Hybridmodelle: Wie lässt sich das tatsächliche Gleichgewicht des Strommarktes in grundlegende Modelle einbeziehen?

AleaSoft Energy Forecasting, 6. März 2026. Auf den Strommärkten versagen viele fundamentale Modelle nicht aufgrund der Physik des Systems, sondern weil sie das tatsächliche Gleichgewicht, das den Preis bestimmt, nicht reproduzieren. Ein hybrider Ansatz, der fundamentale Strukturen mit statistischen Modellen, künstlicher Intelligenz und maschinellem Lernen kombiniert, ermöglicht es, zeitliche Dynamiken, Nichtlinearitäten und Regimewechsel zu erfassen und so das Preissignal und seine Verteilung für Investitions- und Absicherungsentscheidungen zu verbessern.

Auf den Stromgroßhandelsmärkten besteht die größte Herausforderung vieler Grundmodelle nicht darin, eine technisch korrekte „Merit Order“ zu berechnen, sondern das Marktgleichgewicht zu reproduzieren, das letztendlich die Preise langfristig bestimmt. Der Schlüssel liegt darin, dass in einem marginalistischen Markt der Preis nicht gleichbedeutend mit den Kosten ist, sondern das Ergebnis aggregierter Angebots- und Nachfragekurven, der den Preis bestimmenden marginalen Technologie, des Ausmaßes der Knappheit zu jeder Stunde und vor allem der Preise, die Investitionen in neue Kraftwerke langfristig rentabel machen und die Kosten für die Verbraucher tragbar machen.

Wenn sich das Modell auf eine stündliche oder 15-minütige Rangfolge beschränkt, neigt es dazu, Engpässe, Stundenspreads, Verteilungswarteschlangen und Regimewechsel, die einen Großteil des beobachteten Verhaltens dominieren, zu unterschätzen und, was noch kritischer ist, den für die Vorhersage von Preisen, die den Markt nachhaltig machen, erforderlichen langfristigen Blick zu verlieren.

Kauf- und Verkaufsangebote auf den Strommärkten

Die grundlegenden Modelle bilden die Verkaufsangebote der Produzenten und die Kaufangebote der Verbraucher und Händler nach. Jeder Marktteilnehmer hat seine eigene Strategie, die von Faktoren wie der Politik der Unternehmensgruppe, Absicherungen und langfristigen Zielen beeinflusst wird, die sich zwischen den einzelnen Akteuren stark unterscheiden. Der Versuch, ihr Verhalten nach gemeinsamen Kriterien zu modellieren, spiegelt die Realität nicht angemessen wider.

Einer der kritischsten Punkte ist die Behandlung des Wasserangebots. In der Praxis wird Wasser und teilweise auch andere Technologien mit starker strategischer Komponente nicht als einfache Grenzkosten angeboten. Es gibt eine mittel- und langfristige Optimierung, die auf dem Wert des gespeicherten Wassers, Erwartungen, Einschränkungen und strategischen Entscheidungen basiert. Wenn das Modell diese „Wasserwirtschaft” und ihre Wechselwirkung mit dem Rest des Systems nicht abbildet, ist das resultierende Gleichgewicht verzerrt und der modellierte Preis weicht ab, insbesondere in Situationen, in denen das System unter Spannung steht.

Hinzu kommt eine Modellierung der Nachfrage und Flexibilität, die häufig zu deterministisch ist. Die Nettonachfrage, also die Energie, die vom Netz abgefragt wird, hängt vom Wetter und vom Kalender ab, aber auch von Faktoren wie der Wirtschaftstätigkeit und der impliziten Reaktion des Systems, einschließlich Eigenverbrauch, Pumpen und industriellen Interaktionen. Wenn ein grundlegendes Modell starr ist, glättet es in der Regel Rampen, gibt Spitzen nicht gut wieder und verliert das Signal der Knappheit, das letztendlich den Preis in den entscheidenden Stunden bewegt.

Die Reibungen des Systems vervollständigen das Bild. Ein wesentlicher Teil der tatsächlichen Preisbildung entsteht durch interne Engpässe, technische Einschränkungen, Nichtverfügbarkeiten und Grenzen der Vernetzung und ihrer effektiven Nutzung. Wenn diese Elemente als einfache Annäherungen eingeführt oder zu aggregiert behandelt werden, kann das Modell zwar technisch kohärent bleiben, aber vom beobachteten Gleichgewicht abweichen. Vor allem aber wirken der regulatorische Rahmen und operative Mikroveränderungen als Auslöser für neue Regelungen: Änderungen von Regeln, Gebühren, Mechanismen, Beschränkungen, Steuern oder operativen Kriterien verändern das Gleichgewicht und erzwingen Neukalibrierungen, die, wenn sie nicht schnell vorgenommen werden, dazu führen, dass das grundlegende Modell die neue Umgebung „falsch erklärt”.

