Day-Ahead-Strompreisprognose — Ganzjahres-Backtest

Prognose des Day-Ahead-Großhandelspreises zwei Tage im Voraus · tägliche Ausgabe um 11:00 · Horizont von 50 Stunden · Ganzjährige Out-of-Sample-Auswertung

So lesen Sie diese Seite

So lesen Sie die Zahlen auf dieser Seite.

€/MWh: Euro pro Megawattstunde — der Großhandelspreis für Strom. Ein Preis von 100 €/MWh bedeutet, dass ein Käufer 100 € für eine in dieser Stunde gelieferte MWh Energie zahlt.
RMSE: Quadratischer Mittelwertfehler — die typische Größe eines Prognosefehlers, in derselben Einheit wie die vorhergesagte Größe. Ein Modell mit einem RMSE von 5 €/MWh liegt im Mittel um etwa 5 €/MWh pro Stunde daneben.↓ Kleiner ist besser
$RMSE = \sqrt{\frac{\sum_{i = 1}^{N} {({Prognose}_{i} - {Ist}_{i})}^{2}}{N}}$
MAE: Mittlerer absoluter Fehler — ähnlich wie RMSE, verstärkt große Ausreißer aber nicht. Er liegt näher an dem medianen Fehler, den ein Nutzer im Tagesgeschäft spüren würde.↓ Kleiner ist besser
$MAE = \frac{\sum_{i = 1}^{N} | {Prognose}_{i} - {Ist}_{i} |}{N}$
nMAE: Normalisierter mittlerer absoluter Fehler — der MAE geteilt durch den Durchschnittswert des Ist-Signals im selben Zeitraum (typischerweise pro Monat). Er zeigt, wie groß der typische Fehler relativ zur Größe dessen ist, was wir prognostizieren. Ein nMAE von 8 % bedeutet, dass der durchschnittliche Fehler etwa 8 % des durchschnittlichen Ist-Werts in diesem Zeitraum beträgt.↓ Kleiner ist besser
$nMAE = \frac{MAE}{\overset{―}{Ist}} \times 100 %$
WAPE: Gewichteter absoluter Prozentfehler — der gesamte Fehler geteilt durch den gesamten Ist-Wert, ausgedrückt in Prozent. Stabil in Stunden mit Preis nahe null (anders als MAPE, das durch sehr kleine Zahlen teilt und explodiert).↓ Kleiner ist besser
$WAPE = \frac{\sum_{i = 1}^{N} | {Prognose}_{i} - {Ist}_{i} |}{\sum_{i = 1}^{N} | {Ist}_{i} |} \times 100 %$
R²: Bestimmtheitsmaß — welcher Anteil der Auf-und-Ab-Variation vom Modell erfasst wird. 1.0 ist perfekt; 0.0 bedeutet, dass das Modell nicht besser ist, als immer den Durchschnitt zu raten. Werte über 0.7 sind stark.↑ Höher ist besser
$R^{2} = 1 - \frac{\sum_{i = 1}^{N} {({Ist}_{i} - {Prognose}_{i})}^{2}}{\sum_{i = 1}^{N} {({Ist}_{i} - \overset{―}{Ist})}^{2}}$
Tag-1- / Tag-2-Fenster: Zwei Teile der Prognose. Tag 1 deckt morgen ab (die Kurve, mit der tatsächlich am Markt geboten wird). Tag 2 deckt den übernächsten Tag ab — ein früher Blick weiter voraus. Tag 1 ist naturgemäß genauer.
Naive Basislinie: Die einfachstmögliche Prognose: Verwende den Preis von exakt sieben Tagen zuvor zur selben Stunde. Alles Komplexere muss das schlagen, sonst lohnt sich der Aufwand nicht.
Out-of-sample / Backtest: Bewertung des Modells nur auf Zeiträumen, die es im Training nie gesehen hat. Das ist der ehrlichste verfügbare Proxy dafür, wie es sich in Produktion verhalten wird.

