Prognose von Energielast & erneuerbarer Erzeugung

Jeder Beteiligte im Stromsystem muss in 15-Minuten-Auflösung wissen, wie viel Strom verbraucht und wie viel Wind- und Solarstrom eingespeist wird — für die nächste Stunde, den nächsten Tag und die nächste Woche. Fehler kosten Ausgleichsenergie, Redispatch und entgangenen Handelswert. KI-Prognosen kombinieren die Ausgabe von Wettermodellen mit der Historie von Anlagen und Zählern in gradientenverstärkten oder tiefen Zeitreihenmodellen, seit 2025 zunehmend auch mit Zero-Shot-Foundation-Modellen für Zeitreihen und KI-Wettermodellen. Sie liefern probabilistische Prognosen, die in Handel, Speichereinsatz und Netzbetrieb einfließen.

Problem & Nutzen

• Wer das Problem hat: ÜNB und VNB (Netzlast, vertikale Netzlast, Einspeisung erneuerbarer Energien für den Redispatch), Versorger und Bilanzkreisverantwortliche (Portfoliolast für die Beschaffung), Direktvermarkter und Betreiber virtueller Kraftwerke (Wind/PV für den Day-Ahead-/Intraday-Handel), Industriestandorte (Lastspitzenkappung, Beschaffung, PV vor Ort), Gebäudebetreiber und kommunale Versorger (Stadtwerke) sowie Prosumer mit PV, Batterie, Wärmepumpe und E-Auto.
• Heute: Standardlastprofile (SLP), einfache Regressionen auf die Temperatur, Baselines nach dem Muster „gleicher Tag der Vorwoche" oder eine Prognose, die als Teil des Handelsvertrags zugekauft wird. Diese Verfahren tun sich schwer mit schnell wachsender PV hinter dem Zähler, Wärmepumpen, E-Auto-Laden und wetterbedingten Änderungen der Nachfrage.
• Warum KI hilft: ML-Modelle lernen standortspezifische, nichtlineare Zusammenhänge zwischen Wetter, Kalender und Last oder Erzeugung. Sie lassen sich automatisch nachtrainieren und liefern Quantile statt nur eines einzelnen Werts.
• Gemessener Nutzen: Google DeepMind berichtete, dass ML-Prognosen der Windleistung 36 Stunden im Voraus den Wert seiner 700-MW-Windflotte in den USA um etwa 20 % gegenüber einer Lage ohne zeitbasierte Zusagen steigerten [1]. Deutsche Prognoseanbieter geben an, sehr große Flotten abzudecken: emsys/energy & meteo systems nennt Prognosen für ca. 400 GW Wind und ca. 400 GW Solar sowie mehr als 100 Netzbetreiber als Kunden. enercast nennt 240 GW Kapazität in 30 Ländern [2][3]. Die offene Solarprognose Quartz von Open Climate Fix wird täglich vom Systembetreiber NESO in Großbritannien genutzt [4].
• Regulatorischer Sog (DE): Redispatch 2.0 (§§ 13, 13a, 14 EnWG, in Kraft seit 1. Okt. 2021) bezog Erneuerbare- und KWK-Anlagen ab 100 kW in den Redispatch ein. Das Regime „stützt sich stärker auf Planungsdaten und Prognosen", sodass Netzbetreiber und Anlagenbetreiber Prognosen auf Anlagenebene brauchen [5].

