Saisonale Schwankung bei der Stromerzeugung

By Philipp Leppert in R Analyse

July 16, 2020

In meinem letzten Beitrag hatte ich mich mit der Stromproduktion in Deutschland auseinandergesetzt - insbesondere wie viel Strom jeweils durch konventionelle bzw. alternative Energieträger erzeugt wird. Die Erkenntnisse dort bezogen sich immer auf ein gesamtes Jahr. Ich möchte nun der Frage nachgehen, wie sich die Stromproduktion innerhalb eines Jahres zusammensetzt und wie sich die Schwankung von regenarativen Energieträgern auswirkt.

Datenbeschaffung

Die Bundesnetzagentur bietet via SMARD Strommarktdaten an, die ich für den Zeitraum vom 01.01.2015 bis 31.12.2019 extrahiert habe. In den Daten liegt für jeden Tag eine Angabe zur eingepeisten Energiemenge pro Energieträger im 15 Minuten-Takt vor. Zunächst müssen die Daten wie üblich aufbereitet werden.

Datenaufbereitung

Nachdem die Daten aus der .CSV Datei eingelesen wurden, werden fehlende Angaben, die in dieser Datei durch einen . gekennzeichnet sind, durch eine 0 ersetzt. Die Spalte mit der Datumsangabe wird in ein Date Format konvertiert

library(tidyverse)

# SMARD Daten: Erzeugte Energie
raw_erzeugung <- read_delim("data/smard_stromerzeugung.csv", 
                            delim=";",
                            locale=locale(decimal_mark = ","))

# Cleaning
raw_erzeugung %>%
  # Tibble
  as_tibble() %>%
  # . durch 0 ersetzen (NA)
  replace(is.na(.), 0) %>%
  # Character zu Numeric konvertieren
  mutate_at(vars(-c("Datum","Uhrzeit")), as.numeric) %>%
  # Datum formatieren
  mutate(datum_format = as.Date(Datum, "%d.%m.%Y")) %>%
  select(datum_format, everything(), -Datum) -> mod_erzeugung

Als nächstes werden zwei neue Merkmale erstellt, welche die einzelnen Energieträger in Erneuerbare_Energien bzw. Konventionelle_Energien einteilen. Hätte ich die fehlenden Werte im vorherigen Schritt nicht bereinigt, wäre es hier zu Problemen bei der Summenbildung gekommen. Die Datumsangabe zerlegen ich noch mit der Funktion separate aus dem R-Paket dplyr in die Merkmale Tag, Monat und Jahr.

mod_erzeugung %>%
  # Summen-Kategorien bilden
  mutate(`Erneuerbare_Energien` = `Biomasse` + 
                                  `Wasserkraft` + 
                                  `Wind Offshore` + `Wind Onshore` + 
                                  `Photovoltaik` + 
                                  `Sonstige Erneuerbare`,
         `Konventionelle_Energien` = `Kernenergie` + 
                                     `Braunkohle` + `Steinkohle` + 
                                     `Erdgas`+ `Pumpspeicher` + 
                                     `Sonstige Konventionelle`) %>%
  # Datum trennen
  separate(datum_format, into = c("jahr", "monat", "tag"), remove = F) -> mod_erzeugung

Unten befindet sich ein Auszug des Datensatzes:


datum_format jahr monat tag Uhrzeit Biomasse Wasserkraft Wind Offshore Wind Onshore Photovoltaik Sonstige Erneuerbare Kernenergie Braunkohle Steinkohle Erdgas Pumpspeicher Sonstige Konventionelle Erneuerbare_Energien Konventionelle_Energien
2015-01-01 2015 01 01 00:00:00 1.006 288 130 2.028 0 33 2.686 3.977 686 262 368 1.236 454.034 1323.899
2015-01-01 2015 01 01 00:15:00 1.007 288 129 2.023 0 33 2.646 3.963 721 261 328 1.214 453.030 1317.823
2015-01-01 2015 01 01 00:30:00 1.007 293 129 2.040 0 33 2.661 3.925 696 259 360 1.219 458.047 1322.805
2015-01-01 2015 01 01 00:45:00 1.005 290 129 2.037 0 33 2.718 3.872 665 225 280 1.243 455.042 1177.833
2015-01-01 2015 01 01 01:00:00 999.000 295 129 2.046 0 33 2.772 3.899 521 190 185 1.248 1458.046 903.919
2015-01-01 2015 01 01 01:15:00 995.000 301 129 2.075 0 32 2.775 3.891 465 108 220 1.220 1459.075 800.886
2015-01-01 2015 01 01 01:30:00 995.000 300 129 2.074 0 29 2.774 3.820 465 101 231 1.208 1455.074 804.802
2015-01-01 2015 01 01 01:45:00 994.000 292 129 2.102 0 27 2.765 3.754 466 101 213 1.259 1444.102 787.778
2015-01-01 2015 01 01 02:00:00 1.001 293 129 2.135 0 26 2.774 3.775 449 101 174 1.264 451.136 731.813
2015-01-01 2015 01 01 02:15:00 1.006 284 129 2.134 0 23 2.763 3.737 448 101 164 1.258 439.140 720.758
2015-01-01 2015 01 01 02:30:00 1.006 280 128 2.129 0 21 2.750 3.697 449 100 135 1.253 432.135 691.700
2015-01-01 2015 01 01 02:45:00 1.007 282 128 2.143 0 21 2.739 3.644 464 101 126 1.269 434.150 698.652
2015-01-01 2015 01 01 03:00:00 1.008 284 129 2.150 0 21 2.759 3.574 484 101 33 1.316 437.158 625.649
2015-01-01 2015 01 01 03:15:00 1.011 280 130 2.125 0 21 2.755 3.527 488 101 29 1.287 434.136 625.569
2015-01-01 2015 01 01 03:30:00 1.012 279 130 2.122 0 21 2.761 3.505 488 101 29 1.265 433.134 625.531
2015-01-01 2015 01 01 03:45:00 1.011 279 130 2.156 0 21 2.753 3.506 485 101 28 1.218 433.167 621.477
2015-01-01 2015 01 01 04:00:00 1.009 279 130 2.184 0 21 2.767 3.540 470 101 58 1.245 433.193 636.552
2015-01-01 2015 01 01 04:15:00 1.010 278 130 2.181 0 21 2.751 3.548 514 101 55 1.249 432.191 677.548
2015-01-01 2015 01 01 04:30:00 1.011 278 130 2.150 0 21 2.736 3.537 512 101 55 1.281 432.161 675.554
2015-01-01 2015 01 01 04:45:00 1.009 277 130 2.129 0 21 2.709 3.525 502 102 55 1.298 431.138 666.532
2015-01-01 2015 01 01 05:00:00 1.007 278 129 2.201 0 21 2.704 3.469 433 102 209 1.277 431.208 751.450
2015-01-01 2015 01 01 05:15:00 1.009 277 130 2.187 0 21 2.684 3.408 434 101 207 1.267 431.196 749.359
2015-01-01 2015 01 01 05:30:00 1.008 276 130 2.171 0 21 2.668 3.353 433 101 21 1.282 430.179 562.303
2015-01-01 2015 01 01 05:45:00 1.005 277 131 2.154 0 21 2.641 3.280 441 101 205 1.273 432.159 754.194
2015-01-01 2015 01 01 06:00:00 1.004 276 131 2.183 0 21 2.631 3.164 454 101 19 1.274 431.187 581.069
2015-01-01 2015 01 01 06:15:00 1.003 278 131 2.236 0 21 2.605 3.126 477 101 184 1.279 433.239 769.010
2015-01-01 2015 01 01 06:30:00 1.004 279 130 2.346 0 21 2.562 3.085 478 101 18 1.287 433.350 603.934
2015-01-01 2015 01 01 06:45:00 1.003 278 130 2.403 0 21 2.501 3.063 478 101 182 1.315 432.406 767.879
2015-01-01 2015 01 01 07:00:00 1.005 279 130 2.406 0 21 2.470 3.033 505 101 189 1.289 433.411 801.792
2015-01-01 2015 01 01 07:15:00 1.005 279 130 2.437 0 21 2.487 3.018 504 103 19 1.290 433.442 632.795

Momentan befinden sich die Daten im sog. Wide Format, d.h. dass sich jeder Energieträger in einer eigenen Spalte befindet, in welcher der zugehörige Wert pro Zeitpunkt eingetragen ist. Für einen Großteil der Funktionen der tidyverse R-Paketsammlung sind Daten im Long Format besser geeignet. Die Energieträger werden alle in der alphanumerischen Spalte Energie_Typ zusammengefasst und in einer weiteren Spalte wird der jeweilige Wert festgehalten. Jede Zeile in diesem Datensatz identifiziert nun genau einen Energieträger zu einem bestimmten Zeitpunkt. Vorher identifzierte eine Zeile einen bestimmten Zeitpunkt und lieferte Informationen zu allen Energieträgern. Seit kurzem stehen im R-Paket tidyr die Funktionen pivot_longer und pivot_wider zur Verfügung, welche die Funktionen gather und spread ablösen sollen und etwas intuitiver zu bedienen sind. Statt 175.000 Zeilen ist der Datensatz num um fast 2 Millionen Zeilen länger geworden!

