Energiehandelsprognose

Das echte Ausmaß des Problems

Der EPEX-Spotmarkt — die Strombörse, an der Strom für die nächste Stunde oder den nächsten Tag gehandelt wird — ist einer der volatilsten Märkte Europas. Im Jahr 2023 schwankten die Day-Ahead-Preise zwischen -50 Euro/MWh (Überproduktion durch Sonnenstrom) und über 300 Euro/MWh (Kälteeinbruch, wenig Wind, hohe Gaskraftwerksnutzung). Diese Spannweite ist keine Ausnahme — sie ist das Betriebsfeld jedes Energiehändlers.

Wer falsch liegt, verliert auf beiden Seiten: Wer Strom für 80 Euro/MWh kauft, um ihn für 60 Euro/MWh weiterzuverkaufen, macht direkt Verlust. Wer bei 200 Euro/MWh keinen Strom gekauft hat, weil er mit 80 Euro rechnete, muss seinen Kunden teuer aus dem Spotmarkt bedienen. Für Stadtwerke, die eigene Erzeugung (PV, BHKW, Wasserkraft) mit Kundenbedarf ausbalancieren, ist die Prognosequalität direkt entscheidend für die Wirtschaftlichkeit des Handelsbuches.

Ein mittelgroßes Stadtwerk mit 50 MW eigener flexibler Erzeugungskapazität und aktivem Spotmarkthandel kann durch bessere Preisprognosen — konservativ geschätzt — 500.000 bis 2 Millionen Euro pro Jahr besser positionieren. Das setzt aber voraus, dass die Prognosegüte ausreicht, um Preisspitzen 12 bis 36 Stunden im Voraus mit nützlicher Genauigkeit zu antizipieren.

So funktioniert es in der Praxis

Energiepreismodelle müssen mehrere Dimensionen gleichzeitig integrieren:

Erneuerbare Einspeisung: Die wichtigste Determinante für Niedrig- und Negativpreise ist das Windstrom- und PV-Angebot. Einspeiseprognosen von ENTSO-E und nationalen Übertragungsnetzbetreibern sind der Startpunkt. KI-Modelle verfeinern diese mit lokalen Wettervorhersagen und historischen Einspeiseprofilen für die relevanten Windkraft- und PV-Cluster im Markt.

Lastprognose: Die Gegenseite: Wann ist die Nachfrage hoch? Temperaturmodelle und Kalendereffekte sind die stärksten Treiber. Montagmorgen nach einem kalten Wochenende hat eines der steilsten Lastrampen des Jahres.

Kraftwerksverfügbarkeit: Welche thermischen Kraftwerke sind im Netz? ENTSO-E veröffentlicht geplante Abschaltungen (Unavailability Plans) mit Vorlauf — diese Informationen fließen in ein gutes Modell ein.

Marktstruktur-Signale: Terminmarkt-Forwards geben eine Basisindikation für die Markterwartung. Gas- und CO₂-Preise beeinflussen die Marginalkosten thermischer Kraftwerke und damit den Preis-Setting-Mechanismus im Spotmarkt.

Das KI-Modell gibt nicht einen Punktpreis aus, sondern ein Szenario-Set: Basisfall, optimistisches Szenario (für den Händler), pessimistisches Szenario. Anhand dieser Szenarien werden Handelsentscheidungen getroffen — wann Strom auf dem Day-Ahead-Markt gekauft wird, wann auf dem Intraday-Markt nachgesteuert wird, wann Flexibilitätserzeugung (BHKW, Speicher) aktiviert wird.

Welche Tools passen hierzu

Energy Exemplar PLEXOS — marktführendes Tool für Energiemarktmodellierung und Preisprognose. Weit verbreitet bei europäischen Versorgern, Tradingdesks und Regulatoren. Hohe Lernkurve, hohe Lizenzkosten (50.000–200.000 Euro/Jahr), aber industriestandard für größere Energieunternehmen.

Pexapark — spezialisiert auf erneuerbare Energievermarktung und PPA-Bewertung, mit Prognosekomponente für Wind- und PV-Erzeugung. Gut für Betreiber erneuerbarer Portfolios, die ihre Erzeugung optimal vermarkten wollen.

Montel Analytics / ICIS — Marktdaten und Analytics-Plattform mit Prognose-Overlay. Gut als Datenbasis für eigene Modelle oder für Teams, die auf externe Prognosen als Entscheidungsunterstützung zurückgreifen wollen.