Varianten

• Netzlastprognose (ÜNB/VNB): Last einer Regelzone, eines Umspannwerks oder eines Transformators, vertikale Netzlast, Verluste. Speist das Engpassmanagement, das in OPT-022 behandelt wird.
• Prognose der Erzeugung aus erneuerbaren Energien: Einspeisung von Windparks und PV-Parks, Day-Ahead und Intraday. Enthält Nowcasting (0–6 h) aus der Wolkenbewegung per Satellit und aus Live-Messungen sowie Warnungen vor Rampenereignissen.
• Portfolio-/Lieferantenlastprognose: aggregierte RLM- und SLP-Kunden für Beschaffung und Bilanzkreismanagement. Der Handel auf Basis der Prognose wird in OPT-039 behandelt, Preise in PRED-008.
• Industrie- & Gewerbestandorte: Standortlast plus PV vor Ort für Lastspitzenmanagement, Beschaffung und Energiemanagement nach ISO 50001. Die Steuerung auf Gebäudeebene wird in OPT-007 behandelt.
• Wärme und Gas: Fernwärmelast und Gasbedarf für Versorger (temperaturgetrieben, ähnlicher Stack).
• Ladebedarf für E-Fahrzeuge: Last von Depots und Ladeparks. Die Ladesteuerung wird in OPT-021 behandelt.
• Privat / Prosumer: PV-Ertragsprognose für eine Hausanlage (z. B. die Hobby-API von Solcast, das Open-Source-Projekt Quartz, auf Open-Meteo basierende Werkzeuge in Home Assistant). Sie speisen das Energiemanagement im Haus (OPT-032).
• Öffentlicher Sektor: kommunale Wärmeplanung und Lastüberwachung öffentlicher Gebäude.

So funktioniert es

1. Datenaufnahme (SCADA / Smart Meter / RLM / Wechselrichter-APIs, 15 Min.)
2. Bereinigung (Lücken, Kennzeichen für Abregelung & Ausfälle, Zeitumstellung, Kapazitätsänderungen)
3. Wettermerkmale (NWP von DWD ICON, ECMWF IFS/AIFS; Einstrahlung auf der Modulebene mit pvlib; Wind auf Nabenhöhe; optional Satelliten-Nowcast)
4. Modell: Gradient Boosting / tiefes Zeitreihenmodell / Zeitreihen-Foundation-Modell (+ physikalische PV-/Windleistungskurve)
5. probabilistische Ausgabe (Quantile, Ensembles) + Portfolio-Aggregation / Abstimmung
6. Auslieferung: Fahrplandateien, API, EMS-/Handels-/Netzsysteme
7. Überwachung: Fehler je Horizont (MAE/nMAE, RMSE, Pinball-Loss), Drift, automatisches Nachtrainieren

• Zentrale KI-Komponenten: (1) Wettereingabe. Die Prognosequalität wird vor allem durch die NWP begrenzt, und der Einsatz mehrerer NWP ist üblich. (2) Eine statistische/ML-Schicht, die Wetter je Standort auf Leistung oder Last abbildet. (3) Physikalische Modelle wie PV-Klarhimmel und Transposition (pvlib [6]) und Windleistungskurven, als Merkmale oder als Rückfall für neue Anlagen ohne Historie.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prognostiker/Händler prüfen Rampenwarnungen und korrigieren bei bekannten Ereignissen (Ausfälle, Abregelung, Betriebsstillstände in der Industrie, Feiertage). Netzbetreiber nutzen Prognosen als Entscheidungshilfe. Ein Mensch oder ein zertifiziertes Leitsystem trifft die Schaltentscheidungen.

Datenaufbereitung

Benötigt werden gemessene Last- und Erzeugungsdaten (Smart Meter, RLM-15-Minuten-Profile, Wechselrichter- und SCADA-Daten), Anlagenstammdaten und Wettervorhersagen (DWD ICON, ECMWF). Im Mittelstand liegen die Lastdaten im Portal des Netzbetreibers oder beim Lieferanten, im Energiemanagementsystem, in Cloud-Portalen der Wechselrichter und in Excel-Exporten; Stammdaten stehen oft nur in Planungsunterlagen oder auf Papier. Typische Lücken: fehlende oder unplausible Werte, Fehler bei der Zeitumstellung, nicht gekennzeichnete Abregelungen oder Ausfälle, Änderungen der Anlagenkonfiguration ohne Aufzeichnung, unterschiedliche Zeitauflösungen und mehrere Portale mit getrennten Zugängen.

Schritte der Aufbereitung: (1) Zähler und Datenquellen inventarisieren und 2–3 Jahre 15-Minuten-Daten anfordern, (2) den Export über APIs oder geplante Downloads automatisieren, (3) Lücken und Ausreißer bereinigen sowie Ausfälle und Abregelungen kennzeichnen, (4) eine Tabelle mit Anlagenstammdaten aufbauen (kWp, Neigung, Azimut, Standort), (5) Kalendermerkmale und Wettervorhersagen als archivierte Vorhersagen ergänzen (nicht nur Beobachtungen), (6) pandas und eine Zeitreihendatenbank zur Speicherung nutzen. Nützliche PREP-Anwendungsfälle: PREP-005, PREP-011, PREP-001. Außerdem DATA-008.

Grober Aufwandsanteil: 30–40 Prozent. Smart-Meter-Daten von Haushalten sind personenbezogene Daten; aggregieren oder pseudonymisieren Sie sie (PREP-022). Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Prognosedienste von Energieversorgern, Direktvermarktern und Energiemanagementsystemen sind ausgereift und enthalten Wetterdaten.
• Großunternehmen — Weg B: Versorger und Großverbraucher brauchen die Integration in eigene SCADA-, Mess- und Handelssysteme über Cloud-APIs und Wetterdienste.
• Entwickler — Weg C: Open-Source-Modelle (Gradient Boosting, offene Wetter- und Zeitreihen-Foundation-Modelle) laufen mit offenen DWD-Daten auf HW1.
• Privat — Weg A: Heimenergiemanagementsysteme und Wechselrichter-Apps liefern PV- und Lastprognosen ohne eigenen Aufbau.
• Öffentlicher Sektor — Weg C: Stadtwerke und Netzbetreiber halten Mess- und Anlagendaten auf souveräner, selbst betriebener Infrastruktur.

Weg A — Kaufen (Standardsoftware) — für die meisten KMU und Versorger empfohlen

• Spezialisierte Prognoseanbieter: energy & meteo systems / emsys renewables (Oldenburg, DE — Wind, Solar, Netzlast, VPP, Plattform für Redispatch 2.0) [2], enercast (Kassel, DE; deutsche Rechenzentren) [3], meteocontrol (Augsburg, DE — PV-Monitoring und -Prognosen), Meteomatics (CH), Volue (NO), Solcast (jetzt Teil von DNV) für Einstrahlungs- und PV-Leistungs-APIs [7].
• In anderen Plattformen eingebettet: Handels-/VPP-Plattformen und Direktvermarkter (Next Kraftwerke, Statkraft, Entelios und ähnliche) enthalten in der Regel Prognosen. Energiemanagementsysteme für Industrie und Gebäude bieten Lastprognosen. Heimenergiemanager (z. B. SMA, Fronius, evcc) enthalten PV-Prognosen.
• Wählen Sie A, wenn: Prognose nicht Ihre Kernkompetenz ist, Sie einen vertraglich garantierten SLA-Feed für den Handel oder Redispatch 2.0 brauchen oder weniger als einige Hundert Standorte haben. Prüfen Sie: EU-Hosting, nMAE-Berichte je Horizont, Quantil-Ausgabe, API- und Fahrplanformate sowie den Umgang mit Abregelung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Wetter-/Einstrahlungs-APIs: Open-Meteo (ICON, ECMWF IFS und AIFS, GTI/DNI/DHI in 15-Min.-Auflösung in Mitteleuropa; kommerzielle Lizenz verfügbar) [8], Solcast, Meteomatics, DWD Open Data (kostenlos).
• Verwaltete Prognosedienste: Google BigQuery ML mit TimesFM [9], Amazon SageMaker/AutoGluon mit Chronos-2 [10], Azure ML AutoML Forecasting, Databricks. Alle laufen in EU-Regionen (Frankfurt usw.).
• Integration: Zählerdaten aufnehmen (z. B. über EDIFACT MSCONS vom Messstellenbetreiber), in einer Zeitreihendatenbank speichern, Prognosen nach Zeitplan laufen lassen und an das EMS oder Handelssystem übergeben. LLMs spielen hier nur eine unterstützende Rolle, z. B. beim Schreiben von Erklärungen zu Prognoseabweichungen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Gradient Boosting (LightGBM, XGBoost, CatBoost) bleibt eine starke Baseline. Tiefe Modelle über Nixtla NeuralForecast (NHITS, TFT, PatchTST) [11], Darts oder skforecast. Zero-Shot-/feintunebare Foundation-Modelle: Chronos-2 (120M, Apache-2.0, unterstützt Kovariaten wie Wetter) [10], TimesFM 2.5 (Gewichte unter Apache-2.0; Hinweis: Die Gewichte von TimesFM 3.0 sind nichtkommerziell) [9], Moirai.
• Solar-spezifisch: pvlib (BSD-3) [6], Solarprognose Quartz von Open Climate Fix (MIT, 0–48 h auf Standortebene aus GFS/ICON/ECMWF) [4], PVNet (Fusion aus Satellit und NWP) [12].
• Wetter: selbst gehostetes Open-Meteo, DWD ICON Open Data, ECMWF Open Data einschließlich AIFS (CC BY 4.0) [13].
• Stack: TimescaleDB/InfluxDB, Kafka oder MQTT für Live-Daten, Airflow/Dagster, MLflow, Grafana.
• Hardware: HW1. GBMs und die kleinen Foundation-Modelle (Chronos-2 small oder base) laufen auf CPU-Servern. Eine GPU (HW2) ist nur zum Training tiefer Modelle auf Tausenden Zeitreihen oder für Satelliten-Nowcasting nützlich.

