Im Bilanzkreis müssen sich Beschaffung und Verbrauch ausgleichen, und beides liegt in der Zukunft. Prognosen sind deshalb der wirtschaftlichste Hebel im EDM: Jede Verbesserung der Prognosegüte senkt direkt die Ausgleichsenergie-Kosten. Dieser Beitrag erklärt nüchtern, wie Last- und Erzeugungsprognosen entstehen, welche Standardverfahren sich bewährt haben und wie man Prognosegüte misst statt vermutet.
Warum Prognose so wichtig ist
Ein Bilanzkreisverantwortlicher meldet für jede Viertelstunde des Folgetags an, wie viel Energie sein Bilanzkreis beziehen und liefern wird. Weicht das Ist vom angemeldeten Fahrplan ab, gleicht der Übertragungsnetzbetreiber die Differenz mit Ausgleichsenergie aus, zu Preisen, die in angespannten Viertelstunden empfindlich hoch sein können. Die Prognose bestimmt also, wie nah Plan und Realität beieinander liegen. Wie die Anmeldung formal abläuft, beschreibt der Beitrag zum Fahrplanmanagement.
Lastprognose und Erzeugungsprognose
Man unterscheidet zwei Aufgaben. Die Lastprognose schätzt den Verbrauch eines Portfolios, etwa aller Kunden eines Lieferanten in einem Bilanzkreis. Sie ist vergleichsweise gutmütig, weil sich viele Einzelverbräuche im Portfolio glätten. Die Erzeugungsprognose schätzt die Einspeisung, bei Wind und Photovoltaik fast vollständig wetterabhängig und damit deutlich volatiler. Mit wachsender Einspeisung aus Erneuerbaren und mit der Direktvermarktung ist sie für viele Portfolios zur schwierigeren Hälfte geworden.
Die Standardverfahren im Überblick
Die Praxis arbeitet mit einer überschaubaren Familie von Verfahren, oft in Kombination:
| Verfahren | Prinzip | Typischer Einsatz |
|---|---|---|
| Vergleichstage | ähnliche historische Tage suchen (Wochentag, Saison, Temperatur) und deren Verlauf übernehmen | robuste Basisprognose für Last, gut nachvollziehbar |
| Profilbasiert | Standardlastprofile, skaliert mit Jahresverbrauchsprognose und Dynamisierung | SLP-Portfolios ohne eigene Messwerte, siehe RLM vs. SLP |
| Regression | Zusammenhang zwischen Last und Einflussgrößen (v. a. Temperatur) statistisch schätzen | temperaturabhängige Lasten, Gas- und Wärmeportfolios |
| Zeitreihenverfahren | Muster der eigenen Historie fortschreiben (gleitende Mittelwerte, exponentielle Glättung) | kurzfristige Anpassung, stabile Portfolios |
| Wettermodellbasiert | Einstrahlungs- und Windprognosen in Einspeiseleistung umrechnen | PV- und Windprognose, Intraday-Aktualisierung |
Datengetriebene Modelle, die diese Bausteine kombinieren und automatisch gewichten, sind heute Standard in den Prognosesystemen. Sie ändern aber nichts am Grundprinzip: Ohne saubere Historie, korrekte Stammdaten und aktuelle Wetterdaten prognostiziert auch das beste Modell schlecht.
Die Einflussgrößen
Vier Faktorgruppen erklären den Großteil der Lastvariation: Kalendereffekte (Wochentag, Feiertage, Ferien, Brückentage), Wetter (Temperatur, Einstrahlung, Wind, Bewölkung), Portfolioänderungen (Kundenzu- und -abgänge, die die Historie entwerten) und Strukturbrüche wie neue PV-Anlagen, Wärmepumpen oder Ladeinfrastruktur hinter bestehenden Zählpunkten. Gerade die letzten beiden werden in der Praxis unterschätzt: Ein Prognosemodell ist nur so aktuell wie die Stammdaten, die ihm sagen, was es prognostiziert.
Der Prozess: Day-ahead und Intraday
Organisatorisch läuft die Prognose in zwei Takten. Day-ahead entsteht bis zum Vormittag die Viertelstundenprognose für den Folgetag; auf ihr basieren Beschaffung und Fahrplananmeldung. Intraday wird nachgeführt: Neue Wetterläufe, aktuelle Messwerte und Ausfälle fließen ein, und die Abweichung wird über kurzfristigen Handel geglättet, solange das günstiger ist als Ausgleichsenergie. Wie eng beide Takte verzahnt sind, entscheidet über die Kosten, denn eine gute Day-ahead-Prognose nützt wenig, wenn niemand die Intraday-Abweichung bewirtschaftet.
Prognosegüte messen statt vermuten
Ob eine Prognose gut ist, entscheidet nicht der Eindruck, sondern die Kennzahl. Üblich sind der mittlere absolute prozentuale Fehler (MAPE) über alle Viertelstunden, der RMSE, der große Einzelfehler stärker gewichtet, und der Bias, also die systematische Über- oder Unterschätzung. Ein Bias ist dabei oft teurer als zufälliges Rauschen, weil er sich über Monate zu einer einseitigen Bilanzkreisabweichung summiert. Sinnvoll ist ein laufender Vergleich: Prognose gegen Ist je Viertelstunde, aufgerissen nach Portfolio und Tagestyp, und daneben die tatsächlich angefallenen Ausgleichsenergie-Kosten als wirtschaftliche Übersetzung.
Prognosegüte ist messbar: Sie übersetzt sich direkt in geringere Ausgleichsenergie und weniger Risiko.
Was sich mit iMSys und Viertelstundenwelt ändert
Bisher war die Lastprognose für Kleinkunden auf Profile angewiesen; das tatsächliche Verhalten war erst mit der Jahresabrechnung sichtbar. Mit intelligenten Messsystemen liegen Viertelstundenwerte auch für Haushalte vor. Das verbessert die Datenbasis erheblich: Portfolios lassen sich aus echten Verläufen kalibrieren, Strukturbrüche wie eine neue Wärmepumpe werden in Tagen statt Jahren sichtbar, und dynamische Tarife verschieben Last, die ein statisches Profil nicht abbildet. Zugleich steigt der Anspruch an die Datenqualität: Lücken und Ersatzwerte in der Historie schlagen jetzt direkt auf die Prognose durch.
Häufige Fragen
Das Wichtigste in Kürze
- Prognosen schätzen künftigen Verbrauch (Lastprognose) und künftige Einspeisung (Erzeugungsprognose) je Viertelstunde.
- Standardverfahren: Vergleichstage, profilbasierte Prognose, Regression, Zeitreihenverfahren und wettermodellbasierte Einspeiseprognose.
- Entscheidende Einflussgrößen: Kalender, Wetter, Portfolioänderungen und Strukturbrüche hinter dem Zählpunkt.
- Güte wird gemessen (MAPE, RMSE, Bias) und übersetzt sich direkt in Ausgleichsenergie-Kosten; Bias ist besonders teuer.
- iMSys-Daten verbessern die Datenbasis deutlich, setzen aber lückenarme Historien und aktuelle Stammdaten voraus.