'Datasets' Datasets#
Region#
Region aus Geodaten der Landkreise zusammengeführt.
Dataset: datasets/bkg_vg250_region
Emissionen#
Emissionen für Sachsen-Anhalt und die Region, aggregiert nach Sektoren der CRF-Nomenklatur.
Datei emissions.json
enthält Chartdaten.
Raw dataset: emissions
Dataset: datasets/emissions_region
Windenergieanlagen#
Windenergieanlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_wind_stats_muns.csv
.
Dataset: datasets/bnetza_mastr_wind_region
Settings für App#
Einstellungen für die App.
Layerliste (rechtes Panel)#
- Konfiguration: config.yml →
map_panel_layer_list
- Ergebnisfile:
map_panel_layer_list.json
- Wird manuell in die App eingepflegt (s. map_config.py)
Settings panels#
Die im linken Panel aufgeführten Einstellelemente (Slider und Schalter) werden hier parametriert.
- Konfiguration des Templates:
config.yml →
panel_settings_templates
- Parametrierung der Slider und Schalter: panels.py
- Ergebnisfiles:
energy_settings_panel.json
heat_settings_panel.json
traffic_settings_panel.json
- Werden in die App eingelesen
Parametrierung der Einstellelemente#
Für die Slider werden folgende Attribute gesetzt: Minimum, Maximum, Schrittweite, Startwert, Status-quo-Wert, Zielwert 2045. Diese werden wie folgt bestimmt (vgl. auch (i)-Tooltips an den Elementen):
Technologie | Element id | Maximum | Startwert | Status-quo-Wert | Zielwert 2045 |
---|---|---|---|---|---|
Windenergie | s_w_1 |
Inst. Leistung in bestehenden VR/EG | Wie Status-quo-Wert | Inst. Leistung 2022 | Aus Flächenziel Sachsen-Anhalt (2,2 % in 2032) |
s_w_3 |
- | Wie Status-quo-Wert | On | - | |
s_w_4 |
- | Wie Status-quo-Wert | Off | - | |
s_w_4_1 |
- | Wie Status-quo-Wert | On | - | |
s_w_4_2 |
- | Wie Status-quo-Wert | Off | - | |
s_w_5 |
- | Wie Status-quo-Wert | Off | - | |
s_w_5_1 |
100 % | Wie Status-quo-Wert | Theoret. Wert berechnet aus inst. Leistung 2022 | - | |
s_w_5_2 |
100 % | Wie Status-quo-Wert | Theoret. Wert berechnet aus inst. Leistung 2022 | - | |
Freiflächen-PV | s_pv_ff_1 |
Wie Status-quo-Wert | Inst. Leistung 2022 | Aus EEG 2023 und regionalen Potenzialen | |
s_pv_ff_3 |
100 % | Wie Status-quo-Wert | Theoret. Wert berechnet aus inst. Leistung 2022 | - | |
s_pv_ff_4 |
100 % | Wie Status-quo-Wert | Theoret. Wert berechnet aus inst. Leistung 2022 | - | |
Aufdach-PV | s_pv_d_1 |
Wie Status-quo-Wert | Inst. Leistung 2022 | Aus EEG 2023 und regionalen Potenzialen | |
s_pv_d_3 |
100 % | Wie Status-quo-Wert | Theoret. Wert berechnet aus inst. Leistung 2022 | - | |
s_pv_d_4 |
100 % | Wie Status-quo-Wert | Aus MaStR | - | |
Wasserkraft | s_h_1 |
Inst. Leistung 2022 | Wie Status-quo-Wert | Inst. Leistung 2022 | Inst. Leistung 2022 |
Stromverbrauch | s_v_1 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien |
s_v_3 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
s_v_4 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
s_v_5 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
Batterie-Großspeicher | s_s_g_1 |
50 % | Wie Status-quo-Wert | Aus inst. Kapazität und Einspeisung 2022 | - |
Wie Status-quo-Wert | |||||
WP dezentral | w_d_wp_1 |
95 % | 50 % | Inst. Leistung 2022 aus BMWK Langfristszenarien | Wert 2045 aus BMWK Langfristszenarien |
w_d_wp_3 |
95 % | 50 % | - | - | |
w_d_wp_4 |
95 % | 50 % | - | - | |
w_d_wp_5 |
95 % | 50 % | - | - | |
WP zentral | w_z_wp_1 |
95 % | 50 % | Inst. Leistung 2022 aus BMWK Langfristszenarien | Wert 2045 aus BMWK Langfristszenarien |
Wärmeverbrauch | w_v_1 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien |
w_v_3 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
w_v_4 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
w_v_5 |
200 % | Wie Status-quo-Wert | Verbrauch 2022 (100 %) | Wert 2045 aus BMWK Langfristszenarien | |
Wärmespeicher dezentral | w_d_s_1 |
200 % | 100 % | - | - |
Wärmespeicher zentral | w_z_s_1 |
200 % | 100 % | - | - |
Die Maxima der Regler im Hauptpanel (s_w_1
, s_pv_ff_1
usw.) werden in der
App dynamisch aus den durch die UserInnen vorgenommenen Detaileinstellungen
(s_w_3
, s_pv_ff_1
usw.) berechnet.
