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
Generic filters
Exact matches only
Search in title
Search in excerpt
Search in content

Stromerzeugung in Deutschland

Ohne Stromerzeugung in ausreichenden Mengen ist das reibungslose Funktionieren von Wirtschaft und Handel und die Versorgung der privaten Haushalte in Deutschland gefährdet. Welche Energiequellen existieren aktuell und wie verhalten sich diese im Zeitverlauf?

Daten zur Stromerzeugung in Deutschland

Die Bundesnetzagentur bietet eine spezialisierte Seite SMARD (Strommarktdaten) an, auf der sich Interessenten informieren können. Es existiert sogar ein eigens verfasstes Benutzerhandbuch, das hilft, sich in die Materie einzuarbeiten. SMARD bietet interaktive Grafiken über den aktuell erzeugten Strommix der letzten Tage an, beispielsweise auf der eben genannten Startseite SMARD (Strommarktdaten).

Die Grafik, die Sie dort finden können, erinnert in Art und Gestaltung stark an die folgende:

Stromerzeugung in Deutschland - der Mix im Zeitverlauf

Stromerzeugung – der Mix im Zeitverlauf

In der Grafik von SMARD ist auch noch der Stromverbrauch eingezeichnet. Dieser ist allerdings nicht weiter nach irgendeiner Dimension differenziert.

Hier ließen sich gesamte erzeugte Menge und Gesamtverbrauch gegenüberstellen – sicherlich der Sinn und Zweck der Übung. Dies ist aber für die weitere Analyse als Anschauungsmaterial weniger interessant, da eben nur zwei Gesamtwerte – Stromerzeugung und Stromverbrauch – im Zeitverlauf gegenübergestellt werden. Ein Verbrauch nach Sektoren ist offenbar zeitlich nicht im gleichen Detailgrad zu erhalten, sondern ist nur aggregiert für größere Zeiträume – wie beispielsweise ganze Jahre – veröffentlicht zu finden.

Deshalb konzentrieren wir uns bei der vorliegenden Form der verfügbaren Daten auf den für die Analyse spannenderen Teil der Stromerzeugung. Es gibt bei SMARD einen Downloadbereich: Hier habe ich viertelstündliche Daten (Oberkategorie Stromerzeugung, Datenkategorie Realisierte Erzeugung, Land Deutschland) für den Zeitraum vom 1.3. – 18.4.2022 heruntergeladen (Download am 19.4.2022).

Stromerzeugung in Deutschland nach Energieträgern

Die oben sichtbare Grafik – mit Anklängen von Dolomiti und Monument Valley bei Nacht – haben wir zwar zugegebenermaßen mit unserer BI Software DeltaMaster erstellt, aber sie dient hier nur als Beispiel zur Illustration, wie andere den Sachverhalt suboptimal darstellen. Wie wir bald sehen werden, gibt es in DeltaMaster bessere Visualisierungen.

Diese gestapelten Säulendiagramme – kurz Stapeldiagramme – sollen einerseits die Entwicklung des Gesamtwerts, aber gleichzeitig auch die Anteile der beitragenden Energieträger visualisieren.

Während wir den ersten Punkt noch als erfüllt ansehen können, hapert es deutlich am zweiten Wunsch: Abgesehen von der Braunkohle, die eine stabile Basislinie aufweisen kann, zappeln die anderen Energieträger ohne feste Bezugslinie frei in der Luft herum. Versuchen Sie einmal, bei dieser Darstellung den Zeitpunkt zu finden, wo “Wind Offshore” sein Maximum erzielt (die Grafik zeigt die viertelstündlichen Werte des Aprils 2022).

Wir werden nun darlegen, wie die Daten aufbereitet werden können, sodass Sie die entscheidenden Entwicklungen viel deutlicher sehen können. Nebenbei werde ich einige Neuerungen aus den letzten Releases und den ein oder anderen Kniff vorstellen.