Eigenes Python-basiertes Modell: Für Unternehmen mit Data-Science-Kapazität ist ein eigenes Modell auf Basis von ENTSO-E-Daten, DWD-Wetterdaten und EPEX-Historik realisierbar. Frameworks wie Facebook Prophet, NeuralProphet oder XGBoost liefern akzeptable Ergebnisse für Day-Ahead-Prognosen. Entwicklungsaufwand: 60.000–120.000 Euro; danach niedrige laufende Kosten. Der Vorteil ist volle Kontrolle über Modelllogik und Daten.

Was es kostet — realistisch gerechnet

Externe Prognose-als-Service (z. B. Montel / Marktdatendienst):

• Lizenzkosten: 20.000–60.000 Euro/Jahr
• Kein Implementierungsaufwand, sofort nutzbar als Entscheidungsunterstützung
• Einschränkung: standardisiertes Modell, keine Portfolio-spezifische Anpassung

Eigenes ML-Modell (intern entwickelt):

• Entwicklung: 60.000–120.000 Euro einmalig
• Laufende Kosten: 15.000–30.000 Euro/Jahr (Infrastruktur, Datenbeschaffung, Modellwartung)
• Sinnvoll ab aktivem Handelsvolumen > 200 GWh/Jahr

ROI-Rechnung am Beispiel: Stadtwerk mit 80 MW flexibler Erzeugung (BHKW, Speicher), aktiver Spotmarkthandel. Prognosequalitäts-Verbesserung um 15 Prozent (MAPE von 20 auf 17 Prozent) ermöglicht bessere Positionierung bei Preisspitzen. Konservative Schätzung: 400.000 Euro Mehrertrag/Jahr durch bessere Kauf/Verkauf-Entscheidungen. Modellkosten: 80.000 Euro/Jahr (Entwicklung amortisiert + Betrieb). Netto-Mehrwert: 320.000 Euro/Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenquellen-Setup & Historik	Monat 1–2	EPEX-Historik beschaffen, ENTSO-E-Schnittstellen konfigurieren, Wetterdaten integrieren	Datenlizenzfragen ungeklärt — kommerzielle Nutzung von Marktdaten erfordert explizite Lizenzierung
Modellentwicklung & Backtesting	Monat 2–5	Prognosemodell auf Historik trainieren, Backtesting für verschiedene Marktphasen (2022 Preisschock, 2023 Normalisierung)	Modell performt in ruhigen Märkten gut, versagt bei Marktschocks — Extremereignisse im Training unterrepräsentiert
Parallelbetrieb & Kalibrierung	Monat 5–7	Prognosen parallel zu bestehenden Händler-Einschätzungen ausgeben, Abweichungen dokumentieren	Händler ignorieren das Modell bei Widerspruch — kein strukturierter Vergleichs-Workflow
Integration in Handelsstrategie	Ab Monat 7	Modell wird für tatsächliche Handelsentscheidungen genutzt, tägliches Review der Prognosequalität	Fehlende Stop-Loss-Logik — Modell-Fehler werden nicht begrenzt

Häufige Einwände

„Der Energiemarkt ist zu unvorhersehbar für KI-Prognosen.” In gewissem Sinne stimmt das: Exogene Schocks wie der Ukraine-Krieg 2022 lassen sich nicht aus historischen Preisdaten ableiten. Aber der Alltag des Energiehandels besteht nicht aus 100-Jahres-Ereignissen, sondern aus vorhersehbaren Mustern: Wochentag-Wochenend-Effekte, saisonale Temperaturmuster, Wind- und Sonnenprofile nach Region. Diese Muster sind statistisch stabil und für ML-Modelle gut lernbar. Gute Modelle machen bei normalen Markttagen merklich bessere Prognosen — für Extremereignisse gibt es Risikomanagement-Mechanismen, keine Modelle.

„Wir haben ein kleines Handelsteam — für ein KI-Modell fehlt uns das Know-how.” Für ein eigenes Modell stimmt das. Für einen extern bezogenen Prognose-Service nicht. Dienste wie Montel Analytics liefern Prognosen als fertiges Produkt — das Handelsteam muss kein Data Scientist sein, sondern nur wissen, wie es die Prognosen in seine Entscheidungslogik integriert. Das ist ein anderes Skill-Set: Prognose interpretieren, Szenarien bewerten, Handelsentscheidung treffen. Das kann ein erfahrener Energiehändler nach einem halbtägigen Einführungsworkshop.

---

Wenn du wissen willst, welche Marktdatenquellen und Prognose-Tools für dein Handelsvolumen und dein Team realistisch sind, meld dich. Wir schauen uns gemeinsam an, was du heute schon hast und welcher nächste Schritt den größten Hebel bringt.