Eine Energieprognose sagt voraus, wie viel Strom ein Standort in den nächsten Stunden und Tagen verbrauchen, selbst erzeugen und zu welchem Preis beziehen wird. Die Datenanalyse liefert dafür die Grundlage: Sie wertet Lastgänge, Anlagendaten, Wetter- und Marktdaten aus, macht Muster sichtbar und zeigt, wo Kosten entstehen. Zusammen bilden Prognosen und Datenanalyse die Entscheidungsebene der betrieblichen Energieinfrastruktur – zwischen der Messung auf der einen und der Steuerung von Speicher, Ladeinfrastruktur und Prozessen auf der anderen Seite.
Lastprognose PV-Prognose Preisprognose
ENERGIEPROGNOSE / MODELLANSICHTSCHEMATISCH · KEINE MESSDATEN
Lastprognose PV-Prognose Preisprognose
ZEITRASTER15 Min.Day-Ahead
PROGNOSETYPEN3Last · PV · Preis
DATENRÜCKKOPPLUNGLaufendMessen → Optimieren
VORAUSSCHAUEND PLANEN
Warum das wirtschaftlich relevant ist, zeigt der Strommarkt: 2025 lag der Day-Ahead-Preis in 573 von 8.760 Stunden unter null, zugleich gab es 40 Stunden mit Preisen über 300 €/MWh [Quelle: Bundesnetzagentur, „Bundesnetzagentur veröffentlicht Daten zum Strommarkt 2025“, 2026, https://www.bundesnetzagentur.de/1087156]. Seit dem 1. Oktober 2025 wird der Day-Ahead-Markt in 96 Viertelstunden je Tag gehandelt [Quelle: EPEX SPOT, 30.09.2025, https://www.epexspot.com/en/news/15-minute-products-live-epex-spot-day-ahead-markets]. Wer Lastverschiebung, Speicherbetrieb oder Peak Shaving wirtschaftlich nutzen will, muss wissen, was in den kommenden Viertelstunden passiert – nicht erst im Nachhinein.
Diese Seite erklärt, welche Prognosearten Unternehmen benötigen, wie Last-, PV- und Preisprognosen technisch entstehen, wie Prognosegüte gemessen wird, welche Analysen aus Energiedaten konkrete Maßnahmen ableiten und wie sich der Nutzen von Prognosen wirtschaftlich beziffern lässt (Stand: Oktober 2026).
Energieprognosen verbinden Messung, Entscheidungslogik und aktive Steuerung.
INTELLIGENTES ENERGIEMANAGEMENT / PROGNOSEN & DATENANALYSE
Inhaltsverzeichnis
DATEN & PROGNOSE
Was Energieprognose und Datenanalyse im Energiemanagement leisten
Prognosen und Datenanalyse beantworten unterschiedliche Fragen. Die Datenanalyse blickt zurück: Wo ist Energie verbraucht worden, was hat die Lastspitze verursacht, wie hat sich der spezifische Verbrauch je Produktionseinheit entwickelt? Die Prognose blickt nach vorn: Wie hoch wird die Last morgen zwischen 6 und 8 Uhr, wie viel PV-Strom ist am Nachmittag zu erwarten, in welchen Viertelstunden ist Strom am günstigsten?
In der Wirkungskette Erzeugung → Messung → Prognose → Energiemanagement → Speicherung → Verbrauch → Netzbezug → Strommarkt steht die Prognose zwischen Messung und Steuerung. Ohne verlässliche Messdaten ist keine Prognose möglich [Interner Link: Messung & Steuerung]; ohne Prognose kann das Energiemanagementsystem nur reagieren, nicht planen [Interner Link: EMS & Smart Grid].
Zeithorizonte von Energieprognosen
Je nach Anwendung werden Prognosen für sehr unterschiedliche Zeiträume benötigt. Die folgende Tabelle ordnet die typischen Horizonte den betrieblichen Entscheidungen zu.
Tabelle 1: Prognosehorizonte und ihre Anwendungen
| Horizont | Auflösung | Typische Anwendung |
|---|---|---|
| Minuten bis 1 Stunde (Nowcasting) | Sekunden bis Viertelstunde | Echtzeit-Peak-Shaving, Hochrechnung der laufenden Viertelstunde, PV-Einbrüche durch Wolken |
| Folgetag (Day-Ahead) | Viertelstunde | Speicherfahrplan, Lastverschiebung nach Day-Ahead-Preisen, Fahrplananmeldung |
| 2–10 Tage | Viertelstunde bis Stunde | Produktions- und Schichtplanung, Wartungsfenster, Wärmespeicher |
| Monate bis Jahr | Monat / Jahr | Beschaffungsstrategie, Budget, Bestellkapazität ab 2029 (AgNes) |
| Mehrere Jahre | Jahr | Investitionsplanung: PV-Erweiterung, Speichergröße, Netzanschluss |
DATEN & PROGNOSE
Datengrundlagen: Welche Daten eine Energieprognose benötigt
Die Qualität einer Energieprognose wird stärker von den Eingangsdaten bestimmt als vom Algorithmus. Für Gewerbe und Industrie sind vier Datenquellen entscheidend:
Historische Messdaten: Viertelstunden-Lastgang am Netzanschluss (35.040 Werte pro Jahr), Unterzählerdaten, PV-Erzeugung, Speicherladezustand. Für saisonale Muster sollten mindestens zwölf Monate vorliegen.
Wetterdaten: Globalstrahlung, Bewölkung, Temperatur, Wind. Der Deutsche Wetterdienst stellt Vorhersagen seiner Modelle ICON (global, 13 km Maschenweite), ICON-EU und ICON-D2 (Kürzestfrist bis +48 Stunden, inklusive Ensemblevorhersagen) entgeltfrei auf seinem Open-Data-Server bereit [Quelle: DWD, „Numerische Modellvorhersagedaten“, https://www.dwd.de/DE/leistungen/modellvorhersagedaten/modellvorhersagedaten.html].
Betriebsdaten: Produktions- und Schichtpläne, Auftragslage, Betriebskalender mit Feiertagen und Betriebsferien, geplante Wartungen, Ladepläne des Fuhrparks.
Marktdaten: Day-Ahead- und Intraday-Preise, veröffentlicht u. a. von EPEX SPOT und auf der Plattform SMARD der Bundesnetzagentur [Quelle: SMARD, https://www.smard.de], sowie bei Bedarf Ausgleichsenergiepreise der Übertragungsnetzbetreiber.
Betriebsdaten werden häufig unterschätzt. Eine Lastprognose, die nicht weiß, dass am Montag eine Sonderschicht läuft, wird diesen Tag verlässlich falsch vorhersagen – unabhängig davon, wie ausgefeilt das Modell ist. Die Anbindung an Produktionsplanung oder ERP-System ist deshalb oft der größte Hebel für bessere Prognosen. [Interner Link: Monitoring & Visualisierung]
Datenfluss von der Messung zur Prognose und zum FahrplanEigene schematische Darstellung
MessdatenLastgang · Unterzähler
→KontextWetter · Betrieb · Markt
→PrognoseLast · PV · Preis
→OptimierungNebenbedingungen
→Fahrplan15-Minuten-Beschlüsse
→EMS / RegelungSteuerung & Monitoring
Rückkopplung: aktuelle Messwerte → Prognosekontrolle → Modellanpassung
DATEN & PROGNOSE
Lastprognose: Verbrauch von Gewerbe und Industrie vorhersagen
Die Lastprognose schätzt den Strombezug eines Standorts für künftige Viertelstunden. Ihr Verlauf wird von wenigen, aber starken Einflussgrößen bestimmt:
Kalender: Wochentag, Uhrzeit, Feiertage, Brückentage und Betriebsferien erklären in vielen Betrieben den größten Teil der Varianz.
Produktion: Schichtmodell, Auftragsvolumen, Losgrößen und Anlaufzeiten energieintensiver Anlagen.
Wetter: Temperatur beeinflusst Heizung, Kühlung, Kälteanlagen und Wärmepumpen; Strahlung beeinflusst Gebäudekühlung.
Neue Verbraucher: Ladeinfrastruktur, Wärmepumpen und elektrifizierte Prozesse verändern Lastprofile und machen historische Daten teilweise unbrauchbar.
Für die Steuerung ist besonders die Prognose der Lastspitzen wichtig. Eine Prognose, die im Tagesmittel sehr genau ist, aber Spitzen systematisch unterschätzt, führt beim Peak Shaving zu einem zu klein reservierten Speicherinhalt – und damit genau zu der Lastspitze, die vermieden werden sollte. Deshalb sollte die Prognosegüte gezielt für Hochlastzeiten bewertet werden, nicht nur über den Gesamtzeitraum.
DATEN & PROGNOSE
PV-Prognose: Erzeugung aus Wetterdaten ableiten
Eine PV-Prognose rechnet vorhergesagte Strahlung in erwartete Erzeugung um. Technisch geschieht das in mehreren Schritten: Die Globalstrahlung auf die horizontale Fläche wird in Direkt- und Diffusanteil zerlegt, auf die geneigte Modulfläche umgerechnet, um Temperatur- und Verschattungseffekte korrigiert und über Wirkungsgrade von Modul und Wechselrichter in AC-Leistung übersetzt. Datengetriebene Modelle lernen diesen Zusammenhang direkt aus historischen Erzeugungsdaten der Anlage und korrigieren systematische Abweichungen.
Die Unsicherheit ist wetterabhängig: An wolkenlosen Tagen ist die Erzeugung gut vorhersagbar, bei durchziehender Bewölkung oder Nebel können Abweichungen erheblich sein. Ensemblevorhersagen, wie sie der DWD für ICON-D2 bereitstellt, zeigen diese Unsicherheit als Bandbreite [Quelle: DWD, a. a. O.]. Für das Energiemanagement ist diese Bandbreite wertvoll: Bei hoher Unsicherheit kann das EMS mehr Speicherreserve vorhalten.
Die PV-Prognose wird mit dem Ausbau der Photovoltaik auch für den Markt bedeutender. Negative Preise konzentrieren sich auf die Mittagsstunden; neue EEG-Anlagen erhalten für Zeiträume mit negativen Preisen keine Vergütung [Quelle: EEG § 51, https://www.gesetze-im-internet.de/eeg_2014/__51.html]. Wer die eigene Erzeugung und die Preisentwicklung kennt, kann Speicherladung und Verbrauch gezielt in diese Stunden legen. [Interner Link: Photovoltaik]
PV-Prognose mit Unsicherheitsband vs. Ist-ErzeugungSYNTHETISCHE 600-kWp-BEISPIELANLAGE
Klarer Tag · MODELLE
Wechselhafter Tag · MODELLE
DATEN & PROGNOSE
Strompreisprognose: Day-Ahead, Intraday und dynamische Tarife
Für Unternehmen mit spotindizierter Beschaffung oder dynamischem Stromtarif ist der Strompreis eine zentrale Prognosegröße. Dabei sind zwei Fälle zu unterscheiden:
Bekannte Day-Ahead-Preise: Die Ergebnisse der Day-Ahead-Auktion werden um die Mittagszeit des Vortags veröffentlicht – seit Oktober 2025 für 96 Viertelstunden [Quelle: EPEX SPOT, a. a. O.]. Für den Folgetag ist der Preis dann bekannt; eine Prognose ist nur für den Zeitraum danach nötig.
Prognostizierte Preise: Für Planungen über den Folgetag hinaus – etwa für Wochenend- oder Wärmespeicherstrategien – werden Preisprognosen auf Basis von Wind- und PV-Prognosen, Last, Brennstoff- und CO₂-Preisen erstellt.
Seit dem 1. Januar 2025 müssen alle Stromlieferanten Letztverbrauchern mit intelligentem Messsystem einen dynamischen Tarif anbieten [Quelle: § 41a Abs. 2 EnWG, https://www.gesetze-im-internet.de/enwg_2005/__41a.html]. Im Intraday-Markt können Mengen bis kurz vor Lieferung nachgehandelt werden; an EPEX SPOT wurden im Dezember 2025 in den Intraday-Märkten insgesamt rund 20,2 TWh gehandelt [Quelle: EPEX SPOT, „Monthly Power Trading Results December 2025“, https://www.epexspot.com/en/news/monthly-power-trading-results-december-2025]. Für die meisten mittelständischen Unternehmen erfolgt der Marktzugang indirekt über Lieferanten, Direktvermarkter oder Aggregatoren. [Interner Link: Flexibilisierung]
Die Preisvolatilität bietet Chancen, sollte aber realistisch eingeschätzt werden. Die Forschungsstelle für Energiewirtschaft (FfE) stellt fest, dass die meisten negativen Preise 2025 zwischen 0 und −5 €/MWh lagen [Quelle: FfE, „Deutsche Strompreise an der Börse EPEX Spot im Jahr 2025“, 2026, https://www.ffe.de/en/publications/german-electricity-prices-on-the-epex-spot-exchange-in-2025/]. Der wirtschaftliche Hebel liegt eher im regelmäßigen Spread zwischen Mittags- und Abendstunden als in seltenen Extremwerten.
Strommarkt 2025 – veröffentlichte Summenwerte2025 · WERTE AUS QUELLTEXT
DATEN & PROGNOSE
Prognoseverfahren: von Regeln bis Machine Learning
Es gibt kein universell bestes Prognoseverfahren. Die Wahl hängt von Datenlage, Zeithorizont und gewünschter Nachvollziehbarkeit ab.
Tabelle 2: Prognoseverfahren im Vergleich
| Verfahren | Prinzip | Stärken / Grenzen |
|---|---|---|
| Persistenz und Referenztage | Verwendung des Vortags oder eines vergleichbaren Wochentags | einfach, robust, nachvollziehbar; versagt bei Sondertagen und Wetterwechseln; wichtige Vergleichsbasis |
| Statistische Zeitreihenmodelle | z. B. Regression, ARIMA, exponentielle Glättung | gut erklärbar, geringer Datenbedarf; begrenzt bei nichtlinearen Zusammenhängen |
| Physikalische Modelle | Berechnung aus Strahlung, Anlagengeometrie, Wirkungsgraden | für PV auch ohne lange Historie einsetzbar; benötigt genaue Anlagendaten |
| Machine Learning (Gradient Boosting, Random Forest) | Lernen nichtlinearer Zusammenhänge aus vielen Einflussgrößen | hohe Genauigkeit bei guter Datenlage; erfordert Pflege und Validierung |
| Neuronale Netze | tiefe Modelle für Zeitreihen | leistungsfähig bei großen Datenmengen; weniger transparent, Überanpassung möglich |
| Probabilistische Prognosen | Ausgabe von Quantilen oder Szenarien statt Einzelwert | bilden Unsicherheit ab; Grundlage für risikobewusste Steuerung |
Praxisregel: Ein komplexes Modell muss sich an einer einfachen Referenz messen lassen. Wenn ein Machine-Learning-Modell den Prognosefehler gegenüber dem Referenztag-Verfahren nicht deutlich senkt, rechtfertigt es seinen Pflegeaufwand nicht. Viele Betriebe erzielen die größten Verbesserungen durch bessere Eingangsdaten (Schichtpläne, Feiertage, Wetter) – nicht durch komplexere Modelle.
ANALYSE & ANWENDUNG
Prognosegüte messen: Kennzahlen und typische Fehler
Eine Prognose ohne Gütemaß ist nicht steuerbar. Für Energieprognosen sind folgende Kennzahlen gebräuchlich:
Tabelle 3: Kennzahlen zur Bewertung von Energieprognosen
| Kennzahl | Berechnung | Aussage |
|---|---|---|
| MAE (mittlerer absoluter Fehler) | Mittelwert der Beträge der Abweichungen, in kW oder kWh | anschaulich, gleiche Einheit wie die Prognose |
| RMSE (Wurzel des mittleren quadratischen Fehlers) | Wurzel aus dem Mittel der quadrierten Abweichungen | gewichtet große Fehler stärker – wichtig bei Lastspitzen |
| MAPE (mittlerer absoluter prozentualer Fehler) | mittlere prozentuale Abweichung | gut vergleichbar, aber verzerrt bei Werten nahe null (z. B. PV nachts) |
| Bias (systematischer Fehler) | Mittelwert der vorzeichenbehafteten Abweichungen | zeigt systematische Über- oder Unterschätzung |
| Skill Score | Verbesserung gegenüber einer Referenzprognose (z. B. Persistenz) | zeigt, ob ein Modell seinen Aufwand rechtfertigt |
| Pinball Loss / Abdeckungsrate | Bewertung von Quantilprognosen | prüft, ob Unsicherheitsbänder realistisch sind |
Wichtig ist, die Prognosegüte nach Anwendungsfall zu bewerten. Für Peak Shaving zählt die Genauigkeit in den Hochlaststunden, für Lastverschiebung die korrekte Rangfolge der günstigsten Viertelstunden, für die Bilanzkreisbewirtschaftung die Summe der Abweichungen je Viertelstunde. Ein einziger Durchschnittswert über das gesamte Jahr verdeckt diese Unterschiede.
