01 / MODELLLOGIK
Exogen ≠ endogen
Nachfrageprognosen, Ressourcen und Kostenszenarien werden vor dem Modelllauf festgelegt. Der Optimierer bestimmt Kapazitäten und Betrieb. Keine iterative Preis-Nachfrage-Rückkopplung im Basismodell.
↗ Kasten auswählen · Pfeile verfolgen · Pfade oben filtern
Primärenergie / RohstoffeStromWärme / AntriebWasserstoffAmmoniakCO₂
02 / ENERGIEUMWANDLUNG
Strom, Wärme und Stoffe unterscheiden
Wärmepumpen führen Strom und Umweltwärme dem Wärmesektor zu. Elektrolyse, Haber-Bosch, Ammoniak-Cracking und Brennstoffzellen benötigen eigene Energie- und Massenbilanzen samt Verlusten.
03 / MODELLGRENZEN
Technologieatlas statt Pflichtliste
Nicht alle Technologien müssen in die Masterarbeit. Wasserstoff, Ammoniak, Wärmenetze und CCS können je nach Forschungsfrage als Varianten oder Erweiterungen geprüft werden.
Forecasting & techno-ökonomische Modellierung · Forschungsinventar
Welche Technologien profitieren von Learning-by-Doing?
Interaktive Übersicht der Technologien, deren künftige Kosten bis 2060 durch Produktions-, Installations- oder Betriebserfahrung beeinflusst werden könnten. Priorität bedeutet hier Relevanz für eine Forecast-/Szenarioanalyse – nicht, dass eine Lernrate bereits belastbar geschätzt ist oder die Technologie zwingend ins Basismodell gehört.
01 · Empirisch gut untersuchen
Vor allem modulare, in Serie produzierte Anlagen: PV-Module, Lithium-Ionen-Batterien; außerdem Lern- und Skaleneffekte bei Wind und Elektrolyseuren.
02 · Projektbezogen vorsichtig sein
Bei CCS, Kernkraft, Netzen, Pumpspeichern und Kavernen hängen Kosten stark von Standort, Genehmigung, Bau und Materialpreisen ab.
03 · Keine Optimierer-Feedbackschleife
Globale Ausbaupfade und Lernraten werden außerhalb des Optimierers zu Szenario-Kostenpfaden verarbeitet. Regionale Ausbauentscheidungen bleiben endogen.
Exogene Lernkurve (optional):
CAPEX(t) = CAPEX₀ × [Q_global(t) / Q_global,0]^(−b), mit b = −log₂(1 − LR). LR ist die angenommene Kostenreduktion pro Verdopplung der kumulierten weltweiten Erfahrung Q. Material-, Zins-, Länder- und Projektkosteneinflüsse separat berücksichtigen; die Gleichung ist keine Garantie stetig sinkender Kosten.| Priorität | Technologie | Was ggf. forecasten? | Lernkurven-Eignung | Vorgehen |
|---|
Empfohlene Priorisierung für Deutschland & Japan
Zuerst PV, Onshore-/Offshore-Wind und Batteriespeicher. Danach Elektrolyse und CO₂-Abscheidung, sofern Bestandteil der Modellgrenze. Wärme, Ammoniak und weitere Technologieketten zunächst als optionale Erweiterungen. Für jeden Modelllauf exogene Low-/Base-/High-Kostenpfade für 2030, 2040, 2050 und 2060 definieren.
Wissenschaftlich saubere Abgrenzung
Learning-by-Doing ist nicht automatisch identisch mit allgemeinen Kostenreduktionen durch F&E, Materialpreise, Skaleneffekte oder Zinsänderungen. Die empirische Evidenz ist je Technologie verschieden. Wasserstoff, Ammoniak, Strom und CO₂ sind Energieträger/Stoffströme – keine Lernkurven-Technologien. Ihre Herstellung bzw. Umwandlung kann dagegen Gegenstand eines Forecasts sein.
Literatur- und Datenanker: IEA · Experience Curves · IEA · Energy Technology Perspectives 2026 · ATB 2025 · Technologiekosten-Szenarien · IEA · Global Hydrogen Review 2025 · Galletti et al. (2025) · Elektrolyse-Lernkurven. Stand: November 2026; Einschätzungen sind Modellierungs-Empfehlungen, keine empirisch kalibrierten Lernraten.
Inhaltliche Referenzen: Fraunhofer ISE · TransDE / REMod · PyPSA-Eur · Energy and carbon flows. Diese Website ist eine eigenständige schematische Lern- und Diskussionsdarstellung, kein normiertes Fließbild oder Prozesssimulator.