Prognose von Nachfrage und Erzeugung unter Unsicherheit

# Prognose von Nachfrage und Erzeugung unter Unsicherheit

Es ist 14 Uhr an einem Sommernachmittag. Eine Netzbetreiberin sieht auf ihrem Dashboard, wie die Solarleistung innerhalb von zwölf Minuten um ein Drittel einbricht, weil eine Wolkenbank über eine Region mit sehr vielen Dachanlagen zieht. Die Klimaanlagen laufen gerade erst hoch. Schätzt sie falsch ein, wie schnell sich die Solarerzeugung erholt, fährt sie entweder ein teures Gasspitzenlastkraftwerk hoch, das sie nicht gebraucht hätte, oder sie muss hektisch Strom am Spotmarkt zu einem schmerzhaften Preis einkaufen.

Das ist der Alltag von Prognosen in Stromsystemen: Angebot und Nachfrage Minute für Minute in Einklang bringen, wenn beides unsicher ist.

Warum Prognosen das zentrale Problem sind

Strom ist ein ungewöhnliches Gut. ErErThe 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 → muss nahezu im selben Moment erzeugt und verbraucht werden. In den meisten Netzen gibt es kaum günstige Speicher in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab. Betreiber prognostizieren daher permanent zwei Dinge:

• Last: wie viel Strom die Kunden beziehen werden (Nachfrage).
• Erzeugung: wie viel Strom Kraftwerke und Erneuerbare produzieren werden (Angebot).

Früher war die Last der schwierige Teil und die Erzeugung der einfache. Ein Kohle- oder Gaskraftwerk produziert, was man ihm vorgibt. Mit dem Ausbau von Wind und Solar wurde jedoch die Erzeugung selbst unsicher, getrieben vom Wetter statt von einem Stellrad. Das ist Intermittenz: die Erzeugung der Erneuerbaren schwankt mit Wolken, Windböen und Tageslicht.

Zwei verwandte Begriffe, die Sie hören werden:

• Dispatch: die Entscheidung des Betreibers, welche Kraftwerke in welchem Umfang laufen.
• Reserve: zusätzliche Erzeugung, die bereitgehalten wird, falls Prognosen daneben liegen.

Bessere Prognosen bedeuten weniger verschwendete Reserve, weniger Notkäufe und niedrigere Kosten für die Kunden.

Von Punktprognosen zu probabilistischen Prognosen

Klassische Prognosen lieferten eine einzelne Zahl: „Morgen um 15 Uhr liegt die Last bei 42.000 Megawatt.“ Das ist eine Punktprognose. Für Risikoentscheidungen ist sie unbrauchbar, weil sie verbirgt, wie falsch sie sein 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 →önnte.

Die moderne Praxis nutzt probabilistische Prognosen: statt einer Zahl erhalten Sie eine Verteilung. Zum Beispiel: „Mit 90 Prozent Wahrscheinlichkeit liegt die Last zwischen 40.000 und 44.000 MW.“

Warum das zählt: Eine Betreiberin disponiert nicht gegen den Mittelwert. Sie disponiert gegen die Ränder. Wenn ein Defizit von 2.000 MW einen Blackout riskiert, interessiert sie der schlechteste plausible Fall, nicht der Erwartungswert. Probabilistische Prognosen erlauben es, die Reserve auf ein gewähltes Konfidenzniveau zu dimensionieren.

Was machine learning tatsächlich zusammenführt

Machine-Learning-(ML-)Modelle spielen hier ihre Stärke aus, weil das Signal aus vielen unordentlichen, sich überlappenden Datenquellen kommt. Ein produktives Prognosesystem verarbeitet typischerweise:

Wetterdaten. Die Temperatur treibt 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 →ühl- und Heizlast. Bewölkung und Einstrahlung (die Intensität des Sonnenlichts auf einer Fläche) treiben Solar. Die Windgeschwindigkeit in Nabenhöhe treibt Windparks. Prognostiker greifen auf numerische Wettervorhersagemodelle zurück, etwa die von NOAA und anderen nationalen Diensten veröffentlichten, häufig als Ensembles (viele leicht unterschiedliche Wetterszenarien).

Historische Lastkurven. Die Nachfrage folgt starken Tages- und Wochenrhythmen. Der Montagmorgen sieht aus wie der letzte Montagmorgen. Modelle lernen diese Muster.

Kalender- und Verhaltensmerkmale. Feiertage, Schulferien und sogar große Sportereignisse verschieben die Nachfrage. Ein heißererThe 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 → Tag an einem Feiertag verhält sich anders als ein heißererThe 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 → Arbeitstag.

