Prognose und Erklärung von Abschlagszahlungen bei Energieversorgern

Haushalte mit Strom-, Gas- und Wärmebezug in Deutschland zahlen monatliche Abschläge, die einmal im Jahr abgerechnet werden. Ist der Abschlag zu niedrig, droht der Kundschaft eine schmerzhafte Nachzahlung; ist er zu hoch, schuldet der Versorger eine Erstattung und erhält Beschwerden. Die meisten Stadtwerke leiten den Betrag noch immer aus dem Vorjahresverbrauch oder einem pauschalen Durchschnitt ab und passen ihn nach der Jahresrechnung von Hand an. Eine Prognose je Kunde, die Zählerhistorie, Wetter und Preisänderungen verbindet, plus eine automatisch entworfene Erklärung macht den Betrag fairer und verringert den manuellen Anpassungsaufwand und die Rückfragen. Ehrlicher Stand: Der Prognoseteil ist gut verstanden; das vollautomatische Zurückschreiben in das Abrechnungssystem ist weiterhin selten.

Problem & Nutzen

• Heute: Der Abschlag wird bei Vertragsbeginn aus einer Schätzung festgelegt und nach der Jahresrechnung neu berechnet. Nach §41b Abs. 3 EnWG muss er sich am Verbrauch des vorherigen Abrechnungszeitraums oder am Durchschnitt vergleichbarer Kunden orientieren; macht ein Haushalt glaubhaft, dass sein Verbrauch erheblich niedriger ist, ist dies zu berücksichtigen [1]. Mitarbeitende prüfen Änderungswünsche, Auswirkungen von Preisänderungen und Beschwerden einzeln im Abrechnungssystem und schreiben Briefe von Hand.
• Warum es schmerzt: Preisänderungen, Umzüge, eine neue Wärmepumpe oder PV-Anlage sowie milde oder kalte Winter machen den Vorjahreswert zu einem schlechten Prädiktor. Die Bundesnetzagentur weist darauf hin, dass eine Anpassung besonders angebracht ist, wenn sich Preis oder erwarteter Verbrauch ändern, und dass Überzahlungen innerhalb von zwei Wochen verrechnet oder ausgezahlt werden müssen [2]. Kundinnen und Kunden, die eine Erhöhung ohne nachvollziehbaren Grund erhalten, können widersprechen [2].
• KI-Nutzen: bessere individuelle Prognosen (weniger große Nachzahlungen und Erstattungen), eine Arbeitsliste der Verträge, bei denen wirklich eine Änderung nötig ist, und ein einheitlicher Erklärtext. Auch weniger Liquiditätsschwankungen für den Versorger. Einsparungen von etwa 20–40 Prozent der manuellen Anpassungszeit sind für ein typisches Stadtwerk eine plausible Schätzung (die Lückenanalyse rechnet mit etwa 20 Stunden pro Monat); einen veröffentlichten Benchmark gibt es nicht.
• Keine erfundenen Zahlen: Blog-Behauptungen von Anbietern über Verringerungen des Prognosefehlers ließen sich nicht verifizieren und werden hier nicht verwendet.

Varianten

• Strom (Haushalte, Kleingewerbe): BDEW-Standardlastprofile (H0 von 1999, H25 / P25 / S25 ab 2025, Letztere für Haushalte mit PV und Batterie) dienen als Ausgangsbasis für Neukunden [3]; Smart-Meter-Daten verbessern sie, wo vorhanden.
• Gas und Fernwärme: stark temperaturgetrieben; das BDEW/VKU/GEODE-Verfahren SigLinDe bildet Tagesmitteltemperatur und einen Kundenwert auf den Tagesverbrauch ab und ist eine gute Quelle für Merkmale [3].
• Prosumer- und Wärmepumpenkunden: PV, Speicher und Wärmepumpen sprengen die Standardprofile; diese brauchen individuelle Modelle.
• Kleingewerbe (SLP-Kunden): gleiche Logik, aber die Vertragsbedingungen unterscheiden sich (§41b gilt für Haushaltskunden; gewerbliche Bedingungen werden vertraglich geregelt).
• Werkzeug für Kunden: ein Portal-Widget “Was kostet mich mein Jahr” mit Eingabe des Zählerstands.

So funktioniert es

1. Zählerstände + Vertragsdaten + Zahlungshistorie (Abrechnungssystem)
2. Bereinigung (geschätzte vs. echte Ablesungen, Ein-/Auszug, Zählertausch, Plausibilität)
3. Merkmale (Jahresverbrauch, Trend, Haushalts- und Heizungsdaten, Temperatur, Preisänderung)
4. Prognose des Jahresverbrauchs je Kunde (Gradient Boosting oder hierarchische Zeitreihen; Standardlastprofil als Rückfall für Neukunden) mit Unsicherheitsband
5. Kostenprojektion mit aktuellen Preisbestandteilen (Energie, Netzentgelt, Umlagen, Steuern)
6. vorgeschlagener Abschlag = (prognostizierte Kosten – bereits gezahlte Abschläge) verteilt auf die verbleibenden Monate, mit Regeln für Mindeständerung, Rundung und Obergrenzen der Änderungsrate
7. LLM entwirft die Erklärung (warum höher oder niedriger, was Kunden tun können, wie ein Zählerstand gemeldet wird)
8. menschliche Prüfung der Ausnahmen
9. Rückschreiben ins Abrechnungssystem
10. Kundenmitteilung
11. nach der Jahresrechnung: Prognose mit Ist-Werten vergleichen, neu trainieren

• Prognosekern: klassisches tabellarisches ML oder Zeitreihenmodelle je Kunde; ein LLM ist nicht der Prognostiker. Zeitreihen-Foundation-Modelle können bei kurzen Historien getestet werden.
• Rolle des LLM: Erklärung, Tonalität und Sprache (zur Weiterleitung eingehender Anfragen siehe auch LANG-012). Alle Zahlen stammen aus der Berechnung, niemals aus dem LLM.
• Mensch-in-der-Schleife: erste Teile des Kundenbestands werden gebündelt geprüft; Verträge mit großen Änderungen, Hinweisen auf Zahlungsschwierigkeiten oder offenen Beschwerden gehen immer an eine Sachbearbeiterin bzw. einen Sachbearbeiter.

Datenaufbereitung

Welche Daten: Zählerstände mit Ablesetyp (Kunde, Versorger, geschätzt), Jahresrechnungen, Preisblätter nach Datum, Vertrags- und Kundenstammdaten, Zahlungshistorie, Beschwerden und Anpassungswünsche, lokale Temperaturreihen vom Deutschen Wetterdienst (DWD) oder einem kommerziellen Anbieter.

Wo sie liegen: im Abrechnungs-/CIS-System des Versorgers (typischerweise SAP IS-U / S/4HANA Utilities, Wilken ENER:GY, Schleupen, andere regionale Systeme), im Messdatenmanagementsystem, im CRM sowie in E-Mails oder im Kundenportal für vom Kunden gemeldete Zählerstände.

Typische Lücken: viele geschätzte Ablesungen, fehlende Einzugsablesungen, zerrissene Historien nach Lieferanten- oder Zählerwechseln, als PDF vorliegende Preisdaten, keine Kennzeichnung für Wärmepumpe oder PV und ein Kundenportal, das keine Zählerstände erfasst.

Aufbereitungsschritte: 1. Drei bis fünf Jahre Ablesungen, Rechnungen und Preishistorie je Vertrag exportieren (siehe PREP-005). 2. Echte und geschätzte Ablesungen kennzeichnen sowie Zählertausch und Umzüge behandeln. 3. Eine Preisänderungstabelle nach Datum und Bestandteil sowie eine Wettertabelle nach Postleitzahlregion aufbauen. 4. Die Geschäftsregeln für Abschlagsänderungen (Schwellenwerte, Rundung, maximaler Sprung) festlegen und aufschreiben (PREP-016). 5. Ein Testset aus den Rechnungen des Vorjahres mit bekanntem tatsächlichem Verbrauch für den Rückvergleich aufbauen (PREP-018). 6. Den Zugriff auf Kundenverbrauchsdaten beschränken (PREP-023).

Werkzeuge: der Berichtsexport des Abrechnungssystems, Python (pandas, scikit-learn, LightGBM), eine Tabellenkalkulation.

Grober Aufwandsanteil: etwa 35 Prozent des Projekts, überwiegend Bereinigung von Ablese- und Preisdaten. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (kleines Stadtwerk, Energielieferant) – Weg B: ein kleiner Data-Science-Dienst auf Basis eines Abrechnungsexports plus ein gehostetes LLM für die Briefe. Nur wenige Anbieter verkaufen dies als eigenständiges Produkt.
• Großunternehmen (größere Versorger) – Weg B: gleiches Muster, in das CIS integriert, mit Prozessautomatisierung und Freigaberegeln; oft vom CIS-Anbieter oder einem IT-Dienstleister der Versorgungswirtschaft geliefert.
• Entwickler – Weg C: Open-Source-Prognosestack und ein kleines selbst betriebenes LLM, für Produktentwickler, die mehrere Versorger bedienen.

Weg A — Kaufen

• Anbieter von Abrechnungs- und CIS-Systemen sowie IT-Dienstleister der Versorgungswirtschaft (SAP for Utilities, Wilken, Schleupen und regionale IT-Tochterunternehmen) bieten zunehmend Prognose- oder “intelligente Abschlags”-Module an; prüfen Sie, was echte Prognose ist und was nur eine Regel auf dem Vorjahresverbrauch.
• Kundenportal- und Energiedatenprodukte (Verbrauchsanzeigen, Lastprofilanalysen) können Teile abdecken.
• A wählen, wenn: Ihr CIS-Anbieter das Modul bereits ausliefert und der Preis akzeptabel ist. Erwarten Sie eingeschränkte Transparenz über das Modell.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen)

• Prognose: verwaltetes AutoML oder ein kleiner eigener Dienst (Gradient Boosting je Segment). Kein LLM nötig.
• Erklärung: eine in der EU gehostete LLM-API mit einer Vorlage und den berechneten Zahlen als Eingabe; die Ausgabe wird auf Zahlen und Tonalität geprüft.
• Integration: zunächst schreibgeschützter Export aus dem Abrechnungssystem; später eine Batch-Schnittstelle oder Prozess- automatisierung (n8n, Power Automate, SAP BTP) zum Zurückschreiben nach Freigabe.
• B wählen, wenn: Sie Kontrolle über Regeln und Erklärung wollen, ohne eine Plattform zu bauen.

Weg C — Selbst betreiben

• Stack: Python mit LightGBM / statsforecast, das offene R-Paket standardlastprofile oder eine eigene Implementierung der BDEW-Profile [3], Open-Meteo oder DWD-Open-Data für das Wetter, ein kleines offenes LLM (Klasse 7–8B) für Briefentwürfe.
• Hardware: HW1 genügt für die Prognose und für ein kleines LLM im Batch-Betrieb.
• C wählen, wenn: Kundendaten das eigene Rechenzentrum nicht verlassen dürfen, was bei kommunalen Versorgern üblich ist, oder wenn Sie mehrere Versorger als Produkt bedienen.

Weg D — Eigenes Training

Meist nicht nötig. Auf dem eigenen Bestand des Versorgers trainierte Modelle auf Kundenebene sind Standard-ML auf Tabellendaten und werden von Weg B/C abgedeckt; ein eigenes Deep-Learning-Modell lohnt sich nur bei sehr großen Kundenbeständen oder bei Smart-Meter-Daten in 15-Minuten-Auflösung.

Stand der Technik (2026)

• Prognose: Baumbasierte Modelle mit Wetter- und Haushaltsmerkmalen sind die robuste Basis; Zeitreihen-Foundation-Modelle helfen bei kurzen Historien. Smart-Meter-Daten (wo der Rollout die Kundschaft erreicht hat) verbessern individuelle Prognosen deutlich.
• Standardprofile entwickeln sich weiter: Die Stromprofile von 2025 berücksichtigen Haushalte mit PV und Batterie sowie Monatswerte [3] und spiegeln wider, dass das alte H0-Profil nicht mehr zu allen Kunden passt.
• Erklärung durch ein LLM funktioniert gut, wenn die Zahlen aus der Berechnung eingesetzt werden; freies Erzeugen von Zahlen ist ein bekannter Fehlermodus.
• Grenzen: Das Wetter im Restjahr ist unbekannt, daher ist das Band bei Gas im Winter breit; Umzüge, eine neue Wärmepumpe oder ein Elektroauto zerstören die Historie; Preisschocks sind aus Verbrauchsdaten nicht vorhersagbar. Nur wenige Versorger haben dokumentierte Produktivergebnisse für individuelle KI-basierte Abschlagsprognosen; betrachten Sie dies als Early Adopter, nicht als Mainstream.
• Nicht gelöst: das automatische, unbeaufsichtigte Zurückschreiben ins Abrechnungssystem und Fairness-Tests über Kundengruppen hinweg sind weiterhin meist Handarbeit.

Gemeinsame Bausteine & Kombinationen

• Größter Hebel innerhalb eines Stadtwerks (was gemeinsam angegangen werden sollte): dieselbe Verbrauchsprognose, derselbe Wetterfeed und dieselbe bereinigte Zählerhistorie speisen mehrere Anwendungsfälle zugleich. Bauen Sie die Datengrundlage einmal auf:
• PRED-007 (Last- und Erzeugungsprognose) aggregiert dieselben Prognosen auf Kundenebene für Beschaffung und Ausgleichsenergie, sodass Abschlagsprognosen und Portfolioprognosen ein Modell wiederverwenden.
• PRED-031 (Smart-Meter-Disaggregation und personalisierte Spartipps) nutzt dieselben Zählerdaten und liefert den Teil “So senken Sie Ihre Rechnung” der Erklärung.
• PRED-003 (Kundenabwanderung) und PRED-021 (Zahlungsverhalten und Forderungsmanagement) nutzen dieselbe Kundentabelle; eine Abschlagsänderung ist sowohl ein Abwanderungsauslöser als auch ein Mahnrisiko, prüfen Sie beides daher zusammen.
• PRED-016 (Liquiditätsprognose) profitiert unmittelbar von genaueren Abschlagseingängen.
• CONV-001 (Kunden-Chatbot) beantwortet “Warum ist mein Abschlag gestiegen” mit derselben Erklärung und lässt Kunden Zählerstände eingeben; LANG-012 leitet die zugehörigen E-Mails weiter.
• AGENT-040 (Agent für Marktkommunikation und Clearing) nutzt denselben Zugriff auf Abrechnungs- und Stammdaten und dieselbe CIS-Integrationsarbeit.
• Gleicher Stack: tabular-ml + time-series + llm-general; eine kleine VM bedient alles Genannte.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, wenn der CIS-Anbieter es anbietet; die Lizenzkosten hängen vom Vertrag ab.
• Weg B: 2–4 Monate für Export, Rückvergleich, Regeln und Briefvorlagen; das Zurückschreiben erhöht den Integrations- aufwand. Die laufenden Kosten sind gering (Hosting und LLM-Tokens für Batch-Briefe).
• Weg C: ähnlicher Aufwand plus moderater Betriebsaufwand.
• Kennzahlen: mittlerer absoluter Fehler der Prognose gegenüber der Jahresrechnung, Anteil der Kunden mit einer Nachzahlung oder Erstattung über einem Schwellenwert, Zahl der Kundenanrufe und Beschwerden zu Abschlägen, manuelle Stunden für Anpassungen, Anteil der ohne Änderung übernommenen Vorschläge, Abweichung beim Cashflow.

Menschen & Veränderung

Früh einbinden: die Leitung von Kundenservice / Abrechnung als Prozessverantwortliche, die IT für die CIS-Schnittstelle, die Datenverantwortlichen für Ablese- und Preisdaten sowie die/den Datenschutzbeauftragte(n). Die Geschäftsführung legt die Fairnessregeln fest (zum Beispiel einen maximalen monatlichen Sprung und eine Härtefallregelung). Die Mitarbeitenden im Kundenservice müssen den Vorschlag sehen können und ihm vertrauen.

Betriebsrat: abhängig vom Einzelfall. Die Prognose betrifft Kunden, nicht Beschäftigte, aber der Workflow protokolliert, wer Vorschläge annimmt oder ändert, und könnte zur Leistungsmessung von Sachbearbeitenden genutzt werden, was §87 Abs. 1 Nr. 6 BetrVG auslösen kann; §90 BetrVG verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Kommunale Versorger in öffentlicher Hand beteiligen den Personalrat. Eine kurze Vereinbarung, die individuelle Leistungsbewertung ausschließt, regelt es meist (GUIDE-004).

KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur KI-Kompetenz; geben Sie Sachbearbeitenden eine kurze Schulung zu Unsicherheitsband, Gründen für eine Abweichung und dazu, wann sie übersteuern sollten (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einem Tarif und einer Region, lassen Sie den Vorschlag einen Abrechnungszyklus lang parallel zum bestehenden Prozess laufen, vergleichen Sie mit den tatsächlichen Rechnungen und benennen Sie eine Ansprechperson als Fürsprecher (GUIDE-008, GUIDE-009).

Typische Bedenken: Angst, dass die Automatisierung Abschläge zur Verbesserung der Liquidität erhöht (Schutz: Regel, dass der Betrag der Prognose und den gesetzlichen Kriterien folgt, mit Prüfprotokoll), Angst vor Fehlern (Grenzen für Änderungen, menschliche Prüfung), Vertrauen der Kundschaft (klare, ehrliche Erklärung und eine einfache Möglichkeit, einen Zählerstand einzugeben).

Menschen behalten die Kontrolle: Kundinnen und Kunden können jederzeit einen Zählerstand melden oder glaubhaft einen niedrigeren Verbrauch darlegen [1]; eine Sachbearbeiterin bzw. ein Sachbearbeiter entscheidet alle Ausnahmen.

Risiken, Regulierung & Compliance

• Energierecht: §41b Abs. 3 EnWG zur Bemessung des Abschlags, Anpassung bei glaubhaft niedrigerem Verbrauch und Fälligkeit nicht vor Lieferbeginn [1]; Behandlung von Erstattungen nach den Vorgaben der Bundesnetzagentur [2]; Preisänderungsmitteilungen müssen die Transparenzregeln in §41 EnWG einhalten; in der Grundversorgung gelten StromGVV / GasGVV. Gesetzestexte und Rechtsprechung ändern sich; lassen Sie dies rechtlich prüfen.
• KI-Verordnung (AI Act): minimales Risiko. Das System entscheidet nicht über den Zugang zu wesentlichen Diensten oder über Kredit; es legt innerhalb einer gesetzlichen Regel eine Ratenzahlung fest. Machen Sie daraus keine Bonitäts- oder Sperrentscheidung, denn das würde es in Richtung Anhang III rücken. Die Pflicht zur KI-Kompetenz (Art. 4) gilt.
• DSGVO: Verbrauchsdaten sind personenbezogene Daten und können Gewohnheiten offenbaren (Anwesenheit, Arbeitszeiten); Rechtsgrundlage ist die Vertragserfüllung (Art. 6 Abs. 1 lit. b); eine DSFA ist ratsam, wenn hochauflösende Smart-Meter-Daten verwendet werden; Auftragsverarbeitungsvertrag für Cloud- und LLM-Anbieter; Datenminimierung (Tages- statt 15-Minuten-Daten, wo es genügt).
• Fairness und Transparenz: Vermeiden Sie Merkmale, die als Stellvertreter für geschützte Merkmale dienen; die Kundschaft muss eine Änderung verstehen und anfechten können.
• Gegenmaßnahmen: Grenzen für die Sprunghöhe, menschliche Freigabe bei großen Änderungen, Prüfprotokoll, Rückvergleiche je Segment, Überwachung des Prognosefehlers, Zahlen stets aus der Berechnung.

Erste Schritte

1. Ausgangslage messen: Wie viele Abschlagsänderungen pro Monat, aufgewendete Stunden, Anteil der Jahresrechnungen mit großen Nachzahlungen oder Erstattungen, zugehörige Beschwerden.
2. Drei Jahre Ablesungen, Rechnungen und Preise für einen Tarif exportieren und bereinigen.
3. Einen einfachen Vergleichswert (Vorjahresverbrauch) gegen eine Gradient-Boosting-Prognose mit Temperatur- und Preismerkmalen anhand der Jahresrechnungen des Vorjahres testen.
4. Die Abschlagsregeln und eine Briefvorlage festlegen; einen LLM den Text aus den berechneten Zahlen entwerfen lassen.
5. Einen Abrechnungszyklus lang parallel zum bestehenden Prozess pilotieren, dann über das Zurückschreiben entscheiden.

Quellen

1. rewis.io - § 41b EnWG, Voraus- und Abschlagszahlungen (Abs. 3) - https://rewis.io/gesetze/enwg/p/41b-enwg/
2. Bundesnetzagentur - Abschläge (Anpassung, Guthaben, Beschwerde) - https://www.bundesnetzagentur.de/DE/Vportal/Energie/PreiseAbschlaege/Abschlaege-table.html
3. standardlastprofile - BDEW standard load profiles (H0, H25, P25, S25) and gas SigLinDe method (R package) - https://github.com/flrd/standardlastprofile
4. stromauskunft.de - How the Abschläge on the electricity bill are computed and when they can change - https://www.stromauskunft.de/blog/verbraucher/stromrechnung-abschlaege-muessen-konstant-bleiben/