Skip to content

'Datasets' Datasets#

Region#

Region aus Geodaten der Landkreise zusammengeführt.

Dataset: datasets/bkg_vg250_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

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

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 (Standard): Werte für alle Landkreise in Deutschland.
    • STALA ST: Aktuellere Werte, jedoch nur für Sachsen-Anhalt verfügbar.
    • Regiostat (derzeit noch nicht implementiert): Aktuellere Werte für Landkreise in Deutschland, jedoch für einige LK nicht 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

Bevölkerungsentwicklung#

EinwohnerInnen je Gemeinde: Historische Daten und Prognosen

Historische Daten bis 2023#

Statistisches Bundesamt (Raw dataset: destatis_gv)

Bevölkerungsprognose#

Das neueste Jahr der historischen Daten wird als Basis für die lineare Skalierung anhand der Prognosedaten herangezogen. Zieljahre bis 2070 können in der config.yml eingestellt werden.

Statistisches Bundesamt (Raw dataset: destatis_pop_prog)

Dataset: datasets/population_region

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

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

Potenzialgebiete PV-Freiflächen (Region)#

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

Verwandte Datensätze#

Dataset: datasets/potentialarea_pv_ground_region

Staat#

Staatsgrenze aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").

Dataset: datasets/bkg_vg250_state

Regionalplan Oderland-Spree#

Vorverarbeitete Datensätze aus Teilplänen Wind der Regionalen Planungsgemeinschaft Oderland-Spree aus rpg_ols_regional_plan.

Zusätzlich wird ein kombinierter Layer der Negativkriterien für Freiflächen-PV erstellt. Folgende Datensätze werden hierfür verwendet:

Zugunsten der Darstellungsgeschwindigkeit werden hierbei Flächen < 1000 m² vernachlässigt und Geometrien vereinfacht (Lagegenauigkeit 10 m).

Dataset: datasets/rpg_ols_regional_plan

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

Technologiedaten#

Allgemeine Technologiedaten.

Raw dataset: technology_data

Dataset: datasets/technology_data

Bezeichner und Namen aus MaStR#

Bezeichner und Namen aus MaStR als Mapping -> wobei CamelCase aus in Leerzeichen konvertiert werden.

Dataset: datasets/bnetza_mastr_captions

Landkreise#

Landkreise der Region aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").

Dataset: datasets/bkg_vg250_districts_region

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

Bundesländer#

Bundesländergrenzen aus Geodaten der Verwaltungsgebiete extrahiert und nach Landmasse gefiltert (Geofaktor 4 = "mit Struktur Land").

Dataset: datasets/bkg_vg250_federal_states

Regionale Analyse von Freiflächen-PV-Potenzialen#

Die Agri-PV-Potenzialflächen für Deutschland aus Datensatz potentialarea_pv_ground werden hier regionalisiert:

  • Zuschnitt der Rasterdaten auf die Region
  • Vektorisierung der Einzelflächen aller 3 Nutzungskategorien
  • Entfernung von Gebieten unterhalb einer Mindestflächengröße, einstellbar in config.yml -> area_threshold
  • Entfernung von Gebieten unterhalb eines Rasterwertes, einstellbar in config.yml -> raster_value_threshold
  • Bildung eines Mittelwerts (nutzbare Fläche) je Polygon
  • Zuweisung der Gemeinde-ID (municipality_id, vgl. bkg_vg250_muns_region)

Ergebnisse#

Geodaten#

Die Ergebnisse bieten Einblicke in das regionale PV-Potenzial und umfassen:

  • GeoPackages: Vektorisierte Darstellung der Agri-PV-Potenzialflächen, differenziert nach Bodenqualität und Kulturtyp:
    • potentialarea_pv_ground_soil_quality_low_region.gpkg (A)
    • potentialarea_pv_ground_soil_quality_medium_region.gpkg (B)
    • potentialarea_pv_ground_permanent_crops_region.gpkg (C)

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 und in potentialarea_pv_ground_area_stats_muns.csv geschrieben. Die Gemeinden werden über den Schlüssel municipality_id (vgl. bkg_vg250_muns_region) identifiziert.

Des Weiteren werden die Flächenanteile (in %) gegenüber der gesamten Regionsfläche (für die Parametrierung der Regler) berechnet und nach potentialarea_pv_ground_area_shares.json exportiert.

