Wenn Sie ein Licht einschalten, eine Wärmepumpe starten oder ein Elektroauto anschliessen, muss der Strom fast genau im selben Moment erzeugt werden.

Das Netz muss kontinuierlich im Gleichgewicht bleiben: Die eingespeiste Leistung muss annähernd der verbrauchten entsprechen. Wenn Erzeugung und Verbrauch auseinanderdriften, ändert sich die Netzfrequenz und die Betreiber müssen reagieren, indem sie Kraftwerke, Speicher, Importe, Exporte oder flexible Nachfrage anpassen.

Könnten wir Stromerzeugung und -verbrauch perfekt prognostizieren, wäre der Betrieb des Energiesystems deutlich einfacher. Energieversorger könnten exakt die richtige Menge Strom einkaufen, Netzbetreiber bräuchten sehr wenig Regelenergie, und Batterien sowie flexible Geräte könnten immer zum optimalen Zeitpunkt eingesetzt werden.

Perfekte Prognosen sind unmöglich. Das Wetter ändert sich, Menschen verhalten sich unvorhersehbar und Millionen von Geräten ändern ständig ihren Betrieb. Aber jede Verbesserung der Prognosegenauigkeit reduziert Unsicherheit, Kosten und unnötige Eingriffe.

Deshalb stützt sich fast jeder Teil des Stromsystems auf Prognosen.

Erneuerbare und Elektrifizierung erhöhen die Unsicherheit

Prognosen waren schon immer wichtig, doch die Energiewende macht sie sowohl schwieriger als auch wertvoller.

Solar- und Windproduktion hängen stark vom Wetter ab. Eine Wolkenfront, die früher als erwartet eintrifft, kann die Solarleistung einer ganzen Region reduzieren. Die Windstromerzeugung kann bei wechselnden Bedingungen ebenso schnell steigen oder fallen.

Auch die Nachfrage wird immer dynamischer.

Ein traditioneller Haushalt nutzte Strom hauptsächlich für Beleuchtung, Kochen und Haushaltsgeräte. Ein elektrifiziertes Zuhause kann zusätzlich ein EV, eine Wärmepumpe, einen Batteriespeicher, eine Klimaanlage und eine elektrische Warmwasserbereitung umfassen. Jedes dieser Geräte kann mehrere Kilowatt ziehen und den Bedarf des Haushalts erheblich verändern.

Das Wetter beeinflusst daher beide Seiten des Systems. Es bestimmt die Erzeugung aus erneuerbaren Energien, aber auch den Heiz- und Kühlbedarf. Weitere wichtige Faktoren sind Tageszeit, Wochentage, Feiertage, Preise und das individuelle Verhalten der Haushalte.

Die Internationale Energieagentur hebt die variable Solar- und Windstromerzeugung sowie die zunehmend konzentrierte Nachfrage durch EVs, Wärmepumpen und andere grosse elektrische Verbraucher als wesentliche Treiber des künftigen Flexibilitätsbedarfs hervor.

Über den Durchschnittshaushalt hinaus

Historisch wurde der Stromverbrauch von Privathaushalten häufig mit Standardlastprofilen geschätzt.

Ein Standardlastprofil beschreibt das erwartete Verbrauchsmuster einer typischen Kundengruppe. Das deutsche BDEW-Haushaltsprofil beispielsweise stellt eine typische tages- und jahreszeitliche Verbrauchskurve in 15-Minuten-Intervallen dar. Der BDEW stellt hier eine Erläuterung und die aktuellen Profile bereit.

Diese Profile können bei Tausenden konventioneller Haushalte recht gut funktionieren, weil sich individuelle Unterschiede teilweise gegenseitig aufheben.

Für die Prognose eines einzelnen Haushalts sind sie jedoch weit weniger geeignet.

Ein Haushalt lädt möglicherweise jeden Abend ein EV. Ein anderer betreibt an einem kalten Morgen eine Wärmepumpe. Ein dritter hat Solarpanels und einen Batteriespeicher. Ihr Jahresverbrauch mag ähnlich sein, während ihr Bedarf zu einem bestimmten Zeitpunkt völlig unterschiedlich ist.

Traditionelle Standardlastprofile werden daher immer weniger repräsentativ, insbesondere für einzelne elektrifizierte Haushalte. Sie bleiben als Basislinie für grosse Portfolios nützlich, wenn keine besseren Daten verfügbar sind, aber EVs und Wärmepumpen erzeugen grosse Lasten, die stark von Zeit, Temperatur und Nutzerverhalten abhängen.

Interessanterweise hat der BDEW seine Standardlastprofile 2025 selbst aktualisiert und dabei festgestellt, dass gesellschaftliche und energiewirtschaftliche Veränderungen der letzten 25 Jahre die Verbrauchsmuster verändert hatten.

Smart Meter lösen nicht alles

Selbst dort, wo Smart Meter installiert sind, erhalten Energieunternehmen nicht zwangsläufig detaillierte Daten in Echtzeit.

