Unsicherheiten in Energieszenarien

Transkript

1 Unsicherheiten in Energieszenarien All Models are wrong, but some are useful George Box, 1987 Dipl. Wirtsch.- Ing. Lars Dittmar Fachgebiet Energiesysteme TU Berlin Tel: 030 / lars.dittmar@tu-berlin.de Lars Dittmar - 1 -

2 Heute Nachmittag Unsicherheiten in (Energie-) Modellen Typen von Energiemodellen in der Szenarioanalyse Beispiele für Unsicherheiten Umgang mit Unsicherheiten Schlussfolgerungen für Studienkonsumenten Schlussfolgerungen für Auftraggeber von Studien Lars Dittmar - 2 -

3 Unsicherheiten in (Energie-) Modellen Epistemologische Unsicherheiten: Unsicherheit über die Modellvollständigkeit: - Unvollständiges Systemverständnis - Wir wissen nicht, was wir nicht wissen. Methodische Unsicherheiten: Unsicherheiten über die Form des Modells: - Modellstruktur - Funktionale Zusammenhänge - Denkschulen bzw. Methodenstreitigkeiten Technische Unsicherheiten: Qualität der Eingangsdaten (Messfehler, Aggregationsfehler etc.) Das Garbage in, Garbage out -Phänomen Quelle: Basierend auf Funtowicz u. Ravetz (1989): Uncertainty and Quality in Science for Policy Lars Dittmar - 3 -

4 Typen von Energiemodellen Top-down Modelle Volkswirtschaft Volkswirtschaft AGE Hybrid Endogenisierungsgrad Endogenisierungsgrad Sektorale Sektorale Details Details Bottom Bottom-up Modelle Technologische Technologische Details Details Simulation Accounting Makroökonometrische Modelle Input / Output Energiesystemmodelle (Optimierung) Lars Dittmar - 4 -

5 Wesentliche Merkmale von Bottom-up Modellen Ingenieursansatz Prozess- bzw. technologieorientierte Modellierung Produktions- und Investitionsentscheidung werden: (1) exogen durch den Modellierer eingespeist Accounting Frameworks ( Energiesystemischer Taschenrechner ) (2) im Rahmen einer systemübergreifenden Optimierung ermittelt (z.b. Minimierung der Gesamtsystemkosten) Energiesystemmodelle ( Was ist optimal? ) oder (3) durch simulationsmethodische Ansätze modellendogen ermittelt. Simulationsmodelle ( Was ist am wahrscheinlichsten? ) Lars Dittmar - 5 -

6 Wesentliche Merkmale von Top-down Modellen Ökonomischer Ansatz Gesamtwirtschaftliche Perspektive Technologien werden aggregiert in Form neoklassischer Produktionsfunktionen simuliert: faktorpreisabhängige Substitutionsbeziehungen zwischen den Produktionsfaktoren Produktion = f(arbeit, Kapital, Energie, Sonstige) Abbildungen von Verflechtungen und Rückkopplung des Energiesektors mit der Gesamtwirtschaft In Allgemeinen Gleichgewichtsmodellen ergeben sich Preis / Mengenlösungen unter Annahme eines perfekten Marktes Lars Dittmar - 6 -

7 Methodische Unsicherheiten: Die Energieeffizienzlücke Epistemologische Unsicherheiten Methodische Unsicherheiten Technische Unsicherheiten Lars Dittmar - 7 -

8 Methodische Unsicherheiten: Die Energieeffizienzlücke I Bottom-up Ansätze ermitteln Energieeffizienzpotentiale zu negativen Kosten ( No Regret ) In Top-down Ansätzen hingegen, sind jegliche Energieeffizienzmaßnahmen mit positiven Kosten verbunden Energieeffizienzlücke Die Energieeffizienzlücke hängt von Annahmen über die Ausgangssituation ab: Ineffizient versus Effizient (im ökonomischen Sinne) Lars Dittmar - 8 -

9 Methodische Unsicherheiten: Die Energieeffizienzlücke II Vermeidungskosten [ /t CO 2 ] Top down No Regret 0 Bottom up kumulierte Reduktion [t CO2] Lars Dittmar - 9 -

10 Neu..??????? Quelle: Ecofys 2001 Quelle: LBL 1982 Quelle: Grubb 1992 Quelle: Vattenfall 2007 Lars Dittmar

11 Gesamtwirtschaftliche Transformationskurve ( Produktionsmöglichkeitenkurve ) BIP Auf der Transformationskurve kann die Produktion eines Gutes nicht ausgeweitet werden, ohne dass die Produktion des anderen Gutes eingeschränkt wird. Zwei Güter: Öffentliches Gut Umweltqualität (Emissionsreduktion) Alle anderen Güter repräsentiert durch das BIP Quelle: Basierend auf IPCC 2001 Emissionsreduktion Lars Dittmar

12 Transformationskurve I: Energieeffizienzlücke BIP A (perfekter Markt: Top-down) [ /t CO 2 ] B (Ausgangslage: Bottom-up) 0 Reduktion [t CO 2 ] Emissionsreduktion Lars Dittmar

13 Transformationskurve II: Energieeffizienzlücke BIP + BIP - Umweltqualität A (perfekter Markt: Top-down) a) b) - BIP + Umweltqualität c) B (Ausgangslage: Bottom-up) a): Emissionsneutrales BIP Wachstum B): Emissionsreduktion und BIP Wachstum c): BIP neutrale Emissionsreduktion Emissionsreduktion Lars Dittmar

14 Technische Unsicherheiten: Beispiel Lernkurven Epistemologische Unsicherheiten Methodische Unsicherheiten Technische Unsicherheiten Lars Dittmar

15 Lernkurven und Erfahrungskurven Quelle: Grübler et al 1999 Lars Dittmar

16 Lernkurve: Mathematische Formulierung Lernkurve: SC( C) = I ( C) b 0 SC : Spez. Kosten [z.b. /kw o. /kwh ] C : Kumulierte Kapazität [kw] b : Lernindex [-] I : Spez. Kosten der ersten Einheit [z.b. /kw o. /kwh] 0 Progress ratio (pr): Kostenentwicklung bei Verdopplung der kumulierten Kapazität als Prozentsatz der Ausgangskosten Lernrate (lr): pr = 2 b lr = 1 pr = 1 2 b Lars Dittmar

17 Lernraten von verschiedenen Energietechnologien 25 Lernraten von Energietechnologien (n=43) 20 Häufigkeit (%) Lernrate (%) Quelle: Daten aus McDonald und Schrattenholzer 2001 Lars Dittmar

18 Lernraten verschiedener Energietechnologien Estimated Häufigkeit (%) learning rate (%) Biomass CHP Coal Crude oil DC converters Electric power production Ethanol Gas pipelines, offshore Gas pipelines, onshore GTCC GT Hydro Lignite Nuclear Oil extraction Solar PV Retail Gas SP Coal Wind Waste Lernraten Windenergie (n= 30) 15 Lernrate (%) T h l Quelle: Daten aus Kahouli-Brahmi Lars Dittmar

19 Maturation Costs Lernraten 20% 15% Zielkosten Preis [ /kw] 1000 Kosten bis zur Marktreife Break even point(s) Kumulierte Kapazität [MW] Lars Dittmar

20 Benötigte installierte Kapazität bis zur Marktreife Kosten der ersten Einheit /kw Zielkosten /kw Kumulierte installierte Leistung bis zur Marktreife [GW] lr =20,0% lr =17,5% lr =15,0% lr =12,5% lr =10,0% lr =7,5% Lernraten Lars Dittmar

21 Mittelwerte??? Wie sollte ein Modellierer mit diesen Unsicherheiten umgehen? Best case, average case, worst case?? Lars Dittmar

22 Umgang mit Unsicherheiten: Szenarien als Punktschätzung S1, S2 und S3 Szenarien als Lösungsräume Si=1 Quelle: Morgan 2006 Lars Dittmar

23 Schlussfolgerung für Studienleser Alle Szenariostudien sind sowohl technischen als auch methodischen Unsicherheiten unterworfen Unterschiedliche Modellansätze können zu unterschiedlichsten Ergebnissen führen z.b. Energieeffizienzlücke Unsicherheits- und Sensitivitätsanalysen sind nicht Usus Unsicherheiten / Sensitivitäten werden in den Modellergebnissen nicht kommuniziert Leser von Studien sollten sich dessen bewusst sein und die Robustheit der Ergebnisse hinterfragen Lars Dittmar

24 Schlussfolgerung für Auftraggeber Unsicherheits- und Sensitivitätsanalysen sollten bei Vergabe von Studien explizit gefordert (& einkalkuliert) werden: Monte Carlo Analyse, Statistische Versuchplanung, Morris Methode etc. Die heutige Rechnerleistung sowie moderne Methoden erlauben solche Analysen auch für komplexe und rechenintensive Modelle Die Ergebnisse dieser Analysen sollten in die Executive Summary Lars Dittmar

25 Danke für die Aufmerksamkeit! Lars Dittmar

26 Beispiel eines Energiesystemmodells Energy prices, Resource availability Cost and Emissions Balance Domestic sources Imports Primary energy Coal processing Refineries Power plants and Transportation CHP plants and district heat networks Gas network Capacities Prices Final energy Energy flows Industry Commercial and tertiary sector Households Transportation Costs Emissions GDP Process energy Heating area Light Communication Power Person kilometers Freight kilometers Demands Demand services Quelle: Remme et al Lars Dittmar

27 Produktionsfunktionen Isoquants (constant output curves) Capital & other Elasticity of substitution = 0 Elasticity of substitution = 1 Elasticity of substitution = Energy Lars Dittmar