Cross-Asset-Optimierung: Wind, Solar, Speicher und Demand Response
Ein modernes Direktvermarktungsportfolio besteht längst nicht mehr nur aus Windkraftanlagen. Die Kombination von Wind, Solar, Biomasse, Batteriespeichern und Demand-Response-Kapazitäten eröffnet Optimierungspotenziale, die mit einer isolierten Betrachtung einzelner Technologien nicht erreichbar sind.
Der Schlüssel liegt in der negativen Korrelation: Wenn Wind und Solar nicht gleichzeitig einspeisen, glättet sich das Gesamtprofil. Ein Speicher kann Überschüsse aufnehmen und in Stunden mit hohen Preisen abgeben. Demand-Response-Kapazitäten können Verbrauch in Zeiten niedriger Preise verschieben. Die analytische Herausforderung besteht darin, diese Wechselwirkungen zu quantifizieren und die optimale Allokation zu berechnen.
Rechenbeispiel: Ein Portfolio aus 500 MW Wind und 200 MW Solar hat einen Erlösaufschlag von ca. 3-5 % gegenüber zwei separaten Portfolios gleicher Grösse – allein durch die bessere Prognosegenauigkeit des diversifizierten Gesamtprofils und die geringeren Ausgleichsenergiekosten. Fügt man einen 50-MW-Speicher hinzu, kommen weitere 2-4 % durch zeitliche Arbitrage hinzu.
Hedging-Strategien basierend auf Prognose-Unsicherheit
Klassische Hedging-Strategien im Energiehandel basieren auf deterministischen Mengenerwartungen: Man sichert eine bestimmte Menge zu einem bestimmten Preis ab. Für EE-Portfolios greift dieser Ansatz zu kurz, weil die Einspeisemenge selbst unsicher ist. Wer 80 % der erwarteten Windproduktion auf dem Terminmarkt absichert und dann eine windschwache Woche erlebt, hat ein Beschaffungsproblem.
Analytisch fundierte Hedging-Strategien berücksichtigen die Prognose-Unsicherheit explizit. Anstatt einen festen Prozentsatz abzusichern, wird die Hedge-Ratio dynamisch an die aktuelle Prognose-Konfidenz angepasst: Bei hoher Sicherheit (stabile Wetterlage, geringe Modellstreuung) wird aggressiver abgesichert, bei hoher Unsicherheit (Frontdurchgänge, Modell-Divergenz) wird die offene Position bewusst grösser gehalten, um Flexibilität für den Intraday-Markt zu behalten.
- Konfidenz-basierte Hedge-Ratio: Die Absicherungsquote steigt und fällt mit der Prognosequalität der nächsten Tage.
- Rolling Hedge: Statt einmalig für einen Monat wird täglich für ein rollendes Zeitfenster gesichert – angepasst an die aktuelle Markt- und Wetterlage.
- Optionsstrategien: Für extreme Unsicherheit können Optionen auf Stromlieferung als Absicherung gegen Worst-Case-Szenarien dienen.
- Cross-Commodity-Hedging: Absicherung über korrelierte Märkte (z.B. Gas-Strom-Spread) für indirekte Preisrisiken.
What-If-Analyse für neue PPA-Abschlüsse
Bevor ein Direktvermarkter einen neuen PPA abschliesst, muss er verstehen, wie sich dieser auf das Gesamtportfolio auswirkt. Das ist mehr als eine einfache Erlösberechnung: Ein neuer Wind-PPA im Norden erhöht die regionale Konzentration und damit das Redispatch-Risiko. Ein Solar-PPA verbessert die Diversifikation, erhöt aber die Mittagsspitzen-Exposition in Stunden mit potenziell negativen Preisen.
Eine What-If-Analyse simuliert die Auswirkungen eines neuen PPAs auf alle relevanten Portfolio-Kennzahlen: Gesamterlös, Ausgleichsenergiekosten, VaR, Sharpe Ratio, Redispatch-Exposition und PPA-Erfuellungsrisiko. So kann das Origination-Team bereits in der Verhandlungsphase fundiert entscheiden, ob ein PPA zum Portfolio passt – und zu welchem Preis er wirtschaftlich sinnvoll ist.
Identifikation von Underperformance einzelner Anlagen
In einem Portfolio mit tausenden Anlagen ist Underperformance schwer zu erkennen. Eine Anlage, die 5 % weniger erzeugt als erwartet, fällt in der Gesamtaggregation kaum auf – aber über ein Jahr summiert sich der Mindererlös schnell auf fünfstellige Beträge. Multipliziert man das mit hunderten leicht underperformenden Anlagen, entsteht ein signifikanter Portfolio-Verlust.
Analytische Underperformance-Detection vergleicht die tatsächliche Erzeugung jeder Anlage mit einem anlagenspezifischen Erwartungswert, der Wetterbedingungen, Verfügbarkeit und saisonale Muster berücksichtigt. Anlagen, die über einen definierten Zeitraum systematisch unter dem Erwartungswert liegen, werden automatisch gefllagt.
Optimale Vermarktungsstrategie: Day-Ahead vs. Intraday
Nicht jede MWh muss auf dem Day-Ahead-Markt verkauft werden. Je nach Marktlage, Prognosequalität und Risikopräferenz kann es wirtschaftlich sinnvoller sein, einen Teil des Volumens für den Intraday-Markt zurückzuhalten. Der Day-Ahead-Markt bietet Planungssicherheit, aber der Intraday-Markt kann höhere Preise erzielen – insbesondere bei Prognoseänderungen oder unerwarteten Kraftwerksausfällen.
Die analytische Optimierung der Vermarktungsstrategie berücksichtigt mehrere Faktoren: die erwartete Intraday-Preisvolatilität, die Prognose-Konfidenz (je unsicherer die Prognose, desto weniger sollte auf dem Day-Ahead-Markt gebunden werden), die aktuellen Ausgleichsenergiepreise und die Transaktionskosten. Reinforcement-Learning-Ansätze können hier helfen, da sie aus historischen Marktdaten lernen, welche Vermarktungsstrategie unter welchen Bedingungen optimal ist.
Technologien und Methoden
Fazit: Vom Verwalten zum Optimieren
Portfolio-Management in der Direktvermarktung entwickelt sich von einer administrativen Aufgabe zu einer analytischen Disziplin. Wer sein Portfolio nur verwaltet – Anlagen erfassen, Positionen aggregieren, Abrechnungen prüfen – verschenkt Erlöspotenzial. Wer es optimiert – Cross-Asset-Effekte nutzen, Hedging-Strategien dynamisch anpassen, Underperformance früh erkennen – erzielt systematisch bessere Ergebnisse.
Die Voraussetzung dafür ist eine analytische Infrastruktur, die granulare Daten in Echtzeit verfügbar macht und die Werkzeuge bereitstellt, um aus diesen Daten Entscheidungen abzuleiten. Für Direktvermarkter, die in einem zunehmend kompetitiven Markt bestehen wollen, ist diese Investition alternativlos.