Menü

Risikominimierung und Margenvorteile durch anforderungsgerechte ausgewählte Prognoseverfahren

Wie lassen sich unter zunehmend unsicheren Bedingungen im Energiemarkt möglichst verlässliche Verbrauchsprognosen erzeugen? Klar ist: Die Unternehmen müssen Prognoseverfahren und organisatorische Prozesse den veränderten Anforderungen anpassen. SOPTIM Prognosespezialist Stefan Heimel erläutert Lösungsansätze. Sein Fazit: Ein universell bestes Verfahren für alle Anwendungsfälle gibt es nicht. Welches Verfahren bzw. welche Kombination von Verfahren auf Risiken und Margen positiv wirkt, hängt immer von individuellen Parametern ab.

Veränderliche gesetzliche Rahmenbedingungen, wachsender Wettbewerbsdruck, zunehmende Fluktuation bei Kunden, Verbrauch und Erzeugung sowie sinkende Margen: Die Unsicherheiten im Energievertrieb und die Risiken durch Mengenabweichungen nehmen weiter zu. Um in diesem Umfeld bestehen zu können, müssen Energieversorger ihre Prozesse weiterentwickeln und verfeinern.

Genaue Prognosemodelle, die das Lastgangverhalten des Kunden individuell ausloten, sind ein unverzichtbares Werkzeug für die Preisgestaltung. Kennzahlen und Informationen rund um das Abnahmeverhalten müssen schon bei der Angebotslegung verfügbar sein. Um die Qualität der Prognosen zu erhöhen, sollten die Prognosemodelle möglichst genau auf die spezifischen Parameter abgestimmt sein, die den Lastgang eines Kunden beeinflussen. Die Einbindung zusätzlicher Kundeninformationen in die Vertragsgestaltung ist ein Hebel zur Mengenreduktion in der Differenzzeitreihe und somit ein Beitrag zur Risikominimierung und Margenoptimierung.

SOPTIM Newsletter Bild Prognoselösungen

SOPTIM Prognoselösungen

Prozesse rund um die Lastgangprognose weiterentwickeln!

Die Anwendung des Transferpreismodells gewährleistet eine klare Verteilung der Risiken zwischen Vertrieb und Beschaffung. Das Mengenrisiko (Bedarfsprognose) liegt beim Vertrieb, das Preisrisiko (verbindliche Preisinformationen) bei der Beschaffung. Ohne zusätzliche Informationen zum Abnahmeverhalten des Kunden bleiben der Beschaffung einige Möglichkeiten vorenthalten, günstigere Einkaufspreise zu erzielen. Da die Beschaffung meist nicht in der Lage ist, solche Informationen selbst zu gewinnen, müssen ihr diese zur Verfügung gestellt werden.

Die Verbesserung der Prognosen steigert aber auch die Komplexität der Prozesse. Die beteiligten IT-Systeme müssen permanent interagieren, um bei veränderter Datenlage die beteiligten Stellen schnellstmöglich zu informieren. Auch die internen Strukturen und Prozesse gilt es weiterzuentwickeln. Viele Unternehmen setzen auf eine separate Stelle in der innerbetrieblichen Struktur als Informationslieferant und übergeordnete Kontrollinstanz für den operativen Vertrieb.

Gerade im Großkundenvertrieb ist jede Abweichung von den Sollmengen essenziell für die Planung und Beschaffung. Ein einzelner Ausreißer kann sogar ein ganzes Portfolio ins Minus reißen. Um dieses Risiko zu minimieren, kann die verantwortliche Stelle im Rahmen eines täglichen Mengen-Monitorings Abweichungen frühzeitig erkennen und die beteiligten Mitarbeiter aktiv informieren. Die Entlastung der Vertriebsmitarbeiter geht einher mit der Spezialisierung bzw. Professionalisierung jener Mitarbeiter, zu deren täglichen Aufgaben die individuelle Lastganganalyse gehört.

Vor- und Nachteile der wichtigsten Prognoseverfahren

Um qualitativ hochwertige Prognosen zu erstellen, haben sich einige Verfahren als besonders geeignet erwiesen. Doch welches ist für welchen Anwendungsfall bevorzugt anzuwenden? Ausschlaggebend sind nicht nur die Qualität der erzeugten Prognosen, sondern auch die Nachvollziehbarkeit der Ergebnisse, die Anzahl der eingesetzten Parameter, die Stabilität des Prognosemodells und die Performance der Methoden.

Autoregressive Verfahren wie ARIMA oder ARIMAX benötigen immer aktuelle Ist-Werte. Für eine Langfristprognose werden diese Werte zumeist aus den Prognosewerten synthetisiert. Dabei besteht die Gefahr, dass Prognosefehler sich mit der Zeit potenzieren und die Ergebnisse nicht mehr verwendbar sind. Dementsprechend sind diese Verfahren für eine Intraday-, Dayahead- bzw. Kurzfristprognose gut geeignet, bei Langfristprognosen jedoch mit Vorsicht zu genießen.

