Prognose und Risikoanalyse für EE-Portfolios bei Direktvermarktern

KI-basierte Kurzfristprognosen für Wind und Solar

Die Qualität der Einspeiseprognose ist für Direktvermarkter der wichtigste Hebel auf die Marge. Eine Verbesserung der Prognosegenauigkeit um nur einen Prozentpunkt kann bei einem Portfolio von 2 GW installierter Leistung jährliche Einsparungen im sechsstelligen Bereich bedeuten – durch reduzierte Ausgleichsenergiekosten und bessere Intraday-Performance.

Moderne Prognosemodelle setzen auf eine Kombination aus physikalischen Wettermodellen und Machine-Learning-Ansätzen. Physikalische Modelle (NWP – Numerical Weather Prediction) liefern die Grundlage, während ML-Modelle lernen, systematische Fehler der Wettermodelle zu korrigieren und anlagenspezifische Besonderheiten zu berücksichtigen: die Abschattung durch Nachbaranlagen in einem Windpark, die Degradation von PV-Modulen über die Zeit oder die lokale Topografie, die Windrichtung und -stärke beeinflusst.

• Ensemble-Prognosen: Kombination mehrerer Wettermodelle (ECMWF, GFS, ICON) und ML-Algorithmen zu einer gewichteten Gesamtprognose, die robuster ist als jedes Einzelmodell.
• Probabilistische Prognosen: Statt eines einzelnen Punktwerts liefert das Modell eine Wahrscheinlichkeitsverteilung – entscheidend für die Risikobewertung und die Intraday-Strategie.
• Adaptive Modelle: Kurzfristige Anpassung der Prognose auf Basis von Echtzeit-Einspeisedaten der letzten Stunden (Nowcasting).
• Anlagenspezifisches Training: Jede Anlage erhält ein individuell trainiertes Modell, das ihre spezifischen Leistungscharakteristiken abbildet.

Forecast-vs-Actual-Analyse zur Modellverbesserung

Ein Prognosemodell ist nur so gut wie seine kontinuierliche Überwachung und Verbesserung. Die Forecast-vs-Actual-Analyse (FvA) vergleicht systematisch die prognostizierten Werte mit den tatsächlich eingespeisten Mengen und identifiziert Muster in den Abweichungen.

Die entscheidende Frage ist nicht nur 'wie genau war die Prognose?', sondern 'warum war sie ungenau?'. Typische Fehlerquellen, die durch FvA-Analyse identifiziert werden können:

• Wettermodell-Bias: Systematische Über- oder Unterschätzung der Windgeschwindigkeit in bestimmten Regionen oder Jahreszeiten.
• Leistungskurven-Drift: Alterung oder Verschmutzung von Anlagen, die zu einer schleichenden Abweichung zwischen erwarteter und tatsächlicher Leistung führen.
• Netzeingriffe: Redispatch-Abregelungen, die nicht in der Prognose berücksichtigt waren und die FvA-Statistik verzerren.
• Zeitliche Muster: Erhöhte Prognosefehler in bestimmten Tageszeiten, Wochentagen oder Wetterbedingungen (z.B. bei Frontdurchgängen).

Szenario-basierte Risikoanalyse für volatile EE-Portfolios

EE-Portfolios sind inherent volatil: Die Einspeisung hängt von Wetterbedingungen ab, die sich innerhalb von Stunden dramatisch ändern können. Gleichzeitig schwanken die Strompreise – oft korreliert mit denselben Wetterereignissen, die die Einspeisung beeinflussen. Diese Doppel-Exposition (Mengen- und Preisrisiko) macht eine reine Betrachtung historischer Volatilitäten unzureichend.

Szenario-Analysen simulieren, wie sich das Portfolio unter verschiedenen Bedingungen verhält: Was passiert bei einer einwöchigen Dunkelflaute? Wie wirkt sich ein plötzlicher Preisverfall auf dem Intraday-Markt aus? Was ist der Effekt, wenn 20 % des Windportfolios gleichzeitig durch Redispatch abgeregelt werden? Diese Szenarien können historisch (basierend auf vergangenen Extremereignissen) oder synthetisch (basierend auf stochastischen Modellen) generiert werden.

Korrelationsanalyse: Wetter, Preis und Einspeisung

Für Direktvermarkter ist die Korrelation zwischen Wetter, Einspeisung und Preis das zentrale analytische Thema. An windreichen Tagen speisen Windanlagen viel ein – aber genau dann sinken oft die Strompreise, weil das Gesamtangebot steigt. Dieser sogenannte Kannibalisierungseffekt führt dazu, dass die erzielten Erlöse pro MWh sinken, je mehr Windenergie im Markt ist.

Eine systematische Korrelationsanalyse quantifiziert diesen Effekt und ermöglicht strategische Entscheidungen: Lohnt sich eine stärkere Diversifikation zwischen Wind und Solar? Wie verändert die Aufnahme von Speichern oder Demand-Response-Kapazitäten das Korrelationsprofil? Welche Hedging-Strategien reduzieren die negative Korrelation zwischen Menge und Preis am effektivsten?

Monte-Carlo-Simulationen für Portfolio-VaR

Der Value at Risk (VaR) ist die Standardkennzahl für die Quantifizierung von Marktrisiken. Für EE-Portfolios reichen klassische parametrische VaR-Modelle jedoch nicht aus, da die Erlösverteilung nicht normalverteilt ist: Negative Strompreise, Redispatch-Abrufe und Wetterextreme erzeugen Tail-Risks, die von Standardmodellen unterschätzt werden.

Monte-Carlo-Simulationen lösen dieses Problem, indem sie tausende mögliche Zukunftsszenarien generieren – jeweils mit simulierten Wetterverläufen, daraus abgeleiteten Einspeiseprofilen und korrelierenden Marktpreisen. Aus der resultierenden Erlösverteilung lässt sich ein VaR ableiten, der auch Extremszenarien realistisch abbildet. Für das Risk Management eines Direktvermarkters bedeutet das: belastbare Risikolimits, fundierte Hedging-Entscheidungen und ein transparentes Reporting gegenüber Investoren und Banken.

Fazit: Analytische Exzellenz als Erlöshebel

Für Direktvermarkter ist die Analytik nicht nur ein Unterstützungsprozess für den Handel, sondern der zentrale Werttreiber. Bessere Prognosen bedeuten direkt weniger Ausgleichsenergiekosten. Bessere Risikomodelle ermöglichen aggressivere, aber kontrollierte Handelsstrategien. Und eine systematische FvA-Analyse stellt sicher, dass die Modelle mit der Zeit besser werden – statt zu stagnieren.

Die Investition in analytische Infrastruktur – Feature Stores, ML-Pipelines, Echtzeit-Scoring-Engines – ist für ambitionierte Direktvermarkter keine Option, sondern eine strategische Notwendigkeit. Wer hier führt, erzielt systematisch bessere Erlöse pro vermarkteter MWh.