Dataset: datasets/app_settings
Potenzialgebiete Windenergie#
Potenzialgebiete für die Errichtung von Windenergieanlagen, basierend auf den Teilplänen Wind der Regionalen Planungsgemeinschaft Anhalt-Bitterfeld-Wittenberg aus rpg_abw_regional_plan.
Dateien:
- STP Wind 2018 - Vorrang-/Eignungsgebiete:
potentialarea_wind_stp_2018_vreg.gpkg
- STP Wind 2027 - Planabsicht Vorranggebiete:
potentialarea_wind_stp_2027_vr.gpkg
- STP Wind 2027 - Planabsicht Repoweringgebiete:
potentialarea_wind_stp_2027_repowering.gpkg
- STP Wind 2027 - Suchraum Wald:
potentialarea_wind_stp_2027_search_area_forest_area.gpkg
- STP Wind 2027 - Suchraum Offenland:
potentialarea_wind_stp_2027_search_area_open_area.gpkg
Die darin verwendeten Attributtexte werden in die Datei
potentialarea_wind_attribute_captions.json
exportiert.
Die Flächen werden mit den Gemeindegrenzen verschnitten und den Gemeinden
zugeordnet. Je Gemeinde und obigem Flächentyp/Datei wird eine Flächensumme (in
km²) berechnet, siehe potentialarea_wind_area_stats_muns.csv
. Die Gemeinden
werden über den Schlüssel municipality_id
(vgl.
bkg_vg250_muns_region)
identifiziert.
Dataset: datasets/potentialarea_wind_region
Bundesländer#
Bundesländergrenzen aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").
Dataset: datasets/bkg_vg250_federal_states
Technologiedaten#
Allgemeine Technologiedaten.
Raw dataset: technology_data
Dataset: datasets/technology_data
Gemeinden#
Gemeinden der Region aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").
Dataset: datasets/bkg_vg250_muns_region
OpenStreetMap Gebäude#
OSM Gebäude aus osm_filtered mittels OGR extrahieren und nach Tags (s. config.yml) filtern.
Ziel ist die Ermittlung des regionalen Anteils Gebäudegrundflächen an der gesamten Gebäudegrundfläche in Deutschland.
Schritte:
- Extraktion aller Gebäude in Deutschland →
osm_buildings.gpkg
- Zentroide und Fläche je Gebäude erstellen →
osm_buildings_centroids.gpkg
- Mit Region verschneiden →
osm_buildings_centroids_region.gpkg
- Flächensumme berechnen →
osm_buildings_ground_area_region.gpkg
,osm_buildings_ground_area_country.gpkg
- Regionalen Anteil berechnen →
osm_buildings_ground_area_share_region.json
Achtung: Konvertierungs- und Extraktionsprozess benötigt ~15 GB Speicherplatz und kann viel Zeit in Anspruch nehmen.
Dataset: datasets/osm_buildings
Verbrennungskraftwerke#
Verbrennungskraftwerke in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_combustion_stats_muns.csv
.
