GENESE: Effects of societal change on the level and profile of sectoral electricity demand and their importance in coupling energy models with different temporal resolution

Transcription Webinar 1 GeNESE Information Exchange
Transcribed by noScribe Vers. 0.6.2

S1: Bevor wir jetzt ins Inhaltliche einsteigen und ich dann an meine Kollegen und Kolleginnen weitergebe, möchte ich noch einen ganz kurzen Überblick über Genese, über das Projekt Genese zeigen. Ich habe schon erwähnt, wie es gefördert ist. Die Laufzeit war Oktober 2022, da sind wir gestartet und bis Ende Dezember dieses Jahres läuft das Projekt noch. Die Ziele und Kernergebnisse des Projekts sind die systematische Analyse des gesellschaftlichen Wandels und die Auswirkungen auf die Nachfrage nach Energiedienstleistungen. Das haben wir sowohl qualitativ als auch quantitativ analysiert. Es wird ein Demand-Disaggregation-Tool entwickelt. Das soll eben auch Open-Source zur Verfügung gestellt werden. Genau, detaillierte Modellierung der Veränderung von Nachfrageprofilen und eben die Bewertung der Profile durch Einbindung in Energiesystemmodell und Strommarktmodelle. Es ist eben noch nicht alles abgeschlossen. Es werden auch in den nächsten Wochen noch Ergebnisse erarbeitet werden und eben auch das Demand-Disaggregation-Tool fertiggestellt werden. Genau, nach Fertigstellung und der Open-Source-Veröffentlichung von dem Demand-Disaggregation-Tool wird es auch nochmal ein Webinar geben, um die Möglichkeiten der Nutzung des Tools darzulegen. Genau, zum Prozess, den wir gleich auch nochmal im Detail vorstellen werden, aber jetzt erstmal in aller Kürze. Wir haben neben dem neu entwickelten Tool verwenden wir auch Methoden und Modelle, die es eben schon gibt. Das ist zum einen die Cross-Impact-Bilanzanalyse, eine qualitative, systematisch formalisierte Szenario-Methode, das Energiesystemmodell TimesPanEU und dann eben auch Strommarktmodell E2M2 und REMix. Wir hatten auch einen wissenschaftlichen Begleitkreis, der uns von Anfang an, an unterschiedlichen Stellen im Projekt auch unterstützt hat mit Feedback. Genau, und hier unten sehen Sie eben den vereinfachten Geneseprozess, den wir dann detaillierter besprechen. Und ich will da auch wirklich nur ganz kurz darauf eingehen, vielleicht als Überblick. Wir haben ausgehend von Megatrends und Subtrends, die in die verschiedenen Sektoren hineinwirken, haben wir eben mit der Cross-Impact-Bilanzanalyse Szenarien entwickelt, wie sektorübergreifende Wirkungen in der Nachfrage qualitativ abbilden durch Wechselwirkungen und Anknüpfungspunkte für die Quantifizierung der Nachfrage bieten. Im weiteren Verlauf werden dann durch diese verschiedenen Tools, da ist unter anderem zum Beispiel auch ein neu entwickeltes Tool, das Energy Service Demand Translation Tool und auch der Wärmeatlas wurden dafür genutzt, um diese Szenarien dann zu quantifizieren. Genau, und diese dienen dann als Input für das Energiesystemmodell und das Demand Disaggregation Tool. Genau, und das wiederum ist dann die Schnittstelle zwischen dem Energiesystemmodell und einem Strommarktmodell, um eben veränderte Stromnachfrage durch technologische und eben auch gesellschaftliche Veränderungen im Lastprofil sichtbar zu machen und kann das eben dann ans Strommarktmodell weitergeben. (.) Um diesen Information Exchange, der dann hier dahinter steht, von dem von mir jetzt sehr vereinfacht dargestellten Prozess, geht es eben im ersten Beitrag.
S02: Ja, dann übernehme ich erstmal das Wort. Mein Name ist Clara Fuhrer, ich arbeite am Institut für Energiewirtschaft und rationelle Energieanwendung an der Universität Stuttgart. Und ich werde so ein bisschen durch den ersten Teil der Information Exchange, also den Informationsfluss im Rahmen der Arbeiten des Projekts zwischen den verschiedenen Tools und Modellen auf dem Weg, eben diese qualitativen Szenarien zu quantifizieren, am Beispiel des Sektors Haushalte darstellen. Zuerst mal noch einen genaueren Blick. Wie kommen wir
eben von den Megatrends mit der CIB zu unseren konsistenten Szenarien? Da würde ich das Wort dann auch mal kurz weitergeben.
S03: Ja, danke Clara. Genau, Ausgangspunkt unserer Analyse war ja zunächst die Frage nach den wirklich großen, tiefgreifenden Veränderungen, die künftig auf die Gesellschaft wirken werden oder dies bereits auch tun und verbunden damit, wie wir diese komplexen Veränderungen analytisch wie methodisch handhabbar machen können. Und um diese künftigen Veränderungen und die dahinterstehenden gesellschaftlichen Treiber herausarbeiten zu können, betrachteten wir im ersten Schritt sogenannte Megatrends, also große, umfassende gesellschaftliche Entwicklungen mit einem langen Zeithorizont, mit der Annahme, dass diese einen Einfluss auf die künftige Stromnachfrage haben werden. Wir haben insgesamt 16 solcher Megatrends näher in den Blick genommen. Und weil diese Megatrends, wie es der Name ja schon sagt, einerseits sehr umfassend und vielschichtig sind, andererseits aber auch widersprüchlich oder vielleicht auch gegensätzliche Entwicklungen beschreiben können, eignen sie sich nicht unmittelbar für eine so vergleichsweise feinkörnige Analyse, weshalb wir diese großen Blöcke thematisch erstmal ausdifferenziert haben und so zu einer weit größeren Anzahl an Themen gelangt sind, die sich in diesen Trends manifestieren. Wir haben es schon gehört, methodisch greifen wir auf die Cross-Impact-Bilanzanalyse zurück, eine Methode zur qualitativen und semi-quantitativen Szenarioerstellung. Und in dieser geschieht eine solche Ausdifferenzierung von konkreten Themen für den Blick in die Zukunft auf Basis sogenannter Deskriptoren und ihrer jeweiligen Varianten. Zum Beispiel sehen wir jetzt hier, beinhaltet der große Megatrend New Work ganz verschiedene Themen, wie beispielsweise die künftige Wochenarbeitszeit oder aber das Thema Homeoffice, die sich dann grundsätzlich natürlich in unterschiedlichen Varianten künftig entwickeln können. Ebenso mit dem Thema Neo-Ökologie, das viele kleinere Themen umfasst, von Konsummustern bis hin zu Sharing Economy, die zum Teil auch vielleicht unter dem Einfluss von mehreren verschiedenen Megatrends stehen könnten. Wir haben also diese großen Treiber der gesellschaftlichen Veränderungen ausbuchstabiert und für die CIB in Deskriptoren übersetzt und gelangten letztendlich zu einer Anzahl von 78 Deskriptoren, welche die fünf Sektoren Haushalte, Mobilität, Gewerbe-Handel-Dienstleistungen, Industrie und Landwirtschaft abdeckten und die sich dann in 217 solcher Varianten aufgesplittet haben. In der CIB werden diese Varianten dann in der sogenannten Cross-Impact-Matrix gegenübergestellt. Ihre Einflüsse aufeinander werden zunächst bewertet und dann bilanziert. Das bedeutet, wir sehen es hier, es wird für jede Variante analysiert, ob und wenn ja, in welcher Form es hier einen Einfluss auf eine andere Variante gibt. Zum Beispiel würde ein durch eine Einschränkung geprägtes Konsumverhalten, ein kostenintensives Freizeitverhalten wahrscheinlich eher hemmen, wohingegen ein luxusorientierter Konsum eine fördernde Wirkung zeigen würde. Die Bewertungen dieser Einflüsse fanden in einem mehrstufigen Prozess statt, einerseits durch Literaturrecherche, sowie durch Expertenbefragungen und vereinzelte Workshops. Auf Basis dieser dann vollständig bewerteten Matrix wird mittels Software eine Bilanzierung vorgenommen und man gelangt zu einer konsistenten Konstellation an Varianten, also zu einem Szenario. In unserem Fall waren das dann 3129 konsistente Szenarien, welche die gesamte Bandbreite künftiger Nachfrageentwicklung abbilden. Aus dieser Anzahl können wir jetzt natürlich zunächst einmal nur eine Auswahl, die den Zukunftsraum möglichst umfassend abbildet, tiefergehend analysieren und für die Quantifizierung herausgreifen. Zum Abschluss möchte ich ganz kurz ein Beispiel davon geben, wie jetzt innerhalb eines solchen Szenarios die Wechselwirkungen zum Tragen kommen. Wir sehen hier im Zentrum das Freizeitverhalten, welches ganz banal gesagt durch bestimmte Konsummuster oder durch die Entwicklung im
Homeoffice und räumliche Verteilung in der Bevölkerung gefördert werden kann in einer bestimmten Variante, wohingegen eine demografische Entwicklung dem entgegenstehen könnte. Gleichzeitig sehen wir, dass es sowohl direkte als auch indirekte Wirkungen gibt, also Deskriptoren, die nur über einen sozusagen Umweg über andere Deskriptoren zu tragen kommen. In Summe ergibt sich daraus eine spezifische Konstellation an Varianten, die so ein Szenario bildet. Und zwar hatten wir von Anfang an der CIB integriert hinter diesen Varianten bestimmte Annahmen getroffen. Aufgrund dieser direkten und indirekten Wechselwirkungen allerdings lassen diese sich jetzt nicht einfach isoliert betrachten und übersetzen, sondern die variieren je nach Konstellation. Sie können sich verstärken, sie können sich abschwächen. Und die Herausforderung besteht letztlich also darin, diese spezifischen, je spezifischen Konstellationen in konkrete Nachfragen zu übersetzen. Und hierfür haben wir verschiedene Tools herangezogen, entwickelt und aufgegriffen, welche jetzt im Fortgang vorgestellt werden sollen.
