Die Dissertationsschrift adressiert den Ausbau des Übertragungsnetzes in Deutschland für das Jahr 2030 und beantwortet damit die Frage nach den Einflüssen einer stärkeren Marktintegration der erneuerbaren Energien und die Wirkung dezentraler Speichersysteme auf den Netzausbau, welche in dieser Weise noch nicht analysiert wurden. Zusätzlich werden diesen Szenarien auch die Wirkung von zusätzlichen Einspeisekapazitäten aus erneuerbaren Energien bzw. einer reduzierten Last betrachtet. Schließlich werden die Effekte eines potenziellen Ausstieges aus der Stromerzeugung auf Braunkohlebasis in Gesamtdeutschland bzw. nur Teilen davon thematisiert. Bisherige Untersuchungen fokussierten u.a. die Wirkung von erneuerbaren Energien im Kontext des Ausbaus von europäischen Transportkapazitäten. Diese Analyse bewertet die Auswirkungen auf den Umfang des Netzausbaus mit Auflösung auf einzelnen Trassen, die Integration der erneuerbaren Energien mit hoher regionaler Auflösung und die Systemkosten als Indikator der volkswirtschaftlichen Bewertung. Der in der Arbeit entwickelte Ansatz zur mathematischen Lösung des Optimierungsproblems basiert auf der Weiterentwicklung des Benders-Dekompositionsansatzes. Im Ergebnis zeigt sich, dass eine stärkere Flexibilisierung der Einspeisung den Netzausbaubedarf senken kann. Auch dezentrale Speicher tragen dazu bei, wobei diese Option mit hohen Investitionen einhergeht. Der Zuwachs an Erzeugung aus erneuerbaren Energien führt zu mehr Netzausbau, während eine Reduktion der elektrischen Last diesen Anstieg abmildern kann. Bei der abschließenden Analyse der Wirkung des Braunkohleausstiegs wird der deutlich erhöhte Bedarf an weiteren Übertragungskapazitäten in Deutschland aufgedeckt, während ein auf Ostdeutschland begrenzter Ausstieg eine geringe Reduzierung ermöglicht.:1 Einleitung 1.1 Analyse der Ausgangslage 1.2 Zielstellung und Lösungsweg 1.3 Zusammenfassung 2 Grundlagen zum deutschen Elektroenergiesystem 2.1 Derzeitige Entwicklungen im deutschen Elektroenergiesystem und Strommarkt 2.2 Derzeitiges Marktdesign und der Einfluss der erneuerbaren Energien auf die Preisbildung 2.3 Einfluss der erneuerbaren Energien auf die Residuallast 2.4 Rolle der Übertragungsnetzbetreiber 2.5 Maßnahmen zur Behebung von Netzengpässen 2.6 Grundlagen zur Abregelung von erneuerbaren Energien 2.7 Planungsverfahren des Netzausbaus 3 Überblick und Klassifizierung von Analysen auf der Basis von Übertragungsnetzmodellen 3.1 Grundlagen zu Modellen in der Energiewirtschaft 3.2 Wirkung von Flexibilitätsmaßnahmen auf den Netzausbau 3.3 Wirkung von Veränderungen des regulatorischen Rahmens auf den Netzausbau 3.4 Ausprägungen des europäischen und deutschen Übertragungsnetzes in Zukunft 3.5 Methodische Ansätze zum Ermitteln bzw. Bewerten des Netzausbaus 3.6 Zusammenfassung zentraler Aspekte der Analyse und Modellierung des Netzausbaus in der Literatur 4 Formulierung des Übertragungsnetzausbaus im Stromnetzmodell ELMOD 4.1 Anforderungen an das Übertragungsnetzmodell 4.2 Vereinfachte Lastflussmodellierung 4.3 Ausgangsmodell für die Ermittlung des optimalen Übertragungsnetzes 4.4 Anwendung des NOVA-Prinzips im Stromnetzmodell ELMOD 4.5 Investitionen in das Übertragungsnetz 4.6 Modellierung der dezentralen Speicher 4.7 Zusammenfassung der Modellformulierung 5 Dekompositionsmethoden zum effizienten Lösen des Netzausbauproblems 5.1 Mathematische Analyse des Netzausbauproblems 5.2 Verfahren zur Lösung von Optimierungsproblemen 5.3 Anwendung der Benders-Dekomposition für die Berechnung des Netzausbaues 5.4 Anwendung des Karush-Kuhn-Tucker-Systems 6 Definition der Szenarien für die modellgestützte Untersuchung des Übertragungsnetzausbaus 6.1 Grundlagen zur Szenarientechnik 6.2 Begründung für die Nutzung eines deterministischen Optimierungsmodells 6.3 Bestimmung der Prämissen und Deskriptoren 6.4 Szenarienzusammenstellung 6.5 Referenzszenario als wahrscheinlichste Entwicklung des Energiesystems 6.6 Integrationsregime für fluktuierende erneuerbare Energien 6.7 Szenarien zur Reduktion des Netzausbaus durch dezentrale Energiespeicher 6.8 Wirkung eines weiteren EE-Ausbaus und Lastreduzierungen auf den Netzausbau 6.9 Einfluss eines Braunkohleausstiegs auf den Netzausbau 6.10 