Weg D — Eigenes Training

Lohnt sich für ÜNB/VNB, große Portfoliobetreiber und Prognoseanbieter. Typische Arbeiten: globale tiefe Modelle über Tausende Standorte, satellitengestütztes Nowcasting, hierarchische Abstimmung vom Standort bis zur Regelzone oder das Feintuning eines Foundation-Modells auf der eigenen Flotte. Erfordert mindestens 1–2 Jahre 15-Minuten-Historie je Standort, saubere Kennzeichen für Abregelung und Verfügbarkeit sowie archivierte historische NWP-Läufe (keine Reanalyse), damit das Training zu dem passt, was das Modell bei der Inferenz sieht.

Stand der Technik (2026)

• Tabellarisches GBM + mehrere NWP ist im Produktivbetrieb weiterhin das Arbeitspferd. Die meisten Genauigkeitsgewinne stammen aus besseren Wettereingaben, dem Mischen von NWP und sauberen Daten, nicht aus der Modellarchitektur.
• Zeitreihen-Foundation-Modelle: Chronos-2 (Amazon, Okt. 2025) meldet unter den vortrainierten Modellen die besten Ergebnisse auf fev-bench, GIFT-Eval und Chronos Benchmark II. Die größten Gewinne liegen bei Aufgaben mit Kovariaten, und die Veröffentlichung enthält eine Fallstudie zur Energie [10][14]. TimesFM 3.0 (Aug. 2026) ergänzt native Kovariaten, aber seine Gewichte sind außerhalb von Google Cloud nichtkommerziell [9]. In der Praxis: eine starke Zero-Shot-Baseline für neue Standorte und Lastreihen, die weiterhin gegen ein abgestimmtes GBM validiert wird.
• KI-Wettermodelle: ECMWF betreibt AIFS seit Feb. 2025 operativ (Ensemble seit Jul. 2025, ENS v2 seit Mai 2026) unter einer offenen Lizenz [13]. ML-NWP ist nun eine Eingabeoption für Prognosen erneuerbarer Energien.
• Nowcasting: Modelle zur Fusion von Satellit und NWP (z. B. PVNet) für 0–8 h PV [12].
• Grenzen & Fehlerbilder: Schnee auf Modulen, Nebel, Saharastaub, Vereisung an Turbinen, nicht gemeldete Abregelungen und Ausfälle, plötzliche Laständerungen (Schocks wie in der COVID-Zeit, Stilllegungen von Anlagen) und das schnelle Wachstum von PV hinter dem Zähler, die die wahre Last verdeckt. Die probabilistische Kalibrierung bei extremen Rampen ist weiterhin schwach.

Gemeinsame Bausteine & Kombinationen

• Wetter-Pipeline (scientific-fm + NWP-Aufnahme) gemeinsam mit PRED-017 (Wettereinfluss), PRED-027 (Hochwasserprognose) und PRED-013 (Ertragsvorhersage). Ein NWP-Speicher kann alle bedienen.
• Gleicher Zeitreihen-/Tabellen-Stack (time-series + tabular-ml, HW1 CPU) wie PRED-001 Bedarfsprognose, PRED-008 Preisprognose, PRED-011 Personalbedarf und PRED-016 Cashflow.
• Nachgelagerte Optimierung: OPT-039 Stromhandel, OPT-011 Batterieeinsatz, OPT-022 Engpassmanagement/Redispatch, OPT-032 Heimenergiemanagement, OPT-007 HVAC, OPT-021 intelligentes E-Auto-Laden.
• Gleiche Smart-Meter-Daten wie PRED-031 (NILM), ANOM-008 (Energiediebstahl & Netzanomalien), PRED-048 (Energieeffizienz von Gebäuden) und PRED-026 (Batteriezustand).
• Streaming-Infrastruktur (MQTT/Kafka, Zeitreihen-DB) gemeinsam mit PRED-006 vorausschauende Wartung.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen. Abrechnung je Standort, je MW oder je Prognose-Feed.
• Weg B/C: 1–3 Monate für eine Produktivpipeline für ein Portfolio. Die Hauptkostentreiber sind Datenbereinigung, Lizenzen für NWP-Daten und der Betrieb, nicht die Rechenleistung.
• Weg D: Quartale, mit einem eigenen Data-Science-/Meteorologie-Team.
• Kennzahlen: nMAE/nRMSE je Horizont (in % der installierten Leistung bei der Erzeugung, in % der Spitze bei der Last), Pinball-Loss / CRPS für Quantile, Kosten der Ausgleichsenergie (€/MWh), Abweichungsvolumen, Einsparungen bei Spitzenlastentgelten, Trefferquote bei Rampenereignissen und Verfügbarkeit der Prognose (SLA).

Menschen & Veränderung

Beziehen Sie die Geschäftsführung (Investition und Risikobereitschaft) und die Energie- oder Facility-Managerin bzw. den Energie- oder Facility-Manager als Prozessverantwortliche ein. Anwender sind Anlagenbetreiber, Energiemanager und Disponenten, die auf Basis der Prognose handeln. IT und IT-Sicherheit werden für den Zugriff auf SCADA- und Messsysteme benötigt, die bei Versorgern als kritische Infrastruktur gelten (GUIDE-013). Die Dateneigner der Messdaten und die Lieferanten (Netzbetreiber, Direktvermarkter, Wetterdienst) müssen sich über Datenzugang und Formate einigen.

Betriebsrat: im typischen Fall nein, weil die Prognose Anlagen und Netzlast betrifft und keine Beschäftigten überwacht. Relevant wird er nur, wenn die Daten mit der Leistung von Bedienern oder Schichten verknüpft werden; §90 Abs. 1 Nr. 3 BetrVG verlangt dennoch, einen bestehenden Betriebsrat frühzeitig zu unterrichten, wenn sich Arbeitsprozesse ändern.

Datenschutz: Daten auf Anlagenebene sind nicht personenbezogen, Smart-Meter-Daten von Haushalten dagegen schon. Beziehen Sie dann die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, prüfen Sie Rechtsgrundlage und DSFA und pseudonymisieren Sie (GUIDE-005). Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) der Disponenten zu Prognoseunsicherheit und typischen Fehlern, etwa bei Nebel oder Sturm (GUIDE-006). Starten Sie einen Pilot an einer Anlage oder einem Standort und vergleichen Sie über mehrere Wochen mit dem bisherigen Verfahren. Typische Sorge: Vertrauen in eine Black Box, begegnet mit Konfidenzbändern und einer manuellen Übersteuerung. Die endgültige Einsatzentscheidung behalten Menschen. Siehe GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Anhang III Nr. 2 betrifft KI, die „als Sicherheitsbauteile bei der Verwaltung und dem Betrieb … der Versorgung mit Wasser, Gas, Wärme oder Strom" eingesetzt wird [15]. Eine Prognose für Handel, Beschaffung oder Planung ist kein Sicherheitsbauteil. Prüfen Sie die Einstufung neu, wenn Prognosen unmittelbar automatisierte Schutzmaßnahmen in der Netzführung steuern, was Hochrisiko sein könnte. Die KI-Kompetenz nach Art. 4 gilt.
• DSGVO: Lastkurven aus Haushalts-Smart-Metern sind personenbezogene Daten und können Gewohnheiten offenlegen. Aggregieren Sie vor der Prognose, wo möglich, und beachten Sie die Regeln des deutschen MsbG zur Zweckbindung von Messdaten. Gewerbliche Daten und Daten auf Netzebene sind keine personenbezogenen Daten.
• Sektorrecht: Datenaustausch nach EnWG/Redispatch 2.0, REMIT (Insiderinformationen beim Handel auf Basis von Prognosen), NIS2- / KRITIS-Pflichten für die IT-Systeme von Netzbetreibern und der EU-Netzkodex für Cybersicherheit im Strombereich. Prognose-APIs dürfen keinen Weg in OT-Netze öffnen.
• Risiken & Gegenmaßnahmen: Ausfall der NWP → einen Rückfall vorhalten (Persistenz oder einen zweiten Anbieter); Modelldrift bei Änderungen des Portfolios → automatisches Nachtrainieren und Nachführen der Kapazitäten; überzuversichtliche Quantile → Kalibrierungsprüfungen.

Erste Schritte

1. Sammeln Sie 1–2 Jahre 15-Minuten-Historie zu Last oder Einspeisung mit Anlagenstammdaten und Abregelungskennzeichen.
2. Legen Sie Baselines fest (Persistenz, Vorwoche, SLP oder ein Anbieter-Feed) und messen Sie den nMAE je Horizont.
3. Ergänzen Sie NWP-Merkmale (Open-Meteo oder DWD ICON) und trainieren Sie ein LightGBM-Modell. Vergleichen Sie es Zero-Shot mit Chronos-2 und, für PV, mit der Solarprognose Quartz.
4. Bitten Sie 2–3 Anbieter aus Weg A um einen Blindtest an denselben Standorten und im selben Zeitraum.
5. Übernehmen Sie die beste Prognose in Ihr EMS, Ihren Handel oder Ihren Speichereinsatz und verfolgen Sie die Kosten der Ausgleichsenergie monatlich.

Quellen

1. Google DeepMind — Machine learning can boost the value of wind energy — https://deepmind.google/discover/blog/machine-learning-can-boost-the-value-of-wind-energy/
2. emsys renewables / energy & meteo systems — company and forecasting offering — https://www.emsys-renewables.com/
3. enercast — wind and solar power forecasts — https://www.enercast.de/
4. Open Climate Fix — Quartz solar forecast (open source) — https://github.com/openclimatefix/open-source-quartz-solar-forecast and https://www.openclimatefix.org/
5. BDEW — Redispatch 2.0 — https://www.bdew.de/energie/redispatch-20/
6. pvlib-python — https://github.com/pvlib/pvlib-python
7. Solcast API documentation — https://docs.solcast.com.au/
8. Open-Meteo weather API documentation — https://open-meteo.com/en/docs
9. Google Research — TimesFM — https://github.com/google-research/timesfm
10. Amazon Science — Chronos forecasting (Chronos-2) — https://github.com/amazon-science/chronos-forecasting
11. Nixtla NeuralForecast — https://nixtlaverse.nixtla.io/neuralforecast/docs/getting-started/introduction.html
12. Open Climate Fix — PVNet — https://github.com/openclimatefix/PVNet
13. ECMWF — AIFS machine learning data — https://www.ecmwf.int/en/forecasts/dataset/aifs-machine-learning-data
14. Amazon — Chronos-2: From Univariate to Universal Forecasting (arXiv:2510.15821) — https://arxiv.org/abs/2510.15821
15. EU AI Act Annex III — https://artificialintelligenceact.eu/annex/3/
16. Bundesnetzagentur — SMARD electricity market data (generation, consumption, forecasts) — https://www.smard.de/en