Forschung und Daten

Methodik, Modellkarten und Live-Trefferbilanz

Jede Prognose wird bei ihrer Erstellung festgeschrieben und bewertet, sobald die echten Preise bekannt sind. Diese Seite erklärt die Methode, zeigt die Live-Bilanz und gibt jedem Modell eine Karte mit Eingaben, Training, Bewertung und Grenzen.

Live-Trefferbilanz

Täglicher mittlerer Fehler jeder festgeschriebenen Prognose, deren Stunden jetzt bekannt sind, alle Zonen. Niedriger ist besser.

ProduktZone

Wird berechnet…

Bewertungsmethodik

Daten

Preise, Last, Erzeugung, Speicher, Flüsse und Ausgleichsenergie stammen von der ENTSO-E-Transparenzplattform, Energinets Energi Data Service, dem Baltic Transparency Dashboard und für Großbritannien von Elexon; Wetterprognosen von Open-Meteo. Jeder Wert wird mit seinem Veröffentlichungszeitpunkt gespeichert, sodass ein Modell immer nur mit dem trainiert wird, was damals bekannt war.

Festgeschriebene Prognosen

Jede Prognose wird mit ihrem Erstellungszeitpunkt vor der vorhergesagten Auktion in ein nur anfügbares Buch geschrieben. Nichts darin wird nachträglich geändert; die tatsächlichen Preise werden bei Veröffentlichung daneben ergänzt.

Walk-forward-Backtests

Historische Tests trainieren das Modell auf Daten bis zu jeder Testperiode neu und sagen nur die folgende Periode voraus – so, wie das Modell genutzt worden wäre. Diese Ergebnisse sind als rückblickend gekennzeichnet; das Live-Buch ist der prospektive Beleg.

Kennzahlen

Mittlerer absoluter Fehler der Medianprognose, Güte gegenüber Persistenz (morgen wie heute) oder der eigenen Prognose des ÜNB und Anteil der Ist-Werte innerhalb des 80-%-Intervalls. Der Median jedes Modells wird dann um die Hälfte seiner typischen Abweichung je Zone, Stunde und Horizont über die letzten 60 Tage korrigiert, auf denen es nicht trainiert wurde, und die Intervalle werden mit konformalisierter Quantilregression auf denselben Tagen kalibriert. Alles wird auf Daten geprüft, die das Modell nicht gesehen hat.

Grenzen

Modelle lernen aus der Vergangenheit; Regimewechsel (neue Kuppelleitungen, Synchronisierung, Brennstoffschocks) verschlechtern sie, bis genügend neue Daten vorliegen. Fehler werden für jede Zone berichtet, auch dort, wo Modelle schlechter als einfache Basen sind.

Modellkarten

Wofür jedes Modell da ist, was es nutzt, wie es trainiert und getestet wurde und wo man ihm nicht trauen sollte.

Gradient-Boosting-Preismodell (gbm)

Zweck:: Stündliche Day-Ahead-Preisquantile (10/50/90 %) für Folgetag, Übermorgen und Tag 3–7, je Zone.
Eingaben:: Aktuelle Preise, Last- und Wind-/Solarprognosen der ÜNB, Wetterprognosen, Kalender, Speicherstände für Wasserkraftzonen und die bekannten Auktionspreise für Tag 2.
Training:: Histogramm-Gradient-Boosting-Quantilmodelle (scikit-learn), auf einem rollierenden Fenster neu trainiert; der Median um die Hälfte seiner jüngsten zurückgehaltenen Abweichung je Zone, Stunde und Horizont korrigiert (in einem Walk-forward-Test 2023–2026 senkte das den Fehler um 1,4 %); Intervalle mit konformalisierter Quantilregression kalibriert.
Bewertung:: Walk-forward-Backtest seit 2022 und das festgeschriebene Live-Buch, gegen Persistenz.
Grenzen:: Preisspitzen über der jüngsten Historie werden unterschätzt; Regimewechsel brauchen Wochen neuer Daten.

