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.
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.«
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.«
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.
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.
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA