Langfristige Energieszenarien unter besonderer Berücksichtigung der meteorologischen Randbedingungen

Der Klimawandel macht die Dekarbonisierung der Energiesysteme und damit einhergehend stark ansteigende Anteile von Wind- und Solarenergie unumgänglich. Wind und Solarenergie sind jedoch vom Wetter abhängig und können nicht nach Belieben kontrolliert werden. Mit dem wachsenden Anteil erneuerbarer Energieträger geht daher ein zusätzlicher Wandel von einem nachfragegesteuerten zu einem angebotsgesteuerten Energiesystem einher, das eine größere Flexibilität auf der Nachfrageseite erforderlich macht.

Es existieren zahlreiche denkbare Lösungen, um erneuerbare Energien in das Energiesystem zu integrieren: Von preisgesteuertem Nachfragemanagement über Speichertechnologien hin zur Kopplung der verschiedenen Sektoren des Energiesystems, also Elektrizität, Wärme und Verkehr.

Die Planung all dieser Lösungen hängen jedoch in hohem Maße von akkuraten meteorologischen Wettereingangsdaten ab. In der Regel werden zur Analyse erneuerbarer Energiesysteme globale oder regionale Reanalysen verwendet. Reanalysen verknüpfen Messungen mit numerischen Modellen, um einem Zustand der Atmosphäre in der Vergangenheit abzubilden. Analysen zeigen jedoch, dass die Unterschiede zwischen den verschiedenen Analysen häufig groß sind und konkrete Auswirkungen auf die Ergebnisse von Simulationen haben.

Im Rahmen des Vorhabens sollen Methoden entwickelt werden, um die aus Eingangsdaten resultierenden Unsicherheiten abzuschätzen, zu bewerten und zu verringern. Zum Einsatz sollen hierbei Methoden des Machine Learning kommen. So sollen etwa Generative Adversarial Networks genutzt werden, um Wetterdaten zu erzeugen und auf bestimmte Eigenschaften, z.B. Klimawandelszenarien, hin zu trainieren.