Prognose von Energiepreisen und der Verbreitung erneuerbarer Energien durch ein optimiertes baumbasiertes Lernframework mit erklärbarer künstlicher Intelligenz

Warum die künftigen Stromkosten für Sie wichtig sind

Stromrechnungen, Brennstoffpreise und das Tempo, mit dem Solar- und Windkraft Kohle und Öl ersetzen, prägen sowohl den Alltag als auch nationale Volkswirtschaften. Diese Studie stellt eine auf den ersten Blick einfache Frage: Lassen sich moderne Datenwerkzeuge nutzen, um zu erkennen, wohin sich Energiepreise und die Verbreitung sauberer Energie entwickeln, und um zu verstehen, was diese Veränderungen tatsächlich antreibt? Durch die Auswertung von zwei Jahrzehnten globaler Energiedaten mit fortschrittlichen Methoden des maschinellen Lernens entwickelt der Autor ein Vorhersagesystem, das nicht nur künftige Trends prognostiziert, sondern auch erklärt, welche Faktoren – etwa die Abhängigkeit von fossilen Brennstoffen oder CO2‑Emissionen – am wichtigsten sind.

Den sich wandelnden Energiegewohnheiten der Welt folgen

Die Forschung beginnt mit einem großen Datensatz, der mehr als 50 Länder von 2000 bis 2024 abdeckt. Für jedes Land und Jahr wird verfolgt, wie viel Energie die Menschen im Durchschnitt verbrauchen, wie stark das Land von fossilen Brennstoffen abhängig ist, wie sich die Energie zwischen Industrie und Haushalten aufteilt, die insgesamt verbrauchte Energiemenge und das Niveau der CO2‑Emissionen. Zwei zentrale Zielgrößen werden dann erfasst: ein Energiepreisindex, der widerspiegelt, wie teuer Energie ist, und der Anteil der Energie aus erneuerbaren Quellen wie Wind, Sonne und Wasserkraft. Da die Daten viele Regionen und Jahre umfassen, erfassen sie sowohl lokale Unterschiede als auch langfristige globale Trends und eignen sich daher gut für Prognosen.

Digitalen „Bäumen“ das Lernen aus Energiedaten beibringen

Um diese historischen Informationen in Vorhersagen umzuwandeln, stützt sich die Studie auf eine Familie von Techniken, die als baumbasierte Modelle des maschinellen Lernens bekannt sind. Diese Modelle teilen Daten in Äste auf, basierend auf einfachen Fragen, etwa ob der Einsatz fossiler Brennstoffe über oder unter einem bestimmten Wert liegt, und gelangen schließlich zu Vorhersagen für Preise oder den Anteil erneuerbarer Energien. Anstatt einen einzelnen Baum zu verwenden, baut der Autor Wälder aus Bäumen und steigert deren Leistung mithilfe sogenannter metaheuristischer Optimierungsalgorithmen, die von Tierverhalten inspiriert sind und nach den besten Einstellungen für jedes Modell suchen. Dieser Abstimmungsprozess verbessert sowohl die Genauigkeit als auch die Stabilität im Umgang mit komplexen, verrauschten Realweltdaten.

Zuverlässigkeit prüfen und die „Black Box“ öffnen

Genauere Vorhersagen sind nur nützlich, wenn sie einer genauen Prüfung standhalten. Die Studie testet ihre Modelle, indem sie sie wiederholt auf unterschiedlichen, zeitlich geordneten Ausschnitten der Daten trainiert und evaluiert, um zu simulieren, wie sie in zukünftigen, bisher ungesehenen Jahren abschneiden würden. In diesen Tests erklären die besten Hybridmodelle weit über 90 Prozent der Variation sowohl bei Energiepreisen als auch beim Anteil erneuerbarer Energien, mit relativ geringen typischen Fehlern. Um der häufigen Kritik zu begegnen, dass maschinelles Lernen eine Black Box sei, wendet der Autor erklärbare KI‑Werkzeuge an. Eines davon, SHAP genannt, verteilt jede Vorhersage zurück auf die Eingabefaktoren und zeigt, wie stark jeder einzelne die Prognose nach oben oder unten beeinflusst hat. Ein anderes, eine Sensitivitätsmethode namens Cosine Amplitude Method, untersucht, wie Änderungen und Kombinationen von Eingaben sich auf die Ausgaben auswirken.

Was Preise und Wachstum sauberer Energie wirklich antreibt

Diese Interpretationswerkzeuge zeichnen ein klares Bild. Für die Vorhersage des Anteils erneuerbarer Energien stechen zwei Variablen hervor: die Abhängigkeit eines Landes von fossilen Brennstoffen und seine CO2‑Emissionen. Hohe Abhängigkeit von fossilen Brennstoffen und hohe Emissionen neigen dazu, das Wachstum erneuerbarer Energien zu dämpfen, während Verschiebungen weg von fossilen Brennstoffen stark mit höheren Anteilen sauberer Energie verbunden sind. Für Energiepreise spielt der Gesamtenergieverbrauch – wie viel Energie ein Land in Fabriken, Büros und Haushalten nutzt – eine führende Rolle. Regionen mit hohem Pro‑Kopf‑Energieverbrauch oder starker Abhängigkeit von fossilen Brennstoffen sind größeren Preisschwankungen ausgesetzt, wenn das Angebot knapp wird. Die Analyse zeigt zudem, dass Wechselwirkungen wichtig sind: Zum Beispiel kann die kombinierte Wirkung von industriellem Energieverbrauch und dem Gesamtverbrauch wichtiger sein als jede einzelne Variable allein.

Von klügeren Prognosen zu klügerer Politik

Für Nichtfachleute ist die Schlussfolgerung einfach. Durch die Kombination fortschrittlicher Lernalgorithmen mit Werkzeugen, die deren Funktionsweise verdeutlichen, baut diese Forschung ein Prognoseframework, das sowohl genau als auch verständlich ist. Sie zeigt, dass die Reduktion der Abhängigkeit von fossilen Brennstoffen und der CO2‑Emissionen nicht nur gut fürs Klima ist; sie steht auch in engem Zusammenhang damit, wie schnell erneuerbare Energien wachsen können und wie stabil Energiepreise bleiben. Politikgestalter, Versorgungsunternehmen und Investoren können solche Modelle nutzen, um zu testen, wie verschiedene Maßnahmen – etwa CO2‑Bepreisung, Effizienzprogramme oder Förderungen für erneuerbare Energien – künftige Rechnungen und Emissionen beeinflussen könnten. Im Kern bietet die Studie einen datenbasierten Kompass, um den Übergang zu einem günstigeren und nachhaltigeren globalen Energiesystem zu steuern.

Zitation: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Schlüsselwörter: Energiepreise, erneuerbare Energien, maschinelles Lernen, Kohlenstoffemissionen, fossile Brennstoffe