Der Wetterschwarm: Strompreisszenarien, Wetter und der Klimawandel

Mit diesem können für unterschiedliche Märkte konsistente P50-Strompreiskurven berechnet werden. Diese können klimabedingte Veränderungen über die Zeit abbilden. Das wirkt sich auf die erwarteten Erlöse der Erneuerbaren aus. In Deutschland steigen sie beispielsweise im Vergleich zum Standardszenario in einigen Jahren um bis zu 30 %. Ein exklusiver Einblick in den Ansatz erklärt, wie er aus der klassischen Anwendung von Wetterjahren hervorgegangen ist und welche Vorteile er bietet.

Modellierung von Wetter in Strompreisszenarien

Fundamentale Strompreisszenarien dienen dazu, mögliche Entwicklungen der Strompreise in den kommenden Jahren und Jahrzehnten aufzuzeigen. Das erleichtert es, beispielsweise die Wirtschaftlichkeit von Erzeugungsanlagen oder anderen Projekten zu bewerten. Die Analysten von Montel Analytics berechnen die Strompreisszenarien mit Hilfe des fundamentalen Strommarktmodells „Power2Sim“. Es simuliert stundenscharf das Angebot und die Nachfrage auf dem Strommarkt – die sogenannte „Merit-Order“ – unter Annahme einer Vielzahl von Modellparametern bis 2060.

Folgende Faktoren beeinflussen die Strompreisbildung:

• der verfügbare Kraftwerkspark, gegeben durch die installierten Erzeugungskapazitäten und kurzfristigen Kraftwerksverfügbarkeiten

• die Stromnachfrage,

• die Marktpreise für Commodities wie Erdgas,

• CO2-Zertifikate

• und das Wetter.

Zu den Wetterelementen zählen die Temperatur, die Niederschlagsmenge, die Windgeschwindigkeit oder der Grad der Bewölkung. Diese Faktoren beeinflussen die Strompreisbildung nicht nur auf der Erzeugungsseite bei Solaranlagen, Windturbinen und Wasserkraftwerken. Demgegenüber wirkt es sich auch auf der Nachfrageseite aus, beispielsweise auf den Heiz- oder Kühlungsbedarf.

Die fundamentale Strommarktmodellierung muss daher Annahmen über das Wetter bis weit in die Zukunft treffen. Natürlich wäre es dabei nicht praktikabel, für jede Stunde in den nächsten 30 Jahren spezifische Wetterannahmen zu treffen. Denn eine Vorhersage für die tatsächlich eintretenden Wettermuster ist in diesem Zeitraum nicht möglich. Stattdessen greifen Strommarktmodelle häufig auf historische „Wetterjahre“ zurück: Dabei wird angenommen, dass ein zukünftiges Modelljahr im Hinblick auf die Temperatur und die Erzeugungsprofile der erneuerbaren Energien (Wind und Solar) dieselben Werte oder Muster aufweist wie ein Kalenderjahr in der Vergangenheit.

Spezielle Faktoren bei der EE-Erzeugung

Bei der EE-Erzeugung muss man noch unterscheiden zwischen der unterjährigen „Verteilung“ der Einspeiseprofile und der jährlichen Gesamterzeugung. Ersteres wird häufig dargestellt in Form von sogenannten Kapazitätsfaktoren. Ein stündlicher Kapazitätsfaktor von 0.5 für Wind Onshore gibt beispielsweise an, dass in einer bestimmten Stunde Strom in Höhe von 50 % der installierten Nennkapazität erzeugt wurde. Das kann sich sowohl auf eine individuelle Anlage als auch auf die gesamte Onshore-Erzeugung von beispielsweise Deutschland beziehen.

Summiert man die Kapazitätsfaktoren über alle Stunden des Jahres auf, so erhält man die sogenannten Volllaststunden („full load hours“, FLH), aus denen sich, multipliziert mit der installierten Kapazität, die jährliche Gesamterzeugung ergibt.

Abbildung 1: monatliche Kapazitätsfaktoren für Wind Onshore für ausgewählte Jahre (Quelle: RenewablesNinja)

Abbildung 1 zeigt den monatlichen Durchschnitt der Kapazitätsfaktoren für Wind Onshore in den Jahren 2006, 2009 und 2014. Dies bezieht sich auf die gesamte momentan installierte Kapazität in Deutschland. Sie illustriert, dass es zwischen Wetterjahren nicht nur Unterschiede in der Anzahl der Volllaststunden gibt, sondern sich die Einspeiseprofile auch teils erheblich unterscheiden im Hinblick auf die unterjährige Verteilung. Das Jahr 2006 hatte beispielsweise eine höhere Anzahl von FLH (1595 h) im Vergleich zu den anderen beiden Jahren (1568 h in 2009 bzw. 1559 h in 2014). Insbesondere in den ersten beiden Monaten des Jahres war die durchschnittliche Erzeugung aber geringer.[1]

Die Wahl des Einspeiseprofils wie auch der Temperaturannahmen beeinflusst über die Merit-Order direkt die stündliche Strompreisbildung. Zusammenfassend lässt sich daher sagen, dass die Ergebnisse eines Strompreisszenarios nicht unerheblich von der Wahl des speziellen Wetterjahres abhängen.