Aufbereitung übergreifender Eingangsdaten für die Modellierung 6.11 Methodik der Kalibrierung 6.12 Ergebnisse der Kalibrierung 6.13 Zusammenfassung und Überblick 7 Ergebnisse der modellgestützten Analyse 7.1 Ergebnisse des Referenzszenarios 7.2 Analyse verschiedener Integrationsmechanischmen von erneuerbaren Energien auf den Netzausbau 7.3 Auswirkungen von dezentralen Speichersysteme auf den Ausbau des Übertragungsnetzes in Deutschland 7.4 Analyse ausgewählter Komponenten der energiepolitischen Ziele 7.5 Auswirkungen verschiedener Braunkohleausstiegsszenarien in Deutschland auf den Ausbau des Übertragungsnetzes 7.6 Übergreifende Analyse der einflussstärksten Gestaltungsoptionen 8 Sensitivitätsanalyse zu ausgewählten szenarioübergreifenden Parametern 8.1 Definition der Sensitivitäten 8.2 Effekte auf die Jahreserzeugungen 8.3 Effekt der Sensitivitäten auf die Treibhausgasemissionen 8.4 Effekt der Sensitivitäten auf die Integration von erneuerbaren Energien 8.5 Effekt der Sensitivitäten auf den Netzausbau 8.6 Effekt der Sensitivitäten auf die Systemkosten 8.7 Fazit zur Sensitivitierung ausgewählter Eingangsgrößen 9 Zusammenfassungen und Ausblick 9.1 Zusammenfassung der Modellentwicklung und Lösung des Optimierungsmodells 9.2 Zusammenfassung der Modellergebnisse 9.3 Beantwortung der aufgestellten Forschungsfragen als Fazit 9.4 Ausblick auf weiterführende Analysen 10 Literaturverzeichnis A Anhang A.1 Einführung in die Benders-Dekomposition A.2 Nichtlineare, kontinuierliche Optimierung A.3 Grundlagen der Karush-Kuhn-Tucker-Theorie A.4 Anhang zur Analyse der Wirkung von dezentralen Speichern auf den Ausbau des Übertragungsnetzes A.5 Anhang zur Analyse der Wirkung der Komponenten der abgeleiteten energiepolitischen Ziele auf den Ausbau des Übertragungsnetzes

Die Erreichung der ehrgeizigen Dekarbonisierungsziele Deutschlands erfordert eine massive Ausweitung der Onshore-Windenergie. In den letzten Jahren sahen sich Onshore-Wind Projektentwickler zunehmend mit sozialen und Umweltbedenken aufgrund von Landnutzungskonflikten konfrontiert. Aus regulatorischer Sicht stellen die weitere Integration von Onshore-Windkapazitäten in das deutsche Energiesystem besondere Herausforderungen in Bezug auf geografische und zeitliche Aspekte der Stromerzeugung dar. Die hohen Windgeschwindigkeiten und die vergleichsweise geringe Bevölkerungsdichte haben dazu geführt, dass Investoren in der Vergangenheit überproportional in den nördlichen Bundesländern Windparks entwickelten. Eine starke gleichzeitige Einspeisung von Strom an nahegelegenen Windstandorten führt jedoch zu einem Druck auf die Großhandelsstrompreise, was die Markterträge der Entwickler reduziert. Diese Arbeit zielt daher darauf ab, einen Beitrag zum zukünftigen Design des deutschen Energiesystems zu leisten und insbesondere den weiteren Ausbau der Onshore-Windenergie in Deutschland unter Berücksichtigung sozialer, Umwelt- und wirtschaftlicher Einschränkungen zu untersuchen. Dabei werden GIS-Software und ein neues inverses Zeitreihenmodellierungsverfahren genutzt, um das Windpotenzial und Landnutzungskonflikte zu analysieren. Zukünftige Marktszenarien werden mit Hilfe eines dekomposierten Kraftwerkseinsatz und -investitionsmodells hinsichtlich ihrer Wirkungen auf die ökonomische Effizienz der Marktintegration von Onshore-Windenergie bewertet, wobei Preisentwicklungen für CO2-Emissionszertifikate eine entscheidende Rolle spielen. Die Ergebnisse deuten auf eine abnehmende Rentabilität der Onshore-Windenergie in Deutschland hin, während der Süden Deutschlands aus ganzheitlicher Perspektive einen größeren Beitrag zur Windenergie leisten könnte.:I Analysis framework 1 1 Introduction 3 1.1 Research motivation . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Research objective, aims and questions . . . . . . . . . . . . . 5 1.3 Scientific contribution . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Research focus specification . . . . . . . . . . . . . . . 7 1.3.2 Contribution regarding renewable energy potentials and levelised generation cost . . . . . . . . . . . . . . . 10 1.3.3 Contribution regarding generic wind time series modelling 12 1.3.4 Contribution regarding electricity market modelling and model decomposition . . . . . . . . . . . . . . . . . 