KI-basierte Last- und Einspeiseprognose: Pflichtdisziplin für Verteilnetzbetreiber
Dieser Artikel ordnet ein, welche Prognosen ein Verteilnetzbetreiber erstellen muss, warum KI und Wetterdaten zum Standardwerkzeug werden, wie Prognosefehler direkt Ausgleichsenergiekosten treiben und woran die Prognosegüte in der Niederspannung heute noch scheitert.
Last- und Einspeiseprognose ist im Verteilnetz von einer Planungshilfe zu einer regulatorischen Betriebspflicht geworden. Seit Redispatch 2.0 muss ein Verteilnetzbetreiber anlagenscharfe Erzeugungsprognosen, Verbrauchsprognosen und daraus eine Netzzustandsprognose mit rund 36 Stunden Vorlauf liefern, um Engpässe früh zu erkennen. KI-Modelle heben die Prognosegüte messbar: Fraunhofer verbesserte die Day-Ahead-Prognose des Verteilnetzbetreibers Albwerk um rund 40 Prozent im mittleren absoluten Fehler, probabilistische Modelle steigerten die Prognosegüte beim US-Netzbetreiber CAISO um rund 25 Prozent. Der Gewinn zeigt sich direkt in den Kosten, denn jeder Prognosefehler muss am Intraday-Markt ausgeglichen werden, wo Preise von rund 100 Euro pro MWh am Tag auf bis zu 1.000 Euro pro MWh in der Abendspitze springen. Das Kernproblem liegt nicht im Algorithmus, sondern in der Datenbasis: Im Niederspannungsnetz fehlen Messpunkte, die Beobachtbarkeit ist gering, und genau dort baut §14a EnWG seit 2025 Wärmepumpen und Wallboxen zu. Für Netzbetreiber und Direktvermarkter heißt das, zuerst Datenqualität und Netzabbildung zu lösen, dann Prognosemodelle darauf aufzusetzen und die Prognosegüte fortlaufend im Betrieb zu messen.
Warum Prognose zur Pflichtdisziplin geworden ist
Prognose ist im Verteilnetz keine Planungshilfe mehr, sondern eine regulatorische Betriebspflicht. Mit Redispatch 2.0 müssen Verteilnetzbetreiber seit Oktober 2021 anlagenscharfe Erzeugungsprognosen erstellen und Netzengpässe vorausschauend erkennen. Der Zubau volatiler Erzeuger und steuerbarer Verbraucher macht diese Aufgabe jedes Jahr schwerer, während die Datenbasis nur langsam mitwächst.
Für dich als Netzbetreiber oder Direktvermarkter verschiebt sich damit der Anspruch. Es geht nicht mehr um eine grobe Tagesplanung, sondern um belastbare Vorhersagen je Netzabschnitt, die einer Prüfung standhalten. Genau das ist der Grund, warum KI und Wetterdaten hier vom Pilotprojekt zum Standardwerkzeug werden.
- Redispatch 2.0 verlangt Erzeugungs-, Verbrauchs- und Netzauslastungsprognosen mit rund 36 Stunden Vorlauf.
- Rund 800 Verteilnetzbetreiber sind betroffen, vom kleinen Stadtwerk bis zum großen Flächennetzbetreiber.
- §14a EnWG bringt seit 2025 Wärmepumpen und Wallboxen ins Niederspannungsnetz, deren Verhalten schwer vorhersehbar ist. Wie die Steuerung dieser Verbraucher funktioniert, zeigt der Beitrag zur Steuerbox nach §14a EnWG .
Was genau prognostiziert werden muss
Verteilnetzbetreiber brauchen drei ineinandergreifende Prognosetypen. Die Einspeiseprognose sagt die Erzeugung aus PV und Wind voraus, die Verbrauchsprognose die Last, und aus beiden ergibt sich die Netzzustandsprognose je Netzabschnitt. Erst die Kombination erlaubt es, Engpässe zu erkennen, bevor sie auftreten.
- Einspeiseprognose: anlagen- und parkscharfe Vorhersage aus netzknotenscharfen Wetterprognosen, für jede Erzeugungsanlage im Netzgebiet.
- Verbrauchsprognose: die Last je Netzabschnitt, zunehmend geprägt durch Elektromobilität und Wärmepumpen.
- Netzzustandsprognose: die Zusammenführung zu einer belastbaren Aussage über drohende Überlastungen. Werkzeuge wie GridSage vom ZSW verarbeiten dafür Wetter-, Anlagen- und Netzdaten in einem Schritt.