S02: Damit würde ich dann das Wort wieder übernehmen und so ein bisschen weiterführen durch die jetzt eben an diese mit der CIB gewonnenen konsistenten Szenarien anknüpfende Toolkette, die wir im Rahmen des Projektes entwickelt haben, um diese Szenarien in quantitative Inputs für Energiesystem- und Strommarktmodelle zu übersetzen. Dazu hier zunächst mal der Versuch eines Gesamtüberblicks über die Toolkette, die wir im Rahmen des Projektes verwenden oder auch entwickelt haben. Wir haben im Sektor Haushalte zum Ende schon erwähnte Energy Service Demand Translation Tool, was den Großteil der qualitativen Szenarioannahmen und Deskriptorausprägungen in quantitative Werte übersetzt. Im Sektor Haushalte kommt dann noch der Wärmeatlas als weiteres Tool hinzu, was sich mit dem Einfluss der Deskriptoren auf den Gebäudebestand und die Raumwärme, den Warmwasserbedarf, dort die Übersetzung macht. Wir haben, um diese Prozesskette im Projektablauf zu unterstützen, eine gemeinsame Datenbank eingeführt, über die zwischen den verschiedenen Schritten, zwischen den verschiedenen Tools und Modellen, eben immer die Daten ausgetauscht werden. Diese Daten werden dann dem weitergegeben, entweder an das Energiesystemmodell, wenn es sich um die veränderten, quantifizierten Energy Service Demands handelt, oder weiter an das Demand-Disaggregation Tool, was dann die zeitlich hoch aufgelösten Lastprofile generiert, die dann als Input für die Strommarktmodelle fungieren. Ganz kurz im Detail den Schritt durchzunehmen. Wir fangen hier an mit dem Wärmeatlas, der ausgehend von den Deskriptor-Ausprägungen eines CIB-Szenarios die Anzahl von Wohn- und Nichtwohngebäuden ermittelt und die Energy Service Demands für Raumwärme, Warmwasser und Raumkühlung und diese Werte dann an das Energy Service Demand Translation Tool und das Demand-Disaggregation Tool weitergibt. Das Energy Service Demand Translation Tool ermittelt im Fall des Sektorhaushalte zum einen die Energy Service Demands, die als Inputs an das Energiesystemmodell gehen, zum anderen Bevölkerungsanteile und Geräteausstattung, die als Input vom Demand-Disaggregation Tool benötigt werden. Das Demand-Disaggregation Tool hat zum einen die Aufgabe, normalisierte Lastprofile für bestimmte Anwendungen für TIMES zur Verfügung zu stellen, also für das Energiesystem-Modell. Zum anderen bekommt es dann auch wieder aus dem Energiesystem-Modell die jährlichen Stromverbräuche, die wiederverwendet werden, um die letztendlichen Nachfrage-Lastprofile zu skalieren. Und das ist dann der letzte Schritt, den das Demand-Disaggregation Tool übernimmt, dass es eben zeitlich hoch aufgelöste Lastprofile generiert, die dann als Input für die Strommarkt-Modelle dienen. Damit würde ich dann zum Energy Service Demand Translation Tool an meine Kollegin für ein bisschen mehr Detail übergeben.
S04: Hallo auch von meiner Seite, Felicitas Ortlieb, auch vom Institut für Energiewirtschaft und Rationelle Energieanwendung. Und ich würde hier jetzt an die Einleitung anknüpfen und noch den kleinen, detaillierteren Blick auch in das Energy Service Demand Translation Tool geben. Und hier erstmal mit dem Fokus für die Übersetzung auf Bevölkerungsparameter. Wie bereits eingeführt, haben wir also die große Fragestellung, wir haben eben qualitative Deskriptoren, die in der CIB ermittelt wurden und müssen diese nun für die Weiterverwendung im Energiesystem und für die anderen Tools, die wir haben, eine quantitative Übersetzung finden. Und wo wir hier jetzt an der Fragestellung sind, es gibt zwar schon auch Szenarienannahmen für eben die einzelnen Inputs, aber meistens ist es eben genau immer ein Szenario. Also wahrscheinlich kennen Sie es auch. Es gibt vom BBSR eben die Annahmen zur Bevölkerungsentwicklung, also innerhalb der Raumordnungsprognose, die dann auch die Haushaltsvorausberechnung beinhaltet und Erwerbspersonenvorausberechnung. Es ist aber eben nur ein Szenario und wir haben ja bei uns verschiedene Szenarien, die wir aber trotzdem auch konsistent betrachten wollen. Und damit wir letztendlich beispielsweise nicht in der Situation laufen, wo wir mehr Erwerbspersonen haben, wie Personen, die überhaupt erwerbstätig sein könnten, also in der Bevölkerung, beispielsweise die Gruppe zwischen 20 und 67, müssen wir hier eben auch mit Abhängigkeiten und Anteilen arbeiten, sodass wir weiterhin eben auch die Konsistenz erhalten können. Hier ist so die Annahmen, die wir mit einbezogen haben, aufgespannt. Und im nächsten Schritt, jetzt exemplarisch auch schon mal mit Szenarien auch hinterlegt, gibt es dann beispielsweise das Szenario 6 und 615. Bei 6 haben wir eben die geringere Bevölkerung, bei 615 eine leicht steigende. Nun wollen wir das aber auch Konsistenz halten, dass dem eben auch die Zahl an Erwerbstätigen auch entsprechend mitläuft, beziehungsweise hier aus den Szenarien zur Zukunft der Arbeit auch die unterschiedlichen erwerbstätigen Zahlen entsprechend der Bevölkerungsentwicklung auch mit einbezogen werden können. Was wir sehen hier in Szenario 6, haben wir eine hohe Erwerbsquote, aber auch atypische Verhältnisse. Das heißt, wir haben hier eben auch gar nicht so einen großen Unterschied zum Szenario 615 bei den Erwerbstätigen, da wir vor allem eben im Szenario 6 eben auch viele atypische Beschäftigungen auch mit dabei haben. Um auch im nächsten Schritt dann auch bei der zum Beispiel Geräteausstattung die Konsistenz zu erhalten und nicht mehr Haushalte zu haben wie Bevölkerung, arbeiten wir dann eben auch mit der durchschnittlichen Personenanzahl pro Haushalt. Jetzt würde ich dann auch ganz flugs auch zu den Haushaltsgeräten auch mit übergehen. Und auch hier erstmal eine Einführung, das bearbeiten wir auch im Energy Service Demand Translation Tool, also dieses Tool, was wir entwickelt haben, um qualitativ in quantitativ zu überführen. Und innerhalb dieses Tools wird dann für die unterschiedlichen Szenarien ein zukünftiger Nutzenergiebedarf der Haushaltsgeräte berechnet. Auch hier, wir haben uns ein Farbcode ausgedacht. Hier in Rot sind die Annahmen, die aus der CIB stammen, verschiedene Deskriptoren, die qualitativ sind und die dann eben auf Indikatoren übersetzt werden und quantitativ greifbar sind. Im nächsten Schritt gibt es dann die Berechnung des Nutzenergiebedarfs, der dann wiederum ins Energiesystemmodell mit einfließen kann. Und verschiedene Bestandteile sind dabei beispielsweise der Ausstattungsbestand der Geräte, der sich aus den übersetzten Treibergrößen bestimmen lässt, die Anzahl an Haushalten, die sich aus der demografischen Entwicklung ableiten lässt. Und dann haben wir hier am Institut noch weitere Tools, mit denen die installierte Leistung von Geräten beinhalten und auch die Benutzungsstunden und auch an den Benutzungsstunden können wir dann je nach Szenario und den Ausprägungen, die in der CIB angenommen sind, Variationen von Benutzungsstunden berechnen. Was sich daraus letztendlich ergibt, ist dann der Nutzenergiebedarf als endgültige Größe. Und hier,
vielleicht ist es etwas detailliert, dass ein Ausschnitt wie beispielsweise den Ausstattungsbestand berechnen, hier darauf eben achten, auf Statistiken, die öffentlich verfügbar sind, (.) zuzugreifen, uns in der Literatur verorten, wie wir einen Ausstattungsbestand berechnen. Und das ganze Modell basiert eben auf historischen Daten und wird zur Prognose der zukünftigen Ausstattungsbestände verwendet. Dann würde ich jetzt an der Stelle das Wort wieder weitergeben. Und wir steigen quasi auf das nächste Übersetzungstool um.