14 1.3.5 Contribution regarding evaluating the market integration of wind energy . . . . . . . . . . . . . . . . . . 17 1.4 Organisation of thesis and software tools applied . . . . . . . 20 2 Basics of electricity economics 23 2.1 Pricing and investments in electricity markets . . . . . . . . . 23 2.1.1 Long-term market equilibrium . . . . . . . . . . . . . . 23 2.1.2 Short-term market equilibrium . . . . . . . . . . . . . . 25 2.2 Interplay of price formation and renewable support . . . . . . 27 2.2.1 Definitions and concepts . . . . . . . . . . . . . . . . . 27 2.2.2 Quantity and price effect of environmental policies and implications for geographic deployment pathways 29 II Regionalisation of data inputs 33 3 GIS-based windenergy potential analysis 35 3.1 Framing the approach . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.1 Taxonomy of renewable potentials . . . . . . . . . . . 35 3.1.2 GIS-based analysis procedure . . . . . . . . . . . . . . 36 3.1.3 Three-stage sensitivity analysis . . . . . . . . . . . . . 37 3.2 Land assessment . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2.1 Land characteristics . . . . . . . . . . . . . . . . . . . . 37 3.2.2 Results on the land availability . . . . . . . . . . . . . . 41 3.3 Technical potential . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.3.1 Technical wind turbine configuration . . . . . . . . . . 44 3.3.2 Electrical energy conversion . . . . . . . . . . . . . . . 45 3.3.3 Wind-farm design . . . . . . . . . . . . . . . . . . . . . 46 3.3.4 Results on the technical potential . . . . . . . . . . . . 47 3.4 Economic potential . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.4.1 Cost-potential curves at a country level . . . . . . . . 49 3.4.2 Cost-potential curves at a regional level . . . . . . . . 52 4 Generic wind energy feed-in time series 55 4.1 Generic wind speed data in energy systems analysis . . . . . . 55 4.1.1 Motivation of generic time series . . . . . . . . . . . . 55 4.1.2 Incorporation of time series generation into modelling setup . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2 Dynamic adjustment of model size via clustering . . . . . . . 56 4.2.1 Introduction to hierarchical and partitional cluster methods . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2.2 Euclidean distance as proximity measure . . . . . . . . 57 4.2.3 Linkage of observations and cluster verification . . . 58 4.2.4 Specification of input data and data organisation . . . 59 4.2.5 Results on cluster algorithm selection and representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.3 Vector autoregressive stochastic process with Normal-to- Weibull transformation . . . . . . . . . . . . . . . . . . . . . . . 61 4.3.1 Wind characteristics . . . . . . . . . . . . . . . . . . . . 61 4.3.2 Data description and handling . . . . . . . . . . . . . . 62 4.3.3 Additive modelling procedure . . . . . . . . . . . . . . 63 4.3.4 Standard Normal-to-Weibull transformation . . . . . . 64 4.3.5 Time series decomposition . . . . . . . . . . . . . . . . 67 4.3.6 (V)AR-Parameter estimation . . . . . . . . . . . . . . . 70 4.3.7 Statistical dependence between different locations . . 73 4.3.8 Time series simulation . . . . . . . . . . . . . . . . . . . 75 4.3.9 Results on time series simulation . . . . . . . . . . . . 77 III Market model-based investigation 81 5 Modelling investment decisions in power markets 83 5.1 Motivation for illustration of model decomposition . . . . . . 83 5.2 Simplified market model formulation . . . . . . . . . . . . . . . 83 5.2.1 Power plant dispatch problem . . . . . . . . . . . . . . 83 5.2.2 Capacity expansion extension . . . . . . . . . . . . . . 84 5.2.3 Constraint matrix structure . . . . . . . . . . . . . . . . 85 5.3 Complexity reduction via Benders decomposition . . . . . . . 87 5.3.1 Benders strategies . . . . . . . . . . . . . . . . . . . . . 87 5.3.2 Single-cut procedure . . . . . . . . . . . . . . . . . . . . 88 5.3.3 Multi-cut procedure . . . . . . . . . . . . . . . . . . . . 93 5.4 Acceleration strategies for decomposed market models . . . . 98 5.4.1 Scenario solver . . . . . . . . . . . . . . . . . . . . . . . 98 5.4.2 Distributed computing . . . . . . . . . . . . . . . . . . . 98 5.4.3 Regularisation . . . . . . . . . . . . . . . . . . . . . . . 98 5.5 Numerical testing of model formulation and solving strategy 99 5.5.1 Preliminary remarks . . . . . . . . . . . . . . . . . . . . 99 5.5.2 Effects of multiple cuts . . . . . . . . . . . . . . . . . . 100 5.5.3 Effects of scenario solver and parallelisation . . . . . . 101 5.5.4 Effects of regularisation . . . . . . . . . . . . . . . . . . 103 5.6 Implications for a large-scale application . . . . . . . . . . . . 105 6 ELTRAMOD-dec: A market model tailored for investigating the European electricity markets 107 6.1 Understanding the model design . . . . . . . . . . . . . . . . . 107 6.1.1 Market modelling fundamentals . . . . . . . . . . . . . 107 6.1.2 ELTRAMOD-dec’s model structure and solving conventions . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.1.3 Central capacity planning assumptions . . . . . . . . . 109 6.1.4 Central market clearing assumptions . . . . . . . . . . 110 6.2 Mathematical formulation of ELTRAMOD-dec . . . . . . . . . 111 6.2.1 Nomenclature . . . . . . . . . . . . . . . . . . . . . . . . 111 6.2.2 Master problem equations . . . . . . . . . . . . . . . . 114 6.2.3 Subproblem equations . . . . . . . . . . . . . . . . . . . 117 6.2.4 Program termination . . . . . . . . . . . . . . . . . . . 123 6.2.5 Research-specific extensions . . . . . . . . . . . . . . . 124 6.3 Data description and model calibration . . . . . . . . . . . . . 126 6.3.1 Base year modelling data . . . . . . . . . . . . . . . . . 126 6.3.2 Model performance validation . . . . . . . . . . . . . . 131 6.3.3 Target year modelling data . . . . . . . . . . . . . . . . 133 6.4 Determination of ELTRAMOD-dec’s solving conventions and tuning parameters . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.4.1 Framing some modelling experiments . . . . . . . . . 137 6.4.2 Effects of regularisation on convergence behaviour . 138 6.4.3 Effects of time slicing on solution accuracy . . . . . . 142 6.4.4 Effects of decomposition on solving speed . . . . . . . 145 7 Model-based investigation of onshore wind deployment pathways in Germany 149 7.1 Scenario framework and key assumptions . . . . . . . . . . . . 149 7.1.1 Scenario creation . . . . . . . . . . . . . . . . . . . . . . 149 7.1.2 Definition of market configuration . . . . . . . . . . . 152 7.1.3 Summary on scenario key assumptions . . . . . . . . . 154 7.2 Results on market integration at a market zone level . . . . . 155 7.2.1 Introducing market integration indicators . . . . . . . 155 7.2.2 Market integration indicators for baseline calculation 156 7.2.3 Market integration indicators for increased renewable uptake calculation . . . . . . . . . . . . . . . . . . 157 7.2.4 Market integration indicators for ultimate renewable uptake calculation . . . . . . . . . . . . . . . . . . . . . 159 7.3 Results on market integration at a detailed regional level . . . 160 7.3.1 Introducing regional market integration indicators . . 160 7.3.2 Regional market integration indicators for baseline calculation . . . . . . . . . . . . . . . . . . . . . . . . . . 161 7.3.3 Regional market integration indicators for increased renewable uptake calculation . . . . . . . . . . . . . . . 163 7.3.4 Regional market integration indicators for ultimate renewable uptake calculation . . . . . . . . . . . . . . . 164 8 Summary and conclusions 169 8.1 Findings regarding the market integration . . . . . . . . . . . . 169 8.1.1 Onshore wind resources constitute a limiting factor for achieving Germany’s energy transition . . . . . . 169 8.1.2 Distribution of wind farm fleet has a strong impact on market premia in the centre and south of Germany 170 8.2 Findings regarding the technical underpinning . . . . . . . . . 173 8.2.1 Generic wind speed velocities can be a powerful tool for power system modellers . . . . . . . . . . . . . . . 173 8.2.2 Decomposition enables efficient solving of large-scale power system investment and dispatch models . . . . 174 8.3 Implications for policymakers . . . . . . . . . . . . . . . . . . . 