FORECAST-Residential

Name

Forecasting Energy Consumption Analysis and Simulation Tool - Residential

Aktuell liegt FORECAST-Residential gemäß SVN-basierter Versionskontrolle in Revision 13290 vor. Diese Revision wird parallel zu den Modellrechnungen im Projekt weiterentwickelt, wobei die grundlegenden Funktionen identisch zu denen der für den Projektionsbericht 2024 eingesetzten Version bleiben.

Betreibende Organisation

Fraunhofer Institut für System- und Innovationsforschung ISI (Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V.)

Zweck des Modells

FORECAST-Residential ist ein Modul innerhalb der umfassenden FORECAST-Modellfamilie, die den Endenergiebedarf in Industrie, Haushalten sowie Gewerbe, Handel und Dienstleistungen (GHD) bis zum Jahr 2050 simuliert. Im Haushaltssektor unterscheidet FORECAST-Residential acht Anwendungsgruppen:

(1) Raumwärme,

(2) Warmwasser,

(3) Lüftung,

(4) Raumkühlung,

(5) Haushaltsgroßgeräte,

(6) Informations- und Kommunikationstechnik (IKT),

(7) Beleuchtung und

(8) Kochen.

Die ersten drei Anwendungsgruppen ("Wärme") werden in diesem Projekt bereits über das Modell invert/EE-lab abgedeckt. Entsprechend konzentriert sich FORECAST-Residential hier auf die vier Anwendungsgruppen Haushaltsgroßgeräte, IKT-Endgeräte, Raumkühlung, Beleuchtung und Kochen, zusammenfassend als „Geräte“ bezeichnet.

Der Haushaltssektor macht in Deutschland rund 28 % des Endenergieverbrauchs aus (Stand 2023), wovon etwa 17 % auf Geräte und 83 % auf Wärme (Raumwärme, Warmwasser, Lüftung) entfallen. Damit entspricht der Geräteanteil rund 5 % des gesamten deutschen Endenergieverbrauchs. Durch die Kopplung von Invert/EE-Lab und FORECAST-Residential wird das gesamte Spektrum des Haushaltssektors abgebildet, was eine konsistente Analyse aller relevanten Endenergieanwendungen ermöglicht.

FORECAST-Residential simuliert in diesem Rahmen den Endenergieverbrauch für Geräte (Anwendungsgruppen 4 bis 8) bis zum Jahr 2050. Durch verschiedene Szenarien lassen sich politische (z. B. Mindesteffizienzstandards) und ökonomische Rahmenbedingungen (z. B. Strompreise) variieren, um zu untersuchen, wie sie Kaufverhalten und Energieverbrauch beeinflussen. Die Ergebnisse ermöglichen eine explorative Betrachtung langfristiger Entwicklungen und helfen abzuschätzen, wo der Energieverbrauch und die damit verbundenen Treibhausgasemissionen im Jahr 2050 unter unterschiedlichen Annahmen liegen könnten.

Akteure

In FORECAST-Residential werden Haushalte nicht als einzelne, explizite Akteure wie in Agenten-basierten Modellen abgebildet. Stattdessen entsteht die Kauf- und Nutzungsentscheidung auf einer aggregierten Ebene, indem der ökonomische Vergleich (Total Cost of Ownership, TCO) mit einem multinomialen Logit-Verfahren kombiniert wird. Die Haushalte werden somit als eine Gesamtheit betrachtet, deren Verhalten durch eine Wahrscheinlichkeitsverteilung auf verschiedene Technologieoptionen abgebildet wird. Der deterministische Teil dieser Gesamtkostenrechnung (Anschaffung, Energie, Wartung) beschreibt die relativen Vorteile unterschiedlicher Gerätevarianten. Um die reale Kaufentscheidung jedoch realistisch zu erfassen, integriert das Modell eine zufällige Komponente, welche Umstände wie unvollständige Informationen, Gewohnheiten oder Verzerrungen (z. B. Status quo bias) widerspiegelt. Auf diese Weise lassen sich Streuungen in den Marktanteilen erklären, ohne dass jede einzelne Kaufentscheidung einer bestimmten „Akteursperson“ explizit modelliert werden muss. Falls ausreichend empirische Informationen zu verschiedenen Haushaltstypen oder sozialen Gruppen vorliegen, könnte das Modell auch unterschiedliche Akteurgruppen (z. B. einkommensabhängig) getrennt analysieren. Eine derartige Erweiterung erfordert umfangreiche, differenzierte Daten zur Charakterisierung des Kauf- und Verbrauchsverhaltens.

Dokumentation

Eine ausführliche Beschreibung von FORECAST-Residential findet sich auf der Webseite https://www.forecast-model.eu/forecast-en/ sowie in den folgenden Publikationen:

• Elsland, R. (2016): Long-term Energy Demand in the German Residential Sector. Development of an Integrated Modelling Concept to Capture Technological Myopia.

• Mandel, T.; Kranzl, L.; Popovski, E.; Sensfuß, F.; Müller, A.; Eichhammer, W. (2023): Investigating pathways to a net-zero emissions building sector in the European Union: what role for the energy efficiency first principle?, Energy Efficiency Volume 16 (22), (2023)

Räumliche Abdeckung

Das Modell ist grundsätzlich für Deutschland sowie alle EU-Mitgliedstaaten einsetzbar. Je nach Fragestellung werden die Berechnungen für einzelne Länder oder für eine gesamte Region durchgeführt.

Zeithorizont

Der Zeithorizont ist variabel. Typischerweise arbeitet FORECAST-Residential zwischen dem jeweils aktuellsten verfügbaren Jahr mit Datenverfügbarkeit zum Zweck der Kalibrierung (z.B. 2023) und 2050 (Zieljahr untersuchter Politiken).

Zeitliche Auflösung

FORECAST-Residential verwendet eine jährliche Auflösung. Für jedes Modelljahr werden die relevanten Größen (z. B. Gerätebestand, spezifischer Verbrauch) berechnet, sodass eine Zeitreihe bis zum Endjahr entsteht.

Konzeptionelle Gestaltungsprinzipien

Bottom-up-Modellierung FORECAST-Residential ist ein Bottom-up-Modell, das den Haushaltssektor in verschiedene Anwendungen (z.B. Haushaltsgroßgeräte), Technologien (z.B. Kühlschränke) und Energieeffizienzklassen (z.B. Klasse A) unterteilt. Der Endenergieverbrauch wird technologiespezifisch berechnet, indem zunächst die Verfügbarkeit (Ausstattungsrate) und die Effizienz jedes Gerätetyps ermittelt und anschließend dessen Einsatzdauer bzw. Betriebsprofil modelliert wird.

Bestandsentwicklung und Substitution Das Modell verfolgt die jährliche Erneuerung des Gerätebestands (Bestandsumwälzung). Alte Geräte werden auf Basis einer empirisch ermittelten ökonomischen Lebensdauer ersetzt, während neu hinzukommende Geräte mithilfe eines mikroökonomischen Ansatzes (Total Cost of Ownership in Kombination mit multinomialem Logit) ausgewählt werden. Auf diese Weise bildet das Modell Substitutionseffekte und das sukzessive Verschwinden ineffizienter Techniken durch neue, regulatorisch konforme Alternativen ab.

Abbildung von Politikinstrumenten Das Modell berücksichtigt politisch gesetzte Energieeffizienzanforderungen, Förderungen und Informationsinstrumente, die sich direkt auf die Kaufentscheidung und die Verfügbarkeit einzelner Effizienzklassen auswirken. So werden Gerätevarianten, die bestimmten gesetzlichen Standards nicht mehr entsprechen, modellintern als „nicht mehr verfügbar“ gekennzeichnet, was den Einsatz- bzw. Kaufspielraum für Haushalte beeinflusst. Gleichzeitig können finanzielle Anreize (z. B. Förderprogramme) oder Informationskampagnen über veränderte Preis- bzw. Nutzendiskontierungen in das Modell einfließen, was zu einer schnelleren Marktdurchdringung effizienter Technologien führt.

Methodischer/mathematischer Ansatz

FORECAST-Residential folgt einem Bottom-up-Simulationsmodell, das jede relevante Anwendung (zum Beispiel Kühlgeräte, Fernseher, Beleuchtung) auf Geräte- und Effizienzklassenebene abbildet. In einem ersten Schritt wird die Ausstattungsrate einzelner Technologien, etwa die Anzahl von Beleuchtungspunkten oder Kühlschränken pro Haushalt, mit Hilfe einer logistischen Wachstumskurve projiziert. Diese Kurve orientiert sich an historischen Marktdaten und setzt eine Sättigungsgrenze fest, die durch Marktstudien und Expertenschätzungen bestimmt wird. Diese Phase erfasst nur das Wachstum der „Energiedienstleistung“ (wie Beleuchtung oder Kühlung), aber noch nicht die Verteilung auf verschiedene Energieeffizienzklassen.

Im nächsten Schritt erfolgt die jährliche Bestandsumwälzung. Hier wird zunächst angenommen, dass ein Teil der im Bestand befindlichen Geräte ersetzt werden muss. Die Ausfallwahrscheinlichkeit ergibt sich aus einer über Normalverteilungen ermittelten ökonomischen Lebensdauer, die berücksichtigt, dass Haushaltsgeräte oft vor ihrem technischen Defekt ausgetauscht werden. Parallel dazu wird bestimmt, welche neuen Technologien beziehungsweise Effizienzklassen als Ersatz angeschafft werden. FORECAST-Residential nutzt dabei einen ökonomischen Kostenvergleich (Total Cost of Ownership, TCO), bei dem Anschaffungs-, Energie- und Wartungskosten über die erwartete Lebensdauer eines Geräts diskontiert werden. Für die Entwicklung zukünftiger Anschaffungspreise werden Lernkurven (technologisches Lernen) herangezogen, die Skaleneffekte in der Produktion abbilden. Energiepreise werden nur eingeschränkt antizipiert, indem das Modell unterstellt, dass Haushalte ihren Preistrend auf Grundlage zurückliegender Jahre fortschreiben. Um das tatsächliche Kaufverhalten der Verbraucher zu erfassen, genügt keine rein rational-optimierende Betrachtung. Das Modell verwendet daher einen multinomialen Logit-Ansatz, der den deterministischen TCO-Bestandteil um Zufallsnutzen ergänzt. Dieser Zufallsnutzen wird über eine Skalenkonstante (λ) gesteuert, die bestimmt, wie stark sich die Entscheidungswahrscheinlichkeit auf eine bestimmte Technologie konzentriert oder streut. Gleichzeitig unterliegt das Modell rechtlichen Vorgaben: Mindestenergieeffizienzstandards (etwa aus der EU-Ökodesign-Verordnung) legen fest, ob bestimmte Klassen in einem definierten Zeitraum überhaupt auf dem Markt verfügbar sein dürfen.

Die Kombination aus Ausstattungsraten, Gerätelebensdauer und der probabilistischen Wahl neuer Technologieoptionen führt letztlich zu einer jährlichen Aktualisierung des gesamten Gerätebestands sowie dessen Energieverbrauch. Um den Endenergiebedarf zu ermitteln, werden die so ermittelten Bestände mit den spezifischen Leistungswerten (in Watt) und typischen Nutzungszeiten (Stunden pro Jahr) der jeweiligen Geräte verknüpft. Letztere sind im Modell als exogene Parameter hinterlegt und können zur Berücksichtigung von Rebound-Effekten oder Verhaltensänderungen angepasst werden.

Beim Abgleich mit den Energiebilanzen bleibt in der Regel ein Restsegment übrig, das im Modell als „Sonstige & Neue Anwendungen“ zusammengefasst wird. Dieses Segment fasst einerseits Geräte zusammen, für die keine ausreichenden Daten zur detaillierten Bottom-up-Modellierung vorliegen (etwa Toaster oder Haartrockner), und bildet andererseits mögliche Zukunftstechnologien ab, die zum aktuellen Zeitpunkt noch nicht etabliert sind. Für diese Kategorie kommt ein Top-down-Ansatz zur Anwendung, der anhand eines multiplikativen Wachstumsmodells auf exogene Elastizitäten (Haushaltsgröße, Pro-Kopf-Einkommen, Strompreise, autonome Energieeffizienzverbesserungen) reagiert.

OpenSource

Das Modell FORECAST-Residential ist derzeit nicht als Open Source verfügbar. Eine Offenlegung des Codes würde aufgrund des Aufwands zur Aufbereitung und Dokumentation aktuell keinen direkten Mehrwert für Anwender außerhalb des Entwicklerteams bieten.

Parameter

FORECAST-Residential verwendet eine Vielzahl an Parametern, die sich in vier Hauptkategorien unterteilen lassen: demografische Rahmendaten, Preise, technische Daten sowie politische und regulative Parameter.

1. Demografische Rahmendaten

Haushaltszahl und Bevölkerungsentwicklung: Die Wachstumsraten der Haushaltszahlen basieren auf offiziellen Statistiken (z. B. Eurostat) und nationalen Prognosen. Sie bestimmen maßgeblich das Nachfragepotenzial für Haushaltsgeräte (z. B. Anzahl Kühlschränke pro Haushalt) und beeinflussen somit den projizierten Energieverbrauch.

2. Preise

Energiepreise: Die Strom- und gegebenenfalls Brennstoffpreise (z. B. für Gasherde) werden in FORECAST-Residential als exogene Szenarioannahmen hinterlegt. Neben den Großhandelspreisen fließen typische Verbraucheraufschläge wie Steuern, Umlagen und Netzentgelte ein.
Gerätepreise: Das Modell verwendet Gerätebeschaffungskosten aus Marktanalysen, Herstellerangaben und Studien. Lernkurven (technologisches Lernen) erlauben es, sinkende Anschaffungskosten neuer und effizienterer Technologien im Zeitverlauf abzubilden.
Wartungs- und Betriebskosten: Wartungskosten werden, sofern relevant, hinzugezogen. Diese Parameter gehen in den Total Cost of Ownership (TCO) ein und beeinflussen das Kaufverhalten im Modell.

3. Technische Daten

Gerätebestand und Effizienzklassen: Im Startjahr werden Gerätezahl, durchschnittlicher Energiebedarf und Energieeffizienzklassen auf Basis empirischer Erhebungen und Forschungsstudien kalibriert. Lebensdauer und Ausfallwahrscheinlichkeit: Für jede Gerätekategorie existiert eine empirisch hinterlegte ökonomische Lebensdauer, die über eine Normalverteilung ins Modell eingespielt wird. So wird die Wahrscheinlichkeit abgebildet, wann ein Gerät ersetzt wird.
Spezifischer Verbrauch und Betriebsstunden: Zur Berechnung des jährlichen Endenergiebedarfs werden Leistung (in Watt) und typische Betriebsstunden (pro Jahr) herangezogen. Diese Parameter basieren auf Vorstudien im Rahmen des EU-Ökodesigns. Ausstattungsraten und Sättigungsgrenzen: Eine logistische Wachstumskurve bildet die Prognose der Verbreitung bestimmter Technologien (z. B. Unterhaltungselektronik). Als Obergrenze („Sättigungsniveau“) dienen Schätzungen aus Marktanalysen und Expertenschätzungen.

4. Politische und regulative Parameter

Mindestenergieeffizienzstandards: EU-Ökodesign-Verordnungen legen fest, welche Gerätevarianten künftig nicht mehr angeboten werden dürfen. Das Modell unterhält hierfür eine boolesche Kennzeichnung (erlaubt/verboten), welche automatisch Änderungen in der Marktdurchdringung bewirkt.
Förderprogramme und Informationsinstrumente: Sofern staatliche Förderungen oder Informationskampagnen (z. B. Energieeffizienzlabels) für bestimmte Geräte existieren, werden diese im Modell als Preisvergünstigung oder erhöhtes Bewusstsein (über Logit-Funktion) berücksichtigt, was wiederum die Wahlwahrscheinlichkeit beeinflusst.
Steuern und Abgaben: Änderungen an fiskalischen Rahmenbedingungen, etwa CO2-Bepreisung auf Gasverbrauch oder Stromabgaben, fließen in die Energiepreise ein und wirken sich unmittelbar auf die TCO-Rechnung der Haushalte aus.

Programmiersprache

FORECAST-Residential ist in Visual Basic .NET implementiert. Zur Datenspeicherung und -verwaltung werden SQlite und MS Excel eingesetzt. Die Entwicklung erfolgt in Visual Studio 2017.

Programmtechnische Gestaltungsprinzipien

FORECAST-Residential ist in Visual Basic .NET implementiert und wird primär über die Entwicklungsumgebung Visual Studio weiterentwickelt. Die Datenhaltung erfolgt in einer SQL-Datenbank (SQLite), ergänzt um externe Dateien in Microsoft Excel-Formaten für den Datenimport und -export. Das Modulsystem FORECAST beinhaltet neben der Komponente „Residential“ noch weitere Sektormodule (z. B. FORECAST-Industry, FORECAST-Tertiary), die parallele Datenschnittstellen nutzen. Zur Koordination der Teilmodelle steht eine grafische Benutzeroberfläche (GUI) zur Verfügung, in der Nutzerinnen und Nutzer Szenariovariablen anpassen und Modellläufe steuern können. Der Workflow beim Betrieb von FORECAST-Residential gliedert sich üblicherweise in folgende Schritte:

Datenimport: Eingangsdaten, wie demografische Angaben, Energie- und Gerätepreise oder politische Parameter, werden über Excel-Sheets aufbereitet und in die SQLite-Datenbank importiert.
Modelleinstellungen: Über das GUI lassen sich Parameter wie Diskontierungsraten, Lebensdauerannahmen oder die Ausprägung politischer Instrumente anpassen.
Durchführung der Modellläufe: Das Kernprogramm in Visual Basic .NET greift auf die hinterlegten Daten zu, erstellt die benötigten Variablen und führt die Iterationen zur Bestands- und Verbrauchsberechnung durch.
Ergebnisaufbereitung: Die Resultate werden in der SQLite-Datenbank gespeichert und können bei Bedarf erneut in Excel-Sheets exportiert werden. So ist eine individuell anpassbare Weiterverarbeitung (z. B. Grafiken, Tabellen) möglich.

Räumliche Auflösung

Für die Simulation wird die nationale Ebene (NUTS 0) zugrunde gelegt, sodass jedes Land als Einheit ohne weitere regionale Untergliederung betrachtet wird.

Sektoren

FORECAST-Residential deckt gemäß den Energiestatistiken von Eurostat und der AG Energiebilanzen (AGEB) den Haushaltssektor ab. Im Rahmen dieses Projekts berücksichtigt das Modell nur die Anwendungsgruppen Haushaltsgroßgeräte, Informations- und Kommunikationstechnik, Beleuchtung, Kochen und Raumkühlung. Für Raumwärme und Warmwasser kommt im Rahmen dieses Projekts hingegen das Modell Invert/EE-Lab zum Einsatz. Für elektrische Geräte und Prozesse im Sektor Gewerbe, Handel und Dienstleistungen (GHD), die nicht auf Raumwärme oder Warmwasser entfallen, wird das Schwestermodell FORECAST-Tertiary eingesetzt.

Software

Visual Studio 2017, SQlite, MS Excel

Techniken

FORECAST-Residential bildet den Energieverbrauch von Haushaltsgeräten und Unterhaltungselektronik detailliert auf Einzeltechnologieebene ab. Die wichtigsten Gruppen sind

Haushaltsgroßgeräte (Kühlschränke, Gefrierschränke, Waschmaschinen, Trockner, Geschirrspüler),
Informations- und Kommunikationstechnik (IKT) (Fernseher, Computer-Bildschirme, Laptops, Desktop-PCs, Spielkonsolen, Smartphones, Modems/Router),
Beleuchtung (LED, Leuchtstoff-, Energiespar- und Halogenlampen, Glühlampen),
Kochen (Glaskeramik-, Induktions- und Massekochfelder, Gasherde),
Raumkühlung (mobile Klimageräte, Kühlsplit-Anlagen).

Jede dieser Technologien wird in mindestens sieben Energieeffizienzklassen (A bis G) eingeteilt; zum Teil kommen weitere Differenzierungen hinzu, etwa unterschiedliche Displaygrößen bei Fernsehern. Darüber hinaus berücksichtigt das Modell eine Kategorie „Sonstige & Neue Geräte“. Sie fasst einerseits Geräte zusammen, die zwar relevant sind (z. B. Toaster, Kaffeemaschinen, Haarföhne), aber nur schwer bottom-up erfasst werden können, weil die benötigte Datenlage (z. B. Bestände, Effizienzklassen) für eine feingliedrige Modellierung nicht ausreicht. Andererseits umfasst diese Kategorie auch mögliche zukünftige Technologien, die bislang nicht am Markt etabliert sind. Die Projektion dieses „Restsegments“ erfolgt mithilfe eines Top-down-Ansatzes, der sich an exogenen Trends wie der Haushaltszahl, dem verfügbaren Einkommen, den Energiepreisen und regulatorischen Effizienzvorgaben orientiert (siehe Abschnitt Methodischer/mathematischer Ansatz).

Treibhausgasemissionen

FORECAST-Residential berechnet die Scope-1- und Scope-2-Emissionen im Sinne des Greenhouse Gas Protocols. Vor allem CO2-Emissionen des Stromverbrauchs sind relevant. Die Verknüpfung mit Emissionsfaktoren erfolgt über die exogen angenommenen Emissionspfade.

Unsicherheit

Das Modell bildet Unsicherheiten nicht explizit ab; Vertrauensintervalle oder Monte-Carlo-Analysen sind nicht Bestandteil der Standardauswertung. In der Regel wird die Spannbreite möglicher Entwicklungen über Sensitivitätsanalysen abgedeckt, indem beispielsweise Variationen bei Energiepreisen oder Annahmen zum Markthochlauf neuer Technologien vorgenommen werden.

Visualisierung des Modells und dessen Funktionsweisen

Quelle: doi.org/10.5771/9783845267487

Modellierungsprozess

Datenflüsse im Kontext des Modellierungsprozesses von FORECAST-Residential

Dieser Graph zeigt woher (und wieviele) Datensätze direkt oder indirekt in FORECAST-Residential fließen.

flowchart LR
classDef default text-decoration:none
view["VIEW"]
click view href "/Modell/view/"
input__forecast_residential(["9"])
click input__forecast_residential href "/Modellierungsprozess/input__forecast_residential/"
forecast_residential["FORECAST-Residential"]
click forecast_residential href "/Modell/forecast_residential/"
style forecast_residential fill:#9d579a,stroke:#9d579a;
view__forecast_residential(["2"])
click view__forecast_residential href "/Modellierungsprozess/view__forecast_residential/"
parametrisierungstabelle(["Instrumentenausgestaltung für die Treibhausgas-Projektionen 2025 (Datentabelle)"])
click parametrisierungstabelle href "/Datensatz/parametrisierungstabelle/"
rahmendaten_preis_eu_emissionshandel_eu_ets_1(["Rahmendaten - Preis im EU Emissionshandel / EU ETS 1"])
click rahmendaten_preis_eu_emissionshandel_eu_ets_1 href "/Datensatz/rahmendaten_preis_eu_emissionshandel_eu_ets_1/"
forecast_residential__powerflex(["10"])
click forecast_residential__powerflex href "/Modellierungsprozess/forecast_residential__powerflex/"
rahmendaten_gesamtbevoelkerung(["Rahmendaten - Gesamtbevölkerung"])
click rahmendaten_gesamtbevoelkerung href "/Datensatz/rahmendaten_gesamtbevoelkerung/"
datentabelle(["Datentabelle für die Treibhausgas-Projektionen 2025 für Deutschland"])
click datentabelle href "/Datensatz/datentabelle/"
forecast_residential__enusem(["10"])
click forecast_residential__enusem href "/Modellierungsprozess/forecast_residential__enusem/"
input(("Eingangsdaten"))
instrumentenwirkung(["Treibhausgasminderungswirkung der Instrumente der Treibhausgas-Projektion 2025 für Deutschland (Datentabelle)"])
click instrumentenwirkung href "/Datensatz/instrumentenwirkung/"
powerflex["PowerFlex"]
click powerflex href "/Modell/powerflex/"
endverbrauchspreistabelle(["Endverbrauchspreise der Energieträger für die Treibhausgas-Projektionen 2025 (Datentabelle)"])
click endverbrauchspreistabelle href "/Datensatz/endverbrauchspreistabelle/"
forecast_residential__output(["19"])
click forecast_residential__output href "/Modellierungsprozess/forecast_residential__output/"
rahmendaten_preisindex_bruttoinlandsprodukt_deflator(["Rahmendaten - Preisindex Bruttoinlandsprodukt (Deflator)"])
click rahmendaten_preisindex_bruttoinlandsprodukt_deflator href "/Datensatz/rahmendaten_preisindex_bruttoinlandsprodukt_deflator/"
enusem["ENUSEM"]
click enusem href "/Modell/enusem/"
output(("Ergebnisdaten"))
forecast_residential --> instrumentenwirkung
input --> input__forecast_residential
forecast_residential --> forecast_residential__powerflex
endverbrauchspreistabelle --> forecast_residential
forecast_residential__output --> output
forecast_residential --> datentabelle
parametrisierungstabelle --> forecast_residential
forecast_residential --> forecast_residential__enusem
input__forecast_residential --> forecast_residential
forecast_residential --> forecast_residential__output
view__forecast_residential --> forecast_residential
forecast_residential__enusem --> enusem
rahmendaten_preisindex_bruttoinlandsprodukt_deflator --> forecast_residential
rahmendaten_gesamtbevoelkerung --> forecast_residential
rahmendaten_preis_eu_emissionshandel_eu_ets_1 --> forecast_residential
forecast_residential__powerflex --> powerflex
view --> view__forecast_residential

Direkte Datenflüsse zu FORECAST-Residential

Dieser Graph zeigt an, welche Datensätze direkt in FORECAST-Residential fließen oder durch FORECAST-Residential ausgegeben werden.

flowchart LR
classDef default text-decoration:none
forecast_residential["FORECAST-Residential"]
click forecast_residential href "/Modell/forecast_residential/"
style forecast_residential fill:#9d579a,stroke:#9d579a;
forecast_appliances_spezifischer_energiebedarf_je_geraet_k_wh_geraet_jahr(["Spezifischer Energiebedarf je Gerät (kWh/Gerät/Jahr)"])
click forecast_appliances_spezifischer_energiebedarf_je_geraet_k_wh_geraet_jahr href "/Datensatz/forecast_appliances_spezifischer_energiebedarf_je_geraet_k_wh_geraet_jahr/"
rahmendaten_preis_eu_emissionshandel_eu_ets_1(["Rahmendaten - Preis im EU Emissionshandel / EU ETS 1"])
click rahmendaten_preis_eu_emissionshandel_eu_ets_1 href "/Datensatz/rahmendaten_preis_eu_emissionshandel_eu_ets_1/"
parametrisierungstabelle(["Instrumentenausgestaltung für die Treibhausgas-Projektionen 2025 (Datentabelle)"])
click parametrisierungstabelle href "/Datensatz/parametrisierungstabelle/"
datentabelle(["Datentabelle für die Treibhausgas-Projektionen 2025 für Deutschland"])
click datentabelle href "/Datensatz/datentabelle/"
interface_1a4b_haushalte_geraete_mwms(["MMS Interface zwischen ENUSEM und FORECAST-Residential"])
click interface_1a4b_haushalte_geraete_mwms href "/Datensatz/interface_1a4b_haushalte_geraete_mwms/"
rahmendaten_gesamtbevoelkerung(["Rahmendaten - Gesamtbevölkerung"])
click rahmendaten_gesamtbevoelkerung href "/Datensatz/rahmendaten_gesamtbevoelkerung/"
forecast_appliances_ausstattungsraten_je_geraet_geraete_haushalt(["Ausstattungsraten je Gerät (Geräte/Haushalt)"])
click forecast_appliances_ausstattungsraten_je_geraet_geraete_haushalt href "/Datensatz/forecast_appliances_ausstattungsraten_je_geraet_geraete_haushalt/"
instrumentenwirkung(["Treibhausgasminderungswirkung der Instrumente der Treibhausgas-Projektion 2025 für Deutschland (Datentabelle)"])
click instrumentenwirkung href "/Datensatz/instrumentenwirkung/"
rahmendaten_preisindex_bruttoinlandsprodukt_deflator(["Rahmendaten - Preisindex Bruttoinlandsprodukt (Deflator)"])
click rahmendaten_preisindex_bruttoinlandsprodukt_deflator href "/Datensatz/rahmendaten_preisindex_bruttoinlandsprodukt_deflator/"
endverbrauchspreistabelle(["Endverbrauchspreise der Energieträger für die Treibhausgas-Projektionen 2025 (Datentabelle)"])
click endverbrauchspreistabelle href "/Datensatz/endverbrauchspreistabelle/"
forecast_appliances_geraetepreise(["Gerätepreise"])
click forecast_appliances_geraetepreise href "/Datensatz/forecast_appliances_geraetepreise/"
interface_1a4b_haushalte_geraete_mms(["MMS Interface zwischen ENUSEM und FORECAST-Residential"])
click interface_1a4b_haushalte_geraete_mms href "/Datensatz/interface_1a4b_haushalte_geraete_mms/"
forecast_appliances_marktanteile_je_geraet_und_effizienzklasse(["Marktanteile je Gerät und Effizienzklasse"])
click forecast_appliances_marktanteile_je_geraet_und_effizienzklasse href "/Datensatz/forecast_appliances_marktanteile_je_geraet_und_effizienzklasse/"
interface_1a4b_haushalte_geraete_mwms --> forecast_residential
rahmendaten_preisindex_bruttoinlandsprodukt_deflator --> forecast_residential
forecast_appliances_geraetepreise --> forecast_residential
endverbrauchspreistabelle --> forecast_residential
interface_1a4b_haushalte_geraete_mms --> forecast_residential
forecast_residential --> forecast_appliances_ausstattungsraten_je_geraet_geraete_haushalt
forecast_residential --> interface_1a4b_haushalte_geraete_mms
forecast_residential --> interface_1a4b_haushalte_geraete_mwms
forecast_residential --> forecast_appliances_marktanteile_je_geraet_und_effizienzklasse
forecast_residential --> forecast_appliances_spezifischer_energiebedarf_je_geraet_k_wh_geraet_jahr
forecast_residential --> instrumentenwirkung
forecast_residential --> datentabelle
rahmendaten_preis_eu_emissionshandel_eu_ets_1 --> forecast_residential
rahmendaten_gesamtbevoelkerung --> forecast_residential
parametrisierungstabelle --> forecast_residential