Die Hybridmodelle

Angesichts dieser Einschränkungen vertritt AleaSoft Energy Forecasting die Auffassung, dass der Vorteil nicht darin besteht, „KI um der KI willen einzusetzen”, sondern darin, kausale Strukturen und Marktkenntnisse mithilfe einer hybriden Methodik zu kombinieren. Bei diesem Ansatz dient das grundlegende Modell als Basis, um die wichtigsten Treiber (Durchdringung erneuerbarer Energien, Brennstoffe und CO₂, Vernetzung, Wasserkraft, Nichtverfügbarkeiten) zu erfassen und langfristige Szenarien im Zusammenhang mit Übergangsplänen, Stilllegungen und neuen Kapazitätszugängen, Speicherung, Nachfrage und Elektrifizierung in Einklang zu bringen.

Die statistische Komponente der Hybridmodelle liefert das, was das Fundamentale nicht erfassen kann: die zeitliche Dynamik. Techniken aus der Familie Box-Jenkins, wie ARIMA/SARIMA, ermöglichen die Modellierung von Autokorrelation, stündlichen, wöchentlichen und jährlichen Saisonalitäten sowie der typischen Persistenz von Preisen und Spreads. Auf diese Weise werden Trägheiten und wiederkehrende Muster erfasst, beispielsweise Windböen oder Regelmäßigkeiten in der Nachfrage, die eine im Wesentlichen statische Merit Order nicht wiedergibt.

Auf dieser Grundlage werden künstliche Intelligenz und Algorithmen des maschinellen Lernens eingesetzt, um Nichtlinearitäten, Wechselwirkungen und Regimewechsel zu erfassen, die schwer zu parametrisieren sind. Die Beziehungen zwischen den Variablen auf den Energiemärkten sind in hohem Maße nichtlinear und hängen vom Produktionsniveau, der Uhrzeit, der Nachfrage, dem thermischen Mix, den hydrologischen Bedingungen und der Vernetzung ab. Darüber hinaus sind neuronale Netze in der Lage, kritische Kombinationen zu lernen, wie z. B. gleichzeitige Anstiege von CO₂ und Gas bei sinkender Windproduktion und niedrigen Stauseen, die die Preisverteilung stärker verändern als jeder einzelne Faktor. Mit geeigneten Fenstern und Variablen trainiert, passt sich das Modell besser an strukturelle Veränderungen an, ohne das langfristige Marktgleichgewicht zu verlieren.

Das Endziel besteht darin, das „De-facto-Gleichgewicht” des Marktes zu schließen: systematische Verzerrungen der Fundamentaldatenmodelle zu erkennen und diese mit statistischen Modellen und Modellen des maschinellen Lernens zu korrigieren, bis ein Preis erzielt wird, der nicht nur das technische Gleichgewicht, sondern auch das beobachtete Gleichgewicht berücksichtigt. Für den Endnutzer der Prognosen bedeutet dies eine Verbesserung in dem Bereich, der für die Entscheidungsfindung am wichtigsten ist: eine bessere Darstellung der Unsicherheit (P10/P90) und der stündlichen Volatilität, die für die Bewertung von Projekten zur Speicherung BESS, Hybridisierung, DSCR und Covenants entscheidend sind, eine bessere Schätzung der erzielten Preise und der Kannibalisierung durch Solar- und Windenergie sowie eine größere Konsistenz bei langfristigen Zeithorizonten.

Ausblick für die Energiemärkte in Europa. Frühjahr 2026

Das monatliche Webinar Nr. 64, organisiert von AleaSoft Energy Forecasting, findet am 12. März 2026 um 12:00 Uhr MEZ statt und konzentriert sich auf die Analyse der jüngsten Entwicklungen auf den Energiemärkten in Europa, den Prognosen für das Frühjahr und den wichtigsten Ereignissen, die den Sektor im Jahr 2026 beeinflussen werden. Bei dem Treffen werden die wichtigsten regulatorischen Änderungen sowie die zunehmend wichtige Rolle der Energiespeicherung und der Kapazitätsmärkte in einem Stromsystem behandelt, das durch eine zunehmende Durchdringung erneuerbarer Energien und eine steigende Preisvolatilität gekennzeichnet ist.

In diesem Zusammenhang bietet AleaStorage fortschrittliche Lösungen zur Optimierung, Analyse der Einnahmen und Strukturierung von Speicherprojekten und Hybridsystemen im Zusammenhang mit erneuerbaren Energien, mit dem Ziel, den Wert und die Rentabilität der Anlagen zu maximieren.

An der Veranstaltung werden erneut Fachleute von EY teilnehmen, die ihre Erfahrungen in den Bereichen Regulierung, Finanzierung von Projekten im Bereich erneuerbare Energien und Speicherung, PPA-Vereinbarungen, Eigenverbrauch und Bewertung von Energieanlagen und -portfolios einbringen werden.

Quelle: AleaSoft Energy Forecasting.