Daten können verzögert eintreffen, von einem anderen Marktteilnehmer gehalten werden oder von lokaler Regulierung, technischen Prozessen und Kundeneinwilligung abhängen. Ein Smart Meter zeigt normalerweise auch nur den Netto-Austausch des Haushalts mit dem Netz.

Er zeigt vielleicht, dass ein Haushalt fünf Kilowattstunden bezogen hat, aber nicht, ob diese von einem EV, einer Wärmepumpe oder dem normalen Haushaltsverbrauch stammen. Er verrät nicht unbedingt den Ladezustand eines Batteriespeichers, wann das Auto bereit sein muss oder wie flexibel die Last ist.

Zählerstände zu haben ist daher nicht dasselbe wie die kontextuellen Daten zu besitzen, die für genaue Prognosen und Optimierung benötigt werden.

Die fortschreitende Einführung granularerer Abrechnungssysteme verdeutlicht diese Einschränkung. Ofgem erläutert, dass der Zugang zu halbstündlichen Smart-Meter-Daten von Abrechnungsregeln und Verbrauchereinwilligung abhing, während traditionelle Profilklassen den Verbrauch anhand des durchschnittlichen Kundenverhaltens schätzen.

Kleine Fehler können zu grossen Systemfehlern werden

Ein Prognosefehler bei einem einzelnen Haushalt ist für das Stromsystem irrelevant. Derselbe Fehler, der sich über Hunderttausende von Haushalten wiederholt, kann erheblich sein.

Besonders bei Solarprognosefehlern ist es wahrscheinlich, dass sie bei vielen Anlagen in dieselbe Richtung gehen. Laut der Balancing Roadmap von Swissgrid können Fehler in Photovoltaik-Produktionsprognosen einen hohen Bedarf an Regelenergie erzeugen, und teilweise ungenaue PV-Prognosen trugen 2024 zu höheren schweizerischen Regelenergiekosten bei.

Schnee, Wolken und lokale Wettereffekte machen Solarprognosen besonders schwierig. Satellitenbasierte Schätzungen können unter bestimmten Bedingungen Schneebedeckung mit Wolken verwechseln. Ein Prognosesystem muss daher nicht nur die allgemeine Wettervorhersage verstehen, sondern auch, wie sich lokale Bedingungen in tatsächliche Produktion realer Anlagen übersetzen.

Bessere Prognosen sind im gesamten Energiesystem von Bedeutung.

Energieversorger und Bilanzkreisverantwortliche nutzen Prognosen, um die richtige Menge Strom einzukaufen und Ausgleichsenergiekosten zu reduzieren.

Verteilnetzbetreiber müssen lokale Spitzen antizipieren, etwa wenn viele EVs in derselben Strasse laden oder hohe Solareinspeisung durch denselben Transformator fliesst.

Übertragungsnetzbetreiber müssen das Gesamtsystemgleichgewicht aufrechterhalten und verstehen, wie viel Erzeugung, Nachfrage und Flexibilität verfügbar sein werden.

Die IEA stellt fest, dass verteilte Ressourcen wie Aufdach-Solar, Heimspeicher, EVs und smarte Geräte helfen können, Netzengpässe zu managen, sofern die notwendigen Kommunikations-, Steuerungs- und Marktstrukturen vorhanden sind.

Prognosen stehen im Zentrum eines HEMS

Prognosen sind auch eine der Kernfähigkeiten eines modernen Home Energy Management Systems.

Um zu entscheiden, wann ein Batteriespeicher geladen werden soll, muss das System den künftigen Haushaltsverbrauch, die Solarproduktion und die Strompreise abschätzen.

Um ein EV zu planen, muss es die erwartete Haushaltslast, die voraussichtliche Solarverfügbarkeit, den erforderlichen Ladezustand des Fahrzeugs und seine Abfahrtszeit kennen.

Um eine Wärmepumpe zu steuern, muss es Aussentemperatur, Heizbedarf, Preise und das thermische Verhalten des Gebäudes antizipieren.

Ohne Prognosen kann ein HEMS nur auf das reagieren, was gerade passiert.

Mit guten Prognosen kann es vorausschauend handeln. Es kann einen Batteriespeicher vor einer teuren Phase laden, eine flexible Last während einer Spitze verschieben, Energie für später vorhalten oder Solarproduktion nutzen, die sonst eingespeist würde.

Prognosen verwandeln Energiemanagement von einer Sammlung reaktiver Regeln in vorausschauende Optimierung.

Dieselben Prognosen können auch dem breiteren Energiesystem helfen. Mit den entsprechenden Integrationen und Kundenfreigaben kann Zerofy kooperierenden Energieunternehmen Prognosen zu Haushaltsverbrauch, Solarproduktion und geplantem Netzaustausch bereitstellen.

