Erneuerbare-Einspeise-Prognose

Das echte Ausmaß des Problems

Erneuerbare Energien decken inzwischen mehr als die Hälfte des deutschen Bruttostromverbrauchs. Das ist aus Klimasicht gut, aus Handels- und Netzperspektive bedeutet es: Ein großer Teil der Stromerzeugung ist wetterabhängig, nicht regelbar und schwer planbar. Das EEG 2023 hat den Zubau weiter beschleunigt, und damit wächst die Menge, die prognostiziert werden muss.

Für Bilanzkreisverantwortliche und Direktvermarkter ist die Qualität der Einspeiseprognose direkt mit Kosten verbunden. Prognosedienstleister nennen für klassische Verfahren 12 bis 20 Prozent MAE (Mean Absolute Error), für kalibrierte ML-Systeme 5 bis 8 Prozent. Vorsicht beim Vergleichen: Ein MAE in Prozent der installierten Leistung und einer in Prozent der erzeugten Energie unterscheiden sich um den Kapazitätsfaktor, bei PV mit rund 1.000 Volllaststunden also etwa um Faktor 9. Frag jeden Anbieter, worauf seine Prozentzahl bezogen ist, bevor du zwei Angebote vergleichst.

Ein Rechenbeispiel, bezogen auf die erzeugte Energie: 100 MW Solar, 100.000 MWh Jahreseinspeisung, Verbesserung von 12 auf 7 Prozent:

• Vermiedene Abweichungsmenge: 5.000 MWh/Jahr
• Teuer ist nicht die ganze Menge mal Ausgleichsenergiepreis, denn den Strom hättest du ohnehin verkauft. Teuer ist der Aufschlag gegenüber dem Day-Ahead-Preis. Bei angenommenen 15–30 Euro je MWh: 75.000–150.000 Euro/Jahr. Eine frühere Fassung dieser Seite rechnete mit dem vollen Preis von 60 Euro je MWh und kam auf 300.000 Euro.

Laut einer Analyse des Wetterdaten-Anbieters Meteomatics (2025) kann verbesserte KI-gestützte Prognose Betreibern und Händlern jährlich mehrere Millionen Euro an Imbalance-Kosten sparen; ein Prozent Prognosefehler auf einem 500-MW-Windportfolio koste über 1 Million Euro pro Jahr. Das entspricht grob dem vollen Energiewert von einem Prozent der Jahreserzeugung, nicht dem Aufschlag, und ist eine Anbieterangabe.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, sehr gering (1/5) Das ist ein vollautomatisierter Datenprozess. Der Prognose-Feed läuft ohne menschliches Eingreifen. Es gibt keine Zeitersparnis im klassischen Sinne, der Wert liegt ausschließlich in der Kostenreduktion. Das macht diesen Use Case einzigartig in der Kategorie.

Kosteneinsparung, hoch (4/5) Ausgleichsenergiekosten sind direkt messbar und täglich sichtbar, und weniger Abweichung heißt weniger Kosten. Linear ist der Zusammenhang aber nicht: Teuer sind die Abweichungen in den Viertelstunden mit hohem Aufschlag, und die sind oft genau die schwer prognostizierbaren. Im Rechenbeispiel unten bleiben einem 80-MW-Windportfolio netto 20.000–30.000 Euro im Jahr. Solide, bei großen Portfolios erheblich, aber nicht der größte Hebel der Branche.

Schnelle Umsetzung, mittel (3/5) Bei externem Prognosedienstleister: API-Integration in 2 bis 4 Wochen, erste verbesserte Prognosen sofort. Die eigentliche Kalibrierung braucht 3 bis 6 Monate historische Einspeisedaten. Eigene ML-Pipeline entwickeln: 6 bis 18 Monate. Mittelfeldposition, kein sofortiger Start, aber kein jahrelanges Implementierungsprojekt.

ROI-Sicherheit, sehr hoch (5/5) Der ROI ist der am zuverlässigsten messbare in dieser Kategorie. Ausgleichsenergiekosten werden täglich abgerechnet, MAE-Reduktion ist im Backtesting verifizierbar, Einsparung kann bereits aus historischen Daten prognostiziert werden, bevor ein Euro investiert wird. Zusammen mit der Lastprognose der verlässlichste ROI-Fall in der gesamten Branche.

Skalierbarkeit, mittel (3/5) Portfolio-Aggregation verbessert die Gesamtprognose durch Diversifikationseffekte: Wind im Norden und Sonne im Süden gleichen sich teilweise aus. Aber: Mehr Anlagen bedeuten mehr Modellpflege, mehr Kalibrierungsaufwand, mehr Datenpflege. Das Modell skaliert mit dem Portfolio, aber nicht völlig linear und ohne Aufwand.

Richtwerte, stark abhängig von Anlagentyp (PV vs. Wind), Portfoliogröße und Ausgleichsenergiemarkt-Konditionen.

Was das System konkret macht

Predictive Analytics auf Wetter- und Anlagendaten, das klingt abstrakt, hat aber eine sehr konkrete Funktionsweise:

Anlagenspezifische Kalibrierung: Jede Anlage verhält sich leicht anders als theoretische Standardkurven. Das ML-Modell lernt aus historischen Einspeisedaten und Wetterdaten der jeweiligen Anlage: Wie produziert diese spezifische Anlage bei bestimmten Wind- und Strahlungsparametern tatsächlich? Das berücksichtigt Alterungskurve, Abschaltungsregeln, Anlagenverfügbarkeit und lokale Topografieeffekte.

Wettermodell-Ensemble: Statt einem einzelnen Wettermodell nutzen Profi-Systeme Ensembles aus mehreren Wetterdiensten (ECMWF, GFS, DWD ICON) und gewichten ihre Prognosen je nach historischer Genauigkeit für die jeweilige Region und Jahreszeit. Meteomatics (2025) zeigt: AI-Methoden verbessern Solar- und Windprognosen signifikant durch Ensemble-Gewichtung, besonders bei Übergangssituationen (Bewölkungsänderungen, Frontdurchgänge).

Nowcasting für Intraday-Handel: Für den Intradayhandel sind Prognosen für die nächsten 0 bis 4 Stunden entscheidend. Nowcasting-Systeme nutzen Satellitenbilder (Wolkenbewegungsmuster), Radar-Niederschlagsdaten und tatsächliche Messwerte der Anlage in Echtzeit, um die Day-Ahead-Prognose zu korrigieren. Das ermöglicht fundiertes Intraday-Trading auf Basis aktueller Information.

Unsicherheitsquantifizierung: Statt Punktprognosen gibt das Modell Wahrscheinlichkeitsbänder aus: „Einspeisung zwischen 400 und 520 MWh mit 80 Prozent Konfidenz.” Das ermöglicht risikobasiertes Trading: Bei breitem Unsicherheitsband konservativ handeln, bei enger Prognose aggressiver.

Rechtliche Besonderheiten

Das EEG 2023 regelt die Voraussetzungen für die Direktvermarktung im Marktprämienmodell. Wer im Marktprämienmodell vermarktet, trägt das Ausgleichsenergierisiko, meist der Direktvermarkter, der es sich über sein Vermarktungsentgelt vom Anlagenbetreiber bezahlen lässt. Eine Einspeisevergütung gibt es nach § 21 EEG nur für Anlagen bis 100 kW; Anlagen unter 200 kW können ihren Strom stattdessen auch unentgeltlich abgeben. Wer ab 100 kW bezahlt werden will, vermarktet direkt.

Wessen Geld die Ersparnis ist, hängt am Vertrag: Beim Direktvermarkter landet sie zuerst in dessen Marge. Beim Anlagenbetreiber kommt sie nur an, wenn der Vermarktungsvertrag Ausgleichsenergiekosten weiterreicht oder das Entgelt bei der nächsten Verhandlung sinkt.

Die Übertragungsnetzbetreiber überwachen über den Bilanzkreisvertrag, dass Bilanzkreise ausgeglichen bewirtschaftet werden, und können bei systematischen Abweichungen Maßnahmen ergreifen. Präzisere Prognosen reduzieren dieses Risiko.

Für Prognosedienstleister, die API-Zugang zu Anlagendaten erhalten, ist ein Auftragsverarbeitungsvertrag nach Art. 28 DSGVO erforderlich, wenn personenbezogene Daten (z.B. Betreiberinformationen) verarbeitet werden.

Konkrete Werkzeuge, was wann passt

energy & meteo systems , laut unserer Toolseite Marktführer für Windleistungsprognosen, auch für Solar. Direkter Datenfeed für Day-Ahead- und Intraday-Prognosen, stündlich aktualisiert bis sieben Tage voraus. Preise nur auf Anfrage, öffentliche Tarife gibt es nicht.

