Load Forecasting: Nachfrage aus Wetter, Verhalten und DERs vorhersagen

# Load Forecasting: Nachfrage aus Wetter, Verhalten und DERs vorhersagen

Für nächsten Dienstag ist eine Hitzewelle in Ihrem Versorgungsgebiet angekündigt. Ihr Day-ahead-Load-Forecast sagt eine Spitzenlast von 8.200 Megawatt (MW) um 17 Uhr. Sie beschaffen Strom entsprechend. Doch Sie lagen 3 Prozent daneben. Diese Lücke von 250 MW hat Ihr Versorgungsunternehmen echtes Geld gekostet, und zwar im Echtzeitmarkt, wo Preise während einer Hitzewelle auf das Zehnfache des Day-ahead-Preises steigen 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.

Genau darum geht es beim Load Forecasting: die Zahl richtig treffen oder für den Fehler bezahlen.

Warum der Forecast die Grundlage ist

Ein Load Forecast ist eine Vorhersage, wie viel Strom Kunden über einen 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 →ünftigen Zeitraum verbrauchen. Versorger und Netzbetreiber nutzen ihn, um zu entscheiden, wie viel Erzeugung eingeplant wird, wie viel Strom im Voraus gekauft wird und ob das Netz die Nachfrage tragen kann.

Der zentrale Begriff ist Day-ahead-Beschaffung: Sie kaufen den größten Teil Ihres erwarteten Strombedarfs einen Tag im Voraus am Großhandelsmarkt, wo die Preise ruhiger und besser vorhersehbar sind. Was Sie dort nicht beschaffen, müssen Sie im Echtzeitmarkt (auch Balancing-Markt) kaufen, der in Fünf- oder Fünfzehn-Minuten-Intervallen abgerechnet wird und weit volatiler ist.

Prognostizieren Sie gut, kaufen Sie günstigen Strom im Voraus. Prognostizieren Sie schlecht, hetzen Sie in Echtzeit zu dem Preis hinterher, den der Markt gerade verlangt.

Was Fehler kosten

Prognosefehler werden üblicherweise als MAPE (Mean Absolute Percentage Error) gemessen: die durchschnittliche prozentuale Abweichung zwischen vorhergesagter und tatsächlicher Last. Der Day-ahead-MAPE von Versorgern liegt in einer stabilen Region typischerweise zwischen 1 und 3 Prozent.

Das klingt winzig. Ist es nicht.

Bei einem System von 8.000 MW sind 2 Prozent Fehler 160 MW, etwa die Leistung eines mittelgroßen Kraftwerks. Beschaffen Sie zu viel, verkaufen Sie den Überschuss mit Verlust zurück. Beschaffen Sie zu wenig, kaufen Sie die Unterdeckung mit Aufschlag. Beide Richtungen kosten Geld, aber die Unterdeckung während einer Knappheitssituation ist die teure.

Die drei Kräfte hinter der modernen Last

Klassisches Forecasting drehte sich vor allem um Wetter und Kalender. Heute müssen Sie drei unterschiedliche Kräfte modellieren.

1. Wetter, vor allem Temperatur

Die Temperatur ist weiterhin der stärkste einzelne Treiber. Der Zusammenhang ist nicht linear, sondern eine U-Form. Die Nachfrage ist bei etwa 18 °C (65 °F) am niedrigsten und steigt in beide Richtungen, sobald Heizen und 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 →ühlen einsetzen.

Die nützlichsten konstruierten Variablen sind hier Cooling Degree Days (CDD) und Heating Degree Days (HDD), die messen, wie weit die Temperatur über oder unter einer Komfort-Basislinie liegt. Ein Nachmittag mit 35 °C treibt die Klimaanlagenlast stark nach oben; ein 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 →älteeinbruch treibt die Elektroheizung.

Luftfeuchtigkeit, Bewölkung und Wind spielen ebenfalls eine Rolle. Feuchte 32 °C fühlen sich 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 → an, also laufen Klimaanlagen länger.