S05: Ja, hallo von meiner Seite, Dimitris Tsoutsoulopoulos vom Institut für Energiewirtschaft und Rationelle Energieanwendung. Zum Einleitung für den Wärmeatlas, wo ein großer Teil des Energieverbrauchs im Haushaltssektor kommt aus der Heizung und der Klimatisierung. Und um genau die Bedarfe dafür zu berechnen, benutzen wir den Wärmeatlas. Das ist ein Tool, das hier im Institut entwickelt wurde. Und damit können wir Prognosen über die zukünftigen Bedarfe an Raumwärme, Warmwasser und Klimatisierung für die Wohngebäude stellen. In der nächsten Folie schauen wir dann das gesamte Bild, wie genau der Wärmeatlas funktioniert und die Zwischenschritte, die nötig dafür sind, um das Ergebnis zu berechnen. Also die Zwischenergebnisse oder Zwischenschritte sind die Berechnung der Bevölkerung, die Berechnung der Wohneinheiten und dann final die Berechnung für den Wärmebedarf und den Kältebedarf. Hier ist es wichtig zu wissen, dass verschiedene Inputs aus verschiedenen Quellen kommen. Also wir haben Inputs aus der Statistik. Wir haben noch Parameter im Grün, die endogen im Wärmeatlas sind. Und wir haben auch Annahmen aus der CIB, die dann szenariospezifisch sind und dann quasi den Unterschied zwischen den verschiedenen Szenarien bestimmen. Genau, aber da ist hier so ein großes Bild, würde ich gerne dann jeden einzelnen Schritt genau anschauen, damit es verständlicher wird. Also erster Schritt ist die Berechnung der Bevölkerung. Hier ist damit gemeint, nicht nur wie viele Leute in Deutschland leben, sondern auch wie die Bevölkerung verteilt ist. Also ob auch in der Zukunft mehr Leute in die Städte ziehen oder aufs Land. Und dafür brauchen wir als Inputs erstmal den Zensus, um zu wissen, wie das im Basisjahr ist. Also wir benutzen ein Projekt als Basisjahr das Jahr 2021. Und dafür, damit wir zukünftig die demografische Entwicklung wissen, haben wir auch das als Input von der CIB und auch dann, wie diese Bevölkerung verteilt ist. Wenn wir die Bevölkerung berechnet haben, dann kommen wir zum Schritt 2, um die Wohneinheiten zu berechnen. Hier wird die Bevölkerung als Input auch benutzt. Und dann auf der linken Seite haben wir die Inputs, also den Gebäudebestand, wo es auch zeigt, wie viele Gebäude im Basisjahr existieren, aber auch, um die Gebäude in der Zukunft zu berechnen. Wir haben dann aus der CIB die Wohnfläche pro Kopf und die Neubauquoten. Und dann auf der rechten Seite haben wir verschiedene Parameter, die im Wärmeatlas endogen sind, wie Abrissquoten, die Fläche pro Wohnung, Anteile an Gebäudetypen und Wohnungsaltersquoten. Hier bei den Gebäudetypen ist auch wichtig zu erwähnen, dass wir vier verschiedene Gebäudetypen haben. Wir haben Einfamilienhäuser mit einer Wohneinheit pro Gebäude. Wir haben auch Reihenhäuser mit zwei Einheiten pro Gebäude, kleinere Mehrfamilienhäuser mit fünf Einheiten und größere Mehrfamilienhäuser mit elf Einheiten pro Gebäude. Und wenn wir dann die Wohneinheiten berechnet haben, kommen wir zum Schritt 3, um final die Wärmebedarfe und Kältebedarfe zu berechnen. Also hier kommen auch aus der CIB die Heizgrad-Tage und die Kühlgrad-Tage, um die Wetterdaten sozusagen zu wissen, um zu wissen, wann oder wie oft es geheizt werden muss oder gekühlt. Und hier auf der rechten Seite haben wir auch Parameter, die endogen im Wärmeatlas sind. Und auch die Wohnfläche nach dem Gebäudetyp, den spezifischen Heizwärmebedarf pro Quadratmeter, den spezifischen Warmwasserbedarf pro Person, auch den spezifischen Kühlungsbedarf pro Quadratmeter und den Anteil der Gebäude mit
Klimatisierungsbedarf. Also wir haben auch die Annahme, dass nicht jedes Gebäude ein Klimatisierungssystem haben kann. Und dann, damit können wir final die Bedarfe für die Raumwärme, für das Warmwasser und die Klimatisierung berechnen. Aber das sagt uns noch nicht, wie viel Energie dafür nötig ist. Und deswegen die Bedarfe, die wir hier berechnet haben, die werden dann als Input in das Energiesystemmodell eingegeben. Genau, vielleicht ganz kurz zum Energiesystemmodell. In der nächsten Folie können wir sehen, dass ein paar Infos, die allgemein sind. Also das ist ein Bottom-up-Modell mit 30 Regionen, also alle EU-Länder plus Norwegen, Schweiz und UK mit einem Zeithorizont von 2010 bis 2050. Und das Modell bildet alle relevanten Sektoren für die Energie, also die Bereitstellung von Primärenergie, von Strom und Wärme. Und dann haben wir auch die Sektoren Industrie, GHD, Haushalte, Landwirtschaft und Verkehr. Und das Ziel des Modells ist sozusagen, die Gesamtkosten im Energiesystem zu minimieren. Wie das jetzt genau im Projekt funktioniert, können wir auf der nächsten Folie schauen. Also wir haben oben links die Inputs an Energiedienstleistungen für die Geräte, die aus dem Energy Service Demand Transition Tool kommen. Und die Bedarfe für Raumwärme und Warmwasser und Klimatisierung aus dem Wärmeatlas, die werden dann als Input in Times angegeben. Und Times nimmt das quasi als eine Nachfrage, die er quasi als Modell bedienen muss. Das heißt, dann muss das Modell entscheiden, welche Technologie wird genommen und welche Energieträger, um diese Nachfragen zu bedienen. Zusätzlich kommt aus dem Demand Disaggregation Tool auch die Lastprofile. Das wird auch gleich später erzählt. Um zu gucken, also die Profile werden angegeben, um zu gucken, wann genau ein Gerät oder die Heizung angemacht wird, wann die Leute, wann Menschen das nutzen. Auf der linken Seite sehen wir hier, was ich teilweise schon erzählt habe. Also es gibt verschiedene Technologien im Modell und verschiedene Energieträger. Natürlich gibt es auch Parameter, die dann entscheiden, welche Technologie genutzt wird, also die Effizienzen und wie hoch die Kosten sind. Und dann das Ergebnis von dem Modell ist der Endenergieverbrauch für jedes Jahr, für jede Dienstleistung und für jede Technologie pro Energieträger. Und im Rahmen des Projekts nehmen wir den Stromverbrauch für jede Dienstleistung und für jede Technologie. Und das wird dann in Strommarktmodelle weitergegeben.
S02: Gut, dann würde ich nochmal übernehmen und noch ein bisschen detaillierter auf das Nachfragetool beziehungsweise Demand Disaggregation Tool eingehen, dass eben dafür da ist, die momentan vor allem jährlich existierenden Werte in tatsächlich zeitlich hoch aufgelöste, also zum Beispiel stündliche Nachfrageprofile zu übersetzen. Im Sektor Haushalte ist das ein Bottom-up-Lastprofilgenerator, der auf dem Markov-Chain-Monte-Carlo-Verfahren basiert und damit dann eben die zeitlich hoch aufgelösten Profile generiert. Wichtige benötigte Größen in diesem Lastprofilgenerator sind die Anwesenheitswahrscheinlichkeiten von Menschen zu Hause und die Aktivitätsprofile, die Haushaltsgeräte, Ausstattung und die Benutzungsstunden dieser Haushaltsgeräte, die Gebäude, die bewohnt werden und eben die Bedarfe Raumwärme, Warmwasser und Klimatisierung, die auch ermittelt werden und je nach Technologie dann gegebenenfalls auch in eine Stromnachfrage übersetzt werden. Das Ziel ist eben dann, dass das Tool Stromlastprofile und Wärmelastprofile in stündlicher Auflösung zurückgibt. In dem Fall ist es jetzt auch so, dass auf die verschiedenen Teilaspekte des Tools eine Vielzahl von verschiedenen Inputgrößen aus verschiedenen Quellen wirken oder benötigt werden. Auch hier sieht man, gehen statistische Daten ein, eben vor allem als Basis für die Anwesenheitswahrscheinlichkeiten. Es gibt Größen, die endogen im Tool hinterlegt sind. Es gehen auch hier nochmal direkt Annahmen aus den Treiberentwicklungen innerhalb der CIB-Szenarien ein und es gehen Outputs anderer Tools und Modelle hier in die Prozesskette ein.
Auch hier ganz kurz ein Detailblick. Zunächst auf die Anwesenheitswahrscheinlichkeiten und Aktivitätsprofile. Statistisch liegt hier die Zeitverwendungserhebung des Statistischen Bundesamtes zugrunde, die als Ausgangspunkt verwendet wird, um diese Wahrscheinlichkeiten zu berechnen. Des Weiteren fließen aus dem Energy Service Demand Translation Tool die Bevölkerungsanteile des jeweiligen Szenarios mit ein. Und aus der CIB fließen noch weitere Annahmen über Home Office, Work Life Blending, das Pendelverhalten oder auch das Freizeitverhalten mit ein. Und mit diesen Annahmen wird dann sozusagen die Statistik neu gewichtet, um veränderte Anwesenheitswahrscheinlichkeiten und Aktivitätsprofile je nach Szenario zu kreieren. Für die Haushaltsgeräteausstattung und die Benutzungsstunden, wie ja schon gesehen, die Ausstattungsgrade der Geräte kommen aus dem Energy Service Demand Translation Tool. Was jetzt hier noch fehlt, ist eben eine potenzielle Veränderung der Benutzungsstunden, je nach Szenario. Hier gehen aus den Treiberausprägungen der CIB auch wieder Home Office, Freizeitverhalten und Konsummuster mit ein. Und aus dem Tool endogen gibt es die Geräte-Kenngrößen, die eine Rolle spielen. Der dritte große Baustein sind die Gebäudeklassen, die als Inputs vor allen Dingen aus dem Wärmeatlas kommen, der eben die Wohneinheiten für die verschiedenen Szenarien und die Verteilungen in Gebäudeklassen und Altersklassen zurückgibt, die als Input hier eingehen. Zum anderen wird dann das noch kombiniert mit der Haushaltsgrößenverteilung, die aus dem Energy Service Demand Translation Tool kommt. Um den Raumwärme beim Wasser- und Klimatisierungsbedarf zu ermitteln, werden Ausstattungsgrade und Technologieanteile aus dem Energiesystem Modell Times übernommen. Es gibt wieder ein Modell endogene Geräte-Kenngrößen und aus den CIB-Szenarien haben wir verschiedene klimaszenarische Entwicklungen, für die dann jeweils wieder Temperaturdaten als Input-Daten hier zugeordnet wurden, die hier als Input dienen, um eben dann letztendlich eine zeitlich hoch aufgelöste Raumwärmebedarf und Klimatisierungsbedarf zu ermitteln. Das alles fließt dann eben in diesen Markov-Chain-Monte-Carlo-Last-Profilgenerator zusammen, womit dann letztendlich die zeitlich hoch aufgelösten Profile generiert werden, die dann als Input für die Strommarktmodellierung dienen. Und somit wären wir mit der Übersicht über unsere Tool-Prozesskette am Beispiel Haushalte auch soweit durch.
