Vermarktung von Erneuerbaren-Portfolios und algorithmischer Stromhandel

Wind- und Solaranlagen können ihre Erzeugung einen Tag im Voraus nicht vollständig vorhersagen; ihre Vermarkter müssen daher eine Prognose am Spotmarkt verkaufen und die Position danach im kontinuierlichen Intradayhandel bis kurz vor der Lieferung korrigieren. Probabilistische Prognosen, Modelle für Ausgleichsenergiepreise und Gebotsagenten auf Basis von Optimierung oder RL automatisieren diesen Kreislauf, senken die Ausgleichskosten und erhöhen den erzielten Marktwert jeder Anlage, während menschliche Händler die Risikolimits setzen und beaufsichtigen.

Problem & Nutzen

• Heute: Nach dem deutschen EEG müssen Anlagen ab einer bestimmten Größe über die Direktvermarktung verkauft werden. Der Vermarkter verkauft die Erzeugung, erhält die Marktprämie über den Netzbetreiber und trägt die Bilanzkreisverantwortung: Jede Abweichung zwischen verkaufter und gelieferter Energie wird zum Ausgleichsenergiepreis des ÜNB abgerechnet. Händler korrigierten Positionen früher von Hand; heute ist ein großer Teil der Intraday-Arbeit automatisiert.
• KI-Nutzen: bessere Aktualisierung der Prognosen (Nowcasting, Wetterensembles), schnelleres Nachhandeln, wenn sich eine Prognose ändert, klügerer Umgang mit Stunden mit negativen Preisen und mit Abregelung, geringere Ausgleichsenergiekosten und eine Engine, die auf Tausende kleiner Anlagen skaliert.
• Belege: Etablierte Vermarkter (Next Kraftwerke, Statkraft, Entrix, enspired) beschreiben algorithmischen Intradayhandel öffentlich als Kern ihres Geschäfts [1][2][3]. Veröffentlichte quantifizierte Zugewinne sind portfoliospezifisch; messen Sie sie an Ihrer eigenen Ausgangsbasis, statt sich auf Herstellerangaben zu verlassen.

Varianten

• Direktvermarkter für Wind-/PV-Portfolios (EEG-Marktprämie, PPAs, Merchant-Anlagen).
• Virtuelles Kraftwerk (VPP) / Aggregator, das kleine Anlagen, Batterien, BHKW und flexible Lasten bündelt und auch Regelreserve vermarktet (siehe OPT-011, OPT-022).
• Energieversorger oder Großbetreiber, der die eigene Flotte handelt; durch PPA abgesicherte Industriekunden, die gelieferte Profile formen und ausgleichen.
• Grenzüberschreitend: andere EU-Märkte (Nordeuropa, Niederlande, Frankreich, Polen) mit eigenen Produkten und Gate-Closure-Zeiten; Marktkopplung SDAC/SIDC.
• Nicht im Umfang: Wertpapier- und Finanzhandel (OPT-010); Optimierung privater Haushalte (OPT-032).

So funktioniert es

1. Wetter-NWP + Anlagentelemetrie + Marktdaten
2. probabilistische Prognose je Anlage/Portfolio (PRED-007)
3. Preis- & Ausgleichsenergiepreis-Prognose (PRED-008)
4. Day-Ahead-Gebote (stochastische Optimierung / szenariobasiert)
5. Agent für kontinuierlichen Intradayhandel (regelbasiert, MPC oder RL), der die Position neu ausgleicht
6. Risikolimits & Notaus (Obergrenzen für Position, Volumen, Preis, Orderrate)
7. Order-Gateway zur Börse (EPEX SPOT über Mitglieder-API)
8. Fahrplan an Anlagen/Assets, Abrechnung, REMIT- & Prüfberichte

