Day-ahead-Preisprognose × beschränkte Optimierung

Energiespeicher: Von der Preisprognose zum Tagesfahrplan

Prognosegenauigkeit und Entscheidungswert müssen getrennt bewertet werden.

Zeitraum: —
Umfang: ca. 35.000 Viertelstundenbeobachtungen
Rolle: Leitung eines Dreierteams
Kerntechnologien: Python · scikit-learn · XGBoost · pandas

Kurzfassung

Problem: Pro Tag gibt es höchstens einen vollständigen Arbitragezyklus: zwei Stunden durchgehend laden, danach zwei Stunden durchgehend entladen. Gesucht werden daher nicht einzelne Extrempunkte, sondern ein zulässiges und robustes Fensterpaar aus der gesamten Preiskurve.
Kernansatz: Konfigurationsgesteuertes Offline-Training und Inferenz von Markt- und Wetterrohdaten bis zur Tagesprognose.
Ergebnis / Grenze: Der finale Plan nutzt einen klaren dreispaltigen Vertrag aus Zeit, Prognosepreis und Leistung sowie getrennte Diagnosen für Prognose- und Entscheidungsqualität.

Auftakt

Eine Tagesprognose zählt nur, wenn sie ein zulässiges Betriebsfenster wählt

Pro Tag gibt es höchstens einen vollständigen Arbitragezyklus: zwei Stunden durchgehend laden, danach zwei Stunden durchgehend entladen. Gesucht werden daher nicht einzelne Extrempunkte, sondern ein zulässiges und robustes Fensterpaar aus der gesamten Preiskurve.

Jeder Tag umfasst 96 Viertelstunden. Prognosen für Last, Wind, Photovoltaik, Interkonnektoren, Wasserkraft und nicht marktbasierte Erzeugung werden mit numerischen Wetterprognosen kombiniert. Die Ausgabe verbindet Zeit und prognostizierten Preis mit dem Speicherfahrplan.

Illustrative, keine Projektdaten: mit festem Seed erzeugt. Die zulässige Aktion ist ein früheres Ladefenster über acht Punkte und ein späteres Entladefenster über acht Punkte.

Systempfad

Preisprognose und Planung verbinden, aber prüfbar halten

Der Pfad trennt die Prognose einer 96-Punkte-Kurve von der Auswahl zweier zulässiger Fenster daraus.

① Ausrichten
Vollständige Markttage und Wetterprognosen verbinden und Zeitzonen sowie Merkmalsverfügbarkeit explizit halten.
② Prognostizieren
Preis-Kurvenkandidaten chronologisch vergleichen, ohne künftig abgeleiteten Zustand in einen Validierungs-Fold zu lassen.
③ Bewerten
Preisfehler zusammen mit Wert und Stabilität der resultierenden Lade-/Entladeentscheidung lesen.
④ Planen
Zulässige Laden-vor-Entladen-Fenster aufzählen und Ausgabe aus Zeit, Prognosepreis und Leistung validieren.

Umgesetzt

Ein prüfbarer Ausgabevertrag

Der finale Plan hält Zeit, Prognosepreis und Leistung in einem expliziten dreispaltigen Vertrag, damit Prognosediagnosen und Betriebsentscheidungen getrennt geprüft werden können.

Niedrigerer RMSE

① falsche Fenster

Höherer RMSE

② richtige Fenster

Illustrative, keine Projektdaten: mit festem Seed erzeugt. Prognosegenauigkeit und Entscheidungswert müssen getrennt bewertet werden.

Die Preiskurve spiegelt ein System, nicht einen einzelnen Erzeuger

Windenergieanlagen in einer nördlichen Graslandschaft mit Hochspannungsleitungen unter wechselnder Bewölkung.

Ein großer Solarpark mit Umspannwerk und Übertragungsnetz unter aufgelockerter Bewölkung.

Wind, Solar und konventionelle Erzeugung sind kontextuelle Eingaben der Preiskurve; die Bilder sind quellenbelegter Kontext, keine Projektevidenz.

Quellen & Umfang

Projektumfang

Projektumfang: ein Offline-System für eine vereinfachte Intraday-Speicheraufgabe. Die Strategie wählt pro Tag höchstens ein festes zweistündiges Lade- und ein zweistündiges Entladefenster. Wirkungsgrad, Alterungskosten, Handelsgebühren, tagesübergreifender Ladezustand und Live-Marktausführung liegen außerhalb dieser Fallstudie.