Echtzeit-Telemetrie. Live-Zählerdaten, Messwerte auf Abgangsebene und die aktuelle Erzeugung der Erneuerbaren erlauben es dem Modell, sich zu korrigieren, während sich die Lage entwickelt.

Aufgabe des ML-Modells ist es, all das auf eine Prognose abzubilden, und entscheidend auf ein Intervall darum herum.

Gängige Modelltypen

• Gradient-boosted trees (etwa XGBoost oder LightGBM) sind die Arbeitspferde der Lastprognose. Sie verarbeiten tabellarische Features gut und trainieren schnell.
• Neuronale Netze, besonders Sequenzmodelle, erfassen, wie die heutigen Bedingungen von der jüngeren Vergangenheit abhängen. Temporale Architekturen sind für Horizonte von mehreren Stunden verbreitet.
• Quantilsregression ist eine darauf aufgesetzte Technik: statt eines Werts wird das Modell darauf trainiert, bestimmte Perzentile vorherzusagen (das 10., 50., 90. und so weiter). Das liefert direkt das probabilistische Intervall, das Betreiber brauchen.

So sieht das Quantilstraining in einer gängigen Library konzeptionell aus:

import lightgbm as lgb

# Train separate models for each quantile you care about
quantiles = [0.1, 0.5, 0.9]
models = {}

for q in quantiles:
    models[q] = lgb.LGBMRegressor(
        objective="quantile",   # optimize for a percentile, not the mean
        alpha=q                  # which percentile (e.g., 0.9 = 90th)
    )
    models[q].fit(X_train, y_train)

# Prediction gives a low / median / high band, not a single number

Entscheidend ist nicht der Code. Entscheidend ist, dass das Modell explizit aufgefordert wird, Unsicherheit zu begrenzen, und genau das erfordern Dispatch-Entscheidungen.

Die Wolkenbank in Echtzeit beobachten

Zurück zu unserer Betreiberin. Ein modernes Solar-Nowcasting-System (Kurzfristprognose von Minuten bis wenige Stunden im Voraus) wartet nicht auf das nächste Wetterbulletin. Es verbindet Satelliten-Wolkenbilder, Himmelskameras an Solarparks und Live-Messwerte der Erzeugung, um die Rampe vorherzusagen, bevor sie voll einsetzt.

Warnt das Modell um 13:45 Uhr, dass eine Wolkenfront die regionale Solarerzeugung innerhalb von fünfzehn Minuten um etwa ein Drittel senkt, kann die Betreiberin flexible Ressourcen vorbereiten: Batterien laden oder entladen, eine schnellstartende Gasturbine anfordern oder Demand Response abrufen (Großkunden dafür bezahlen, ihren Verbrauch kurz zu senken). Die Prognose macht aus Hektik einen Plan.

🎬 [VIDEO: "How Grid Operators Balance Supply and Demand" - youtube.com - eine klare Einführung in die Echtzeit-Netzbalance und warum Prognosen die Dispatch-Entscheidungen bestimmen]

Wie Versorger messen, ob eine Prognose gut ist

Was Sie nicht messen, 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 →önnen Sie nicht steuern. Zwei Metriken dominieren:

• MAPE (Mean Absolute Percentage Error): der durchschnittliche prozentuale Fehler bei Lastprognosen. Ein Day-ahead-Last-MAPE im unteren einstelligen Bereich ist bei erfahrenen Versorgern üblich; intraday kann es genauer sein. Betrachten Sie jede konkrete Zahl als Schätzung, die je nach Region variiert.
• Pinball loss: die Standardbewertungsregel für probabilistische Prognosen. Sie belohnt ein Modell dafür, die richtige Menge Wahrscheinlichkeit an die richtige Stelle zu legen, und bestraft sowohl Überkonfidenz als auch Unschärfe.

Ein subtiles, aber kritisches Konzept ist die Kalibrierung. Wenn Ihr Modell ein „90-Prozent-Konfidenzintervall“ angibt, sollten die tatsächlichen Ergebnisse etwa in 90 Prozent der Fälle innerhalb dieses Intervalls liegen. Ein Modell kann im Mittel treffsicher und dennoch schlecht kalibriert sein, indem es die Unsicherheit systematisch unterschätzt. Das ist gefährlich, weil Betreiber dem Intervall vertrauen. Versorger validieren die Kalibrierung laufend gegen die tatsächlichen Ergebnisse.

