einsatz kommen, z. B.
in Baden-Württemberg [225]. Für die Modellierung des Verbrauchs im Verkehrssektor ist
eine Übertragbarkeit des Ansatzes zu überprüfen. Hier müsste zunächst analysiert werden,
inwiefern es mit den anderen Verbrauchssektoren Überschneidungen gibt. Der Stromverbrauch
des Verkehrsträgers Schiene ist beispielsweise bereits durch den WZ 49 abgebildet und im GHD
Verbrauch enthalten. Überdies müsste eingehend untersucht werden, über welche Größen eine
realistische Regionalisierung erreicht werden könnte. Hier kommen beispielsweise Regionaldaten
126
6.4 Zukünftiger Forschungsbedarf
zu Bevölkerung, Ladestationen, Bahnhöfen und Flughäfen infrage. Für die zeitliche Aufösung
müssten Profle erstellt werden, die das Tank- bzw. Ladeverhalten der Endnutzer abbilden
beziehungsweise auf Fahr- und Flugplänen basieren.
Das Verfahren könnte darüber hinaus im Hinblick auf die Modellierung der zeitlichen Vertei-
lung der Verbräuche detaillierter ausgestaltet werden, indem anwendungsspezifsche Lastprofle
eingeführt werden. Hierbei könnte zwischen konstanten, z. B. IKT, tageszeitabhängigen, z.
B. Prozesswärme, und von exogenen Größen abhängigen Anwendungen, z. B. Beleuchtung
oder Klimakälte, unterscheiden werden. In der vorliegenden Arbeit wurde dieses Vorgehen
für die Anwendung Raumwärme bereits angewendet, indem temperaturabhängige Lastprofle
modelliert wurden, um das Verbrauchsverhalten von Wärmepumpen akkurat abzubilden (vgl.
Abschnitt 4.4.3). Eine vergleichbare Modellierung der übrigen Anwendungen würde die Einfüsse
unterschiedlich ausgeprägter technologischer Entwicklungen (z. B. anwendungsspezifsche
Efzienzsteigerungen) auf den Gesamtlastgang stärker sichtbar machen. Dies könnte durch
eine Ausweitung der Akquise von Lastgangdaten bei Unternehmen ergänzt werden, um für
weitere WZ BLP zu erstellen und damit den Einsatz von SLP und BSP überfüssig zu machen.
Überdies könnte das Verfahren um detaillierte technische Branchenanalysen ergänzt
werden. Auf diese Weise könnten für besonders heterogene WZ, wie die chemische Industrie,
standortspezifsche Charakteristika in die Modellierung Eingang fnden. Zudem würde
eine Aktualisierung der anwendungsspezifschen Aufteilung der Endenergieverbräuche je
WZ ermöglicht werden. Auf Basis der Branchenanalysen könnten zudem Lastfexibilisie-
rungspotenziale identifziert und den jeweiligen WZ und Anwendungen zugeordnet werden.
Über das in dieser Arbeit entwickelte Verfahren könnten die Potenziale anschließend in
hoher regionaler und zeitlicher Aufösung modelliert werden. Auf diese Weise könnten
NUTS-3 Regionen mit hohen bzw. niedrigen Lastfexibilisierungspotenzialen identifziert
werden. Durch den bereits implementierten technologischen Entwicklungspfad würden diese
Potenziale für zukünftige Jahre in Abhängigkeit des Elektrifzierungsgrads der jeweiligen
WZ und Anwendungen fortgeschrieben werden. Eine solche regionalisierte Modellierung
der Flexibilisierungspotenziale könnte Eingang in Netzsimulationen fnden. Insbesondere bei
der Modellierung von dekarbonisierten Energiesystemen mit 100% erneuerbaren Energien,
die sich durch eine fuktuierende Einspeisung auszeichnen, können sich zeitweise regionale
Transportengpässe ergeben. Regional und zeitlich hochaufgelöste Lastfexibilisierungspotenziale
liefern in dieser Hinsicht für die Netzmodellierung einen wesentlichen Inputfaktor, um Optionen
für Engpassmanagement sowie regionalen Ausgleich zwischen Erzeugung und Verbrauch
aufzuzeigen und zu bewerten. Überdies könnten zukünftige regionale Verbrauchsschwerpunkte
für Strom und grünen Wasserstof, wie z. B. dekarbonisierte Industriezentren, regionalen
Potenzialen für die Erzeugung von Strom aus erneuerbaren Energiequellen, wie z. B.
Küstenstreifen für Windkraftanlagen, gegenübergestellt werden, um Energietransportbedarfe
zu identifzieren und Netzausbaubedarfe abzuleiten.
Die Modellierungsergebnisse deuten auf einen insgesamt steigenden Stromverbrauch und den
fächendeckenden Einsatz von Wärmepumpen zur Bereitstellung von Niedertemperaturanwen-
dungen hin. Gleichzeitig ergeben sich durch die Modernisierung von Anlagen und Sanierungen
von Gebäuden Efzienzsteigerungen, die zu signifkanten Einsparungen führen können. In der
Realität deutet sich an, dass Engpässe sowohl beim Energietransport aufgrund des aufwändigen
127
6. Diskussion und zukünftiger Forschungsbedarf
und teilweise verzögerten Netzausbaus [226] als auch bei der Installation und Sanierung
aufgrund des Fachkräftemangels [227] wahrscheinlich sind. Folglich könnte die Einbindung
regionaler Restriktionen der Verbräuche ein Anknüpfungspunkt für Weiterentwicklungen des
Modells sein. Im Zuge der Kopplung mit einem Netzmodell könnten solche Restriktionen auf
Basis der regionalen maximalen Ausspeise- bzw. Einspeisekapazitäten ermittelt und an das
Verbrauchsmodell übergeben werden. Der Fachkräftemangel könnte anhand einer maximalen
jährlichen Installationsrate modelliert werden. Im Ergebnis könnten durch die Implementierung
der Restriktionen im Modell Wechsel zu alternativen Energieträgern, wie z. B. Biomasse,
herbeigeführt werden.
Für das in dieser Arbeit vorgestellte Verfahren bieten sich auch ohne Anpassungen weitere
Anwendungsmöglichkeiten an, wie z. B. die Regionalisierung gegebener Summenlastgänge. Für
bestimmte Modellierungszwecke kann es erstrebenswert sein, dass die Summe aller regionalen
Lastgänge genau einem vorgegebenen Lastgang entspricht. Im folgenden wird das Vorgehen
am Beispiel des ENTSO-E Lastgangs erläutert. Aus den Modellierungsergebnisse wird je
Region eine Faktorzeitreihe erstellt, wobei die Summe der Faktoren über alle Regionen
für jeden Zeitschritt genau eins ergibt. Die Faktoren geben somit die Verteilung der Last
zwischen den Regionen zum jeweiligen Zeitschritt wieder. Abbildung A.11 im Anhang zeigt eine
Visualisierung der Faktorzeitreihen je Bundesland für 2 Wochen im April 2018 als gestapeltes
Flächendiagramm. Werden die Faktorzeitreihen mit dem ENTSO-E-Lastgang multipliziert,
ergibt sich eine Verteilung der Last auf die Bundesländer. Das Ergebnis ist in Abbildung
A.12 im Anhang für die gleichen zwei Aprilwochen 2018 festgehalten. Durch das beschriebene
Vorgehen wird das für die Wirtschaftsstruktur im jeweiligen Bundesland charakteristische
Verbrauchsverhalten durch die Faktorzeitreihen wiedergegeben. Bundesländer mit einer durch
GHD und Haushalte geprägten Verbraucherstruktur, z. B. Berlin, nehmen tagsüber einen
höheren Anteil der Gesamtlast ein als nachts, während Bundesländer mit einer vergleichsweise
stärker durch Industrie geprägten Verbraucherstruktur, z. B. Niedersachsen, tagsüber weniger
Anteil an der Gesamtlast haben als nachts. Dieses Vorgehen kann für beliebige Gesamtlastgänge
und Energieträger angewendet werden.
128
7
Fazit
Die Modellierung von Energieverbräuchen hat einen zentralen Stellenwert im Kontext der
Analyse und Planung von Energiesystemen, die vor dem Hintergrund der Energiewende durch
eine zunehmende Dezentralisierung und Verfechtung von Energieinfrastrukturen charakterisiert
sind. Um die Wechselwirkungen zwischen den Systemkomponenten für Erzeugung, Transport
und Verbrauch von Energie in ihrer regionalen und zeitlichen Dimension zu erfassen und zu
bewerten, besteht ein hoher Bedarf an detaillierten Modellen, insbesondere zur Erstellung
hochaufgelöster Energieverbrauchsszenarien. In dieser Arbeit wurde ein Verfahren zur
regional und zeitlich hochaufgelösten Modellierung von Energieverbräuchen im Industrie-
und GHD-Sektor entwickelt, das den steigenden Ansprüchen an die Abbildungsschärfe von
Energiesystemmodellen Rechnung trägt. Das Verfahren erlaubt eine Diferenzierung nach
WZ und Verbrauchsanwendungen und basiert ausschließlich auf öfentlichen Daten. Die
durch dieses Verfahren erzeugten hochaufgelösten Datensätze zu zukünftigen Strom-, Erdgas-,
und Wasserstofverbräuchen in Deutschland bilden eine essenzielle Eingangsgröße für die
sektorübergreifende Planung und Bewertung von Energietransportsystemen. Auf ihrer Basis
können Bedarfe an Transport- und regionalen Erzeugungskapazitäten identifziert werden,
was besonders vor dem Hintergrund steigender Bedarfe an
CO2
-neutralen Energieträgern in
wirtschaftsstarken Regionen im Zuge der Dekarbonisierung der Verbrauchssektoren relevant
ist. Überdies liefern die Ergebnisse den Ausgangspunkt für die Quantifzierung regionaler
Lastfexibilisierungspotenziale, was einen wesentlichen Inputfaktor für die Bewertung der
Handlungsoptionen zum regionalen Ausgleich zwischen Erzeugung und Verbrauch darstellt.
Im Grundlagenkapitel wurden einleitend die in dieser Arbeit verwendeten Klassifkationen
von Modellierungsverfahren, ENAG, Verbrauchergruppen, Anwendungen und Regionen
vorgestellt. Anschließend wurde die Informationslage zum Energieverbrauch des GHD- und
Industriesektors in öfentlichen Quellen untersucht. Dabei wurde festgestellt, dass eine
Reihe von Datenquellen existiert, die allerdings jeweils nur entweder eine regionale, eine
verbrauchergruppen- oder eine anwendungsspezifsche Detaillierung bieten. Zudem sind diese
Informationen ausschließlich als Jahresenergieverbräuche verfügbar. Für Datensätze mit
unterjähriger Aufösung (Lastgänge) liegt keine der genannten Diferenzierungen vor. Aus dieser
Beschreibung der Ausgangslage ging hervor, dass Verbrauchsdatensätze in hoher regionaler,
129
7. Fazit
zeitlicher, verbrauchergruppen- und anwendungsspezifscher Aufösung in öfentlichen Quellen
nicht existieren und ihre Generierung folglich den Einsatz von Modellen erfordert.
Im folgenden Kapitel zum Stand der Forschung wurden zunächst anhand einer systemati-
schen Literaturanalyse gängige Verfahren zur Modellierung von Energieverbräuchen untersucht
und Unterschiede im Hinblick auf ihren Verwendungskontext, die genutzten Eingangsdaten
sowie die typischen regionalen und zeitlichen Aufösungen herausgearbeitet. Dabei traten die
ingenieurwissenschaftlichen Bottom-up-Verfahren durch ihren hohen Detaillierungsgrad und
langen Prognosehorizont gegenüber den anderen Modellierungsverfahren hervor, da Verfahren
dieser Kategorie häufg für die Erstellung von langfristigen Energieverbrauchsszenarien zum
Einsatz kommen. Dies wurde im zweiten Teil des Kapitels bestätigt, in dem Verbrauchsszenarien
in aktuellen nationalen Energiesystemstudien untersucht wurden. In allen betrachteten Studien
wurden für die Erstellung von Energieverbrauchsszenarien sektorspezifsche Bottom-up-Modelle
verwendet, die sich je nach Studienfokus in ihrer Detaillierung unterschieden. Maßgeblich für
eine hohe regionale und zeitliche Aufösung der Modellierungen war die die Betrachtung der
Energietransportnetze, wie z. B. bei den Netzentwicklungsplänen. Allerdings beschränkten
sich die regional und zeitlich hochaufgelösten Studien im Gegenzug auf einzelne Energieträger
und diferenzierten weniger stark zwischen den Verbrauchergruppen als die Studien ohne
Netzbetrachtung. Die Analyse der Verbrauchsszenarien ergab, dass in allen aktuellen Studien
im Industriesektor von steigenden Strom- und Wasserstofverbräuchen ausgegangen wird,
während im GHD-Sektor eher mit sinkenden Stromverbräuchen gerechnet wird, obwohl im
Szenariorahmen des NEP 2023 vor dem Hintergrund des Zubaus von Rechenzentren auch
hier ein steigender Strombedarf prognostiziert wird. Für den Erdgasverbrauch wird in beiden
Sektoren von einer vollständigen Substitution durch
CO2
-neutrale Energieträger bis zum
Jahr 2045 ausgegangen. Damit wurden in diesem Kapitel Referenzpunkte für die in dieser
Arbeit modellierten Verbräuche gesetzt. Gleichzeitig wurde gezeigt, dass für die Erstellung
von Energieverbrauchsszenarien ingenieurwissenschaftliche Verfahren verbreitet sind. Zu dieser
Kategorie gehört auch das in dieser Arbeit entwickelte Modellierungsverfahren. Es zeichnet
sich allerdings durch eine besonders hohe Aufösung aus, da es die verbrauchergruppen- und
anwendungsspezifsche Detaillierung der Energiesystemstudien ohne Netzbetrachtung und die
regionale und zeitliche Abbildungsschärfe der Studien mit Netzbetrachtung in sich vereint.
Im folgenden Kapitel erfolgte die Beschreibung des Modellierungsverfahrens und damit
die Beantwortung der ersten Forschungsfrage: Wie lässt sich ein Verfahren zur Modellierung
von zukünftigen Strom-, Erdgas- und Wasserstofverbräuchen ausgestalten, das mindestens
stündlich aufgelöste Energieverbräuche auf Ebene der Landkreise, WZ und Anwendungen
abbildet? Als Datenbasis wurden die Veröfentlichungen des Statistischen Bundesamtes genutzt.
Die Energieverbräuche aus der UGR und JEVI wurden nach dem Top-down-Prinzip anhand
regional und zeitlich aufgelöster ENAG disaggregiert. Auf diese Weise wurde ein hoher
Detaillierungsgrad erreicht, der es erlaubt, Energieverbräuche mit technischen Parametern auf
der Ebene der WZ und Anwendungen zu verknüpfen, fortzuschreiben und anschließend nach
dem Bottom-up-Prinzip wieder zu aggregieren. Die so modellierten zukünftigen Energiever-
bräuche unterliegen einer detaillierten Abbildung technologischer Transformationsprozesse.
Dafür wurden beispielsweise WZ- und anwendungsspezifschen Efzienzsteigerungsraten und
Energieträgerwechselpotenziale hinterlegt. Die zeitliche Aufösung der Energieverbräuche
130
erfolgte sowohl durch Branchenlastprofle, die auf gemessenen Lastgängen basieren, sowie
durch Standardlast- und Betriebsschichtprofle, die aus der Literatur entnommen wurden. Für
die strombasierte Wärmebereitstellung durch Wärmepumpen wurden temperatur- und COP-
abhängige Lastprofle generiert. Für fossiles Erdgas wurde ein Substitutionspfad vorgegeben,
auf dem der Verbrauch bis zum Jahr 2045 auf Null geht und bei dem fossiles Erdgas durch
Strom und grünen Wasserstof schrittweise ersetzt wird. Im Sinne eines treibhausgasneutralen
Energiesystems, das laut § 3 KSG bis dahin in Deutschland implementiert sein muss, wird
angenommen, dass die Stromproduktion dann vollständig auf erneuerbaren Energien beruht.
Das in dieser Arbeit vorgestellte Verfahren zur Modellierung von Energieverbräuchen hat den
Vorteil einer direkten Verwendung regelmäßig aktualisierter Daten aus Veröfentlichungen
des Statistischen Bundesamtes und orientiert sich an der Einteilung der Endenergiesektoren
der AGEB, welche auch vom BMWK genutzt wird. Auf diese Weise wird eine trennscharfe
und vollständige Abbildung WZ-spezifscher Verbräuche gewährleistet. Die Modelllogik ist auf
alle WZ übertragbar und die Einbindung weiterer Modellierungsansätze, z. B. die Simulation
des Raumwärmebedarfs in Nichtwohngebäuden, entfällt. Das Verfahren wurde in Python
implementiert und auf GitHub veröfentlicht [167].
Das Modellierungsverfahren wurde anschließend angewendet um die Forschungsfragen
nach den historischen und zukünftigen Strom-, Erdgas-, und Wasserstofverbräuchen im
Industrie- und GHD-Sektor zu beantworten. Überdies wurde den Fragen nachgegangen, welche
zukünftigen Verbräuche aus der Substitution von fossilem Erdgas resultieren und wie sich die
Veränderungen auf die regionale und zeitliche Verteilung der Energieverbräuche auswirken.
Die Ergebnisse lassen sich wie folgt zusammenfassen.
Die höchsten industriellen Verbräuche treten in Landkreisen auf, in denen Zentren der
chemischen oder metallerzeugenden Industrie liegen, wie Ludwigshafen, Hamburg oder Wit-
tenberg. Zukünftig sind besonders in jenen Landkreisen starke Anstiege im Stromverbrauch zu
erwarten, in denen Industrien mit hohem gasversorgten Prozesswärmebedarf sowie wachsender
prognostizierter BWS ansässig sind, wie z. B. die Chemie- und Nahrungsmittelindustrie in
Wittenberg oder in Steinburg. Die Elektrifzierung der Gasanwendungen erfolgt dabei für
Prozesswärmeanwendungen mit Temperaturen bis zu 500°C. Für gasversorgte Prozesswärme
jenseits dieser Marke erfolgt eine Substitution durch grünen Wasserstof. Dabei erfahren jene
Landkreise besonders hohe Zuwächse, in denen Industrien ansässig sind, die Prozesswärme
auf hohen Temperaturen benötigen, wie z. B. die Metallerzeugung in Hamburg und Duisburg.
Überdies weisen die Zentren der chemischen Industrie hohe Wasserstofverbräuche für die
nichtenergetische Nutzung aus. Entsprechend treten Landkreise wie Köln, Altötting und
Kelheim hervor. Im GHD-Sektor ergeben sich hohe Verbräuche in urbanen Zentren mit
einer großen Anzahl an gewerblichen Niederlassungen und Büros, wie Berlin, Hamburg,
München oder Frankfurt. Für zukünftige Jahre ist im GHD-Sektor insgesamt ein leichter
Rückgang des Stromverbrauchs zu verzeichnen. Dem zusätzlichen Strombedarf aus der
Erdgassubstitution sowie steigender Beschäftigung und höherem Flächenbedarf steht die
verbrauchssenkende Wirkung der jährlichen Efzienzsteigerungsraten entgegen, welche im
Vergleich zum Industriesektor hier stärker in Erscheinung treten. Im GHD-Sektor wurde im
mengengewichteten Mittel über alle Anwendungen eine jährliche Efzienzsteigerungsrate von
1,57% angesetzt (halbiert nach 2035, siehe Tabelle 4.3). Rückgänge im Stromverbrauch sind
131
7. Fazit
in jenen Landkreisen zu verzeichnen, in denen der GHD-Sektor besonders ausgeprägt ist,
wie Berlin oder Frankfurt, sowie in jenen, in denen die Wirtschaftsstruktur durch WZ mit
rückläufger BWS geprägt ist, wie z. B. der Kohleindustrie in Bottrop oder Cottbus. Der Einsatz
von Wärmepumpen für Raumwärme, Warmwasser sowie Niedertemperaturprozesswärme
wirkt sich zudem auf den Jahresverlauf der zukünftigen Stromverbräuche aus. Durch den
Einfuss der Außentemperatur auf den COP der Wärmepumpen ergibt sich im Jahr 2045
für beide Sektoren ein höheres Lastniveau im Winter als im Sommer mit Spitzenlasten
von insgesamt 48 GW im Industrie- und 35 GW im GHD-Sektor. Der zeitliche Verlauf des
Wasserstofverbrauchs ist nahezu konstant bei etwa 12,6 GWh/h, da er hauptsächlich in
durchgängig produzierenden WZ, wie der Chemie-, Stahl-, Glas- und Zementindustrie anfällt.