Stromerzeugung nach Energieträgern übersichtlich darstellen

Bei der Aufbereitung der Daten habe ich noch eine Zwischenebene mit den zwei Elementen “Erneuerbar” und “Konventionell” eingezogen. Der zentrale Berichtstyp Grafische Tabelle ist hier bestens geeignet, um einmal diese beiden Gruppen mitsamt der beitragenden Energieträger gegenüberzustellen. Schauen wir dazu zunächst auf die täglichen Werte, deren Historie wir durch Sparklines wiedergeben:

Verlauf der Stromerzeugung in Deutschland in der Grafischen Tabelle leicht erfassen

Verlauf der Stromerzeugung in der Grafischen Tabelle leicht erfassen

Hier werden mit der globalen Skalierung die aggregierten Werte betont. Trotzdem sind beispielsweise folgende Fakten sofort erkennbar:

  • Am aktuellen Tag (18.4.2022) halten sich erneuerbare und konventionelle Energien in der Stromerzeugung in Deutschland die Waage.
  • Wind Onshore (auf Land) liefert die Tagesspitzenwerte.
  • Der höchste Wert wurde am 7.4.2022 erzielt.
  • Die Werte von Wind Onshore schwanken stark von Tag zu Tag, im Gegensatz etwa zu Biomasse.

Jetzt könnten Sie einwenden, dass in dieser globalen Skalierung der Beitrag von Wind Offshore (auf See) nicht besonders gut zu erkennen ist.

Kommen wir deshalb zur ersten Neuerung aus dem letzten Release 6.4.3. Mit der Taste F12 lassen sich auch im Präsentationsmodus sämtliche verfügbare Skalierungsarten in der interaktiven Analyse durchspielen. Zur Auswahl stehen global, je Zeile, je Spalte und je Zelle. Redundante Einstellungen, die zu identischem Aussehen führen, werden unterdrückt.

In diesem Beispiel liegt nur eine Spalte vor und deshalb sind die Skalierungsarten global und “je Spalte” identisch. Aus dem gleichen Grund stimmen auch die Skalierungen “je Zeile ” und “je Zelle” überein. Mit F12 wechseln wir somit effektiv zwischen zwei Skalierungen hin und her. Die Skalierung je Zelle ergibt das folgende Bild:

Verlauf der Stromerzeugung in Deutschland spontan mit F12 auf Zellskalierung umstellen

Verlauf der Stromerzeugung spontan mit F12 auf Zellskalierung umstellen

In dieser Skalierung lässt sich erkennen, dass Biomasse und Kernenergie sehr stabile Beiträge liefern. Der Höhepunkt von Wind Offshore wird am 9.4.2022 erreicht.

Anteile der Energieträger an der Stromversorgung

Interessant sind nicht nur die absoluten Werte, sondern auch die Anteile der Energieträger an der Stromerzeugung in Deutschland im Zeitverlauf. In der folgenden Grafischen Tabelle haben wir nun einmal die Skalierung je Zelle voreingestellt, aber Sie wissen ja bereits, dass Sie auch als Berichtsempfänger jederzeit zu den anderen Skalierungsarten wechseln können:

Anteile der Energieträger an der Stromerzeugung (tägliche Werte)

Wir sehen hier die letzten 21 Tage bis zum 18. April. Die Anteile beziehen sich immer auf den Gesamtwert. Hier haben wir in der Zeilenachsendefinition im Ranking die Option “Absteigend hierarchisch sortiert” gewählt. Somit erscheint auf der ersten Ebene “Erneuerbar” vor “Konventionell” und die Energieträger sind auch innerhalb der Gruppen absteigend nach Anteil sortiert.

Weiterhin haben wir über den Magischen Button Layout den vertikalen Abstand der beiden Gruppen erhöht. Schließlich verwenden wir die Standardzeilenhöhe von 21 Pixeln, um die Tabelle so kompakt wie möglich zu halten. Wir können jederzeit auf die Möglichkeiten des Zooms zurückgreifen, um die Details an Ort und Stelle zu sehen:

Detailanalyse der Anteile an der Stromerzeugung in Deutschland durch Zoomen

Detailanalyse der Anteile an der Stromerzeugung durch Zoomen

Offensichtlich schwankt der Anteil der erneuerbaren Energien bei der Stromversorgung in Deutschland erheblich. Dies wird hauptsächlich durch die drei Elemente Photovoltaik, Wind Onshore und Wind Offshore bestimmt, die naturgemäß von kaum beeinflussbaren äußeren Faktoren abhängen.

Stromerzeugung im innertäglichen Verlauf

Diese Variabilität lässt sich nicht nur zwischen Tagen, sondern auch innertäglich beobachten. Speziell die direkte Abhängigkeit vom Sonnenschein ergibt typische Verläufe für die Photovoltaik.

