NY, Cornell Univ., Diss.--Ithaca, 2004. / Kopie, ersch. im Verl. UMI, Ann Arbor, Mich. - Enth. 3 Beitr.

Mass., Harvard Univ., Graduate School of Arts and Sciences, Diss.--Cambridge, 2004. / Kopie, ersch. im Verl. UMI, Ann Arbor, Mich. - Enth. 3 Beitr.

Calif., California Inst. of Technology, Diss.--Pasadena, 2003. / Kopie, ersch. im Verl. UMI, Ann Arbor, Mich.

Calif., Univ. of California, Diss.--Berkeley, 2002. / Kopie, ersch. im Verl. UMI, Ann Arbor, Mich. - Enth. 3 Beitr.

Zugl.: Wuppertal, Univ., Diss.

Zugl.: Bayreuth, Universiẗat, Diss.

Diese Dissertation befasst sich mit europäischer und US-amerikanischer Konjunkturgeschichte und Marktintegration im 19. und 20. Jahrhundert. Zur Analyse von konjunkturellen Schwankungen stellt sie der weitverbreiteten Historischen Volkswirtschaftlichen Gesamtrechnung (VGR) die Methode dynamischer Faktoranalyse zur Seite, die dazu beiträgt, die begrenzten historischen Zeitreihen effizient zu nutzen. Die nationale und internationale Entwicklung von Weizenmärkten seit dem Ende der Napoleonischen Kriege wird mit einem multivariaten dynamischen Faktormodell untersucht. Spektralanalyse wird zur Berechnung frequenzspezifischer Kohärenz von historischen Börsenindizes und konkurrierenden Schätzungen des Nationalprodukts in Deutschland zwischen 1850 und 1913 herangezogen. Ein wichtiges Ergebnis ist, dass Finanzdaten die Datierung der Konjunktur im Deutschen Kaiserreich erleichtern, was auch durch die Ergebnisse der Faktoranalyse bestätigt wird. Der verwendete Aktienindex, einzelne reale Konjunkturindikatoren und der dynamische Faktor korrelieren eng miteinder. Die Bildung sektoraler Sub-Indizes zeigt, dass der Übergang von einer landwirtschaftlich zu einer industriell geprägten Volkswirtschaft vermutlich früher geschehen ist als Beschäftigungsanteile aus der Historischen VGR vermuten lassen. Die Untersuchung der U.S.-Konjunktur ergibt die Annahme zeitvariierender Strukturparameter eine Erhöhung der Konjunkturschwankungsbreite nach dem 2. Weltkrieg verglichen mit der Zeit vor dem 1. Weltkrieg. Für die Weizenmarktintegration in Europa zeigt sich, dass die Entwicklung vor der Mitte des 19. Jahrhunderts schneller voran ging als danach, was eine Neuinterpretation der Rolle von Technologien wie dem Metallrumpf und dem Dampfschiff sowie dem Eintritt Amerikas als Weizenproduzenten nahelegt. / This thesis addresses historical business cycles and market integration in Europe and America in the 19th and 20th centuries. For the analysis of historical business cycles, the widely used methodology of historical national accounting is complemented with a dynamic factor model that allows for using scarce historical data efficiently. In order to investigate how national and international markets developed since the early 1800s, a multivariate dynamic factor model is used. Spectral analysis helps in measuring frequency specific correlation between financial indicators and rivaling national income estimates for Germany between 1850 and 1913. One result is that the historical stock market index used helps to discriminate between competing estimates of German national income. A dynamic factor estimated from a broad time series data set confirms this result. Sub-indices for agriculture and industry suggest that the German economy industrialized earlier than evidence from national accounting shows. The finding for the U.S. business cycle is that relaxing the assumption of constant structural parameters yields higher postwar aggregate volatility relative to the period before World War I. Concerning market integration, it is found that European wheat markets integrated faster before mid-19th century than after. Thus, the impact of the metal hull and steam ship as well as the relevance of American wheat for the world wheat market have perhaps been overstated.