176 IV Appendix 179 A Additional tables and figures 181 B Code listings 187 Bibliography 199 / Achieving Germany's ambitious decarbonisation goals requires a massive expansion of onshore wind energy. In recent years, onshore wind project developers have increasingly faced social and environmental concerns due to land use conflicts. From a regulatory perspective, further integrating onshore wind capacity into the German energy system poses particular challenges regarding geographical and temporal aspects of electricity generation. High wind speeds and comparatively low population density have led investors to disproportionately develop wind farms in the northern states in the past. However, a strong simultaneous electricity feed-in at nearby wind sites suppresses wholesale electricity prices, reducing developers' market returns. This study aims to contribute to the future design of the German energy system and, in particular, to examine the further expansion of onshore wind energy in Germany, considering social, environmental, and economic constraints. GIS software and a new inverse time series modelling approach are utilised to investigate wind potential and land use conflicts. Future market scenarios are evaluated using a decomposed power plant dispatch and investment model regarding their effects on the economic efficiency of onshore wind energy market integration, with price developments for carbon emission certificates playing a crucial role. The results indicate a decreasing profitability of onshore wind energy in Germany, while from a holistic perspective, southern Germany could make a more significant contribution to wind energy at reasonable increases in support requirements.:I Analysis framework 1 1 Introduction 3 1.1 Research motivation . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Research objective, aims and questions . . . . . . . . . . . . . 5 1.3 Scientific contribution . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1 Research focus specification . . . . . . . . . . . . . . . 7 1.3.2 Contribution regarding renewable energy potentials and levelised generation cost . . . . . . . . . . . . . . . 10 1.3.3 Contribution regarding generic wind time series modelling 12 1.3.4 Contribution regarding electricity market modelling and model decomposition . . . . . . . . . . . . . . . . . 14 1.3.5 Contribution regarding evaluating the market integration of wind energy . . . . . . . . . . . . . . . . . . 17 1.4 Organisation of thesis and software tools applied . . . . . . . 20 2 Basics of electricity economics 23 2.1 Pricing and investments in electricity markets . . . . . . . . . 23 2.1.1 Long-term market equilibrium . . . . . . . . . . . . . . 23 2.1.2 Short-term market equilibrium . . . . . . . . . . . . . . 25 2.2 Interplay of price formation and renewable support . . . . . . 27 2.2.1 Definitions and concepts . . . . . . . . . . . . . . . . . 27 2.2.2 Quantity and price effect of environmental policies and implications for geographic deployment pathways 29 II Regionalisation of data inputs 33 3 GIS-based windenergy potential analysis 35 3.1 Framing the approach . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.1 Taxonomy of renewable potentials . . . . . . . . . . . 35 3.1.2 GIS-based analysis procedure . . . . . . . . . . . . . . 36 3.1.3 Three-stage sensitivity analysis . . . . . . . . . . . . . 37 3.2 Land assessment . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2.1 Land characteristics . . . . . . . . . . . . . . . . . . . . 37 3.2.2 Results on the land availability . . . . . . . . . . . . . . 41 3.3 Technical potential . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.3.1 Technical wind turbine configuration . . . . . . . . . . 44 3.3.2 Electrical energy conversion . . . . . . . . . . . . . . . 45 3.3.3 Wind-farm design . . . . . . . . . . . . . . . . . . . . . 46 3.3.4 Results on the technical potential . . . . . . . . . . . . 47 3.4 Economic potential . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.4.1 Cost-potential curves at a country level . . . . . . . . 49 3.4.2 Cost-potential curves at a regional level . . . . . . . . 52 4 Generic wind energy feed-in time series 55 4.1 Generic wind speed data in energy systems analysis . . . . . . 