Wir betrachten nun die viertelstündlichen Werte der letzten drei Tage (also 3 * 24 * 4 = 288 Werte). Bei den Sparksäulen haben wir den Abstand auf 0 gesetzt und nur noch eine Breite von 1 Pixel verwendet. Hier schauen wir wieder exemplarisch auf Anteile:

Die viertelstündlichen Anteilswerte der Energieträger der letzten 3 Tage bei der Stromerzeugung in Deutschland

Die viertelstündlichen Anteilswerte der letzten 3 Tage

Hier sind die Werte wieder hierarchisch nach dem momentanen Anteilswert (am 18.4.2022, 23:45 Uhr) sortiert. Mitten in der Nacht sorgen die erneuerbaren Energien nur für einen Anteil von 31,8 % und da die Sonne zu dieser Uhrzeit in unseren Gefilden nur selten scheint, trägt die Photovoltaik gar nichts bei.

Sie können die Sortierung auch abschalten, wenn Sie die Elemente immer in der gleichen Anordnung sehen sollen.

Zusätzlich sind in der gezeigten Grafischen Tabelle auch die Gesamtwerte des gezeigten Zeitraumes und ihre Anteile sichtbar. Hierzu wird ein Standard-Zeitanalyseelement über eine gleitende Aggregation angelegt, die die Summe der letzten 288 Viertelstunden-Werte abbildet.

Sie können in den Ranking-Einstellungen auch eine hierarchische Sortierung nach dieser aggregierten Größe vornehmen. Dazu müssen Sie keinen neuen Analysewert anlegen, sondern können sich mit der Sortierung einfach auf die 3. Spalte beziehen:

Sortiert nach den Gesamtwerten der letzten 3 Tage

Sortiert nach den Gesamtwerten der letzten 3 Tage

Zwar hat die Photovoltaik zur aktuellen Viertelstunde nichts beizutragen, aber im aggregierten Wert ist sie für den gezeigten Zeitraum führend.

Legen wir die Betonung auf die absoluten Werte, könnte die Tabelle so aussehen:

Stromerzeugung in Deutschland leichter analysieren: Die viertelstündlichen Werte der letzten 3 Tage

Die viertelstündlichen Werte der letzten 3 Tage

Hier wäre leichter zu erkennen, dass beispielsweise der oben zunächst betrachtete schwankende Anteil von Biomasse indirekt durch Schwankungen der anderen Energieträger generiert wird. Biomasse selbst liefert stabile Werte.

Verteilungsanalyse

Welche Werte sind denn für die einzelnen Energieträger der Stromerzeugung in Deutschland zu beobachten? Wie sehen typische Werte aus und in welchem Rahmen bewegen sie sich?

Mit dem Release 6.4.2 haben wir die Verteilungsanalyse, die solche Fragen beantworten kann, neu in den Kanon der Analyseverfahren in DeltaMaster aufgenommen.

Schauen wir dazu beispielsweise in der Verteilungsanalyse auf die viertelstündlichen Werte der Braunkohle im gesamten Zeitraum:

Verteilungsanalyse für die viertelstündlichen Werte bei Braunkohle

Verteilungsanalyse für die viertelstündlichen Werte bei Braunkohle

Für die Anwendung der Verteilungsanalyse braucht man zwei Dinge – eine Menge von Elementen einer Dimensionsebene und eine Kennzahl. Im vorliegenden Fall sind dies die Viertelstunden des betrachteten Zeitraums vom 1.3. bis zum 18.4.2022 und eine Filterkennzahl Braunkohle[MWh], die aus der Kennzahl “Wert” und dem gleichnamigen Dimensionselement Braunkohle[MWh] gebildet wurde.

Als Ergebnis erhält man ein Histogramm und optional eine Tabelle von Statistiken. In dieser Tabelle können einzelne Werte über Checkboxen aktiviert werden, die dann als senkrechte Linien in der eigentlichen Grafik sichtbar sind.

Das Histogramm zeigt Anzahlen von Viertelstunden, deren Werte in bestimmte Intervalle fallen. Zum Beispiel gab es 61 Viertelstunden mit einem Wert zwischen 3700 (einschließlich) und 3800 (ausschließlich). Bei einem Intervall ist bei der Berechnung der Anzahl die linke Grenze immer eingeschlossen und die rechte nicht, nur das letzte Intervall bildet eine Ausnahme: Bei dem Intervall am rechten Ende der Skala werden Elemente mit einem Wert gleich der rechten Grenze mitgezählt.

