KI für Stromhandel: Day-Ahead Preise vorhersagen

TL;DR

Stadtwerke und mittelständische Energieversorger können Day-Ahead-Strompreise mit KI-Modellen auf 91 % Genauigkeit (MAPE unter 9 %) prognostizieren. Eine XGBoost-Pipeline verarbeitet Wetterdaten, historische Preise und Lastprognosen auf einem Standard-Server ohne GPU. Das Mehrergebnis liegt bei 180.000–420.000 € pro Jahr, abhängig vom Handelsvolumen.

Warum Day-Ahead-Prognosen entscheidend sind

Der Day-Ahead-Markt an der EPEX SPOT ist für Stadtwerke die wichtigste Handelsplattform. Jeden Tag um 12:00 Uhr werden die Strompreise für die 24 Stunden des Folgetages festgelegt. Wer die Preise besser vorhersagt, kauft günstiger ein und verkauft teurer.

Ein Stadtwerk mit 150.000 Kunden handelt typischerweise 500–800 GWh pro Jahr am Day-Ahead-Markt. Bei einem durchschnittlichen Spread von 15 €/MWh zwischen Einkaufs- und Verkaufszeitpunkten bedeutet jeder Prozentpunkt bessere Prognosegenauigkeit 120.000–180.000 € Mehrergebnis.

Die Volatilität am deutschen Strommarkt hat sich seit 2022 verdoppelt. Negative Preise treten mittlerweile an 80+ Stunden pro Jahr auf, Preisspitzen über 200 €/MWh an 150+ Stunden. Traditionelle Prognosemodelle, die auf linearen Regressionen basieren, versagen bei diesen Extremen. KI-Modelle erfassen nichtlineare Zusammenhänge zwischen Wind, Solar, Temperatur und Nachfrage und liefern präzisere Prognosen gerade bei volatilen Marktsituationen.

Datenquellen für die Preisprognose

Die wichtigsten kostenfreien Datenquellen (ENTSO-E und DWD) reichen für eine funktionsfähige Prognose aus. Kommerzielle Daten verbessern die Genauigkeit um weitere 2–3 Prozentpunkte. Die Gesamtkosten für KI-Projekte liegen damit deutlich unter den erzielbaren Mehrergebnissen.

Modellarchitektur: XGBoost schlägt Deep Learning

Für Day-Ahead-Prognosen hat sich in der Praxis XGBoost gegenüber neuronalen Netzen durchgesetzt. Die Gründe:

• Trainingsdauer: 2 Minuten statt 4 Stunden (auf CPU)
• Interpretierbarkeit: Feature Importance zeigt, welche Faktoren den Preis treiben
• Robustheit: Weniger anfällig für Overfitting bei nur 3 Jahren Trainingsdaten
• Keine GPU nötig: Läuft auf jedem Server mit 16 GB RAM

# day_ahead_model_config.yaml – XGBoost Prognose-Pipeline
model:
  type: "xgboost"
  task: "regression"
  target: "day_ahead_price_eur_mwh"
  features:
    weather:
      - wind_speed_100m  # DWD, 24h Prognose
      - global_radiation  # DWD, Globalstrahlung
      - temperature_2m   # DWD, Lufttemperatur
    market:
      - da_price_lag_1d   # Preis gestern, gleiche Stunde
      - da_price_lag_7d   # Preis vor 7 Tagen
      - da_price_lag_365d # Preis vor 1 Jahr
      - intraday_price_latest  # Letzter Intraday-Preis
    system:
      - total_load_forecast  # ENTSO-E Lastprognose
      - wind_generation_forecast  # Windeinspeisung
      - solar_generation_forecast  # Solareinspeisung
      - residual_load     # Last minus EE
    calendar:
      - hour_of_day       # 0-23
      - day_of_week       # 0-6
      - is_holiday        # Feiertage DE
      - month             # 1-12
  hyperparameters:
    n_estimators: 1500
    max_depth: 8
    learning_rate: 0.05
    subsample: 0.8
    colsample_bytree: 0.8
    min_child_weight: 5
  training:
    train_window: "2023-01-01 to 2025-12-31"
    validation: "rolling_30d"
    retrain_frequency: "weekly"

Ergebnisse: 91 % Genauigkeit bei Day-Ahead-Preisen

Das Modell wurde auf 3 Jahren EPEX-SPOT-Daten (2023–2025) trainiert und auf Q1/2026 getestet:

Die größte Verbesserung zeigt sich bei Extremereignissen. Genau dort liegen die größten Handelschancen: Wer negative Preise 24 Stunden vorher erkennt, kann Flexibilitäten (Speicher, Wärmepumpen, E-Mobilität) gewinnbringend einsetzen.

Handelsstrategien mit KI-Prognosen

Strategie 1: Optimierter Day-Ahead-Einkauf. Statt das gesamte Volumen zum Durchschnittspreis zu kaufen, verteilt die KI den Einkauf auf die prognostizierten Tiefpreisstunden. Mehrergebnis: 0,8–1,2 €/MWh.

Strategie 2: Flexibilitätsvermarktung. Bei prognostizierten negativen Preisen werden steuerbare Lasten (Wärmepumpen, Kälteanlagen) hochgefahren. Bei Preisspitzen wird Einspeisung aus BHKW maximiert. Mehrergebnis: 0,5–0,8 €/MWh.