Meteocontrol , Schwerpunkt auf Photovoltaik-Monitoring und Prognose. Kombiniert Ertragsprognose, Performance-Monitoring und Reporting in einer Plattform. Gut für PV-Direktvermarkter und Betreibergesellschaften.

Solargis , Globale Datenbank für solare Strahlungsdaten mit Prognosefunktionen. Besonders stark für Planung, Standortbewertung und langfristige Ertragsmodellierung. Historische Datenbasis für anlagenspezifisches Backtesting.

AWS SageMaker + Wetterdaten-API , Für Unternehmen mit Data-Engineering-Kapazität: Eigene ML-Pipeline auf Wetterdaten (DWD Open Data kostenlos; Open-Meteo ist nur für nichtkommerzielle Nutzung kostenlos) und historischen Abrechnungsdaten. Niedrigere laufende Kosten, deutlich höherer Entwicklungsaufwand. Realistisch ab 50 MW Portfolio.

Power BI , Als Reporting-Schicht für Handels- und Operations-Teams: Prognose vs. Ist-Einspeisung, Abweichungsanalyse, Portfolioübersicht, Ausgleichsenergiekosten-Tracking. Nicht für die Prognose selbst, aber für transparente Qualitätsüberwachung.

Wann welcher Ansatz:

• Einzelanlage oder kleines Portfolio (< 10 MW) → externer Prognosedienstleister (energy & meteo oder Meteocontrol)
• PV-Fokus → Meteocontrol oder Solargis
• Wind-Fokus → energy & meteo systems
• Portfolio > 50 MW mit eigenem Data-Engineering → eigene ML-Pipeline auf AWS oder Azure
• Qualitätstracking und Reporting → Power BI als ergänzende Schicht

Datenschutz und Datenhaltung

Einspeiseprognosen verarbeiten primär meteorologische Daten und Anlagentelemetrie, keine personenbezogenen Daten im engeren Sinne. Datenschutzrechtlich relevant wird es, wenn der Prognosedienstleister Zugang zu Anlagen-SCADA-Systemen erhält, die betriebsinterne Informationen über Produktionsmengen und Anlagenzustand enthalten. Hier ist ein Vertrag über die Datennutzung (zumindest NDA, besser AVV sofern personenbezogene Daten berührt sind) Pflicht.

Für eigene ML-Pipelines auf Cloud-Infrastruktur: EU-Hosting ist für Anlagentelemetriedaten empfehlenswert, um proprietäre Betriebsinformationen zu schützen. Erzeugungsanlagen ab 104 MW installierter Nettonennleistung fallen unter die BSI-KritisV, Netz- und Anlagenbetreiber unterliegen zudem dem IT-Sicherheitskatalog nach § 5c EnWG.

Was es kostet, realistisch gerechnet

Anbieter veröffentlichen keine Preise. Die Beträge unten sind Annahmen für die Rechnung, setz dein Angebot ein.

Einstieg (externer Prognosedienstleister, Einzelanlage oder kleines Portfolio)

• Bei 10-MW-PV-Park mit rund 10.000 MWh Einspeisung: angenommen 2.000–8.000 Euro/Jahr, also 0,20–0,80 Euro je eingespeister MWh. Eine frühere Fassung nannte „Euro/MWh installierter Leistung pro Monat”, eine Einheit, die es nicht gibt.
• Keine eigene Infrastruktur nötig, API-Anbindung in wenigen Tagen
• Ergebnis: Sofort verbesserte Prognosequalität, reduzierte Ausgleichsenergiemengen

Skaliert (eigenes Prognosemodell, Portfolio ab 50 MW)

• Entwicklung eigenes ML-Prognosemodell: 100.000–300.000 Euro einmalig
• Dateninfrastruktur und Betrieb: 30.000–80.000 Euro/Jahr
• Ergebnis: Vollständige Kontrolle über Methodik, Portfolio-Aggregation, Intraday-Nowcasting

ROI-Beispiel: Windpark-Direktvermarkter, 80-MW-Portfolio. Bei 2.375 Volllaststunden sind das rund 190.000 MWh im Jahr. Eine frühere Fassung rechnete mit 50.000 MWh, das wären nur 625 Volllaststunden, und leitete daraus mit 12 Prozent MAE 1.800 MWh Ausgleichsenergie ab, was nicht zusammenpasst.