Bedeutung der Statistiken

Bei den Bedeutungen der Statistiken beschränken wir uns hier auf ein paar ausgewählte Werte, bei Bedarf ziehen Sie bitte die Online-Hilfe zurate.

Zum Beispiel sehen Sie, dass im Zeitraum 4700 Viertelstunden liegen, die sich aus (31 + 18) * 24 * 4 = 4704 ergeben – aber nur, wenn man zusätzlich berücksichtigt, dass durch die Sommerzeitumstellung eine Stunde fehlt!

Der Variationskoeffizient setzt die Standardabweichung 554 ins Verhältnis zum Mittelwert 2992, 554/2992 ~ 0.19, und drückt eine relative Schwankung aus, gemessen an der Größenordnung. Wären sämtliche Werte 100-mal so groß, bliebe der Variationskoeffizient unverändert.

Gut sichtbar ist hier die negative Schiefe von -1,44. Diese Verteilung ist nicht symmetrisch: Die Masse ist eher rechts angesiedelt, nach links läuft das Histogramm langsamer aus. Irritierenderweise nennt man Verteilungen mit einem solchen Aussehen linksschief. Es gibt eine alternative Bezeichnung “rechtssteil”, die sich vielleicht leichter merken und erkennen lässt: Rechts fällt die Verteilung steil ab, während sie links langsamer ausläuft.

Sie können die Anzahl der Intervalle wählen. DeltaMaster wählt die rechte Grenze der Grafik automatisch als einen schönen glatten Wert aus (hier 4000). Die angebotenen Werte für Intervallanzahlen richten sich dann dynamisch an den Skalengrenzen aus und ergeben ebenfalls schöne glatte Intervalllängen.

Bei der Verteilungsanalyse lassen sich auch Filter anwenden, die die Menge der zu untersuchenden Objekte einschränken können.

Exkurs: Histogrammgrenzen manuell anpassen

DeltaMaster bestimmt die Intervallgrenzen automatisch, aber was kann man tun, wenn man eigene Grenzen verwenden möchte? Tauschen wir nun einmal Braunkohle gegen Kernenergie aus – aber nur in unserer Verteilungsanalyse!

Verteilungsanalyse für die viertelstündlichen Werte bei der Stromerzeugung mit Braunkohle

Verteilungsanalyse für die viertelstündlichen Werte bei Braunkohle

Relativ gesehen zum Mittelwert schwanken die Werte nur wenig und deshalb ist der Variationskoeffizient mit 0.03 sehr klein.

Das Minimum der viertelstündlichen Werte liegt bei 795 und das Maximum bei 1030, also knapp über der schönen Grenze bei 1000. Die nächste Grenze sieht DeltaMaster nun erst bei 2000.

Es hilft hier nicht, einen Filter zu setzen, der die Werte beispielweise auf das Intervall 700 bis 1100 eingrenzt, da durch diese Grenzen immer noch dieselben Elemente wie vorher in der Auswahl sind und wieder die Obergrenze 2000 gewählt wird.

Aber es gibt eine Analysewerteigenschaft, die hier hilfreich ist. Wir legen eine Kopie “Kernenergie[MWh] Verteilung 700/1100” der Kennzahl an und stellen den Wertebereich für Grafikachsen auf das Intervall von 700 bis 1100 ein:

Eine Kennzahl mit eigenem Wertebereich für Grafikachsen anlegen

Eine Kennzahl mit eigenem Wertebereich für Grafikachsen anlegen

Mit einer speziellen Kopie zu arbeiten ist dann sinnvoll, wenn Grafiken mit unterschiedlichen Kontexten erzeugt werden sollen. Zum Beispiel wären bei täglichen anstelle viertelstündlicher Zahlen andere Grenzen notwendig. Die gezeigte Einstellung wirkt nicht nur bei der Verteilungsanalyse, sondern auch bei anderen Analyseverfahren wie der Zeitreihenanalyse oder der Portfolioanalyse.

Die Verteilungsanalyse mit dieser speziellen Kennzahl sieht dann folgendermaßen aus:

Die Grenzen 700 bis 1100 wurden nun berücksichtigt

Die Grenzen 700 bis 1100 wurden nun berücksichtigt

Da wir keine Werte weggelassen haben, bleiben die Statistiken unverändert und sind hier nicht noch einmal erwähnt. Dass die Verteilung mit einer negativen Schiefe rechtssteil (bzw. linksschief) ist, zeigt das Histogramm deutlich.

