Lastprognose für Energieversorger

Das echte Ausmaß des Problems

Im deutschen Stromsystem muss zu jedem Zeitpunkt exakt so viel Strom erzeugt werden, wie verbraucht wird. Die Übertragungsnetzbetreiber gleichen Ungleichgewichte über Regelenergie aus, die Bundesnetzagentur (BNetzA) setzt dafür die Regeln. Wessen Bilanzkreis mehr oder weniger verbraucht als angemeldet, bekommt die Differenz als Ausgleichsenergie berechnet.

Die Ausgleichsenergiepreise sind volatil, bei Kälteeinbrüchen oder Windflauten auch 500 Euro/MWh und mehr. Wichtig für jede Rechnung: Teuer am Prognosefehler ist nicht die ganze Ausgleichsenergiemenge mal Preis, denn den Strom hättest du ohnehin gekauft oder verkauft. Teuer ist der Abstand zwischen Ausgleichsenergiepreis und dem Preis, zu dem du dieselbe Menge am Spotmarkt gehandelt hättest. Ein Stadtwerk mit 500.000 MWh Jahresabsatz und 3–5 Prozent Prognosefehler hat 15.000–25.000 MWh Abweichung im Jahr. Liegt der mittlere Aufschlag bei 10–16 Euro je MWh, sind das 150.000 bis 400.000 Euro pro Jahr, die nie als eigener Posten in der Kostenrechnung auftauchen. Ob dein Aufschlag in dieser Spanne liegt, zeigt deine Bilanzkreisabrechnung, siehe unten.

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.

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

Die rechte Spalte ist ein Zielwert, keine belegte Branchenzahl: Eine veröffentlichte Messung für deutsche Stadtwerke, die wir hätten prüfen können, haben wir nicht gefunden. Wie weit du kommst, hängt vom Kundenmix ab und zeigt nur ein Backtest auf deinen eigenen Daten. Zwei Vorbehalte für die Eurozeile: Sie sinkt nur dann proportional zum MAPE, wenn die verbleibenden Fehler nicht gerade in den teuren Viertelstunden liegen. Und die Einsparung entsteht nicht an einzelnen Ausreißertagen, sondern an allen 365 Tagen, Wochenenden und Feiertage eingeschlossen, denn der Bilanzkreis kennt keinen Werktag.

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) Bei 150.000–400.000 Euro Ausgleichsenergie-Mehrkosten und halbiertem Prognosefehler bleiben einem Versorger mit 500 GWh rechnerisch 75.000–200.000 Euro im Jahr, bevor 15.000–60.000 Euro laufende Systemkosten abgehen. Das ist gerechnet, nicht gemessen. Messbar wird es im Parallelbetrieb, dann allerdings auf den Euro genau.

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 Lastgänge des eigenen Bilanzkreises auf 15-Minuten-Basis der letzten 3–5 Jahre, also die RLM-Zeitreihen deiner Kunden plus die Standardlastprofil-Zuordnung, wie sie in der Bilanzkreisabrechnung stehen. Nicht die Netzlast: In ihr stecken auch die Kunden fremder Lieferanten, und im vertikal integrierten Stadtwerk darf der Vertrieb die nicht öffentlichen Daten des Netzbereichs ohnehin nicht einfach nutzen (§ 6a EnWG). Dazu 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 und MsbG: Wer welche Messwerte zu welchem Zweck bekommt, regelt seit 2016 das Messstellenbetriebsgesetz (MsbG), nicht mehr das EnWG; die früheren §§ 21b–21i EnWG zum Messwesen gibt es in dieser Form nicht mehr. Aus dem EnWG bleibt die informatorische Entflechtung (§ 6a): Im vertikal integrierten Stadtwerk darf der Vertrieb wirtschaftlich sensible Informationen des Netzbereichs nicht einfach nutzen. Ein Prognosemodell des Lieferanten, das auf Netzdaten aufsetzt, braucht deshalb eine saubere Datenabgrenzung.

EU AI Act: Anhang III des EU AI Act zählt die Hochrisiko-Bereiche abschließend auf. Nummer 2 erfasst dort nur Sicherheitsbauteile im Betrieb und Management der Stromversorgung, also Komponenten, deren Ausfall Gesundheit, Sicherheit oder Sachwerte gefährdet. Eine Lastprognose liefert eine Planungsgröße für Beschaffung und Bilanzkreis, sie schaltet nichts und sichert nichts ab, und fällt deshalb nicht darunter. Unabhängig von der Risikoklasse gilt: Artikel 4 verpflichtet dich seit dem 2. Februar 2025, die Entwicklung der KI-Kompetenz deines Personals zu unterstützen, und Artikel 50 regelt seit dem 2. August 2026 die Transparenz. Pflicht bleibt die ausgeglichene Bewirtschaftung des Bilanzkreises, die der Übertragungsnetzbetreiber über den Bilanzkreisvertrag einfordert, nicht eine Meldung an eine KI-Aufsicht.

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 Prognosedienstleister: Mehrere Anbieter verkaufen Lastprognosen als Dienst. Schnellere Implementierung (3–6 Monate statt 6–12), höhere laufende Kosten, weniger Anpassbarkeit an lokale Besonderheiten. Frag vor dem Vertrag nach einem Backtest auf deinen eigenen Bilanzkreisdaten und nach Referenzen bei Versorgern deiner Größe. Nicht verwechseln: emsys (energy & meteo systems) ist auf Wind- und Solareinspeisung spezialisiert, das ist der Fall der Einspeiseprognose, nicht der Last.

Integrierte SCADA/EDMS-Module: Wenn das Unternehmen auf Siemens Spectrum Power oder dem Leitsystem eines anderen Herstellers läuft, frag dort nach integrierten Prognosefunktionen. (Unsere Toolseite unter ABB beschreibt ABB Genix , eine Asset-Performance-Plattform, kein Leit- oder Prognosesystem.) 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 einem Leitsystem mit Prognosemodul → 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.

Das MsbG regelt, wer Messwerte aus intelligenten Messsystemen zu welchem Zweck erhalten darf, die BSI-Vorgaben zum Smart-Meter-Gateway (Technische Richtlinie TR-03109, Schutzprofil BSI-CC-PP-0073) regeln die technische Seite. Lastprognosemodelle, die auf Smart-Meter-Daten zugreifen, müssen beides 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, also rund 27.000 MWh Abweichung im Jahr. Ausgleichsenergie-Mehrkosten gegenüber dem Spotpreis: 300.000 Euro/Jahr, gut 11 Euro je MWh Abweichung. Gelingt es, den MAPE auf 2,2 % zu senken, halbiert sich die Abweichung ungefähr, und bei gleichem Aufschlag je MWh sinken die Mehrkosten um rund 150.000 Euro/Jahr, in der Spanne 140.000–170.000 Euro je nachdem, wo die Restfehler liegen. Laufende Systemkosten bei einem Dienstleister: 40.000 Euro/Jahr, rund 3.300 Euro im Monat. Netto bleiben 100.000–130.000 Euro/Jahr, 8.300–10.800 Euro im Monat. Die Einrichtung von 20.000–50.000 Euro ist damit nach 2–6 Monaten Vollbetrieb zurückverdient, bei einer Eigenentwicklung (80.000–150.000 Euro) nach 8–18 Monaten. Vor dem Vollbetrieb liegen allerdings 6–12 Monate Projekt, in denen nur Kosten anfallen.

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. Die Bilanzkreisabrechnung des Übertragungsnetzbetreibers gibt dir die Ausgleichsenergiemengen je Viertelstunde: Im Beispiel oben sollten sie von rund 27.000 MWh auf rund 13.000 MWh im Jahr fallen, und der Aufschlag je MWh gegenüber dem Spotpreis sollte nicht steigen. Beides zusammen ist der Beweis, die Menge allein nicht.

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 6–12 Monaten ohne Retraining steigt der Prognosefehler messbar, dieselbe Spanne wie oben im Abschnitt zum Retraining. 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 vielen Routinetagen des Jahres, 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. Die 15-Minuten-Lastgänge deines Bilanzkreises aus der Bilanzkreisabrechnung liegen ohnehin vor und 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 rund 200 GWh Jahresabsatz: Bei 4,5 % Prognosefehler und 11 Euro Aufschlag je MWh sind das höchstens 100.000 Euro Mehrkosten im Jahr, und eine Halbierung spart kaum mehr, als der Dienst jährlich kostet. Ebenso nicht, 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

Nimm die Bilanzkreisabrechnung der letzten 12 Monate und exportiere die Ausgleichsenergiemengen je Viertelstunde, getrennt nach Über- und Unterdeckung. Multipliziere nicht mit dem Ausgleichsenergiepreis allein, das ergibt den Wert der Strommenge, nicht die Kosten des Fehlers. Rechne je Viertelstunde die Differenz zwischen Ausgleichsenergiepreis und Day-Ahead-Preis mal Menge: Bei Unterdeckung zahlst du den Aufschlag, bei Überdeckung verkaufst du zum Ausgleichsenergiepreis statt zum Spotpreis. Liegt die Summe über ein Jahr deutlich über 100.000 Euro, lohnt eine genauere Analyse, denn eine Halbierung muss erst die 15.000–60.000 Euro laufenden Systemkosten einspielen.

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.

Bevor du den Prompt unten nutzt: Gib nur aggregierte Bilanzkreis-Zeitreihen hinein, keine Einzelzählerwerte, und kläre mit deiner Informationssicherheit, ob Lastdaten deines Hauses in einen US-Chatdienst dürfen. Siehe Abschnitt Datenschutz oben.

Quellen & Methodik

• Ausgleichsenergiepreise: Die Übertragungsnetzbetreiber veröffentlichen den regelzonenübergreifenden Ausgleichsenergiepreis (reBAP) je Viertelstunde auf netztransparenz.de, Day-Ahead-Preise kommen von EPEX SPOT. Mit beiden Reihen und deiner Bilanzkreisabrechnung rechnest du den Aufschlag je MWh selbst nach.
• MAPE-Werte und Eurospannen: Eigene Rechnung auf den im Text genannten Annahmen (Absatz, Prognosefehler, Aufschlag je MWh). Eine veröffentlichte Messung für deutsche Stadtwerke haben wir nicht gefunden; frühere Verweise auf eine Fraunhofer-ISE-Studie (2023) und eine PwC-Studie (2026) ließen sich nicht bestätigen und sind entfernt.
• Messwesen und Entflechtung: Messstellenbetriebsgesetz (MsbG) für Messwerte aus intelligenten Messsystemen; § 6a EnWG zur informatorischen Entflechtung. § 21b EnWG regelt heute die Bilanzierung von Transportnetzbetreibern, nicht das Messwesen (gesetze-im-internet.de/enwg_2005/__21b.html).
• EU AI Act, Anhang III Nr. 2: Verordnung (EU) 2024/1689, geändert durch Verordnung (EU) 2026/1744. Erfasst nur Sicherheitsbauteile der Wasser-, Gas-, Wärme- und Stromversorgung, keine Prognosemodelle. Wortlaut: artificialintelligenceact.eu/annex/3/
• Smart-Meter-Gateway BSI-Vorgaben: BSI TR-03109 und Schutzprofil BSI-CC-PP-0073 (Gateway; PP-0077 betrifft das Sicherheitsmodul); 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.