Wetterjahre und die „P50-Kurve“

Montel Analytics verwendet in seinen Strompreisszenarien für den gesamten Betrachtungszeitraum momentan das Wetterjahr 2009. Mit anderen Worten, in jedem Modelljahr von 2024 bis 2060 entsprechen die Annahmen hinsichtlich (1) der unterjährigen Verteilung der Kapazitätsfaktoren für die Erneuerbaren und (2) den Temperaturen den entsprechenden Zeitreihen aus dem Jahr 2009.

Die angenommenen Volllaststunden für Wind und Solar und damit die jährliche Gesamterzeugung können sich je nach Technologie im Zeitverlauf ändern, dafür werden die historischen Kapazitätsfaktoren je nach Annahme nach oben oder nach unten skaliert.

Natürlich wäre es auch möglich, das Wetterjahr im Verlauf des Modellierungszeitraums zu ändern oder sogar in jedem Modelljahr ein anderes Wetterjahr anzunehmen. In der „Standardversion“ eines Strompreisszenarios wie bisher beschrieben wäre die Wahl einer solchen Sequenz von Wetterjahren aber zwangsläufig willkürlich und inkonsistent. Dementsprechend wird das Wetterjahr 2009 über die Zeit konstant gehalten. Die Analysten haben 2009 Wetterjahr durch den Vergleich verschiedener historischer Wetterjahre in einem bestimmten Szenario ausgewählt.

Genauer gesagt wurden die simulierten Jahresdurchschnittskurven für den Strompreis – der sogenannte „Baseload-Preis“ – in den größten europäischen Ländern für die verschiedenen Wetterjahre verglichen. Und das Wetterjahr identifiziert, das die mittlere Kurve im Sinne des Medians oder „P50-Wertes“ lieferte. Daraus ergibt sich auch die Interpretation der Ergebnisse eines Strompreisszenarios als „P50-Kurve“: Die simulierten Baseload-Preise entsprechen dem P50-Erwartungswert im Hinblick auf ein Sample von historischen Wetterjahren.

Allerdings stellt sich bei dieser Interpretation die Frage, inwieweit sie räumlich und zeitlich generalisierbar ist. Das bedeutet im Einzelnen:

1. Die Wahl des Wetterjahres wurde auf eine bestimmte Größe (Baseload-Preis) und bestimmte Länder kalibriert. Es ist nicht klar, wo in der Verteilung aller Wetterjahre das Jahr 2009 für andere Länder und/oder andere Zeitreihen, beispielsweise Capture-Preise[2], zu verorten ist und ob es die Annahme einer P50-Kurve in diesen Fällen erfüllt.

2. Aufgrund des Klimawandels ändern sich Wettermuster bzw. die Wahrscheinlichkeiten, dass bestimmte Typen von Wetterjahren auftreten. Für die Modellierung bedeutet das, dass das Wetterjahr 2009 für die kommenden Jahre zwar eine gute Wahl als P50-Annahme darstellen kann. Wenn aber im Zuge der Klimaveränderungen mit der Zeit bestimmte historische Wetterjahre aus dem Sample herausfallen, ist die Validität als P50-Annahme für Modelljahre weiter in der Zukunft, beispielsweise 2050, eingeschränkt oder nicht mehr gegeben.

Alternative zu einem festen Wetterjahr: der Wetterschwarm

Eine Lösung für eine valide P50-Strompreiskurve unabhängig von Land und Modelljahr ist ein sogenannter „Szenario-Schwarm“. Dabei wird ein gegebenes Szenario nicht nur einmal gerechnet. Stattdessen wird eine Vielzahl von Szenarioläufen – die Schwärme von Montel Analytics bestehen in der Regel aus mindestens 1.000 Läufen – betrachtet. Jeder davon hat zufällig gewählte Annahmen für bestimmte Modellparameter.

Im hier dargestellten Fall eines Wetterschwarms werden von Lauf zu Lauf die zugrundeliegenden Wetterjahre variiert. Konkret heißt das: Für jeden Lauf wird eine neue Sequenz von historischen Wetterjahren, eines pro Modelljahr, zufällig gezogen. Dieser Ansatz kann noch um andere randomisierte Parameter erweitert werden, beispielsweise die Rohstoffpreise oder die Stromnachfrage.