Der aus der Wasserstofelektrolyse resultierende - ebenfalls nahezu konstante - Stromlastgang
hebt das Lastniveau im Industriesektor für 2045 um ca. 18 GW an, was gegenüber 2020 einer
Steigerung von ca. 50% entspricht.
Im Anschluss wurden die Modellierungsergebnisse plausibilisiert und in den nationalen
Forschungskontext eingeordnet. Insgesamt ergibt sich aus der Modellierung ein industrieller
Stromverbrauch (ohne WZ 19 Rafnerien) von etwa 273 TWh für 2045. Dieser Wert liegt
im Vergleich zu einschlägigen Energiesystemstudien niedriger, was darauf zurückzuführen
ist, dass in dieser Arbeit ausschließlich die Energieträger Strom, Erdgas und Wasserstof
betrachtet wurden und die zukünftigen Strom- und Wasserstofverbräuche ausschließlich
aus der Substitution von Erdgas resultieren. Durch die Ergänzung einer Abschätzung von
Stromverbräuchen aus der Substitution weiterer fossiler Energieträger ergibt sich ein Verbrauch
von etwa 323 TWh für 2045, was die Ergebnisse aus Studien wie Agora 2021 [144] und Ariadne
2021 [156] bestätigt. Die modellierten zukünftigen Stromverbräuche im GHD-Sektor liegen mit
ca. 130 TWh für 2045 (ohne Verkehrs-WZ 49, 50, 51) auf einem vergleichbaren Niveau wie die
Studien Agora 2021 [144] oder NEP Strom 2021 [159]. Der modellierte Wasserstofverbrauch
reiht sich ebenfalls in plausibler Weise in die Ergebnisse der untersuchten Energiesystemstudien
ein. Da er zunächst nur aus der Substitution von Erdgas resultiert, ist das Ergebnis von ca.
101 TWh (ohne WZ 19 Rafnerien) in 2045 mit Studien wie BDI 2021 [145], LFS3 2021
[148] oder auch Agora 2021 [144] vergleichbar, in denen ein hoher Elektrifzierungsgrad der
Prozesswärmeanwendungen bzw. ein verstärkter Einsatz von Biomassse modelliert wurde. Unter
Berücksichtigung der Abschätzung des zusätzlichen Wasserstofbedarfs aus der Substitution
weiterer fossiler Energieträger ergibt sich ein Gesamtbedarf von ca. 207 TWh, was auf einem
vergleichbaren Niveau mit den Studien Ariadne 2021 [156] und dena 2021 [143] liegt und im
Vergleich zu den anderen Studien einen hohen Wert darstellt.
Zukünftige Forschung könnte bei der Anwendung des Ansatzes auf weitere fossile Energie-
träger und Sektoren ansetzen. Eine derartige Erweiterung würde es erlauben, gegenwärtige
regionale Verbrauchsschwerpunkte fossiler Energieträger zu identifzieren sowie den aus deren
Substitution resultierenden regionalen zukünftigen Bedarfe an CO2-neutralen Energieträgern
abzubilden. Zudem könnte eine Modellierung der privaten Haushalte und des Verkehrssektors
in das Verfahren aufgenommen werden. Derartige Erweiterungen erfordern allerdings eine
detaillierte Aufarbeitung WZ-spezifscher Regionalisierungs- und Substitutionsfaktoren. Des
Weiteren könnte das Verfahren durch eine WZ- und anwendungsspezifschen Parametrierung
für die Abbildung von regionalen Lastfexibilitätspotenzialen ergänzt werden. Die Potenziale
132
könnten anschließend in hoher regionaler und zeitlicher Aufösung modelliert werden, um im
Kontext von dekarbonisierten Energiesystemen Optionen für den regionalen Ausgleich von
Erzeugung und Verbrauch aufzuzeigen. Überdies könnten zukünftige regionale Verbrauchs-
schwerpunkte für Strom und grünen Wasserstof, wie z. B. dekarbonisierte Industriezentren,
regionalen Potenzialen für die Erzeugung von Strom aus erneuerbaren Energiequellen, wie z. B.
Küstenstreifen für Windkraftanlagen, gegenübergestellt werden, um Energietransportbedarfe
zu identifzieren und Netzausbaubedarfe abzuleiten.
133
Literatur
[1]
Linquan Bai u. a. „Interval optimization based operating strategy for gas-electricity
integrated energy systems considering demand response and wind uncertainty“. en.
In: Applied Energy 167 (Apr. 2016), S. 270–279. issn: 03062619. doi:
10.1016/j.
apenergy.2015.10.119
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S0306261915013550 (besucht am 09. 03. 2020).
[2]
Peter Lopion u. a. „A review of current challenges and trends in energy systems
modeling“. en. In: Renewable and Sustainable Energy Reviews 96 (Nov. 2018), S. 156–166.
issn: 1364-0321. doi:
10 . 1016 / j . rser . 2018 . 07 . 045
. url:
http : / / www .
sciencedirect . com / science / article / pii / S1364032118305537
(besucht am
09. 03. 2020).
[3]
Tao Hong und Shu Fan. „Probabilistic electric load forecasting: A tutorial review“.
In: International Journal of Forecasting 32.3 (Juli 2016), S. 914–938. issn: 0169-2070.
doi:
10.1016/j.ijforecast.2015.11.011
. url:
http://www.sciencedirect.com/
science/article/pii/S0169207015001508 (besucht am 01. 11. 2018).
[4]
F. Birol. „The Investment Implications of Global Energy Trends“. en. In: Oxford Review
of Economic Policy 21.1 (März 2005), S. 145–153. issn: 1460-2121. doi:
10.1093/
oxrep/gri008
. url:
https://academic.oup.com/oxrep/article-lookup/doi/10.
1093/oxrep/gri008 (besucht am 21. 02. 2020).
[5]
BNetzA. Marktstammdatenregister - Aktuelle Einheitenübersicht. 2022. url:
https : / / www . marktstammdatenregister . de / MaStR / Einheit / Einheiten /
OeffentlicheEinheitenuebersicht (besucht am 21. 10. 2022).
[6]
Stephan Seim u. a. Die Datenlandschaft der deutschen Energiewirtschaft. deu. Techn.
Ber. Zenodo, Nov. 2019. doi: 10.5281/zenodo.3556720. url: https://zenodo.org/
record/3556720#.Xuje1efgr-g (besucht am 16. 06. 2020).
[7]
Fabian Gotzens u. a. Harmonisierung und Entwicklung von Verfahren zur regionalen
und zeitlichen Aufösung von Energienachfragen Abschlussbericht. de. Abschlussbericht.
Berlin, Jülich, München, 2020, S. 224. url:
https://doi.org/10.34805/ffe-119-20
.
[8]
Kumar Biswajit Debnath und Monjur Mourshed. „Forecasting methods in energy
planning models“. en. In: Renewable and Sustainable Energy Reviews 88 (Mai 2018),
S. 297–325. issn: 13640321. doi:
10 . 1016 / j . rser . 2018 . 02 . 002
. url:
http :
/ / linkinghub . elsevier . com / retrieve / pii / S1364032118300200
(besucht am
07. 08. 2018).
135
LITERATUR
[9]
Nan Wei u. a. „Conventional models and artifcial intelligence-based models for
energy consumption forecasting: A review“. en. In: Journal of Petroleum Science
and Engineering 181 (Okt. 2019), S. 106187. issn: 09204105. doi:
10 . 1016 / j .
petrol.2019.106187
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S092041051930600X (besucht am 09. 03. 2020).
[10]
Corentin Kuster, Yacine Rezgui und Monjur Mourshed. „Electrical load forecasting
models: A critical systematic review“. en. In: Sustainable Cities and Society 35 (Nov.
2017), S. 257–270. issn: 22106707. doi:
10.1016/j.scs.2017.08.009
. url:
http:
/ / linkinghub . elsevier . com / retrieve / pii / S2210670717305899
(besucht am
13. 07. 2018).
[11]
Peter Zweifel, Aaron Praktiknjo und Georg Erdmann. Energy Economics. Springer
Texts in Business and Economics. Berlin, Heidelberg: Springer Berlin Heidelberg, 2017.
isbn: 978-3-662-53020-7 978-3-662-53022-1. doi:
10 . 1007 / 978 - 3 - 662 - 53022 - 1
.
url:
http://link.springer.com/10.1007/978 - 3- 662- 53022- 1
(besucht am
21. 11. 2022).
[12]
Subhes C. Bhattacharyya und Govinda R. Timilsina. Energy Demand Models For Policy
Formulation: A Comparative Study Of Energy Demand Models. en. Policy Research
Working Papers. The World Bank, März 2009. doi:
10.1596/1813-9450-4866
. url:
http://elibrary.worldbank.org/doi/book/10.1596/1813-9450-4866
(besucht
am 01. 04. 2020).
[13]
Luo Chuan und Abhisek Ukil. „Modeling and Validation of Electrical Load Profling
in Residential Buildings in Singapore“. en. In: IEEE Transactions on Power Systems
30.5 (Sep. 2015), S. 2800–2809. issn: 0885-8950, 1558-0679. doi:
10.1109/TPWRS.
2014.2367509
. url:
http://ieeexplore.ieee.org/document/6965659/
(besucht
am 21. 09. 2018).
[14]
A. Sancho-Tomás, M. Sumner und D. Robinson. „A generalised model of electrical
energy demand from small household appliances“. en. In: Energy and Buildings 135
(Jan. 2017), S. 350–366. issn: 03787788. doi:
10.1016/j.enbuild.2016.10.044
. url:
http://linkinghub.elsevier.com/retrieve/pii/S0378778816313378
(besucht
am 15. 08. 2018).
[15]
Chengjin Ye u. a. „A Data-Driven Bottom-Up Approach for Spatial and Temporal
Electric Load Forecasting“. en. In: IEEE Transactions on Power Systems 34.3 (Mai
2019), S. 1966–1979. issn: 0885-8950, 1558-0679. doi:
10.1109/TPWRS.2018.2889995
.
url: https://ieeexplore.ieee.org/document/8601352/ (besucht am 19. 10. 2020).
[16]
Dieu Tien Bui u. a. „Predicting Heating and Cooling Loads in Energy-Efcient Buildings
Using Two Hybrid Intelligent Models“. en. In: Applied Sciences 9.17 (Aug. 2019), S. 3543.
issn: 2076-3417. doi:
10.3390/app9173543
. url:
https://www.mdpi.com/2076-
3417/9/17/3543 (besucht am 19. 10. 2020).
[17] Seyedeh Fallah u. a. „Computational Intelligence Approaches for Energy Load Foreca-
sting in Smart Energy Management Grids: State of the Art, Future Challenges, and
Research Directions“. en. In: Energies 11.3 (März 2018), S. 596. issn: 1996-1073. doi:
136
LITERATUR
10.3390/en11030596
. url:
http://www.mdpi.com/1996-1073/11/3/596
(besucht
am 13. 07. 2018).
[18]
Harvey J. Motulsky und Lennart A. Ransnas. „Fitting curves to data using nonlinear
regression: a practical and nonmathematical review“. en. In: The FASEB Journal 1.5
(1987). _eprint: https://faseb.onlinelibrary.wiley.com/doi/pdf/10.1096/fasebj.1.5.3315805,
S. 365–374. issn: 1530-6860. doi:
https://doi.org/10.1096/fasebj.1.5.3315805
.
url:
https://faseb.onlinelibrary.wiley.com/doi/abs/10.1096/fasebj.1.5.
3315805 (besucht am 05. 05. 2021).
[19]
Yao Huang u. a. „A novel energy demand prediction strategy for residential buildings
based on ensemble learning“. en. In: Energy Procedia 158 (Feb. 2019), S. 3411–3416.
issn: 18766102. doi:
10.1016/j.egypro.2019.01.935
. url:
https://linkinghub.
elsevier.com/retrieve/pii/S1876610219309804 (besucht am 05. 05. 2021).
[20]
W. Charytoniuk, M.S. Chen und P. Van Olinda. „Nonparametric regression based short-
term load forecasting“. In: IEEE Transactions on Power Systems 13.3 (Aug. 1998).
Conference Name: IEEE Transactions on Power Systems, S. 725–730. issn: 1558-0679.
doi: 10.1109/59.708572.
[21]
Ekaterina Mangalova und Olesya Shesterneva. „Sequence of nonparametric models
for GEFCom2014 probabilistic electric load forecasting“. In: International Journal
of Forecasting 32.3 (Juli 2016), S. 1023–1028. issn: 0169-2070. doi:
10 . 1016 / j .
ijforecast . 2015 . 11 . 001
. url:
http : / / www . sciencedirect . com / science /
article/pii/S0169207015001363 (besucht am 01. 11. 2018).
[22]
Iman Ghalehkhondabi u. a. „An overview of energy demand forecasting methods
published in 2005–2015“. en. In: Energy Systems 8.2 (Mai 2017), S. 411–447. issn: 1868-
3967, 1868-3975. doi:
10.1007/s12667-016-0203-y
. url:
http://link.springer.
com/10.1007/s12667-016-0203-y (besucht am 01. 04. 2020).
[23]
Kadir Kavaklioglu. „Principal components based robust vector autoregression prediction
of Turkey’s electricity consumption“. en. In: Energy Systems 10.4 (Nov. 2019), S. 889–910.
issn: 1868-3967, 1868-3975. doi:
10.1007/s12667-018-0302-z
. url:
http://link.
springer.com/10.1007/s12667-018-0302-z (besucht am 19. 10. 2020).
[24]
Komi Nagbe, Jairo Cugliari und Julien Jacques. „Short-Term Electricity Demand
Forecasting Using a Functional State Space Model“. en. In: Energies 11.5 (Mai 2018),
S. 1120. issn: 1996-1073. doi:
10.3390/en11051120
. url:
http://www.mdpi.com/
1996-1073/11/5/1120 (besucht am 19. 10. 2020).
[25]
Stuart J. Russell und Peter Norvig. Artifcial intelligence: a modern approach. en.
Prentice Hall series in artifcial intelligence. Englewood Clifs, N.J: Prentice Hall, 1995.
isbn: 978-0-13-103805-9.
[26]
Amanpreet Singh, Narina Thakur und Aakanksha Sharma. „A review of supervised
machine learning algorithms“. In: Proceedings of the 2016 3rd International Conference
on Computing for Sustainable Global Development. New Delhi, India, 16. März 2016,
S. 1310–1315.
137
LITERATUR
[27]
Miltiadis Alamaniotis, Dimitrios Bargiotas und Lefteri H. Tsoukalas. „Towards smart
energy systems: application of kernel machine regression for medium term electricity
load forecasting“. en. In: SpringerPlus 5.1 (Dez. 2016). issn: 2193-1801. doi:
10.1186/
s40064 - 016 - 1665 - z
. url:
http : / / www . springerplus . com / content / 5 / 1 / 58
(besucht am 15. 08. 2018).
[28]
Zongyun Song u. a. „Incorporating the infuence of China’s industrial capacity
elimination policies in electricity demand forecasting“. In: Utilities Policy 47 (Aug.
2017), S. 1–11. issn: 0957-1787. doi:
10.1016/j.jup.2017.05.004
. url:
http:
//www.sciencedirect.com/science/article/pii/S0957178717300103
(besucht am
30. 10. 2018).
[29]
Jason Brownlee. Supervised and Unsupervised Machine Learning Algorithms. Machi-
neLearningMastery.com. 15. März 2016. url:
https://machinelearningmastery.
com/supervised-and-unsupervised-machine-learning-algorithms/
(besucht am
12. 12. 2022).
[30]
Alexandros Tzanetos und Georgios Dounias. An application-based taxonomy of Nature
Inspired Intelligent algorithms. en. Techn. Ber. Chios, Greece: MDE Lab, Dez. 2019. url:
http://mde-lab.aegean.gr/images/stories/docs/reportnii2019.pdf
(besucht
am 13. 04. 2020).
[31]
Eiman Tamah Al-Shammari u. a. „Prediction of heat load in district heating systems
by Support Vector Machine with Firefy searching algorithm“. en. In: Energy 95 (Jan.
2016), S. 266–273. issn: 03605442. doi:
10 .1016 / j . energy .2015 . 11 . 079
. url:
http://linkinghub.elsevier.com/retrieve/pii/S0360544215016424
(besucht
am 15. 08. 2018).
[32]
Abdirashid Salad Nur, Nor Haizan Mohd Radzi und Ashraf Osman Ibrahim. „Artifcial
Neural Network Weight Optimization: A Review“. en. In: TELKOMNIKA Indonesian
Journal of Electrical Engineering 12.9 (Sep. 2014). issn: 2087-278X, 2302-4046. doi:
10.11591/telkomnika.v12i9.6264
. url:
http://www.iaesjournal.com/online/
index.php/TELKOMNIKA/article/view/6264 (besucht am 02. 05. 2020).
[33]
Ahmed I. Saleh, Asmaa H. Rabie und Khaled M. Abo-Al-Ez. „A data mining based load
forecasting strategy for smart electrical grids“. en. In: Advanced Engineering Informatics
30.3 (Aug. 2016), S. 422–448. issn: 14740346. doi:
10.1016/j.aei.2016.05.005
. url:
https://linkinghub.elsevier.com/retrieve/pii/S1474034616301331
(besucht
am 21. 09. 2018).
[34]
Abinet Tesfaye Eseye u. a. „Machine Learning Based Integrated Feature Selection
Approach for Improved Electricity Demand Forecasting in Decentralized Energy
Systems“. en. In: IEEE Access 7 (2019), S. 91463–91475. issn: 2169-3536. doi:
10.1109/
ACCESS.2019.2924685
. url:
https://ieeexplore.ieee.org/document/8744520/
(besucht am 19. 10. 2020).
[35]
H.-J. Zimmermann. Fuzzy Set Theory—and Its Applications. en. Dordrecht: Springer
Netherlands, 2001. isbn: 978-94-010-3870-6 978-94-010-0646-0. doi:
10.1007/978-
94-010-0646-0
. url:
http://link.springer.com/10.1007/978-94-010-0646-0
(besucht am 01. 05. 2021).
138
LITERATUR
[36]
Petr Hájek, Lluis Godo und Francesc Esteva. „Fuzzy logic and probability“. In:
Proceedings of the Eleventh conference on Uncertainty in artifcial intelligence. UAI’95:
Conference on Uncertainty in artifcial intelligence. Montréal Canada, 1995, S. 237–244.
isbn: 978-1-55860-385-1. url:
https://dl.acm.org/doi/pdf/10.5555/2074158.
2074185.
[37]
Frank Riedewald. „Comparison of deterministic, stochastic and fuzzy logic uncertainty
modelling for capacity extension projects of DI/WFI pharmaceutical plant utilities
with variable/dynamic demand“. en. Diss. Ireland: University College Cork, 2011. url:
http://library.ucc.ie/record=b2027886~S0.
[38]
Yi-Chung Hu. „Electricity consumption prediction using a neural-network-based grey
forecasting approach“. In: Journal of the Operational Research Society 68.10 (Okt.
2017), S. 1259–1264. issn: 0160-5682. doi:
10 . 1057 / s41274 - 016 - 0150 - y
. url:
https://doi.org/10.1057/s41274-016-0150-y (besucht am 30. 10. 2018).
[39]
Tzu-Li Tien. „A new grey prediction model FGM(1, 1)“. en. In: Mathematical and
Computer Modelling 49.7-8 (Apr. 2009), S. 1416–1426. issn: 08957177. doi:
10.1016/
j.mcm.2008.11.015
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S0895717709000272 (besucht am 01. 04. 2020).
[40]
F. J. Ferrández-Pastor u. a. „Interpreting human activity from electrical consumption
data using reconfgurable hardware and hidden Markov models“. en. In: Journal of
Ambient Intelligence and Humanized Computing 8.4 (Aug. 2017), S. 469–483. issn: 1868-
5145. doi:
10.1007/s12652-016-0431-y
. url:
https://doi.org/10.1007/s12652-
016-0431-y (besucht am 30. 10. 2018).
