En4U - Entwicklungspfade eines dezentralen Energiesystems im Zusammenspiel der Entscheidungen privater und kommerzieller Energieakteure unter Unsicherheit

Abstract

Das Projekt EN4U zielt darauf ab, Unsicherheiten im deutschen Energiesystem zu verstehen und zu quantifizieren, indem es verschiedene Modelle miteinander koppelt. Ein stochastisches Optimierungsmodell (ESOM) bestimmt den Kraftwerkspark für ein Szenariojahr, während eine agentenbasierte Simulation (ABMS) den betriebswirtschaftlichen Einsatz und den Strompreis berechnet. So werden Photovoltaik mit Speicher, E-Pkw und Wärmepumpen als optimierte Mikromodelle auf Haushaltsebene durch maschinelles Lernen abstrahiert. So können die Investitionsentscheidungen von Haushalten bis 2045 prognostiziert werden. Es ergeben sich fünf zentrale Ergebnisse:

Maschinelles Lernen: Algorithmen wie LSTM sagen den aggregierten Stromverbrauch von Photovoltaik, Wärmepumpen und E-Fahrzeugen mit einem mittleren Fehler von ca. 680 Euro für ein Jahr relativ genau voraus. Modellkopplung: Die Kombination von ESOM und ABMS (AMIRIS) liefert robuste Ergebnisse trotz hoher Unsicherheiten. In vielen Szenarien zeigt sich eine Reduktion von Öl und ein Anstieg der Wind- (81-87%) und Erdgas-Kapazitäten (15-18%). Die Gesamtkapazität des Energieportfolios liegt im 10. Jahr bei 293-295 GW. Diffusionsmodell: Das Diffusionsmodell prognostiziert die Verbreitung von PVS, EVs und Wärmepumpen bis 2045. Bis 2045 wird eine kumulierte PV-Kapazität von 105,3 GW und eine Speicherkapazität von 70,6 GWh erwartet. Erweiterung von AMIRIS: Externe ML-Modelle können als Agenten in AMIRIS integriert werden, um zusätzlich Flexibilitäten wie Wärmepumpen, E-Autos und PVS abzubilden. Reaktion auf Strompreissignale: Modelle für E-Pkw, Wärmepumpen und PV-Anlagen reagieren auf Strompreissignale. E-Pkw-Lademuster hängen vom Haushaltstyp ab, und Wärmepumpen können unter Real-Time-Pricing (RTP) die Restlast um 3 bis 5 GW bis 2040 reduzieren, mit Einsparungen von 6% bis 27% bei den Stromkosten, die durch Eigenverbrauch von PV weiter erhöht werden.

Datei-Upload durch TIB The EN4U project aims to understand and quantify uncertainties in the German energy system by linking different models. A stochastic optimisation model (ESOM) determines the power plant fleet for a scenario year, while an agent-based simulation (ABMS) calculates the economic input, the electricity price and other variables. This simulation integrates photovoltaics with storage, electric cars and heat pumps as optimised micro-models at household level, whose decisions are abstracted using machine learning. This makes it possible to forecast the investment decisions of households up to 2045. Five central results emerge:

Machine learning: algorithms such as LSTM predict the aggregated electricity consumption of photovoltaics, heat pumps and e-vehicles relatively accurately with a mean error of around 680 euros for one year. Model coupling: The combination of ESOM and ABMS (AMIRIS) delivers robust results despite high uncertainties. Many scenarios show a reduction in oil technology and an increase in wind (81-87%) and natural gas capacities (15-18%). The total capacity of the energy portfolio in the 10th year is 293-295 GW. Diffusion model: The KIT diffusion model forecasts the spread of PVS, EVs and heat pumps by 2050. A cumulative PV capacity of 105.3 GW and a storage capacity of 70.6 GWh are expected by 2045. Expansion of AMIRIS: external ML models can be integrated into AMIRIS as agents in order to map additional flexibilities such as heat pumps, e-cars and PV systems. Reaction to electricity price signals: Models for electric cars, heat pumps and PV systems react to electricity price signals. EV charging patterns depend on household type, and heat pumps can reduce residual load by 3 to 5 GW by 2040 under Real-Time Pricing (RTP), with savings of 6% to 27% in electricity costs, which are further increased by self-consumption of PV.