Filter und Wertebereich anpassen

Was müssen wir tun, um nur einen Ausschnitt, beispielsweise von 950 bis 1000, so detailliert wie möglich zu sehen?

Die Logik des Vorgehens lässt sich immer durch maximal zwei Schritte beschreiben:

  • Optional: Mit einem Filter im Analysemodul schränken wir die Daten auf die Teilmenge ein, die wir sehen wollen.
  • Im Wertebereich einer Kennzahl geben wir die gewünschten Grenzen der Achsen an. Achtung: Werden durch diese Grenzen Daten aus dem ersten Schritt abgeschnitten, wird die Anweisung vollständig ignoriert und es greift wieder die automatische Berechnung der Achsenenden.

Um nun den Bereich von 950 bis 1000 so detailliert wie möglich zu sehen, legen wir in den Einstellungen der Verteilungsanalyse einen Filter an:

Nur Daten von 950 bis 1000 passieren den Filter

Elemente mit einem Wert exakt 1000 werden nun ignoriert. Intervalle von a bis b enthalten immer die Anzahlen der Elemente mit einem Wert x, sodass a ≤ x < b gilt; nur für das letzte Intervall wird der rechte Rand mit in die Anzahl einbezogen. Diese feine Unterscheidung ist hier aus “Fairnessgründen” sinnvoller, da die Werte nur ganzzahlig vorliegen und ansonsten das letzte Intervall sowohl die Werte mit 999 (und 998), als auch die mit 1000 enthielte.

Weiterhin legen wir wie eben eine Kennzahl an, aber diesmal mit dem Wertebereich für Grafikachsen von 950 bis 1000. Ziehen wir diese nun in die Verteilungsanalyse, so haben wir ein Histogramm nur für einen ausgewählten Bereich erzeugt:

Die Grenzen 950 bis 1000 wurden nun berücksichtigt

Die Grenzen 950 bis 1000 wurden nun berücksichtigt

DeltaMaster schlägt wieder eine Liste mit Intervallen vor, sodass die Intervalllängen wieder schöne Werte ergeben. Mit 25 Intervallen beträgt die Intervalllänge hier genau 2.

Prognostizierte Größen der Stromversorgung in Deutschland mit erneuerbaren Energien

Im Downloadbereich bei SMARD liegen auch prognostizierte Werte für die ausgewählten Energieträger Wind (Offshore und Onshore) und Photovoltaik vor.

Das Benutzerhandbuch verrät, dass die Übertragungsnetzbetreiber (ÜNB) bis spätestens 18:00 Uhr des laufenden Tages die Prognosen des kompletten Folgetages in Viertelstunden-Granularität abgeben müssen.

Das Zeitreihenanalysediagramm erläutert das Vorgehen:

Blau: tatsächliche Werte, Orange: prognostizierte Werte von Wind Offshore

Blau: tatsächliche Werte, Orange: prognostizierte Werte von Wind Offshore

Hier bezeichnen blaue Kurven Istwerte und die orangefarbenen sind den Prognosen zugeordnet. Am 16.4.2022 um 18:00 Uhr liegen die etwas fetter gezeichneten Ist-Werte (blau) vor. Nun müssen bereits sämtliche Prognosen des Folgetages (17.4.2022 0:00 Uhr bis 23:45 Uhr) übermittelt werden (orangefarben, fett). Es ist also keine rollierende Prognose, sondern es liegt eine Prognose in Schüben vor.

Nun lassen sich die Fehler der Prognose analysieren, hier weiterhin am Beispiel Wind Offshore.

Eine Portfolioanalyse stellt Prognosen und Ist-Werte gegenüber:

Was taugen die Prognosen der Stromerzeugung in Deutschland bei erneuerbaren Energien?

Was taugen die Prognosen?

Auf der eingezeichneten Äquivalenzgeraden fallen Prognose und Ist zusammen, unterhalb der Geraden war die Prognose zu groß, oberhalb der Geraden zu gering.

Mit der Verteilungsanalyse lassen sich auch die Fehler der Prognose näher untersuchen.

Fehler der Prognose der Stromerzeugung

Wird eine Kennzahl als Abweichung “Prognose minus Ist” definiert, kann diese Kennzahl per Drag-and-drop in die Verteilungsanalyse gezogen werden:

Histogramm der Prognosefehler

Histogramm der Prognosefehler

Im Mittel werden die Istwerte nur leicht überschätzt. Die Verteilung ist mit einer positiven Schiefe leicht nach links gebeugt, mit einem längeren Tail zur rechten Seite. Der höhere Exzess von 2,69 besagt, dass im Vergleich zu einer Normalverteilung mit gleicher Varianz die Verteilungsform zwar schmaler aussieht, aber zum Ausgleich die Enden der Verteilung massiver besetzt sind. Es kommt also häufiger als bei der Vergleichs-Normalverteilung (gleiche Erwartung, gleiche Varianz) zu extremen Fehlprognosen.