[41]
Maria Andersson. „Modeling electricity load curves with hidden Markov models for
demand-side management status estimation: Modeling Electricity Load Curves“. en. In:
International Transactions on Electrical Energy Systems 27.3 (März 2017), e2265. issn:
20507038. doi:
10.1002/etep.2265
. url:
http://doi.wiley.com/10.1002/etep.
2265 (besucht am 28. 10. 2020).
[42]
Qihong Duan, Junrong Liu und Dengfu Zhao. „A fast algorithm for short term
electric load forecasting by a hidden semi-markov process“. In: Journal of Statistical
Computation and Simulation 89.5 (März 2019). Publisher: Taylor & Francis _eprint:
https://doi.org/10.1080/00949655.2019.1573241, S. 831–843. issn: 0094-9655. doi:
10.1080/00949655.2019.1573241
. url:
https://doi.org/10.1080/00949655.
2019.1573241 (besucht am 10. 12. 2020).
[43]
Zuhaimy Ismail, Riswan Efendi und Mustafa Mat Deris. „Application of Fuzzy Time
Series Approach in Electric Load Forecasting“. en. In: New Mathematics and Natural
Computation 11.03 (Nov. 2015), S. 229–248. issn: 1793-0057, 1793-7027. doi:
10.1142/
S1793005715500076
. url:
http://www.worldscientific.com/doi/abs/10.1142/
S1793005715500076 (besucht am 21. 09. 2018).
[44]
Abderrezak Laouaf u. a. „Daily peak electricity demand forecasting based on an
adaptive hybrid two-stage methodology“. In: International Journal of Electrical Power
& Energy Systems 77 (Mai 2016), S. 136–144. issn: 0142-0615. doi:
10 . 1016 / j .
139
LITERATUR
ijepes.2015.11.046
. url:
http://www.sciencedirect.com/science/article/
pii/S0142061515004664 (besucht am 01. 11. 2018).
[45]
Shahram Mollaiy-Berneti. „Optimal design of adaptive neuro-fuzzy inference system
using genetic algorithm for electricity demand forecasting in Iranian industry“. en.
In: Soft Computing 20.12 (Dez. 2016), S. 4897–4906. issn: 1432-7643, 1433-7479. doi:
10.1007/s00500-015-1777-3
. url:
http://link.springer.com/10.1007/s00500-
015-1777-3 (besucht am 21. 09. 2018).
[46]
Valentino Crespi, Aram Galstyan und Kristina Lerman. „Top-down vs bottom-up
methodologies in multi-agent system design“. In: Autonomous Robots 24.3 (1. Apr.
2008), S. 303–313. issn: 1573-7527. doi:
10.1007/s10514-007-9080-5
. url:
https:
//doi.org/10.1007/s10514-007-9080-5 (besucht am 21. 11. 2022).
[47]
A. Grandjean, J. Adnot und G. Binet. „A review and an analysis of the residential
electric load curve models“. In: Renewable and Sustainable Energy Reviews 16.9 (1. Dez.
2012), S. 6539–6565. issn: 1364-0321. doi:
10.1016/j.rser.2012.08.013
. url:
https : / / www . sciencedirect . com / science / article / pii / S1364032112004820
(besucht am 12. 12. 2022).
[48]
Christoph Weber, Dominik Möst und Wolf Fichtner. Economics of Power Systems:
Fundamentals for Sustainable Energy. Springer Texts in Business and Economics. Cham:
Springer International Publishing, 2022. isbn: 978-3-030-97769-6 978-3-030-97770-2. doi:
10.1007/978-3-030-97770-2
. url:
https://link.springer.com/10.1007/978-3-
030-97770-2 (besucht am 21. 11. 2022).
[49]
Dominik Pfeifer. „Entwicklung, Untersuchung und Bewertung von Berechnungsmodellen
zur Erstellung von kommunalen Energiebilanzen im Gebäudebereich“. de. Diss.
Innsbruck: LEOPOLD-FRANZENS-UNIVERSITÄT INNSBRUCK, 2017.
[50]
Eoghan McKenna und Murray Thomson. „High-resolution stochastic integrated
thermal–electrical domestic demand model“. en. In: Applied Energy 165 (März 2016),
S. 445–461. issn: 03062619. doi:
10.1016/j.apenergy.2015.12.089
. url:
http:
/ / linkinghub . elsevier . com / retrieve / pii / S0306261915016621
(besucht am
15. 08. 2018).
[51]
Matthias Rehfeldt, Tobias Fleiter und Felipe Toro. „A bottom-up estimation of the
heating and cooling demand in European industry“. en. In: Energy Efciency 11.5 (Juni
2018), S. 1057–1082. issn: 1570-646X, 1570-6478. doi:
10.1007/s12053-017-9571-y
.
url:
http ://link .springer. com/ 10 . 1007/ s12053 - 017 - 9571 - y
(besucht am
25. 07. 2018).
[52]
Romain Nouvel u. a. „The infuence of data quality on urban heating demand modeling
using 3D city models“. en. In: Computers, Environment and Urban Systems 64 (Juli
2017), S. 68–80. issn: 01989715. doi:
10.1016/j.compenvurbsys.2016.12.005
. url:
https://linkinghub.elsevier.com/retrieve/pii/S0198971516304306
(besucht
am 15. 08. 2018).
140
LITERATUR
[53]
Chaosu Li. „GIS for Urban Energy Analysis“. en. In: Comprehensive Geographic
Information Systems. Elsevier, 2018, S. 187–195. isbn: 978-0-12-804793-4. doi:
10.
1016/B978-0-12-409548-9.09652-4
. url:
https://linkinghub.elsevier.com/
retrieve/pii/B9780124095489096524 (besucht am 04. 05. 2021).
[54]
Prerna R. und Prasun K. Gangopadhyay. „Demand Forecasting of Electricity and
Optimal Locationing of Transformer Locations Using Geo-Spatial Techniques: A Case
Study of Districts of Bihar, India“. en. In: Applied Spatial Analysis and Policy 8.1
(März 2015), S. 69–83. issn: 1874-4621. doi:
10.1007/s12061- 014- 9121- 3
. url:
https://doi.org/10.1007/s12061-014-9121-3 (besucht am 11. 02. 2019).
[55]
Valentina D’Alonzo u. a. „A bottom-up spatially explicit methodology to estimate
the space heating demand of the building stock at regional scale“. en. In: Energy
and Buildings 206 (Jan. 2020), S. 109581. issn: 03787788. doi:
10 . 1016 / j .
enbuild.2019.109581
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S0378778819306978 (besucht am 14. 04. 2021).
[56]
Rainer Elsland u. a. NETZENTWICKLUNGSPLAN STROM - Begleitgutachten -
Entwicklung der regionalen Stromnachfrage und Lastprofle. Karlsruhe: Fraunhofer-
Institut für System- und Innovationsforschung ISI, 2016. url:
https://www.isi.
fraunhofer.de/content/dam/isi/dokumente/cce/2017/Fraunhofer_ISI_2017_
Netzentwicklungsplan_Strom.pdf.
[57]
Umweltbundesamt. Schadstofregister - Thru.de. Mai 2020. url:
https://www.thru.
de/daten/karte/ (besucht am 04. 08. 2020).
[58]
Clemens Rohde. Erstellung von Anwendungsbilanzen für die Jahre 2018 bis 2020
für die Sektoren Industrie und GHD. Techn. Ber. Sep. 2019. url:
https : / / ag -
energiebilanzen.de/8-0-Anwendungsbilanzen.html.
[59]
Bernd Geiger, Heinrich Kleeberger und Lukas Hardi. Erstellen der Anwendungsbilanzen
2013 bis 2017 für den Sektor Gewerbe, Handel, Dienstleistungen (GHD). 2018. url:
https://ag-energiebilanzen.de/8-0-Anwendungsbilanzen.html.
[60]
T. Gobmaier, S. von Roon und B. Eberl. Studie über Einfussfaktoren auf den
zukünftigen Leistungsbedarf der Verteilnetzbetreiber. München: FfE GmbH, FNB GAS,
2014. url:
https://www.bdew.de/documents/2329/201411_Einflussfaktoren-
Leistungebedarf-VNB.pdf.
[61]
Robert Kaden. „Berechnung der Energiebedarfe von Wohngebäuden und Modellierung
energiebezogener Kennwerte auf der Basis semantischer 3D-Stadtmodelle“. Diss.
München: TU München, 2014. url:
https://mediatum.ub.tum.de/doc/1210304/
1210304.pdf.
[62]
Benjamin Pfuger, Bernd Testeegen und Bernd Franke. Langfristszenarien für die
Transformation des Energiesystems in Deutschland - Berichtsmodul 3 - Referenzszenario
und Basisszenario. Studie im Auftrag des Bundesministeriums für Wirtschaft und
Energie. Karlsruhe: Fraunhofer Institut für System- und Innovationsforschung (ISI),
Consentec GmbH, ifeu - Institut für Energie- und Umweltforschung Heidelberg GmbH,
141
LITERATUR
2017. url:
https://www.bmwi.de/Redaktion/DE/Downloads/B/berichtsmodul-3-
referenzszenario-und-basisszenario.pdf?__blob=publicationFile&v=4.
[63]
Paul Anton Verwiebe u. a. „Modeling Energy Demand—A Systematic Literature
Review“. In: Energies 14.23 (Jan. 2021). Number: 23 Publisher: Multidisciplinary
Digital Publishing Institute, S. 7859. issn: 1996-1073. doi:
10.3390/en14237859
. url:
https://www.mdpi.com/1996-1073/14/23/7859 (besucht am 04. 12. 2022).
[64]
Hermann Meier u. a. Repräsentative VDEW- Lastprofle. M-32/99. Frankfurt a.
Main: VDEW, 1999. url:
https : / / www . bdew . de / media / documents / 1999 _
Repraesentative-VDEW-Lastprofile.pdf (besucht am 07. 09. 2021).
[65]
BDEW. BDEW/VKU/GEODE-Leitfaden - Abwicklung von Standardlastproflen Gas.
Techn. Ber. Berlin: BDEW Bundesverband der Energie- und Wasserwirtschaft e. V.,
März 2020. url:
https://www.bdew.de/media/documents/20200331_KoV_XI_LF_
SLP_Gas_clean_final.pdf (besucht am 05. 08. 2020).
[66]
Sibylle Wilke. Energieverbrauch nach Energieträgern und Sektoren. de. Text. Publisher:
Umweltbundesamt. Nov. 2020. url:
https://www.umweltbundesamt.de/daten /
energie / energieverbrauch - nach - energietraegern - sektoren
(besucht am
31. 01. 2021).
[67]
AGEB. AG Energiebilanzen e.V. | Bilanzen 1990-2017. 2020. url:
https : / / ag -
energiebilanzen.de/7-0-Bilanzen-1990-2017.html (besucht am 04. 08. 2020).
[68]
BMWK. Energiedaten: Gesamtausgabe. Berlin: BMWK, 2022. url:
https://www.bmwk.
de/Redaktion/DE/Artikel/Energie/energiedaten-gesamtausgabe.html.
[69]
Eurostat. Leitlinien zur Einführung der CPA 2008. Brüssel: Europäische Kommis-
sion, 2008. url:
https : / / ec . europa . eu / eurostat / documents / 1995700 /
1995914 / CPA2008introductoryguidelinesDE . pdf / aea7631f - 2a86 - 4893 - 812e -
7e6997f49e6a (besucht am 29. 05. 2022).
[70]
Statistisches Bundesamt. Klassifkation der Wirtschaftszweige. Techn. Ber. Wiesbaden,
2008. url:
https : / / www . destatis . de / DE / Methoden / Klassifikationen /
GueterWirtschaftklassifikationen/klassifikationwz2008_erl.pdf? __blob=
publicationFile (besucht am 14. 09. 2018).
[71]
DESTATIS. Umweltökonomische Gesamtrechnungen Methode der Energiegesamtrech-
nung 2019. de. Techn. Ber. Sep. 2019, S. 12. url:
https : / / www . destatis . de /
DE / Themen / Gesellschaft - Umwelt / Umwelt / UGR / energiefluesse - emissionen /
Publikationen / Downloads / methode - energiegesamtrechnung - 5851316199004 .
pdf ; jsessionid = 21F9A41B1BAB99FD4E9CBA9840325605 . internet8712 ? _ _ blob =
publicationFile.
[72]
Bundeszentrale für politische Bildung. produzierendes Gewerbe | bpb. de. 2016. url:
https://www.bpb.de/nachschlagen/lexika/lexikon-der-wirtschaft/20377/
produzierendes-gewerbe (besucht am 10. 02. 2021).
142
LITERATUR
[73]
Statistisches Bundesamt (Destatis). Jahreserhebung über die Energieverwendung der
Betriebe des Verarbeitenden Gewerbes, im Bergbau und der Gewinnung von Steinen und
Erden - Qualitätsbericht 2021. Techn. Ber. Dez. 2020. url:
https://www.destatis.
de/DE/Methoden/Qualitaet/Qualitaetsberichte/Energie/energieverwendung-
verarb-gewerbe-bergbau-steine-erden-j-060.pdf?__blob=publicationFile&
v=3 (besucht am 22. 02. 2021).
[74]
Heinrich Kleeberger, Lukas Hardi und B. Geiger. Erstellen der Anwendungsbilanzen
2013 bis 2017 für den Sektor Gewerbe, Handel, Dienst-leistungen (GHD). de. München:
Technische Universität München, 2019, S. 66.
[75]
Dr Andreas Kemmler u. a. Datenbasis zur Bewertung von Energieefzienzmaßnahmen in
der Zeitreihe 2005 – 2014. Dessau-Roßlau: Prognos AG, Fraunhofer ISI, TU München,
Im Auftrag des Umweltbundesamtes, 2017. url:
https://www.umweltbundesamt.
de /sites / default / files / medien /1968 / publikationen / 2017 - 01 - 09 _cc _ 01 -
2017_endbericht-datenbasis-energieeffizienz.pdf.
[76]
Tobias Naegler u. a. „Quantifcation of the European industrial heat demand by branch
and temperature level“. In: International Journal of Energy Research 39.15 (2015).
_eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/er.3436, S. 2019–2030. issn:
1099-114X. doi:
10.1002/er.3436
. url:
https://onlinelibrary.wiley.com/doi/
abs/10.1002/er.3436 (besucht am 24. 11. 2021).
[77]
Sebastian Lübbers u. a. Vergleich der "Big 5"Klimaneutralitätsszenarien. Berlin:
Kopernikus Projekte Ariadne, Prognos, BCG, EWI, Fraunhofer ISI, PIK, 2022,
S. 42. url:
https://ariadneprojekt.de/media / 2022 / 03/2022 - 03 - 16 - Big5 -
Szenarienvergleich_final.pdf.
[78]
Paul Münnich u. a. Power-2-Heat: Erdgaseinsparung und Klimaschutz in der Industrie.
Berlin: Agora Industrie, FutureCamp, 2022, S. 52. url:
https://static.agora-
energiewende.de/fileadmin/Projekte/2021/2021-05_IND_DE-P4Heat/A-EW_269_
Power-2-Heat_WEB.pdf.
[79]
Cordin Arpagaus u. a. „High temperature heat pumps: Market overview, state of the
art, research status, refrigerants, and application potentials“. In: Energy 152 (Juni
2018), S. 985–1010. issn: 03605442. doi:
10.1016/j.energy.2018.03.166
. url:
https://linkinghub.elsevier.com/retrieve/pii/S0360544218305759
(besucht
am 01. 02. 2022).
[80]
Tobias Naegler. Prozesswärme für die Industrie: Einsatz erneuerbarer Technologien
abhängig von Temperaturanforderungen. DLR Portal - Aktuelles. 2016. url:
https:
/ / www . dlr . de / content / de / artikel / news / 2016 / 20160310 _ prozesswaerme -
fuer - die - industrie - einsatz - erneuerbarer - technologien - abhaengig - von -
temperaturanforderungen_17040.html (besucht am 29. 11. 2021).
[81]
Cordin Arpagaus. Hochtemperatur-Wärmepumpen Marktübersicht, Stand der Technik
und Anwendungspotenziale. VDE-Verlag, 2019. isbn: 978-3-8007-4550-0. url:
https:
//www .vde - verlag .de /buecher / 494550 / hochtemperatur - waermepumpen .html
(besucht am 05. 02. 2022).
143
LITERATUR
[82]
George Kosmadakis. „Estimating the potential of industrial (high-temperature) heat
pumps for exploiting waste heat in EU industries“. In: Applied Thermal Engineering 156
(Juni 2019), S. 287–298. issn: 13594311. doi:
10.1016/j.applthermaleng.2019.04.
082
. url:
https://linkinghub.elsevier.com/retrieve/pii/S1359431118376087
(besucht am 13. 04. 2022).
[83]
Oliver Ruhnau, Lion Hirth und Aaron Praktiknjo. „Time series of heat demand and
heat pump efciency for energy system modeling“. In: Scientifc Data 6.1 (Dez. 2019),
S. 189. issn: 2052-4463. doi:
10.1038/s41597-019-0199-y
. url:
http://www.nature.
com/articles/s41597-019-0199-y (besucht am 07. 04. 2022).
[84]
Die Bundesregierung. Die Nationale Wasserstofstrategie. Berlin: Bundesministerium
für Wirtschaft und Energie (BMWi), 2020. url:
https://www.bmwk.de/Redaktion/
DE/Publikationen/Energie/die-nationale-wasserstoffstrategie.pdf?__blob=
publicationFile&v=20 (besucht am 30. 05. 2022).
[85]
Janina Leiblein u. a. Roadmap Gas 2050 Bewertung von alternativen Verfahren zur
Bereitstellung von grünem und blauem H2 - Deliverable D1.1. Bonn: DVGW Deutscher
Verein des Gas- und Wasserfaches e. V., 2020, S. 105. url:
https://www.dvgw.de/
medien/dvgw/forschung/berichte/g201824-abschlussbericht-d1.1-rmg2050-
h2-Bereitstellung.pdf.
[86]
Wissenschaftliche Dienste Deutscher Bundestag. Wasserstofbedarf. Ausarbeitung WD
5 - 3000 - 024/22. Berlin, 2022. url:
https : / / www . bundestag . de / resource /
blob/894040/0adb222a2cbc86a20d989627a15f4bd8/WD-5-024-22-pdf-data.pdf
(besucht am 23. 11. 2022).
[87]
Statistisches Bundesamt (Destatis). Umweltökonomische Gesamtrechnungen. de. Ener-
giefüsse, Emissionen, Publikationen: Umweltnutzung und Wirtschaft - Teil 2: Energie
2000 - 2017. Library Catalog: www.destatis.de. 2019. url:
https://www.destatis.
de/DE/Themen/Gesellschaft-Umwelt/Umwelt/UGR/energiefluesse-emissionen/
_inhalt.html (besucht am 28. 07. 2020).
[88]
BMWK und UBA. Energieefzienz in Zahlen - Entwicklungen und Trends in Deutsch-
land 2021. Berlin, 2021, S. 86. url:
https : / / www . bmwi . de / Redaktion / DE /
Publikationen / Energie / energieeffizienz - in - zahlen - entwicklungen - und -
trends-in-deutschland-2021.pdf?__blob=publicationFile&v=16.
[89]
Länderarbeitskreis Energiebilanzen. Energiebilanzen – Länderarbeitskreis Energiebilan-
zen. de-DE. 2021. url:
https://www.lak-energiebilanzen.de/energiebilanzen/
(besucht am 23. 02. 2021).
[90]
AGEB. AG Energiebilanzen e.V. | Energiefussbilder. 2021. url:
https : / / ag -
energiebilanzen.de/9-0-Energieflussbilder.html (besucht am 19. 02. 2021).
[91]
Manuel Frondel, Ronald Janßen-Timmen und Stephan Sommer. Erstellung der
Anwendungsbilanzen 2016 und 2017 für den Sektor der Privaten Haushalte und den
Verkehrssektor in Deutschland. 2018. url:
https://ag-energiebilanzen.de/8-0-
Anwendungsbilanzen.html.
