Echtzeit-Aggregation tausender dezentraler Anlagen
Ein Direktvermarkter mit 15.000 Anlagen aggregiert in jeder Viertelstunde 15.000 Einzelwerte zu einer Gesamtposition. Diese Aggregation klingt trivial – ist sie aber nicht: Die Daten kommen aus unterschiedlichen Quellen (SCADA, Zähler, Prognose-Substitution), mit unterschiedlichen Latenzen (Echtzeit bis mehrere Tage) und in unterschiedlicher Qualität (gemessen, geschätzt, hochgerechnet).
Die operative Aufgabe besteht darin, aus diesen heterogenen Daten eine konsistente, aktuelle Sicht auf das Gesamtportfolio zu erzeugen. Das bedeutet: Fehlende Werte müssen durch Prognosen substituiert werden, veraltete Werte müssen als solche gekennzeichnet sein, und die Aggregation muss entlang mehrerer Dimensionen möglich sein – nach Technologie (Wind, Solar, Biomasse), nach Region, nach Bilanzkreis, nach Vertragstyp (EEG, PPA, sonstige Direktvermarktung).
PPA-Vertragsverwaltung und Lieferverpflichtungen
Power Purchase Agreements (PPAs) werden für Direktvermarkter zunehmend wichtiger – insbesondere für Anlagen, die aus der EEG-Förderung fallen oder für Neuanlagen, die ohne Förderung gebaut werden. PPAs bringen jedoch eine zusätzliche Komplexitätsebene ins Portfolio-Management: Jeder PPA hat individuelle Lieferverpflichtungen, Preisformeln und Ausgleichsmechanismen.
Ein Pay-as-Produced-PPA verpflichtet den Direktvermarkter, die gesamte Erzeugung einer Anlage abzunehmen – unabhängig von der Höhe. Ein Baseload-PPA hingegen definiert ein festes Lieferprofil, das der Direktvermarkter aus seinem Portfolio zusammenstellen muss. Und ein Shaped-PPA liegt irgendwo dazwischen: ein variables Profil, das sich an der erwarteten Erzeugung orientiert, aber mit definierten Ober- und Untergrenzen.
Für das operative Portfolio-Management bedeutet das: Jeder PPA muss als Vertragsobjekt im System abgebildet sein, mit allen relevanten Parametern. Die aktuelle Erfuellung jedes PPAs muss in Echtzeit überwacht werden – speist die zugeordnete Anlage genug ein, um die Lieferverpflichtung zu erfuellen? Wo müssen Fehlmengen am Markt zugekauft werden? Wo entstehen Überschüsse, die vermarktet werden können?
Abgleich von Prognose und tatsächlicher Einspeisung
Der Prognose-Ist-Abgleich auf Anlagenebene ist eine der wichtigsten operativen Kennzahlen im Portfolio-Management. Er dient mehreren Zwecken gleichzeitig: Er identifiziert Anlagen, deren tatsächliche Einspeisung systematisch von der Prognose abweicht (ein Hinweis auf technische Probleme oder falsche Stammdaten). Er liefert die Grundlage für die Intraday-Optimierung (wo muss nachgehandelt werden?). Und er ist die Basis für die Abrechnung gegenüber den Anlagenbetreibern.
Praxistipp: Ein automatisierter Abgleich, der für jede Anlage den gewichteten mittleren Prognosefehler der letzten 30 Tage berechnet und Anlagen mit einer Abweichung von mehr als 10 % automatisch flaggt, reduziert die manuelle Prüfarbeit erheblich und stellt sicher, dass Probleme frühzeitig erkannt werden.
Automatisierte Portfolio-Bewertung: Mark-to-Market
Die Mark-to-Market-Bewertung (MtM) bewertet alle offenen Positionen des Portfolios zu aktuellen Marktpreisen. Für einen Direktvermarkter umfasst das: offene Day-Ahead- und Intraday-Positionen, zukünftige prognostizierte Einspeisung, die noch nicht gehandelt wurde, langfristige PPA-Verpflichtungen und gegebenenfalls Terminabsicherungen.
Die operative Herausforderung liegt in der Frequenz und Konsistenz: Eine tägliche MtM-Berechnung reicht für das Risk Reporting, aber für die Handelssteuerung wird eine Echtzeit- oder Near-Realtime-Bewertung benötigt. Dabei müssen alle Komponenten – Positionen, Marktpreise, Prognosen – zum selben Zeitpunkt konsistent vorliegen. Ein MtM, das auf dem Positionsstand von 10:00 Uhr, dem Marktpreis von 10:15 Uhr und der Prognose von 09:30 Uhr basiert, ist inkonsistent und potenziell irreführend.
Integration von Speichern und Demand Response
Die nächste Evolutionsstufe des Portfolio-Managements für Direktvermarkter ist die Integration von Batteriespeichern und Demand-Response-Kapazitäten. Beide Asset-Klassen haben fundamental andere Charakteristiken als Wind- und Solaranlagen: Sie erzeugen nicht, sondern verschieben Energie in der Zeit. Ihr Wert hängt nicht von der Einspeisung ab, sondern von der Preisdifferenz zwischen Lade- und Entladezeitpunkten.
Für das operative Datensystem bedeutet das: Neben Einspeise-Zeitreihen müssen jetzt auch Speicherfuellstände, Lade-/Entladezyklen, Degradationskurven und Flexibilitätsfenster abgebildet werden. Die Optimierung wird mehrdimensional: Nicht mehr nur 'wie viel speisen wir wann ein?', sondern 'wie verteilen wir Erzeugung, Speicherung und Demand Response optimal über die Zeit, um den Gesamterlös zu maximieren?'
Technologien in diesem Kontext
Fazit: Das Portfolio als lebendes Datensystem
Das operative Portfolio-Management eines Direktvermarkters ist im Kern ein Echtzeit-Datenproblem: Tausende Datenquellen müssen aggregiert, abgeglichen und bewertet werden – kontinuierlich, konsistent und mit der nötigen Geschwindigkeit, um Handelsentscheidungen zu unterstützen.
Direktvermarkter, die ihr Portfolio-Management als reines Excel- oder Batch-Problem behandeln, stossen bei wachsenden Portfolios unweigerlich an Grenzen. Wer hingegen in eine Echtzeit-fähige Datenarchitektur investiert, gewinnt nicht nur operative Effizienz, sondern auch die Fähigkeit, neue Asset-Klassen schnell zu integrieren und das Portfolio flexibel an veränderte Marktbedingungen anzupassen.