Dataset: datasets/bnetza_mastr_combustion_region
Wärmebedarf#
Wärmebedarfe (Endenergie) Fernwärme und dezentrale Wärme sowie Wärmezeitreihen für Haushalte, GHD und Industrie je Gemeinde.
Gesamtwärmebedarf#
Die Berechnung der regionalen Prognosewerte je Verbrauchssektor erfolgt anhand landesweiter Prognosen aus den BMWK Langfristszenarien.
Haushalte#
- Jährlicher Wärmebedarf je Gemeinde in MWh: Bundeswert aus AG Energiebilanzen 2021 für Raumwärme, Warmwasser und Prozesswärme, desaggregiert auf Gemeinden mittels Wärmebedarfs-Rasterdaten aus 2015 (Wärmebedarfsdichte 1ha) aus Peta5. Anm.: Die Desaggregation könnte alternativ über Zensus "Gebäude mit Wohnraum nach Heizungsart" (31231-02-01-5, s. regiostat erfolgen)
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion der Gebäudewärmebedarfe aus BMWK Langfristszenarien berechnet. Hierbei wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Gasbedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022 die für alle Zielszenarien und Aggregationsebenen verwendet wird, da die Basis SLP-Profile sind und Differenzen zwischen verschiedenen Jahren nur aufgrund der Lage von Wochenenden und Feiertagen bestehen. Diese werden daher vernachlässigt.
GHD#
- Jährlicher Wärmebedarf je Gemeinde in MWh: Bundeswert aus AG Energiebilanzen 2021 für Raumwärme, Warmwasser und Prozesswärme, desaggregiert auf Gemeinden mittels Wärmebedarfs-Rasterdaten aus 2015 (Wärmebedarfsdichte 1ha) aus Peta5
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion der Gebäudewärmebedarfe aus BMWK Langfristszenarien berechnet. Hierbei wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Gasbedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022 die für alle Zielszenarien und Aggregationsebenen verwendet wird, da die Basis SLP-Profile sind und Differenzen zwischen verschiedenen Jahren nur aufgrund der Lage von Wochenenden und Feiertagen bestehen. Diese werden daher vernachlässigt.
Industrie#
- Jährlicher Wärmebedarf je Gemeinde in MWh: Bundeswert aus AG Energiebilanzen 2021 für Raumwärme, Warmwasser und Prozesswärme. Die Desaggregation auf Landkreisebene erfolgt anhand des Gesamtenergiebedarfs im verarbeitenden Gewerbe aus Regionalstatistik. Die anschließende Desaggregation auf Gemeindeebene wird mittels Beschäftigtenzahlen im verarbeitenden Gewerbe in 2022 aus Regionalstatistik vorgenommen.
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion des industriellen Gesamtenergiebedarfs aus BMWK Langfristszenarien berechnet. Im Unterschied zu Haushalten und GHD liegen die Daten für den Wärme- und Stromanteil nicht getrennt vor, sodass auf den Gesamtenergiebedarf zurückgegriffen wird. Es wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Gasbedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022 die für alle Zielszenarien und Aggregationsebenen verwendet wird, da die Basis SLP-Profile sind und Differenzen zwischen verschiedenen Jahren nur aufgrund der Lage von Wochenenden und Feiertagen bestehen. Diese werden daher vernachlässigt.
- Es erfolgt keine Aufteilung des Wärmebedarfs auf unterschiedliche Temperaturniveaus.
Dezentrale Wärme und Fernwärme#
Der Gesamtwärmebedarf wird auf dezentrale Heizsysteme und Fernwärme aufgeteilt. Fernwärmenetze existieren in Dessau-Roßlau, Bitterfeld-Wolfen, Köthen und Wittenberg.
Da keine Daten zum tatsächlichen Fernwärmebedarf vorliegen, werden Annahmen auf Basis folgender Quellen getroffen:
- Zensus 2011: Gebäude nach Heizungsart
- BMWK Langfristszenarien: Wärmenachfrage in Wärmenetzen (HH&GHD) (2025)
- STALA ST: Wärmebilanz der Industriebetriebe (2021)
- STALA ST: Energie- und Wasserversorgung
- WindNODE
- Peta5: D5 1 District Heating Areas (2020)
Annahmen zu Fernwärmeanteilen (Anteil der Endenergie aus Fernwärme an gesamter Wärme-Endenergie) je Bedarfssektor:
Fernwärmenetz | Haushalte | GHD | Industrie |
---|---|---|---|
Dessau-Roßlau | 0,36 | 0,36 | 0,19 |
Bitterfeld-Wolfen | 0,11 | 0,11 | 0,21 |
Köthen | 0,07 | 0,07 | 0,21 |
Wittenberg | 0,15 | 0,15 | 0,01 |
Die Fernwärmeanteile können in der config.yml im Abschnitt
district_heating_share
für jeden Sektor separat angepasst werden. Es wird
vereinfachend angenommen, dass der Anteil an Fernwärme für alle
Szenarien/Zieljahre gleich bleibt.
Beheizungsstruktur#
Die Beheizungsstruktur für 2020 und 2045 wird den BMWK Langfristszenarien entnommen (Gebäude: Haushalte und GHD Energiebedarf) und für 2022 interpoliert. Hierbei wird nach Technologien für dezentrale sowie Fernwärme unterschieden. Für die Biomasse wird der relative Energiebedarf mit Hilfe von Anteilen der installierten Leistung von spezifischen Biomasse-Konversionsanlagen dbfz_biomasss_capacity_rel je Technologie aufgelöst. Der Vereinfachung halber wird angenommen, dass die relative installierte Leistung der relativen Energiemenge entspricht.
Ergebnisdaten#
- Haushalte: Wärmebedarf gesamt:
demand_hh_heat_demand.csv
- Haushalte: Wärmebedarf Fernwärme:
demand_hh_heat_demand_cen.csv
- Haushalte: Wärmebedarf dezentrale Wärme:
demand_hh_heat_demand_dec.csv
-
Haushalte: Zeitreihen:
demand_hh_heat_timeseries.csv
-
GHD: Wärmebedarf gesamt:
demand_cts_heat_demand.csv
- GHD: Wärmebedarf Fernwärme:
demand_cts_heat_demand_cen.csv
- GHD: Wärmebedarf dezentrale Wärme:
demand_cts_heat_demand_dec.csv
-
GHD: Zeitreihen:
demand_cts_heat_timeseries.csv
-
Industrie: Wärmebedarf gesamt:
demand_ind_heat_demand.csv
- Industrie: Wärmebedarf Fernwärme:
demand_ind_heat_demand_cen.csv
- Industrie: Wärmebedarf dezentrale Wärme:
demand_ind_heat_demand_dec.csv
-
GHD: Zeitreihen:
demand_ind_heat_timeseries.csv
-
Beheizungsstruktur dezentral (informativ):
demand_heat_structure_dec.csv
- Beheizungsstruktur zentral (informativ):
demand_heat_structure_cen.csv
- Beheizungsstruktur dezentral für Weiterverwendung im Energiesystem:
demand_heat_structure_esys_dec.csv
- Beheizungsstruktur Fernwärme für Weiterverwendung im Energiesystem:
demand_heat_structure_esys_cen.csv
Dataset: datasets/demand_heat_region
Geo- oder Solarthermie-, Grubengas- und Klärschlamm-Anlagen#
Anlagen der Geo- oder Solarthermie, Grubengas und Klärschlamm in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_gsgk_stats_muns.csv
.
Dataset: datasets/bnetza_mastr_gsgk_region
Landkreise#
Landkreise der Region aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").
Dataset: datasets/bkg_vg250_districts_region
Wasserkraftanlagen#
Wasserkraftanlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_hydro_stats_muns.csv
.
Dataset: datasets/bnetza_mastr_hydro_region
EE-Einspeisezeitreihen#
Einspeisezeitreihen für Erneuerbare Energien. Als Wetterjahr wird 2011 verwendet, siehe Szenarien.