144
LITERATUR
[92]
Statistisches Bundesamt (Destatis). Umweltnutzung und Wirtschaft - Tabellen zu den
Umweltökonomischen Gesamtrechnungen Teil 2: Energie, Tabellen zu den Umweltökono-
mischen Gesamtrechnungen Teil 2: Energie, Berichtszeitraum 2000 - 2019. Techn. Ber.
Teil 2: Energie 2000 - 2019. 2021. url:
https://www.destatis.de/DE/Themen/
Gesellschaft-Umwelt/Umwelt/UGR/energiefluesse-emissionen/Publikationen/
Downloads / umweltnutzung - und - wirtschaft - energie - xlsx - 5850014. xlsx ? __
blob=publicationFile.
[93]
Statistisches Bundesamt. Umweltökonomische Gesamtrechnungen - Energiegesamtrech-
nung. 2021, S. 103. url:
https://www.destatis.de/DE/Themen/Gesellschaft-
Umwelt / Umwelt / UGR / energiefluesse - emissionen / Publikationen / Downloads /
umweltnutzung - und - wirtschaft - energie - pdf - 5850014 . pdf ? _ _ blob =
publicationFile.
[94]
Statistisches Bundesamt. Energiefüsse, Emissionen. de. 2020. url:
https://www.
destatis.de/DE/Themen/Gesellschaft- Umwelt/Umwelt/UGR/energiefluesse-
emissionen/_inhalt.html (besucht am 19. 02. 2021).
[95]
Statistisches Bundesamt (Destatis). GENESIS-Online. de. Tabelle: 85131-0002, Ver-
wendung von Energie: Deutschland, Jahre, Produktionsbereiche, Energieträger. Library
Catalog: www-genesis.destatis.de Publisher: © Statistisches Bundesamt (Destatis),
Juli 2020. url:
https://www-genesis.destatis.de/genesis/online?language=
de & sequenz = tabellen & selectionname = 85131 - 0002 # abreadcrumb
(besucht am
28. 07. 2020).
[96]
Statistisches Bundesamt. Umweltökonomische Gesamtrechnungen Methode der Ener-
giegesamtrechnung 2019. 2019, S. 12. url:
https://www.destatis.de/DE/Themen/
Gesellschaft-Umwelt/Umwelt/UGR/energiefluesse-emissionen/Publikationen/
Downloads/methode- energiegesamtrechnung- 5851316199004.pdf;jsessionid=
21F9A41B1BAB99FD4E9CBA9840325605.internet8712?__blob=publicationFile.
[97]
Statistisches Bundesamt. Regionaldatenbank Deutschland - Tabelle 43531-01-02-4-
B. 22. Feb. 2021. url:
https://www.regionalstatistik.de/genesis/online?
operation=previous&levelindex=1&step=0&titel=Tabellenaufbau&levelid=
1613999966842&levelid=1613999964784#astructure (besucht am 22. 02. 2021).
[98]
Ffe. Energy Consumption by Manufacturing, Mining and Quarrying Industries (German
Districts) – opendata.fe.de. 2019. url:
https://opendata.ffe.de/dataset/energy-
consumption- by- manufacturing- mining- and- quarrying- industries- german-
districts/ (besucht am 18. 09. 2022).
[99]
Statistisches Bundesamt. GENESIS-Online - Statistik - Energieverwendung der Betriebe
im Verarb. Gewerbe. 1. Juli 2022. url:
https://www-genesis.destatis.de/genesis/
online?sequenz=statistikTabellen&selectionname=43531#abreadcrumb
(besucht
am 01. 07. 2022).
[100]
Tobias Schmid. „Daten und Veröfentlichungskonzept“. Berlin, 15. Nov. 2019. url:
https://www.er.tu-berlin.de/fileadmin/a38331300/Dateien/4_DemandRegio_
Daten_Schmid.pdf (besucht am 18. 09. 2022).
145
LITERATUR
[101]
LAK. Ergebnisse des Datenabrufs – Länderarbeitskreis Energiebilanzen - Vollständige
Energiebilanz. 2022. url:
https://www.lak-energiebilanzen.de/ergebnisse-des-
datenabrufs/ (besucht am 18. 09. 2022).
[102]
Entso-E. ENTSO-E Transparency Platform. 2020. url:
https : / / transparency .
entsoe.eu/ (besucht am 08. 07. 2020).
[103]
Entso-G. ENTSO-G Transparency Platform. 2022. url:
https : / / transparency .
entsog.eu/#/map (besucht am 08. 07. 2020).
[104]
neon neue energieökonomik u. a. Open Power System Data – A platform for open data
of the European power system. 2020. url:
https://open-power-system-data.org/
(besucht am 16. 09. 2021).
[105]
Kathrine N. Stannov. TP Documentation - TP Frequently Asked Questions. 2022. url:
https://transparency.entsog.eu/#/helps/tp-documentation.
[106]
Reiner Lemoine Institut (RLI). open_eGo. open_eGo. 2021. url:
https : / /
openegoproject.wordpress.com/ (besucht am 16. 09. 2021).
[107]
Reiner Lemoine Institut (RLI). OEP - demand. Open Energy Platform. 2021. url:
https : / / openenergy - platform . org / dataedit / view / demand
(besucht am
16. 09. 2021).
[108]
Bundesamt für Sicherheit in der Informationstechnik (BSI). Intelligente Stromnetze:
BSI aktualisiert Marktanalyse. Bundesamt für Sicherheit in der Informationstechnik.
12. Nov. 2020. url:
https : / / www . bsi . bund . de / DE / Service - Navi / Presse /
Pressemitteilungen/Presse2020/Marktanalyse - SMG _111120 . html ? nn =132646
(besucht am 09. 09. 2021).
[109]
Stadt Frankfurt am Main. Energiemanagement Frankfurt. Automatische Verbrauchser-
fassung online. 2022. url: https://energiemanagement.stadt-frankfurt.de/.
[110]
Stadt Aachen. e2watch: Energiemanagement der Stadt Aachen. 2022. url:
https:
//stadt-aachen.e2watch.de/ (besucht am 09. 09. 2021).
[111]
Philipp Staudt u. a. „SCiBER: A new public data set of municipal building consumption“.
en. In: Proceedings of the Ninth International Conference on Future Energy Systems.
Karlsruhe Germany: ACM, Juni 2018, S. 618–621. isbn: 978-1-4503-5767-8. doi:
10.
1145/3208903.3210281
. url:
https://dl.acm.org/doi/10.1145/3208903.3210281
(besucht am 26. 02. 2021).
[112]
Julian Huber u. a. Electricity consumption of 28 German companies in 15-min resolution.
type: dataset. Karlsruhe: KIT, 2019. doi:
10.5445/IR/1000098027
. url:
https:
//publikationen.bibliothek.kit.edu/1000098027 (besucht am 26. 02. 2021).
[113]
Fritz Braeuer. Load profle data of 50 industrial plants in Germany for one year.
type: dataset. Karlsruhe: KIT, 17. Juni 2020. doi:
10.5281/zenodo.3899018
. url:
https://zenodo.org/record/3899018#.YDkV-twxmUm (besucht am 26. 02. 2021).
146
LITERATUR
[114]
Christian Felix Durach. A Theoretical and Practical Contribution to Supply Chain
Robustness: Developing a Schema for Robustness in Dyads. Hrsg. von Frank Straube,
Helmut Baumgartner und Raimund Klinker. Bd. 33. Schriftenreihe Logistik der Techni-
schen Universität Berlin. DOI 10.14279/depositonce-4995. Berlin: Universitätsverlag
TU Berlin, 2016. isbn: 978-3-7983-2813-6. (Besucht am 30. 11. 2018).
[115]
David Tranfeld, David Denyer und Palminder Smart. „Towards a Methodology
for Developing Evidence-Informed Management Knowledge by Means of Systematic
Review“. en. In: British Journal of Management 14.3 (Sep. 2003), S. 207–222. issn:
1045-3172, 1467-8551. doi:
10.1111/1467-8551.00375
. url:
http://doi.wiley.com/
10.1111/1467-8551.00375 (besucht am 31. 01. 2020).
[116]
Tracy Matthews. LibGuides: Web of Science platform: Web of Science: Summary of
Coverage. en. Juli 2019. url:
//clarivate.libguides.com/webofscienceplatform/
coverage (besucht am 03. 09. 2019).
[117]
Horng-Lin Shieh und Fu-Hsien Chen. „Forecasting for Ultra-Short-Term Electric Power
Load Based on Integrated Artifcial Neural Networks“. en. In: Symmetry 11.8 (Aug.
2019), S. 1063. issn: 2073-8994. doi:
10.3390/sym11081063
. url:
https://www.mdpi.
com/2073-8994/11/8/1063 (besucht am 19. 10. 2020).
[118]
Iqbal Faridian Syah u. a. „DATA SELECTION TEST METHOD FOR BETTER
PREDICTION OF BUILDING ELECTRICITY CONSUMPTION“. en. In: Jurnal
Teknologi 78.5-7 (Mai 2016). issn: 2180-3722, 0127-9696. doi:
10.11113/jt.v78.8715
.
url:
https://jurnalteknologi.utm.my/index.php/jurnalteknologi/article/
view/8715 (besucht am 15. 08. 2018).
[119]
Xin Ma und Zhibin Liu. „Application of a novel time-delayed polynomial grey model
to predict the natural gas consumption in China“. en. In: Journal of Computational
and Applied Mathematics 324 (Nov. 2017), S. 17–24. issn: 03770427. doi:
10.1016/
j.cam.2017.04.020
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S0377042717301905 (besucht am 29. 10. 2020).
[120]
V. V. Ivanov, A. V. Kryanev und E. S. Osetrov. „Forecasting the daily electricity
consumption in the Moscow region using artifcial neural networks“. en. In: Physics
of Particles and Nuclei Letters 14.4 (Juli 2017), S. 647–657. issn: 1531-8567. doi:
10.1134/S1547477117040112
. url:
https://doi.org/10.1134/S1547477117040112
(besucht am 30. 10. 2018).
[121]
Abderrezak Laouaf u. a. „Online electricity demand forecasting based on an efective
forecast combination methodology“. en. In: Electric Power Systems Research 148
(Juli 2017), S. 35–47. issn: 03787796. doi:
10.1016/j.epsr.2017.03.016
. url:
http://linkinghub.elsevier.com/retrieve/pii/S0378779617301165
(besucht
am 15. 08. 2018).
[122]
Ye Ren u. a. „Random vector functional link network for short-term electricity load
demand forecasting“. en. In: Information Sciences 367-368 (Nov. 2016), S. 1078–1093.
issn: 00200255. doi:
10.1016/j.ins.2015.11.039
. url:
https://linkinghub.
elsevier.com/retrieve/pii/S0020025515008774 (besucht am 21. 09. 2018).
147
LITERATUR
[123]
A. Kipping und E. Trømborg. „Modeling hourly consumption of electricity and district
heat in non-residential buildings“. en. In: Energy 123 (März 2017), S. 473–486. issn:
03605442. doi:
10 . 1016 / j . energy . 2017 . 01 . 108
. url:
https : / / linkinghub .
elsevier.com/retrieve/pii/S0360544217301159 (besucht am 21. 09. 2018).
[124]
Kei Morita u. a. „A study on estimation of aggregated electricity demand for one-
hour-ahead forecast“. en. In: Applied Thermal Engineering 114 (März 2017), S. 1443–
1448. issn: 13594311. doi:
10.1016/j.applthermaleng.2016.09.162
. url:
http:
/ / linkinghub . elsevier . com / retrieve / pii / S1359431116319937
(besucht am
15. 08. 2018).
[125]
C. Sandels u. a. „Day-ahead predictions of electricity consumption in a Swedish ofce
building from weather, occupancy, and temporal data“. en. In: Energy and Buildings 108
(Dez. 2015), S. 279–290. issn: 03787788. doi:
10.1016/j.enbuild.2015.08.052
. url:
http://linkinghub.elsevier.com/retrieve/pii/S037877881530236X
(besucht
am 15. 08. 2018).
[126]
Mahmoud Shepero u. a. „Residential probabilistic load forecasting: A method using
Gaussian process designed for electric load data“. en. In: Applied Energy 218 (Mai
2018), S. 159–172. issn: 03062619. doi:
10.1016/j.apenergy.2018.02.165
. url:
https://linkinghub.elsevier.com/retrieve/pii/S030626191830299X
(besucht
am 21. 09. 2018).
[127]
Felix Ziegler u. a. „A Probabilistic Modelling Approach for Residential Load Profles“.
en. In: (Feb. 2020). Publisher: Zenodo. doi:
10.5281/ZENODO.3689339
. url:
https:
//zenodo.org/record/3689339 (besucht am 16. 06. 2020).
[128]
Yan Ge, Chengke Zhou und Donald M Hepburn. „Domestic electricity load modelling by
multiple Gaussian functions“. en. In: Energy and Buildings 126 (Aug. 2016), S. 455–462.
issn: 03787788. doi:
10.1016/j.enbuild.2016.05.060
. url:
https://linkinghub.
elsevier.com/retrieve/pii/S0378778816304297 (besucht am 21. 09. 2018).
[129]
Humberto Verdejo u. a. „Statistic linear parametric techniques for residential electric
energy demand forecasting. A review and an implementation to Chile“. en. In: Renewable
and Sustainable Energy Reviews 74 (Juli 2017), S. 512–521. issn: 13640321. doi:
10.
1016/j.rser.2017.01.110
. url:
https://linkinghub.elsevier.com/retrieve/
pii/S136403211730120X (besucht am 21. 09. 2018).
[130]
Bing Dong u. a. „A hybrid model approach for forecasting future residential electricity
consumption“. In: Energy and Buildings 117 (Apr. 2016), S. 341–351. issn: 0378-7788.
doi:
10.1016/j.enbuild.2015.09.033
. url:
http://www.sciencedirect.com/
science/article/pii/S0378778815302735 (besucht am 01. 11. 2018).
[131]
Chin Wang Lou und Ming Chui Dong. „A novel random fuzzy neural networks for
tackling uncertainties of electric load forecasting“. en. In: International Journal of
Electrical Power & Energy Systems 73 (Dez. 2015), S. 34–44. issn: 01420615. doi:
10 . 1016 / j . ijepes . 2015 . 03 . 003
. url:
https : / / linkinghub . elsevier . com /
retrieve/pii/S0142061515001386 (besucht am 15. 08. 2018).
148
LITERATUR
[132]
Danladi Ali u. a. „Application of fuzzy – Neuro to model weather parameter variability
impacts on electrical load based on long-term forecasting“. en. In: Alexandria
Engineering Journal 57.1 (März 2018), S. 223–233. issn: 11100168. doi:
10.1016/
j.aej.2016.12.008
. url:
https://linkinghub.elsevier.com/retrieve/pii/
S1110016816303404 (besucht am 21. 09. 2018).
[133]
Xiaobo Zhang, Jianzhou Wang und Kequan Zhang. „Short-term electric load forecasting
based on singular spectrum analysis and support vector machine optimized by Cuckoo
search algorithm“. en. In: Electric Power Systems Research 146 (Mai 2017), S. 270–285.
issn: 03787796. doi:
10.1016/j.epsr.2017.01.035
. url:
http://linkinghub.
elsevier.com/retrieve/pii/S0378779617300445 (besucht am 15. 08. 2018).
[134]
Gul Muhammad Khan und Faheem Zafari. „Dynamic feedback neuro-evolutionary
networks for forecasting the highly fuctuating electrical loads“. en. In: Genetic
Programming and Evolvable Machines 17.4 (Dez. 2016), S. 391–408. issn: 1389-2576,
1573-7632. doi:
10.1007/s10710-016-9268-6
. url:
http://link.springer.com/10.
1007/s10710-016-9268-6 (besucht am 21. 09. 2018).
[135]
Gul Muhammad Khan und Rabia Arshad. „Electricity Peak Load Forecasting using CGP
based Neuro Evolutionary Techniques“. In: International Journal of Computational
Intelligence Systems 9.2 (März 2016), S. 376–395. issn: 1875-6891. doi:
10.1080/
18756891.2016.1161365
. url:
https://doi.org/10.1080/18756891.2016.1161365
(besucht am 01. 11. 2018).
[136]
Degurunnehalage Perera und Nils-Olav Skeie. „Comparison of Space Heating Energy
Consumption of Residential Buildings Based on Traditional and Model-Based Tech-
niques“. en. In: Buildings 7.4 (März 2017), S. 27. issn: 2075-5309. doi:
10.3390/
buildings7020027
. url:
http://www.mdpi.com/2075-5309/7/2/27
(besucht am
15. 08. 2018).
[137]
Mohammed K. Muthalib und Chika O. Nwankpa. „Physically-Based Building Load
Model for Electric Grid Operation and Planning“. en. In: IEEE Transactions on Smart
Grid 8.1 (Jan. 2017), S. 169–177. issn: 1949-3053, 1949-3061. doi:
10.1109/TSG.
2016.2595759
. url:
http://ieeexplore.ieee.org/document/7529201/
(besucht
am 21. 09. 2018).
[138]
Tobias Fleiter, Ernst Worrell und Wolfgang Eichhammer. „Barriers to energy efciency
in industrial bottom-up energy demand models—A review“. en. In: Renewable and
Sustainable Energy Reviews 15.6 (Aug. 2011), S. 3099–3111. issn: 13640321. doi:
10.
1016/j.rser.2011.03.025
. url:
https://linkinghub.elsevier.com/retrieve/
pii/S1364032111001286 (besucht am 03. 05. 2020).
[139]
Fatemeh Chahkoutahi und Mehdi Khashei. „A seasonal direct optimal hybrid model of
computational intelligence and soft computing techniques for electricity load forecasting“.
In: Energy 140 (Dez. 2017), S. 988–1004. issn: 0360-5442. doi:
10.1016/j.energy.
2017 . 09 . 009
. url:
http : / / www . sciencedirect . com / science / article / pii /
S0360544217315153 (besucht am 25. 10. 2018).
149
LITERATUR
[140]
C. D. Lewis. Industrial and business forecasting methods: a practical guide to exponential
smoothing and curve ftting. London ; Boston: Butterworth Scientifc, 1982. isbn: 978-0-
408-00559-3.
[141]
Yixuan Wei u. a. „A review of data-driven approaches for prediction and classifcation
of building energy consumption“. en. In: Renewable and Sustainable Energy Reviews 82
(Feb. 2018), S. 1027–1047. issn: 13640321. doi:
10.1016/j.rser.2017.09.108
. url:
http://linkinghub.elsevier.com/retrieve/pii/S136403211731362X
(besucht
am 13. 07. 2018).
[142]
Kopernikus Projekte - Ariadne. Szenarien zur Klimaneutralität: Vergleich der „Big
5“-Studien | Ariadne. Section: News. 17. März 2022. url:
https://ariadneprojekt.
de/news/big5-szenarienvergleich/ (besucht am 01. 08. 2022).
[143]
Max Gierkink u. a. dena-Leitstudie Aufbruch Klimaneutralität. Klimaneutralität 2045
- Transformation der Verbrauchssektoren und des Energiesystems. Köln: Energiewirt-
schaftliches Institut an der Universität zu Köln gGmbH (EWI), Herausgegeben von der
Deutschen Energie-Agentur GmbH (dena), 2021, S. 218. url:
https://www.ewi.uni-
koeln.de/de/publikationen/dena-ls2/.
[144]
Hans Dambeck, Wiebke Zimmer und Clemens Schneider. Klimaneutrales Deutschland
2045. Agora Energiewende, Agora Verkehrswende, Stiftung Klimaneutralität, Prognos,
Öko-Institut e.V., Wupptertal Institut, 2021, S. 125. url:
https : / / www . agora -
verkehrswende . de / fileadmin / Projekte / 2021 / KNDE _ 2045 _ Langfassung /
KNDE2045_Langfassung.pdf.
[145]
Jens Burchardt u. a. Klimapfade 2.0 - Ein Wirtschaftsprogramm für Klima und Zukunft
- Langfsassung. Gutachten Für den BDI. BCG, 2021. url:
https : / / bdi . eu /
publikation / news / klimapfade - 2 - 0 - ein - wirtschaftsprogramm - fuer - klima -
und-zukunft/.
[146]
Philipp Gebert u. a. Klimapfade für Deutschland. Techn. Ber. München, Hamburg,
Berlin: BCG, Prognos, 2018. url:
https://image-src.bcg.com/Images/Klimapfade-
fuer-Deutschland_tcm108-181356.pdf (besucht am 08. 04. 2021).
