Veröffentlicht am:
Je stärker dynamische Tarife, steuerbare Anlagen und standardisierte Optimierungslogiken verbreitet sind, desto wichtiger wird die zeitliche Struktur von Last und Erzeugung. In diesem Umfeld entscheidet nicht mehr allein die Energiemenge über das Portfoliorisiko, sondern die Korrelation der Viertelstunden.
Beitrag Nr. 13 der Veröffentlichungs-Reihe der Anbieter der Prosumer-Plattform Initiative.
Die Struktur von Stromportfolios im Haushaltssegment befindet sich im Wandel. Bisher genügte es häufig, Last statistisch zu schätzen. Standardlastprofile (SLP) bilden typische Verbrauchsverläufe anhand von Kalender- und Temperaturdaten ab und liefern robuste Ergebnisse, solange individuelle Systemzustände kaum ins Gewicht fallen.
Mit der zunehmenden Verbreitung steuerbarer Erzeugungs- und Verbrauchsanlagen verändert sich diese Ausgangslage. Die Last hängt dann nicht mehr nur von äußeren Einflussfaktoren wie Temperatur oder Wochentag ab, sondern auch von internen Zuständen wie Ladezustand, Betriebsmodus oder technischen Restriktionen.
Gleichzeitig erweitert sich die verfügbare Informationsbasis. Neben statistischen Profilen und viertelstündlichen Messwerten aus intelligenten Messsystemen entstehen durch Home Energy Management Systeme (HEMS) zusätzliche Zustandsinformationen. Diese Daten beschreiben nicht die abgerechnete Energiemenge, sondern interne Systemgrößen und potenzielle Dispositionsspielräume.
Für Stadtwerke, Lieferanten, BKV und Portfolioverantwortliche ergibt sich daraus eine zentrale Frage: Unter welchen Bedingungen können solche Zustandsinformationen operative Entscheidungen tatsächlich verbessern?
Der vorliegende Beitrag ordnet diese Fragestellung im Kontext struktureller Marktveränderungen ein. Er zeigt, wie sich unterschiedliche Datenebenen abgrenzen lassen, welche Mechanismen die wirtschaftliche Exposition beeinflussen und unter welchen Voraussetzungen Zustandsinformationen relevant werden können. Ziel ist keine empirische Wirksamkeitsstudie, sondern eine systematische Einordnung möglicher Informationsdimensionen.
Für jedes 15-Minuten-Intervall wird die Abweichung des Bilanzkreises als Differenz aus zugeordneten Entnahmen und Einspeisungen ermittelt und mit dem regelzonenübergreifenden einheitlichen Bilanzausgleichsenergiepreis (reBAP) bewertet. Jede Abweichung entfaltet ihre Preiswirkung in genau dem Intervall, in dem sie auftritt. Die finanzielle Abrechnung erfolgt anschließend aggregiert über den Abrechnungszeitraum. Positive und negative Abweichungen können sich dabei zwar finanziell teilweise saldieren, es findet jedoch keine mengenmäßige Verschiebung zwischen Viertelstunden statt. Die zeitliche Struktur der Abweichungen bleibt daher für das operative Risikoprofil entscheidend.
Die operative Verantwortung hierbei trägt der Bilanzkreisverantwortliche (BKV). Er erstellt Prognosen (FC-CONS, FC-PROD), sorgt für den Ausgleich seines Bilanzkreises und meldet Fahrpläne (Day-Ahead und Intraday). Weicht die reale bilanzielle Struktur später von den gemeldeten Zeitreihen ab und erfolgt keine rechtzeitige Korrektur, wirkt diese Differenz über die Ausgleichsenergie (reBAP).
Settlement-Prozesse erfassen diese Wirkungen ex post, versionieren Zeitreihen und rechnen sie gemäß MaBiS und Bilanzkreisvertrag ab. Sie dokumentieren das wirtschaftliche Ergebnis, beeinflussen jedoch nicht die operative Entscheidung vor Gate Closure.
Diese Logik gilt auch für SLP-Kunden. Einzelne SLP-Marktlokationen werden zwar nicht viertelstündlich gemessen oder individuell bilanziert, ihre Energiemengen werden jedoch über standardisierte Profile in viertelstündliche Allokationszeitreihen überführt.