Raw dataset mit methodischer Beschreibung: renewables.ninja_feedin
Einspeisezeitreihen#
Zeitreihe normiert auf Summe=1 für
- Windenergie:
wind_feedin_timeseries.csv
- Photovoltaik:
pv_feedin_timeseries.csv
- Solarthermie:
st_feedin_timeseries.csv
- Laufwasserkraft:
ror_feedin_timeseries.csv
Dataset: datasets/renewable_feedin
Geodaten PV- und Windflächenrechner#
Geodaten aus dem PV- und Windflächenrechner, extrahiert, zu LAEA Europe (EPSG:3035) umprojiziert und auf die Regionsgrenzen zugeschnitten.
Preprocessed dataset: rli_pv_windflaechenrechner
Dataset: datasets/rli_pv_wfr_region
Staat#
Staatsgrenze aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").
Dataset: datasets/bkg_vg250_state
Bevölkerungsentwicklung#
EinwohnerInnen je Gemeinde: Historische Daten und Prognosen
Historische Daten bis 2022#
Statistisches Bundesamt (Raw dataset: destatis_gv)
Prognosen bis 2035#
Statistisches Landesamt Sachsen-Anhalt (Raw dataset:
stala_st_pop_prog). Deaktivieren
mittels entfernen der Zieljahre in config.yml im Abschnitt
prognosis_fstate_munlevel
.
Kann für andere Regionen auch durch DemandRegio (s.u.) ersetzt werden, die tatsächliche regionale Auflösung wird dadurch reduziert.
Prognosen bis 2045#
DemandRegio (Raw dataset: demandregio) basierend auf der 14. koordinierten Bevölkerungsvorausberechnung der Statistischen Ämter von Bund und Ländern. Diese Daten liegen auf Landkreisebene vor, daher erfolgt eine gleichmäßige Skalierung der dazugehörigen Gemeinden auf den jeweiligen Prognosewert.
Deaktivieren mittels entfernen der Zieljahre in config.yml im
Abschnitt prognosis_germany_districtlevel
.
Extrapolation#
Über 2045 hinaus wird lineare Extrapolation auf Basis der letzten beiden
Prognosejahre unterstützt. Um diese zu aktivieren, müssen lediglich Zieljahre
in die config.yml im Abschnitt extrapolation
eingetragen werden.
Dataset: datasets/population_region
Wärmepumpen COP#
Zeitreihe für die Leistungszahl / Coefficient of performance (COP) für Wärmepumpen. Berücksichtigt werden Luftwärmepumpen (ASHP) und Erdwärmepumpen (GSHP). Der COP wird mit Hilfe von Zeitreihen der Umgebungstemperatur (ASHP) bzw. der Bodentemperatur (GSHP) für jeden Zeitschritt berechnet.
Details zur Berechnungsmethodik können der Dokumentation von oemof.thermal entnommen werden.
Annahmen:
- Vorlauftemperatur: 40 °C
- Gütegrad / Quality grade: 0.4 (nach VDE)
- Vereisungsverluste bei ASHP: 20 % bei <2 °C
Daraus ergibt sich eine mittlere Jahresarbeitszahl (JAZ) von 3,3 für ASHP und 4,3 für GSHP, die mit typischen Werten für 2019 (AEW) übereinstimmen. Für das Zukunftsszenario wird ferner ein Effizienzgewinn durch technische Weiterentwicklung von 25 % angenommen ewi.
Beide separat erstelle Zeitreihen werden anhand der heutigen Marktdurchdringung gewichtet und in eine mittlere Zeitreihe für Wärmepumpen überführt. Im Jahr 2022 wurden 87 % ASHP und 13 % GSHP abgesetzt nach BWP, über die letzten 10 Jahre beträgt das Verhältnis ca. 80:20. Für 2045 wird daher ein Anteil von 80 % ASHP und 20 % GSHP angenommen.
Verwendet Datensätze:
Dataset: datasets/heatpump_cop
Biomasse-/Biogasanlagen#
Biomasse-/Biogasanlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_biomass_stats_muns.csv
.
Dataset: datasets/bnetza_mastr_biomass_region
Sozialversicherungspflichtig Beschäftigte und Betriebe#
Gesamtanzahl sozialversicherungspflichtig Beschäftigte und Betriebsstätten je Gemeinde für die Region.