Mit den steigenden Anteilen der Wind- und Solarstromerzeugung als fluktuierenden erneuerbaren Energien (FEE) wurden in den vergangenen Jahren aus der Energiewirtschaft, der Wissenschaft und Politik Forderungen laut, die FEE im Interesse einer effizienteren Förderung „besser“ in die liberalisierten Strommärkte zu integrieren (sog. Marktintegration der EE). Gefordert wird u. a., dass die FEE in Zukunft ähnlich wie die thermischen Kraftwerke ihre Stromproduktion an den Preissignalen der Großhandels-Strommärkte ausrichten, um somit zum besseren Ausgleich von Angebot und Nachfrage beizutragen. In die Diskussion zur grundlegenden Reform des EEG 2014 wurde u. a. die Einführung einer fixen statt variablen Marktprämie, einer kapazitiven Vergütung sowie die wettbewerbliche Ausschreibung anstatt administrativer Förderhöhen eingebracht. Investitionen in FEE-Anlagen als kapitalintensive Technologien sehen sich jedoch bei verstärkter Marktintegration unter den heute vorherrschenden Marktbedingungen – die primär auf einen thermischen Kraftwerkspark ausgelegt sind - zunehmenden Investitions- und Betriebsrisiken ausgesetzt, die durch Risikoaufschläge bei Eigen- und Fremdkapital in die Investitionskosten eingepreist werden. Neben steigenden Preisrisiken durch stärkere Preisvolatilitäten bei höheren FEE-Anteilen ergeben sich in Abhängigkeit der Förderinstrumente jedoch auch neue Mengenrisiken, da mit der Einführung der FEE-Direktvermarktung diese bei entsprechend niedrigen Preisen marktgetrieben abgeregelt werden. Durch den bereits in der Vergangenheit nachgewiesenen Merit-Order-Effekt und den Marktwertverlust der FEE durch den sog. Gleichzeitigkeitseffekt, stellt sich damit die Frage, ob sich ein System mit hohen Anteilen an FEE zukünftig rein marktendogen auf Basis eines Grenzkostenmarktes refinanzieren lässt. Mit Hilfe des im Rahmen der Dissertation weiterentwickelten agentenbasierten Strommarktmodells AMIRIS wurden zur Beantwortung der Fragestellung unterschiedliche Szenarioanalysen durchgeführt und auf der Akteurs- und Systemebene ausgewertet. Die stündlich aufgelösten Simulationsläufe von 2015-2035 zur Entwicklung der Refinanzierungsbedingungen der FEE, der FEE-Marktwerte sowie der assoziierten Fördereffizienz zur Erreichung der FEE-Ziele bei Anwendung einer variablen oder fixen Markt- sowie Kapazitätsprämie kommen dabei zu dem Ergebnis, dass die Refinanzierung eines allein marktendogenen Ausbaus von FEE-Anlagen unter den Bedingungen eines grenzkostenbasierten Strommarktes nicht möglich ist. Dies liegt primär an den zunehmend marktgetrieben abgeregelten Strommengen sowie den Marktwertverlusten durch den Gleichzeitigkeitseffekt. Problem ist hierbei, dass keiner der Anlagenbetreiber zum Zeitpunkt der Investition realistisch abschätzen kann, welcher Anteil der meteorologisch erzeugbaren Strommenge sich letztendlich am Markt absetzen lässt. Denn die vermarktbaren Strommengen hängen nicht nur vom Förderinstrument, sondern vor allem von der zukünftigen Flexibilität im System ab. Hinzu kommt, dass sich im Referenzszenario mit keinem der diskutierten Instrumente auch nur annäherungsweise die EE-Ausbauziele bis 2035 erreichen lassen. Zusätzlich kommt es beim derzeit implementierten EE-Direktvermarktungssystem über die Strombörse mit Wettbewerb zwischen den dezentralen Direktvermarktern bei der variablen Marktprämie zu ineffizienten Abregelungsentscheidungen, da in diesem Förderregime der Anreiz besteht, die stromgestehungskostentechnisch günstigsten FEE-Anlagen als erstes abzuregeln. Mit zunehmendem Anteil der FEE-Einspeisung wird es zukünftig bei einem dezentralen Direktvermarktungssystem außerdem zu hohen Informationsasymmetrien und damit einer ineffizienten Preisbildung im Stromgroßhandel kommen. Dies liegt an der Unkenntnis anderer Marktteilnehmer über die dezentrale Entscheidung abzuregelnder FEE-Mengen. Ein zentrales Direktvermarktungssystem mit einem sog. ‚Single-Buyer‘-Konzept könnte hier Abhilfe schaffen. Entgegen der vorherrschenden ökonomischen Theorie erweist sich die variable Marktprämie jedoch in allen untersuchten Szenarien als dynamisch effizienter als eine fixe Marktprämie, die wiederum effizienter wirkt als eine variable und fixe Kapazitätsprämie. Den größten Einfluss auf die absoluten als auch relativen Marktwerte der FEE; haben neben den Förderinstrumenten in absteigender Reihenfolge vor allem neue Stromverbraucher (P2X), ein zentrales statt dezentrales Direktvermarktungssystem, ein gleichmäßigeres Ausbauverhältnis zwischen Wind- und PV-Anlagen, eine gleichmäßigere Verteilung der Windanlagen zwischen Nord- und Süddeutschland, der flexible Einsatz von Biomasseanlagen, der Einsatz von Strom-zu-Strom-Speichern und zu relativ kleinen Anteilen auch eine systemdienlichere Auslegung der Anlagen (Schwachwindanlagen). Bessere Anreize zur Hebung der Flexibilitätspotentiale und damit bessere Integrationsmöglichkeiten der FEE bietet die Integration über die Stromvertriebe statt über den Stromgroßhandel. / With the increasing shares of wind and solar power generation as variable renewable energies (VRE), demands have been made in recent years from the energy industry, science and politics to integrate the VRE 'better' into the liberalised electricity markets in the interest of more efficient promotion (so-called market integration of renewables). One of the demands is that the VRE, like thermal power plants, should in future align its electricity production with the price signals of the wholesale electricity markets in order to contribute to a better balance between supply and demand. The discussion on the fundamental reform of the EEG 2014 included the introduction of a fixed instead of a variable market premium, a capacitive remuneration and a competitive tendering procedure instead of administrative subsidy amounts. Investments in VRE plants as capital-intensive technologies, however, are exposed to increasing investment and operating risks under today's prevailing market conditions - which are primarily designed for a thermal power plant park - as a result of increased market integration. In addition to rising price risks due to greater price volatility in the case of higher VRE shares, there are also new volume risks, depending on the support instruments used, as the introduction of VRE direct-marketing means that the power can be curtailed on a market-driven basis at correspondingly low prices. The merit order effect already proven in the past and the loss in market value of VRE due to the so-called simultaneity effect raise the question of whether a system with a high shares of VRE can be refinanced purely marketendogenously on the basis of a marginal cost market in the future. With the help of the agent-based electricity market model AMIRIS, which was further developed within the framework of the dissertation, different scenario analyses were carried out to answer the question and evaluated at the actor and system level. The hourly resolved simulation runs of 2015-2035 for the development of the refinancing conditions of the VRE, the VRE market values as well as the associated support efficiency in order to achieve the VRE targets with the application of a variable or fixed market and capacity premium come to the conclusion that the refinancing of a market endogenous expansion of VRE plants is not possible under the conditions of a marginal cost based electricity market. This is primarily due to the increasingly market-driven curtailment of VRE electricity volumes and the loss of market value due to the simultaneity effect. The problem here is that none of the plant operators can realistically estimate at the time of the investment what share of the meteorologically producible quantity of electricity can ultimately be sold on the market. This is because the quantities of electricity that can be marketed depend not only on the funding instrument, but above all on the future flexibility of the system. In addition, none of the instruments discussed in the reference scenario can even come close to achieving the renewable energy expansion targets by 2035. In addition, the currently implemented direct marketing system for renewables via the power exchange with competition between the decentralised direct marketers leads to inefficient curtailment decisions with regard to the variable market premium, since in this support regime there is an incentive to curtail the VRE plants with the lowest levelized-cost of electricity (LCOE) first. As the share of VRE increases, a decentralised direct marketing system will in future also lead to high information asymmetries and thus inefficient pricing in electricity wholesale. This is due to the unawareness of other market participants about the decentralised decision to curtailment VRE volumes. A central direct marketing system with a so-called 'single buyer' concept could remedy this situation. Contrary to the prevailing economic theory, the variable market premium proves to be dynamically more efficient than a fixed market premium in all scenarios examined, which in turn is more efficient than a variable and fixed capacity premium. The greatest influence on the absolute as well as relative market values of the VRE is exerted in descending order by new electricity consumers (P2X), a central instead of decentralised direct marketing system, a more even expansion ratio between wind and PV plants, a more even distribution of wind plants between northern and southern Germany, the flexible use of biomass plants, the use of electricity to electricity storage units and to relatively small proportions also a more system-oriented design of the plants (weakwind turbines). Better incentives to increase the flexibility potentials and thus better integration possibilities of the VRE are offered by the integration via the electricity utilities instead of the wholesale market.

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

No description available.