Den Day-Ahead-Strompreis von morgen prognostizieren

Wie der Day-Ahead-Markt funktioniert. Jeden Tag vor Mittag reicht jeder Produzent und Verbraucher stündliche Gebote für alle 24 Stunden des nächsten Tages ein. Der Marktbetreiber cleart diese Gebote Stunde für Stunde und veröffentlicht den geclearten Preis für jede Lieferstunde.

Warum eine Prognose benötigt wird. Gebote müssen bevor die geclearten Preise bekannt sind eingereicht werden. Jeder Teilnehmer, der ein sinnvolles Gebot abgeben will — ein Batteriebetreiber, eine Solaranlage, ein Versorger — arbeitet daher explizit oder implizit mit einer Preisprognose.

Warum wir die Prognose um 11:00 fahren. Das Gebotsfenster schließt um 12:00. Wir geben Prognosen um 11:00 aus, damit ein einstündiger Puffer bleibt, in dem der Dispatch-Optimierer Preise in Gebote umsetzt und das Handelsteam diese noch vor Gate Closure hochladen kann.

Zwei Horizonte in einem Durchlauf:

Tag-1-Fenster (Stunden 2–25) — die Kurve, mit der für morgen geboten wird. Das ist die betrieblich kritische Ausgabe.
Tag-2-Fenster (Stunden 26–49) — ein früher Blick auf die Kurve des Folgetags. Nützlich für die mehrtägige Batterieplanung.

Eingänge. Historische Day-Ahead-Preise und -Volumina, Netzlast und Erzeugung nach Quelle, Gashub-Preis, grenzüberschreitende Flüsse, Feiertage sowie ein bevölkerungsgewichtetes Wetteraggregat, aufgebaut aus Reanalysewetter an den größten Nachfragezentren der Gebotszone — ein besserer Proxy für netzweite Last und Erneuerbaren-Einspeisung als jede einzelne Wetterstation.

	RMSE	MAE	nMAE	WAPE	R²
Gesamt (volle 50 h)	15.42€/MWh	10.82€/MWh	10.1%	10.1%	0.710
Tag-1-Fenster (h=2..25)	14.21€/MWh	9.98€/MWh	9.3%	9.3%	0.750
Tag-2-Fenster (h=26..49)	16.49€/MWh	11.64€/MWh	10.9%	10.9%	0.672

Naive Basislinie (Preis exakt vor 7 Tagen): RMSE 20.31 €/MWh — das Modell reduziert diesen Wert um 24%. nMAE = MAE ÷ mittlerer Preis · setzt den Fehler auf eine relative Skala (% des typischen Preises). WAPE = Σ|Fehler| ÷ Σ|Ist| · stabil in Stunden mit Preis nahe null.

Zeitverlauf — Ist gegen Prognose über das Jahr ↓ Kleiner ist besser

Tagesmittel über das gesamte Prognosefenster von 50 h. Unsere Prognose (cyan) liegt über dem dunkleren tatsächlich geclearten Preis; je näher die beiden Linien beieinander liegen, desto besser.

Zwei Beispiel-Prognosen über 50 Stunden (Tag 1 + Tag 2) ↓ Kleiner ist besser

Von Hand ausgewählte genaue Fenster aus dem Backtest, wenn möglich eines je Jahreszeit. Unsere Prognose (cyan) ist die um 11:00 ausgegebene Kurve; die gedimmte Linie zeigt, was der Day-Ahead-Markt tatsächlich gecleart hat.

Fehler nach Horizont ↓ Kleiner ist besser

RMSE (linke Achse, €/MWh) und nMAE (rechte Achse, % des mittleren Preises) steigen beide, je weiter die Prognose vorausblickt — das ist der typische Genauigkeitsabfall, den man bei der Preisstellung für Tag-1- gegenüber Tag-2-Geboten erwarten muss.

Beispielwoche — stündliche 50-Stunden-Prognosen ↓ Kleiner ist besser

Jede cyanfarbene Kurve ist eine 50-Stunden-Prognose, die an einem einzelnen Tag um 11:00 ausgegeben wurde; die gedimmte Linie zeigt, was tatsächlich gecleart wurde.

Fehler nach Zielstunde des Tages ↓ Kleiner ist besser

Spitzenstunden (abends 17–20 CET) und das solare Mittagsfenster sind am schwersten vorherzusagen — dort schwanken die Werte von Tag zu Tag am stärksten.

So lesen Sie diese Zahlen

Einordnung der Genauigkeit.

Das Modell erklärt 71% der Preisvarianz über das gesamte Jahr allein mit öffentlich verfügbaren Markt- und Wetterdaten. Tag-1-Prognosen (die Kurve, mit der für morgen geboten wird) erreichen etwa 14.2 €/MWh RMSE und 9% WAPE — also ungefähr ein Zehntel des typischen Preisniveaus.

Das liegt im Mittelfeld veröffentlichter wissenschaftlicher Benchmarks für Day-Ahead-Strompreisprognosen (die über europäische Zonen typischerweise 12–20 €/MWh RMSE berichten). Kommerzielle Anbieter, die proprietäre Fundamentaldaten einspeisen (CO2, Interkonnektoren, Kernkraftverfügbarkeit, Intraday-Signale), erreichen typischerweise 8–12 €/MWh — also etwa 30–40% geringeren Fehler als mit rein öffentlichen Daten erreichbar ist.

Für den Batteriedispatch ist das absolute Preisniveau weniger wichtig als die richtige Tagesform — also das günstige Ladefenster und das teure Entladefenster zu treffen. Das Modell liegt an den meisten Tagen beim Timing von Peaks und Tälern richtig; Fehlgriffe häufen sich an Tagen mit Preisspitzen (Angebotsschocks, plötzliche Wetterwechsel), an denen jede Prognose ohne Insiderdaten zu kämpfen hätte.

Warum das nicht 5 €/MWh sind: Stündliche Clearingpreise enthalten ein nicht weiter reduzierbares Auktionsrauschen aus den Geboten Dutzender Marktteilnehmer. Selbst bei perfekter Kenntnis aller Fundamentaldaten bleibt eine Restvarianz von etwa 6–8 €/MWh unvorhersehbar — das ist der realistische Unterboden für Day-Ahead-Preisprognosen in den heutigen Marktstrukturen.

Was die Genauigkeit weiter verbessern könnte

Das aktuelle Feature-Set deckt Markthistorie (Preise, Volumina, Liquidität), Netzlast und Erzeugung nach Quelle, Gashub-Preis, grenzüberschreitende Flüsse, Wetter und Feiertage ab. Die meisten weiteren Datenfeeds sind nicht frei verfügbar. Die nächstgrößten Genauigkeitshebel sind:

CO2-Zertifikatspreis — wirkt zusammen mit dem Gaspreis auf die Grenzkosten thermischer Kraftwerke.
Day-Ahead-Lastprognose des Netzbetreibers in maschinenlesbarer Form — wird derzeit aus Verzögerungen indirekt abgeleitet.
Verfügbarkeitspläne von Kernkraftwerken — wenn benachbarte Flotten knapp werden, reagieren die Preise in unserer Zone innerhalb weniger Stunden.
Day-Ahead-Prognosen für erneuerbare Erzeugung — würden die Kannibalisierungseffekte von Solar und Wind direkter antizipieren als die heute verwendeten gelagten Werte.
Verbesserungen der Modellarchitektur — Tests verschiedener fortgeschrittener Kombinationen von Modellarchitekturen mit angepassten Trainingseinstellungen.
Verbesserungen im Feature Engineering — Experimente mit verschiedenen fortgeschrittenen Techniken des Feature Engineerings