Lastprognosen für Strom mit Intervallmodellen auf Basis von Granularität und nachvollziehbaren Prinzipien

Warum das für den täglichen Stromverbrauch wichtig ist

Die Versorgung mit Strom aufrechtzuerhalten ist ein Balanceakt. Energieversorger müssen stets genug Strom bereithalten, um die Nachfrage zu decken, aber nicht so viel, dass Brennstoff und Geld verschwendet werden. Diese Studie untersucht eine neue Methode, um zu prognostizieren, wie viel Strom eine Region künftig benötigen wird — besonders über Monate und Jahre hinweg — und zugleich offen die Unsicherheit dieser Vorhersagen darzustellen. Das ist wichtig für alle, die auf ein verlässliches, bezahlbares und zunehmend klimafreundliches Energiesystem angewiesen sind.

Von Einzelwerten zu sicheren Bereichen

Die meisten traditionellen Prognosewerkzeuge liefern eine einzelne Zahl für die zukünftige Stromnachfrage, etwa „das Netz benötigt morgen um 18 Uhr 5.000 Megawatt“. Solche Punktprognosen können für die nahe Zukunft sehr genau sein, verlieren aber an Verlässlichkeit bei längeren Horizonten, weil die Nachfrage von wechselndem Wetter, wirtschaftlichem Wachstum und veränderten Verhaltensmustern wie dem Laden von Elektrofahrzeugen beeinflusst wird. Neuere Methoden aus dem Bereich Machine Learning und Deep Learning haben die Genauigkeit verbessert, geben aber oft weiterhin nur eine „beste Schätzung“ aus und verbergen die Unsicherheit hinter komplexen Wahrscheinlichkeitsaussagen, die für Netzbetreiber und Regulierungsbehörden schwer zu interpretieren sind.

In Blöcken statt in Punkten denken

Die Autorinnen und Autoren schlagen eine andere Denkweise vor: Statt auf eine einzelne Zahl zu setzen, prognostizieren sie Intervalle — sichere Bereiche, in denen die tatsächliche Nachfrage wahrscheinlich liegen wird. Zum Aufbau dieser Bereiche nutzen sie das Konzept der „granularen Datenverarbeitung“, das Daten in sinnvolle Stücke oder Granulate statt als isolierte Punkte betrachtet. Für die Stromnachfrage ist jedes Granulat ein Intervall um einen zentralen Wert (zum Beispiel den täglichen oder wöchentlichen Median), das erfasst, wie stark die Last schwanken kann. Mit solchen Granulaten zu arbeiten hilft, zufälliges Rauschen zu glätten, macht Muster über Tage, Wochen und Monate hinweg deutlicher und liefert ein realistischeres Bild davon, wie unsicher die Zukunft wirklich ist.

Zwischen zu breit und zu spitz abwägen

Eine zentrale Herausforderung besteht darin zu entscheiden, wie breit jedes Intervall sein sollte. Ist es zu breit, enthält es zwar fast immer den echten Wert, wird aber für die Planung unbrauchbar, weil es zu vage ist. Ist es zu eng, kann es reale Werte verfehlen und falsche Sicherheit vermitteln. Die Forschenden gehen dieses Problem an, indem sie zwei einfache Kennzahlen definieren: „Coverage“ (Bedeckung), den Anteil der tatsächlichen Werte, die innerhalb eines Intervalls liegen, und „Specificity“ (Spezifität), ein Maß dafür, wie eng und informativ das Intervall ist. Sie kombinieren beides zu einem Score, dem Justification Index. Das Verfahren sucht dann nach Intervallen, die diesen Score maximieren, und schließt automatisch Extreme aus — also Intervalle, die so breit sind, dass sie alles und nichts erklären, oder so eng, dass sie zu viele echte Datenpunkte verfehlen.

Das Konzept an einem realen Stromsystem testen

Um zu prüfen, wie gut der Ansatz in der Praxis funktioniert, nutzte das Team vier Jahre Daten aus dem wichtigsten Stromnetz Omans, gemessen alle 30 Minuten von 2020 bis 2023. Sie bauten und kalibrierten ihre Intervalle mit Daten aus 2020–2022 und überprüften anschließend, wie gut diese Intervalle die unbekannten Lasten von 2023 erfassten. Sie konstruieren tägliche, wöchentliche und monatliche Intervalle und verglichen diese mit geläufigen Prognosewerkzeugen wie Regressionsmodellen, Entscheidungsbäumen, Deep‑Learning‑Netzen und probabilistischen Methoden wie Quantilregression und konformer Vorhersage. Mit einer Überlappungsmetrik bewerteten sie, wie eng die prognostizierten Intervalle mit aus 2023 direkt gebildeten Intervallen übereinstimmten. Die Ergebnisse zeigten, dass die Intervalle beim Übergang von täglichen zu wöchentlichen und monatlichen Granulaten stabiler wurden, besser mit der Realität übereinstimmten und leichter zu interpretieren waren.

Was die neuen Intervalle über das Netz verraten

Die Analyse förderte mehrere praktische Erkenntnisse zutage. Erstens verbessert die Aggregation von Daten über längere Zeiträume wie Wochen und Monate die Verlässlichkeit der Prognosen deutlich, weil tägliche Schwankungen sich ausgleichen. Zweitens zeigten die optimierten Intervalle über mehrere Jahre hinweg eine klare und konsistente Übereinstimmung mit der tatsächlichen Nachfrage, was darauf hindeutet, dass die Methode gut generalisiert und sich nicht nur an ein einzelnes Jahr anpasst. Drittens erwiesen sich die Wochen‑ und Wochenendnachfrage im untersuchten System als überraschend ähnlich, sodass separate Modelle dafür nicht notwendig waren. Verglichen mit anderen intervallbasierten Vorhersagemethoden lieferte der justifizierbare‑Granulat‑Ansatz wettbewerbsfähige Coverage‑Werte bei gleichzeitig verhältnismäßig engen Intervallen — und das ganz ohne Annahme einer spezifischen statistischen Verteilung der Daten.

Wie das hilft, das Netz zuverlässig zu halten

Für Nicht‑Spezialisten ist das Ergebnis simpel: Statt Unsicherheit zu verbergen, macht diese Methode sie sichtbar und nutzbar. Netzbetreiber können Erzeugung, Reserven und Wartung um einen realistischen Bereich wahrscheinlicher künftiger Nachfrage herum planen, statt sich auf eine einzelne fragile Zahl zu verlassen. Die untere Grenze zeigt, wie stark Kapazitäten sicher heruntergefahren werden können, während die obere Grenze angibt, wie viel Reserve für Hitzetage, wirtschaftliche Einbrüche oder andere Überraschungen bereitgehalten werden sollte. Indem Unsicherheit transparent und datenbasiert ausgedrückt wird, unterstützen diese Intervallprognosen robustere, kosteneffizientere und letztlich nachhaltigere Energiesysteme.

Zitation: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Schlüsselwörter: Stromlastprognose, Unsicherheitsintervalle, granulare Datenverarbeitung, Netzplanung, Energie-Zeitreihen