Diese Allokationszeitreihen bilden im Bilanzkreis die bilanziell wirksame Entnahmestruktur. Sie definieren somit, welche Energiemenge dem Bilanzkreis in jeder einzelnen Viertelstunde zugerechnet wird. Weicht die reale zeitliche Entnahme von dieser profilbasierten Struktur ab, entsteht in genau diesem Intervall eine Bilanzkreisabweichung, unabhängig davon, ob die Mehr- oder Mindermenge ex post ausgeglichen wird. Die spätere Abrechnung korrigiert die Energiemenge, nicht jedoch die bereits wirksam gewordene zeitliche Struktur der Abweichung. Für die operative Risikobetrachtung bleibt daher auch bei SLP-Marktlokationen die viertelstündliche Allokation maßgeblich.
Mit zunehmender Dynamik gewinnt diese zeitliche Struktur an Bedeutung. Je stärker die Preise innerhalb eines Tages variieren, desto sensibler reagiert das Portfolio auf zeitliche Fehlerstruktur. Nicht nur die Energiemenge ist relevant, sondern der Zeitpunkt, zu dem sie bilanziell wirksam wird.
Vor diesem Hintergrund verschiebt sich der Fokus. Entscheidend ist nicht mehr, wie sich Energiemengen über den gesamten Abrechnungszeitraum saldieren, sondern wie präzise diese in wirtschaftlich sensiblen Viertelstunden prognostiziert und disponiert werden.
Um die Rolle zusätzlicher Informationen einzuordnen, sind drei Datenebenen voneinander zu trennen. Sie unterscheiden sich funktional, regulatorisch und zeitlich.
SLP sind keine individuellen Prognosen des BKV. Netzbetreiber (NB) stellen Profile und Profilscharen bereit. Auf dieser Grundlage entstehen im Rahmen der MaBiS-Prozesse Allokationszeitreihen für nicht leistungsgemessene Marktlokationen.
Diese Allokationszeitreihen verteilen zugrunde gelegte Jahresenergiemengen auf einzelne Viertelstunden. Sie dienen der bilanziellen Zuordnung von Energiemengen im Bilanzkreis. In diesem Sinne sind sie standardisierte Verteilmechanismen und keine operativen Einzelprognosen.
SLP abstrahieren technische Zustände. Sie bilden typische Verbrauchsverläufe ab, differenziert nach Kalenderparametern und teilweise Temperatur. Solange reale Laststrukturen diesen statistischen Annahmen folgen, liefern sie robuste Ergebnisse. Mit wachsender Zustandsabhängigkeit steigt jedoch die Wahrscheinlichkeit, dass reale Viertelstundenverläufe von normierten Profilen abweichen.
RLM-Zähler und intelligente Messsysteme liefern gemessene Energiemengen, z.B. je Viertelstunde. Diese Zeitreihen sind abrechnungsrelevant und fließen gemäß MaBiS in die bilanzielle Ermittlung des Bilanzkreises ein.
Für die Bilanzkreisabrechnung stehen diese Messwerte ex post zur Verfügung. In bestimmten Fällen (z.B. Redispatch) können Messdaten auch näher am Echtzeitpunkt bereitgestellt werden.
Der Markt verarbeitet diese Zeitreihen über standardisierte Formate wie MSCONS. Er kennt ausschließlich Energiemengen und deren zeitliche Struktur. Interne Gerätezustände oder Asset-Parameter sind kein Bestandteil der Marktkommunikation.
Technische Zustandsinformationen entstehen auf Ebene einzelner Anlagen bzw. innerhalb von Geräten. Sie beschreiben interne Systemgrößen wie Ladezustände, Betriebsmodi, verfügbare Leistung oder technische Restriktionen.
Diese Daten werden nicht über MSCONS oder UTILMD übertragen. Sie besitzen keinen eigenständigen bilanzrechtlichen Status und wirken daher indirekt. Sie beeinflussen, wie sich zukünftige Energiemengen entwickeln können. Sie erweitern die erklärenden Variablen eines Prognosemodells, ohne selbst eine abrechnungsrelevante Größe darzustellen.
Die drei Ebenen erfüllen unterschiedliche Funktionen:
Zustandsinformationen können also die interne Prognose- und Dispositionsqualität beeinflussen, insbesondere in der operativen Phase vor Gate Closure. Ob daraus ein wirtschaftlicher Effekt entsteht, hängt nicht von der Marktkommunikation ab, sondern davon, ob interne Modelle auf Basis dieser Informationen Fahrpläne präziser erstellen oder anpassen.
Der folgende Abschnitt illustriert diese Zusammenhänge anhand einer vereinfachten quantitativen Betrachtung.
Die folgende Betrachtung veranschaulicht einen strukturellen Mechanismus. Sie erhebt keinen empirischen Anspruch. Sie zeigt an einem konkreten Beispiel, wie zeitliche Abweichungen wirtschaftlich wirken können.
Betrachtet wird ein Prosumer-Haushalt mit einer Photovoltaikanlage (ohne Speicher) im Januar 2024. Für diesen Monat liegen viertelstündliche Messwerte zu Last, Erzeugung und Netzbezug vor. Der Netzbezug betrug 255,73 kWh.
Als Referenz dient ein auf die Jahresarbeit normiertes BDEW-SLP (P25). Das P25-Profil dient hier als vereinfachtes Prognose- bzw. Dispositionsmodell und wird als hypothetischer Fahrplan interpretiert.
Die Summe aller Abweichungen je Viertelstunde über den Monat ergibt 21,93 kWh. Diese Summe beschreibt die Verschiebung auf Monatsbasis. Sie sagt jedoch nichts darüber aus, wie sich die Abweichung zeitlich verteilt.
Der RMSE (Wurzel des mittleren quadratischen Prognosefehlers) beträgt 0,0993 kWh je Viertelstunde. Das entspricht einem Leistungsäquivalent von 0,397 kW bzw. 397 Watt.
Zum Vergleich: Die durchschnittliche Viertelstundenlast liegt bei 0,086 kWh je Intervall. Das entspricht einem Leistungsäquivalent von 0,344 kW bzw. 344 Watt.
Der Fehler pro Intervall erreicht damit eine ähnliche Größenordnung wie die mittlere Last selbst. Die Abweichung betrifft also nicht nur die Energiemenge, sondern auch die zeitliche Struktur des Verbrauchs.
Ein Teil des RMSE ergibt sich aus dem systematischen Bias, also dem durchschnittlichen Intervallfehler. Er drückt sich in der Verschiebung auf Monatsbasis (21,93 kWh) wie oben beschrieben aus. Der wesentliche Teil stammt jedoch aus der Streuung der Viertelstundenabweichung um ihren Mittelwert. Genau diese Streuung erzeugt eine zeitliche Fehlerstruktur.
Die Verteilung der viertelstündlichen Abweichungen bestätigt dieses Bild: 342 von 2.976 Viertelstunden (11,5 %) tragen 53 % der absoluten Mengenabweichung. Die Abweichung verteilt sich damit nicht gleichmäßig über den Monat, sondern konzentriert sich in bestimmten Intervallen.
In jeder Viertelstunde ergibt sich die wirtschaftliche Wirkung aus der Multiplikation von Mengenabweichung und reBAP. Entscheidend ist, ob hohe Abweichungen über viele Intervalle hinweg systematisch mit hohen Preisen zusammentreffen. Statistisch beschreibt das die Kovarianz zwischen Mengenabweichung und Preis.
Für die Gesamtwirkung über den Monat ist daher nicht nur entscheidend, wie groß die durchschnittliche Abweichung oder der durchschnittliche Preis ist. Entscheidend ist, ob hohe Abweichungen gerade in den Viertelstunden auftreten, in denen auch die Preise hoch sind.
Das bedeutet: Fallen große Mengenfehler und hohe Preise zusammen, verstärkt sich die wirtschaftliche Wirkung. Treten sie getrennt auf, kann sie sich abschwächen.
Im betrachteten Monat ergibt sich eine saldierte Netto-Wirkung von 3,55 Euro. Die absolute Exposition beträgt jedoch 17,61 Euro. Der Mittelwert bleibt gering. Die Streuung ist deutlich größer. Die wirtschaftliche Wirkung entsteht daher nicht im Monatsdurchschnitt, sondern in einzelnen Viertelstunden, in denen Mengenstruktur und Preisvolatilität zusammenfallen.
In einem Portfolio addieren sich die Abweichungen aller Haushalte. Ob sie sich ausmitteln oder verstärken, hängt davon ab, wie stark die Haushalte zeitgleich reagieren.