mod_erzeugung %>%
  # Reshape ins Long Format
  pivot_longer(-c(jahr, monat, tag, datum_format, Uhrzeit),
               names_to = "energie_typ",
               values_to = "wert") %>%
  # Quartale generieren
  mutate(
    quartal = ifelse(monat %in% c("01","02","03"),"1",
                     ifelse(monat %in% c("04","05","06"),"2",
                            ifelse(monat %in% c("07","08","09"),"3",
                                   ifelse(monat %in% c("10","11","12"),"4","0"))))
  ) -> mod_erzeugung

Der Datensatz sieht nun so aus:


datum_format jahr monat tag Uhrzeit energie_typ wert quartal
2015-01-01 2015 01 01 00:00:00 Biomasse 1.006 1
2015-01-01 2015 01 01 00:00:00 Wasserkraft 288.000 1
2015-01-01 2015 01 01 00:00:00 Wind Offshore 130.000 1
2015-01-01 2015 01 01 00:00:00 Wind Onshore 2.028 1
2015-01-01 2015 01 01 00:00:00 Photovoltaik 0.000 1
2015-01-01 2015 01 01 00:00:00 Sonstige Erneuerbare 33.000 1
2015-01-01 2015 01 01 00:00:00 Kernenergie 2.686 1
2015-01-01 2015 01 01 00:00:00 Braunkohle 3.977 1
2015-01-01 2015 01 01 00:00:00 Steinkohle 686.000 1
2015-01-01 2015 01 01 00:00:00 Erdgas 262.000 1
2015-01-01 2015 01 01 00:00:00 Pumpspeicher 368.000 1
2015-01-01 2015 01 01 00:00:00 Sonstige Konventionelle 1.236 1
2015-01-01 2015 01 01 00:00:00 Erneuerbare_Energien 454.034 1
2015-01-01 2015 01 01 00:00:00 Konventionelle_Energien 1323.899 1
2015-01-01 2015 01 01 00:15:00 Biomasse 1.007 1
2015-01-01 2015 01 01 00:15:00 Wasserkraft 288.000 1
2015-01-01 2015 01 01 00:15:00 Wind Offshore 129.000 1
2015-01-01 2015 01 01 00:15:00 Wind Onshore 2.023 1
2015-01-01 2015 01 01 00:15:00 Photovoltaik 0.000 1
2015-01-01 2015 01 01 00:15:00 Sonstige Erneuerbare 33.000 1
2015-01-01 2015 01 01 00:15:00 Kernenergie 2.646 1
2015-01-01 2015 01 01 00:15:00 Braunkohle 3.963 1
2015-01-01 2015 01 01 00:15:00 Steinkohle 721.000 1
2015-01-01 2015 01 01 00:15:00 Erdgas 261.000 1
2015-01-01 2015 01 01 00:15:00 Pumpspeicher 328.000 1
2015-01-01 2015 01 01 00:15:00 Sonstige Konventionelle 1.214 1
2015-01-01 2015 01 01 00:15:00 Erneuerbare_Energien 453.030 1
2015-01-01 2015 01 01 00:15:00 Konventionelle_Energien 1317.823 1
2015-01-01 2015 01 01 00:30:00 Biomasse 1.007 1
2015-01-01 2015 01 01 00:30:00 Wasserkraft 293.000 1

Datenanalyse

Zunächst erstelle ich ein Histogramm der jeweils erzeugten Mengen pro Energieträger. Alle 15-Minuten Angaben pro Energieträger wurden dabei zu einem Tagesmittelwert zusammengefasst.

mod_erzeugung %>%
  group_by(energie_typ, jahr, monat, tag) %>%
  summarise(wert_durchschnitt = mean(wert, na.rm = T)) %>%
  filter(!(energie_typ %in% c("Erneuerbare_Energien",
                              "Konventionelle_Energien"))) %>%
  ggplot(aes(x=wert_durchschnitt)) +
  geom_histogram(color = "black", fill = "white") +
  facet_wrap(. ~ energie_typ) +
  labs(subtitle = "Zeitraum: 01.01.2015-31.12.2019",
       x = "Realisierte Erzeugung in MWh (Tagesmittelwert)",
       y = "Häufigkeit")