Berechnungsbeispiel: Wie ein Prognosefehler das Peak Shaving beeinflusst
Ausgangslage (Beispielwerte): Ein Betrieb begrenzt die Bezugsleistung mit einem Batteriespeicher auf 950 kW. Für den Folgetag prognostiziert das EMS eine Spitzenlast von 1.150 kW über 30 Minuten und reserviert dafür 100 kWh Speicherenergie (200 kW × 0,5 h) plus 20 % Sicherheitsreserve, also 120 kWh.
Fall A – Prognose zutreffend: Die tatsächliche Spitze beträgt 1.150 kW über 30 Minuten. Der Speicher liefert 100 kWh, der Zielwert wird eingehalten.
Fall B – Spitze unterschätzt: Die tatsächliche Spitze beträgt 1.200 kW über 45 Minuten. Benötigt werden 250 kW × 0,75 h = 187,5 kWh. Die Reserve reicht nicht; die Jahreshöchstlast steigt auf rund 1.130 kW, sofern keine weiteren Lasten abgeschaltet werden können.
Kostenwirkung: Bei einem angenommenen Leistungspreis von 120 €/kW und Jahr (Beispielwert) verursacht eine einzige Überschreitung um 180 kW Mehrkosten von 21.600 € für das gesamte Jahr.
Das Beispiel zeigt, warum Prognosen für Peak Shaving mit Unsicherheitsbändern arbeiten und warum eine Echtzeitregelung mit zusätzlichen Abschaltstufen unverzichtbar bleibt. Die Prognose verbessert den Plan; die Regelung sichert ihn ab.
ANALYSE & ANWENDUNG
Datenanalyse: Lastgang, Kennzahlen und Anomalien
Lastganganalyse
Die Analyse des Viertelstunden-Lastgangs ist der Ausgangspunkt jeder Energiedatenanalyse. Drei Darstellungen haben sich bewährt:
Jahresdauerlinie: Alle 35.040 Viertelstundenwerte absteigend sortiert. Sie zeigt, wie viele Viertelstunden nahe der Jahreshöchstlast liegen. Ein steiler Abfall am linken Rand bedeutet: Wenige Viertelstunden bestimmen den Leistungspreis – ein Hinweis auf wirtschaftliches Peak-Shaving-Potenzial.
Heatmap (Tag × Uhrzeit): Macht Schichtmuster, Wochenendverbrauch, Anlaufspitzen und unerwartete Nachtlasten auf einen Blick sichtbar.
Grundlastanalyse: Vergleich der Last in produktionsfreien Zeiten (Nächte, Wochenenden, Feiertage) mit der erwarteten Mindestlast. Hohe Grundlasten weisen auf Leckagen in Druckluftnetzen, nicht abgeschaltete Anlagen oder ineffiziente Gebäudetechnik hin.
Jahresdauerlinie mit Peak-Shaving-PotenzialSYNTHETISCHES MODELL
Heatmap des Lastgangs – KalenderjahrSYNTHETISCHES MODELL
Energiekennzahlen und energetische Ausgangsbasis
Absolute Verbrauchswerte sagen wenig, wenn sich Produktion, Wetter oder Betriebszeiten ändern. Ein Energiemanagementsystem nach ISO 50001 arbeitet deshalb mit Energieleistungskennzahlen (EnPI) und einer energetischen Ausgangsbasis, die um relevante Variablen bereinigt wird – etwa kWh pro Tonne, pro produziertem Stück oder pro Gradtag. Die Norm ISO 50006 beschreibt die Bildung solcher Kennzahlen und Ausgangsbasen [Quelle: ISO, „ISO 50006“, https://www.iso.org/standard/80886.html – Ausgabestand muss verifiziert werden]. Erst mit einer bereinigten Ausgangsbasis lässt sich belegen, ob eine Maßnahme tatsächlich Energie eingespart hat.
Anomalieerkennung
Automatische Anomalieerkennung vergleicht den gemessenen Verbrauch laufend mit einer Erwartung – im einfachsten Fall mit der Prognose. Weicht der Verbrauch über eine definierte Schwelle ab, wird ein Hinweis erzeugt: eine Kälteanlage, die am Wochenende durchläuft, ein Kompressor mit steigender Leerlaufleistung oder eine PV-Anlage, deren Ertrag bei gleicher Strahlung sinkt. Der Nutzen hängt weniger von der Algorithmik ab als davon, ob jemand für die Bearbeitung der Hinweise zuständig ist. [Interner Link: Monitoring & Visualisierung]
ANALYSE & ANWENDUNG
Von der Prognose zum Fahrplan: Einbindung in das Energiemanagementsystem
Prognosen entfalten ihren Nutzen erst, wenn sie in Entscheidungen übersetzt werden. Im Energiemanagementsystem geschieht das über einen Fahrplan: eine Folge von Sollwerten je Viertelstunde für Speicher, Ladepunkte, Wärmeerzeuger und verschiebbare Prozesse.
Optimierung: Ein Optimierungsalgorithmus minimiert die erwarteten Kosten aus Energiebezug, Leistungspreis und gegebenenfalls Vermarktungserlösen unter technischen Nebenbedingungen (Speicherkapazität, Lade- und Entladeleistung, Prozessgrenzen, Netzanschlussleistung).
Rollierender Horizont: Der Fahrplan wird nicht einmal täglich, sondern laufend neu berechnet, sobald neue Prognosen oder Messwerte vorliegen – das Prinzip der modellprädiktiven Regelung.
Unsicherheit berücksichtigen: Probabilistische Prognosen erlauben es, Reserven gezielt dort vorzuhalten, wo das Risiko einer Lastspitze am höchsten ist.
Bilanzkreisrelevanz: Wer selbst oder über einen Dienstleister Fahrpläne an einen Bilanzkreis meldet, trägt das Risiko von Prognoseabweichungen. Diese werden viertelstündlich zum regelzonenübergreifenden einheitlichen Bilanzausgleichsenergiepreis (reBAP) abgerechnet [Quelle: Netztransparenz.de, „Ausgleichsenergiepreis“, https://www.netztransparenz.de/de-de/Regelenergie/Ausgleichsenergiepreis].
ANALYSE & ANWENDUNG
Wirtschaftlichkeit von Energieprognosen und Datenanalyse
Prognosen erzeugen keinen Nutzen für sich allein, sondern verbessern Entscheidungen. Ihr Wert lässt sich deshalb nur über die Maßnahmen beziffern, die sie ermöglichen. Die BDEW-Strompreisanalyse beziffert den durchschnittlichen Strompreis für kleine bis mittlere Industriebetriebe 2026 bislang auf 17,2 ct/kWh [Quelle: BDEW, „BDEW-Strompreisanalyse Herbst 2026“, 21.08.2026, https://www.bdew.de/service/daten-und-grafiken/bdew-strompreisanalyse/]; welcher Anteil davon durch Prognose und Steuerung beeinflussbar ist, hängt vom Beschaffungsmodell und von der Netzentgeltstruktur ab.
Tabelle 4: Wirtschaftliche Hebel von Prognosen und Datenanalyse
| Hebel | Wirkmechanismus | Voraussetzung |
|---|---|---|
| Leistungspreis | Prognose von Lastspitzen, rechtzeitige Speicherreserve und Lastverschiebung | RLM-Messung, steuerbare Lasten oder Speicher |
| Energiebeschaffung | Verbrauch in Viertelstunden mit niedrigen Preisen verlegen | spotbasierter Vertrag oder dynamischer Tarif, Flexibilität |
| Eigenverbrauch | PV-Prognose steuert Speicher und Verbraucher in Erzeugungsspitzen | PV-Anlage, steuerbare Verbraucher |
| Grundlast und Effizienz | Analyse und Anomalieerkennung decken Verschwendung auf | Unterzählung, Zuständigkeit für Maßnahmen |
| Ausgleichsenergie | bessere Fahrpläne reduzieren Bilanzabweichungen | eigene Bilanzkreisverantwortung oder entsprechende Vertragsgestaltung |
| Investitionsentscheidungen | belastbare Daten für Dimensionierung von PV, Speicher, Netzanschluss | mindestens 12 Monate Messdaten |
Berechnungsbeispiel: Lastverschiebung nach Day-Ahead-Preisen
Annahmen (Beispielwerte): Ein Betrieb mit spotindiziertem Liefervertrag kann täglich 2 MWh Verbrauch (z. B. Kälte, Druckluftspeicher, Ladevorgänge) innerhalb eines Tages verschieben. Der durchschnittliche Preisunterschied zwischen den teuersten und den günstigsten vier Stunden eines Tages beträgt im Beispiel 60 €/MWh. An 250 Betriebstagen ergibt sich:
TÄGLICH VERSCHIEBBAR2 MWhBeispielbetrieb
PREISSPREAD (ANNAHME)60 €/MWh250 Betriebstage
THEORETISCHES POTENZIAL30.000 €jährlich, Modellrechnung
BEI 70 % REALISIERUNG21.000 €jährlich, Modellrechnung
Theoretisches Potenzial: 2 MWh × 60 €/MWh × 250 Tage = 30.000 € pro Jahr.
Mit Prognoseunsicherheit und Prozessgrenzen: Kann aufgrund von Produktionsrestriktionen und Prognosefehlern nur 70 % des Potenzials realisiert werden, verbleiben rund 21.000 € pro Jahr.
Einordnung: Die tatsächliche Preisspanne muss aus Marktdaten des betrachteten Zeitraums ermittelt werden, z. B. über SMARD. Netzentgelte und Umlagen bleiben bei reiner Lastverschiebung im Wesentlichen unverändert.
Kosten von Prognose- und Analysewerkzeugen bestehen typischerweise aus Softwarelizenzen oder Plattformgebühren, Schnittstellenintegration, Datenpflege und internem Personalaufwand. Für Energiemanagement-Software, Messtechnik und Sensorik kann ein Zuschuss über Modul 3 der Bundesförderung für Energie- und Ressourceneffizienz in der Wirtschaft (EEW) in Betracht kommen, sofern die Software auf der BAFA-Liste steht [Quelle: BAFA, Merkblatt Modul 3, 2025, https://www.bafa.de/SharedDocs/Downloads/DE/Energie/eew_modul3_ems_merkblatt_2025.pdf; aktuelle Förderquoten – Quelle muss verifiziert werden].
RECHT & STRATEGIE
Rechtlicher und regulatorischer Rahmen für Prognosen und Datenanalyse (Stand: Oktober 2026)
Energieeffizienzgesetz (EnEfG): Unternehmen mit mehr als 7,5 GWh Jahresverbrauch müssen ein Energie- oder Umweltmanagementsystem betreiben, Unternehmen über 2,5 GWh Umsetzungspläne erstellen [Quelle: EnEfG §§ 8, 9, https://www.gesetze-im-internet.de/enefg/]. Eine Novelle mit Schwellen von 23,6 GWh bzw. 2,77 GWh befindet sich im parlamentarischen Verfahren; bis zur Verkündung gilt das bisherige Recht [Quelle: DENEFF, 2026, https://deneff.org/energieeffizienzgesetz-enefg-novelle-2026-erklaert/]. In beiden Fällen sind belastbare Energiedaten und Kennzahlen die Grundlage.
Bilanzkreissystem: Bilanzkreisverantwortliche müssen viertelstundenscharfe Prognosen für den Folgetag liefern; Abweichungen werden über den reBAP abgerechnet [Quelle: Netztransparenz.de, a. a. O.].
Datenzugang über das intelligente Messsystem: Das Messstellenbetriebsgesetz regelt, welche Messwerte an welche Berechtigten übermittelt werden, und schafft die Basis für viertelstundengenaue Daten auch unterhalb der RLM-Schwelle [Quelle: MsbG, https://www.gesetze-im-internet.de/messbg/].
Datenschutz: Energiedaten können personenbezogen sein, etwa bei Ladevorgängen einzelner Mitarbeitender oder in Mietobjekten; dann gelten die Vorgaben der DSGVO [Quelle: Verordnung (EU) 2016/679, https://eur-lex.europa.eu/eli/reg/2016/679/oj].
KI-Regulierung: Ob und in welchem Umfang die europäische KI-Verordnung auf Prognosemodelle im betrieblichen Energiemanagement anwendbar ist, hängt vom Einsatzzweck ab [Quelle: Verordnung (EU) 2024/1689, https://eur-lex.europa.eu/eli/reg/2024/1689/oj; Einordnung für EMS-Anwendungen – Quelle muss verifiziert werden].
Netzentgeltreform AgNes: Mit dem geplanten Kapazitätspreis auf eine vorab bestellte Leistung ab 2029 wird die Jahreslastprognose zur Grundlage einer Kostenentscheidung [Quelle: Bundesnetzagentur, Festlegung AgNes, Stand 06.08.2026, https://www.bundesnetzagentur.de/1059162].
RECHT & STRATEGIE
Skalierbarer Aufbau und typische Fehler
Prognosen und Analysen lassen sich schrittweise aufbauen: zunächst Lastganganalyse und Kennzahlen, dann eine einfache Referenztagprognose, anschließend PV- und Preisprognosen und schließlich probabilistische Prognosen mit Fahrplanoptimierung. Für mehrere Standorte empfiehlt sich ein einheitliches Datenmodell, damit Modelle und Auswertungen übertragbar bleiben.
Typische Fehler bei Energieprognosen und Datenanalyse
Schlechte Datenbasis: Lücken, falsche Zeitstempel oder fehlende Zeitsynchronisation machen jede Prognose unbrauchbar.
Betriebskalender fehlt: Feiertage, Sonderschichten und Betriebsferien werden nicht übermittelt.
Keine Referenzprognose: Komplexe Modelle werden eingesetzt, ohne nachzuweisen, dass sie besser sind als einfache Verfahren.
Falsches Gütemaß: Die Prognose wird nach Jahresmittelwerten bewertet, obwohl es auf Lastspitzen ankommt.
Strukturbrüche ignoriert: Neue Ladeinfrastruktur, Wärmepumpen oder Produktionslinien verändern das Lastprofil, das Modell wird aber nicht neu trainiert.
Analyse ohne Konsequenz: Berichte werden erstellt, Maßnahmen aber nicht abgeleitet und nachverfolgt.
RECHT & STRATEGIE
Ausblick: Prognosen und Datenanalyse bis 2030
Viertelstunde als Standard: Nach der Umstellung des Day-Ahead-Markts auf 15-Minuten-Produkte müssen Prognosen durchgängig in dieser Auflösung arbeiten.
Mehr Daten durch den Smart-Meter-Rollout: Bis 2032 sollen nach dem Messstellenbetriebsgesetz mindestens 90 % der Pflichteinbaufälle mit intelligenten Messsystemen ausgestattet sein [Quelle: Pfalzwerke Netz AG, „Novelle Messstellenbetriebsgesetz“, https://www.pfalzwerke-netz.de/unser-netz/messstellenbetrieb/novelle-messtellenbetriebsgesetz].
Kapazitätspreise: Mit AgNes wird die Prognose der eigenen Jahreshöchstlast zur Grundlage der Bestellkapazität.
Probabilistische Steuerung: Unsicherheitsbasierte Fahrpläne dürften Einzelwertprognosen in anspruchsvollen Anwendungen ergänzen. [Quelle muss verifiziert werden: Studie zur Marktdurchdringung]
RECHT & STRATEGIE
Fazit: Energieprognose und Datenanalyse als Entscheidungsgrundlage der Energieinfrastruktur
Energieprognosen und Datenanalyse übersetzen Messdaten in Entscheidungen. Technisch beruhen sie auf vier Datenquellen – historische Lastgänge, Wetterdaten, Betriebspläne und Marktpreise – und auf Verfahren, die von einfachen Referenztagen bis zu probabilistischen Machine-Learning-Modellen reichen. Entscheidend ist nicht die Komplexität des Modells, sondern die Qualität der Daten und die Bewertung der Prognosegüte im jeweiligen Anwendungsfall: Für Peak Shaving zählen die Spitzen, für Lastverschiebung die Rangfolge der Preise, für die Bilanzierung die viertelstündliche Abweichung.
Wirtschaftlich wirken Prognosen über Leistungspreis, Energiebeschaffung, Eigenverbrauch, Grundlastreduktion und bessere Investitionsentscheidungen. Die Beispielrechnungen zeigen, dass bereits einzelne Prognosefehler bei Lastspitzen Jahreskosten im fünfstelligen Bereich verursachen können und dass Lastverschiebung nach Day-Ahead-Preisen nur dann Erträge bringt, wenn Flexibilität und belastbare Prognosen zusammenkommen.
Mit Viertelstundenpreisen, wachsender Volatilität und der geplanten Netzentgeltreform ab 2029 wird die Energieprognose vom Zusatzmodul zur Kernfunktion des Energiemanagements. Unternehmen, die ihre Datenbasis jetzt strukturieren, schaffen die Voraussetzung für Flexibilisierung, Speicherbetrieb und Monitoring auf einer gemeinsamen Grundlage.
WEITERFÜHRENDE THEMEN
Weitere Leistungen im Energiemanagement
Häufig gestellte Fragen (FAQ) zu Energieprognose und Datenanalyse
Was ist eine Energieprognose?
Eine Energieprognose sagt voraus, wie viel Strom ein Standort in künftigen Zeiträumen verbrauchen, selbst erzeugen oder beziehen wird und – je nach Anwendung – zu welchem Preis. Im Energiemanagement von Unternehmen werden vor allem Lastprognosen, PV-Erzeugungsprognosen und Strompreisprognosen in Viertelstundenauflösung eingesetzt. Grundlage sind historische Messdaten, Wettervorhersagen, Produktions- und Schichtpläne sowie Marktdaten. Das Energiemanagementsystem nutzt die Prognosen, um Fahrpläne für Batteriespeicher, Ladeinfrastruktur oder verschiebbare Prozesse zu berechnen. Ohne Prognose kann ein EMS nur auf aktuelle Messwerte reagieren; mit Prognose kann es vorausschauend planen und Lastspitzen oder teure Beschaffungszeiten vermeiden.
Welche Daten braucht eine Lastprognose für ein Industrieunternehmen?
Die wichtigste Grundlage ist der Viertelstunden-Lastgang am Netzanschluss über mindestens zwölf Monate, damit saisonale Effekte erfasst werden. Ergänzend verbessern Unterzählerdaten großer Verbraucher die Prognose deutlich. Entscheidend sind außerdem Betriebsdaten: Schichtpläne, Produktionsvolumen, Feiertage, Betriebsferien und geplante Wartungen. Für temperaturabhängige Verbraucher wie Kälte, Klimatisierung oder Wärmepumpen werden Wettervorhersagen benötigt. In vielen Betrieben bringt die Anbindung an Produktionsplanung oder ERP-System mehr Genauigkeit als ein komplexeres Prognosemodell. Wichtig ist auch, Strukturbrüche wie neue Ladeinfrastruktur oder Produktionslinien zu erkennen und das Modell danach neu zu trainieren.
Wie genau sind PV-Prognosen?
Die Genauigkeit einer PV-Prognose hängt stark von der Wetterlage und vom Prognosehorizont ab. An wolkenlosen Tagen lässt sich die Erzeugung gut vorhersagen; bei durchziehender Bewölkung, Nebel oder Schnee auf den Modulen sind größere Abweichungen möglich. Kurzfristprognosen für die nächsten Stunden sind in der Regel genauer als Prognosen für den Folgetag. Der Deutsche Wetterdienst stellt Modellvorhersagen wie ICON-D2 inklusive Ensembles frei zur Verfügung, die die Unsicherheit als Bandbreite abbilden. Für das Energiemanagement ist diese Bandbreite wichtig: Bei unsicherer Wetterlage sollte das EMS mehr Speicherreserve vorhalten, statt sich auf einen einzelnen Prognosewert zu verlassen.
Brauche ich eine Strompreisprognose, wenn ich einen dynamischen Tarif habe?
Für den Folgetag nur eingeschränkt: Die Day-Ahead-Preise werden um die Mittagszeit des Vortags veröffentlicht und sind dann bekannt – seit Oktober 2025 in Viertelstundenauflösung. Ein Energiemanagementsystem kann diese Preise direkt für die Fahrplanoptimierung nutzen. Eine Preisprognose wird relevant, wenn über den Folgetag hinaus geplant werden soll, etwa für Wochenendstrategien, Wärmespeicher oder Produktionsplanung. Wichtig ist, die Erwartungen realistisch zu halten: Die meisten negativen Preise lagen 2025 nur knapp unter null. Der wirtschaftliche Nutzen entsteht vor allem aus dem regelmäßigen Preisunterschied zwischen günstigen Mittags- und teuren Abendstunden – und nur dann, wenn tatsächlich Verbrauch verschoben werden kann.
Wie misst man die Qualität einer Energieprognose?
Gebräuchlich sind der mittlere absolute Fehler (MAE), die Wurzel des mittleren quadratischen Fehlers (RMSE), der mittlere prozentuale Fehler (MAPE) und der Bias als systematische Abweichung. Sinnvoll ist zudem ein Skill Score, der zeigt, wie viel besser ein Modell als eine einfache Referenz wie der Vortag oder ein vergleichbarer Wochentag ist. Die Bewertung sollte zum Anwendungsfall passen: Für Peak Shaving zählt die Genauigkeit in Hochlastzeiten, für Lastverschiebung die richtige Rangfolge der günstigsten Viertelstunden. Probabilistische Prognosen werden mit eigenen Maßen wie dem Pinball Loss oder der Abdeckungsrate der Quantile geprüft. Ein Jahresdurchschnitt allein ist kein ausreichendes Gütemaß.
Ist Machine Learning für Energieprognosen notwendig?
Nicht zwingend. Machine-Learning-Verfahren wie Gradient Boosting oder neuronale Netze können nichtlineare Zusammenhänge zwischen Wetter, Kalender, Produktion und Verbrauch gut abbilden und erreichen bei guter Datenlage hohe Genauigkeiten. Sie erfordern aber saubere Trainingsdaten, regelmäßige Validierung und Pflege. Für viele mittelständische Betriebe liefern einfache Verfahren wie Referenztage oder Regressionsmodelle bereits brauchbare Ergebnisse, wenn Betriebskalender und Schichtpläne korrekt berücksichtigt werden. Entscheidend ist der Vergleich: Ein komplexes Modell sollte nur eingesetzt werden, wenn es den Prognosefehler gegenüber der einfachen Referenz messbar senkt und dieser Gewinn sich in der Steuerung wirtschaftlich auswirkt.