Strategie 3: Intraday-Arbitrage. Die Day-Ahead-Prognose dient als Basis. Abweichungen zwischen Day-Ahead- und Intraday-Preis werden systematisch gehandelt. Mehrergebnis: 0,3–0,6 €/MWh.

Ein Stadtwerk mit 600 GWh Handelsvolumen erzielt mit allen drei Strategien zusammen 180.000–420.000 € Mehrergebnis pro Jahr. Der ROI-Rechner hilft bei der Kalkulation für Ihr Handelsvolumen.

Implementierung: 6 Wochen bis zur ersten Prognose

Woche 1–2: Datenanbindung. ENTSO-E-API und DWD-FTP-Server einrichten, historische Daten laden, Datenqualität prüfen. Python-Skript für automatischen täglichen Import.

Woche 3–4: Modelltraining. Feature Engineering, XGBoost-Training, Hyperparameter-Optimierung mit Optuna. Backtesting auf 12 Monate Out-of-Sample-Daten.

Woche 5: Integration. Prognose als täglichen Report an die Handelsabteilung liefern (PDF oder Dashboard). Vergleich mit bestehender Prognose.

Woche 6: Pilothandel. Erste Handelsentscheidungen auf Basis der KI-Prognose, parallel zur bestehenden Strategie. Tracking des Mehrergebnisses.

Der KI-Komplett-Leitfaden beschreibt den organisatorischen Rahmen für die Einführung von KI-Systemen.

Modell-Monitoring: Prognosequalität dauerhaft sichern

Ein einmal trainiertes Modell verliert ohne Pflege an Genauigkeit. Marktstrukturbrüche (z. B. Atomausstieg, neue Interkonnektoren, geänderte Netzentgelte) verändern die Preisdynamik. Drei Maßnahmen sichern die Prognosequalität:

Tägliches Backtesting: Vergleichen Sie jeden Morgen die gestrige Prognose mit den tatsächlichen Preisen. Ein MAPE über 15 % an drei aufeinanderfolgenden Tagen signalisiert Re-Training-Bedarf.

Feature-Drift-Erkennung: Überwachen Sie, ob sich die Verteilung der Eingangsdaten verändert. Wenn beispielsweise die Windeinspeisung dauerhaft 20 % über dem Trainings-Durchschnitt liegt, passt das Modell nicht mehr.

Quarterly Review: Alle drei Monate das Modell mit einem vollständigen Re-Training auf den neuesten 3-Jahres-Daten aktualisieren. Vergleichen Sie das neue Modell gegen das alte auf einem Out-of-Sample-Zeitraum, bevor Sie umschalten.

Regulatorische Anforderungen

Stadtwerke unterliegen der BaFin-Aufsicht im Energiehandel (sofern der Handel über Eigenverbrauchsprivilegien hinausgeht). Für KI-gestützte Handelsentscheidungen gelten:

• MiFID II: KI-Prognosen als Entscheidungshilfe, nicht als autonomes Handelssystem
• REMIT: Transparenzpflichten bei algorithmischem Handel an EPEX SPOT
• EU AI Act: Day-Ahead-Prognosemodelle fallen typischerweise in die Kategorie "begrenztes Risiko"
• Dokumentationspflicht: Modellparameter, Trainingsdata und Prognosegüte müssen nachvollziehbar dokumentiert werden

Eine KI-Implementierung im regulierten Umfeld erfordert sorgfältige Planung, ist aber mit den richtigen Prozessen beherrschbar. Stadtwerke sollten frühzeitig den Austausch mit der BaFin suchen, um Unsicherheiten bei der Klassifizierung des Handelssystems zu klären.

FAQ

Brauche ich eine GPU für Day-Ahead-Prognosen? Nein. XGBoost läuft auf jeder modernen CPU. Ein Server mit 16 GB RAM und 4 CPU-Kernen reicht aus. Die Prognose für 24 Stunden dauert unter 5 Sekunden.

Wie oft muss das Modell neu trainiert werden? Wöchentliches Re-Training mit den neuesten Daten liefert die besten Ergebnisse. Der Trainingslauf dauert 2 Minuten und kann automatisiert per Cronjob laufen.

Funktioniert das auch für Intraday-Prognosen? Ja, das gleiche Modell kann für Intraday-Prognosen angepasst werden. Die Feature-Liste erweitert sich um kurzfristige Wetterdaten und aktuelle Erzeugungswerte. Die Genauigkeit liegt bei Intraday typischerweise 3–5 PP unter Day-Ahead.

Wie gehe ich mit Extremereignissen um (Dunkelflaute, Hitzewelle)? Das Modell lernt aus historischen Extremereignissen. Zusätzlich empfiehlt sich ein Alarm-System, das bei prognostizierten Preisen über 200 €/MWh oder unter -30 €/MWh den Händler per SMS benachrichtigt.

Kann ich das System mit unserem bestehenden ETRM verbinden? Ja, die Prognosen werden als CSV oder über eine REST-API bereitgestellt. Gängige ETRM-Systeme (Kisters, Trayport, Brady) bieten Import-Schnittstellen. Eine direkte Anbindung reduziert manuelle Übertragungsfehler.