Regionalisierte Ausbauziele#

Es werden anhand überregionaler Ziele und Szenarien PV-Ausbauziele für die Region berechnet:

File: potentialarea_pv_ground_regionalized_targets.json

  • Leistungsziele: target_power_* (Einheit: MW)
  • Flächenziele: target_area_* (Einheit: km²)

Da in den Ausbauzielen nicht zwischen Freiflächen- und Aufdach-PV unterschieden wird, wird folgende Aufteilung angenommen, änderbar in config.yml, basierend auf dem Projektionsbericht 2024:

TODO: Update ÖI Link Projektionsbericht 2024

  • Aufdach-PV: 52 %
  • Freiflächen-PV (niedrig aufgeständert): 44 %, vgl. potentialarea_pv_roof_region2
  • Agri-PV (hoch aufgeständert und vertikal bifazial): 4 % Die Aufteilung zwischen hoch aufgeständert und vertikal bifazial erfolgt flächengewichtet, d.h. ein Flächenverhältnis von 1:9 führt zu 9-facher Nutzung von Flächen, auf denen vertikale Anlagen angenommen werden. Durch die spezifische Leistungsdichte (Werte s. technology_data) können sich andere Leistungspotenzial-Verhältnisse ergeben.

Aus BMWK Langfristszenarien#

Bundesziele aus den BMWK Langfristszenarien i.H.v. 428 GW (§4 EEG 2023: 400 GW) werden anhand der regional verfügbaren Potenzialflächen disaggregiert. Hierzu wird der Anteil der Flächensumme der drei o.g. Flächentypen an den bundesweit verfügbaren Flächen (Datensatz oei_agri_pv) berechnet und die Ziele linear skaliert.

Key: bmwk_de

Aus Energiestrategie Brandenburg 2040#

Die Brandenburger Ziele für 2030 und 2040 (vgl. Datensatz mwae_bb_energy_strategy_region) werden anhand der Regionsfläche (15,48 %) linear skaliert.

Key: mwae_bb

Verwandte Datensätze#

Dataset: datasets/potentialarea_pv_ground_region2

Dachflächenpotenzial PV-Aufdachanlagen in der Region#

Berechnung der installierten Leistung und des Ertrags von PV-Aufdachanlagen in der Region aus Datensatz wfbb_pv_roof_potential.

Es werden nur Dächer verwendet, deren Eignung über 60 % beträgt, d.h. geeignet oder gut geeignet sind (Klassifikation s. wfbb_pv_roof_potential). Der Grenzwert roof_suitability_threshold ist in config.yml änderbar.

Ergebnisse#

Geodaten#

  • potentialarea_pv_roof_region.gpkg

Statistische Auswertung#

Die Gebäudezentroide werden mit den Gemeindegrenzen verschnitten und den Gemeinden zugeordnet. Je Gemeinde und obigem Flächentyp/Datei wird eine Flächensumme (in km²) berechnet und in potentialarea_pv_roof_area_stats_muns.csv geschrieben.

Des Weiteren wird je Gemeinde der relative Anteil der bereits installierten Anlagenleistung an der theoretisch installierbaren Leistung (bei 100% Dachnutzung) berechnet. Ergebnisdaten: potentialarea_pv_roof_deployment_stats_muns.csv

Die Gemeinden werden über den Schlüssel municipality_id (vgl. bkg_vg250_muns_region) identifiziert.

Regionalisierte Ausbauziele#

Es werden anhand überregionaler Ziele und Szenarien PV-Ausbauziele für die Region berechnet:

File: potentialarea_pv_roof_regionalized_targets.json

Da in den Ausbauzielen nicht zwischen Freiflächen- und Aufdach-PV unterschieden wird, wird folgende Aufteilung angenommen (Parameterpv_roof_share in config.yml), basierend auf dem Projektionsbericht 2024:

TODO: Update ÖI Link Projektionsbericht 2024

  • Aufdach-PV: 52 %
  • Freiflächen-PV (niedrig aufgeständert): 44 %, vgl. potentialarea_pv_ground_region2
  • Agri-PV (hoch aufgeständert und vertikal bifazial): 4 %

Aus BMWK Langfristszenarien#

Bundesziele aus den BMWK Langfristszenarien i.H.v. 428 GW (§4 EEG 2023: 400 GW) werden anhand der Gebäudegrundflächen disaggregiert. Hierzu wird der Anteil der Gebäudegrundflächen in der Region an der bundesweiten Gebäudegrundflächen berechnet (s. Datensatz osm_buildings) und die Ziele linear skaliert.

Key: bmwk_de

Aus Energiestrategie Brandenburg 2040#

Die Brandenburger Ziele für 2030 und 2040 (vgl. Datensatz mwae_bb_energy_strategy_region) werden anhand der Regionsfläche (15,48 %) linear skaliert.