Welchen wirtschaftlichen Nutzen hat die Datenanalyse von Lastgängen?
Die Lastganganalyse zeigt, wo und wann Energie verbraucht wird und welche Viertelstunden den Leistungspreis bestimmen. Mit einer Jahresdauerlinie wird sichtbar, ob wenige Spitzen die Netzentgelte treiben – ein Hinweis auf wirtschaftliches Peak-Shaving-Potenzial. Heatmaps machen Nacht- und Wochenendlasten sichtbar, die oft auf vermeidbare Grundlast hindeuten, etwa durch Druckluftleckagen oder nicht abgeschaltete Anlagen. Energiekennzahlen nach ISO 50001 und ISO 50006 belegen, ob Maßnahmen tatsächlich wirken. Der Nutzen entsteht allerdings erst, wenn aus den Analysen konkrete Maßnahmen abgeleitet, umgesetzt und nachverfolgt werden; eine Auswertung ohne Zuständigkeit bleibt wirkungslos.
Was haben Prognosen mit Ausgleichsenergie zu tun?
Im deutschen Bilanzkreissystem müssen Bilanzkreisverantwortliche für jede Viertelstunde des Folgetags prognostizieren, wie viel Strom eingespeist und entnommen wird. Abweichungen zwischen Fahrplan und tatsächlichem Verbrauch werden viertelstündlich zum regelzonenübergreifenden einheitlichen Bilanzausgleichsenergiepreis (reBAP) abgerechnet, den die Übertragungsnetzbetreiber auf netztransparenz.de veröffentlichen. Für die meisten Unternehmen übernimmt der Lieferant diese Aufgabe und preist das Prognoserisiko in den Vertrag ein. Unternehmen mit eigenem Bilanzkreis oder strukturierter Beschaffung tragen das Risiko dagegen selbst. Bessere Lastprognosen senken dann direkt die Ausgleichsenergiekosten und können in Lieferverträgen günstigere Konditionen begründen.
Quellenverzeichnis
Alle Online-Quellen abgerufen am 08.10.2026. Mit [Quelle muss verifiziert werden] gekennzeichnete Aussagen sind vor Veröffentlichung anhand der Originalquelle zu prüfen.
BAFA: Merkblatt „Modul 3 – MSR, Sensorik und Energiemanagement-Software“, 2025. https://www.bafa.de/SharedDocs/Downloads/DE/Energie/eew_modul3_ems_merkblatt_2025.pdf
BDEW: BDEW-Strompreisanalyse Herbst 2026, 21.08.2026. https://www.bdew.de/service/daten-und-grafiken/bdew-strompreisanalyse/
Bundesnetzagentur: Bundesnetzagentur veröffentlicht Daten zum Strommarkt 2025, Pressemitteilung, 2026. https://www.bundesnetzagentur.de/1087156
Bundesnetzagentur: GBK-25-01-1#3 Festlegung AgNes, Stand 06.08.2026. https://www.bundesnetzagentur.de/1059162
Bundesnetzagentur: SMARD – Strommarktdaten. https://www.smard.de
DENEFF: Energieeffizienzgesetz (EnEfG) Novelle 2026 erklärt, 2026. https://deneff.org/energieeffizienzgesetz-enefg-novelle-2026-erklaert/
Deutscher Wetterdienst: Numerische Modellvorhersagedaten (ICON, ICON-EU, ICON-D2). https://www.dwd.de/DE/leistungen/modellvorhersagedaten/modellvorhersagedaten.html
Deutscher Wetterdienst: Open Data. https://www.dwd.de/DE/leistungen/opendata/opendata.html
EPEX SPOT: 15-minute products live on EPEX SPOT Day-Ahead markets, 30.09.2025. https://www.epexspot.com/en/news/15-minute-products-live-epex-spot-day-ahead-markets
EPEX SPOT: Monthly Power Trading Results December 2025. https://www.epexspot.com/en/news/monthly-power-trading-results-december-2025
Energieeffizienzgesetz (EnEfG), §§ 8, 9. https://www.gesetze-im-internet.de/enefg/
Energiewirtschaftsgesetz (EnWG), § 41a. https://www.gesetze-im-internet.de/enwg_2005/__41a.html
Erneuerbare-Energien-Gesetz (EEG 2023), § 51. https://www.gesetze-im-internet.de/eeg_2014/__51.html
Europäische Union: Verordnung (EU) 2016/679 (DSGVO). https://eur-lex.europa.eu/eli/reg/2016/679/oj
Europäische Union: Verordnung (EU) 2024/1689 (KI-Verordnung). https://eur-lex.europa.eu/eli/reg/2024/1689/oj
FfE – Forschungsstelle für Energiewirtschaft: Deutsche Strompreise an der Börse EPEX Spot im Jahr 2025, 2026. https://www.ffe.de/en/publications/german-electricity-prices-on-the-epex-spot-exchange-in-2025/
ISO: ISO 50006 – Energy performance indicators and energy baselines. https://www.iso.org/standard/80886.html [Ausgabestand muss verifiziert werden]
Messstellenbetriebsgesetz (MsbG). https://www.gesetze-im-internet.de/messbg/
Netztransparenz.de (Übertragungsnetzbetreiber): Ausgleichsenergiepreis (reBAP). https://www.netztransparenz.de/de-de/Regelenergie/Ausgleichsenergiepreis
Pfalzwerke Netz AG: Novelle Messstellenbetriebsgesetz. https://www.pfalzwerke-netz.de/unser-netz/messstellenbetrieb/novelle-messtellenbetriebsgesetz