Als „Alleskönner“ unter den Prognoseverfahren gelten Multivariate Regression (MVR) und künstliche neuronale Netze (KNN). Ihre Stärken sind Performance, Nachvollziehbarkeit und Stabilität. Neuronale Netze sind allerdings nur bedingt massentauglich, da ihr Training sequentiell erfolgt, pro Lastgang im Vergleich zur Analysephase länger dauert und die Prognosemodelle schwer nachvollziehbar sind. Ihr Potenzial entfalten KNN besonders gut bei komplexen Zusammenhängen bei Industriekunden. Die Multivariate Regression andererseits nutzt rein mathematische Verfahren, um die Funktionsvorschrift aus den vorgegebenen Parametern optimal zu bestimmen. Damit ist sie extrem schnell, wenn eine mittlere Anzahl von Einflussgrößen vorliegt.

Die Clusteranalyse und das Vergleichstagsverfahren stellen die robustesten Methoden dar, die auch mit wenigen Einflussgrößen verlässliche Ergebnisse liefern können. Da sie ausschließlich Referenzdaten aus der Vergangenheit verwenden und die Prognose auf Basis einer Kalendervorschrift synthetisieren, sind hier keine Ausreißer zu befürchten, die nicht schon einmal vorgekommen sind. Genau da liegt aber auch der Schwachpunkt: Tendenzen, die aus Trainingsdaten hätten erkennbar sein müssen, werden nicht berücksichtigt. Somit können neue Randbedingungen zwar mit den ähnlichsten Ergebnissen der Vergangenheit bewertet werden, eine entsprechende Anpassung der Prognosewerte erfolgt jedoch nicht. Stark prozessabhängige Verbraucher wie Stromgroßkunden, für die keine weiteren Einflussgrößen vorhanden bzw. identifizierbar sind, lassen sich dennoch gut erfassen und robust prognostizieren.

Simulationsverfahren sind in der Praxis noch selten anzutreffen. Da jedoch der Bereich der Intraday-Szenarienrechnung für erneuerbare Energien sehr gut durch stochastische Komponenten, beispielsweise eine Monte-Carlo-Simulation, abgedeckt wird und auch die Bündelung dezentraler Erzeugungsanlagen zu virtuellen Kraftwerken im Einsatzbereich der Simulationsmodelle liegt, werden diese in den nächsten Jahren an Bedeutung gewinnen.

Auf die richtige Mischung kommt es an

Da die Prognoseverfahren fallabhängig unterschiedlich gute Ergebnisse liefern, werden mehr und mehr kombinierte bzw. kaskadierte Modelle eingesetzt. Diese umfassen mehrere Methoden, die jeweils nur für bestimmte Konstellationen greifen und sich ergänzen. So kann beispielsweise in einem Modell ein Verfahren in den Wintermonaten besonders gut funktionieren, während es im Sommer schlechtere Ergebnisse liefert als eine andere Methode. Durch die Kombination beider Verfahren ist das Prognoseergebnis in beiden Zeitbereichen hingegen bestmöglich bestimmbar.

Gerade bei mittelwertbildenden Verfahren kann es beim Mengenunterschied zwischen einzelnen Perioden über den gesamten Zeitraum zu Glättungseffekten kommen. Das heißt: In Zeiten hoher Verbrauchsmengen wird zu niedrig bzw. bei niedrigen Abnahmemengen zu hoch prognostiziert. In diesem Fall ist der Einsatz kombinierter Modelle ein Mittel, robuste und qualitativ hochwertige Modelle zu erstellen. Auch die Kombination unterschiedlicher Methoden innerhalb eines Prognoseverfahrens kann die Prognosequalität maßgeblich verbessern.

Die Projekterfahrung der SOPTIM AG zeigt, dass gerade die Verbindung von Mustererkennung und Regressionsverfahren in der Praxis sehr gut funktioniert. Dadurch wird nicht nur die Robustheit der Modelle gestärkt, sondern gleichzeitig auch die Datenmenge reduziert.

Ein universell bestes Verfahren für alle Anwendungsfälle gibt es nicht. Abhängig von den Prognoseanforderungen kann beispielsweise auf einen gewissen Grad an Genauigkeit verzichtet werden, wenn die Modelle auf der anderen Seite stabil, zuverlässig und mit wenig Pflegeaufwand nachvollziehbare Ergebnisse liefern. Eine Vielzahl möglicher Prognoseverfahren ist nicht immer ein Garant für eine hohe Prognosequalität. Insofern ist es stets eine Einzelentscheidung, welches Verfahren bzw. welche Kombination von Verfahren für Lastgangprognosen die beste Wahl ist.

SOPTIM liefert hochprofessionelle Werkzeuge für alle Prognoseanforderungen und berät mit profunder Expertise, welche Lösung sich für welche Anforderungen am besten eignet bzw. die spezifisch besten Prognoseergebnisse liefert.

Stefan Heimel
SOPTIM AG, Consultant Vertriebsinformationssysteme und Prognose

+49 241 918 790

Direkt anrufen

Verwendung von Cookies

Cookies ermöglichen eine bestmögliche Bereitstellung unserer Dienste. Mit der Nutzung der SOPTIM-Seiten erklären Sie sich damit einverstanden, dass wir Cookies verwenden.

Weitere Informationen erhalten Sie in der Datenschutzerklärung
OK, verstanden