Wenn die Abweichungen weitgehend unabhängig voneinander auftreten, gleicht sich ein großer Teil gegenseitig aus. Diversifikation wirkt dann stabilisierend.
Reagieren viele Haushalte dagegen gleichzeitig, z.B. durch ähnliche PV-Erzeugung oder synchrones Ladeverhalten, bleibt eine systematische Komponente bestehen.
In der Praxis reduziert die Diversifikation diesen Betrag. Entscheidend ist, wie stark die Abweichungen in denselben Viertelstunden auftreten. Bereits eine moderate positive Intervall-Korrelation zwischen Haushalten kann verhindern, dass sich Effekte vollständig ausmitteln. Je größer das Portfolio und je homogener die Asset-Struktur, desto stärker kann eine solche systematische Komponente wirtschaftlich ins Gewicht fallen.
Unterstellt man illustrativ eine moderate positive Intervall-Korrelation zwischen den Haushalten, bleibt ein Teil der Abweichungsvarianz systematisch. Bei großer Portfoliogröße kann selbst eine solche moderate Korrelation bei 50.000 Haushalten eine wirtschaftlich relevante Exposition im sechsstelligen Bereich pro Monat erzeugen:
| Intervall-Korrelation | Interpretation | Exposition (gerundet) |
|---|---|---|
| 0 | vollständig unabhängig (max. Diversifikation) | 3.900 € |
| 0,001 (0,1 %) | sehr schwach positiv | 28.000 € |
| 0,01 (1 %) | leicht positiv | 88.000 € |
| 0,05 (5 %) | moderat positiv | 197.000 € |
| 0,10 (10 %) | deutlich positiv | 278.000 € |
| 0,20 (20 %) | stark gemeinsamer Anteil | 394.000 € |
| 1,00 | perfekt synchron (keine Diversifikation) | 880.500 € (= 17,61 × 50.000) |
Positive Intervall-Korrelation bedeutet auf Geräteebene, dass identische Asset-Typen in vielen Haushalten in denselben Viertelstunden reagieren, z.B. PV-Wechselrichter bei Sonneneinstrahlung, Wärmepumpen bei Temperaturabfall oder Wallboxen bei tariflich günstigen Stunden.
Die folgende Darstellung veranschaulicht die Skalierung der Portfolio-Exposition in
Abhängigkeit von der Intervall-Korrelation für unterschiedliche Portfoliogrößen. Sie macht
sichtbar, wie sich die Risikostruktur mit wachsender Gleichläufigkeit der Haushalte
verändert.
Während bei ρ = 0 (keine Korrelation zwischen den Haushaltszeitreihen) die Exposition mit √N (Wurzel aus der Anzahl der Haushalte) skaliert und Diversifikation stabilisierend wirkt, verändert bereits eine geringe positive Intervall-Korrelation dieses Muster. Die Exposition wächst dann nicht mehr vor allem durch Diversifikation, sondern zunehmend durch Gleichlauf. Mit steigender Portfoliogröße verstärkt sich dieser Effekt überproportional.
Dieser Effekt ergibt sich aus der Kombination von Portfoliogröße und Gleichlauf. Je stärker Haushalte auf identische Signale reagieren oder ähnlich disponiert werden, desto wahrscheinlicher wird eine systematische Komponente der Abweichung. In einem Umfeld wachsender Tarifdynamik und hoher Asset-Durchdringung gewinnt dieser Zusammenhang daher an Bedeutung.
Die dargestellten Werte dienen der Illustration struktureller Skalierungseffekte. In realen Portfolios ist die Intervall-Korrelation kein fixer Parameter, sondern abhängig von Preisniveau, Jahreszeit, Netzgebiet, Tarifstruktur und Asset-Mix.
Die vorangegangene Analyse hat drei Ebenen unterschieden:
Zustandsinformationen greifen nicht in alle drei Ebenen gleichermaßen ein. Ihre Wirkung kann darüber hinaus nur vor Gate-Closure entstehen, also in der Phase, in der Prognosen erstellt und Fahrpläne disponiert werden.
Ein Profil kennt in der Regel keine internen Gerätezustände. Es verteilt Energie nach statistischen Mustern. Ein Prognosemodell, das Ladezustände, Betriebsmodi oder Flexibilitätsgrenzen kennt, kann differenzierter vorgehen. Es kann mehrere mögliche Lastpfade unterscheiden und plausiblere auswählen.