Rechne stattdessen von deiner Abrechnung aus:

• Heute: Ausgleichsenergie-Mehrkosten gegenüber dem Day-Ahead-Preis laut Abrechnung, angenommen 108.000 Euro/Jahr, bei historisch 12 Prozent MAE.
• Mit kalibrierter Prognose: Sinkt der MAE auf 7 Prozent (Anbieterangabe, per Backtest zu prüfen), fallen die Abweichungen um gut 40 Prozent. Bleibt der Aufschlag je MWh gleich: 108.000 × 5/12 = 45.000 Euro/Jahr Einsparung.
• Kosten: externer Dienst angenommen 15.000–25.000 Euro/Jahr, 1.250–2.100 Euro im Monat, keine Einrichtung.
• Netto: rund 20.000–30.000 Euro/Jahr, vom ersten Vollbetriebsmonat an, sofern der Backtest die 7 Prozent bestätigt.

Wie du den ROI tatsächlich misst: Ausgangspunkt ist ein Backtesting auf historischen Daten: Wie gut hätte das neue System in den letzten 12 bis 24 Monaten prognostiziert? Die Differenz der Ausgleichsenergiekosten ist der prognostizierte Benefit, verifizierbar, bevor du einen Vertrag unterschreibst. Keinen Anbieter beauftragen, der kein Backtesting auf deinen historischen Daten anbietet.

Typische Einstiegsfehler

1. Nur einen Wetterdienst nutzen, statt Ensemble. Ein einzelnes Wettermodell ist für eine Region und eine Jahreszeit gut kalibriert, für andere weniger. Ensemble-Ansätze, die mehrere Modelle kombinieren, sind systematisch robuster, besonders bei meteorologisch schwierigen Situationen (Frontdurchgänge, schnelle Bewölkungsänderungen). Wie viel du mit nur einem Dienst verschenkst, zeigt der Backtest: Lass dir die Fehler an deinen schwierigsten Tagen getrennt ausweisen.

2. Anlagenspezifische Kalibrierung überspringen. Viele Nutzer kaufen eine Prognose und wundern sich, warum der Fehler trotzdem hoch ist. Die Standardkurve des Prognosetools passt zur durchschnittlichen Anlage dieses Typs, nicht zu deiner spezifischen. Kalibrierung auf die eigene Einspeisehistorie braucht 6 bis 12 Monate Daten. Wie stark sie den MAE gegenüber der unkalibrierten Standardprognose senkt, ist nicht unabhängig belegt; lass es dir im Backtest auf deinen Anlagen zeigen, getrennt nach Sommer und Winter.

3. Prognosefehler nicht täglich überwachen. „Das Tool läuft” ist nicht ausreichend. Prognosequalität driftet: Wenn das Modell nicht regelmäßig mit neuen Einspeisedaten aktualisiert wird, verschlechtert sich die Genauigkeit durch Anlagenalterung, Modulverschmutzung und Topografieänderungen (neue Bebauung, Baumwuchs). Wer keine monatlichen Qualitäts-Reports hat, merkt das nicht.

4. Intraday-Korrektur ignorieren. Day-Ahead-Prognose ist der offensichtliche Anwendungsfall. Aber: Ein erheblicher Teil der Ausgleichsenergiekosten entsteht durch Intraday-Abweichungen, die bei der Day-Ahead-Handelsposition noch nicht berücksichtigt wurden. Wie viel du ohne Nowcasting liegen lässt, siehst du in deiner Abrechnung: Welcher Anteil der Abweichungen entsteht erst nach Gebotsschluss Day-Ahead?

Was mit der Einführung wirklich passiert, und was nicht

Prognose-Tools kaufen sich einfach, integrieren weniger.

Die häufigste Implementierungshürde ist nicht die Software, sondern die Datenanbindung: Einspeisedaten in hinreichender Qualität und historischer Tiefe aus dem SCADA-System extrahieren, Formate harmonisieren, in die Prognose-API einspeisen. Das dauert bei gut dokumentierten Systemen 2 bis 4 Wochen. Bei alten SCADA-Systemen ohne ordentliche Export-Schnittstelle: 2 bis 3 Monate.

Was nicht passiert: Prognosequalität verbessert sich nicht sofort nach dem Vertragsstart. Die ersten 3 Monate sind primär Kalibrierung, das System lernt die Anlage. Wer nach 6 Wochen erwartet, dass der MAE bereits bei 5 Prozent ist, wird enttäuscht.

Was wirklich passiert nach 6 Monaten: Die Handelsabteilung beginnt, Prognose-Unsicherheitsbänder in die Handelsstrategie zu integrieren. Das erfordert eine kleine Verhaltensänderung, von „ich kaufe auf Basis des Punktwertes” zu „ich handele aggressiver bei enger Prognose, konservativer bei breitem Band”. Das ist keine technische, sondern eine organisatorische Anpassung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir kaufen Prognosen bereits von einem Wetterdienst, was bringt ML darüber hinaus?” Klassische Wetterdienstprognosen liefern meteorologische Variablen (Windgeschwindigkeit, Strahlung), aber keine anlagenspezifische Leistungsprognose. ML-Modelle kalibrieren diese Variablen auf das tatsächliche Leistungsverhalten der jeweiligen Anlage unter Berücksichtigung von Alterung, Topografie und Abschaltungsverhalten. Wie viel das in deinem Portfolio bringt, belegt nur ein Backtest; eine unabhängige Pauschalzahl haben wir nicht gefunden.

„Bei kleinen Anlagen unter 5 MW lohnt sich der Aufwand kaum.” Unter 5 MW lohnt sich ein eigenes ML-Modell nicht, hier sind externe Prognosedienstleister mit standardisierten Produkten die richtige Wahl. Die spezifische Kalibrierung wird bei größeren Portfolios erst wirtschaftlich relevant.

„Intraday-Handel ist für uns kein Thema, Day-Ahead reicht.” Das stimmt für Anlagen mit fester Einspeisevergütung nach altem EEG. Für alle Anlagen im Marktprämienmodell oder für Direktvermarkter ist Intraday-Korrektur ein direkter Kostenhebel. Mit steigendem EE-Anteil im Netz wird Ausgleichsenergie volatiler und teurer, der Druck zu besseren Prognosen steigt.

Woran du merkst, dass das zu dir passt

• Du vermarktest Wind- oder Solarparks direkt im Marktprämienmodell und zahlst monatlich messbare Ausgleichsenergiekosten
• Dein aktueller MAE liegt über 10 Prozent, alles darunter ist schwieriger zu verbessern und erfordert deutlich aufwendigere Modelle
• Du hast mindestens 12 Monate historische Einspeisedaten, ohne diese Datenbasis ist anlagenspezifische Kalibrierung nicht möglich

Wer noch nicht soweit ist:

• Anlagen mit fester Einspeisevergütung nach EEG ohne Marktprämienmodell: Den Strom vermarktet der Übertragungsnetzbetreiber, das Prognoserisiko liegt dort und nicht beim Anlagenbetreiber, der wirtschaftliche Anreiz fehlt
• Portfolio unter 5 MW ohne eigenes Trading-Team: Standardprodukte externer Dienstleister sind effizienter als eigene Modellentwicklung
• Keine historischen Einspeisedaten vorhanden: Mindestens 6 Monate Betriebshistorie sind nötig, um überhaupt mit Kalibrierung zu starten

Das kannst du heute noch tun

Exportiere die Ausgleichsenergieabrechnungen der letzten 12 Monate aus deinem ETRM-System und rechne je Viertelstunde die Differenz zwischen Ausgleichsenergiepreis und Day-Ahead-Preis mal Menge, dazu die Verluste aus Intraday-Korrekturen. Das sind deine Mehrkosten, nicht Menge mal voller Preis. Wie viel davon wäre bei 7 statt 12 Prozent MAE vermeidbar, grob 5/12? Diese Zahl ist der Business Case, bevor du einen einzigen Anbieter kontaktierst.

Quellen & Methodik

• EEG 2023, § 21: Einspeisevergütung bis 100 kW, unentgeltliche Abgabe unter 200 kW, gesetze-im-internet.de/eeg_2014/__21.html
• Fraunhofer IEE (2024): Wind and Solar Power Forecasting, Forschungsstand und Genauigkeitsgrenzen, iee.fraunhofer.de
• Meteomatics (2025): AI for Solar and Wind Power Forecasts, Einsparungen Millionenbereich, meteomatics.com (Anbieterangabe)
• Bundesnetzagentur (2024): Bilanzkreisabrechnung und Ausgleichsenergiekosten im deutschen Regelenergiemarkt
• MAE-Spannen: Angaben von Prognosedienstleistern; eine unabhängige Vergleichsstudie haben wir nicht gefunden. Ein früherer Verweis auf eine Tandfonline-Studie (2022) belegte nur eine Trainingskorrelation, keine Prognosegüte, und ist entfernt.
• ROI-Berechnungen: eigene Rechnung auf den genannten Annahmen (Aufschlag je MWh, Dienstpreis)