[147]
Deutsche Energie-Agentur GmbH (Hrsg.) dena-Leitstudie Aufbruch Klimaneutralität
- Eine gesamtgesellschaftliche Aufgabe. Abschlussbericht. Berlin: dena, EWI,
ITG, SUER, FIW, JUB, WI, 2021. url:
https : / / www . dena . de / newsroom /
publikationsdetailansicht / pub / abschlussbericht - dena - leitstudie -
aufbruch-klimaneutralitaet/ (besucht am 02. 08. 2022).
[148]
Frank Sensfuss u. a. Langfristszenarien für die Transformation des Energiesystems
in Deutschland - Treibhausgasneutrale Szenarien - Kurzzusammenfassung. Executive
Summary. 18. Mai 2021. url:
https://www.langfristszenarien.de/enertile-
explorer-wAssets/docs/LFS3_Executive_Summary_2021_05_19_v19.pdf
(besucht
am 02. 09. 2022).
[149]
Tobias Fleiter u. a. Langfristszenarien für die Transformation des Energiesystems in
Deutschland 3 - Treibhausgasneutrale Hauptszenarien - Modul Industrie. Karlsruhe:
150
LITERATUR
Fraunhofer ISI, 2021, S. 131. url:
https://www.langfristszenarien.de/enertile-
explorer-wAssets/docs/Modul_TN_Hauptszenarien_Industrie.pdf.
[150]
Peter Mellwig u. a. Langfristszenarien für die Transformation des Energiesystems in
Deutschland 3 - Treibhausgasneutrale Hauptszenarien - Modul Gebäude. Karlsruhe:
ifeu, 2021, S. 32. url:
https://www.langfristszenarien.de/enertile-explorer-
wAssets/docs/LFS-Gebaeude.pdf.
[151]
Heike Brugger und Christoph Maurer. Langfristszenarien für die Transformation des
Energiesystems in Deutschland - Treibhausgasneutrale Hauptszenarien - Modul GHD
und Geräte. Karlsruhe: Fraunhofer ISI, Consentec GmbH, 2021, S. 23. url:
https://
www.langfristszenarien.de/enertile-explorer-wAssets/docs/LFS3_Bericht_
TN_Szenarien_Modul_GHD_und_Geraete_final.pdf.
[152]
Benjamin Pfuger, Bernd Tersteegen und Bernd Franke. Langfristszenarien für die
Transformation des Energiesystems in Deutschland - Berichtsmodul 0 - Zentrale Ergeb-
nisse und Schlussfolgerungen. Studie im Auftrag des Bundesministeriums für Wirtschaft
und Energie. Karlsruhe: Fraunhofer Institut für System- und Innovationsforschung (ISI),
Consentec GmbH, ifeu - Institut für Energie- und Umweltforschung Heidelberg GmbH,
2017. url:
https://www.bmwk.de/Redaktion/DE/Downloads/B/berichtsmodul-0-
zentrale-ergebnisse-und-schlussfolgerungen.pdf?__blob=publicationFile&
v=6 (besucht am 02. 08. 2022).
[153]
Benjamin Pfuger, Bernd Tersteegen und Bernd Franke. Langfristszenarien für die
Transformation des Energiesystems in Deutschland - Berichtsmodul-2. Techn. Ber.
Modul 2. Karlsruhe, Aachen, Heidelberg: Fraunhofer ISI, Consentec GmbH, ifeu, 2017.
url:
https : / / www . bmwi . de / Redaktion / DE / Downloads / B / berichtsmodul - 2 -
modelle- und - modellverbund.pdf? __blob= publicationFile&v =6
(besucht am
19. 02. 2021).
[154]
Nikolaus Diefenbach. Basisdaten für Hochrechnungen mit der Deutschen Gebäudetypo-
logie des IWU: Neufassung Oktober 2013. Darmstadt: IWU Institut Wohnen und Umwelt,
2013, S. 2. url: https://www.iwu.de/forschung/gebaeudebestand/tabula/.
[155]
Barbara Schlomann u. a. Energieverbrauch des Sektors Gewerbe, Handel, Dienst-
leistungen (GHD) in Deutschland für die Jahre 2011 bis 2013. Schlussbericht an
das Bundesministerium für Wirtschaft und Energie (BMWi). Schlussbericht an das
Bundesministerium für Wirtschaft und Energie (BMWi) 53/09. Nürnberg, 2015, S. 327.
[156]
Gunnar Luderer, Christoph Kost und Dominika Sörgel. „Deutschland auf dem Weg zur
Klimaneutralität 2045 - Szenarien und Pfade im Modellvergleich“. In: (2021). Artwork
Size: 359 pages Publisher: Potsdam Institute for Climate Impact Research, 359 pages.
doi:
10.48485/PIK.2021.006
. url:
https://publications.pik- potsdam.de/
pubman/item/item_26056 (besucht am 02. 08. 2022).
[157]
Philip Sterchele u. a. Studie: Wege zu einem klimaneutralen Energiesystem - Die
deutsche Energiewende im Kontext gesellschaftlicher Verhaltensweisen. Freiburg:
FRAUNHOFER- INSTITUT FÜR SOLARE ENERGIESYSTEME ISE, 2020, S. 66.
url:
https://www.ise.fraunhofer.de/de/veroeffentlichungen/studien/wege-
zu-einem-klimaneutralen-energiesystem.html.
151
LITERATUR
[158]
Julian Brandes u. a. Wege zu einem klimaneutralen Energiesystem - Die deutsche
Energiewende im Kontext gesellschaftlicher Verhaltensweisen - Update November
2021: Klimaneutralität 2045. Freiburg: Fraunhofer-Institut für Solare Energiesysteme
ISE, 2021. url:
https : / / www . ise . fraunhofer . de / content / dam / ise / de /
documents / publications / studies / Fraunhofer - ISE - Studie - Wege - zu - einem -
klimaneutralen-Energiesystem-Update-Klimaneutralitaet-2045.pdf
(besucht
am 24. 11. 2021).
[159]
Tim Drees u. a. Netzentwicklungsplan Strom 2035 - Zweiter Entwurf der Übertragungs-
netzbetreiber. 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO GmbH,
TransnetBW GmbH, 2021, S. 228. url:
https://www.netzentwicklungsplan.de/
sites/default/files/paragraphs- files/NEP_2035_V2021_2_Entwurf_Teil1.
pdf.
[160]
Tim Drees u. a. Szenariorahmen zum Netzentwicklungsplan Strom 2035, Version 2021 -
Entwurf der Übertragungsnetzbetreiber. Berlin, Dortmund, Bayreuth, Stuttgart, 2020.
url:
https://www.netzentwicklungsplan.de/sites/default/files/paragraphs-
files/Szenariorahmenentwurf_NEP2035_2021_1.pdf (besucht am 25. 08. 2022).
[161]
Tim Drees u. a. Szenariorahmen zum Netzentwicklungsplan Strom 2037 - Entwurf der
Übertragungsnetzbetreiber. 50Hertz Transmission GmbH, Amprion GmbH, TenneT TSO
GmbH, TransnetBW GmbH, 2022, S. 32. url:
https://www.netzentwicklungsplan.
de/sites/default/files/paragraphs-files/Szenariorahmenentwurf_NEP2037_
2023.pdf.
[162]
FNB Gas. Netzentwicklungsplan Gas 2022-2032 - Szenariorahmen. Berlin: FNB, 2021.
url:
https://fnb-gas.de/wp-content/uploads/2021/09/210909_DE_FNB_GAS_
2022_SR.pdf (besucht am 01. 08. 2022).
[163]
Thomas Bründlinger u. a. dena-Leitstudie Integrierte Energiewende. Berlin: Deutsche
Energie-Agentur GmbH (dena), 2018. url:
https://www.dena.de/fileadmin/dena/
Dokumente/Pdf/9261_dena- Leitstudie_Integrierte_Energiewende_lang.pdf
(besucht am 14. 09. 2021).
[164]
Julia Repenning, Sibylle Braungardt und et al. Klimaschutzszenario 2050 – 2. Endbericht.
Berlin: Öko-Institut e.V. und Fraunhofer ISI, 2015, S. 467. url:
https://www.oeko.
de/oekodoc/2451/2015-608-de.pdf.
[165]
Michael Schlesinger, Dietmar Lindenberger und Christian Lutz. Entwicklung der Energie-
märkte - Energiereferenzprognose. de. Techn. Ber. 57/12. Basel, Köln: ewi, gws, prognos,
2014, S. 583. url:
https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/
entwicklung-der-energiemaerkte-energiereferenzprognose-endbericht.pdf?
__blob=publicationFile&v=7 (besucht am 14. 02. 2021).
[166]
AG Energiebilanzen e. V. Auswertungstabellen zur Energiebilanz 1990 bis 2020. Daten-
und-fakten, Auswertungstabellen. 2021. url:
https://ag- energiebilanzen.de/
daten-und-fakten/auswertungstabellen/ (besucht am 24. 08. 2022).
152
LITERATUR
[167]
Paul Verwiebe, Fabian Gotzens und Maike Held. GitHub/DemandRegioTeam/disaggregator.
en. 2020. url:
https://github.com/DemandRegioTeam/disaggregator
(besucht am
07. 09. 2020).
[168]
Stephan Seim u. a. Regression-based electricity load profles of 32 industrial and
commercial subsectors in Germany. Zenodo, 4. März 2021. doi:
10.5281/zenodo.
4576494. url: https://zenodo.org/record/4576494 (besucht am 22. 11. 2021).
[169]
BDEW. Standardlastprofle Strom. de. Library Catalog: www.bdew.de. Jan. 2017.
url:
http://www.bdew.de/energie/standardlastprofile-strom/
(besucht am
05. 08. 2020).
[170]
Clemens Rohde. Erstellung von Anwendungsbilanzen für die Jahre 2013 bis 2017. Studie
für die Arbeitsgemeinschaft Energiebilanzen e.V. (AGEB). Karlsruhe: Faunhofer ISI,
2018.
[171]
AGEB. Anwendungsbilanzen zur Energiebilanz Deutschland - Endenergieverbrauch nach
Energieträgern und Anwendungszwecken. AG Energiebilanzen e.V., 2020. url:
https:
//ag-energiebilanzen.de/index.php?article_id=8&archiv=5&year=2020.
[172]
Dr Hans-Joachim Ziesing. Anwendungsbilanzen für die Endenergiesektoren in Deutsch-
land in den Jahren 2013 bis 2015. Studie beauftragt vom Bundesministerium für
Wirtschaft und Energie 072/15. Berlin, 2016, S. 32.
[173]
Bundesagentur für Arbeit. Sozialversicherungspfichtig und geringfügig Beschäftigte.
de. Library Catalog: statistik.arbeitsagentur.de. 2020. url:
https : / / statistik .
arbeitsagentur . de / Navigation / Statistik / Statistik - nach - Themen /
Beschaeftigung / Beschaeftigte / Beschaeftigte - Nav . html
(besucht am
31. 07. 2020).
[174]
FfE. Synthesis: Employees by WZ2008 (German Districts) – opendata.fe.de. en-US.
Library Catalog: opendata.fe.de. Nov. 2019. url:
http://opendata.ffe.de/dataset/
synthesis- employees- by- economic- sectors- german- districts/
(besucht am
04. 08. 2020).
[175]
Andreas Kemmler u. a. Energiewirtschaftliche Projektionen und Folgeabschätzungen
2030/2050. Berlin: Prognos AG, 2020. url:
https://www.bmwi.de/Redaktion/DE/
Publikationen/Wirtschaft/klimagutachten.pdf?__blob=publicationFile&v=8
(besucht am 10. 04. 2022).
[176]
Ben Kriechel, Nicola Düll und Kurt Vogler-Ludwig. Arbeitsmarkt 2030 - Wirtschaft
und Arbeitsmarkt im digitalen Zeitalter. Bielefeld: Bertelsmann Verlag, 2016. url:
https://doi.org/10.3278/6004556w (besucht am 05. 08. 2020).
[177]
Dr Claus Schlömer, Hansjörg Bucher und Dr Jana Hoymann. Die Raumordnungs-
prognose 2035 nach dem Zensus. 05. Bonn: Bundesinstitut für Bau-, Stadt- und
Raumforschung (BBSR), 2015, S. 20. url: ISBN%20978-3-87994-741-6.
[178]
Fabian Joas u. a. Klimaneutrale Industrie - Schlüsseltechnologien und Politikoptionen für
Stahl, Chemie und Zement. Berlin: Agora Energiewende, 2019, S. 236. url:
https://
static.agora-energiewende.de/fileadmin/Projekte/2018/Dekarbonisierung_
Industrie/164_A-EW_Klimaneutrale-Industrie_Studie_WEB.pdf.
153
LITERATUR
[179]
Statistisches Bundesamt. Statistisches Bundesamt Deutschland - GENESIS-Online.
42251-0001: Beschäftigte, Umsatz, Produktionswert und Wertschöpfung der Unter-
nehmen im Verarbeitenden Gewerbe: Deutschland, Jahre, Wirtschaftszweige (2-/3-
/4-Steller). 11. Apr. 2022. url:
https : / / www - genesis . destatis . de / genesis /
/online ? operation = table & code = 42251 - 0001 & bypass = true & levelindex = 0 &
levelid=1649670264337#abreadcrumb (besucht am 11. 04. 2022).
[180]
EWI. dena-Leitstudie Aufbruch Klimaneutralität. Klimaneutralität 2045 - Transfor-
mation der Verbrauchssektoren und des Energiesystems. Datenanhang Parameter.
Herausgegeben von der Deutschen Energie-Agentur GmbH (dena)., 2021. url:
https:
//www.ewi.uni-koeln.de/de/publikationen/dena-ls2/.
[181]
Katharina Wohlfarth u. a. Gewerbe, Handel und Dienstleistungen (GHD). Karlsruhe:
Öko-Institut e.V. und Fraunhofer ISI, 2016, S. 45. url:
https://www.oeko.de/
oekodoc/2518/2016-048-de.pdf.
[182]
Andrej Guminski u. a. Energiewende in der Industrie - Potenziale und Wechselwirkungen
mit dem Energiesektor. Abschlussbericht. Forschungsgesellschaft für Energiewirtschaft
mbH, Navigant Energy Germany GmbH, Institut für Energiewirtschaft und Rationelle
Energieanwendung IER, 2019, S. 78. url:
https://www.bmwk.de/Redaktion/DE/
Downloads/E/energiewende-in-der-industrie.pdf?__blob=publicationFile&v=
8.
[183]
Martin Pehnt u. a. Endbericht - Energieef zienz: Potenziale, volkswirtschaftliche Efekte
und innovative Handlungs- und Förderfelder für die Nationale Klimaschutzinitiative.
Heidelberg: ifeu, Fraunhofer ISI, Prognos AG, GWS, 2011. url:
https://www.ifeu.
de/fileadmin/uploads/NKI_Endbericht_2011.pdf.
[184]
Stephan Seim u. a. „Fortschreibung gewerblicher Lastprofle und Quantifzierung
regionalisierter Lastfexibilisierungspotenziale“. In: (27. Mai 2021). Publisher: Zenodo.
doi:
10.5281/ZENODO.4817512
. url:
https://zenodo.org/record/4817512
(besucht
am 21. 01. 2022).
[185]
Felix Reitze. „Endenergiebedarf zur Prozesskälteerzeugung, Efzienzpotentiale, sowie
hemmende Faktoren für den Einsatz von efzienter Kältetechnologie im GHD-Sektor
und bei milchproduzierenden Betrieben in Deutschland in der Periode 2008 - 2020“. In:
13. Symposium Energieinnovation. Graz, 2014, S. 11. url:
https://www.tugraz.at/
fileadmin/user_upload/Events/Eninnov2014/files/lf/LF_Reitze.pdf.
[186]
Viessmann Deutschland GmbH. Gas-Brennwerttechnik. Technologie-Broschüre. Allen-
dorf, 2022, S. 40. url:
https://www . viessmann.de/de/ wissen/technik - und -
systeme/gas-brennwertkessel.html.
[187]
Viessmann Deutschland GmbH. Öl-/Gas-Heizkessel und Niederdruck-Heißwassererzeuger
bis 22 MW. Technologie-Broschüre. Allendorf, 2022, S. 60. url:
https : / / www .
viessmann.de/de/produkte/gasheizung/vitocrossal-familie.html.
[188]
Martin Robinius u. a. Wege für die Energiewende - Kostenefziente und klimagerechte
Transformationsstrategien für das deutsche Energiesystem bis zum Jahr 2050. Bd. 499.
Energie & Umwelt. OCLC: 1199680454. Jülich: Schriften des Forschungszentrums Jülich,
154
LITERATUR
2020. isbn: 978-3-95806-483-6. url:
https://juser.fz-juelich.de/record/877960/
files/Energie_Umwelt_499.pdf?version=1.
[189]
Markus Blesl und Alois Kessler. Energieefzienz in der Industrie. de. 2. Aufage 2017.
OCLC: 1011040339. Berlin: Springer Vieweg, 2017. isbn: 978-3-662-55998-7 978-3-662-
55999-4.
[190]
Viessmann Industriekessel Mittenwalde GmbH. Dampferzeuger – Efziente Anlagen
bis 31,5 t/h. Technologie-Broschüre. Mittenwalde, 2018, S. 32. url:
https://www.
viessmann.de/de/wissen/technik-und-systeme/dampfkessel.html.
[191]
Simon Moser u. a. Basispapier Elektrifzierung der Industrie. Energieinstitut an der
Johannes Kepler Universität Linz, AIT Austrian Institute of Technology, Montanuni-
versität Leoben Lehrstuhl für Energieverbundtechnik, AEE INTEC, 2020. url:
https:
//energieforschung.at/wp-content/uploads/sites/11/2021/07/IEA-IETS-19-
Industrial-Electrification-Basispapier-FINAL.pdf (besucht am 08. 07. 2022).
[192]
Arne Jan Hinz und HanseWerk Natur GmbH. „Power-to-Heat – Umsetzung
in Deutschland und Potenziale in Hamburg“. 9. Sitzung des Energienetzbeirats.
Hamburg, 2017. url:
https : / / www . hamburg . de / contentblob / 9467212 /
15bc2e46118478c82ef2b3a5368bf6f2/data/d-top-4-power-to-heat.pdf.
[193]
Jeanette Meuser. „Abwärmepotenzial von Industrieöfen - Messtechnische Untersuchung
und Simulationsstudie“. Diss. Kassel: Universität Kassel, 2019. url:
https://portal.
ub.uni-kassel.de/kup/d/9783737607063.
[194]
Olaf Irretier. „Energieefzienz in Industrieofenbau und Wärmebehandlung – Maßnahmen
und Potentiale“. In: Elektrowärme International 2010.1 (2010), S. 8. url:
https :
/ / werkstofftechnikseminare . de / online / wp - content / uploads / 2013 / 10 /
Energieeffizienz_IBW-Dr-Irretier.pdf.
[195]
Siemens energy. Siemens Energy gas engine portfolio. Technologie-Broschüre. Zu-
maia, Spanien, 2021. url:
https : / / assets . siemens - energy . com / siemens /
assets / api / uuid : b97164c4 - fb78 - 4413 - 92a5 - b1749b8e8302 / landscape -
gasengines-overview.pdf?ste_sid=17c612e414ac47478ffc7f25714d749c
(besucht
am 13. 07. 2022).
[196]
MAN Truck {and} Bus. Neuer Gasmotor MAN E3872 mit 44,0 % Wirkungsgrad
und 735 kW Leistung aus nur 12 Zylindern. Neuer Gasmotor MAN E3872 mit 44,0
% Wirkungsgrad und 735 kW Leistung aus nur 12 Zylindern. 2. Dez. 2021. url:
https://press.mantruckandbus.com/corporate/de/neuer-gasmotor-man-e3872-
mit-440--wirkungsgrad-und-735-kw-leistung-aus-nur-12-zylindern/
(besucht
am 13. 07. 2022).
[197]
Siemens. Siemens Katalog Standardmotoren SIMOTICS GP und SIMOTICS SD. 2021.
url:
https://mall.industry.siemens.com/mall/collaterals/files/118/pdf/
DEU_807876.pdf (besucht am 13. 07. 2022).