55 4.1.1 Motivation of generic time series . . . . . . . . . . . . 55 4.1.2 Incorporation of time series generation into modelling setup . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2 Dynamic adjustment of model size via clustering . . . . . . . 56 4.2.1 Introduction to hierarchical and partitional cluster methods . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2.2 Euclidean distance as proximity measure . . . . . . . . 57 4.2.3 Linkage of observations and cluster verification . . . 58 4.2.4 Specification of input data and data organisation . . . 59 4.2.5 Results on cluster algorithm selection and representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.3 Vector autoregressive stochastic process with Normal-to- Weibull transformation . . . . . . . . . . . . . . . . . . . . . . . 61 4.3.1 Wind characteristics . . . . . . . . . . . . . . . . . . . . 61 4.3.2 Data description and handling . . . . . . . . . . . . . . 62 4.3.3 Additive modelling procedure . . . . . . . . . . . . . . 63 4.3.4 Standard Normal-to-Weibull transformation . . . . . . 64 4.3.5 Time series decomposition . . . . . . . . . . . . . . . . 67 4.3.6 (V)AR-Parameter estimation . . . . . . . . . . . . . . . 70 4.3.7 Statistical dependence between different locations . . 73 4.3.8 Time series simulation . . . . . . . . . . . . . . . . . . . 75 4.3.9 Results on time series simulation . . . . . . . . . . . . 77 III Market model-based investigation 81 5 Modelling investment decisions in power markets 83 5.1 Motivation for illustration of model decomposition . . . . . . 83 5.2 Simplified market model formulation . . . . . . . . . . . . . . . 83 5.2.1 Power plant dispatch problem . . . . . . . . . . . . . . 83 5.2.2 Capacity expansion extension . . . . . . . . . . . . . . 84 5.2.3 Constraint matrix structure . . . . . . . . . . . . . . . . 85 5.3 Complexity reduction via Benders decomposition . . . . . . . 87 5.3.1 Benders strategies . . . . . . . . . . . . . . . . . . . . . 87 5.3.2 Single-cut procedure . . . . . . . . . . . . . . . . . . . . 88 5.3.3 Multi-cut procedure . . . . . . . . . . . . . . . . . . . . 93 5.4 Acceleration strategies for decomposed market models . . . . 98 5.4.1 Scenario solver . . . . . . . . . . . . . . . . . . . . . . . 98 5.4.2 Distributed computing . . . . . . . . . . . . . . . . . . . 98 5.4.3 Regularisation . . . . . . . . . . . . . . . . . . . . . . . 98 5.5 Numerical testing of model formulation and solving strategy 99 5.5.1 Preliminary remarks . . . . . . . . . . . . . . . . . . . . 99 5.5.2 Effects of multiple cuts . . . . . . . . . . . . . . . . . . 100 5.5.3 Effects of scenario solver and parallelisation . . . . . . 101 5.5.4 Effects of regularisation . . . . . . . . . . . . . . . . . . 103 5.6 Implications for a large-scale application . . . . . . . . . . . . 105 6 ELTRAMOD-dec: A market model tailored for investigating the European electricity markets 107 6.1 Understanding the model design . . . . . . . . . . . . . . . . . 107 6.1.1 Market modelling fundamentals . . . . . . . . . . . . . 107 6.1.2 ELTRAMOD-dec’s model structure and solving conventions . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.1.3 Central capacity planning assumptions . . . . . . . . . 109 6.1.4 Central market clearing assumptions . . . . . . . . . . 110 6.2 Mathematical formulation of ELTRAMOD-dec . . . . . . . . . 111 6.2.1 Nomenclature . . . . . . . . . . . . . . . . . . . . . . . . 111 6.2.2 Master problem equations . . . . . . . . . . . . . . . . 114 6.2.3 Subproblem equations . . . . . . . . . . . . . . . . . . . 117 6.2.4 Program termination . . . . . . . . . . . . . . . . . . . 123 6.2.5 Research-specific extensions . . . . . . . . . . . . . . . 124 6.3 Data description and model calibration . . . . . . . . . . . . . 126 6.3.1 Base year modelling data . . . . . . . . . . . . . . . . . 126 6.3.2 Model performance validation . . . . . . . . . . . . . . 131 6.3.3 Target year modelling data . . . . . . . . . . . . . . . . 133 6.4 Determination of ELTRAMOD-dec’s solving conventions and tuning parameters . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.4.1 Framing some modelling experiments . . . . . . . . . 137 6.4.2 Effects of regularisation on convergence behaviour . 