S04: Genau, dann würde ich noch mal übernehmen. Im ersten Schritt schauen wir uns jetzt noch mal an, wie die verschiedenen in der CIB identifizierten Treiber für die Nachfrage auch wieder quantitativ übersetzt werden können. Das heißt, wir sind auch hier wieder im Energy Service Demand Translation Tool. Womit wir uns hiermit beschäftigt haben, ist zunächst mal die große Fragestellung der Operationalisierung und haben uns hier an der Aufteilung von Verkehr in Zahlen in unterschiedlichen Wegzwecken orientiert. Dahinter steckt die Überlegung, dass die unterschiedlichen Nachfragetreiber eben unterschiedlich auf unterschiedliche Wegzwecke sich auswirken. Also es ist zum einen der Berufsverkehr und Geschäftsverkehr. Wir haben den Wegzweck Urlaube und den Wegzweck Freizeitverkehr nicht hier aufgeführt, aber der gehört auch mit dazu und wurde auch berechnet. Es wurde jetzt einfach zur Auswahl und zur Illustration jetzt die vier Zwecke ausgewählt. Gehören noch Einkaufsverkehr mit dazu und Begleitverkehr und auch noch Ausbildungsverkehr. Womit wir gearbeitet haben, ist eine Operationalisierung dieser Treibergrößen und Szenarienannahmen aus der CIB. Wir haben Indikatoren gebildet. Nochmal einmal kurz zurück. Wir haben dabei Indikatoren gebildet, auf die sich die unterschiedlichen Treiber auswirken und die man in der Statistik eben auch verorten kann und auch quantifizieren kann. Wir haben hier in der letzten Spalte die Quellen mit aufgeführt. Das ist unser Vorgehen bei allen Zwecken und auch im gesamten Energy Service Demand Translation Tool. Und was man hier bei den zwei
Szenarien, die wir unter anderem ausgewählt haben, ganz gut sehen kann. Wir haben eben beim Berufsverkehr eine Variation der Commuting Days, also der Anzahl an Tagen, die gependelt wird. Bei Szenario 6 ist es eben deutlich geringer. Bei Szenario 615 haben wir hohen Pendelverkehr. Wir haben unterschiedliche Annahmen bezüglich der von Geschäftsmeetings. Bei Szenario 6 sind die relativ gering, da wir hier eine relativ hohe Digitalisierung haben. Während im Szenario 615 noch mehr Geschäftsreisen auch stattfinden, aber trotzdem im Vergleich zu heute auch schon ein Anstieg von digitalen Meetings. Wir haben grundsätzlich in beiden Szenarien andere Bevölkerungsannahmen. In Szenario 6 ist es eine Alterung und Schrumpfung, während wir in Szenario 615 einen leichten Anstieg im Vergleich zu heute haben. Und noch als weiterer Punkt hervorgehoben ist, wir haben unterschiedliche Annahmen zum Freizeitverkehr, während wir eben im Szenario 6 ähnlich wie heute sind. Wir sind naturorientiert, ist im Szenario 615 ein starker Anstieg, auf die Nachfrage damit verbunden, weil wir annehmen, dass der Freizeitverkehr oder das Freizeitverhalten stärker außen- und auswärtsorientiert ist. Wie das Ganze nun übersetzt ist und sich da eine Nachfrage für die Zukunft ergibt, sieht man in der nächsten Folie. Wir haben hier Regressionsmodelle basierend auf historischen Daten gebaut. Es sind auch wieder statistische Quellen, die da dahinter liegen. Wir haben ein lineares Fitting vorgenommen und verfolgen hier mit einem deterministischen Ansatz. In die Regressionsmodelle wurden dann die auf der vorhergehenden Folie vorgestellten unterschiedlichen Szenarien mit eingefügt. Und so erhalten wir dann eine Vorhersage von zukünftiger Personenverkehrsleistung. Es ist gemessen in Personenkilometern und diese Größe lässt sich dann wiederum auch direkt als Inputgröße im Energiesystemmodell verwenden. Wenn man nun für die beiden vorgestellten Szenarien die Inputs operationalisiert und in die Regressionsgleichungen eingesetzt, erhalten wir auf der nächsten Folie auch erste Ergebnisse. Wir haben hier eine Aufteilung der unterschiedlichen Energiedienstleistungsnachfragen gemessen in Milliarden Personenkilometern je Wegezweck aufgezeigt. Wir haben hier die historischen Werte aus verkehrenden Zahlen dagegen geplottet für 2019 und für 2021, wo man eben schon sehr stark auch den Corona-Effekt auch mit drin sieht. Und für das Szenario 6 sieht man jetzt eben und 615 im Vergleich sieht man eben die Wirkung der unterschiedlichen Homeoffice-Raten beim Berufszweck des Pendelns. Man sieht hier auch sehr schön die Auswirkungen bei der Verkehrsleistung für den Zweck des Freizeitverkehrs, der im Szenario 615 deutlich höher ist. Und auch nochmal im Vergleich zu 2019 sieht man eben in beiden Szenarien, dass beim Geschäftsverkehr, wir hier einen deutlichen Anstieg in beiden Szenarien, ja auch von Online-Meetings hatten, das dann eben auch zu einer Reduktion der Personenverkehrsleistung für den Zweck Geschäft führt. Grundsätzlich auch hier nochmal anzumerken, wir haben auch unterschiedliche Bevölkerungsannahmen, die auch hier hinter stecken. Das heißt, auch das höhere 615er Szenario steckt da auch mit drin, dass wir eine höhere Bevölkerung haben. Wir haben uns im Projekt nicht nur mit Wegezwecken beschäftigt, sondern eben auch mit unterschiedlichen Modalsplits, die da die Personenverkehrsleistung ins Energiesystemmodell dann je Transportmittel mit einfließt. Auch hier stammen die Annahmen zu den unterschiedlichen Modalsplits aus der CIB. Wir haben hier einzelne Deskriptorenannahmen zum Modalsplit direkt, aber auch zum Ausbau der Infrastruktur, also ob es eher sich auf den Straßenverkehr oder eher auf die Schiene verlagert. Wir haben unterschiedliche Stadtentwicklungen angenommen, die dann hervorrufen können, ob es eher aktive Mobilitätsformen sind, also zu Fuß oder auch mit dem Radverkehr und unterschiedliche Annahmen zum Flugverkehr. Für die beiden Beispiele hier jetzt für 6 und 615 sind diese Annahmen genau identisch. Was man jedoch sehen kann, ist, man hat eine
ähnliche prozentuale oder die gleiche prozentuale Aufteilung dann je Transportmittel. Das Ganze kann jedoch auch anders aussehen. Jetzt nicht nochmal geplottet für die unterschiedlichen Wegezwecke, sondern nur für zwei Szenarien. Das Szenario 6 hat mir schon eingeführt, dann noch ein Vergleichsszenario, in dem wir die gleiche Bevölkerungsentwicklung haben. Wir haben auch unterschiedliche Deskriptoren, die wiederum auf die Wegezwecke führen. Das heißt, wir haben hier auch eine Verschiebung mit drin. Aber dieses Szenarien wurde jetzt auch ausgewählt, da wir eben auch unterschiedliche Annahmen zum Modal-Split haben. Grundsätzlich ist im Szenario 1696 eine Verschiebung zum Umweltverbund da. Wir haben einen Rückgang im Flugverkehr. Städte sind in der Mehrzahl auch ökologischer, sodass es auch mehr aktive Mobilitätsformen gibt, was man hier jetzt auch in einem verhältnismäßigen Rückgang des Individualverkehrs im Szenario 1696 sehen kann. Das sind hierzu unsere drei ausgewählten Szenarien. Das lässt sich natürlich auch noch im Verlauf dann eben noch unterschiedlich analysieren. Das wäre jetzt die erste Übersetzung aus dem Energy Service Demand Translation Tool und dann würde ich auch übergeben.