155
LITERATUR
[198]
Sven Kreidelmeyer u. a. Kosten und Transformationspfade für strombasierte Energieträ-
ger - Endbericht zum Projekt „Transformationspfade und regulatorischer Rahmen für
synthetische Brennstofe“. Studie im Auftrag des Bundesministeriums für Wirtschaft
und Energie. Basel: Prognos AG, 2020, S. 107. url:
https : / / www . bmwk . de /
Redaktion/DE/Downloads/Studien/transformationspfade-fuer-strombasierte-
energietraeger.pdf?__blob=publicationFile.
[199]
Peter Kurzweil. „Gaserzeugung und Brennstofaufbereitung“. In: Brennstofzellentechnik.
Wiesbaden: Springer Fachmedien Wiesbaden, 2016, S. 221–250. isbn: 978-3-658-14934-5
978-3-658-14935-2. doi:
10.1007/978 - 3 - 658 - 14935 - 2 _ 10
. url:
http://link.
springer.com/10.1007/978-3-658-14935-2_10 (besucht am 29. 04. 2022).
[200]
BDEW. Efzienzsteigerung bei der Wasserstoferzeugung. 19. Nov. 2020. url:
https:
//www.bdew.de/energie/effizienzsteigerung-bei-der-wasserstofferzeugung/
(besucht am 09. 11. 2022).
[201]
M Koller, A Schneeberger und V Wilk. „Marktpotenzial für Hochtemperatur- Wär-
mepumpen in Europa“. Graz, 2020. url:
https://www.tugraz.at/fileadmin/user_
upload/tugrazExternal/4778f047- 2e50- 4e9e- b72d- e5af373f95a4/files/pr/
Session_G5/753_PR_Koller.pdf.
[202]
Martin Hinterstocker, Benedikt Eberl und Serafn von Roon. Weiterentwicklung des
Standardlastproflverfahrens Gas. Endbericht. München: FfE mbH, Auftraggeber:
Bundesverband der Energie- und Wasserwirtschaft e. V. (BDEW), 2015. url:
https:
/ / www . bdew . de / media / documents / 201507 _ Weiterentwicklung - SLP - Gas . pdf
(besucht am 10. 12. 2021).
[203]
Katharina Pätzold. Abwicklung von Standardlastproflen. Praxisinformation P 2007 /
13 - Gastransport / Betriebswirtschaft. Berlin: BGW - Bundesverband der deutschen
Gas- und Wasserwirtschaft, 2007, S. 84.
[204]
VDEW Frankfurt. Zuordnung der VDEW-Lastprofle zum Kundengruppenschlüssel.
M-24/2000. Frankfurt a. Main: Vereinigung Deutscher Elektrizitätswerke - VDEW -
e.V., 2000. url:
https://www.bdew.de/media/documents/Zuordnung_der_VDEW-
Lastprofile_zum_Kundengruppenschluessel.pdf (besucht am 05. 08. 2020).
[205]
Katharina Pätzold. Anwendung von Standardlastproflen zur Belieferung nicht-
leistungsgemessener Kunden. de. Techn. Ber. Praxisinformation P 2006 / 8 - Ga-
stransport / Betriebswirtschaft. Berlin: BGW - Bundesverband der deutschen Gas- und
Wasserwirtschaft, 2006, S. 59.
[206]
Lutz Reyher u. a. „Zu den Beschäftigungspotentialen einer Entkoppelung von Arbeits-
und Betriebszeiten“. de. In: Mitteilungenaus der Arbeitsmarkt- und Berufsforschung 18
(1985), S. 13.
[207]
Regine Rundnagel, Jutta Weber-Bensch und Peter Martin Cox. Arbeitshilfe Nacht- und
Schichtarbeit. Arbeitshilfe 15. Frankfurt a. Main: IG Metall, 2003, S. 92. url:
https:
/ / netkey40 . igmetall . de / homepages / virtueller - gewerkschaftssekretaer /
hochgeladenedateien/gesundheitsschutz/ah/AH15_Nacht_und_Schichtarbeit.
pdf.
156
LITERATUR
[208]
Gerd Paul und Martin Kuhlmann. Schichtarbeit in der Beschäftigtenbefragung 2017
der IG Metall. Göttingen: Soziologisches Forschungsinstitut Göttingen (SOFI), 2017.
url:
https : / / sofi . uni - goettingen . de / fileadmin / user _ upload / SOFI _
Arbeitsbericht__IGM_Schichtarbeitende.pdf.
[209]
Christian Fünfgeld und Remo Tiedemann. Anwendung der Repräsentativen VDEW-
Lastprofle step - by - step. Techn. Ber. M-05/2000. Frankfurt a. Main: Vereinigung
Deutscher Elektrizitätswerke - VDEW - e.V.; BTU Cottbus, 2000. url:
https://www.
bdew.de/media/documents/2000131_Anwendung-repraesentativen_Lastprofile-
Step-by-step.pdf (besucht am 09. 08. 2020).
[210]
pandas development team. pandas.DataFrame.memory_usage. pandas 1.3.5 documen-
tation. 2021. url:
https://pandas.pydata.org/docs/reference/api/pandas.
DataFrame.memory_usage.html (besucht am 21. 01. 2022).
[211]
Oliver Ruhnau. When2Heat data package. original-date: 2019-02-12T06:12:13Z. 23. März
2022. url: https://github.com/oruhnau/when2heat (besucht am 07. 04. 2022).
[212]
Dick Dee. ERA-Interim. ECMWF. 2022. url:
https : / / www . ecmwf . int / en /
forecasts/datasets/reanalysis-datasets/era-interim
(besucht am 08. 04. 2022).
[213]
Danny Günther u. a. Wärmepumpen in Bestandsgebäuden: Ergebnisse aus dem
Forschungsprojekt „WPsmart im Bestand“. Freiburg: Fraunhofer-Institut für Solare
Energiesysteme ISE, 2020. url:
https://www.ise.fraunhofer.de/content/dam/
ise / de / downloads / pdf / Forschungsprojekte / BMWi - 03ET1272A - WPsmart _ im _
Bestand-Schlussbericht.pdf (besucht am 06. 11. 2022).
[214]
DVGW. DVGW e.V.: Heizungsraum. 2022. url:
https://www.dvgw.de/themen/
wasser / verbraucherinformationen / trinkwasser - installation / heizungsraum
(besucht am 06. 11. 2022).
[215]
Cordin Arpagaus. Wärmepumpen für die Industrie: Eine aktuelle Übersicht. 25. Tagung
des BFE-Forschungsprogramms «Wärmepumpen und Kälte». Burgdorf, 2019. url:
https :// www. ost . ch / fileadmin / dateiliste /3 _ forschung _dienstleistung /
institute/ies/projekte/projekte_tes/91_sccer-eip/arpagaus_et_al._2019_
wp-tagung_burgdorf_-_waermepumpen_fuer_die_industrie_-_eine_aktuelle_
uebersicht.pdf.
[216]
Danny Günther u. a. „WP Monitor“ - Feldmessung von Wärmepumpenanlagen.
Freiburg: Fraunhofer-Institut für Solare Energiesysteme ISE, 2014. url:
https://wp-
monitoring.ise.fraunhofer.de/wp- monitor- plus/download/endbericht_wp_
monitor.pdf.
[217]
Karl-Heinz Bachkhaus u. a. Branchenstudie 2021: Marktanalyse – Szenarien
– Handlungsempfehlungen. Berlin: Bundesverband Wärmepumpe (BWP) e.V.,
2020. url:
https : / / www . waermepumpe . de / uploads / tx _ bcpageflip / BWP _
Branchenstudie2021_Update.pdf (besucht am 09. 04. 2022).
157
LITERATUR
[218]
Jannik Schlemme, Matthias Schimmel und Christian Achtelik. Branchensteckbrief
der Eisen- und Stahlindustrie. Berlin: Navigant, Institut für Energiewirtschaft und
Rationelle Energieanwendung, Forschungsgesellschaft für Energiewirtschaft, BBG und
Partner, 2020, S. 19. url:
https://www.bmwk.de/Redaktion/DE/Downloads/E/
energiewende - in - der - industrie - ap2a - branchensteckbrief - stahl . pdf ? _ _
blob=publicationFile&v=4.
[219]
Bledar Islami u. a. Wasserstofnutzung in der Glasindustrie als Möglichkeit zur
Reduzierung von CO2-Emissionen und des Einsatzes erneuerbarer Gase – Untersuchung
der Auswirkungen auf den Glasherstellungsprozess und Analyse der Potenziale in
NRW. Essen, Düsseldorf: Gas- und Wärme-Institut Essen e.V., Bundesverband
Glasindustrie e. V., 2022. url:
https://www.bvglas.de/dekarbonisierung/hyglass-
wasserstoffeinsatz-in-der-glasindustrie/.
[220]
Uwe Krien. „Erweiterung der Bewertungskriterien von regionalen Strom-Wärme-
Modellen durch die Kopplung mit einem überregionalen Modell: Eine freie Python
Toolbox“. Diss. Berlin: Technische Universität Berlin, 2020. url:
https://www.reiner-
lemoine - stiftung . de / pdf / dissertationen / Dissertation - Uwe _ Krien . pdf
(besucht am 16. 09. 2021).
[221]
M Wietschel u. a. Metastudie Wasserstof – Auswertung von Energiesystemstudien.
Studie im Auftrag des Nationalen Wasserstofrats. Karlsruhe, Freiburg, Cottbus:
Fraunhofer-Institut für System- und Innovationsforschung ISI, Fraunhofer-Institut
für Solare Energiesysteme ISE, Fraunhofer-Einrichtung für Energieinfrastruktur und
Geothermie IEG, 2021, S. 87. url:
https://www.isi.fraunhofer.de/content/dam/
isi/dokumente/cce/2021/Metastudie_Wasserstoff_Abschlussbericht.pdf.
[222]
Uwe Albrecht u. a. Emissionsfreie Stahlerzeugung - Metastudie zu den technischen,
technologischen und wirtschaftlichen Parametern für die Umstellung der deutschen
Stahlindustrie auf eine emissionsarme Stahlproduktion auf Basis von grünem Wasserstof.
Berlin, Ottobrunn: DWV, 2022, S. 127. url:
https://lbst.de/wp-content/uploads/
2022/04/2022-03-30-HySteel-LBST_Emissionsfreie_Stahlerzeugung.pdf.
[223]
Geofabrik Download Server. OpenStreetMap Data Extracts. 2018. url:
http : / /
download.geofabrik.de/ (besucht am 24. 11. 2022).
[224]
Bundesministerium für Wirtschaft und Klimaschutz und Projektträger Jülich. EnArgus.
Gleichzeitigkeitsfaktor. 2022. url:
https://www.enargus.de/pub/bscw.cgi/d4505-
2/*/*/Gleichzeitigkeitsfaktor.html?op=Wiki.getwiki
(besucht am 14. 10. 2022).
[225]
BDEW. "Wie heizt Baden-Württemberg? Regionalbericht - Studie zum Heizungsmarkt.
Berlin, 2019, S. 29. url:
https : / / www . bdew . de / media / documents / BDEW _
Heizungsmarkt_Regionalbericht_Baden-W%C3%BCrttemberg.pdf.
[226]
Bundesnetzagentur. Bestätigung des Netzreservebedarfs im Strombereich. Bundesnetz-
agentur - Presse. 29. Apr. 2022. url:
https : / / www . bundesnetzagentur . de /
SharedDocs/Pressemitteilungen/DE/2022/20220429_Netzreserve.html
(besucht
am 25. 11. 2022).
158
LITERATUR
[227]
tagesschau.de. Personalmangel im Handwerk: Ohne Fachkräfte keine Klimawende.
tagesschau.de. 27. Apr. 2022. url:
https : / / www . tagesschau . de / wirtschaft /
unternehmen/fachkraeftemangel-handwerk-energiewende-101.html
(besucht am
25. 11. 2022).
[228]
Elisha Frederiks u. a. „The Socio-Demographic and Psychological Predictors of
Residential Energy Consumption: A Comprehensive Review“. en. In: Energies 8.1 (Jan.
2015), S. 573–609. doi:
10.3390/en8010573
. url:
https://www.mdpi.com/1996-
1073/8/1/573 (besucht am 11. 10. 2018).
[229]
Kadir Amasyali und Nora M. El-Gohary. „A review of data-driven building energy
consumption prediction studies“. en. In: Renewable and Sustainable Energy Reviews 81
(Jan. 2018), S. 1192–1205. issn: 13640321. doi:
10.1016/j.rser.2017.04.095
. url:
http://linkinghub.elsevier.com/retrieve/pii/S1364032117306093
(besucht
am 13. 07. 2018).
[230]
Fabio Riva u. a. „Long-term energy planning and demand forecast in remote areas
of developing countries: Classifcation of case studies and insights from a modelling
perspective“. en. In: Energy Strategy Reviews 20 (Apr. 2018), S. 71–89. issn: 2211467X.
doi:
10 . 1016/j .esr.2018.02.006
. url:
http : / / linkinghub.elsevier. com /
retrieve/pii/S2211467X18300099 (besucht am 13. 07. 2018).
[231]
Dario Šebalj, Josip Mesarić und Davor Dujak. „Analysis of methods and techniques
for prediction of natural gas consumption: a literature review“. en. In: Journal of
information and organizational sciences 43.1 (Juni 2019), S. 99–117. issn: 18469418,
18463312. doi:
10.31341/jios.43.1.6
. url:
https://jios.foi.hr/index.php/
jios/article/view/1211 (besucht am 09. 03. 2020).
159
A
Anhang
A.1 Systematische Literaturanalyse
Tabelle A.1: Übersicht aktueller systematischer Literaturanalysen - In jeder Zeile
kennzeichnen schwarze Quadrate die in der jeweiligen Literaturstudie untersuchten Merkmale
von Energienachfragemodellen. Abkürzungen: E=Elektrizität, W=Wärme, G=Gas, PH=private
Haushalte, IN=Industrie, Allg=kein spez. Sektor, sondern Verbrauch einer Region insgesamt
Methoden Energie-
träger Sektoren Räumliche und zeitliche
Eigenschaften
Eingangs-
daten
Modell-
genauigkeit
Anz. d.
Artikel Quelle
E W G PH GHD IN Allg. Zeitl.
Horizont
Zeitl.
Auf.
Räuml.
Auf.
■ ■ ■ ■ ■ ■ ■ 41 [10]
■ ■ ■ ■ ■ n/a [228]
■ ■ ■ ■ ■ ■ ■ ■ ■ ■ 63 [229]
■ ■ ■ ■ ■ ■ ■ ■ 483 [8]
■ ■ ■ ■ ■ ■ ■ ■ 130 [230]
■ ■ ■ ■ ■ ■ ■ 39 [231]
■ ■ ■ ■ ■ ■ ■ ■ ■ 116 [9]
■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ 419 vorliegende
Arbeit
Schlüsselwörter der gleichen Gruppe werden als Substitute betrachtet und mit einem
“ODER” verknüpft, während Schlüsselwörter verschiedener Gruppen als komplementär
betrachtet und mit einem “UND” verknüpft werden. Die Suche beschränkt sich auf den Titel
(“TI=”) der Veröfentlichungen, um sachdienliche Ergebnisse von überschaubarem Umfang zu
erhalten. Die ausgeschlossenen Schlüsselwörter werden auf den Titel, die Zusammenfassung
und die Schlüsselwörter der Autoren (“NOT TS=”) angewandt, um deren Einfuss auf das
Suchergebnis zu erhöhen. Die Abfrage wurde am 1. Mai 2021 auf die “Web of Science Core
Collection” angewendet und auf Artikel aus den Jahren 2015 bis 2020 beschränkt.
(TI=((electric* OR natural gasÖR heat) AND (demand OR consumption OR load OR
requirement OR intensity) AND (forecast* OR estimat* OR predict* OR project* OR
simulation OR disaggregation OR planning OR model* OR “bottom up” OR “top down”)) NOT
TS=(storage OR carbon OR emission OR price OR optimization OR vehicle OR climate))
161
A. Anhang
Tabelle A.2: Genutzte Schlüsselwörter bei der Systematischen Literaturanalyse -
Die Tabelle enthält die für die Literaturrecherche verwendeten Schlüsselwörter, geordnet nach
thematischen Gruppen. Das * ist ein Trunkierungsoperator und wird bei Suchen durch eine beliebige
Zeichenmenge ersetzt.
Energy Demand Modelling
Electric*
Natural gas
Heat
Demand
Consumption
Load
Requirement
Intensity
Forecast*
Estimat*
Predict*
Project*
Simulation
Disaggregation
Planning
Model*
Bottom up
Top down
Ausgeschlossene
Schlüsselwörter
Storage
Carbon
Emission
Price
Optimization
Vehicle
Climate
Abbildung A.1: Boxplots der MAPE-Werte nach Methodenkategorien
162
A.2 Eingangsgrößen der Modellierung - Anteile der Anwendungen am Energievebrauch
A.2
Eingangsgrößen der Modellierung - Anteile der Anwen-
dungen am Energievebrauch
Tabelle A.3: Anteile der Anwendungen am Stromverbrauch je Wirtschaftszweig, BEL: Beleuchtung,
IKT: Informations- und Kommunikationstechnologie, KK: Klimakälte, PK: Prozesskälte, ME:
Mechanische Energie, PW: Prozesswärme, RW: Raumwärme, WW: Warmwasser
WZ BEL IKT KK PK ME PW RW WW Quelle Anmerkung
1
25,6% 4,7% 9,3% 2,3% 41,9% 0,0% 4,7% 11,6%
[155, S. 84]
Wie Landwirt-
schaft
2
25,6% 4,7% 9,3% 2,3% 41,9% 0,0% 4,7% 11,6%
[155, S. 84]
Wie Landwirt-
schaft
3
50,0% 0,0% 0,0% 0,0% 25,0% 0,0% 0,0% 25,0%
[155, S. 84] Wie Gartenbau
5
3,2% 1,6% 1,6% 0,0% 88,9% 4,8% 0,0% 0,0%
[170, S. 12]
Wie sonst. Berg-
bau (WZ8)
6
3,2% 1,6% 1,6% 0,0% 88,9% 4,8% 0,0% 0,0%
[170, S. 12]
Wie sonst. Berg-
bau (WZ8)
7
3,2% 1,6% 1,6% 0,0% 88,9% 4,8% 0,0% 0,0%
[170, S. 12]
Wie sonst. Berg-
bau (WZ8)
8
3,2% 1,6% 1,6% 0,0% 88,9% 4,8% 0,0% 0,0%
[170, S. 12] Angabe vorh.
9
3,2% 1,6% 1,6% 0,0% 88,9% 4,8% 0,0% 0,0%
[170, S. 12]
Wie sonst. Berg-
bau (WZ8)
10 4,3% 3,4% 4,0% 18,2% 56,6% 13,1% 0,3% 0,2%
[170, S. 12] Angabe vorh.
11 4,3% 3,4% 4,0% 18,2% 56,6% 13,1% 0,3% 0,2%
[170, S. 12] Angabe vorh.
12 4,3% 3,4% 4,0% 18,2% 56,6% 13,1% 0,3% 0,2%
[170, S. 12] Angabe vorh.
13 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
14 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
15 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
16 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
17 1,2% 0,9% 1,6% 1,0% 95,2% 0,0% 0,1% 0,1%
[170, S. 12] Angabe vorh.
18 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
19 4,5% 4,1% 2,1% 2,1% 69,7% 17,0% 0,3% 0,2%
[172, S. 12]
Wie Industrie allg.
20 0,9% 1,4% 1,1% 11,8% 62,7% 22,0% 0,1% 0,1%
[170, S. 12] Angabe vorh.
21 4,9% 8,6% 5,7% 4,9% 74,2% 0,8% 0,5% 0,3%
[170, S. 12] Angabe vorh.
22 5,0% 3,0% 3,8% 0,8% 82,1% 4,8% 0,4% 0,2%
[170, S. 12] Angabe vorh.
23 2,5% 2,3% 1,1% 0,7% 93,0% 0,0% 0,3% 0,2%
[170, S. 12] Angabe vorh.
24 1,3% 0,7% 0,6% 0,0% 54,3% 42,9% 0,1% 0,1%
[170, S. 12] Angabe vorh.