Wonach richtet sich die Wahrscheinlichkeiten, mit der bestimmte Wetterjahre gezogen werden?

Im einfachsten Fall könnte man von einer konstanten Gleichverteilung aller historischen Wetterjahre ausgehen: Dabei wird jedes Wetterjahr in einem gegebenen Modelljahr mit der gleichen Wahrscheinlichkeit gezogen, beispielsweise 1/35 für ein historisches Sample von 1985 bis 2019. Diese Wahrscheinlichkeit bleibt über die Modelljahre hinweg konstant. Mit diesem Ansatz ist es möglich, eine räumlich valide P50-Kurve für eine beliebige Zeitreihe zu berechnen:

• Aus den Ergebnissen der individuellen Läufe lässt sich für jedes einzelne Modelljahr eine Häufigkeitsverteilung beispielsweise für den Baseload-Preis ermitteln. Eine solche Häufigkeitsverteilung ist in Abbildung 2 illustriert. Mit einer genügend großen Anzahl von Szenarioläufen nähert sich die Häufigkeitsverteilung der „wahren“ Wahrscheinlichkeitsverteilung an.

• Aus der dargestellten Verteilung lässt sich der jahresspezifische P50-Wert Er gibt einen Grenzwert an, den der Baseload-Preis mit einer Wahrscheinlichkeit von (näherungsweise) 50 % überschreitet.[3]

• Wiederholt man diese Auswertung für jedes Modelljahr, so ergibt sich eine P50-Kurve, die nicht einem einzelnen Szenariolauf entspricht, sondern für jedes Jahr den beobachteten P50-Wert über alle Szenarioläufe enthält.

Abbildung 2: beispielhafte Verteilung von Baseload-Preisen in einem Szenario-Schwarm (Quelle: Montel Analytics)

Anders gesagt spiegelt diese Kurve für jedes Land, jede Zeitreihe und jedes Modelljahr den Wert wider, der sich aus dem für diese Kombination spezifischen P50-Wetterjahr ergibt. Abbildung 3 vergleicht die Baseload-Preiskurven aus Montel Analytics-Standardszenario „Central“[4] für zwei kleinere Länder, Niederlande und Portugal, mit den entsprechenden P50-Kurven aus einem Central-Wetterschwarm mit identischen Eintrittswahrscheinlichkeiten.

Während die beiden Kurven für Portugal fast im gesamten Betrachtungszeitraum 2030 bis 2050 sehr nahe beieinanderliegen, ist die P50-Kurve für die Niederlande nahezu durchgängig etwas höher. Das deutet darauf hin, dass das Wetterjahr 2009 für die Niederlande nicht ganz dem P50-Erwartungswert entspricht.

Abbildung 3: Baseload-Preise im „Central“-Szenario und im dazugehörigen Wetterschwarm (P50-Kurve) für die Niederlande und Portugal (Quelle: Montel Analytics)

Klimawandel im Wetterschwarm

Ein Wetterschwarm, in dem alle Wetterjahre mit derselben Wahrscheinlichkeit gezogen werden können, löst das erste der oben beschriebenen „Caveats“ eines normalen Strompreisszenarios, die eingeschränkte räumliche Generalisierbarkeit als P50-Kurve. Die begrenzte zeitliche Generalisierbarkeit kann gelöst werden, indem die zugrundeliegende Verteilung der historischen Wetterjahre nicht als konstant angenommen wird, sondern sich über die Zeit verändert.

Anders gesagt: Um zukünftige Klimaveränderungen und ihre Auswirkungen auf die Ergebnisse von Strompreisszenarien zu berücksichtigen, werden Eintrittswahrscheinlichkeiten für die einzelnen Wetterjahre angenommen, die abhängig vom jeweiligen Modelljahr sind. Je weiter in der Zukunft das Modelljahr liegt, umso höher ist die Wahrscheinlichkeit, dass ein warmes Wetterjahr gezogen wird.

Dieser Zusammenhang ist in Abbildung 4 dargestellt. Sie zeigt auf der X-Achse die Modelljahre bis 2050 und auf der Y-Achse die Eintrittswahrscheinlichkeiten der Wetterjahre im Sample (1985 bis 2019). Dabei nimmt die Wahrscheinlichkeit der Warmwetterjahre, insbesondere 2014 bis 2019, über die Zeit kontinuierlich zu. Die genauen Werte für die Eintrittswahrscheinlichkeit wurden so angepasst, dass der daraus resultierende erwartete Temperaturanstieg für ein gegebenes Wetterjahr den Simulationsergebnissen aus aktuellen Studien zur Klimamodellierungs entspricht.