Da ja die Prognose spätestens um 18:00 Uhr abgegeben wird, sollten die zeitlich näher gelegenen Viertelstunden des Folgetages einen geringeren Fehler aufweisen.

Wir erstellen eine Hilfsdimension mit Uhrzeiten und legen die für einen Boxplot notwendigen univariaten statistischen Analysewerte (also Basiskennzahl “Fehler Prognose Wind Offshore” auf der Ebene aller Viertelstunden über den gesamten Zeitraum) an. Wir betrachten hier einmal den Zeitraum bis zum 26.3.2022, um den Einfluss der Sommerzeit nicht berücksichtigen zu müssen.

Es lässt sich dann die folgende Grafische Tabelle erstellen:

Boxplots der Fehler nach Uhrzeit

Boxplots der Fehler nach Uhrzeit

Hier haben wir uns auf ausgewählte Viertelstunden in 2-Stunden-Abständen beschränkt. Für jede Zeile gehen 26 Werte ein. Tendenziell sind die Prognosen eher leicht zu groß, aber die besten Prognosen lagen für 6 und 8 Uhr vor. Mit dem Mittleren Quadratischen Fehler werden sowohl die quadrierte mittlere Abweichung als auch die Varianz der Fehler berücksichtigt.

Hier hat die Varianz den größeren Einfluss und der MQF nimmt in der zweiten, vom Prognosezeitpunkt aus ferner gelegenen Tageshälfte größere Werte an.

Boxplot der Stromerzeugung

Natürlich kann man mit Boxplots auch die Verteilung der erzeugten Energie im Tagesverlauf gut wiedergeben. Hier haben wir einmal die drei größten Erzeuger mit erneuerbarer Energie den Werten des mit konventionellen Energieträgern wie Erdgas und Braunkohle erzeugten Stroms gegenübergestellt:

Erzeugte Energie nach Uhrzeit

Erzeugte Energie nach Uhrzeit

Hier sind wieder die ersten 26 Tage des März 2022 sichtbar und mit Mouseover lassen sich die Zahlen einblenden.

Jeder Balken in einer Zelle ist sozusagen ein Extrakt von Werten (Minimum, Q25, Median, Q75, Maximum), die auch in der Verteilungsanalyse eingeblendet werden könnten. Diese kompakte Darstellung bietet sich an, wenn der Einfluss von einer oder mehr Größen visualisiert werden soll. Bei diesem Beispiel waren dies die Uhrzeit als auch der Energieträger.

Sofort sichtbar ist der Einfluss der Uhrzeit bei Photovoltaik und Windkraft. Photovoltaik funktioniert nur, wenn die Sonne scheint, und nachts produzieren gerade sehr hohe Windräder mehr Energie.

Um die anderen Verläufe erklären zu können, bedürfte es besserer Kenntnisse der Materie von meiner Seite aus. Hier spielen Flexibilität und Geschwindigkeit des Anfahrens und Abschaltens sicherlich eine Rolle. Gasturbinen dienen jetzt schon der Stabilisierung des Stromnetzes, um die natürlichen Schwankungen der erneuerbaren Energien auszugleichen. Ob sich ständige Anfahr- und Abschaltzyklen positiv auf die Lebensdauer auswirken, darf bezweifelt werden.

Die SMARD-Seite liefert außer der Stromerzeugung in Deutschland weitere interessante Daten, die durchaus noch einmal Grundlage eines Blogbeitrags werden können.

Quellen

Datennutzung gemäß Creative Commons Namensnennung 4.0 International Lizenz, Daten bereitgestellt von der Bundesnetzagentur | SMARD.de.
Download der viertelstündlichen Daten (Oberkategorie Stromerzeugung, Datenkategorien Realisierte Erzeugung/Prognostizierte Erzeugung, Land Deutschland) für den Zeitraum vom 1.3. – 18.4.2022.

Zusätzlich wurde bei der realisierten Stromerzeugung nach erneuerbaren und konventionellen Energien getrennt aggregiert.