25 8,2% 4,7% 3,9% 0,0% 72,7% 9,6% 0,6% 0,4%
[170, S. 12] Angabe vorh.
26 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
27 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
28 13,7% 15,4% 4,1% 1,7% 53,9% 9,5% 1,0% 0,7%
[170, S. 12] Angabe vorh.
29 8,5% 7,3% 2,5% 0,0% 70,8% 9,7% 0,6% 0,4%
[170, S. 12] Angabe vorh.
30 8,5% 7,3% 2,5% 0,0% 70,8% 9,7% 0,6% 0,4%
[170, S. 12] Angabe vorh.
31 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
32 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
33 9,5% 12,5% 2,9% 0,9% 63,3% 9,7% 0,8% 0,5%
[170, S. 12] Angabe vorh.
36 1,0% 1,0% 0,0% 0,0% 98,0% 0,0% 0,0% 0,0%
[155, S. 33] Angabe vorh.
37 1,0% 1,0% 0,0% 0,0% 98,0% 0,0% 0,0% 0,0%
[155, S. 33] Angabe vorh.
163
A. Anhang
Tabelle A.3 – Fortführung von vorheriger Seite
WZ BEL IKT KK PK ME PW RW WW Quelle Anmerkung
38 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
39 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
41 47,4% 7,9% 2,6% 0,0% 18,4% 2,6% 7,9% 13,2%
[155, S. 84]
Angabe vorh.
(Baugewerbe)
42 47,4% 7,9% 2,6% 0,0% 18,4% 2,6% 7,9% 13,2%
[155, S. 84]
Angabe vorh.,
(Baugewerbe)
43 47,4% 7,9% 2,6% 0,0% 18,4% 2,6% 7,9% 13,2%
[155, S. 84]
Angabe vorh.
(Baugewerbe)
45 49,3% 8,4% 2,2% 18,7% 9,3% 2,7% 6,2% 3,1%
[155, S. 84]
Angabe vorh.
(Handel)
46 49,3% 8,4% 2,2% 18,7% 9,3% 2,7% 6,2% 3,1%
[155, S. 84]
Angabe vorh.
(Handel)
47 49,3% 8,4% 2,2% 18,7% 9,3% 2,7% 6,2% 3,1%
[155, S. 84]
Angabe vorh.
(Handel)
49 5,1% 5,0% 0,1% 0,0% 84,8% 0,0% 5,0% 0,0%
[172, S. 27] Wie Verkehr
50 5,1% 5,0% 0,1% 0,0% 84,8% 0,0% 5,0% 0,0%
[172, S. 27] Wie Verkehr
51 35,7% 7,1% 7,1% 0,0% 28,6% 7,1% 7,1% 7,1%
[155, S. 84]
Angabe vorh.
(Flughäfen)
52 54,5% 18,2% 0,0% 0,0% 9,1% 0,0% 18,2% 0,0%
[155, S. 84]
Textil, Bekleidung,
Spedition
53 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84]
Wie Bürobetriebe,
Deutsche Post
55 28,5% 5,4% 1,1% 13,4% 25,8% 11,3% 7,5% 7,0%
[155, S. 84] Angabe vorh.
56 28,5% 5,4% 1,1% 13,4% 25,8% 11,3% 7,5% 7,0%
[155, S. 84] Angabe vorh.
58 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
59 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
60 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
61 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
62 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
63 2,2% 58,0% 1,0% 31,0% 1,0% 0,0% 3,7% 3,1%
[155, S. 35]
Wie Rechenzen-
tren
64 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
65 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
66 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
68 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
69 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
70 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
71 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
72 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
73 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
74 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
75 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
77 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
78 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
79 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
80 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
81 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
164
A.2 Eingangsgrößen der Modellierung - Anteile der Anwendungen am Energievebrauch
Tabelle A.3 – Fortführung von vorheriger Seite
WZ BEL IKT KK PK ME PW RW WW Quelle Anmerkung
82 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
84 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
85 74,4% 10,3% 0,0% 0,0% 2,6% 2,6% 7,7% 2,6%
[155, S. 84]
Angabe vorh.
(Schulen)
86 21,3% 9,8% 4,9% 1,6% 27,9% 27,9% 1,6% 4,9%
[155, S. 84]
Angabe vorh.
(Krankenhäuser)
87 28,5% 5,4% 1,1% 13,4% 25,8% 11,3% 7,5% 7,0%
[155, S. 84]
Angabe vorh. (Hei-
me)
88 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
90 45,1% 36,9% 3,1% 2,4% 4,4% 1,4% 3,7% 3,1%
[155, S. 84] Wie Bürobetriebe
91 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
92 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
93 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
94 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
95 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
96 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
97 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
98 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
99 34,8% 16,2% 2,1% 8,7% 25,4% 4,9% 3,9% 3,9%
[74, S. 50] Wie GHD allg.
Tabelle A.4: Anteile der Anwendungen am Gasverbrauch je Wirtschaftszweig, ME: Mechanische
Energie, PW: Prozesswärme, RW: Raumwärme, WW: Warmwasser, NEN: Nichtenergetische
Nutzung
WZ ME PW RW WW NEN Quelle Anmerkung
1
52,7%
7,3%
34,5%
5,6% 0% [155, S. 83] Wie Landwirtschaft
2
52,7%
7,3%
34,5%
5,6% 0% [155, S. 83] Wie Landwirtschaft
3
0,0% 80,0% 13,3%
6,7% 0% [155, S. 83] Wie Gartenbau
5
2,3% 90,7%
7,0% 0,0% 0% [170, S. 49] Wie sonst. Bergbau (WZ8)
6
2,3% 90,7%
7,0% 0,0% 0% [170, S. 49] Wie sonst. Bergbau (WZ8)
7
2,3% 90,7%
7,0% 0,0% 0% [170, S. 49] Wie sonst. Bergbau (WZ8)
8
2,3% 90,7%
7,0% 0,0% 0% [170, S. 49] Angabe vorh.
9
2,7% 84,5% 11,8%
1,0% 0% [172, S. 12] Angabe vorh.
10 1,7% 85,9% 11,4%
1,0% 0% [170, S. 48] Angabe vorh.
11 1,7% 85,9% 11,4%
1,0% 0% [170, S. 48] Angabe vorh.
12 1,7% 85,9% 11,4%
1,0% 0% [170, S. 48] Angabe vorh.
13 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
14 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
15 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
16 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
17 1,9% 95,5%
2,4% 0,3% 0% [170, S. 53] Angabe vorh.
18 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
19 2,3% 71,4% 10,0%
0,8%
15,5%
[172, S. 12] Wie Industrie allg.
20 2,3% 62,1%
0,9% 0,1%
34,7%
[170, S. 50] Angabe vorh.
21 3,1% 85,2% 10,7%
0,9% 0% [170, S. 54] Angabe vorh.
165
A. Anhang
Tabelle A.4 – Fortführung von vorheriger Seite
WZ ME PW RW WW NEN Quelle Anmerkung
22 1,8% 60,2% 34,8%
3,2% 0% [170, S. 51] Angabe vorh.
23 3,3% 93,7%
2,8% 0,3% 0% [170, S. 50, 55] Angabe vorh.
24 7,9%
83% 5,7% 0,5% 2,9% [170, S. 52] Angabe vorh.
25 1,5% 58,5% 36,6%
3,3% 0% [170, S. 52] Angabe vorh.
26 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
27 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
28 1,7%
7,4%
82,2%
8,2% 0,5% [170, S. 51] Angabe vorh.
29 1,6% 46,3% 47,7%
4,1% 0,3% [170, S. 49] Angabe vorh.
30 1,6% 46,4% 47,8%
4,1% 0% [170, S. 49] Angabe vorh.
31 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
32 3,7% 62,8% 30,7%
2,8%
[170,
S.
54]
Angabe vorh.
33 3,7% 62,8% 30,7%
2,8% 0% [170, S. 54] Angabe vorh.
36 0,0% 26,7% 73,3%
0,0% 0%
[155, S. 83] , [172, S.
19]
Angabe vorh. (nicht über FB
erfasst)
37 0,0% 26,7% 73,3%
0,0% 0%
[155, S. 83] , [172, S.
19]
Angabe vorh. (nicht über FB
erfasst)
38 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
39 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
41 18,7%
0,0%
77,6%
3,7% 0% [155, S. 83] Angabe vorh. (Baugewerbe)
42 18,7%
0,0%
77,6%
3,7% 0% [155, S. 83] Angabe vorh. (Baugewerbe)
43 18,7%
0,0%
77,6%
3,7% 0% [155, S. 83] Angabe vorh. (Baugewerbe)
45 0,0%
0,0%
96,8%
3,2% 0% [155, S. 83] Angabe vorh. (Handel)
46 0,0%
0,0%
96,8%
3,2% 0% [155, S. 83] Angabe vorh. (Handel)
47 0,0%
0,0%
96,8%
3,2% 0% [155, S. 83] Angabe vorh. (Handel)
49 98,8%
0,0% 1,2% 0,0% 0% [172, S. 27] Wie Verkehr
50 98,8%
0,0% 1,2% 0,0% 0% [172, S. 27] Wie Verkehr
51 33,3%
4,8%
57,1%
4,8% 0% [155, S. 83] Angabe vorh. (Flughäfen)
52 0,0% 18,2% 79,5%
2,3% 0% [155, S. 83]
Angabe vorh. (Textil, Beklei-
dung, Spedition)
53 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83], S. 45
Wie Bürobetriebe (Deutsche
Post)
55 0,0% 20,8% 73,3%
5,9% 0% [155, S. 83]
Angabe vorh. (Beherbergung,
Gaststätten, Heime)
56 0,0% 20,8% 73,3%
5,9% 0% [155, S. 83] Angabe vorh.
58 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
59 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
60 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
61 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
62 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
63 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
64 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
65 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
66 0,0%
0,0%
96,5%
3,5% 0% [155, S. 45, 83] Wie Bürobetriebe
68 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
69 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
166
A.2 Eingangsgrößen der Modellierung - Anteile der Anwendungen am Energievebrauch
Tabelle A.4 – Fortführung von vorheriger Seite
WZ ME PW RW WW NEN Quelle Anmerkung
70 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
71 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
72 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
73 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
74 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
75 0,3%
9,7%
84,9%
5,1% 0% [155, S. 83, 142] Wie Bürobetriebe
77 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
78 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
79 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
80 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
81 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
82 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
84 0,0%
0,0%
96,5%
3,5% 0% [155, S. 83, 142] Wie Bürobetriebe
85 0,0%
1,2%
97,6%
1,2% 0% [155, S. 83] Angabe vorh. (Schulen)
86 0,0%
4,2%
80,0% 15,8%
0% [155, S. 83]
Angabe vorh. (Krankenhäuser)
87 0,0% 20,8% 73,3%
5,9% 0% [155, S. 83] Angabe vorh. (Heime)
88 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
90 0,3%
9,7%
84,9%
5,1% 0% [155, S. 83], S.142 Wie Bürobetriebe
91 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
92 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
93 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
94 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
95 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
96 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
97 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
98 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
99 0,3%
9,7%
84,9%
5,1% 0% [74, S. 50] Wie GHD allg.
Tabelle A.5: Aufteilung industrieller Prozesswärme nach Temperaturniveaus, nach [51]
WZ
Prozesswärme
<100°C
Prozesswärme
100°C-200°C
Prozesswärme
200°C-500°C
Prozesswärme
>500°C
5 10,4% 66,7% 23,0% 0,0%
6 10,4% 66,7% 23,0% 0,0%
7 10,4% 66,7% 23,0% 0,0%
8 10,4% 66,7% 23,0% 0,0%
9 10,4% 66,7% 23,0% 0,0%
10 40,0% 41,7% 9,7% 8,7%
11 40,0% 41,7% 9,7% 8,7%
12 40,0% 41,7% 9,7% 8,7%
13 10,4% 66,7% 23,0% 0,0%
14 10,4% 66,7% 23,0% 0,0%
15 10,4% 66,7% 23,0% 0,0%
167
A. Anhang
Tabelle A.5 – Fortführung von vorheriger Seite
WZ
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
Prozesswärme Prozesswärme Prozesswärme Prozesswärme
<100°C 100°C-200°C 200°C-500°C >500°C
10,4%
10,3%
10,3%
20,0%
20,0%
10,4%
10,4%
2,0%
2,5%
10,4%
10,4%
10,4%
18,2%
18,2%
18,2%
10,4%
10,4%
10,4%
66,7%
83,3%
83,3%
10,6%
10,6%
66,7%
66,7%
10,3%
0,0%
66,7%
66,7%
66,7%
60,6%
60,6%
60,6%
66,7%
66,7%
66,7%
23,0% 0,0%
4,2% 2,2%
4,2% 2,2%
2,2% 67,2%
2,2% 67,2%
23,0% 0,0%
23,0% 0,0%
14,4% 73,4%
2,9% 94,7%
23,0% 0,0%
23,0% 0,0%
23,0% 0,0%
21,2% 0,0%
21,2% 0,0%
21,2% 0,0%
23,0% 0,0%
23,0% 0,0%
23,0% 0,0%
168
A.3 Eingangsgrößen der Modellierung - Steigerungsraten der Mengentreiber
A.3
Eingangsgrößen der Modellierung - Steigerungsraten der
Mengentreiber
Tabelle A.6: Jährliche Wachstumsraten der BWS im Industriesektor nach Subsektoren, berechnet
nach [62, S. 13]
Wirtschaftszweig
2011-2020
p.a.
2021-2030
p.a.
2031-2040
p.a.
2041-2050
p.a.
Anmerkung
8 0,00% -6,70% 0,00% 0,00% WZ 5, 6, 8, 9
10, 11, 12 -0,45% -0,24% -0,24% -0,25% WZ 10, 11, 12
17 0,00% 0,00% 1,06% 0,00% WZ 17
20.1 0,00% 0,41% 0,39% 0,38%
20,21 ohne 20.1 0,34% 0,33% 0,32% 0,61%
Gewichtetes Mittel
für 20, 21
0,19% 0,36% 0,35% 0,51% WZ 20, 21
22 0,47% 0,45% 0,84% 0,39% WZ 22
23.1, 23.2 0,00% 0,00% 1,84% 0,00%
rest 23 0,00% 0,00% 0,00% 0,00%
Gewichtetes Mittel
für 23
0,00% 0,00% 0,55% 0,00% WZ 23
24.1 0,00% 0,00% 1,55% 0,00%
24.4,24.5 1,18% 0,00% 0,00% 0,00%
24.2, 24.3 und 25 0,53% 0,25% 0,49% 0,24%
Gewichtetes Mittel
für 24, 25
0,57% 0,19% 0,53% 0,17% WZ 24, 25
28 1,40% 1,11% 1,11% 1,00% WZ 28
29, 30 1,34% 1,18% 1,06% 0,96% WZ 29, 30
alle anderen außer 6,
9 , 19.1, 19.2
0,99% 1,00% 0,82% 0,76%
alle anderen WZ,
außer 19
19 -0,20% -0,20% -0,20% -0,20%
Rückgang um
0,2% p.a.,
Annahme nach
[180]
Tabelle A.7: Jährlich Änderungsraten der Beschäftigten und Energiebezugsfächen im GHD-Sektor
je Wirtschaftszweig
WZ
Änderungsrate
Beschäftigte
p.a.
Annahme
Beschäftigte
bezügl. [176]
EBF in
m2/Pers.
Änderungsrate
EBF/Pers. p.a.
Annahme
EBF bezügl.
[62]
1 -1,90% Ang. vorh. 57,8 0,21% andere
2 -1,90% Ang. vorh. 57,8 0,21% andere
3 -1,90% Ang. vorh. 57,8 0,21% andere
36 -1,10% Ang. vorh. 57,8 0,21% andere
37 -1,10% wie 36 57,8 0,21% andere
38 -1,10% wie 36 57,8 0,21% andere
39 -1,10% wie 36 57,8 0,21% andere
41 -0,03% Ang. vorh. 57,8 0,21% andere
42 -0,03% Ang. vorh. 57,8 0,21% andere
43 -0,03% wie 41 und 42 57,8 0,21% andere
45 -0,10% Einzelhandel 74,7 0,38% Handel
46 0,10% Ang. vorh. 74,7 0,38% Handel
169
A. Anhang
Tabelle A.7 – Fortführung von vorheriger Seite
WZ
Änderungsrate
Beschäftigte
p.a.
Annahme
Beschäftigte
bezügl. [176]
EBF in
m2/Pers.
Änderungsrate
EBF/Pers. p.a.
Annahme
EBF bezügl.
[62]
47 -0,10% Einzelhandel 74,7 0,38% Handel
49 0,20% Ang. vorh. 57,8 0,21% andere
50 0,20% Ang. vorh. 57,8 0,21% andere
51 0,20% Ang. vorh. 57,8 0,21% andere
52 0,20% Ang. vorh. 57,8 0,21% andere
53 -0,40% Ang. vorh. 57,8 0,21% andere
55 -0,90% Ang. vorh. 57,6 0,32% Gastgewerbe
56 -0,90% Ang. vorh. 57,6 0,32% Gastgewerbe
58 -0,90% Ang. vorh. 57,8 0,21% andere
59 -0,90% Ang. vorh. 57,8 0,21% andere
60 -0,90% Ang. vorh. 57,8 0,21% andere
61 -1,10% Ang. vorh. 57,8 0,21% andere
62 0,60% Ang. vorh. 56,2 0,38% IKT
63 0,60% Ang. vorh. 56,2 0,38% IKT
64 0,10% Ang. vorh. 29,8 0,47% Finanz
65 0,50% Ang. vorh. 29,8 0,47% Finanz
66 0,20%
Durchschnitt Fi-
nanzdienste
29,8 0,47% Finanz
68 0,40% Ang. vorh. 57,8 0,21% andere
69 0,80%
Unternehmens-
/Rechtsberatung
57,8 0,21% andere
70 0,80%
Unternehmens-
/Rechtsberatung
57,8 0,21% andere
71 0,50% Ang. vorh. 57,8 0,21% andere
72 1,60% Ang. vorh. 57,8 0,21% andere
73 -0,20%
sonst. prof. dien-
ste
57,8 0,21% andere
74 -0,20%
sonst. prof. dien-
ste
57,8 0,21% andere
75 -0,20%
sonst. prof. dien-
ste
57,8 0,21% andere
77 0,50% Ang. vorh. 57,8 0,21% andere
78 1,60% Ang. vorh. 57,8 0,21% andere
79 -1,90% Ang. vorh. 57,8 0,21% andere
80 1,30%
sonst. Unterneh-
mensdienste
57,8 0,21% andere
81 1,30%
sonst. Unterneh-
mensdienste
57,8 0,21% andere
82 1,30%
sonst. Unterneh-
mensdienste
57,8 0,21% andere
84 -1,00% Verwaltung 56,9 0,08% Öf. Verw.
85 0,30% Ang. vorh. 64,5 0,32% Schulen
86 0,40% Ang. vorh. 27,0 0,47% Gesundheit
87 0,90%
Sozialwesen, Hei-
me
57,8 0,21% andere
170
A.3 Eingangsgrößen der Modellierung - Steigerungsraten der Mengentreiber
Tabelle A.7 – Fortführung von vorheriger Seite
WZ
Änderungsrate
Beschäftigte
p.a.
Annahme
Beschäftigte
bezügl. [176]
EBF in
m2/Pers.
Änderungsrate
EBF/Pers. p.a.
Annahme
EBF bezügl.
[62]
88 0,90%
Sozialwesen, Hei-
me
57,8 0,21% andere
90 1,50%
Kunst Kultur
Glücksspiel
57,8 0,21% andere
91 1,50%
Kunst Kultur
Glücksspiel
57,8 0,21% andere
92 1,50%
Kunst Kultur
Glücksspiel
57,8 0,21% andere
93 -0,50% Ang. vorh. 57,8 0,21% andere
94 -1,60% Ang. vorh. 57,8 0,21% andere
95 -1,00% Ang. vorh. 57,8 0,21% andere
96 -0,01% Ang. vorh. 57,8 0,21% andere
97 0,04% Häusl. Dienste 57,8 0,21% andere
98 0,04% Häusl. Dienste 57,8 0,21% andere
99 -1,00% Verwaltung 56,9 0,08% Öf. Verw.