138 6.4.3 Effects of time slicing on solution accuracy . . . . . . 142 6.4.4 Effects of decomposition on solving speed . . . . . . . 145 7 Model-based investigation of onshore wind deployment pathways in Germany 149 7.1 Scenario framework and key assumptions . . . . . . . . . . . . 149 7.1.1 Scenario creation . . . . . . . . . . . . . . . . . . . . . . 149 7.1.2 Definition of market configuration . . . . . . . . . . . 152 7.1.3 Summary on scenario key assumptions . . . . . . . . . 154 7.2 Results on market integration at a market zone level . . . . . 155 7.2.1 Introducing market integration indicators . . . . . . . 155 7.2.2 Market integration indicators for baseline calculation 156 7.2.3 Market integration indicators for increased renewable uptake calculation . . . . . . . . . . . . . . . . . . 157 7.2.4 Market integration indicators for ultimate renewable uptake calculation . . . . . . . . . . . . . . . . . . . . . 159 7.3 Results on market integration at a detailed regional level . . . 160 7.3.1 Introducing regional market integration indicators . . 160 7.3.2 Regional market integration indicators for baseline calculation . . . . . . . . . . . . . . . . . . . . . . . . . . 161 7.3.3 Regional market integration indicators for increased renewable uptake calculation . . . . . . . . . . . . . . . 163 7.3.4 Regional market integration indicators for ultimate renewable uptake calculation . . . . . . . . . . . . . . . 164 8 Summary and conclusions 169 8.1 Findings regarding the market integration . . . . . . . . . . . . 169 8.1.1 Onshore wind resources constitute a limiting factor for achieving Germany’s energy transition . . . . . . 169 8.1.2 Distribution of wind farm fleet has a strong impact on market premia in the centre and south of Germany 170 8.2 Findings regarding the technical underpinning . . . . . . . . . 173 8.2.1 Generic wind speed velocities can be a powerful tool for power system modellers . . . . . . . . . . . . . . . 173 8.2.2 Decomposition enables efficient solving of large-scale power system investment and dispatch models . . . . 174 8.3 Implications for policymakers . . . . . . . . . . . . . . . . . . . 176 IV Appendix 179 A Additional tables and figures 181 B Code listings 187 Bibliography 199

This dissertation focuses on selected issues in regard to the mathematical modeling of electricity markets. In a first step the interrelations of electric power market modeling are highlighted a crossroad between operations research, applied economics, and engineering. In a second step the development of a large-scale continental European economic engineering model named ELMOD is described and the model is applied to the issue of wind integration. It is concluded that enabling the integration of low-carbon technologies appears feasible for wind energy. In a third step algorithmic work is carried out regarding a game theoretic model. Two approaches in order to solve a discretely-constrained mathematical program with equilibrium constraints using disjunctive constraints are presented. The first one reformulates the problem as a mixed-integer linear program and the second one applies the Benders decomposition technique. Selected numerical results are reported.

This dissertation focuses on selected issues in regard to the mathematical modeling of electricity markets. In a first step the interrelations of electric power market modeling are highlighted a crossroad between operations research, applied economics, and engineering. In a second step the development of a large-scale continental European economic engineering model named ELMOD is described and the model is applied to the issue of wind integration. It is concluded that enabling the integration of low-carbon technologies appears feasible for wind energy. In a third step algorithmic work is carried out regarding a game theoretic model. Two approaches in order to solve a discretely-constrained mathematical program with equilibrium constraints using disjunctive constraints are presented. The first one reformulates the problem as a mixed-integer linear program and the second one applies the Benders decomposition technique. Selected numerical results are reported.