Warum KI und Wetterdaten zum Standard werden
KI-Modelle liefern bei volatiler Erzeugung messbar bessere Prognosen als klassische Verfahren. Sie kombinieren mehrere Wettermodelle, lernen aus historischen Abweichungen und verarbeiten netzknotenscharfe Daten in einer Genauigkeit, die manuell nicht erreichbar ist.
Der Gewinn zeigt sich direkt in der Fehlerkennzahl. Ein besserer mittlerer absoluter Fehler bedeutet weniger Ausgleichsenergie und damit weniger Kosten, ohne dass zusätzliche Netztechnik nötig wäre.
- Fraunhofer verbesserte die Day-Ahead-Prognose des Verteilnetzbetreibers Albwerk um rund 40 Prozent im mittleren absoluten Fehler.
- Probabilistische Modelle steigerten die Prognosegüte beim US-Netzbetreiber CAISO um rund 25 Prozent gegenüber dem Referenzwert.
- Außentemperatur und Globalstrahlung sind die wichtigsten Einflussgrößen in Netzgebieten mit vielen PV-Anlagen.
- Mehrere Wettermodelle werden gewichtet kombiniert, nicht durch ein einzelnes Modell ersetzt. Die Datenverfügbarkeit bleibt der begrenzende Faktor.
Deutsche und EU-Perspektive
Der regulatorische Rahmen macht Prognose verbindlich und prüfbar. Das EU Clean Energy Package von 2019 hat Verteilnetzbetreiber zu aktiven Akteuren im Netzbetrieb gemacht, Deutschland hat das über Redispatch 2.0 und §14a EnWG konkretisiert. Ab 2029 gelten einheitliche Steuerungs- und Dokumentationsanforderungen für alle Netzbetreiber.
§14a EnWG gilt seit dem 1. Januar 2024, seit dem 1. März 2025 greifen Dokumentationspflichten zur Steuerbarkeit. Für den Winter 2025/2026 wird die Redispatch-Menge auf rund 17 TWh geschätzt, etwa 30 Prozent weniger als im Vorjahr. Der Rückgang zeigt, dass Netzausbau und bessere Prognose zusammen wirken.
Die Prognose steht dabei nicht allein. Sie speist dieselben Marktprozesse, die auch die dynamischen Tarife brauchen, die der Beitrag zu den Tarifmodellen 2026 beschreibt. Wo Verbrauch steuerbar wird, wächst der Wert einer guten Vorhersage.
Prognosefehler als Kostentreiber
Jeder Prognosefehler hat einen Preis. Weicht die tatsächliche Einspeisung von der Prognose ab, muss die Differenz am Intraday-Markt oder über Ausgleichsenergie beschafft werden. In knappen Stunden treibt das die Kosten schnell in den fünfstelligen Bereich, weshalb die Prognosegüte direkt auf die Bilanz durchschlägt.
- Day-Ahead-Preise liegen bei rund 100 Euro pro MWh, Abendspitzen bei bis zu 1.000 Euro pro MWh.
- Präzisere Prognosen senken den Bedarf an Regel- und Ausgleichsenergie und dämpfen langfristig die Kosten für Verbraucher.
- Batteriespeicher gleichen positive und negative Prognosefehler sekundenschnell aus, ersetzen aber keine gute Prognose. Wie Speicher und KI zusammenspielen, zeigt der Beitrag zu virtuellen Kraftwerken .
Herausforderungen und Risiken
Die größte Hürde ist nicht der Algorithmus, sondern die Datenbasis. Im Niederspannungsnetz fehlen Messpunkte, die Beobachtbarkeit ist gering, und Daten stammen aus Systemen verschiedener Hersteller mit unterschiedlichen Standards. Ohne saubere, topologisch korrekt zugeordnete Daten bleibt jede Prognose unsicher.
- Fehlende Beobachtbarkeit: Messtechnik im Mittel- und Niederspannungsnetz ist die Ausnahme, viele Ortsnetzstationen liefern keine Echtzeitdaten.
- Zuordnung der Daten: Smart-Meter- und Wechselrichterdaten müssen der Netztopologie korrekt zugeordnet werden, sonst rechnet das Modell am realen Netz vorbei.
- Datenqualität vor Verfahren: Datenqualität und Datenschutz begrenzen die Modellgüte stärker als die Wahl des Algorithmus.