• Prognose: Gradient-Boosting-Bäume und neuronale Netze auf NWP-Ensembles plus Live-SCADA; Quantil- oder Verteilungsausgaben sind wichtiger als Punktprognosen, weil das Gebot von den Kosten des Fehlers in jede Richtung abhängt.
• Gebote: Day-Ahead als szenariobasierte stochastische Optimierung (MILP/LP-Solver); Intraday als modellprädiktive Regelung gegen einen Limit-Orderbuch-Simulator, zunehmend mit Reinforcement Learning in der Simulation trainiert, anhand historischer Orderbuch-Wiedergaben.
• Mensch-in-der-Schleife (Human-in-the-Loop): Händler legen Strategie-Mandate, Limits und den Notaus fest; der Handelstisch überwacht Positionen bei Stürmen, Netzstörungen und Marktstörungen, in denen Modelle schlecht extrapolieren. Kontrollen vor dem Handel sind nicht optional (siehe Regulierung).

Datenaufbereitung

Die Daten sind weitgehend strukturiert und maschinenlesbar, aber zersplittert: SCADA- und Zählerdaten der Anlagen, numerische Wettervorhersagen, EPEX-SPOT- und Intraday-Orderbuchdaten, Ausgleichsenergie- und Systemzustandsdaten der ÜNB, Anlagenstammdaten und Vertragsbedingungen (EEG-Marktprämie, PPAs), die oft als PDFs, Excel-Tabellen oder im ETRM und DMS liegen.

Typische Lücken: Anlagenmetadaten ohne einheitliche Koordinaten, Änderungen bei Nabenhöhe oder Leistung; fehlende oder abgeregelte Erzeugung ohne Kennzeichnung; Telemetrielücken sowie Uhr- oder Zeitzonenfehler; Wetterprognose-Archive, die nicht so gespeichert wurden, wie sie herausgegeben wurden; Vertragsbedingungen nur in eingescannten oder Freitext-Dokumenten; und doppelte Anlagen-IDs über Systeme hinweg.

Schritte der Aufbereitung: (1) Quellen und Verantwortliche erfassen (PREP-001, PREP-005); (2) Anlagenstammdaten und IDs vereinheitlichen und Abregelung sowie Ausfälle in der Zeitreihe markieren; (3) Wetterprognosen und Marktdaten so archivieren, wie sie herausgegeben wurden, damit Backtests Look-ahead-Verzerrung vermeiden; (4) Vertragsbedingungen aus PDFs in strukturierte Felder überführen (DOC-014, DOC-018, PREP-006); (5) ein Kennzahlenglossar für Ausgleichsenergiekosten und erzielten Marktwert festlegen (PREP-012); (6) mit den Händlern einen Backtest-Datensatz aufbauen (PREP-018). Werkzeuge: Postgres/TimescaleDB, Python, dbt. Die Datenarbeit macht typischerweise 25 bis 35 Prozent des Aufwands aus, da die Datenquellen bereits digital vorliegen.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Direktvermarkter, Energieversorger, Aggregator): B, weil Gebotslogik und Prognosen der Kern der Marge sind und auf Ihr Portfolio abgestimmt werden müssen; kaufen Sie einen Vermarktungsdienst (A) nur, wenn Sie Anlagen besitzen, aber keinen Handelstisch wollen.
• Entwickler / Integrator: C, weil Open-Source-Bibliotheken für Prognose, Solver und RL sowie öffentliche Marktdaten erlauben, Strategien ohne Lizenzbindung zu bauen und zu backtesten.

Weg A — Kaufen (Standardsoftware)

