Die Schweizer Stromwirtschaft bewegt sich in eine neue Realität. Mit dem massiven Ausbau der Photovoltaik, steigender Intraday-Volatilität und dem seit 1. Januar 2026 geltenden Ein-Preis-Mechanismus von Swissgrid wird Prognosequalität zu einem direkten wirtschaftlichen Faktor. Was früher ein technischer Nebenprozess war, wird zunehmend zum Hebel für Handelsmargen, Ausgleichsenergiekosten und operative Stabilität.
Grossbritannien hat diese Entwicklung bereits vorweggenommen. Dort zwingt die Reform «Market-wide Half-Hourly Settlement» (MHHS) die Versorger dazu, für jede Halbstunde präzise vorherzusagen, wie viel Strom ihre Kunden tatsächlich verbrauchen. In der Schweiz gilt dasselbe Prinzip, hier im feineren Viertelstundenraster. Fehler werden unmittelbar finanziell sichtbar.
In den vergangenen achtzehn Monaten hat die britische CentraLogic, mit der NDG die Übertragung in den Schweizer Markt gemeinsam evaluiert, eine KI-gestützte Forecasting-Infrastruktur aufgebaut: produktiv, regulatorisch relevant und unter realen Marktbedingungen getestet.
Die zentrale Frage lautet deshalb nicht mehr, ob KI-Prognosemodelle in der Stromwirtschaft relevant werden. Sondern wie schnell die Schweizer Energieversorgungsunternehmen (EVU) die nötigen Fähigkeiten aufbauen können.
Warum Forecasting zum Profit-&-Loss-Hebel wird
Vier strukturelle Entwicklungen treffen derzeit gleichzeitig auf die Schweizer Energiebranche:
- Die Solarisierung des Netzes verändert Lastprofile und erhöht die Volatilität der Residuallast.
- Wasserkraft wird zur strategischen Flexibilitätsreserve im europäischen Markt.
- Die Kopplung mit EPEX und den Nachbarländern erhöht die Intraday-Dynamik.
- Swissgrid verrechnet Bilanzabweichungen seit 2026 über einen Ein-Preis-Mechanismus direkt an die Bilanzgruppen.
Damit wird Prognosegenauigkeit buchhalterisch messbar.
Die Herausforderung betrifft dabei nicht nur Grosskonzerne. Rund 600 Verteilnetzbetreiber in der Schweiz stehen vor ähnlichen Problemen, häufig mit begrenzten personellen Ressourcen und heterogenen Datenlandschaften. Die Studie Digital@EVU 2026 von Kearney et al. zeigt, dass rund 70 Prozent der KI-Initiativen in der Energiebranche im Pilotstadium verharren und kaum in den produktiven Betrieb übergehen. Viele Unternehmen haben zwar KI-Strategien formuliert, produktive Machine-Learning-Systeme mit klaren KPIs bleiben aber die Ausnahme. Die grössten Hürden sind dabei nicht fehlende Ideen, sondern fehlende Dateninfrastruktur, Fachkräfte und operative Kapazitäten.
Was in Grossbritannien tatsächlich gebaut wurde
Die britische Plattform basiert nicht auf einem einzelnen «Supermodell», sondern auf mehreren spezialisierten Komponenten.
Die Lastprognose arbeitet mit separaten Modellen pro Kundensegment: Haushalte, KMU, Wärmepumpen, Elektromobilität oder industrielle Verbraucher. Der Grund dafür ist pragmatisch: Ein einziges nationales Modell sah auf den Durchschnittswerten gut aus, prognostizierte aber gerade die kritischen Segmente systematisch falsch.
Die Preisprognose wiederum trennt Day-Ahead-, Intraday- und Ausgleichsenergie-Modelle bewusst voneinander. Versuche mit gemeinsamen neuronalen Netzen wirkten effizienter, verschlechterten aber die Prognosen genau dort, wo Preisfehler am teuersten wurden.