- Modelldrift: KI-Prognosen brauchen laufende Überwachung, sonst driften Modelle bei geänderten Verbrauchsmustern. Die nötige Datenbasis liefert unter anderem der Smart-Meter-Rollout .
Was Unternehmen jetzt tun sollten
Prognose gehört in den Regelbetrieb, nicht in ein Innovationslabor. Netzbetreiber und Direktvermarkter lösen zuerst Datenqualität und Netzabbildung, setzen dann Prognosemodelle darauf auf und messen die Prognosegüte fortlaufend. Wer Prognosefehler systematisch nachverfolgt, senkt Ausgleichsenergiekosten und erfüllt die regulatorischen Pflichten zugleich.
Vier vorrangige Schritte
-
Datenbasis zuerst
Messpunkte, Netztopologie und Stammdaten sauber halten, bevor Modelle skaliert werden. Eine falsch zugeordnete Anlage verfälscht die Prognose für den ganzen Netzabschnitt.
-
Prognosegüte messen
Den mittleren absoluten Fehler als Kennzahl im Betrieb verankern, nicht nur im Projekt. Nur wer die Güte laufend misst, sieht Modelldrift früh und kann nachsteuern.
-
Make or buy klären
Vorhandene Werkzeuge und Dienstleister prüfen, statt jede Prognose selbst zu bauen. Für viele Verteilnetzbetreiber ist ein spezialisierter Prognosedienst günstiger als ein eigenes Data-Science-Team.
-
Menschliche Kontrolle behalten
KI-Prognosen überwachen, dokumentieren und bei Modelldrift nachsteuern. Die Verantwortung für den sicheren Netzbetrieb bleibt beim Betreiber, nicht beim Modell.
Prognose ist ein Baustein der digitalen Energiewende, kein Einzelthema. Sie greift in dieselbe Digitalisierung wie das Engpassmanagement, das der Beitrag zu Redispatch 3.0 beschreibt. Erst Prognose, Marktprozess und Netzsteuerung zusammen ergeben ein vollständiges Bild.
Weiterführende Informationen
Häufig gestellte Fragen
Seit Redispatch 2.0 muss ein Verteilnetzbetreiber drei ineinandergreifende Prognosen liefern: eine anlagenscharfe Einspeiseprognose für Erzeugung aus PV und Wind, eine Verbrauchsprognose je Netzabschnitt und daraus eine Netzzustandsprognose, die drohende Engpässe erkennt. Die Prognosen haben rund 36 Stunden Vorlauf. Damit ist die Prognose keine Kür, sondern eine regulatorische Betriebspflicht.
KI-Modelle liefern bei volatiler Erzeugung deutlich genauere Prognosen als klassische Verfahren. Sie kombinieren mehrere Wettermodelle, lernen aus historischen Abweichungen und verarbeiten netzknotenscharfe Daten. Fraunhofer verbesserte die Day-Ahead-Prognose des Verteilnetzbetreibers Albwerk um rund 40 Prozent im mittleren absoluten Fehler, was direkt günstigere Ausgleichsenergie bedeutet.
Weicht die tatsächliche Einspeisung von der Prognose ab, muss die Differenz am Intraday-Markt oder über Ausgleichsenergie beschafft werden. Day-Ahead-Preise liegen bei rund 100 Euro pro MWh, Abendspitzen bei bis zu 1.000 Euro pro MWh. In knappen Stunden treibt ein größerer Prognosefehler die Kosten schnell in den fünfstelligen Bereich.
Nicht der Algorithmus, sondern die Datenbasis. Im Niederspannungsnetz fehlen Messpunkte, die Beobachtbarkeit ist gering, und Daten stammen aus Systemen verschiedener Hersteller mit unterschiedlichen Standards. Ohne saubere, topologisch korrekt zugeordnete Daten bleibt jede Prognose unsicher. Genau auf dieser Ebene baut §14a EnWG jetzt Wärmepumpen und Wallboxen zu.
Zuerst die Datenbasis lösen: Messpunkte, Netztopologie und Stammdaten sauber halten, bevor Prognosemodelle skaliert werden. Danach die Prognosegüte als Kennzahl im Regelbetrieb verankern, nicht nur im Projekt messen. Vorhandene Werkzeuge und Dienstleister prüfen statt jede Prognose selbst zu bauen, und die KI-Prognosen laufend überwachen, damit Modelle bei geänderten Verbrauchsmustern nicht driften.