Skip to content

EE-Einspeisezeitreihen#

Einspeisezeitreihen für Erneuerbare Energien, normiert auf 1 MW bzw. 1 p.u. Als Wetterjahr wird 2011 verwendet, siehe Szenarien.

Windenergie#

Stündlich aufgelöste Zeitreihe der Windenergie Einspeisung über 1 Jahr auf Basis von MaStR und renewables.ninja. Auf einen Auflösung auf Gemeindeebene wird verzichtet, da die Differenz der Produktion der Gemeinden nach renewables.ninja <5 % beträgt.

Windenergieanlage (2022)#

Für renewables.ninja sind Position (lat, lon), Nennleistung (capacity), Nabenhöhe und Turbinentyp erforderlich.

Position#

Hierfür wird aus den Zentroiden der Gemeinden ein räumlicher Mittelwert anhand des Datensatzes bkg_vg250_muns_region (bkg_vg250_muns_region.gpkg) gebildet:

import geopandas as gpd
import os.path

def get_position(gdf):
    df = gpd.read_file(gdf)
    points_of_muns = df["geometry"].centroid
    points_of_muns_crs = points_of_muns.to_crs(4326)
    point_df = [
        points_of_muns_crs.y.sum()/len(points_of_muns),
        points_of_muns_crs.x.sum()/len(points_of_muns)
    ]
    return point_df

data_folder = os.path.join("your_data_folder")
muns_gpkg = os.path.join(data_folder, "bkg_vg250_muns_region.gpkg")
center_position = get_position(muns_gpkg)

Nennleistung#

Wird auf 1 MW gesetzt/normiert.

Nabenhöhe#

Aus dem Datensatz bnetza_mastr_wind_region (bnetza_mastr_wind_agg_abw.gpkg) wird ein Mittelwer von 100 m abgeleitet.

import geopandas as gpd

df = gpd.read_file("bnetza_mastr_wind_agg_abw.gpkg")
height = df[["hub_height"]].mean()

Turbinentyp#

Annahme: Innerhalb eines Herstellers sind Leistungskurven sehr ähnlich. Daher werden zwei größten Hersteller mit jeweiligen häufigsten Turbinentyp ausgewählt - diese sind Enercon und Vestas mit ca. 70 % und ca. 30%.

import geopandas as gpd

df = gpd.read_file("bnetza_mastr_wind_agg_abw.gpkg")
manufacturers = df[
    ["manufacturer_name", "status"]
].groupby("manufacturer_name").count().sort_values(
    by="status", ascending=False
)

Häufigste Turbinentypen sind Enercon E-70 und Vestas V80. Daher werden Enercon E70 2000 und Vestas V80 2000 in renewables.ninja ausgewählt.

man_1 = manufacturers.index[0]
man_2 = manufacturers.index[1]

type_1 = df[
    ["manufacturer_name", "type_name", "status"]
].where(df["manufacturer_name"] == man_1).groupby(
    "type_name").count().sort_values(by="status", ascending=False)

type_2 = df[
    ["manufacturer_name", "type_name", "status"]
].where(df["manufacturer_name"] == man_2).groupby(
    "type_name").count().sort_values(by="status", ascending=False)

Raw Data von renewables.ninja API#

Es werden zwei Zeitreihen für oben beschriebenen Vergleichsanlagen berechnet:

import json
import requests
import pandas as pd
import geopandas as gpd

def change_wpt(position, capacity, height, turbine):
    args = {
        'lat': 51.8000,  # 51.5000-52.0000
        'lon': 12.2000,  # 11.8000-13.1500
        'date_from': '2011-01-01',
        'date_to': '2011-12-31',
        'capacity': 1000.0,
        'height': 100,
        'turbine': 'Vestas V164 7000',
        'format': 'json',
        'local_time': 'true',
        'raw': 'false',
    }

    args['capacity'] = capacity
    args['height'] = height
    args['lat'] = position[0]
    args['lon'] = position[1]
    args['turbine'] = turbine

    return args

def get_df(args):
    token = 'Please get your own'
    api_base = 'https://www.renewables.ninja/api/'

    s = requests.session()
    # Send token header with each request
    s.headers = {'Authorization': 'Token ' + token}

    url = api_base + 'data/wind'

    r = s.get(url, params=args)

    parsed_response = json.loads(r.text)
    df = pd.read_json(
    json.dumps(parsed_response['data']),orient='index')
    metadata = parsed_response['metadata']
    return df

enercon_production = get_df(change_wpt(
    position,
    capacity=1,
    height=df[["hub_height"]].mean(),
    turbine=enercon)
)

vestas_production = get_df(change_wpt(
    position,
    capacity=1000,
    height=df[["hub_height"]].mean(),
    turbine=vestas)
)

Gewichtung und Skalierung der Zeitreihen#

Um die Charakteristika der beiden o.g. Anlagentypen zu berücksichtigen, erfolgt eine gewichtete Summierung der Zeitreihen anhand der berechneten Häufigkeit.

Zukunftsszenarien#

Analog zu dem oben beschriebenen Vorgehen wird eine separate Zeitreihe für zukünftige WEA berechnet. Hierbei wird eine Enercon E126 6500 mit einer Nabenhöhe von 159 m angenommen (PV- und Windflächenrechner).

Da die Zeitreihe sich nur marginal von der obigen Status-quo-Zeitreihe unterscheidet, wird letztere sowohl für den Status quo als auch die Zukunftsszenarien verwendet.

  • Einspeisezeitreihe: wind_feedin_timeseries.csv

Freiflächen-Photovoltaik#

PV-Anlage (2022)#

Stündlich aufgelöste Zeitreihe der Photovoltaikeinspeisung über 1 Jahr auf Basis von MaStR und renewables.ninja. Wie bei der Windeinspeisung wird auf eine Auflsöung auf Gemeindeebene aufgrund geringer regionaler Abweichungen verzichtet.

Für die Generierung der Zeitreihe über renewables.ninja wird eine Position(lat, lon), Nennleistung (capacity), Verluste (system_loss) Nachführung (tracking), Neigung (tilt) und der Azimutwinkel (azim) benötigt.

Als Position wird analog zur Windenergieanlage der räumlicher Mittelwert verwendet. Laut MaStR werden lediglich 13 Anlagen nachgeführt (0,01 % der Kapazität), die Nachführung wird daher vernachlässigt. Die Neigung ist aus MaStR nicht bekannt, es dominieren jedoch Anlagen auf Freiflächen sowie Flachdächern im landwirtschaftlichen Kontext. Nach Ariadne Szenarienreport wird diese mit 30° angenommen. Die Nennleistung Wird auf 1 MW gesetzt/normiert.

Zukunftsszenarien#

Die Status-quo-Zeitreihe wird sowohl für den Status quo als auch die Zukunftsszenarien verwendet.

  • Einspeisezeitreihe: pv_feedin_timeseries.csv

Solarthermie#

  • Einspeisezeitreihe: st_feedin_timeseries.csv (Kopie von PV-Einspeisezeitreihe)

Laufwasserkraft#

Hier wird eine konstante Einspeisung angenommen.

  • Einspeisezeitreihe: ror_feedin_timeseries.csv