Lastprognose für Energieversorger

Das echte Ausmaß des Problems

Im deutschen Stromsystem muss zu jedem Zeitpunkt exakt so viel Strom erzeugt werden, wie verbraucht wird. Abweichungen kosten Geld — der Regelenergiemarkt der Bundesnetzagentur (BNetzA) ist der Mechanismus, über den Übertragungsnetzbetreiber solche Ungleichgewichte ausgleichen. Wer mehr oder weniger liefert als angemeldet, zahlt für die Ausgleichsenergie.

Diese Ausgleichsenergiepreise sind volatil: Im Normalfall 40–80 Euro/MWh, bei Kälteeinbrüchen oder Windflauten 500 Euro/MWh und mehr. Ein mittelgroßer Stadtwerke-Versorger mit 500.000 MWh Jahresabsatz, der im Schnitt 3–5 Prozent Prognosefehler produziert, zahlt dafür 150.000 bis 400.000 Euro pro Jahr — ohne es je als Posten in der Kostenrechnung explizit zu sehen.

Mit der Energiewende wächst die Planungskomplexität weiter: Mehr volatile erneuerbare Einspeisung aus dezentralen Anlagen im eigenen Netzgebiet, mehr Wärmepumpen und Elektroautos als neue, bisher nicht modellierte Lasten, mehr Prosumer-Einheiten mit bidirektionalem Verhalten. Die PwC-Studie zur KI in der Energiewirtschaft (2026) zeigt: 61 Prozent der befragten EVU stecken bei KI-Lastprognosen noch auf einer experimentellen Stufe — obwohl der ROI unter den am besten messbaren im Sektor ist.

Für Versorger mit begrenzten Prognoseteams — typisch unter 500 GWh Jahresabsatz — arbeiten Disponenten noch häufig mit manuell korrigierten Tagesmittelwert-Hochrechnungen. Das funktioniert für Standardtage. Es funktioniert nicht für den Feiertag, der auf einen Donnerstag fällt, für die Hitzewelle in der dritten Ferienwoche oder für den Kälteeinbruch an einem Montagmorgen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Laut einer Studie von Fraunhofer ISE (2023) erreichen gut kalibrierte ML-Prognosemodelle bei deutschen Verteilnetzen einen MAPE von 1,5–2,5 Prozent — verglichen mit 4–7 Prozent bei traditionellen Verfahren. Die Einsparungen entstehen nicht erst durch spektakuläre Ausreißertage, sondern durch die kumulative Verbesserung an 250 Werktagen pro Jahr.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Disponenten sparen täglich 30–60 Minuten Review-Zeit. Das ist real, aber nicht der Haupthebel. Der eigentliche Wert liegt nicht in der gesparten Arbeitszeit, sondern in der Qualitätsverbesserung der Prognose — das schlägt sich in Kosten, nicht in Stunden, nieder.

Kosteneinsparung — hoch (4/5) 100.000–250.000 Euro Ausgleichsenergiekostenreduktion pro Jahr sind für mittelgroße Versorger realistisch — direkt messbar, nicht geschätzt. Damit gehört Lastprognose zu den wirtschaftsstärksten KI-Anwendungen in der Energiebranche, knapp hinter Predictive Maintenance für große Windparks.

Schnelle Umsetzung — niedrig (2/5) Realistische Implementierungszeit: 6–12 Monate bis Vollbetrieb. Datenbereinigung historischer Lastgänge, Modellentwicklung, Parallelbetrieb, Disponent-Training — kein schnelles Projekt. Die Erneuerbare-Einspeise-Prognose mit einem externen Dienstleister ist deutlich schneller einzuführen.

ROI-Sicherheit — sehr hoch (5/5) Ausgleichsenergiekosten sind im Abrechnungssystem buchstäblich ablesbar. Der Vorher-Nachher-Vergleich ist trivial: Wie hoch war der MAPE vor dem Modell, wie hoch danach? Wie hoch waren die Ausgleichsenergiemengen? Kein anderer KI-Anwendungsfall in der Energiebranche hat einen direkteren Wirksamkeitsnachweis.