• Vermarktung als Dienstleistung: das Portfolio an einen Direktvermarkter geben (z. B. Next Kraftwerke, EU; Statkraft, EU; Entrix, EU; enspired, EU; Enel X, Axpo, Uniper) und eine Gebühr pro MWh zahlen. Passend für Anlageneigentümer, die keinen Handelstisch wollen.
• Handels- und Portfoliomanagement-Software (ETRM / Gebotsplattformen): z. B. Energy Exemplar PLEXOS, Nominal, Optimeering und Montel Analytics (Daten/Prognosen), Optimierungsmodule von Entrix und enspired, Fluence Mosaic (Speicher). Prüfen Sie REMIT-Unterstützung, EPEX-Anbindung und Hosting in der EU.
• A wählen, wenn: weniger als einige hundert MW und kein Interesse, einen 24/7-Handelstisch zu besetzen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Marktdaten und Zugang: Handelsschnittstellen für EPEX-SPOT-Mitglieder (öffentliche Marktdaten über EPEX SPOT und die API der ENTSO-E Transparency Platform für Last, Erzeugung und grenzüberschreitende Flüsse), Ausgleichsenergiedaten der ÜNB (z. B. regelleistung.net, netztransparenz.de).
• Wetter- und Prognosedaten: ECMWF Open Data / IFS-Ensemble, DWD ICON Open Data, Open-Meteo sowie KI-Wettermodelle wie ECMWF AIFS und Googles WeatherNext.
• Rechenleistung: verwaltete Zeitreihen-/ML-Dienste in EU-Regionen (z. B. Azure ML, AWS SageMaker in Frankfurt, Vertex AI europe-west3); Stream-Verarbeitung auf Kafka. LLMs sind hier nicht das Handelsgehirn; sie helfen bei der Zusammenfassung von Marktmitteilungen, als Analysten-Copiloten und beim Entwurf von Berichten.
• B wählen, wenn: Sie ein Quant-/Data-Science-Team haben, aber nicht den börsentauglichen Stack mit geringer Latenz.

Weg C — Selbst betreiben (Open Source)

• Prognose: LightGBM/XGBoost, PyTorch Forecasting, Darts, dazu offene Zeitreihen- Foundation-Modelle (Chronos, TimesFM, Moirai) als Referenz; DWD ICON und ECMWF Open Data.
• Optimierung: HiGHS, OR-Tools, Pyomo/linopy; offene Energiesystem-Werkzeuge wie PyPSA und Open-Source-RL (Stable-Baselines3, Ray RLlib) in einem Orderbuch-Simulator im Gym-Stil.
• Infrastruktur: Kafka/Redpanda, TimescaleDB oder ClickHouse, Kubernetes. Ein CPU- oder bescheidener GPU-Server (HW1) genügt; anspruchsvoll sind Latenz, Ausfallsicherheit und der 24/7-Betrieb.

Weg D — Eigenes Training

Eigene Prognose- und RL-Modelle auf mehrjähriger Anlagentelemetrie, Orderbuchdaten und Ausgleichsenergie- preisen zu trainieren, ist bei größeren Handelstischen das übliche Unterscheidungsmerkmal. Erforderlich sind mehrjährige, hoch aufgelöste Historien, ein realitätsnaher Marktsimulator und strenges Backtesting gegen Look-ahead-Verzerrung.

Stand der Technik (2026)

• Probabilistische und ensemblebasierte Prognose mit ML-Nachbearbeitung der NWP ist Standard; KI-Wettermodelle (AIFS, Modelle im Stil von GraphCast) halten Einzug in operative Ensembles und verbessern kurzfristige Wind-/PV-Prognosen [4].
• Der Intradaymarkt wird inzwischen von 15-Minuten-Produkten dominiert, mit stark automatisierten Teilnehmern; daher zählen Geschwindigkeit, Orderbuch-Wahrnehmung und Ausführungsqualität; EPEX SPOT hat 15-Minuten- Produkte in der Day-Ahead-Kopplung eingeführt, nachdem SDAC auf eine 15-Minuten-MTU umgestellt hat [5].
• RL-/MPC-Hybride: Akademische Arbeiten zeigen RL-Agenten, die in simulierten Intradaymärkten wettbewerbsfähig sind, doch Handelstische im Produktivbetrieb nutzen RL meist für die Ausführung oder als Teilmodul unter harten Risiko- limits, nicht durchgängig End-to-End.
• Negative Preise und Abregelung: Der wachsende PV-Anteil macht Stunden mit negativen Preisen und Marktprämienregeln (keine Prämie bei negativen Preisen für neuere Anlagen) zu einem zentralen Optimierungs- term.
• Grenzen: Regimewechsel (Krisen, Regeländerungen) machen Backtests unbrauchbar; Simulatoren ignorieren die Marktwirkung eigener Orders; Prognosefehler sind innerhalb eines Portfolios korreliert; Überanpassung an historische Orderbücher ist verbreitet.