Wo Prognosen in das Geschäft einfließen

Prognosen sind keine akademische Übung. Sie wirken direkt auf Geld und Versorgungssicherheit:

• Day-ahead-Märkte. In vielen Regionen bieten Versorger und Erzeuger einen Tag im Voraus in einen Großhandelsmarkt. Eine bessere Last- und Erneuerbaren-Prognose bedeutet klügere Gebote und weniger teure Korrekturen im Echtzeitmarkt.
• Unit commitment. Die Entscheidung, welche großen, langsam anfahrenden Kraftwerke Stunden im Voraus vorgewärmt werden. Ein Kraftwerk vorzuwärmen, das Sie nicht brauchen, ist teuer; eines zu brauchen, das Sie nicht vorgewärmt haben, ist schlimmer.
• Abregelung von Erneuerbaren. Zeigen Prognosen mehr Wind oder Solar, als das Netz aufnehmen kann, regeln Betreiber die Erzeugung ab (verwerfen sie bewusst). Gute Prognosen reduzieren überraschende Abregelung.
• Speicherfahrpläne. Batterien verdienen Geld, indem sie laden, wenn Strom günstig und reichlich vorhanden ist, und entladen, wenn ererThe 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 → knapp ist. Diese Arbitrage hängt vollständig davon ab, Preis- und Angebotskurve zu prognostizieren.

Die schwierigen Teile, für die niemand wirbt

Distribution shift. Modelle lernen aus der Vergangenheit. Wenn sich das Verhalten schnell ändert (rasche Verbreitung von Elektrofahrzeugen, ein neues Rechenzentrum am Netz, eine Hitzewelle außerhalb jedes historischen Bereichs), ist die Vergangenheit ein schlechter Ratgeber. Teams überwachen Drift und trainieren häufig neu.

Seltene Extremereignisse. Die Prognosen, die am meisten zählen, während eines schweren Sturms oder einer Netznotlage, sind die mit den wenigsten Trainingsdaten. Ein Modell, das an normalen Tagen exzellent ist, kann genau dann versagen, wenn am meisten auf dem Spiel steht. Deshalb bleiben menschliche Betreiber und physikbasierte Backup-Modelle im Loop.

Solar hinter dem Zähler. Dachanlagen senken die Last, die ein Versorger sieht, ohne dass ererThe 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 → sie direkt messen kann. Aus Sicht des Netzes sieht ein sonniger Nachmittag aus wie eine geheimnisvoll sinkende Nachfrage. Diese verborgene Erzeugung zu schätzen, ist eine eigene, heikle Prognoseaufgabe.

Korrelierte Fehler. Ein Wetterfehler kann Last, Solar und Wind gleichzeitig und in dieselbe Richtung verzerren. Fehler, die sich aufaddieren, sind weit gefährlicher als unabhängige, und die Reserveplanung muss das berücksichtigen.

Eine realistische Sicht auf die Rolle von KI

KI beseitigt die Unsicherheit nicht. Sie quantifiziert sie besser und reagiert schneller. Die erfolgreichen Setups verbinden ML-Prognosen mit menschlichem Urteil und physikalischen Modellen, statt Betreiber zu ersetzen. Regulierer in vielen Märkten verlangen zudem Erklärbarkeit und Auditierbarkeit, daher stehen reine Blackbox-Modelle oft neben interpretierbaren Baselines.

Für eine tiefere, frei verfügbare Darstellung von Prognosemethoden und deren Bewertung ist das Online-Lehrbuch Forecasting: Principles and Practice ein weithin anerkannter Ausgangspunkt.

Wichtigste Erkenntnisse

• Strom muss in Echtzeit ausgeglichen werden, daher ist die Prognose von Last und Erzeugung das zentrale operative Problem, erschwert durch die wettergetriebene Intermittenz der Erneuerbaren.
• Betreiber brauchen probabilistische Prognosen (ein Intervall mit Konfidenzniveaus), keine Einzelwertvorhersagen, weil es bei Dispatch-Entscheidungen um das Management von Risiken in den Rändern geht.
• ML-Modelle verbinden Wetter, historische Lastkurven, Kalendereffekte und Live-Telemetrie; Techniken wie Quantilsregression liefern direkt die Unsicherheitsbänder, gegen die Versorger disponieren.
• Kalibrierung zählt so viel wie Treffsicherheit: ein angegebenes 90-Prozent-Intervall muss die Ergebnisse tatsächlich in 90 Prozent der Fälle enthalten, sonst dimensionieren Betreiber ihre Reserven falsch.
• Prognosen sind bei seltenen Extremereignissen und schnellen Verhaltensänderungen am anfälligsten, und genau deshalb bleiben menschliche Betreiber und physikbasierte Modelle unverzichtbar.