Skalierbarkeit — mittel (3/5) Ein gut gebautes Modell wächst mit: Mehr Netzgebiete, mehr erneuerbare Einspeisung, mehr Smart-Meter-Daten verbessern die Grundlage. Aber: Jede neue Versorgungsstruktur (neue Wärmepumpencluster, neue Industriekunden) erfordert Nachkalibrierung. Skalierbarkeit ist gegeben, aber nicht kostenlos.

Richtwerte — stark abhängig von Unternehmensgröße, Marktstruktur und vorhandener Datenqualität.

Was das ML-Prognosemodell konkret macht

Der technische Kern ist Machine Learning auf Zeitreihendaten — genauer gesagt ein Ensemble-Ansatz, der mehrere Modelltypen parallel betreibt:

Datenbasis: Historische Netz-Lastgangdaten auf 15-Minuten-Basis der letzten 3–5 Jahre (Pflicht für Netzbetreiber nach EnWG §12, also immer vorhanden), Wetterdaten des DWD (Temperatur, Wind, Strahlung), Kalenderinformationen (Bundesland-Feiertage, Schulferien, Brückentage) und zunehmend auch Smart-Meter-Aggregatdaten für Teilnetz-Auflösung.

Modellarchitektur: Ein typischer Ansatz kombiniert LSTM-Netzwerke (gut für wöchentliche und saisonale Muster) mit Gradient-Boosting-Modellen (gut für Kalendereffekte und Wettereinflüsse). Das Ensemble gibt für jeden 15-Minuten-Slot des nächsten Tages eine Lastprognose aus — inklusive Konfidenzintervall. Das Konfidenzintervall ist entscheidend: Es sagt dem Disponenten, ob das Modell sicher oder unsicher ist — und wann manuelles Eingreifen besonders wichtig ist.

Operative Integration: Die Prognosen fließen in die Einsatzplanung: Welche eigenen Anlagen laufen wann? Wie viel wird am Day-Ahead-Markt gehandelt? Die Übergabe erfolgt idealerweise direkt in die Leitsystem-Software (SCADA) oder das Energiedatenmanagementsystem (EDMS).

Retraining: Das Modell degradiert ohne Pflege. Wer kein regelmäßiges Retraining einplant — mindestens quartalsweise, nach Strukturveränderungen im Netz sofort — beobachtet nach 6–12 Monaten schleichend steigende Prognosefehler. Das ist der häufigste Betriebsfehler nach dem Produktivstart.

Rechtliche Besonderheiten

Lastprognosen für die Einsatzplanung und den Bilanzkreisausgleich berühren regulatorische Anforderungen:

EnWG-Konformität: Die Energiewirtschaftsgesetz-Anforderungen an Mess- und Abrechnungsdaten (§§ 21b–21i EnWG) gelten für die Datenbasis. Prognosemodelle, die auf Netzdaten aufsetzen, müssen die Datensouveränität zwischen Netzbetreiber und Lieferant respektieren — besonders bei vertikal integrierten Stadtwerken, die beides in einer Organisation vereinen.

EU AI Act: Lastprognosemodelle, die in die Betriebssteuerung kritischer Energieinfrastruktur einfließen, können unter die Hochrisiko-Kategorie des EU AI Act fallen (Anhang III, Abschnitt 2: Kritische Infrastruktur). Ab August 2026 gelten dann Anforderungen an Dokumentation, Transparenz und menschliche Aufsicht. Wer heute anfängt, sollte die Anforderungen bereits in die Systemarchitektur einbauen.

Datenschutz: Smart-Meter-Daten mit personenbezogenem Bezug (Haushaltszähler) erfordern eine DSGVO-konforme Verarbeitung. Die Aggregation auf Netzebene (nicht Einzelzähler) ist unkritisch; granulare Haushaltsdaten für Teilnetz-Prognosen bedürfen einer Rechtsgrundlage.

Konkrete Werkzeuge

Für Lastprognose bei deutschen Versorgungsunternehmen gibt es drei realistische Wege:

Open-Source-Eigenentwicklung (Python): Bibliotheken wie Facebook Prophet, NeuralProphet oder scikit-learn bieten ausgereifte Werkzeuge. Entwicklungsaufwand: 3–6 Monate mit einem erfahrenen Data Scientist; danach niedrige laufende Kosten. Geeignet für Versorger ab ca. 300 GWh mit eigenem IT-/Datenteam.

