Acht Modelle, eine Frage - Wer kennt den Stromverbrauch von morgen?

Für die Vorhersage des Stromverbrauchs sollte ein praxistaugliches Prognosemodell nicht nur genau, sondern auch erklärbar sein. Dieses Projekt untersucht, welche Prognoseansätze für den Stromverbrauch an Transformatorstationen beides bieten.

Quelle: wlw.ch, 2026
Transformatorstationen sind die Knotenpunkte des Stromnetzes. Hier sind präzise Lastprognosen besonders wichtig.

Ausgangslage

Die Energiewende verändert die Stromnetze grundlegend: Solaranlagen auf Hausdächern, Elektroautos und Wärmepumpen machen den Strombedarf unberechenbarer als je zuvor. Für Energieversorger wird es deshalb immer wichtiger, den Verbrauch der nächsten Stunden oder Tage möglichst präzise vorherzusagen. Nur wer weiss, wann wie viel Strom gebraucht wird, kann das Netz stabil halten, Ressourcen effizient einsetzen und kostspielige Engpässe vermeiden.

Gleichzeitig wächst eine zweite Herausforderung: Algorithmen, die zuverlässige Ergebnisse liefern, deren Entscheidungen aber niemand nachvollziehen kann, stossen im praktischen Netzbetrieb schnell an Grenzen. Wer einem Prognosemodell vertrauen soll, will verstehen, warum es zu einem bestimmten Ergebnis kommt. Diese Eigenschaft wird Erklärbarkeit genannt und sie leidet oft unter wachsender Modellkomplexität.

Zielsetzung

Dieses Projekt stellte acht verschiedene Prognosemodelle in den Vergleich: von klassischen Statistikverfahren bis hin zu modernsten KI-Architekturen. Alle Modelle wurden auf realen Stromverbrauchsdaten von Transformatorstationen trainiert und getestet. Die zentrale Frage lautete: Welches Modell prognostiziert den Lastgang am genauesten, und wie gut lassen sich die Vorhersagen mit Methoden der erklärbaren KI (XAI) begründen? Ziel war eine fundierte Entscheidungsgrundlage für den Einsatz solcher Modelle im Energiemanagement.

Ergebnisse

Die Auswertung ergab eine klare Rangordnung unter den Modellen. Baumbasierte Modelle wie Random Forest und XGBoost überzeugten als Gesamtpaket: Sie lieferten präzise Vorhersagen und liessen sich gleichzeitig klarer erklären als Deep Learning Modelle. Ihr Erfolg basiert vor allem darauf, dass sie den Verbrauch des Vortages (sogenannte Lag-Features) besonders stark gewichten.

• Random Forest und XGBoost erzielten die beste Kombination aus Genauigkeit und Erklärbarkeit.
• TimeGPT, ein grosses, vortrainiertes KI-Modell, lieferte bemerkenswert gute Prognosen, obwohl es nicht auf den lokalen Daten trainiert wurde (Zero-Shot-Lernen).
• Der Temporal Fusion Transformer (TFT) zeigte besonders bei längeren Vorhersagehorizonten und kompletten Features starke Leistung.
• Über alle durchgeführten Experimente lagen SARIMAX und N-BEATS im Mittelfeld solide. SARIMAX hat den Vorteil, dass die Koeffizienten klar einsichtbar sind. N-Beats zeigte in den Experimenten vermehrt Ausreisser auf.
• Prophet und xLSTM bildeten das Schlusslicht bei der Genauigkeit.
• Deep-Learning-Modelle gewichteten Wetterdaten (51–64 % des Erklärungsbeitrags) stärker als baumbasierte Modelle, die sich zu 75–80 % auf vergangene Verbrauchswerte stützten.

Ein zentrales Ergebnis ist der Zielkonflikt zwischen Leistung und Erklärbarkeit: Modelle, die besonders komplex und leistungsfähig sind, lassen sich oft schlechter begründen. Für den operativen Einsatz im Energiemanagement empfehlen sich deshalb baumbasierte Modelle als erste Wahl. Sie bieten die beste Balance. TimeGPT ist eine interessante Option, wenn kaum historische Daten vorhanden sind, erfordert aber Abstriche bei der Transparenz.

Die Wahl des richtigen Modells hängt letztlich vom konkreten Anwendungsfall ab: Wie weit in die Zukunft soll prognostiziert werden? Wie wichtig ist Nachvollziehbarkeit? Wie gross ist das verfügbare Rechenbudget? Dieses Projekt liefert eine datenbasierte Grundlage, um diese Fragen fundiert zu beantworten.

Technische Schlüsselbegriffe

• ZeitreihenZeitlich geordnete Messwerte, die Veränderungen über die Zeit zeigen, zum Beispiel der Stromverbrauch im Stundenverlauf.
• Transformatorstation (Trafo)Anlage der Verteilnetzebene, die elektrische Energie auf eine tiefere Spannung umwandelt und Haushalte oder Quartiere mit Strom versorgt.
• LastprognoseIn diesem Projekt eine Vorhersage des zukünftigen Stromverbrauchs einer Trafostation, auf Basis historischer Verbrauchsdaten und Wetterdaten.
• Erklärbare KI (XAI)Methoden und Techniken, mit denen sich die Entscheidungen eines KI-Modells für Menschen verständlich und nachvollziehbar machen lassen.
• SHAPMathematisches Verfahren (SHapley Additive exPlanations), das misst, wie stark jedes einzelne Merkmal (z. B. Temperatur oder Vortagesverbrauch) eine Vorhersage beeinflusst hat.
• Deep LearningTiefe neuronale Netze, die in diesem Projekt für die Stromverbrauchsprognose eingesetzt wurden, z. B. TFT und xLSTM.
• Foundation ModelGrosses, vortrainiertes KI-Modell (hier: TimeGPT), das ohne spezifisches Training auf neuen Daten eingesetzt werden kann (Zero-Shot-Lernen).

Team