Key: mwae_bb

Dataset: datasets/potentialarea_pv_roof_region2

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:

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

Energiestrategie Brandenburg 2040 regionalisiert#

Ziele aus der Energiestrategie Brandenburg 2040 des Ministeriums für Wirtschaft, Arbeit und Energie. Es erfolgt eine lineare Skalierung der Ziele anhand der Fläche.

Dateien:

  • Ziele aus der Energiestrategie: mwae_bb_energy_strategy.json
  • Ziele aus der Energiestrategie, desaggregiert auf die Region: mwae_bb_energy_strategy_region.json

Raw dataset: mwae_bb_energy_strategy

Dataset: datasets/mwae_bb_energy_strategy_region

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

Potenzialgebiete PV-Freiflächen (Deutschland gesamt)#

Diese Analyse widmet sich der Identifizierung von Photovoltaik-Potenzialen auf Agrarflächen, basierend auf einer Auswertung rasterbasierter Landnutzungsdaten. Im Fokus stehen dabei die Bodenqualität und die Eignung landwirtschaftlicher Dauerkulturen für die Integration von Agri-PV-Systemen.

Datengrundlage und Methodik#

Datengrundlage:

  • SQR-Daten (Soil Quality Rating), Datensatz bgr_sqr.
  • (I) SQR Originaldaten
  • Potenzialflächen Agri-PV, Datensatz oei_agri_pv
  • (II) SQR Gesamtpotenzial (Agri-PV-Potenziale_Gesamt_100x100_EPSG3035)
  • (III) SQR 50-70 (Agri-PV-Potenziale_SQR_50-70_100x100_EPSG3035)
  • Feldblockkataster Brandenburg, Datensatz mluk_bb_field_block_cadastre
  • (IV) Dauerkulturen (DFBK_FB.tif)

(II) und (IV) sowie (III) und (IV) sind nicht disjunkt, für die Erstellung von (A) und (B) erfolgt eine Differenzbildung, s.u.

Es werden folgende Flächen verwendet, auf welchen jeweils eine andere technologische Umsetzung als Grundlage angenommen wird:

  • (A) Auf Acker- und Grünlandflächen mit sehr geringer..geringer Bodengüte (SQR 0..50): Klassische, niedrig aufgeständerte FF-PV.
  • (B) Auf Acker- und Grünlandflächen mit geringer..mittlerer Bodengüte (SQR 50..70): Agri-PV - bifaziale, vertikal aufgeständerte PV
  • (C) Dauerkulturen: Agri-PV - hoch aufgeständerte PV-Systeme

Berechnung/Verschneidung

  • (A) = (II)-((I) mit Wert>50)-((IV) mit Wert>0)
  • (B) = (III)-((IV) mit Wert>0)
  • (C) = (IV)

Ergebnisdaten#

  • (A): potentialarea_pv_ground_soil_quality_low.tif
  • (B): potentialarea_pv_ground_soil_quality_medium.tif
  • (C): potentialarea_pv_ground_permanent_crops.tif

Dataset: datasets/potentialarea_pv_ground

Dachflächenpotenzial PV-Aufdachanlagen in ABW#

Berechnung 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 folgende Aufteilung angenommen (änderbar in config.yml):

  • Aufdach-PV: 52 % (221 GW)
  • Freiflächen-PV (niedrig aufgeständert): 44 % (190 GW), vgl. potentialarea_pv_ground_region2
  • Agri-PV (hoch aufgeständert und vertikal bifazial): 4 % (17 GW)

File: potentialarea_pv_roof_regionalized_targets.json

Dataset: datasets/potentialarea_pv_roof_region

Schutzgebiete#

Schutzgebiete des Bundesamts für Naturschutz, zu LAEA Europe (EPSG:3035) umprojiziert und auf die Regionsgrenzen zugeschnitten.

Raw dataset: bfn_protected_areas

Dataset: datasets/bfn_protected_areas_region

Captions#

Beschriftungen für WebApp.

Dateien:

  • Felder: captions_fields.json

Dataset: datasets/app_captions

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

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

Sozialversicherungspflichtig Beschäftigte und Betriebe#

Gesamtanzahl sozialversicherungspflichtig Beschäftigte und Betriebsstätten je Gemeinde für die Region.

Raw datasets: ba_employment, regiostat

Dataset: datasets/employment_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 Oderland-Spree aus rpg_ols_regional_plan.

Dateien:

  • STP Wind 2018 - Eignungsgebiete: potentialarea_wind_stp_2018_vreg.gpkg
  • STP Wind 2024 - Planabsicht Vorranggebiete: potentialarea_wind_stp_2027_vr.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

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