Wenn Zustände tatsächlich prognoserelevant sind und das Modell sie korrekt nutzt, kann sich die Streuung der Abweichung verringern. Gelingt das nicht, bleibt die Varianz bestehen.
Zustandsinformationen erzeugen also keinen automatischen Nutzen. Sie erweitern den Informationsraum. Ob daraus bessere Prognosen entstehen, hängt von der Modellqualität ab.
In Prosumer-Portfolios entstehen Prognosefehler nicht nur durch unsicheren Verbrauch, sondern auch durch schwankende Erzeugung. Zustandsinformationen können deshalb sowohl die Prognose von Entnahme als auch von Einspeisung verbessern, insbesondere mit Blick auf deren zeitlichen Zusammenhang.
In dynamischen Tarifen steuern Anlagen ihren Betrieb nach dem Preis. Reagieren viele Systeme gleichzeitig auf günstige Preise, entstehen neue Lastspitzen. Bei hohen Preisen verschiebt sich der Verbrauch entsprechend.
Kennt ein System seine internen Zustände, kann es Flexibilität gezielter einsetzen. Verschiebungen lassen sich so planen, dass Abweichungen möglichst nicht in besonders kritischen Hochpreisintervallen auftreten.
Diese Wirkung entfaltet sich jedoch nur vor Gate Closure und nur dann, wenn die Disposition nicht selbst neue Gleichläufe erzeugt. Nutzen viele Akteure identische Optimierungslogiken, verlagert sich das Problem unter Umständen, statt sich zu verringern.
Zustandsinformationen verändern also nicht den Preis selbst. Sie beeinflussen lediglich, wann und wie stark Mengen auf den Preis reagieren.
Sind viele Haushalte technisch ähnlich ausgestattet, reagieren sie oft ähnlich. Vergleichbare PV-Profile, Speichergrößen und Tarifmodelle begünstigen Gleichlauf.
Zustandsinformationen ermöglichen es, Flexibilität zeitlich zu verteilen. Last kann nicht nur verschoben, sondern gezielt gestreut werden. Reaktionen lassen sich entzerren statt synchronisieren.
Gelingt dies, nimmt die Gleichläufigkeit im Portfolio ab. Der systematische Anteil der Abweichung sinkt, Diversifikation wirkt stärker.
Ob dieser Effekt tatsächlich eintritt, hängt jedoch von Steuerungszugriff, Asset-Struktur und operativer Umsetzung ab. Ohne aktive Koordination bleibt der Gleichlauf bestehen.
Solange Haushaltsportfolios überwiegend mit Standardlastprofilen allokiert werden, verteilen sich viele Abweichungen statistisch. Diversifikation wirkt stabilisierend. Mit der Verbreitung intelligenter Messsysteme und dynamischer Tarife ändert sich diese Struktur jedoch grundlegend.
Entscheidend ist dann nicht mehr nur die Energiemenge, sondern der Gleichlauf von Last, Preis und Portfoliozusammensetzung. Je stärker Verbrauch und Erzeugung von Preisen und internen Zuständen abhängen, desto eher verschiebt sich das Risikoprofil von statistisch verteilt zu strukturell korreliert.
Damit gewinnt die Informationsarchitektur an Bedeutung. Die Marktregeln basieren weiterhin auf Energiemengen, die operative Realität wird jedoch zunehmend von internen Zuständen, Flexibilitätsgrenzen und algorithmischer Steuerung geprägt. Die zentrale Frage lautet daher nicht nur, ob Flexibilität vorhanden ist, sondern wie sie koordiniert und prognostisch eingebunden wird.
Je stärker dynamische Tarife, steuerbare Anlagen und standardisierte Optimierungslogiken verbreitet sind, desto wichtiger wird die zeitliche Struktur von Last und Erzeugung. In diesem Umfeld entscheidet nicht mehr allein die Energiemenge über das Portfoliorisiko, sondern die Korrelation der Viertelstunden.
initEnergy bietet ein herstellerunabhängiges Energy Management System zur intelligenten Steuerung, Optimierung und Aggregation dezentraler Energieressourcen im privaten und gewerblichen Bereich. Die Plattform vernetzt Photovoltaik-Anlagen, Batteriespeicher, Wärmepumpen und E-Fahrzeuge zu virtuellen Kraftwerken und unterstützt deren netzdienliche Integration in das Energiesystem.