2. Verhalten und Kalender

Menschen sind Gewohnheitstiere. Die Last hat starke Tages- und Wochenzyklen: eine Morgenrampe, eine Abendspitze, geringe Nachfrage über Nacht und schwächere Wochenenden. Feiertage brechen das Muster (ein Feiertagsmontag sieht aus wie ein Sonntag).

Verhaltensänderungen wiegen schwerer als früher. Remote-Arbeit hat die steile Morgenrampe des Berufsverkehrs in vielen Regionen nach 2020 abgeflacht. Time-of-Use-Tarife, bei denen Strom in Spitzenzeiten mehr kostet, verschieben Waschmaschine und Geschirrspüler der Kunden in Off-Peak-Fenster.

3. Dezentrale Energieressourcen (DERs)

Das macht Forecasting 2026 wirklich schwierig. DERs sind kleine Energieressourcen am Kundenstandort: Aufdach-Solaranlagen, Heimspeicher und Ladepunkte für Elektrofahrzeuge (EV).

Das Problem: Der Versorger misst nur die Netzlast (net load), also den Strom, der über den Zähler des Kunden fließt. 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 → sieht nicht direkt, wie viel eine Aufdach-Solaranlage hinter diesem Zähler erzeugt.

Aufdach-Solar erzeugt die berühmte Duck Curve: eine Nachfrageform, die mittags einbricht, weil Solarstrom das System flutet, und dann am frühen Abend steil ansteigt, wenn die Sonne untergeht und alle nach Hause kommen. Der kalifornische Netzbetreiber hat den Begriff populär gemacht, die Form sehen Sie im CAISO Duck Curve Explainer.

EV-Laden fügt eine neue Abendspitze hinzu. Wenn Tausende Fahrer um 18 Uhr einstecken, stapelt sich das direkt auf die bestehende Abendspitze.

Einen Day-ahead-Forecast Schritt für Schritt aufbauen

Bauen wir die Logik für diesen Hitzewellen-Dienstag.

Schritt 1: Mit der Baseline starten. Ziehen Sie historische Lastdaten für ähnliche Tage: gleiche Jahreszeit, gleicher Wochentag, ähnliche Temperatur. Das ist Ihre Referenzform.

Schritt 2: Die Wetterprognose überlagern. Speisen Sie die stündliche Temperatur, Luftfeuchtigkeit und Bewölkung von morgen ein. Ihr Modell übersetzt CDD in erwartete 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. Eine Spitze von 35 °C drückt die Nachmittagskurve deutlich nach oben.

Schritt 3: Erwartete Solareinspeisung abziehen. Schätzen Sie, wie viel Ihre Aufdach-Solarflotte erzeugen wird. An einem klaren, heißen Tag ist die Mittagssolarleistung hoch, was die Netzlast drückt. Aber Wolken ändern alles, und der Fehler in der Solarprognose ist eine Hauptquelle des Gesamtfehlers.

Schritt 4: Erwartetes EV-Laden addieren. Legen Sie die abendliche Ladelast darüber, die jedes Jahr wächst.

Schritt 5: Die Rampen ergänzen. Der gefährliche Moment ist der Abend. Solar fällt mit Sonnenuntergang auf null, Klimaanlagen laufen noch, und EVs stecken ein. Die Netzlast kann in wenigen Stunden steil steigen. Netzbetreiber achten sehr genau auf diese Ramp Rate, weil Kraftwerke Zeit zum Anfahren brauchen.

Hier eine vereinfachte Skizze der Net-Load-Logik im Code:

# Simplified day-ahead net load estimate (per hour)
def net_load(base_demand, temp, solar_output, ev_charging):
    # Kühllast steigt, sobald die Temperatur den Komfortpunkt von 18C überschreitet
    cooling = max(0, temp - 18) * COOLING_SENSITIVITY

    gross_demand = base_demand + cooling + ev_charging
    net = gross_demand - solar_output   # Solar hinter dem Zähler
    return net

# Abendrampe = Differenz zwischen der Spitze um 18 Uhr und dem Solartal um 13 Uhr
evening_ramp = net_load_6pm - net_load_1pm

Die echten Modelle sind weit ausgefeilter (Gradient-Boosted Trees, neuronale Netze oder Wetter-Ensemble-Methoden), aber die Rechenlogik ist genau diese: Bruttonachfrage, minus Solar, plus EVs, Stunde für Stunde verfolgt.