Spezialisierte SaaS-Anbieter: Anbieter wie Energy Brainpool oder Prevista bieten fertige Prognosemodelle als Service. Schnellere Implementierung (3–6 Monate statt 6–12), höhere laufende Kosten, weniger Anpassbarkeit an lokale Besonderheiten.

Integrierte SCADA/EDMS-Module: Wenn das Unternehmen auf Siemens Spectrum Power oder ABB Ability läuft, bieten diese integrierte Prognosefunktionen. Vorteil: keine Parallelinfrastruktur. Nachteil: weniger Flexibilität beim Modell.

Power BI als Visualisierungsschicht für Prognose-vs-Ist-Vergleiche, MAPE-Tracking und Disponent-Dashboard. Integrierbar mit jedem ML-Backend.

Zusammenfassung:

• Eigenes Datenteam vorhanden → Open-Source-Eigenentwicklung
• Keine Datenkapazität, schnell starten → externer Prognosedienstleister
• Schon auf Siemens/ABB SCADA → integriertes Modul prüfen

Datenschutz und Datenhaltung

Die Lastgangdaten auf Netzebene (aggregiert, nicht haushaltsscharf) sind unkritisch für den Datenschutz — es handelt sich um operative Betriebsdaten. Anders bei Smart-Meter-Daten mit Haushaltsbezug: Diese fallen unter personenbezogene Daten (Art. 4 DSGVO), da aus dem Verbrauchsprofil Rückschlüsse auf Lebensgewohnheiten möglich sind.

BSI-Vorgaben zum Smart-Meter-Gateway (BSI-CC-PP-0077) regeln, wie Messdaten aus intelligenten Messsystemen verarbeitet und übermittelt werden dürfen. Lastprognosemodelle, die auf Smart-Meter-Daten zugreifen, müssen diese Anforderungen erfüllen. In der Praxis bedeutet das: Granulare Haushaltsdaten werden auf Trafo-Ebene oder Ortsnetz-Ebene aggregiert, bevor sie ins Prognosemodell fließen — das reicht für die meisten Anwendungsfälle.

Cloud-Hosting von Lastgangmodellen: Wer das Modell bei einem Cloud-Anbieter betreibt, schließt einen AVV ab. Für EU-Hosting (Azure, AWS Frankfurt-Region) ist das unkompliziert. Für US-seitigen Betrieb empfiehlt sich Rücksprache mit dem Datenschutzbeauftragten, da Netzbetriebsdaten als KRITIS-relevante Information gelten können.

Was es kostet — realistisch gerechnet

Open-Source-Eigenentwicklung:

• Entwicklungsaufwand: 80.000–150.000 Euro (4–6 Monate, 1 Data Scientist)
• Infrastruktur/Betrieb: 15.000–30.000 Euro/Jahr
• Realistisch für Versorger ab 300 GWh Jahresabsatz mit eigenem IT-Team

Externer SaaS-Prognosedienst:

• Implementierungskosten: 20.000–50.000 Euro
• Jahresgebühr: 20.000–60.000 Euro je nach Umfang
• Schneller startklar (3–4 Monate), weniger Eigenaufwand

ROI-Rechnung am Beispiel: Stadtwerk, 600 GWh Jahresabsatz. Aktueller Prognosefehler: 4,5% MAPE. Ausgleichsenergiekosten: 300.000 Euro/Jahr. ML-Modell reduziert MAPE auf 2,2%. Erwartete Kostensenkung: 140.000–170.000 Euro/Jahr. Systemkosten: 40.000 Euro/Jahr. Netto-Ersparnis: 100.000–130.000 Euro/Jahr. Amortisation: unter 12 Monate.

Wie du den Nutzen tatsächlich misst: Der MAPE (Mean Absolute Percentage Error) ist die Kenngröße. Du brauchst mindestens 6 Monate Parallelbetrieb — Modellprognose läuft neben der alten Methode — um einen belastbaren Vorher-Nachher-Vergleich zu haben. Dein Abrechnungssystem gibt die Ausgleichsenergiemengen aus: Vorher 18.000 MWh/Jahr, nachher 9.000 MWh/Jahr. Das ist der Beweis.