Raw datasets: ba_employment, regiostat
Dataset: datasets/employment_region
Strombedarf#
Nettostrombedarfe und -zeitreihen für Haushalte, GHD und Industrie je Gemeinde.
Die Berechnung der regionalen Prognosewerte je Verbrauchssektor erfolgt anhand landesweiter Prognosen aus den BMWK Langfristszenarien.
Haushalte#
- Jährlicher Strombedarf je Gemeinde in MWh aus DemandRegio, von Landkreis- auf Gemeindeebene disaggregiert anhand von Bevölkerungsprognosen (STALA ST).
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion des Strombedarfs (ohne Wärmegewinnung) aus BMWK Langfristszenarien berechnet. Hierbei wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Strombedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022, die für alle Zielszenarien und Aggregationsebenen verwendet wird, da die Basis SLP-Profile sind und Differenzen zwischen verschiedenen Jahren nur aufgrund der Lage von Wochenenden und Feiertagen bestehen. Diese werden daher vernachlässigt.
GHD#
- Jährlicher Strombedarf je Gemeinde in MWh aus DemandRegio, von Landkreis- auf Gemeindeebene disaggregiert anhand von sozialversicherungspflichtig Beschäftigten im Jahr 2022 (BA für Arbeit).
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion des Strombedarfs (ohne Wärmegewinnung) aus BMWK Langfristszenarien berechnet. Hierbei wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Strombedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022, die für alle Zielszenarien und Aggregationsebenen verwendet wird. Basis bilden sowohl SLP- als auch branchenspezifische Profile. Aufgrund der geringen Differenzen zwischen den Landkreisen werden diese gemittelt. Differenzen zwischen verschiedenen Jahren bestehen nur aufgrund der Lage von Wochenenden und Feiertagen und werden daher vernachlässigt.
Industrie#
- Jährlicher Strombedarf je Gemeinde in MWh. Hierfür stehen 2 Datensätze zur
Verfügung - welcher verwendet wird, kann in der Konfiguration
via
ind_electricity_demand_source
eingestellt werden:- DemandRegio: Werte für alle Landkreise in Deutschland.
- STALA ST (Standard): Genauere Werte, jedoch nur für Sachsen-Anhalt verfügbar.
- Die Desaggregation von Landkreis- auf Gemeindeebene erfolgt anhand der Beschäftigten im verarbeitenden Gewerbe im Jahr 2022 (Regionalstatistik).
- Prognosewerte für 2045 werden durch lineare Skalierung mittels Reduktion des industriellen Gesamtenergiebedarfs aus BMWK Langfristszenarien berechnet. Im Unterschied zu Haushalten und GHD liegen die Daten für den Wärme- und Stromanteil nicht getrennt vor, sodass auf den Gesamtenergiebedarf zurückgegriffen wird. Es wird das Szenario "TN-Strom" als Grundlage für den Status quo verwendet und Werte für 2022 interpoliert. Die Zielwerte werden dem Szenario "T45-Strom" entnommen.
- Gemittelte, normierte Strombedarfszeitreihe (auf 1 MWh) aus DemandRegio-Daten von 2022, die für alle Zielszenarien und Aggregationsebenen verwendet wird. Basis bilden sowohl SLP- als auch branchenspezifische Profile. Aufgrund der geringen Differenzen zwischen den Landkreisen werden diese gemittelt. Differenzen zwischen verschiedenen Jahren bestehen nur aufgrund der Lage von Wochenenden und Feiertagen und werden daher vernachlässigt.
Dataset: datasets/demand_electricity_region
Captions#
Beschriftungen für WebApp.
Dateien:
- Felder:
captions_fields.json
Dataset: datasets/app_captions
Photovoltaik-Freiflächenanlagen#
Photovoltaik-Freiflächenanlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_pv_ground_stats_muns.csv
.
Datenkorrektur#
Einige Anlagen sind hinsichtlich Ihrer geografischen Lage oder Typs fehlerhaft. Anhand des Datensatzes bnetza_mastr_correction_region wird für diese Anlagen eine Datenkorrektur vorgenommen.
Dataset: datasets/bnetza_mastr_pv_ground_region
Dachflächenpotenzial PV-Aufdachanlagen in ABW#
Abschätzung der installierten Leistung und des Ertrags von PV-Aufdachanlagen in Anhalt-Bitterfeld-Wittenberg der Regionalen Planungsgemeinschaft aus Datensatz rpg_abw_pv_roof_potential.
Die Gebäudezentroide werden mit den Gemeindegrenzen verschnitten und den Gemeinden zugeordnet. Ergebnisdaten:
- Alle Gebäude:
potentialarea_pv_roof_area_stats_muns.csv
- Alle nicht denkmalgeschützten Gebäude:
potentialarea_pv_roof_wo_historic_area_stats_muns.csv
Des Weiteren wird je Gemeinde der relative Anteil der bereits installierten Anlagenleistung an der theoretisch installierbaren Leistung (bei 100% Dachnutzung) berechnet. Ergebnisdaten:
- Alle Gebäude:
potentialarea_pv_roof_deployment_stats_muns.csv
- Alle nicht denkmalgeschützten Gebäude:
potentialarea_pv_roof_wo_historic_deployment_stats_muns.csv
Die Gemeinden werden über den Schlüssel municipality_id
(vgl.
bkg_vg250_muns_region)
identifiziert.
Ausbauziele#
Es werden PV-Ausbauziele für die Region berechnet, indem die Bundesziele aus den BMWK Langfristszenarien i.H.v. 428 GW (§4 EEG 2023: 400 GW) anhand der Gebäudegrundflächen disaggregiert werden. Hierzu wird der Anteil der Gebäudegrundflächen in der Region an der bundesweiten Gebäudegrundflächen berechnet (s. Datensatz osm_buildings) und die Ziele linear skaliert. Da in den o.g. Ausbauzielen nicht zwischen Freiflächen- und Aufdach-PV unterschieden wird, wird ein Verhältnis von 50:50 angenommen, d.h. bundesweit 214 GW auf Aufdach-PV entfallen.
Der Anteil beträgt 0,62 % und das Leistungsziel damit 1327 MW, s.
potentialarea_pv_roof_regionalized_targets.json
.
Dataset: datasets/potentialarea_pv_roof_region
Speicheranlagen#
Speicheranlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Es wird weiterhin geprüft, ob dem Speicher eine oder mehrere PV-Aufdachanlagen zugeordnet sind, es wird die Anzahl und Summe der Nettonennleistung berechnet.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Weiterhin erfolgt eine Auswertung der installierten Gesamtleistung je Gemeinde:
- Alle Speicher:
bnetza_mastr_storage_stats_muns.csv
- Großspeicher (>=100 kWh):
bnetza_mastr_storage_large_stats_muns.csv
- Kleinspeicher (<100 kWh):
bnetza_mastr_storage_small_stats_muns.csv
bnetza_mastr_storage_pv_roof.json
enthält die spezifische Speicherkapazität
sowie spezifische Nennleistung der Speicher (bezogen auf die installierte
Leistung von PV-Aufdachanlagen), aggregiert für gesamte Region, für folgende
Randbedingungen:
- Alle PV-Anlagen:
all_storages
- PV-Anlagen mit 2..20 kWp sowie Batteriespeicher <20 kWh und <20 kW (kann in
config.yml unter
home_storages
konfiguriert werden):home_storages
Dataset: datasets/bnetza_mastr_storage_region
Potenzialgebiete PV-Freiflächen#
Potenzialflächen#
Potenzialgebiete für die Errichtung von PV-Freiflächenanlagen aus dem PV- und Windflächenrechner (s. Datensatz rli_pv_wfr).
Die Potenzialflächen bilden jene Flächen ab, die für die Nutzung durch Freiflächen-Photovoltaikanlagen grundsätzlich zur Verfügung stehen. Sie orientieren sich an der aktuellen Förderkulisse und wurden anhand des Flächenumfangs sowie den verfügbaren Geodaten ausgewählt: Von den in §37 EEG 2021 definierten Flächen werden Flächen nach §37 Absatz 1 Nummer 2 Buchstaben c, h und i berücksichtigt (für Details zur Methodik siehe methodisches Begleitdokument zum PV- und Windflächenrechner).