Prognosefehler in Euro umrechnen

Jetzt verbinden wir den Forecast mit dem Geld.

Angenommen, Ihr Day-ahead-Forecast für die Spitze um 17 Uhr liegt bei 8.200 MW, und Sie beschaffen genau das. Die tatsächliche Last kommt bei 8.450 MW heraus. Sie sind 250 MW unterdeckt.

Diese 250 MW müssen Sie im Echtzeitmarkt kaufen. Während einer Hitzewelle 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 Echtzeitpreise ein Vielfaches des Day-ahead-Preises betragen. Lag Day-ahead bei rund 60 Dollar pro MWh und springt der Echtzeitpreis bei Knappheit auf 600 Dollar pro MWh, wird diese Unterdeckung schnell teuer. (Das sind illustrative Zahlen; tatsächliche Preise variieren stark je nach Region und Ereignis.)

Der umgekehrte Fall kostet Sie ebenfalls. Beschaffen Sie 250 MW zu viel, bleiben Sie darauf sitzen und verkaufen den Überschuss in einen Markt zurück, der ihn nicht braucht, oft mit Verlust.

Warum DER-Fehler am härtesten treffen

Der heikelste Fehler ist Solar hinter dem Zähler. Stellen Sie sich vor, Sie haben klaren Himmel und hohe Solarleistung angenommen und daher weniger Strom beschafft. Dann ziehen Wolken auf, Solar unterperformt, und die Netzlast springt unerwartet nach oben. Jetzt sind Sie in den Spitzenstunden unterdeckt und kaufen zu Knappheitspreisen.

Deshalb investieren Versorger stark in Solareinstrahlungsprognosen und satellitengestützte Wolkenverfolgung. Eine bessere Solarprognose senkt das Beschaffungsrisiko direkt.

Probabilistisches Forecasting

Die moderne Praxis bewegt sich von einer einzelnen Zahl zu einem probabilistischen Forecast: einer Spanne mit Konfidenzbändern. Statt "8.200 MW" sagt der Forecast "8.200 MW erwartet, mit 90 Prozent Wahrscheinlichkeit zwischen 7.900 und 8.600 MW".

Diese Spanne erlaubt einem Versorger klügere Wetten. Ist das obere Ende gefährlich und teuer, beschaffen Sie vielleicht etwas zusätzlich als Versicherung oder stellen flexible Demand Response bereit (große Kunden dafür bezahlen, dass sie ihren Verbrauch auf Abruf senken) als günstige Rückfalloption. Die U.S. Energy Information Administration veröffentlicht gut zugängliche Hintergründe dazu, wie Strombedarf und Prognosen funktionieren.

Key Takeaways

• Kleine Fehler, große Kosten. Eine Prognoseabweichung von 2 bis 3 Prozent in einem großen System entspricht der Leistung eines ganzen Kraftwerks, und Unterdeckung bei Knappheit wird zu Echtzeitpreisen abgerechnet, die ein Vielfaches des Day-ahead-Preises betragen 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.

• Drei Kräfte treiben die moderne Last: Temperatur (ein U-förmiger, nichtlinearer Zusammenhang, erfasst über Heating und Cooling Degree Days), Verhalten (Tages-, Wochen- und Feiertagszyklen) und DERs (Aufdach-Solar und EV-Laden).

• Solar hinter dem Zähler ist unsichtbar und volatil. Versorger messen die Netzlast, nicht die Solarerzeugung. Eine schlechte Wolkenprognose wird so unauffällig zu einer schlechten Lastprognose und einem teuren Beschaffungsfehler.

• Die Abendrampe ist die Gefahrenzone. Während Solar wegfällt und EVs einstecken, steigt die Netzlast steil, und Kraftwerke brauchen Vorlaufzeit zum Reagieren.

• Probabilistische Forecasts schlagen einzelne Zahlen. Eine Spanne mit Konfidenzbändern erlaubt es Versorgern, das Risiko zu bepreisen, Beschaffung als Versicherung zu kaufen und Demand Response vorzubereiten, statt auf eine Punktschätzung zu wetten.