Abbildung 4: Eintrittswahrscheinlichkeiten der historischen Wetterjahre für die Modelljahre in einem klimasensiblen Wetterschwarm (Quelle: Montel Analytics)

Vergleicht man nun die Ergebnisse eines solchen „klimasensiblen“ Wetterschwarms mit denen eines Strompreisszenarios mit einem festen Wetterjahr, lässt sich der Einfluss des Klimawandels auf die künftigen Baseload- und Capture-Preise abschätzen. Abbildung 5 zeigt diese Gegenüberstellung für das aktuelle „Central“-Szenario in Deutschland, für die Capture-Preise für Wind Onshore und Solar.

Abbildung 5: Capture-Preise im „Central“-Szenario und im dazugehörigen Wetterschwarm (P50-Kurve) für Deutschland (Quelle: Montel Analytics)

Es fällt auf, dass sich die Capture-Preise für Wind Onshore nur geringfügig unterscheiden. Demgegenüber steigen die Capture-Preise für Solar im Wetterschwarm deutlich an. Das lässt sich erklären mit den Einspeiseprofilen insbesondere von Wind in den verschiedenen Wetterjahren. Abbildung 1 oben hat gezeigt, dass das Jahr 2014 im Hinblick auf die Stromerzeugung aus Wind eine stärkere „saisonale Schieflage“ aufweist als das Jahr 2009: In den Wintermonaten sind die Kapazitätsfaktoren, und damit die potenzielle Einspeisung, in 2014 deutlich höher. Dafür fallen sie in den Sommer- und Herbstmonaten hinter 2009 zurück.

Dieses Muster ist nicht nur in 2014 zu beobachten, sondern zeigt sich auch im Durchschnitt der Warmwetterjahre bis 2019. Von dieser saisonalen Schieflage profitieren die Solaranlagen: Im Sommer, wo der Großteil ihrer Stromerzeugung stattfindet, gibt es weniger gleichzeitige Einspeisung von Windturbinen. In der Folge verringert sich die Anzahl der Stunden mit niedrigen oder sogar negativen Strompreisen. Dadurch bekommen Solaranlagen nicht nur höhere Preise für ihren Strom, sie regeln auch weniger häufig ab, speisen also mehr Strom ein.

Zwar sinken dafür die Strompreise in den Wintermonaten. Unter dem Strich dominiert aber der Effekt im Sommer. Dadurch steigt der jährliche Capture-Preis für Solar, je nach Modelljahr um bis zu 30 % im Vergleich zum Standardszenario.

Für Wind Onshore auf der anderen Seite gibt es im Vergleich der Warmwetterjahre mit dem Jahr 2009 zwei Effekte, die sich nahezu ausgleichen: mehr Einspeisung zu niedrigeren Preisen in den Wintermonaten, aber weniger Einspeisung zu höheren Preisen im Sommer und Herbst. Als Folge ändern sich die Capture-Preise zumindest im Jahresdurchschnitt kaum.

Zusammenfassend lässt sich sagen: Ein klimasensibler Wetterschwarm stellt aus unserer Sicht den besten Ansatz dar, um zukünftige Wettermuster in Strompreisszenarien mittels historischer Wetterjahre zu modellieren. Er ermöglicht nicht nur die Berechnung einer für jede Anwendung konsistenten P50-Strompreiskurve, sondern kann auch klimabedingte Änderungen über die Zeit abbilden. Auf diese Weise können Analyst:innen zukünftige Auswirkungen des Klimawandels auf relevante Größen wie die Capture-Preise besser bewerten. Das Konzept des Wetterschwarms führt auch zu einer neuen Risikobewertung für Strommarkterlöse insbesondere von Solaranlagen.

Hinweise 

[1] Dass sich mit den Einspeiseprofilen des Wetterjahres 2006 im Januar und Februar sogenannte „kalte Dunkelflauten“ ergeben können, wurde in einem früheren Blogbeitrag diskutiert. https://blog.energybrainpool.com/neue-studie-versorgungssicherheit-in-einer-kalten-dunkelflaute-ist-klimaneutral-und-zu-adaequaten-kosten-moeglich/

[2] Der „Capture-Preis“ für Wind oder Solar ist der mengengewichtete Durchschnittserlös, der für die jeweilige Technologie in einem bestimmten Zeitraum, beispielsweise einem Jahr, für die erzeugbare Strommenge erzielt werden kann. Dabei wird angenommen, dass die Anlagen in Stunden mit negativen Strompreisen abgeregelt werden und nicht erzeugen.

[3] Neben dem P50-Wert kann man analog andere P-Werte bestimmen, z. B. einen P90-Wert oder P10-Wert.