S05: Ja, dann würde ich auch übernehmen mit ein paar Ergebnisse aus dem Energiesystem-Modell. Also das Energy Service Demand Translation Tool berechnet, wie wir gesehen haben, die Personenkilometer, die dann später als Input, als Nachfrage in das Energiesystem-Modell reingehen. Es gibt sechs Kategorien, was wir gesehen haben, wie wir gesehen haben. Aber für das Energiesystem-Modell sind relevant nur die ersten vier, die wir hier sehen, weil die quasi mit Energieverbrauch verbunden sind. Deswegen habe ich hier in der nächsten Folie eine kurze Zusammenfassung für die Personenkilometer, für die drei Szenarien, die gezeigt wurden, nur für die vier Verkehrsmittel, die relevant sind. Also wir haben dann im Szenario 6 die gleiche Anzahl an Personenkilometer und den gleichen Modelsplit mit minimalen Änderungen, hauptsächlich für den Motorisierter-Individualverkehr und Eisenbahnverkehr und eine kleine analoge Erhöhung für den öffentlichen Straßenpersonenverkehr und Luftverkehr, sodass aber genau die gesamte Anzahl an Personenkilometer gleich bleibt und der Modelsplit nur bei ein bis zwei Prozent unterschiedlich ist im Vergleich zum Jahr 2021. Für das Szenario 615, dann haben wir auch den gleichen Modelsplit mit einer Erhöhung pkm und für das Szenario 1696 haben wir nicht nur eine große Reduktion in Personenkilometer, aber auch dann eine Änderung in den Modelsplit. Also hier haben wir eine große Reduktion in den MIV und im Luftverkehr. Dafür haben wir eine Erhöhung in Personenkilometer für den öffentlichen Straßenpersonenverkehr und Eisenbahnverkehr, sodass auch dann der Modelsplit stark sich ändert. Also was wir dann haben, ist sozusagen ein Szenario, das Szenario 6, wo quasi alles in der Zukunft, also im Jahr 2050, alles so gleich passiert wie heutzutage oder wie im Jahr 2021. Ein Szenario, wo allgemein mehr gefahren wird, aber im gleichen Verhältnis wie auch im Jahr 2021 und das Szenario 1696, wo es wird weniger gefahren, aber die Menschen benutzen auch mehr die öffentlichen Verkehrsmittel. Und was das für einen Einfluss auf den Energieverbrauch hat, sehen wir in der nächsten Grafik. Also wir haben hier zwei Grafiken. Die linke Grafik zeigt den gesamten End-Energieverbrauch pro Verkehrsmittel für die drei Szenarien und auch für das Jahr 2021. Die werden in Terrawattstunden gezeigt. Und auf der rechten Seite haben wir den End-Energieverbrauch nur für Strom pro Verkehrsmittel. Wenn wir jetzt jedes Szenario mit dem Jahr 2021 vergleichen, sehen wir, dass wir eine große Reduktion im Energieverbrauch haben. Diese Zahl von jeder Spalte zeigt die prozentuale Reduktion von einem Energieverbrauch. Aber wie wir gesagt haben, erst im Szenario 6 ändert sich nichts im Vergleich zum Jahr 2021, aber trotzdem haben wir eine große Reduktion. Der Grund hier ist die Änderung in der Technologie, die hauptsächlich in MIV
basiert. Und das heißt eigentlich, das sind die Elektroautos. Also im Jahr 2050 waren fast nur Elektroautos und das kann man auch hier sehen auf der rechten Grafik die blaue Spalte für Szenario 6 ist genauso hoch wie die Spalte für die blaue Spalte für Szenario 6 auf der linken Grafik. Also der gesamte Verbrauch kommt fast ausschließlich aus dem Strom. Genau, also den einzigen Unterschied, den wir hier haben, kommt aus der Technologieänderung, weil Elektroautos eine höhere Effizienz haben als Autos mit Brennungsmotor. Wenn wir jetzt zum Szenario 615 gehen haben wir die gleiche technologische Änderung, die wir im Szenario 6 haben, aber eine erhöhte Anzahl an Personenkilometer und das ist der Grund, warum der Endenergieverbrauch im Szenario 6 in den zwei Szenarien ergibt. Also im Szenario 615 ist der Grund, warum hier der Verbrauch so hoch ist, nur die erhöhte Anzahl an Personenkilometer, weil auch die Anzahl an pkm höher ist und der Modelsplit gleich ist. Wichtig ist auch zu sagen, dass es die Technologieänderung nicht nur im MIV gibt, aber teilweise in anderen Verkehrsmitteln, also im öffentlichen Straßenpersonenverkehr zählen dazu die Linienbussen, also Bussen, die in der Stadt fahren und die werden auch zum großen Teil elektrifiziert und dadurch wird auch der Energieverbrauch weiter sinken. Aber dazu gehören auch U-Bahnen, die bereits heutzutage voll elektrifiziert sind und da gibt es keine Änderung. Für den Eisenbahnverkehr gilt das Gleiche, also die sind zum großen Teil heutzutage auch elektrifiziert und für die Strecken, wo keine Elektrifizierung möglich ist, dann werden die fossile Kraftstoffe, die heutzutage benutzt werden, dann durch synthetische Kraftstoffe und Wasserstoff ersetzt und das Gleiche gilt auch für den Luftverkehr. Hier werden auch die fossile Kraftstoffe durch synthetische Kraftstoffe und Wasserstoff ersetzt. Das kann man auch auf der rechten Grafik sehen. Im Luftverkehr wird kaum Strom benutzt und das ist dann nicht wirklich signifikant für den gesamten Verbrauch. Wenn wir jetzt zum Szenario 1696 gehen, da haben wir die gleiche technologische Änderung, die wir auch in den zwei anderen Szenarien haben, aber zusätzlich haben wir hier eine niedrige Anzahl an pkm und eine Änderung in Modelsplits, sodass der Energieverbrauch noch weiter senkt. Hier in dem Szenario haben wir auch eine Annahme, dass es einen höheren Besetzungsgrad gibt. Das bedeutet hier, wie viele die durchschnittliche Anzahl an Personen, die in einem Auto sind, wenn das Auto fährt. Dadurch wird die Energie weiter sinken, weil die Effizienz von Autos steigt, wenn mehrere Personen gleichzeitig fahren können. Insgesamt als kurze Zusammenfassung wollte ich von meiner Seite sagen, dass im Mobilitätssektor wird, wenn auch nichts ändert, also wenn eine Änderung im Lebensstil haben, wird der Energieverbrauch stark reduzieren, allein deswegen, weil wir technologische Veränderungen haben und das kommt auch durch die Elektrifizierung, aber es gibt dann auch Faktoren, die einen großen Einfluss auf den Energieverbrauch haben können, wie der Modelsplit und auch der Besetzungsgrad von Autos, die dann den Energieverbrauch weiter sinken können. Und genau, damit wollte ich dann weiter an meine Kollegin Camilla weitergeben.
S06: Danke, Dimitris. My name is Camilla, I am part of the DLR Institute and for my presentation I would change languages, to English. I hope this is fine with everybody. I will introduce the Method for the shifting of Travel Demand Profiles and the example for Private Mobility. So, first of all, when we start looking for a method that was able to capture the social future change from the CIB scenarios into the energy demand profiles, which are very important for the disaggregation afterwards, we came with the idea on influencing the mobility patterns as before from the source of data. So, in this case, we took the MID service data and then influencing them accordingly with the characteristics of future scenarios. So, for doing this, we perform a clustering process where multiple customized profiles were generated and then we manipulate them accordingly for each scenario coming from the CIB analysis. So, here we can see the complete overview of this idea of this method and the
workflow where the core points lies on first the definition of different clusters and we call them user types and then the selection of different socio-economical aspects that we can calculate from the CIB analysis and translate from the CIB analysis and then combine them in order to generate customized travel demand profiles for each of these scenarios. And here we can see how is the interaction of the different tools for making this method happen. So from the CIB analysis we took the descriptions and using the energy service demand tool we translate all these into social economic indicators and then in a parallel process we make this clustering and then we integrate this together in a module of the demand disaggregation tool in order to create the individual scaling of the profiles of each cluster. Then we aggregate per scenario and we can deliver these daily aggregated profiles into times for further processing. This is a description of the usage of the different descriptors of the scenarios that we use in order to produce input for this scaling method for each type user method. For each of the descriptors some of them we were not able to include every one of those but this effect in the mobility the private mobility and how they are translated into which parameter that we use for the method. Then from now on I will focus my slides in the implementation of this approach and then I will show you the results that we obtain for these three scenarios that we have been talking about. That has the focus on the topic of future work so that means the new forms of work so here is the quantification of the different scenarios for the social trend of New Work and this is how the distribution of different types forms of work developed for different scenarios for the years under study so you can see for example how the proportion of regular employees going to office commuting to office for the scenario six is drastically changed from 2021 until 2050 because in this scenario six new forms of work and the shares of for example people going to home office or having a lifestyle related to work life blending is increased and this is the manifest state here in the decrease of regular employees on the other hand for example if you take a look to scenario 615 and scenario 1696 these proportions are mainly stable because these two scenarios consider the shares of home office to return in to pre-coronavirus levels and no work-life planning is adopted for these two scenarios so this is interesting to have this comparison in order to see how these baselines affect in shifting of the profiles can you continue please with the next and then here I make a typo this is not model split this is travel purposes but here we can see the different reasons why people are mobilizing with the private cars for the different scenarios and in general we can see that the majority that the dominant travel purpose is the private reasons and then here in the left part we can see the development of the total personal kilometers traveled annually and then we can see the difference between the three scenarios that we are analyzing so the scenario 6 has a moderate development with a little bit of decrease by the end of the 2050 scenario 615 had an increase of people using their personal cars and in the scenario 1696 we can see a drop on the travel kilometers by the final year that we analyze this is regarding the clustering process because with the base of the different socio-economical indicators that we extract from the CIB scenarios then we also make parallel to this process the clustering and for that we make a selection using the available information that we have from the MIT service together with information that also we can use from the CIB analysis so we base for this clustering the segregation of the different groups using first as occupational status, but we also use other social economical indicators for doing this clustering and we can see here some examples of the different mobility patterns for different clusters that we generate as a base for this scaling every cluster exceeds very different mobility patterns during the day for the different travel purposes so we can see for example for commuting how regular employee commutes it's a little bit different from the commuting of a student or how a
person that is pensioner moves during the day for going to shop in comparison with a person that is studying and so it's similar for the private purposes so all of these differences we use in order to adapt to the future scenarios for the new ways of work that we are implementing for example for the home office workers or for the work-life blending types of work we adapt the mobility patterns from other clusters because this of course doesn't exist explicitly in the service so for the commuting profiles for remote workers these were suppressed so people are not moving are not commuting for working when they do home office obviously and then for the remaining purposes as shopping or private or leisure we adapt the mobility patterns from the part-time workers and now for the work-life blending workers we relate their mobility patterns to the housewife mobility patterns so we take the mobility patterns of housewives to the work-life blending mobility and yeah thank you this is the results that we obtained after scaling and aggregate the different mobility patterns for the different scenarios and years according to the changes in the social economical indicators and then we can see the results for the last year for example in the scenario 6 which has a lighter increase on pkms and then we can also see from the black line which is the base scenario a little increase for the scenario 6 in the final year in comparison with the scenario 615 which has a more abrupt increase on mobility and then we can also observe it here and for finally for the scenario 1696 in the final year where we have actually a decrease on the mobility we can see it here shifts of the profile are kind of moderate but they are present there we can continue with the next slide in order to compare them here we can see the comparison of the year in between 2030 for the different three scenarios under analysis and the base one and for year 2050 and then we can see here more clearly especially for the last year how the profiles are actually shift when for example for the scenario 6 which is taking a lot of the remote work so we can see a decrease on the peak commutants more or less in the profiles whether for the scenarios 615 and 1696 which is more conservative in terms of remote work then you can see the higher peaks on the morning and in the evening nevertheless the private travel purpose is dominant for all of the scenarios and this is also having the highest share of pkm for all the scenarios so we see that the dominant peak is due to this in the higher in the evening hours for all of them. now we can continue with the next. okay so after processing this demand and energy demand travel demand profiles we deliver this to times and TIMES is able to calculate the annual electricity demand using these inputs and then we can apply the process using the tool Vencopy which is developed in our institute so we deliver to Vencopy the different clustering process and also the individual scaling for per cluster and we process the charge demand profiles and then we can produce charge demand profiles and normalize and then using the figures the annual figures of electricity demand for every scenario we are able to produce the annual time series that can be processed further in the energy system modeling. So now please to the next slide so here we can see the results of Vencopy regarding the future charge and demand profiles for the scenarios under study if you take a look into the right part here I wanted to compare the base scenario with scenario 6 which is the scenario adopting remote work and work life blending and from these results we can see how in general this is the overview for a typical week for winter and then we can see for the week days between Monday and Friday there is a substantial decrease in the electricity demand for this scenario where it's not so drastic it's more moderate for the weekend so we can see here the reflect of this remote activity and the decrease in commuting during the weekdays for this specific scenario and then here in the left part we see the differences between the three scenarios and which is also linked to the results that my colleague Dimitris was presenting you before and here we can see the differences in the profiles and the energy demand for a typical week this is for final years for
2015. you can continue the next slide yeah so I also summarized my takeaways from this procedure and this result so at the end we demonstrated this method is capable of capturing variations coming from future social behavior and we were able to translate the social changes from the CIB analysis into shifting in the profile and the travel energy demand and also for the charging demand and we for this particular experiment that we did with these three scenarios we realized that the new works like what was expected the new ways of working especially for the commuting influence and has a lot of potential to shift the travel demands on the peak for the morning and the evening and also reflect the expected higher effect in the weekdays rather than in the weekends and also in general we also summarize the scenarios all of them keep dominant the private purposes as main travel purposes so this is dominating also the profile the energy demand profile and the charge demand profile we have a peak in the afternoon and in the evenings for all of the scenarios again here this type of and so the travel purposes has a major impact when we want to shift this energy demand profile so they really impact the early distribution of the demand and that's what I wanted to share with you about the results of private mobility.
S05: Ich will heute die Ergebnisse der Stahlproduktion zeigen. Die habe ich ausgewählt weil der Energieverbrauch in der Stahlindustrie am größten ist und die Stahlbranche, die Branche mit dem höchsten CO2-Ausstoß ist. Bei der Produktion vom Stahl ist auch interessant zu sehen, wie verschiedene Produktionsrouten über die Jahre dann eingesetzt werden. Aber erst einmal, damit wir einen Überblick zwischen zwei Szenarien haben, also Szenario 6 ist mit blau markiert und das Szenario mit der hohen Produktion 2547 ist orange markiert. Wir sehen hier für die zwei Szenarien die Produktion für Stahl in Millionen Tonnen, die wir dann als Input in das Modell eingeben. Also wie ich davor auch gesagt habe, das wird ins Modell eingegeben als Nachfrage und das Modell entscheidet, welche Technologie und welche Energieträger werden benutzt, um diese Nachfrage zu bedienen. Was wir sehen ist, dass immer wieder gibt es einen großen Unterschied an der Produktionsmengen. Es sind zwei Szenarien und im Jahr 2050 ist sogar die Produktion im Szenario mit der hohen Produktion doppelt so viel wie im Szenario mit der niedriger Produktion. Und was das für das Energiesystem bedeutet, sehen wir hier. Wir sehen erstmal das Szenario 6 mit der niedrigen Produktion. Also links haben wir den gesamten Endenergieverbrauch für die Produktion für Stahl. Jede Spalte zeigt den gesamten Energieverbrauch und der Teil mit der durchgeschrittene Linie zeigt den Stromverbrauch und die Zahl oberhalb von jeder Spalte zeigt den Anteil an Strom. Was wir hier sehen auf der Grafik ist auch was zu erwarten ist sozusagen. Die Produktionsmenge ist über die Jahre immer weniger und so wird auch das Gleiche passiert mit dem Endenergieverbrauch. Das können wir auch auf der rechten Seite sehen. Hier haben wir die Menge an Stahl, die von den verschiedenen Produktionsrouten hergestellt wird. Wir sehen, dass insgesamt wird, was wir auch gesehen haben, dass für das Szenario insgesamt wird die Menge sinken. Aber wir sehen auch eine Änderung in der Produktionsroute. Also wenn wir jetzt das Jahr 2021 schauen, findet die Produktion hauptsächlich durch die Hochofen-Konverter-Routen statt, die die Standardproduktion in Deutschland ist. Ungefähr ein Drittel von der Produktion kommt aus dem Elektrolichtbogenofen. Das ist die Recyclingrouten und eine sehr kleine Menge kommt aus der Produktionsrouten mit Direktreduktion mit Erdgas. Was wir sehen können, ist, dass über die Jahre gibt es den Abbau von der Hochofen-Konverter-Routen, weil das ist auch die Produktionsrouten, die am meisten Energie verbraucht und am meisten emittiert. So dass über die Jahre dann die Produktionsrouten mit Direktreduktion die Produktion übernimmt und ab dem Jahr erst mal durch Erdgas und dann ab dem Jahr 2040 wird die Direktreduktion von Erdgas durch die Direktreduktion mit Wasserstoff ersetzt. Im Jahr 2050 haben wir dann
die Produktion nur durch die Recyclingroute und durch die Direktreduktion mit Wasserstoff ungefähr bei 50% pro Produktionsroute. Wenn wir jetzt das Gleiche für das Szenario mit der hohen Produktion sehen, also den Endenergieverbrauch und die Produktionsrouten, haben wir unterschiedliche Tendenzen. Also in dem Szenario wird die Produktion immer wieder steigen, aber was wir hier auf der linken Seite sehen, der Endenergieverbrauch wird trotzdem sinken mit erstmal einem kleinen Anstieg, aber die Tendenz ist, dass der Endenergieverbrauch sinkt. Der Grund dafür ist, auch auf der rechten Seite, auf der rechten Grafik zu sehen, die Technologien, die angesetzt werden. Also in dem Szenario haben wir die Annahme, dass Stahl aus Recyclingrouten, also mehr Stahl produziert werden kann durch die Recyclingrouten und das sieht man auch im Jahr 2050, wo der Anteil von der Recyclingroute an produzierten Stahl ist sehr hoch im Vergleich zu der Produktionsroute mit Direktreduktion aus Wasserstoff. Und das ist auch der Grund, warum der Endenergieverbrauch auch nicht weiter steigt, obwohl die Produktion steigt, weil die Recyclingroute hat eine geringere Energieintensität und dadurch kann auch Energie gespart werden durch diese Produktionsroute. In der nächsten Folie sehen wir dann die Emissionen für die beiden Szenarien und nach Produktionsroute. Wie ich davor gemeint habe, dann wird für alle Szenarien die Hochhofen-Konferter-Route abgebaut und das ist auch die Route, die die am meisten limitiert. (.) Obwohl wir in dem Szenario, also in der rechten Grafik im Szenario 2547, eine hohe Produktion haben, sinken die Emissionen auch in der gleichen Tendenz wie auch im Szenario 6. Und der Grund dafür ist einfach, die Technologien, die angesetzt werden, die dann emissionsfreier werden. Oder genau zu sagen, ab dem Jahr 2045 gibt es keine Emissionen mehr, weil die komplett CO2-frei Stahl produzieren können. In den zwei Jahren davor, also in Perioden davor, 2035 und 2040, wird sogar auch Carbon Capture and Storage benutzt, um die Emissionen zu lagern, die oder ja von der Produktion, die nicht zu vermeiden sind, dann wird das auch die Technologie eingesetzt, um die gesamten Emissionen zu reduzieren. Und ich hatte am Anfang auch kurz erwähnt, die Flexibilität. Also hier habe ich die Lastprofile für die zwei Szenarien im Vergleich für das Jahr 2050. Ich hatte gemeint, dass das Szenario 6 ein Szenario ist, wo nichts ändert und alles gleich bleibt wie auch im Basisjahr. Also das Profil für das Jahr 2050 für Szenario 6 ist genauso das gleiche wie das Profil im Jahr 2021. Und wir sehen, dass es die von einer gewissen Uhrzeit so ab 8 Uhr morgens bis 15 Uhr mittags die Produktion steigt. Und mit der Annahme, dass die Flexibilität möglich ist, dann können wir das Verhältnis zwischen dem Peak, was wir als blaue Linie da haben und den Durchschnittslast dann reduzieren, damit dann auch nicht so viel Energie vom Netz benutzt wird. Genau, also dann auch eine kurze Zusammenfassung von was ich jetzt für die Industrie gezeigt habe. Die Produktionsroute können dann den gesamten Energieverbrauch und die Emission stark beeinflussen und wenn auch Produktionsrouten durch das Recycling oder das Produkt durch das Recycling hergestellt wird, dann kann das noch weiter senken. Und die Flexibilität, eine höhere Flexibilität kann dann die Lastspitzen vermeiden, sodass das Energiesystem nicht so gleichzeitig an vielen Energieverbrauch gibt.