Dateien:
- Freiflächen-PV auf Acker- und Grünlandflächen mit geringer Bodengüte (Soil
Quality Rating (SQR) < 40):
potentialarea_pv_agriculture_lfa-off_region.gpkg
- Potenzialflächen für Freiflächen-PV entlang von Bundesautobahnen und
Schienenwegen (500m-Streifen):
potentialarea_pv_road_railway_region.gpkg
Statistische Auswertung#
Die Flächen werden mit den Gemeindegrenzen verschnitten und den Gemeinden
zugeordnet. Je Gemeinde und obigem Flächentyp/Datei wird eine Flächensumme (in
km²) berechnet, siehe potentialarea_pv_ground_area_stats_muns.csv
. Die
Gemeinden werden über den Schlüssel municipality_id
(vgl.
bkg_vg250_muns_region)
identifiziert.
Des Weiteren werden die Flächenanteile der verfügbaren Potenzialgebiete - deren
Nutzung nur eingeschränkt möglich ist (z.B. durch Naturschutzgebieten etc.) -
gegenüber den gesamten Potenzialgebiete (für die Parametrierung der Regler) nach
potentialarea_pv_ground_area_shares.json
exportiert.
Ausbauziele#
Es werden PV-Ausbauziele für die Region berechnet, indem die Bundesziele aus den BMWK Langfristszenarien i.H.v. 428 GW (§4 EEG 2023: 400 GW) anhand der regional verfügbaren Potenzialflächen disaggregiert werden. Hierzu wird der Anteil der Flächensumme der beiden o.g. Flächentypen an den bundesweit verfügbaren Flächen (Datensatz rli_pv_wfr) berechnet. Da in den o.g. Ausbauzielen nicht zwischen Freiflächen- und Aufdach-PV unterschieden wird, wird ein Verhältnis von 50:50 angenommen, d.h. bundesweit 214 GW auf Freiflächen-PV entfallen.
Es ergeben sich folgende Flächen- und Leistungsanteile:
Gesamt: 0.38 % (819 MW)
- Entlang von BAB und Schienenwegen: 0.13 % (278 MW)
- Acker- und Grünlandflächen mit geringer Bodengüte: 0.25 % (541 MW)
Ergebnisse in potentialarea_pv_ground_regionalized_targets.json
Dataset: datasets/potentialarea_pv_ground_region
Photovoltaik-Aufdachanlagen#
Photovoltaik-Aufdachanlagen in der Region aus MaStR-Registerdaten als Geopackage. Es werden alle Anlagen berücksichtigt, die in Betrieb sind oder sich in Planung befinden. Anlagen mit Geokoordinaten werden georeferenziert übernommen, für Anlagen die keine Koordinaten aufweisen (üblicherweise <=30 kW Nennleistung) erfolgt ein Geocoding anhand von PLZ und Ort, um eine ungefähre Position bereit zu stellen.
Neben einem anlagenscharfen Datensatz wird ein weiterer Datensatz erzeugt, der alle Anlagen mit approximierter Position je Position zusammenfasst und jeweils typische Kennwerte enthält (u.a. Anzahl Anlagen, Gesamtleistung).
Jede Anlage wird anhand ihrer Lokation einer Gemeinde (Attribut
municipality_id
, vgl.
bkg_vg250_muns_region) und
einem Landkreis (Attribut district_id
, vgl.
bkg_vg250_muns_region)
zugeordnet.
Zusätzlich erfolgt eine statistische Auswertung der installierten Leistung in
bnetza_mastr_pv_roof_stats_muns.csv
.
Datenkorrektur#
Einige Anlagen sind hinsichtlich Ihrer geografischen Lage oder Typs fehlerhaft. Anhand des Datensatzes bnetza_mastr_correction_region wird für diese Anlagen eine Datenkorrektur vorgenommen.
Dataset: datasets/bnetza_mastr_pv_roof_region
Bezeichner und Namen aus MaStR#
Bezeichner und Namen aus MaStR als Mapping
Dataset: datasets/bnetza_mastr_captions