Drei typische Einstiegsfehler

1. Datenlücken in der historischen Lasthistorie unterschätzen. Lastgangdaten von 5 Jahren klingen nach viel. In der Praxis gibt es Messausfälle, Zählertausche, Netzumstellungen und Perioden mit schlechter Datenqualität. Wer das nicht vor der Modellentwicklung aufräumt, bekommt ein Modell, das an den falschen Tagen gut ist und an den richtigen Tagen versagt. Lösung: Daten-Audit als Projektphase 1 — nicht als Nebenbei-Aufgabe.

2. Disponenten werden nicht in die Modellentwicklung eingebunden. Das ist der teuerste Fehler in der Einführungsphase. Disponenten haben Lokalwissen: Welcher Industriekunde hat unregelmäßige Lastprofile? Welche regionalen Veranstaltungen erzeugen Anomalien? Dieses Wissen ist nicht in historischen Daten kodiert. Ein Modell, das es ignoriert, wird systematisch auf Tagen mit lokalen Sonderereignissen versagen — genau die Tage, an denen Prognosequalität am wichtigsten ist.

3. Kein Retraining-Konzept nach dem Launch. Das ist der häufigste stille Betriebsfehler. Ein Lastprognosemodell, das im Januar 2025 auf 2020–2024er Daten trainiert wurde, lernt das Verhalten von 2026 nicht automatisch — wachsende Wärmepumpen-Durchdringung, neue EV-Ladestandorte, veränderte Industriestruktur. Nach 12–18 Monaten ohne Retraining degradiert die Prognosequalität messbar. Lösung: Quartalsweises Retraining als fester Betriebsprozess, Zuständigkeit namentlich festlegen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technologie funktioniert schneller als erwartet. Die Organisation braucht länger.

Das erste Hindernis sind die Disponenten. Sie haben gelernt, dem eigenen Urteil zu vertrauen — und das ist richtig, wenn das Modell noch nicht validiert ist. Das Vertrauen entsteht nicht durch Erklärungen, sondern durch Backtesting: „Sieh dir die letzten 30 Tage an — das Modell lag 23 von 30 Mal näher an der tatsächlichen Last als deine Handkorrektur.” Erst wenn der Disponent das selbst sieht, gibt er die tägliche Kontrolle ab.

Das zweite Hindernis ist die IT-Integration. Die schönste Prognose nützt nichts, wenn der Disponent sie nicht in seinem gewohnten Arbeitsumfeld sieht. SCADA-Integration, EDMS-Anbindung, ein einfaches Dashboard — das ist kein Nebenthema, sondern Grundvoraussetzung für tatsächliche Nutzung.

Das dritte Hindernis — und das wird fast immer unterschätzt — ist die Governance: Wer ist verantwortlich, wenn das Modell falsch liegt und es einen teuren Ausgleichsenergie-Tag gibt? Diese Frage muss vor dem Produktivstart beantwortet sein. Ohne klare Verantwortlichkeit entstehen politische Konflikte, die die Nutzung bremsen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser Disponent kennt das Netz besser als jeder Algorithmus.” Das stimmt in einem wichtigen Sinne: Lokales Wissen über Industriekunden mit unregelmäßigen Lastprofilen, geplante regionale Veranstaltungen oder Netzbesonderheiten ist echtes Expertenwissen. Gute Systeme kombinieren beides: Das Modell liefert die statistische Grundlast, der Disponent ergänzt manuell für bekannte Sonderereignisse. Das ist keine Konkurrenz zum Experten, sondern Entlastung an den 250 Routinetagen — damit mehr Aufmerksamkeit für die wirklich schwierigen Tage bleibt.

„Wir haben nicht genug Smart-Meter-Daten für ein ML-Modell.” Smart-Meter-Penetration ist in Deutschland noch gering. Die gute Nachricht: Für die Basisversion eines Lastprognosemodells braucht es keine Smart-Meter-Granularität. Historische Netz-Lastgangdaten auf 15-Minuten-Ebene — die jeder Netzbetreiber nach EnWG vorhalten muss — sind eine ausreichende Grundlage. Smart-Meter-Daten verbessern die Teilnetz-Auflösung: das ist der nächste Schritt, nicht der Einstieg.