S03: Genau, dann würde ich jetzt noch ein paar erste Ergebnisse aus dem Haushaltssektor zeigen, mit dem Fokus zum einen auf die Anwesenheitsprofile, die dann eben wieder die Grundlage oder eine der Grundlagen für die letztendlichen Lastprofile sind, wobei ich hier auf die Stromlastprofile schaue. Für die Anwesenheit, kurz als Übersicht, ich schaue mir hier auch die Szenarien 6 und 615 an, die wir eben auch in der Mobilität unter anderem schon gesehen haben. Für die Anwesenheit spielt diese Sammlung an Nachfragetreibern und ihre Ausprägungen eine Rolle. Also wir haben zum einen natürlich die Gesamtdemografie, wir haben das Pendelverhalten und Homeoffice, die eine Rolle spielen eben bei der Anwesenheit, generell die Erwerbsformen und die Freizeit, die auch noch potenziell eine
Rolle spielen kann. Genau, wenn wir uns die Bevölkerung anschauen, das ist jetzt zunächst mal Szenario 615, dann ist die Gesamtbevölkerung hier unterteilt in einer Sammlung an verschiedenen sozialen Gruppen. Das ist ein bisschen analog zu dem, was Camilla auch im Mobilitätssektor schon vorgestellt habe. Das sind Gruppen, die so gewählt sind, dass sie typische Anwesenheitsprofile aufweisen, eben bei der Analyse der Zeitverwendungserhebung dieser Gruppen. Und für die Szenarien, also für die Abbildung der Zukunftsszenarien, verändert sich dann das Verhältnis dieser Gruppen an der Gesamtbevölkerung. Das sieht man hier eben für das Szenario 615. Da sieht man, dass es eine Zunahme an der nicht arbeitenden Bevölkerung gibt und eine leichte Abnahme unter der arbeitenden Bevölkerung am Homeoffice, was dann zu dieser Gesamtzusammensetzung führt. Genau, wenn man das Szenario 6 anschaut, sieht man, dass es hier jetzt für die Anwesenheit unterteilt, da wir im Szenario 6 die Tendenz zu Halbwochenpendeln haben. Dafür haben wir die Annahme getroffen, dass die Menschen überwiegend montags und freitags im Homeoffice arbeiten und dienstags bis donnerstags ins Büro pendeln, weshalb hier für dieses Szenario dann verschiedene Anwesenheitsprofile für die jeweiligen Typ-Werktage generiert werden, weshalb eben auch verschiedene Bevölkerungszusammensetzungen hier genutzt werden, die sich eben im Anteil Homeoffice unterscheiden. Und da sieht man, dass das Szenario 6 eben eine starke Zunahme an Homeoffice hat, die eben dann gerade montags und freitags sich hier ganz deutlich zeigt, dass deutlich mehr Menschen im Homeoffice und auch mit Work-Life-Blending im Homeoffice arbeiten, als das im Referenzszenario oder im Basisjahr der Fall ist. Während Dienstag bis Donnerstag es eben einen großen Anteil gibt an Leuten, die dann an diesen Tagen ins Büro pendeln, was hier die Unterscheidung zwischen diesen Typ-Tagen ausmacht. Wenn man sich jetzt für diese beiden Szenarien mal das durchschnittliche Anwesenheitsprofil anschaut, muss man sagen, das ist quasi der Anteil an Menschen, die im Haushalt zu Hause und aktiv sind. Aktiv bedeutet eben, dass sie nicht schlafen, vor allen Dingen primär mal und somit potenziell eine Energiedienstleistungsnachfrage generieren, indem sie Haushaltsgeräte verwenden, indem sie heizen, was auch immer. Genau, und da sieht man jetzt im Vergleich Szenario 6, Szenario 615 und eben das Basisjahr als Referenzszenario, dass hier vor allen Dingen der Unterschied im Homeoffice auffällt, weshalb sich das Samstagsprofil wenig unterscheidet, in dem primär die generelle unterschiedliche Bevölkerungszusammensetzung wirkt. Für den Werktag aber eben deutlich zu sehen ist, dass in dem Szenario mit einem sehr hohen Homeoffice-Anteil auch im generellen Durchschnitt das Profil an den Werktagen etwas flacher wird, da mehr Menschen durchgängiger zu Hause aktiv sind. Genau, wenn man das jetzt als einen der Inputs verwendet und weiter Richtung Lastprofile schaut, dann kommen noch ein paar Nachfragetreiber dazu, die zum einen auf die Gerätenutzung wirken, die eben auch in das Demand Disaggregation Tool an der Stelle eingeht. Das sind vor allen Dingen Konsummuster, aber eben auch Homeoffice und die Freizeitorientierung. Die ist auf die Geräte vielleicht kurz als Verknüpfung vor allen Dingen dann relevant, wenn die Freizeit überwiegend von Digitalisierung geprägt, verbracht wird. Genau, und zum weiteren kommen dann letztendlich noch natürlich der insgesamt die Haushaltsgrößenverteilung als Veränderung auch eigentlich auf die verschiedenen verwendeten Anwesenheitswahrscheinlichkeiten. Das Klimaszenario kommt dann noch dazu. Wenn man sich jetzt hier ein Lastprofil anschaut, das ist mal noch mit einer etwas reduzierten Menge an Haushalten, deshalb hat es noch etwas statistische Fluktuation, das ist momentan der Performance geschuldet, die ich am Optimieren bin, sieht man, dass man hier in beiden Szenarien einen veränderten jahreszeitlichen Verlauf hat. Da wirkt jetzt zum einen das veränderte Klimaszenario, was
eben durch einen Bedarf an Klimatisierung eine jahreszeitliche Veränderung des Lastprofils verursacht. Zum anderen, was das Heizen angeht, hat man hier bei den beiden Szenarien den interessanten Fall, dass das Szenario 6, das ja deutlich mehr Homeoffice und mehr Anwesenheit zu Hause hat, gleichzeitig aber auch suffiziente Konsummuster beinhaltet, wodurch zum Teil durch quasi suffizienteren Konsum wiederum die Nachfrage nach Energiedienstleistung bei den Geräten sinkt. Wenn man sich das im Tagesprofil anschaut, dann sieht man hier, man sieht auf jeden Fall den Effekt zwischen den unterschiedlichen Szenarien. Allerdings ist es auch hier so, dass sich eben sehr viele Effekte überlagern, dass man zum einen eben die, wie vorhin gesehen, veränderte Anwesenheit durch Homeoffice hat, die sich zeigt, aber eben wieder überlagert mit veränderten Konsummustern, die eben bei suffizientem Konsum eine Reduzierung der Benutzungsstunden verschiedener Geräte bedeuten und dann eben auch wieder überlagert mit gerade auch eher in den Abendstunden relevant dem Freizeitverhalten, das in beiden Szenarien eher außer Haus stattfindet, weil es natur- oder dienstleistungsorientiert geprägt ist. Und das heißt insgesamt lässt sich dann sagen, wenn man die Stromlastprofil im Haushaltssektor anschaut, man sieht am Anwesenheitsprofil ganz klar, dass eine Veränderung im Anteil des Homeoffice einen Einfluss hat und dort eben die Veränderungen dominiert. Man sieht im Jahresprofil einen Einfluss des Klimaszenarios, des gewählten, aber eben mit Überlagerung weiterer Effekte, was man eben auch ganz klar im Tagesprofil sieht, dass sich die verschiedenen Einflussfaktoren wie Homeoffice, suffizienzgeprägte Konsummuster oder das Freizeitverhalten überlagern und dadurch einzelne Veränderungen nicht klar einem Effekt zuordenbar ist. Dafür wären dann weitere Szenarioanalysen mit ausgewählten Szenarien, wo sich dann einzelne Nachfragetreiber verändern nötig, um eben genau einzelne Veränderungen im Profil auf einzelne Treiber zurückzuführen, weil eben insgesamt in den Haushaltssektor über die Geräte und über die Anwesenheiten viele verschiedene Einflussfaktoren wirken, die dann letztendlich einen überlagerten Effekt ergeben.
S7: Dankeschön. Genau, ich habe noch nicht gesprochen, Hans Christian Gils mein Name, auch vom DLR und ich habe hier die Aufgabe übernommen, nochmal quer über die verschiedenen Sektoren, die jetzt im Detail vorgestellt wurden, ein paar Herausforderungen zu benennen, die wir so gesammelt haben. Ich denke, es ist allen jetzt nochmal klar geworden, dass wir in dem Projekt doch mit vielfältiger Komplexität zu tun hatten, aufgrund der Betrachtung der einzelnen Sektoren, der vielen Einzelprozesse, die dort sind, aber eben auch aufgrund der Szenarienanalyse, die natürlich jetzt nicht auf eine Tätigkeit, auf einen Sektor, sondern eben auch immer sektorenübergreifend wirkt und das hat uns doch auch sehr dominant beschäftigt über die letzten Jahre der Projektlaufzeit. Genau, das haben wir hier nochmal versucht zusammenzufassen und auch immer nochmal kurz darauf einzugehen, wie wir dann jeweils mit umgegangen sind und genau, es geht jetzt erstmal so um den Themenkomplex der Szenarienentwicklung und der Modellierung, wo wir doch einfach mit der Notwendigkeit konfrontiert werden, sich eben mit den schon angedeuteten komplexen Systemzusammenhängen zu beschäftigen und eben aufgrund dessen eben die CIB-Methode, Cross-Impact-Bilanzanalyse gewählt haben, aber eben auch als einen Ansatz in der Multi-Sektor-Analyse, um dem Herr werden zu können. Ergänzend eben auch, das System ist sehr komplex und auch die Flughöhe der Szenarien in der CIB, auf die wir jetzt heute nicht im Detail angegangen sind, ist natürlich sehr, hat eine hohe Flughöhe, aber andererseits brauchen wir natürlich einen hohen Detailgrad an der Hand für die Modelle und deswegen haben wir eben eine große Anzahl von Nachfragetreiber in der CIB integriert, um das möglichst gut abdecken zu können, aber sind dementsprechend natürlich auch mit einem sehr großen Lösungsraum konfrontiert gewesen. Genau, es gibt, haben sich gezeigt,
mögliche Inkonsistenzen mit Nachfragen für Energiedienstleistungen, wo wir dem über Harmonisierung und Kalibrierung der Basisjahresdaten begegnet sind und diese eben übereinstimmt mit den statistischen Energiebilanzen dann bestimmen konnten. Und genau, jetzt eher wieder modellbezogen auf das Energiesystemmodell bezogen, dass eben die unterschiedlichen Lebensstilszenarien, so wie wir sie eben definiert haben, hier mit dem Energiesystemmodell nicht abbildbar waren und deswegen eben neue Prozesse eingeführt wurden, bestehende Prozesse verändert werden mussten, um diese Annahmen dann eben aus Szenarien integrieren zu können in die Modellierung. Dann würde ich weitermachen mit dem Themenbereich der Datenverfügbarkeit, der letztlich sich über sehr viele Bereiche dann auch wieder erstreckt hat, dass teilweise einfach Daten fehlen, um wirklich die Effekte einzelner Treiber zu quantifizieren. Was bedeutet es denn jetzt genau für, den stündlichen Verlauf, aber auch für die Jahresmenge im Energiebedarf, wenn jetzt eben gewisse Trends sich umsetzen. Und letztlich müssen wir vieles eben auch als implizit dann berücksichtigen, indem wir Wechselwirkungen in der CIB haben, die dann eben indirekte Treiber sind für die Quantifizierung. Häufig eben auch keine Daten in der richtigen Auflösung. Das heißt, da haben wir eben Daten genutzt, die da waren, bestmöglich sie übertragen, auf der Grundlage eben Festlegungen getroffen, wie die Effekte dann eben quantitativ aussehen. In eine ähnliche Kerbe schlägt im Prinzip auch das nächste. Also wir müssen, wo es keine solide Grundlage gab, Namen treffen und diese eben transparent dokumentieren unter Nutzung der vorhandenen Informationen. Und auch das Thema Konsistenz zwischen den Daten ist eben eins, was uns beschäftigt hat, wo wir eben ein Datenframework zur Erfassung der Abhängigkeiten geschaffen haben. Dann auf der letzten Folie geht es dann auch eben um die Verarbeitung der Daten in eben den Tools, die vorhin ja schon sehr detailliert dargestellt wurden. Wir haben uns lange auch mit dem Thema Datenmanagement beschäftigt. Wir haben viele verschiedene Ansätze und Tools in dem Projekt, die völlig unterschiedliche In- und Outputs haben. Und natürlich auch daraus ergeben sich Ansprüche an den Informationsfluss, dem wir eben begegnet sind mit dem Anlegen einer Datenbank, die eben diese Daten speichert, die an einer Stelle erzeugt werden oder an anderen Stelle wiederum genutzt werden. Nächster Punkt, auch damit zusammenhängt, es gibt jeweils spezifische Datenanforderungen, Formate, aber auch eben, welche Werte werden benötigt. Und an der Stelle, wo wir eben Tools jetzt neu entwickelt haben, haben wir diese möglichst flexibel ausgestaltet und wiederum unsere Annahmen transparent dokumentiert. Und genau, der vorletzte Punkt hier, dass die Herausforderung hier auch war die Quantifizierung auf Basis der Treiberkonstellationen und nicht nur einzelner Trends, wo eben dann, wie es Felicitas vorhin dargestellt hat, Direktionsanalysen genutzt wurden und auch der Wärmeatlas weiterentwickelt wurde. Und genau, Sicherstellung der intersektoralen Konsistenz ist natürlich auch was, das, wie zu Beginn erwähnt, wenn der eine Sektor sagt, die Menschen sind immer unterwegs, dann dürfen sie natürlich nicht gleichzeitig zu Hause sein. Und das wird eben über die CIB dann, ja, offen gelegt, dass diese Wechselwirkungen entsprechend auch dann konsistent zueinander sind.
S6: Yeah, so I will change again language to English and right now we want to give you a short introduction of the demand disaggregation tool, which is still undergoing development until the end of the project. So, first of all, we decide to create the demand disaggregation tool as a repository, a Gitlab repository. And we also thought, best practice was to create two components for this tool in which you can access to the source and the main code, where you can implement by yourself your all the functionalities of the demand disaggregation for any possible application. But also you will have access to the other
component, which is called analysis. That will include all the notebooks and scripts related to the project. So you can access to all the outputs and all the data that we produce for the different scenarios within the project for general use also for visualization. So, this is how we decide to implement that. And this is the general structure of the tool conceptually. So, it is divided by the different sectors. Each sector conforms a module of the tool and they will be, of course, integrated. But for the moment they are developed individually. So you have functionalities for reading and handling the input data that comes from the database, the main database where all tools are communicating and using this data. And then every module can operate with their unique approach. The functionality is typically the construction of the typical days. That is an input for TIMES and then for the disaggregation and time series generation, using also for scaling the output from TIMES. Then you will be able to have the post processing of the same series, in which you can resample, aggregate between sectors or for the personal mobility, for example, you can aggregate or disaggregate according to vehicles, vehicle types. For example, for the public transport between trains, buses, et cetera, or for the private sector, you can aggregate or disaggregate for different travel purposes and so on. And each module will have their particularities for this. And finally, we have a front end with a visualization tool, which is mainly a dashboard, where you can play around with the different scenarios, see the differences and going into old results coming from the project. This is the general configuration. So what the demand disaggregation needs for operate is, in general, you will need to give them, the scenarios that you're looking at, which one is your base scenario, the references, as we describe it in the GeNESE project, but probably this will also use different naming for a more human understanding of what is about the scenario, but for now is using the references of the CIB analysis. And then you can also establish which is the output you want to create, where are the parts, of course, of your data input and output and some other specific sector configuration. So, which means more in the individual approaches that each sector uses. So every sector has their own parameters to configurate. So, this is the general overview conceptually and this is how it looks for the moment. So this is in development. This is a part of the visualization. So the front end where the user can access to the information from the project and check the different scenarios, values, how they're vary between the different indicators, social indicators, and how the demand profiles also change. So, if you're interested in the specific days or not evaluating the values, download the figures and hopefully also the data eventually. You can check different seasons for these, how they develop in the seasons and also for the different years. So you can see the changes for different years and for the different scenarios. Taking account that this is still an under development, so, not all results are available for the moment. But we have different buttons for the different sectors and eventually will be also have one that combine all of them. So this is for the personal mobility sector. This is regarding the public mobility. So, buses and regional trains and long distance trains. And we can see changes between state, seasons and for different scenarios. And also for the GHD sector. We can also take a look into the results for the different years. How the load for the GHD sector behaves for different years, different seasons. And we can also check if we're interested in different types of branches for the GHD sector. So here we use some more administrative and offices here as educational buildings or hospitals, gastronomy and services and so on. This is the status of the demand disaggregation tool and it will be also eventually access to the public via Gitlab.
So, as I explained at the beginning, you will be able to access to the repository and when installing the analysis tool, you will be automatically installing as well the core source. So you install this with the access to the dashboard and behind this repository you will be able to access to all the source code for your own development. So if you want to evaluate specific scenario from your research, you will be also able to organize the input data in order to recreate this demand disaggregation tool for your own research, but you can also access to the products of the project.