Gemeinsame Bausteine & Kombinationen

• Prognose-Eingaben: PRED-007 (Last- und Erneuerbaren-Prognose) und PRED-008 (Preisprognose).
• Flexibilitätsanlagen: OPT-011 (Batterie-Einsatz), OPT-021 (Laden von E-Fahrzeugflotten), OPT-023 (Fernwärme/BHKW), OPT-032 (Prosumer) lassen sich im selben VPP bündeln.
• Netzseite: OPT-022 (Engpassmanagement) bestimmt die Auswirkungen von Abregelung und Redispatch.
• Überwachung: Anomalieerkennung im Stil von ANOM-001 für Telemetrie und Handelsgeschäfte; LLM-Agenten (AGENT-001) für die Sichtung von Marktmitteilungen und die Berichterstattung.
• Derselbe Zeitreihen-/Solver-Stack bedient OPT-004 (Preisgestaltung) und OPT-010 (Finanzhandel).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für das Onboarding der Anlagen; Gebühr pro MWh oder Erlösbeteiligung.
• Weg B: 6–12 Monate für einen produktionsreifen Handelstisch mit kleinem Quant-Team.
• Weg C/D: 12+ Monate, plus Rufbereitschaft im 24/7-Betrieb und Gebühren für den Marktzugang.
• Kostentreiber: Datenlizenzen, Börsen- und Clearingkosten, Entwicklung von Simulatoren, 24/7- Abdeckung, regulatorische Berichte.
• Kennzahlen: Prognosefehler (nRMSE/Pinball-Loss), Ausgleichsenergiekosten pro MWh, erzielter Marktwert im Vergleich zum Referenzmarktwert (Marktwert), Intraday-Handelsmarge, Anteil automatisierter Orders, Verletzungen von Risikolimits, Systemverfügbarkeit, Aktualität der REMIT-Meldungen.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Leitung des Handels, um Risikolimits, Mandat und Budget festzulegen. Händler und Disponenten sind die wichtigsten Anwender; beziehen Sie sie ab dem Backtesting ein, denn sie müssen den Geboten vertrauen und sie übersteuern können. IT und IT-Sicherheit verantworten Zugang zu den Marktschnittstellen, Zugangsdaten und NIS2; Recht und Compliance verantworten REMIT, MiFID-artige Regeln und Marktmissbrauchsregeln sowie Vertragspunkte mit Datenanbietern; Datenverantwortliche geben SCADA- und Vertragsdaten frei.