Aggregiert über viele Haushalte können diese Prognosen die Energiebeschaffung verbessern, Verteilnetzbetreibern helfen, wahrscheinliche lokale Engpässe zu identifizieren, und Aggregatoren oder Übertragungsnetzbetreibern ermöglichen zu verstehen, wie viel flexible Kapazität aus Batterien, EVs und Wärmepumpen verfügbar sein könnte.

Bessere Systemprognosen verbessern die Optimierung im Haushalt. Bessere Haushaltsprognosen verbessern die Sicht des Energiesystems auf künftige Nachfrage, Erzeugung und Flexibilität.

Von statistischen Modellen zu Foundation Models

Die Energieprognose nutzte traditionell statistische Methoden wie exponentielle Glättung und ARIMA sowie physikalische und Machine-Learning-Modelle.

Diese Ansätze erkennen wiederkehrende Muster, wie einen ähnlichen Verbrauch zur gleichen Zeit an vorherigen Werktagen oder saisonale Veränderungen im Jahresverlauf. Sie bleiben nützlich, insbesondere für stabile Zeitreihen und kleinere Datensätze.

Neuere neuronale Netze können komplexere und nichtlineare Zusammenhänge über grosse Datensätze hinweg lernen. Die jüngste Entwicklung ist das Aufkommen von Time-Series Foundation Models.

Die Idee ist ähnlich wie bei Large Language Models.

Ein Sprachmodell lernt wiederverwendbare Muster aus grossen Textmengen. Ein Time-Series Foundation Model lernt wiederverwendbare Muster aus grossen Sammlungen numerischer Sequenzen, einschliesslich Trends, Zyklen, wiederkehrender Ereignisse und Beziehungen über verschiedene Zeitskalen.

Googles TimesFM beispielsweise wurde auf 100 Milliarden realen Zeitpunkten vortrainiert und ist darauf ausgelegt, zuvor ungesehene Zeitreihen zu prognostizieren. Amazons Chronos adaptiert auf ähnliche Weise Sprachmodell-Architekturen für numerische Sequenzen.

Viele frühe Foundation Models konzentrierten sich auf univariate Prognosen: die Vorhersage einer Variablen hauptsächlich aus ihrer eigenen Historie.

Zum Beispiel:

Basierend auf dem bisherigen Stromverbrauch dieses Haushalts — was wird er morgen verbrauchen?

Für Energiesysteme werden Prognosen deutlich leistungsfähiger, wenn das Modell auch Kovariaten nutzen kann: zusätzliche Variablen, die das Ergebnis beeinflussen.

Diese können Wettervorhersagen, Tageszeit, Feiertage, Strompreise, Gerätetypen und Muster umfassen, die in ähnlichen Haushalten oder nahegelegenen Regionen beobachtet wurden.

Die Wettereingabe ist selbst eine Prognose. Das Modell muss lernen, wie die vorhergesagte Temperatur, Sonnenschein oder Bewölkung sich in Verbrauch oder Solarproduktion für ein bestimmtes Gebäude übersetzt.

Neuere Foundation Models sind zunehmend darauf ausgelegt, univariate, multivariate und kovariatengestützte Prognosen zu kombinieren.

Dies ermöglicht auch den Wissenstransfer zwischen Haushalten. Ein neuer Haushalt hat möglicherweise begrenzte historische Daten, aber das Modell kann dennoch aus ähnlichen Gebäuden, Technologien und Wetterbedingungen anderswo lernen.

Unser Ansatz bei Zerofy

Bei Zerofy haben wir ein Time-Series Foundation Model für die Energieprognose im Wohnbereich trainiert. Wir trainieren es von Grund auf unter Nutzung der Struktur und Eigenschaften residenzieller Energiedaten und relevanter Kovariaten.

Es kann beide Seiten der Energiebilanz eines Haushalts prognostizieren:

• den Stromverbrauch des Haushalts; und
• die solare Stromerzeugung.

Diese Prognosen fliessen direkt in den Zerofy Autopilot ein und helfen bei der Entscheidung, wie Batteriespeicher, EVs, Ladestationen, Wärmepumpen und andere flexible Geräte in den kommenden Stunden betrieben werden sollen.

In unseren Evaluierungen übertraf unser Ansatz das als Vergleich herangezogene Drittanbieter-Prognosesystem bei mehr als 90 % der untersuchten Haushalte.

Kein Modell kann jede Wolke, menschliche Entscheidung oder jedes Geräteverhalten perfekt vorhersagen. Das Ziel ist nicht Gewissheit.

Das Ziel ist, Unsicherheit kontinuierlich zu reduzieren, Prognosen zu aktualisieren, sobald neue Informationen eintreffen, und daraus bessere Entscheidungen abzuleiten.

Solarpanels, Batteriespeicher, EVs und Wärmepumpen sind die sichtbaren Technologien der Energiewende. Prognosen sind die Intelligenzschicht, die es ihnen ermöglicht, zusammenzuarbeiten.

Perfekte Prognosen würden das Energiesystem einfach machen. Bessere Prognosen machen es effizienter, günstiger und resilienter.