Strommarkt: Online-Tool sagt Preise für Regelleistung voraus
Ein Forschungsteam vom Fraunhofer IPA und vom Institut für
Energieeffizienz in der Produktion (EEP) der Universität Stuttgart hat ein
frei zugängliches Online-Tool veröffentlicht, das KI-gestützte
Preisprognosen für den deutschen Regelleistungsmarkt abgibt. Es liefert
täglich aktualisierte Vorhersagen und ermöglicht es, verschiedene
Gebotsstrategien miteinander zu vergleichen.
Es ist Fluch und Segen zugleich: Einerseits führt die schwankende
Strommenge, die Windkraft- und Photovoltaikanlagen liefern, immer wieder
zu einem Ungleichgewicht im Stromnetz. Wenn unerwartet Wolken aufziehen
oder der erhoffte Wind ausbleibt, steht kurzfristig weniger Strom zur
Verfügung als prognostiziert. Netzbetreiber müssen dann eilig Maßnahmen
ergreifen, um Angebot und Nachfrage wieder ins Gleichgewicht zu bringen.
Dann schlägt die Stunde des sogenannten Regelleistungsmarkts. Dort werden
kurzfristige Erhöhungen oder Reduktionen der nachgefragten Strommenge
gehandelt.
Unternehmen, die in der Lage sind, ihren Stromverbrauch flexibel zu
reduzieren oder zu steigern, können also andererseits auf diesem
Regelleistungsmarkt gutes Geld verdienen. Doch das ist gar nicht so
einfach. Denn der Regelleistungsmarkt funktioniert nach einem speziellen
Gebotsverfahren namens »Pay as bid«. Wer mit seinem Gebot unter dem
tatsächlich realisierten Strompreis liegt, muss auf Einnahmen verzichten.
Und wer sein Gebot zu hoch ansetzt, geht komplett leer aus.
Datengetriebene Preisprognosen erhöhen Markttransparenz und Netzstabilität
Glücklich also, wer den Strompreis genau vorhersagen kann. Ein
Forschungsteam vom Fraunhofer-Institut für Produktionstechnik und
Automatisierung IPA sowie vom EEP der Universität Stuttgart hat bereits im
März 2025 in einem Preprint auf der Online-Plattform »arXiv« eine KI-
gestützte Preisprognose für den deutschen Regelleistungsmarkt vorgestellt.
Inzwischen ist der Text auch in der Fachzeitschrift »International Journal
of Electrical Power and Energy Systems« veröffentlicht worden. Außerdem
haben die Wissenschaftler ihren theoretischen Betrachtungen Taten folgen
lassen: Sie haben ihr Online-Tool »PayBid AI« veröffentlicht – kostenfrei,
interaktiv und mit täglich aktualisierten Live-Daten.
»Unser Ziel war es, unsere Forschung direkt erlebbar zu machen und einen
Mehrwert zu schaffen«, sagt Professor Alexander Sauer, Mitglied der
Institutsleitung des Fraunhofer IPA. »Mit PayBid AI bieten wir der
Industrie, Forschung und Öffentlichkeit einen Service, der zeigt, wie
datengetriebene Prognosen konkret zur Markttransparenz und Netzstabilität
beitragen können.«
Verschiedene Gebotsstrategien im Vergleich
Das Online-Tool aktualisiert sich automatisch mit den neuesten
Regelleistungsmarkt-Daten und erstellt täglich Prognosen für den folgenden
Tag. Es deckt vier Teilmärkte der deutschen Regelenergie ab: jeweils beide
Märkte für Sekundär- und Tertiärregelleistung. Nutzerinnen und Nutzer
können selbst festlegen, welchen Zeitraum sie betrachten möchten, zwischen
zwei Machine-Learning-Modellen wählen und deren Ergebnisse mit vier
gängigen Benchmark-Strategien vergleichen.
»Wir wollten zeigen, dass datengetriebene Modelle nicht nur theoretisch
besser sind – wie im Paper gezeigt –, sondern sich das auch direkt in der
Praxis quantifizieren lässt«, erklärt Lukas Baur vom Forschungsteam
Datengetriebene Energiesystemoptimierung am Fraunhofer IPA. »Im Dashboard
sieht man live, welches Erlöspotenzial sich mit einem bestimmten Modell
realisieren ließe – und wie sich unterschiedliche Strategien im
Zeitverlauf schlagen.«
Preisprognosen lassen sich in Optimierungs- oder Einsatzplanungssysteme
integrieren
Damit das Online-Tool stets aktuelle Informationen liefert, ist es direkt
mit den Datenquellen des Regelleistungsmarkts verknüpft. »Wir greifen
automatisiert auf die Veröffentlichungen der Preise zu und übertragen die
Daten live in unser Online-Tool«, erklärt Jan Besler, der die
Datenintegration verantwortet hat. Neben der interaktiven Visualisierung
bietet PayBid AI eine vollwertige, standardisierte Schnittstelle. Darüber
können Unternehmen die Prognosen automatisiert in eigene Optimierungs-
oder Einsatzplanungssysteme integrieren – etwa für Gebotsstrategien,
Lastverschiebungen oder das Flexibilitätsmanagement.
Die frei zugängliche Version bildet nur einen Ausschnitt der
zugrundeliegenden Modelllandschaft ab. Im Hintergrund steht eine
erweiterte Bibliothek mit fortgeschrittenen Machine-Learning-Verfahren,
die im Backend bereits verfügbar sind und in internen Tests deutlich
höhere Prognosequalitäten erzielen. Diese Modelle können auf Anfrage für
weiterführende Anwendungen bereitgestellt werden.
Komplexere Modelle und Verfahren sollen Preisprognosen bald noch besser
machen
Das Online-Tool dient bisher als Demonstrator. Doch im Hintergrund
arbeiten die Wissenschaftler am Fraunhofer IPA und EEP bereits an der
Implementierung komplexerer Offset-Verfahren und probabilistischer
Modelle, um die Prognosequalität weiter zu erhöhen. Zudem ist eine
Erweiterung auf andere Märkte und Länder geplant. Für erweiterte
Anwendungen und Zugriff auf zusätzliche Modellvarianten steht das
Forschungsteam interessierten Partnern zur Verfügung.
Wissenschaftliche Ansprechpartner:
Lukas Baur | Telefon +49 711 970-1479 |
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA |
www.ipa.fraunhofer.de
Jan Besler | Telefon +49 711 970-6052 |
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA |
www.ipa.fraunhofer.de
Dr.-Ing. Can Kaymakci | Telefon +49 711 970-3691 |
Produktionstechnik und Automatisierung IPA | www.ipa.fraunhofer.de
Philipp Pelger | Telefon +49 711 970-1971 |
Produktionstechnik und Automatisierung IPA | www.ipa.fraunhofer.de
Originalpublikation:
https://doi.org/10.1016/j.ijep
Electrical Power & Energy Systems: ML-based bidding price prediction for
pay-as-bid ancillary services markets: An application to the German
control reserve market