„Was passiert, wenn das Modell bei einem Kälteeinbruch versagt?” Prognosemodelle sind schlechter bei Extremereignissen als bei Normallagen — das ist statistisch unvermeidlich. Die Lösung ist nicht, auf das Modell zu verzichten, sondern für Extremwetterlagen explizite Risikoparameter zu setzen: Wenn das Modell ein Konfidenzintervall von ±15 Prozent ausgibt (statt der normalen ±5 Prozent), weiß der Disponent, dass er besonders kritisch prüfen muss.

Woran du merkst, dass das zu dir passt

• Dein Unternehmen ist Bilanzkreisverantwortlicher und trägt das Ausgleichsenergierisiko selbst
• Dein Jahresabsatz liegt über 200 GWh und die Ausgleichsenergiekosten sind in der Kostenrechnung ein sichtbarer Posten
• Du hast mindestens 3 Jahre historische Lastgangdaten in ausreichender Qualität
• Es gibt im Unternehmen jemanden mit Data-Engineering-Erfahrung — oder du bist bereit, das extern einzukaufen
• Dein Prognoseprozess hängt heute wesentlich an einer oder zwei Personen (Schlüsselpersonenrisiko)

Wann es sich (noch) nicht lohnt: Unter 100 GWh Jahresabsatz oder wenn das Unternehmen im Standardlastprofilverfahren arbeitet (also keine eigene Dispatch-Planung macht), ist der ROI nicht darstellbar. Stadtwerke ohne eigene Handelsfunktion, die Strom komplett fremd beschaffen, sollten zuerst die Handelsstruktur klären.

Weitere Ausschlusskriterien: Wenn die Lastgangdaten lückenhafter als 15 Prozent der Messzeitpunkte sind, muss zuerst die Messdatenqualität investiert werden — ein Modell auf schlechten Daten produziert schlechte Prognosen, egal wie gut die Algorithmen sind. Und: Wenn keine interne Verantwortung für den Prognoseprozess existiert (Zuständigkeit unklar, kein Budget für Retraining), scheitert das Projekt nicht an der Technologie.

Das kannst du heute noch tun

Geh in dein Abrechnungssystem und exportiere die Ausgleichsenergiemengen der letzten 12 Monate — aufgeteilt nach Über- und Unterdeckung, nach Monat. Multipliziere die Menge mit dem durchschnittlichen Ausgleichsenergiepreis (ca. 60–100 Euro/MWh als Richtwert). Wenn die Zahl größer als 50.000 Euro ist, lohnt eine genauere Analyse.

Dann: Berechne deinen aktuellen MAPE. Das geht auch ohne Modell: Vergleiche deine täglich angemeldeten Prognosen mit den tatsächlichen Verbrauchswerten der letzten 90 Tage. Das gibt dir die Baseline.

Quellen & Methodik

• Ausgleichsenergiepreise und Regelenergiemarkt: Bundesnetzagentur (BNetzA), Jahresbericht Monitoring Versorgungssicherheit 2024; EPEX SPOT Marktdaten.
• MAPE-Verbesserungswerte: Fraunhofer ISE, „KI-basierte Lastprognose in Verteilnetzen” (2023); eigene Projekterfahrungswerte.
• PwC-Studie: PwC Deutschland, „KI in der Energiewirtschaft” (2026) — 61% der EVU auf experimenteller Stufe.
• EnWG-Anforderungen an Messdaten: Energiewirtschaftsgesetz §§ 21b–21i in der aktuell gültigen Fassung.
• EU AI Act, KRITIS-Klassifikation: EU AI Act Anhang III, Abschnitt 2; Artikel auf industr.com, „Was Energie-Unternehmen jetzt umsetzen müssen” (2025).
• Smart-Meter-Gateway BSI-Vorgaben: BSI, Schutzprofil BSI-CC-PP-0077; Messstellenbetriebsgesetz (MsbG).

Du willst wissen, welche Prognosequalität du heute hast und wo die größten Potenziale liegen? Meld dich — mit deinen Abrechnungsdaten lässt sich eine erste Benchmarking-Analyse in einem Gespräch durchführen.