Nun werden beispielhaft für das Jahr 2019 die erzeugten Mengen pro Energieträger für jeden Monat aufsummiert. In der Grafik unten erkennt man, dass die Wind- und Photovoltaikenergie saisonal stark schwankt. Während in den Wintermonaten nur wenig Strom durch Solarenergie erzeugt werden kann, wird dies durch einen höheren Ertrag an Windkraft kompensiert. In den Sommermonaten ist die Ausbeute an Windenergie dagegen gering, wobei dies durch die Solarenergie aufgrund mehr Sonnenstunden kompensiert wird. Die Stromerzeugung von Offshore Windananlagen ist im Verlauf eines Jahres konstanter, wenngleich auf einem nierdrigeren Niveau als die Onshore Windkraft.

mod_erzeugung %>%
  group_by(energie_typ, jahr, monat) %>%
  summarise(wert_aggregiert=sum(wert, na.rm=T)) %>%
  ungroup() %>%
  filter(energie_typ %in% c("Wind Onshore",
                            "Wind Offshore",
                            "Photovoltaik") & jahr == "2019") %>%
  ggplot(aes(x=monat, y=wert_aggregiert, group=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  scale_y_continuous(labels = scales::comma) +
  scale_color_manual(name = "Energieträger:",
                      values = farbskala) +
  labs(subtitle = "Zeitraum: 01.01.2019-31.12.2019",
       x = "Monat",
       y = "Eingespeiste Energiemenge [MWh]") +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Die nächste Grafik zeigt die Stromprpduktion im Zeitverlauf von 2015 bis 2019, wobei die erzeugten Mengen pro Quartal aufsummiert wurden. Im Zeitverlauf erkennt man eine Zunahme von erzeugtem Strom aus (Onshore) Windenergie und Solarenergie.

mod_erzeugung %>%
  group_by(energie_typ, jahr, quartal) %>%
  summarise(wert_aggregiert=sum(wert, na.rm=T)) %>%
  ungroup() %>%
  filter(energie_typ %in% c("Wind Onshore",
                            "Wind Offshore",
                            "Photovoltaik")) %>%
  ggplot(aes(x=quartal, y=wert_aggregiert, group=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  facet_grid(. ~ jahr) +
  scale_y_continuous(labels = scales::comma) +
  scale_color_manual(name = "Energieträger:",
                      values = farbskala) +
  labs(x = "Quartal",
       y = "Eingespeiste Energiemenge [MWh]") +
  theme(legend.position = "bottom", legend.direction = "horizontal")

Abschließend folgt ein Vergleich zwischen konventionellen und regenerativen Energieträgern. Im Sommer fällt die Stromerzeugung durch konventionelle Energieträger deutlich niedriger aus als im Winter. Zum einen dürften private Haushalte im Sommer weniger Strom aufgrund mehr Sonnenstunden verbrauchen und zum anderen dürfte die kombinierte Stromproduktion aus Wind- und Solarkfraft höher ausfallen als im Winter. Man erkennt, dass sich die jeweils erzeugten Energiemengen im Zeitverlauf annähern, wobei die Stromproduktion aus konventionellen Energieträgern ab und die Stromproduktion aus erneuerbaren Energieträgern zunimmt.

mod_erzeugung %>%
  group_by(energie_typ, jahr, quartal) %>%
  summarise(wert_aggregiert=sum(wert, na.rm=T)) %>%
  ungroup() %>%
  filter(energie_typ %in% c("Erneuerbare_Energien",
                            "Konventionelle_Energien")) %>%
  ggplot(aes(x=quartal, y=wert_aggregiert, group=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  geom_line(aes(color=energie_typ)) +
  scale_y_continuous(labels = scales::comma) +
  scale_color_manual(name = "Energieträger:",
                     values = c("#33A02C","#E31A1C")) +
  facet_grid(. ~ jahr) +
  labs(x = "Quartal",
       y = "Eingespeiste Energiemenge [MWh]") +
  theme(legend.position="bottom", legend.direction = "horizontal")
Posted on:
July 16, 2020
Length:
9 minute read, 1770 words
Categories:
R Analyse
See Also: