Lastprognose für Energieversorger

Das echte Ausmaß des Problems

Im deutschen Stromsystem muss zu jedem Zeitpunkt genau so viel Strom erzeugt werden, wie verbraucht wird. Abweichungen — auch kleine — kosten Geld: Die Bundesnetzagentur hat dafür den Regelenergiemarkt eingerichtet. Wer mehr oder weniger liefert als angemeldet, zahlt für die Ausgleichsenergie, die Übertragungsnetzbetreiber bereitstellen müssen. Diese Ausgleichsenergiepreise sind volatil und können zu Spitzenlastzeiten 500 bis 1.000 Euro je MWh übersteigen — ein Vielfaches des normalen Börsenstrompreises.

Für einen mittelgroßen Stadtwerke-Versorger mit 50.000 versorgten Haushalten bedeutet eine Prognoseabweichung von 5 Prozent zur Spitzenlastzeit (morgens 7–9 Uhr, abends 18–20 Uhr) schnell 50.000 bis 150.000 Euro Ausgleichsenergiemehrkosten pro Jahr. Kleinere Versorger unter 100 GWh Jahresabsatz mit begrenzten Prognoseteams arbeiten noch häufig mit einfachen Tagesmittelwert-Hochrechnungen, angepasst durch Wetterkorrektur aus dem Bauchgefühl des Disponenten. Das reicht für normale Tage aus. Es reicht nicht für den Kälteeinbruch an einem Werktag nach einem langen Wochenende, für den Hitzesommer in der dritten Ferienwoche oder für den Feiertag, der auf einen Donnerstag fällt.

Mit der Energiewende wächst die Planungskomplexität weiter: Mehr volatile erneuerbare Einspeisung aus dem eigenen Netzgebiet, mehr Wärmepumpen und Elektroautos als nicht prognostizierbare Lasten, mehr Prosumer-Einheiten mit bidirektionalem Verhalten. Die Prognosemodelle von 2015 reichen für das Netz von 2026 nicht mehr aus.

So funktioniert es in der Praxis

Moderne KI-Lastprognosemodelle arbeiten mit Ensemble-Ansätzen: mehrere Algorithmen werden parallel trainiert und ihre Vorhersagen kombiniert — das reduziert Fehlerausreißer bei ungewöhnlichen Wetterlagen oder Kalenderkonstellationen.

Datenquellen: Historische Lastgangdaten (15-Minuten-Werte der letzten 3–5 Jahre), Wetterdaten (Temperatur, Windgeschwindigkeit, Bewölkung, Solarstrahlung), Kalenderinformationen (Wochentag, Feiertage, Schulferien nach Bundesland), und zunehmend auch Echtzeitdaten aus Smart Metern und Netzsensorik.

Modellarchitektur: Ein typischer Ansatz kombiniert LSTM-Netzwerke (Long Short-Term Memory — gut für saisonale und wöchentliche Muster) mit Gradient-Boosting-Modellen (gut für Kalender- und Wettereffekte). Das Ensemble-Modell gibt für jeden 15-Minuten-Zeitslot des nächsten Tages (und optional der nächsten Woche) eine Lastprognose aus — inklusive Konfidenzintervall.

Operative Integration: Die Prognosen fließen in die Einsatzplanung der Dispatcher: Welche eigenen Erzeugungsanlagen laufen wann? Wie viel Strom wird an der Börse gehandelt? Wann müssen Regelenergieverträge aktiviert werden? Gut integrierte Systeme übergeben die Prognosewerte direkt in die Leitsystem-Software (SCADA) und erlauben Szenarien-Vergleich: Was wenn es 5 Grad kälter wird als die Wettervorhersage?

Welche Tools passen hierzu

SAP Energy Management — für größere Versorgungsunternehmen, die SAP als ERP-Backbone nutzen. Lastprognose-Modul integriert in den SAP-Billing- und -Scheduling-Workflow. Hohe Integrationstiefe, aber entsprechend hoher Implementierungsaufwand. Realistisch ab 50 Mitarbeiter-Energieunternehmen.

Energy Exemplar PLEXOS — professionelles Energiemarkt-Modellierungswerkzeug mit starker Prognosekomponente. Weit verbreitet bei europäischen Übertragungsnetzbetreibern und großen Versorgern. Eher für Unternehmen mit eigenem Energiemarkt-Analytik-Team.

Axpo / Statkraft Eigenentwicklungen und Open-Source-Ansätze — viele mittelgroße Versorger setzen auf Python-basierte Eigenentwicklungen. Bibliotheken wie Prophet (Meta), NeuralProphet oder scikit-learn bieten ausgereifte Werkzeuge für Zeitreihenprognosen. Einrichtungsaufwand: 3–6 Monate mit einem erfahrenen Data Scientist; danach sehr niedriger laufender Betriebsaufwand.

Siemens Spectrum Power / ABB Ability — SCADA-Systeme mit integrierten Prognosemodulen. Relevant für Versorger, die ohnehin auf diesen Plattformen laufen und keine Parallelinfrastruktur aufbauen wollen.

Was es kostet — realistisch gerechnet

Open-Source-Eigenentwicklung mit Python:

• Entwicklungsaufwand: 80.000–150.000 Euro (6 Monate Data-Science-Projekt)
• Laufende Kosten: 20.000–40.000 Euro/Jahr (Infrastruktur, Wartung, Datenbeschaffung)
• Realistisch für Versorger ab 500 GWh Jahresabsatz mit eigenem IT-Team

SaaS-Prognoselösung (Spezialist-Anbieter):

• Implementierungskosten: 30.000–80.000 Euro
• Jährliche Lizenz: 20.000–60.000 Euro je nach Umfang und Netzgröße
• Schnellere Implementierung (3–6 Monate statt 6–12 Monate)

ROI-Rechnung am Beispiel: Stadtwerke, 1 TWh Jahresabsatz, aktuelle Ausgleichsenergiemehrkosten durch Prognosefehler: 300.000 Euro/Jahr (Schätzung). KI-Modell reduziert MAPE (Mean Absolute Percentage Error) von 4 Prozent auf 2,5 Prozent. Erwartete Kostensenkung: 100.000–150.000 Euro/Jahr. Systemkosten: 50.000 Euro/Jahr. Netto-Ersparnis: 50.000–100.000 Euro/Jahr. Amortisation: Jahr 1–2.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datensichtung & Anforderungsanalyse	Monat 1	Historische Lastgangdaten sichten, Wetterdaten-Quellen klären, IT-Infrastruktur bewerten	Datenlücken in historischen Lastgängen (Umzüge, Messausfälle) — Bereinigung unterschätzt
Modellentwicklung & Training	Monat 2–4	Modell entwickeln, auf historischen Daten trainieren, Backtesting gegen reale Abrechnungsperioden	Overfitting auf historische Daten — Modell schlägt bei ungewöhnlichen Wetterereignissen fehl
Integrations- & Parallelbetrieb	Monat 4–6	Prognosewerte parallel zum bestehenden Verfahren ausgeben, Disponenten einarbeiten, Abweichungen dokumentieren	Disponenten vertrauen dem Modell nicht — Akzeptanz und Change-Management unterschätzt
Vollbetrieb & Optimierung	Ab Monat 7	Modell übernimmt Einsatzplanung, laufendes Retraining mit aktuellen Daten, saisonale Kalibrierung	Kein regelmäßiges Retraining eingerichtet — Modellgenauigkeit degradiert nach 6–12 Monaten

Häufige Einwände

„Wir haben nicht genug historische Smartmeter-Daten für ein ML-Modell.” Smartmeter-Penetration ist in Deutschland noch gering — das stimmt. Die gute Nachricht: Die Basisversion eines Lastprognosemodells braucht keine Smartmeter-Granularität. Historische Netz-Lastgangdaten auf 15-Minuten-Ebene, die jeder Netzbetreiber ohnehin vorhalten muss, sind eine ausreichende Grundlage für einen ersten brauchbaren Prognose-Algorithmus. Smartmeter-Daten verbessern die Granularität und erlauben Teil-Netz-Prognosen — das ist der nächste Schritt, nicht der Einstieg.

„Unser Disponent kennt das Netz besser als jeder Algorithmus.” Das ist in einem wichtigen Sinne wahr: Lokales Wissen über Industriekunden mit unregelmäßigen Lastprofilen, geplante Veranstaltungen oder lokale Besonderheiten ist echtes Expertenwissen, das kein Algorithmus automatisch hat. Gute Systeme kombinieren beides: Das Modell liefert die statistische Grundlast, der Disponent ergänzt manuell Anpassungen für bekannte Ereignisse. Das ist keine Konkurrenz zum Experten, sondern eine Entlastung von den Routinetagen — damit mehr Aufmerksamkeit für die wirklich schwierigen Tage bleibt.

---

Wenn du wissen willst, welche Prognosegüte dein aktuelles Verfahren hat und wo die größten Potenziale liegen, meld dich. Wir können mit deinen Abrechnungsdaten eine erste Benchmarking-Analyse durchführen.