Neuronales Preismodell (qnet)

Zweck:: Dieselben Quantile aus einem Feed-forward-Netz als unabhängige zweite Meinung.
Eingaben:: Wie gbm.
Training:: Quantil-(Pinball-)Verlust, Early Stopping auf einer späteren Validierungsperiode; dieselbe Median-Korrektur und Intervallkalibrierung wie gbm.
Bewertung:: Wie gbm; daneben auf den Genauigkeitsseiten gezeigt.
Grenzen:: Empfindlicher gegenüber Verschiebungen der Eingabeskala (etwa wenn ein ÜNB die Skala seiner Prognose ändert).

Persistenz-Basis

Zweck:: Referenz: Die Stunden von morgen gleichen denen von heute.
Eingaben:: Zuletzt bekannte Day-Ahead-Preise.
Training:: Keines.
Bewertung:: Im selben Buch bewertet.
Grenzen:: Ignoriert Wetter und Kalender; die Messlatte, die jedes Modell überspringen muss.

Wochenbasis (weekly)

Zweck:: Referenz: Jede Stunde gleicht derselben Stunde eine Woche zuvor.
Eingaben:: Day-Ahead-Preise der Vorwoche.
Training:: Keines.
Bewertung:: Im selben Buch bewertet.
Grenzen:: Erfasst nur den Wochenrhythmus; übersieht seither geänderte Wetter- und Brennstofflagen.

Gelernte Wind- und Solarerzeugung (mlp, tcn, hybrid, *_multi)

Zweck:: Wind- und Solarerzeugung der Zone für den Folgetag, zum Test gegen die eigene Prognose des ÜNB.
Eingaben:: Wetterprognosen vom Vortag für eine Stadt oder mehrere Punkte je Zone (Strahlung, Wind in 10/100 m, Temperatur, Niederschlag); hybrid ergänzt die Form der ÜNB-Prognose.
Training:: Quantilnetze, quartalsweise walk-forward nur auf früheren Daten trainiert.
Bewertung:: Mittlerer Fehler als Anteil der Flottengröße, Güte ggü. ÜNB, 80-%-Abdeckung, je Zone.
Grenzen:: Über alle Zonen zusammen schlagen sie die ÜNB noch nicht; wo der veröffentlichte Ist-Wert selbst eine Schätzung ist, wird der Test als nicht fair markiert.

Batterie-Screener

Zweck:: Erlös pro MW aus Day-Ahead-Handel und Regelleistung je Zone und Jahr; Kapitalwert, IRR und Amortisation des Projekts.
Eingaben:: Day-Ahead-Preise, Regelleistungspreise von Energinet (FCR-N, FCR-D, aFRR, mFRR), Ausgleichspreise, Prognoseanteil aus dem Backtest.
Training:: Exakte tägliche dynamische Programmierung mit Verlusten und Verschleißkosten; keine angepassten Parameter.
Bewertung:: Rückblickender Wert, skaliert mit dem Anteil, den unsere Prognosen tatsächlich erzielt haben.
Grenzen:: Kein Intraday, keine Netzentgelte oder Steuern; baltische Regelleistungspreise sind eine Annahme.

PPA-Capture-Modell

Zweck:: Capture-Rate und Exposition gegenüber negativen Preisen bei wachsender Wind- oder Solardurchdringung.
Eingaben:: Stündliche Preise, gemessene oder vom ÜNB prognostizierte Erzeugung und Last je Zone und Jahr seit 2019.
Training:: Kleinste Quadrate mit Achsenabschnitten je Zone und einer gemeinsamen Steigung je Technologie.
Bewertung:: R² über Zonenjahre; Projektionen am letzten Jahr jeder Zone verankert.
Grenzen:: Linear in der Durchdringung; ignoriert neue Speicher und Nachfrageflexibilität, die den Rückgang bremsen würden.

Szenarien zur Versorgungssicherheit

Zweck:: Preiswirkung eines Trockenjahres und Exposition gegenüber Leitungsausfällen.
Eingaben:: Speicherstände, Wochenpreise, physikalische Flüsse und Last.
Training:: Wöchentliche Regression mit Monatseffekten (Trockenjahr); Flussstatistiken (Ausfall).
Bewertung:: R² wird mit jedem Ergebnis angegeben.
Grenzen:: Keine Marktsimulation: kein Redispatch, keine Kapazitätsreserven.

Screening-Schätzungen aus veröffentlichten Marktdaten, keine Anlageberatung. Die Historie ist rückblickend; Zukunftswerte folgen den genannten Annahmen.