Abbildung A.2: Entwicklung der Energiebezugsfäche für ausgewählte Wirtschaftszweige bis 2045,
durchgezogenene Linie: historische Werte, gestrichelte Linie: Prognose anhand Steigerungsraten
aus der Literatur, siehe Tabelle A.6 im Anhang
171
A. Anhang
A.4
Berechnung der Efzienzsteigerungsraten für Stromanwen-
dungen im GHD-Sektor
Zunächst wird das Verhältnis der Energieverbräuche der Jahre 2018 und 2035 (
SV2018,AW,ISI
und
SV2035,AW,ISI
) aus der LFS2-Anwendungsbilanz auf die Modellergebnisse übertragen,
indem auf Basis des modellierten Verbrauchs für 2018 (
SV2018,AW
) ein Verbrauch für 2035
je Anwendung (
SV2035,AW,ME,EE
) berechnet wird, der sowohl den Efzienz-, als auch den
Mengenefekt beinhaltet (
EE
und
ME
). Die Abkürzung
AW
steht dabei für Anwendung.
Formel A.1 zeigt die Berechnung.
SV2035,AW,ISI
SV2035,AW,ME,EE
= · SV2018,AW (A.1)
SV2018,AW,ISI
Anschließend wird aus dem Verhältnis des errechneten Verbrauchs mit Efzienzefekt
(
SV2035,AW,ME,EE
) und dem zuvor modellierten Verbrauch ohne Efzienzefekt (
SV2035,AW,ME
)
die relative kumulierte Verbrauchsänderung je Anwendung zwischen den Jahren 2035 und 2018
berechnet, die sich alleinig auf den Efzienzefekt zurückführen lässt (∆
SVAW,EE
). Formel A.2
zeigt die Berechnung.
SV2035,AW,ME,EE
∆SVAW,EE
= (A.2)
SV2035,AW,ME
Zuletzt wird aus der relativen kumulierten Verbrauchsänderung (
δSVAW,EE
) die jährliche
Efzienzsteigerung (
ERAW
) berechnet, die für den Zeitraum von 2018 bis 2035 gilt. Formel
A.3 zeigt die Berechnung
1
2035�2018
ERAW =∆SV � 1 (A.3)
AW,EE
172
A.5 Energieträgerwechsel-Potenziale
A.5 Energieträgerwechsel-Potenziale
Tabelle A.8: Anteile des Prozesswärmebedarfs im industriellen Sektor für Dampf, der durch
Wärmepumpen (bis 140°C) und Elektrodenkessel (140°C bis 200°C ) gedeckt wird, eigene
Berechnung nach [79, S. 990] [189, S. 487]
WZ
Wirtschaftszweig
Prozesswärme Prozesswärme
Nr.
100°C-200°C be- 100°C-200°C be-
reitgestellt durch reitgestellt durch
Wärmepumpe Elektrodenkessel
5 Kohlenbergbau 50,0% 50,0%
6 Gewinnung von Erdöl und Erdgas 50,0% 50,0%
7 Erzbergbau 50,0% 50,0%
8 Sonstiger Bergbau 50,0% 50,0%
9
Erbringung von DL für den Bergbau
50,0% 50,0%
10 Herstellung von Nahrungsmitteln 66,0% 34,0%
11 Getränkeherstellung 66,0% 34,0%
12 Tabakverarbeitung 66,0% 34,0%
13 Herstellung von Textilien 66,0% 34,0%
14 Herstellung von Bekleidung 66,0% 34,0%
15 Herstellung von Leder, Lederwaren 66,0% 34,0%
16
Herstellung von Holzwaren (ohne
50,0% 50,0%
Möbel)
17 Herstellung von Papier, Pappe 40,0% 60,0%
18 Herstellung von Druckerzeugnissen 66,0% 34,0%
19 Kokerei und Mineralölverarbeitung 40,0% 60,0%
20
Herstellung von chemischen Erzeug-
40,0% 60,0%
nissen
21
Herstellung von pharmazeutischen
50,0% 50,0%
Erzeugnissen
22
Herstellung von Gummi- und Kunst-
40,0% 60,0%
stofwaren
23
Herstellung von Glas, Verarb. von
60,0% 40,0%
Steinen und Erden
24 Metallerzeugung und -bearbeitung 80,0% 20,0%
25
Herstellung von Metallerzeugnissen
80,0% 20,0%
26
Herstellung von elektronischen und
50,0% 50,0%
opt. Erzeugnissen
27
Herstellung von elektrischen Ausrü-
50,0% 50,0%
stungen
28 Maschinenbau 90,0% 10,0%
29
Herstellung von Kraftwagen und
80,0% 20,0%
Kraftwagenteilen
30 Sonstiger Fahrzeugbau 80,0% 20,0%
31 Herstellung von Möbeln 66,0% 34,0%
32 Herstellung von sonstigen Waren 66,0% 34,0%
33
Reparatur und Installation von Ma-
80,0% 20,0%
schinen und Ausrüstungen
173
A. Anhang
A.6 Lastprofle
Tabelle A.9: Verfügbare Standardlastprofle für Stromkunden, [64, S. 44]
Kundengruppe
SLP-
Beschreibung
Bezeichnung
Haushalte H0 Haushalt
L0
Landwirtschaftsbetriebe (ohne Diferenzierung und
Landwirtschaft ohne Großanlagen der Milchproduktion)
L1
Landwirtschaftsbetriebe mit Milchwirtschaft/
Nebenerwerbs-Tierzucht
L2 übrige Landwirtschaft
G0 Gewerbe allgemein (ohne Diferenzierung)
G1 Gewerbe werktags 8-10
G2
Gewerbe mit starkem bis überwiegendem Verbrauch
Gewerbe in den Abendstunden
G3 Gewerbe durchlaufend
G4 Laden/Friseur
G5 Bäckerei und Backstube
G6 Wochenendbetrieb
Tabelle A.10: Verfügbare Standardlastprofle für Gaskunden, [65, S. 142]
Kundengruppe SLP-Bezeichnung Beschreibung
HEF
Haushalte < 50.000 kWh/a, Einfamilienhäu-
Haushalte ser
HMF
Haushalte > 50.000 kWh/a, Mehrfamilienhäu-
ser
HKO Kochgas
GKO
Gebietskörperschaften, Kreditinstitute und
Versicherungen, Organisationen ohne Er-
werbszweck
GMK Metall und KFZ
GHA Einzel- und Großhandel
Gewerbe GBD Sonst. betriebl. Dienstleistungen
GGA Gaststätten
GBH Beherbergung“
GBA Bäckerei und Konditorei“
GWA Wäscherei“
GGB Gartenbau“
GPD Papier und Druck
GMF haushaltsähnliche Gewerbebetriebe
GHD
Summenlastprofl Gewerbe, Handel und
Dienstleistungen
Tabelle A.11: Zuordnung der Lastprofltypen (LP) zu den Wirtschaftszweigen
WZ Bezeichnung des Wirtschaftszweigs LP Strom LP Gas
01 Landwirtschaft, Jagd und damit verbundene Tätigkeiten L0 GGB
02 Jagd, Fallenstellerei und damit verbundene Tätigkeiten L0 GGB
174
A.6 Lastprofle
Tabelle A.11 – Fortführung von vorheriger Seite
WZ Bezeichnung des Wirtschaftszweigs LP Strom LP Gas
03
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
36
37
38
39
41
42
43
45
46
47
49
50
51
52
53
Erbringung von Dienstl. f. Forstwirtschaft und Holzeinschlag
Kohlenbergbau
Gewinnung von Erdöl und Erdgas
Erzbergbau
Gewinnung von Steinen und Erden, sonstiger Bergbau
Erbr. v. Dienstl. f. d. Bergbau u. für die Gew. von Steinen
und Erden
Herstellung von Nahrungs- und Futtermitteln
Getränkeherstellung
Tabakverarbeitung
Herstellung von Textilien
Herstellung von Bekleidung
Herstellung von Leder, Lederwaren und Schuhen
Herst. v. Holz-, Flecht-, Korb- und Korkwaren (ohne Möbel)
Herstellung von Papier, Pappe und Waren daraus
Herst. v. Druckerz.; Vervielf. v. Ton-, Bild-u. Datenträgern
Kokerei und Mineralölverarbeitung
Herstellung von chemischen Erzeugnissen
Herstellung von pharmazeutischen Erzeugnissen
Herstellung von Gummi- und Kunststofwaren
Herst. v. Glas, Keramik, Verarb. v. Steinen u. Erden
Metallerzeugung und -bearbeitung
Herstellung von Metallerzeugnissen
Hast. v. DV-geräten, elektr. und optischen Erzeugnissen
Herstellung von elektrischen Ausrüstungen
Maschinenbau
Herstellung von Kraftwagen und Kraftwagenteilen
Sonstiger Fahrzeugbau
Herstellung von Möbeln
Herstellung von sonstigen Waren
Rep. u. Install. von Maschinen und Ausrüstungen
Wasserversorgung
Abwasserentsorgung
Sammlung, Abfallbeseitigung, Rückgewinnung
Beseitigung von Umweltverschmutz. u. sonst. Entsorgung
Hochbau
Tiefbau
Vorber. Baustellenarbeiten, Bauinstallation u. sonst. Aus-
baugew.
Hdl. mit Kraftfahrzeugen; Instandh. u. Rep. v. Kfz.
Großhandel (ohne Handel mit Kraftfahrzeugen)
Einzelhandel (ohne Handel mit Kraftfahrzeugen)
Landverkehr und Transport in Rohrfernleitungen
Schiffahrt
Luftfahrt
Lagerei sowie Erbr.v.sonstigen DL für den Verkehr
Post-, Kurier- und Expressdienste
G3 GGB
S3_WTSA
S3_WTSASO
S3_WTSA
S3_WTSA
S3_WTSA
BLP_WZ10 S2_WT
BLP_WZ11 S3_WT
BLP_WZ12 S3_WTSA
S2_WT
S2_WT
S2_WTSA
S2_WTSA
BLP_WZ17
S3_WTSASO
S3_WTSASO
S3_WTSASO
S3_WTSASO
BLP_WZ21
S3_WTSASO
BLP_WZ22 S2_WTSA
S3_WTSASO
BLP_WZ24
S3_WTSASO
BLP_WZ25 S3_WT
BLP_WZ26 S2_WT
S2_WTSA
BLP_WZ26 S2_WT
BLP_WZ29 S3_WT
S3_WTSASO
S1_WTSA
BLP_WZ32
S3_WTSASO
S2_WTSA
G3 GMF
BLP_WZ37 GMF
BLP_WZ38 GBD
G3 GBD
BLP_WZ41 GMK
BLP_WZ41 GMK
BLP_WZ41 GMK
G4 GMK
BLP_WZ46 GHA
BLP_WZ47 GHA
G3 GBD
G3 GGA
G3 GGA
BLP_WZ52 GBD
G4 GKO
175
A. Anhang
Tabelle A.11 – Fortführung von vorheriger Seite
WZ Bezeichnung des Wirtschaftszweigs LP Strom LP Gas
55 Beherbergung BLP_WZ55 GBH
56 Gastronomie G2 GGA
58 Verlagswesen BLP_WZ64 GPD
59
Hst., Verl. u. Vertr. v. Filmen, Fernseh; Kinos; Tonst. u.
BLP_WZ64 GBD
Verl. v. Musik
60 Rundfunkveranstalter G3 GKO
61 Telekommunikation G3 GBD
62 Erbringung von Dienstl. der Informationstechnologie BLP_WZ62 GBD
63 Informationsdienstleistungen BLP_WZ63 GBD
64 Erbringung von Finanzdienstleistungen BLP_WZ64 GKO
65 Versicherungen u. Pensionskassen BLP_WZ64 GKO
66 Mit Finanz- und Versicherungs-DL verb. Tätigkeiten BLP_WZ64 GKO
68 Grundstücks- und Wohnungswesen BLP_WZ64 GBD
69 Rechts- und Steuerberatung, Wirtschaftsprüfung BLP_WZ64 GBD
70
Verw. u. Führung v.Unternehmen u.Betr.; Unternehmensber.
BLP_WZ64 GBD
71
Architektur- und Ingenieurbüros; techn. , physik. u. chem.
BLP_WZ64 GBD
Unters.
72 Forschung und Entwicklung BLP_WZ72 GKO
73 Werbung und Marktforschung BLP_WZ64 GKO
74 Sonsti. freiberuf., wissenschaftl. u. techn. Tätigkeiten BLP_WZ64 GBD
75 Veterinärwesen BLP_WZ64 GBD
77 Vermietung von beweglichen Sachen BLP_WZ77 GBD
78 Vermittlung und Überlassung von Arbeitskräften BLP_WZ64 GKO
79
Reisebüros, Reiseveranst. u. Erbr. sonst. Reservierungs-DL
G4 GBD
80 Wach- und Sicherheitsdienste sowie Detekteien G3 GBD
81 Gebäudebetreuung; Garten- und Landschaftsbau L0 GBD
82 Dienstleistg. f. Untern. u. Privatpers. BLP_WZ82 GBD
84 Öfentliche Verwaltung, Verteidigung; Sozialversicherung BLP_WZ84 GKO
85 Erziehung und Unterricht BLP_WZ85 GKO
86 Gesundheitswesen BLP_WZ86 GBH
87 Heime (ohne Erholungs- und Ferienheime) BLP_WZ87 GKO
88 Sozialwesen (ohne Heime) BLP_WZ88 GMF
90 Kreative, künstlerische und unterhaltende Tätigkeiten BLP_WZ90 GBD
91 Bibl. ,Archive, Museen, zoolog. u.ä. Gärten BLP_WZ91 GKO
92 Spiel-, Wett- und Lotteriewesen G2 GBD
93
Erbr.v. Dienstl. des Sports, der Unterhaltung und der
BLP_WZ93 GKO
Erholung
94 Interessenvertr. ,kirchl. u. sonst. Verein BLP_WZ94 GKO
95 Rep.v. DV-geräten und Gebrauchsgütern BLP_WZ64 GMK
96
Erbr.v.sonstigen überwiegend persönlichen Dienstleistungen
BLP_WZ64 GBD
97 Private Haushalte mit Hauspersonal H0 GMF
98 H.v.Waren, Dienstl.d.priv. Haushalte H0 GMF
99 Exterritoriale Organisationen und Körperschaften BLP_WZ64 GKO
176
A.7 Ergebnisse
A.7 Ergebnisse
Abbildung A.3: Stromverbrauch nach Anwendungen im GHD-Sektor für 2020 und 2045
Abbildung A.4: Stromverbrauch nach Anwendungen im Industriesektor für 2020 und 2045
177
A. Anhang
Abbildung A.5: Strom- und grüner Wasserstofverbrauch des Industriesektors 2045 nach
Anwendungen
Abbildung A.6: Zukünftiger absoluter Strom-, Erdgas- und Wasserstofverbrauch des GHD- und
Industriesektors inklusive Mengen-, Efzienz- und Energieträgerwechsel-Efekt nach Jahren
178
A.7 Ergebnisse
Abbildung A.7: Absolute regionale Änderung des Erdgasverbrauchs zwischen 2020 und 2045
Abbildung A.8: Zukünftiger Jahresverlauf des industriellen Stromverbrauchs (2020, 2045 ohne
Elektrolyse und 2045 mit Elektrolyse)
179
A. Anhang
Abbildung A.9: Zukünftiger Jahresverlauf des Stromverbrauchs der Sektoren GHD und Industrie
(2020, 2045 ohne Elektrolyse und 2045 mit Elektrolyse)
180
A.8 Diskussion
A.8 Diskussion
Abbildung A.10: Vergleich der geglätteten Modellergebnisse mit Mittelwertfenstern von 6 und
10 Stunden mit dem ENTSO-E Lastgang der Bidding Zone DE (2018), nach [102]
Abbildung A.11: Anteile der Gesamtlast je Bundesland als Faktorzeitreihe für 2 Aprilwochen in
2018 aus Modellergebnissen
181
A.8 Diskussion
Exkurs
Laut UGR wurden 2018 im industriellen Sektor, ohne Berücksichtigung des WZ 19 Kokerei-
und Mineralölverarbeitung (Umwandlungssektor), 166,6 TWh Braun- und Steinkohlen und
203,3 TWh Mineralölprodukte verbraucht [92]. 80% (ca. 133 TWh) der Kohlen wurden 2018 in
der Metallerzeugung und -bearbeitung für die Bereitstellung von Hochtemperaturprozesswärme
sowie die nichtenergetische Nutzung eingesetzt. Weitere 10% kommen im WZ 23 bei der
Zementherstellung zum Brennen von Klinker zum Einsatz. Entsprechend der Annahmen aus
Tabelle 4.5 zu elektrifzierbaren Anwendungen, kann davon ausgegangen werden, dass die
Kohlen nicht durch Strom sondern Wasserstof substituiert werden. In einer Metastudie zum
nationalen Wasserstofbedarf der Fraunhofer Institute ISI, ISE und IEG wird für die Eisen-
und Stahlproduktion für das Jahr 2050 ein Wasserstofbedarf von 36-69 TWh angegeben
[221, S.77], was etwas niedriger ist, als die Angaben einer vom Deutschen Wasserstof und
Brennstofzellen-Verband beauftragen Metastudie von 70-100 TWh für die Stahlindustrie [222,
S.50]. Da dieser Wasserstofbedarf an die Stelle der fossilen Brennstofe (inklusive Erdgas) tritt,
und der Kohlenbedarf etwa 70% des Verbrauchs fossiler Energieträger in der Stahlindustrie
ausmacht [92, Tabelle 2.3.6], wird für die Abschätzung der Wert von 50 TWh angesetzt (70%
von 70 TWh). Die restlichen 33,6 TWh Kohlenverbrauch im industriellen Sektor, werden
im Verhältnis 1:2 durch Wasserstof ersetzt, da durch den Energieträgerwechsel zum einen
Efzienzgewinne zu erwarten sind und zum anderen auch alternative Energieträger, wie z. B.
Biomasse, zum Einsatz kommen können. Aus der Substitution der Kohle ergibt sich damit
insgesamt ein Wasserstofverbrauch von ca. 67 TWh.
Im Gegensatz zum Kohlenverbrauch werden Mineralölprodukte wie Kraftstofe und Heizöl
auch für Niedertemperaturanwendungen oder zur Bereitstellung von mechanischer Energie
verwendet. Gemäß der Aufteilung der Verbräuche auf die Gasanwendungen je WZ in Tabelle A.4
und A.5 ergibt die Abschätzung zunächst einen elektrifzierbaren Mineralölverbrauch von ca. 61
TWh, was unter Berücksichtigung der Wirkungsgrade aus Tabelle 4.4 einen Stromverbrauch von
ca. 50 TWh ergibt. Der durch Wasserstof zu substituierenden Verbrauch an Mineralölprodukten
entspricht 142 TWh. Die chemische Industrie verbrauchte 2018 mit 171 TWh den größten
Anteil an den Mineralölprodukten in der Industrie (ohne Berücksichtigung von WZ 19 Kokerei-
und Mineralölverarbeitung) [92, Tabelle 2.3.6]. Für 2050 wird in der Fraunhofer Metastudie für
diesen Industriezweig ein Wasserstofverbrauch von 0-34 TWh prognostiziert [221, S.76]. Gemäß
des Anteils der Mineralölprodukte am Verbrauch fossiler Energieträger in der Chemieindustrie
(63%) [92, Tabelle 2.3.6], ergibt sich ein Wasserstofverbrauch von ca. 21 TWh (63% von 30
TWh). Die restlichen 32 TWh Verbrauch an Mineralölprodukten in der Industrie werden
im Verhältnis 1:2 durch Wasserstof ersetzt, da durch den Energieträgerwechsel zum einen
Efzienzgewinne zu erwarten sind und zum anderen auch alternative Energieträger, wie z.
B. Biomasse, zum Einsatz kommen können. Aus der Substitution der Mineralölprodukte
ergibt sich damit insgesamt ein Wasserstofbedarf von ca. 37 TWh. Neben Wasserstof werden
im industriellen Sektor auch Verbräuche von Syntheseprodukten aus Power-to-X-Anlagen
prognostiziert. Der dafür notwendige Wasserstof wird in den hier beschrieben Abschätzungen
nicht berücksichtigt.
183