Betriebsrat: abhängig vom Einzelfall. Werden Gebote und Orders je Händler protokolliert und zur Beurteilung der individuellen Leistung genutzt, greift § 87 Abs. 1 Nr. 6 BetrVG; bei einem reinen System auf Portfolioebene eventuell nicht, aber § 90 Abs. 1 Nr. 3 verlangt dennoch rechtzeitige Information, wenn Arbeitsabläufe mit KI geplant werden, und § 80 Abs. 3 erlaubt einen Sachverständigen. Stadtwerke und andere öffentliche Versorger beteiligen den Personalrat. Personenbezogene Daten fallen kaum an; die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte bestätigt dies und prüft den AVV der Anbieter (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Händler und Risikomanager mit Schulungen zu Prognoseunsicherheit, Grenzen von Backtests und Fehlerarten (Art. 4 KI-Verordnung (AI Act), GUIDE-006). Kommunizieren Sie, dass der Algorithmus innerhalb harter, von Menschen gesetzter Positions- und Verlustlimits arbeitet, mit Notaus und täglicher Überprüfung. Nutzen Sie eine Technologie oder einen Markt (zum Beispiel Intraday für PV) als Pilotgruppe und fahren Sie vor dem Live-Handel im Schattenbetrieb. Typische Sorgen sind die Angst vor Ersetzung und außer Kontrolle geratene Algorithmen; begegnen Sie ihnen mit transparenten Limits und Prüfprotokollen. Siehe GUIDE-009, GUIDE-011 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales oder kein Hochrisiko, da Handelssoftware kein Anwendungsfall nach Anhang III ist; KI-Komponenten, die als Sicherheitskomponenten bei der Verwaltung und dem Betrieb kritischer Infrastruktur wirken (Anhang III Nr. 2: Stromversorgung), können jedoch Hochrisiko sein, wenn sie den Netz- betrieb steuern. Der Gebotsagent eines Vermarkters ist normalerweise nichts davon, Steuerungssoftware von ÜNB/VNB dagegen schon. Klassifizieren Sie je Einsatz (keine Rechtsberatung).
• REMIT (Verordnung (EU) 1227/2011, verschärft durch (EU) 2024/1106 „REMIT II“): verbietet Insiderhandel und Marktmanipulation an Energiegroßhandelsmärkten; algorithmischer Handel wird ausdrücklich behandelt. Betreiber von Algorithmen müssen manipulatives Verhalten verhindern (Spoofing, Layering, Quote Stuffing), Prüfpfade führen und Orders und Handelsgeschäfte an ACER melden [6][7].
• MiFID II / EMIR: gelten, wo Derivate/Futures gehandelt werden (siehe OPT-010); Börsenregeln (EPEX SPOT) verlangen Risikokontrollen vor dem Handel, Orderratenlimits und Notaus-Funktionen.
• EEG / EnWG: Pflichten zur Direktvermarktung, Marktprämienregeln, Bilanzkreisverträge mit ÜNB, Datenaustausch für Redispatch 2.0.
• DSGVO: meist nicht anwendbar (keine personenbezogenen Daten), außer bei Vertrags- und Zählerdaten kleiner privater Anlageneigentümer.
• Cyber: NIS2 und sektorspezifische Regeln für Energiebetreiber; Order-Gateways, API-Schlüssel und Steuerkanäle der Anlagen schützen.
• Gegenmaßnahmen: harte Obergrenzen für Positionen und Volumen, unabhängige Risikokontrolle, vollständige Order-Protokollierung, Modellvalidierung, simulierte Stresstests, Übersteuern durch Menschen.

Erste Schritte

1. Ihr Portfolio als Ausgangsbasis erfassen: Ausgleichsenergiekosten pro MWh, erzielter im Vergleich zum Referenzmarktwert, Prognosefehler.
2. Selbst bauen oder kaufen prüfen: 2–3 Angebote zur Direktvermarktung oder Gebotsplattformen anhand Ihrer eigenen Daten vergleichen.
3. Einen Prognose-Benchmark aufsetzen (ICON/ECMWF-Ensemble + SCADA) und den Pinball-Loss messen, bevor Handelslogik entsteht.
4. Einen Orderbuch-Replay-Simulator bauen; zuerst eine einfache regelbasierte Intraday-Strategie backtesten.
5. Zuerst im Paper-Trading live gehen, dann mit kleinen, gedeckelten Volumina, mit REMIT-Berichten und Notaus an Ort und Stelle.

Quellen

1. Next Kraftwerke — algorithmic trading and Direktvermarktung — https://www.next-kraftwerke.com/
2. Statkraft — Energy trading and market access — https://www.statkraft.com/about-statkraft/
3. EPEX SPOT — Intraday continuous market — https://www.epexspot.com/en/market-modules/intraday
4. ECMWF — AIFS machine-learning forecasting system — https://www.ecmwf.int/en/about/media-centre/aifs-blog
5. EPEX SPOT — Markets and products overview — https://www.epexspot.com/en
6. ACER — REMIT portal — https://www.acer.europa.eu/remit-documents
7. Regulation (EU) 2024/1106 (REMIT II) — https://eur-lex.europa.eu/eli/reg/2024/1106/oj
8. ENTSO-E Transparency Platform — https://transparency.entsoe.eu/
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj