Lastprognose für Netzbetreiber: Wetter-, Verhaltens- und DER-Signale in Pipelines zur Bedarfsprognose integrieren

Die Lastprognose von Versorgern befand sich jahrzehntelang in einem relativ stabilen Gleichgewicht: meteorologische Inputs, historische Verbrauchskurven und eine Handvoll großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Industriekunden, deren Bedarf die Betriebsplaner praktisch telefonisch abfragen konnten. Dieses Gleichgewicht brach zusammen, als dezentrale Energieressourcen (DERs) in großem Umfang auf der Verteilnetzseite des Zählers auftauchten. Ein Netzbetreiber mit einem Gebiet hoher Solardurchdringung, etwa Arizona Public Service oder Southern California Edison, steht heute vor einem grundlegend anderen Prognoseproblem. Die Netzlast, also die Restnachfrage, die das Netz nach Abzug der DER-Einspeisung decken muss, kann bei Bewölkungsereignissen innerhalb einer Stunde um hunderte Megawatt schwanken. Gleichzeitig wird die Lastkurve, die ISO-NE oder MISO aus aggregierter Haushaltsnachfrage sehen, immer stärker durch EV-Ladeprofile verzerrt, die sich von Woche zu Woche verschieben, weil sich das Fahrerverhalten verändert.

Die betriebliche Konsequenz ist unmittelbar. Eine falsch prognostizierte Netzlast führt zu Überbeschaffung in Day-ahead-Kapazitätsmärkten, was im nächsten Tarifverfahren als erstattungsfähige Kostenposition auftaucht, die die Regulierungsbehörde prüfen wird. Eine Unterprognose löst Echtzeit-Ausgleichsmaßnahmen aus, die teuer sind und im Extremfall die Compliance-Schwellen von NERC BAL-001 berühren. Die PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → richtig aufzusetzen ist keine optionale Rechenübung.

Die Prognose-Pipeline aufbauen: eine konkrete Reihenfolge

Schritt 1: Legen Sie die Architektur der Netzlast-Zerlegung fest, bevor Sie ein Modell anfassen

Bevor Sie einen Algorithmus auswählen, klären Sie, was Sie tatsächlich vorhersagen. Bruttolast und Netzlast sind verschiedene Zielgrößen und sollten getrennte Modelle haben, die keine Trainingslabels teilen. Die Verwechslung beider kommt überraschend häufig bei Versorgern vor, die ältere EMS-Prognosemodule (Energy Management System) übernommen haben, die vor der Relevanz von Aufdach-PV gebaut wurden.

Definieren Sie die Zerlegung: Bruttolast minus Erzeugung hinter dem Zähler (Solar, Speicherfahrweise) ergibt die Netzlast. Jede abgezogene Komponente braucht ihr eigenes Teilmodell für die Prognose. Das Betriebsteam von Pacific Gas and Electric hat das während der Verschärfung der Duck Curve 2022-2023 auf die harte Art gelernt: Ein Ein-Gleichungs-Modell, das Solar implizit im Fehlerterm mitführte, konnte mit dem schnellen PV-Zubau nicht umgehen, ohne bei jedem neuen Anschlussbündel neu trainiert zu werden.

Schritt 2: Schichten Sie Ihre Feature-Inputs nach Signalqualität

Beginnen Sie mit Daten der numerischen Wettervorhersage (NWP), nicht mit einfacher Temperatur. Die Feuchtkugeltemperatur beschreibt die KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ühllast in feuchten Versorgungsgebieten genauer als die Trockenkugeltemperatur. Prognosen zur Global Horizontal Irradiance (GHI) und Direct Normal Irradiance (DNI) aus dem HRRR-Modell der NOAA sind inzwischen mit 3-km-Auflösung und in 15-Minuten-Intervallen verfügbar, was für Dispatch-Entscheidungen im Subhourly-Bereich ausreichend granular ist.

Verhaltenssignale kommen an zweiter Stelle. AMI-Daten (Advanced Metering Infrastructure) in 15-Minuten-Intervallen erlauben es, Proxys für Anwesenheit zu erkennen, die Reaktion auf zeitvariable Tarife auf Kundenebene zu identifizieren und den Fingerabdruck von EV-Ladevorgängen zu erkennen, ohne dass Kunden etwas offenlegen müssen. Versorger, die unter FERC Order 2222 arbeiten und Aggregatoren in ihrem Gebiet haben, sollten deren Dispatch-Logs als Feature einbeziehen, nicht bloß als nachträglich angewandte Lastkorrektur.

DER-Telemetrie kommt an dritter Stelle. Bei DERs im Versorgungsmaßstab mit Netzanschlussverträgen sind SCADA-Messwerte zuverlässig. Bei Anlagen hinter dem Zähler, die in Virtual-Power-Plant-Programmen (VPP) angemeldet sind, etwa solchen, die AutoGrid oder Voltus im Auftrag von Versorgern betreiben, schwankt die Datenqualität, und Sie brauchen explizite Datenqualitäts-Flags in Ihrer Pipeline, bevor diese Signale ins Modelltraining gehen.

Schritt 3: Wählen Sie die Modellarchitektur nach Prognosehorizont, nicht nach Hype

Kurzfristprognose (eine Stunde bis 48 Stunden): Gradient-Boosted-Tree-Modelle (XGBoost, LightGBM) mit NWP-Features und verzögerten Lastbeobachtungen schlagen in diesem Horizont bei gut strukturierten Tabellendaten durchweg neuronale Architekturen, und sie liefern Feature Importances, die in einem Tarifverfahren prüfbar sind. Regulierer der bundesstaatlichen PUCs verlangen von Versorgern immer häufiger eine Erklärung der Ursachen von Prognosefehlern, wenn sie Kosten der Kapazitätsbeschaffung genehmigen.

Mittelfristprognose (2 bis 15 Tage): Probabilistische Prognosen mit Quantilsregression oder Wrappern für Conformal Prediction sind hier die zusätzliche Komplexität wert. Die Netzplanungsgruppe von Duke Energy ist für diesen Horizont auf Intervallprognosen umgestiegen, genau weil die NERC-Zuverlässigkeitsstandards eine dokumentierte Quantifizierung der Unsicherheit in Einreichungen zur Resource Adequacy verlangen.

Langfristprognose (saisonal bis mehrjährig): Ökonometrische Modelle mit EV-Adoptionskurven, Elektrifizierungsraten im Gebäudebereich aus den RPS-Erfüllungspfaden der Bundesstaaten und Indizes der wirtschaftlichen Aktivität. Hier kommen die Dekarbonisierungsvorgaben wieder ins Spiel: Ein Bundesstaat mit einem ambitionierten Standard zur Gebäudeelektrifizierung wird Lastwachstumskurven sehen, die scharf von der historischen Extrapolation abweichen.

Schritt 4: Produktivsetzung mit Feedback-Schleifen, nicht mit Batch-Neuschrieben

Betreiben Sie die Pipeline mit automatisierten Retraining-Triggern, die an Schwellenwerte für den Prognosefehler gekoppelt sind, nicht an Kalendertermine. Überschreitet der Day-ahead-MAPE an fünf aufeinanderfolgenden Tagen 3,5 %, starten Sie einen Modellreview-Zyklus. Nutzen Sie Tooling für Datentransformationen mit versionierter Logik, damit Sie bei einer Änderung des AMI-Datenschemas nach einem Upgrade beim Zählerhersteller (das passiert bei fast jedem großen IOU irgendwann) genau nachvollziehen können, welche Transformation welches Feature zerstört hat.

Fallstricke, die spät auftreten und mehr kosten

Von Aggregatoren gemeldete DER-Kapazität als stabil zu behandeln. VPP-Anmeldezahlen ändern sich monatlich. Ein Aggregator von Batteriespeichern, der im Januar 80 MW verfügbare Kapazität meldet, hat im August nach Vertragsenden und Anlagenausfällen möglicherweise 55 MW. Bauen Sie Ihre Pipeline so, dass sie aktuelle Anmeldedateien einliest, nicht statische Anlagenregister.

Temperatursensitivitätskurven über Kundengruppen hinweg gleichzusetzen. Industrielast hat eine Temperaturelastizität von nahezu null. Haushaltslast in heißem Klima kann in den sommerlichen Spitzenstunden einen Koeffizienten über 2 MW pro Grad Fahrenheit haben. Ein einziger Sensitivitätskoeffizient, der auf die Gesamtlast angewendet wird, führt systematisch zu Fehlprognosen genau in den Situationen, die für die Netzzuverlässigkeit am wichtigsten sind.

Regulatorische Datenpflichten beim Design von Feature Stores zu ignorieren. Unter mehreren bundesstaatlichen Datenschutzregimen und der entstehenden FERC-Leitlinie zum Zugang zu Kundendaten unterliegen AMI-Daten auf Einzelzählerebene Nutzungsbeschränkungen. Bauen Sie die Anonymisierungs- und Aggregationsschicht bereits bei der Ingestion ein, nicht nachträglich, sonst bauen Sie die Pipeline neu, wenn das Compliance-Team das Thema sechs Monate vor einer Tarifeinreichung aufwirft.

AMI-Datenlücken bei Extremwetter zu übersehen. Während Winter Storm Elliott im Dezember 2022 meldeten mehrere Versorger AMI-Kommunikationsausfälle von über 15 % der Endpunkte in den schwersten Stunden. Eine Pipeline ohne Fallback-Strategie zur Imputation liefert die schlechtesten Prognosen genau dann, wenn Betreiber die besten brauchen.

Quick Wins für diese Woche

• Ziehen Sie den Day-ahead-Prognosefehler der letzten 90 Tage nach Tagesstunde und Wetterdezil. Wenn der Fehler speziell in den Nachmittagsstunden an Tagen mit hoher Einstrahlung über 4 % springt, liegt das Problem in Ihrem DER-Abzugsmodell, nicht im Modell für die Bruttolast.
• Fordern Sie aktuelle Anmeldedateien von allen VPP-Aggregatoren in Ihrem Gebiet an. Vergleichen Sie sie mit dem Anlagenregister, das Ihr Prognoseteam tatsächlich verwendet.
• Prüfen Sie, ob Ihr NWP-Feed neben der Trockenkugeltemperatur auch GHI liefert. Falls nicht, sprechen Sie Ihren Wetterdatenanbieter an (DTN und The Weather Company bieten beide energiespezifische Feeds) und fordern Sie einen Test mit Einstrahlungsdaten an.
• Erfassen Sie, welche AMI-Transformationen in versioniertem Code dokumentiert sind und welche in der Blackbox-Konfiguration eines Legacy-EMS-Anbieters stecken. Letzteres ist in jedem Regulierungsverfahren ein Risiko.

Eine gut konstruierte Pipeline für die Lastprognose garantiert keine genauen Prognosen, aber sie macht den Fehler erklärbar, und Erklärbarkeit ist das, was eine Prüfung durch die Regulierungsbehörde übersteht. Bauen Sie von Tag eins auf diese Eigenschaft hin.

Der komplette Kurs zu dieser Branche:Data in Energy & Utilities.