Probabilistische Tagesvorausplanung für systemweite Erneuerbare-Energien- und Stromnachfrage

Warum die Energie von morgen heute zählt

Das Licht an zu behalten wird komplizierter, weil immer mehr Haushalte, Autos und Unternehmen mit Strom betrieben werden und der Strom zunehmend aus Wind und Sonne stammt. Im Gegensatz zu konventionellen Kraftwerken hängen erneuerbare Quellen vom Wetter ab, das sich schnell ändern kann. Diese Studie untersucht einen intelligenteren Weg, einen Tag im Voraus vorherzusagen, wie viel Strom die Menschen verbrauchen werden und wie viel Wind- und Solarenergie das Netz produzieren wird. Bessere Prognosen können Kosten senken, die Umweltbelastung vermindern und das Risiko von Blackouts in Regionen wie Kalifornien und darüber hinaus verringern.

Die Herausforderung, Nachfrage und Sonnenschein vorherzusagen

Netzbetreiber müssen Angebot und Nachfrage jede Minute ausbalancieren. Einen Tag im Voraus entscheiden sie, welche Kraftwerke betrieben werden und wie viel Reserve sie vorhalten. Mit zunehmender Einspeisung von Solarpanelen und Windturbinen und steigendem Bedarf durch Klimaanlagen, Elektrofahrzeuge und Rechenzentren stoßen einfache Prognosemethoden an ihre Grenzen. Fehler zwingen die Betreiber, in Echtzeit zu improvisieren, kurzfristig Strom zuzukaufen, Erneuerbare zu drosseln oder auf schnell startende fossile Kraftwerke zurückzugreifen. Im kalifornischen System haben diese wachsenden Abweichungen zu höheren Betriebskosten, mehr Importen aus benachbarten Regionen und häufigeren Anpassungen geführt, um die Netzstabilität aufrechtzuerhalten.

Eine neue Art, das Wetter zu interpretieren

Die Autoren schlagen ein Prognoserahmenwerk vor, das fortgeschrittene statistische Werkzeuge und maschinelles Lernen nutzt, um detaillierte Wettervorhersagen vollständig auszuschöpfen. Statt sich auf wenige grobe Wettervariablen zu stützen, beginnen sie mit einem reichhaltigen, hochauflösenden Wettermodell, das den gesamten Westen der Vereinigten Staaten abdeckt. Ein erster Schritt filtert die vielen Wetterdatenpunkte heraus, die für die Energiebilanz kaum relevant sind, und identifiziert Orte und Bedingungen, die starken Einfluss auf Stromnachfrage und Erzeugung aus Erneuerbaren haben. Dazu gehören Faktoren wie Temperatur, Luftfeuchtigkeit und solare Einstrahlung in der Nähe großer Ballungsräume und rund um Wind- und Solarparks, verdichtet zu einer kompakten Menge der relevantesten Signale.

Das gesamte System auf einmal sehen

Die meisten früheren Methoden prognostizieren einzelne Teile des Systems separat: ein Modell für die Nachfrage, eines für Wind und eines für Solar. Im Gegensatz dazu erstellt diese Arbeit gemeinsame probabilistische Vorhersagen, das heißt sie prognostiziert nicht nur einzelne Bestschätzungen, sondern vollständige Spannen möglicher Ergebnisse für Nachfrage, Wind und Solar gemeinsam, Stunde für Stunde. Indem modelliert wird, wie diese Größen gemeinsam in Kaliforniens drei Hauptnetzgebieten schwanken, erfasst der Ansatz Zusammenhänge wie heiße Tage, die den Klimaanlagenverbrauch erhöhen und zugleich die Solarproduktion steigern, oder stürmische Bedingungen, die die Solarleistung senken, aber die Windkraft erhöhen können. Die Methode erzeugt viele plausible Zukünftigkeitsszenarien, die realistische tageslange Muster erhalten, statt isolierter stündlicher Punkte.

Von besseren Prognosen zu intelligenteren Reserven

Um ihren Ansatz zu testen, konzentrierten sich die Forschenden auf den California Independent System Operator, der den größten Teil des Hochspannungsnetzes des Bundesstaates verwaltet. Sie verglichen ihre probabilistischen Modelle mit standardmäßigen Benchmarks, einschließlich der eigenen Tagesvorausprognosen des Betreibers. Für Stromnachfrage, Solar, Wind und die kombinierte „Nettonachfrage“, die konventionelle Erzeuger sehen, verbesserten ihre besten Modelle die Prognosegüte um bis zu etwa ein Viertel. Entscheidend lieferten die probabilistischen Vorhersagen auch gut kalibrierte Unsicherheitsbänder, insbesondere in Stressphasen wie Rekordhitzewellen oder ungewöhnlichen Stürmen. Mit diesen Bändern experimentierte das Team mit einer neuen Methode zur zeitlichen Verteilung von Betriebsreserven: statt die Reserve gleichmäßig zu verteilen oder sich auf fixe historische Fehlerprofile zu verlassen, verschoben sie Reserven hin zu Stunden, in denen die Unsicherheit tatsächlich größer war, etwa zur Mittagszeit, wenn die Solarproduktion am größten und variabler ist.

Was das für ein saubereres, stabileres Netz bedeutet

Als die Forschenden Netzbetriebe mit ihrer Methode zur Reservenzuteilung simulierten, stellten sie fest, dass die gesamten Ungleichgewichte zwischen Angebot und Nachfrage – gemessen als Bedarf an Importen oder als Drosselung erneuerbarer Erzeugung – im Vergleich zu den derzeitigen deterministischen Praktiken reduziert wurden. Gemeinsame probabilistische Prognosen ermöglichten es, diese Ungleichgewichte zu verringern und gleichzeitig die Zuverlässigkeitsanforderungen zu erfüllen, und Ensemble-Kombinationen von Modellen schnitten insgesamt am besten ab. Praktisch bedeutet das, dass Betreiber weniger auf teure, emissionsintensive Reservekraftwerke angewiesen wären, mehr Wind und Solar integrieren könnten, ohne die Stabilität zu opfern, und flexibler auf extremes Wetter reagieren könnten. Die Studie legt nahe, dass die Behandlung von Prognosen als Wahrscheinlichkeitsverteilungen statt als Einzelwerte ein Schlüssel für ein effizienteres, nachhaltigeres und widerstandsfähigeres Stromsystem ist.

Zitation: Terrén-Serrano, G., Deshmukh, R. & Martínez-Ramón, M. Probabilistic day-ahead forecasting of system-level renewable energy and electricity demand. Nat Commun 17, 3307 (2026). https://doi.org/10.1038/s41467-026-69015-w

Schlüsselwörter: Prognose erneuerbarer Energien, Stromnachfrage, Zuverlässigkeit des Stromnetzes, probabilistische Modellierung, Betriebsreserven