Die Preisprognose arbeitet heute als Hybridmodell: rund 70 Prozent Machine-Learning (ML) und 30 Prozent fundamentaldatenbasierte Sensitivitätsmodelle für Gas, CO₂, Erzeugungsmix und grenzüberschreitende Flüsse. Die Kombination der beiden Modellansätze wird laufend von systematischen Verzerrungen bereinigt. Der Hintergrund ist ernüchternd einfach: Reine ML-Modelle gewinnen die Durchschnittswoche, verlieren aber oft während Marktphasen mit Strukturbruch. Genau diese Marktphasen sind jedoch die teuersten.
Zusätzlich wurden Quantilsregressionen eingeführt, um nicht nur einzelne Punktprognosen, sondern belastbare Konfidenzbänder zu erzeugen. Gerade während Kältewellen oder Extremwetterlagen erwiesen sich klassische Annahmen als zu optimistisch.
Eine weitere zentrale Erkenntnis: Jede einzelne Prognose muss dauerhaft gespeichert werden. Erst die systematische Archivierung der prognostizierten und der später tatsächlich eingetretenen Werte ermöglicht regulatorische Nachvollziehbarkeit, echte rückwirkende Validierung und operative Verbesserung.
Die wirtschaftliche Grössenordnung der Reform ist beträchtlich. Eine Cost-Benefit-Analyse von Ofgem, der britischen Regulierungsbehörde für den Strom- und Gasmarkt, beziffert die kumulierten Effizienzgewinne der MHHS-Einführung für den britischen Strommarkt mit 1,6 bis 4,5 Milliarden Pfund über den Zeitraum 2021 bis 2045. Auf Versorger-Ebene gehen Branchenschätzungen davon aus, dass eine signifikant verbesserte Lastprognose die Ausgleichsenergiekosten um 8 bis 15 Prozent senken kann. Bei einem mittelgrossen britischen Versorger mit rund 3 TWh Jahresabsatz entspricht das jährlichen Einsparungen im einstelligen Millionen-Pfund-Bereich.
«Die eigentliche Herausforderung ist nicht das Modell selbst, sondern die Disziplin, es jede Nacht produktiv, auditierbar und regulatorisch sauber zu betreiben.»
Die drei wichtigsten Learnings
- Durchschnittsgenauigkeit kann gefährlich täuschen.
Die ersten Dashboards sahen hervorragend aus, bis die Modelle nach Tageszeit und Kundensegment zerlegt wurden. Genau in den teuersten Stunden lagen die Prognosen systematisch daneben. Moderne Forecasting-Systeme müssen deshalb granular ausgewertet werden: nach Abrechnungsintervall, Wetterlage, Saison und Kundentyp. - Backtests müssen reale Produktionsbedingungen simulieren.
Ein statischer Backtest ignoriert Drift, Verhaltensänderungen und Regimewechsel. Deshalb werden die Modelle heute täglich neu trainiert und im sogenannten Walk-Forward-Verfahren validiert. - Datenpipelines sind genauso kritisch wie die Modelle selbst.
Ein fehlerhafter Wetterfeed oder ein Smart-Meter-Problem an einem Sommerzeit-Tag genügt, um plausible, aber falsche Prognosen zu erzeugen. Deshalb werden moderne Systeme heute durchgehend überwacht: Sie erkennen automatisch, wenn die Prognosequalität nachzulassen beginnt und protokollieren jede einzelne Prognose lückenlos und nachvollziehbar.
Was sich auf die Schweiz übertragen lässt – und was nicht
Die Schweiz ist kein Abbild des britischen Strommarktes. Die Marktstruktur ist anders, die Bilanzgruppenlogik unterscheidet sich und die viertelstündliche Abrechnung war hier schon länger etabliert.
Trotzdem lassen sich wesentliche Bausteine direkt übertragen:
- die Trennung von Last-, Preis- und Einspeiseprognosen,
- Walk-Forward-Backtests,
- persistierte Forecast-versus-Actual-Datenbanken,
- KI-Agenten zur Auswertung von REMIT-Meldungen und Wetterereignissen,
- sowie hybride ML-/Fundamentalmodelle.
Andere Komponenten benötigen hingegen Schweizer Neuentwicklungen. Besonders anspruchsvoll sind:
- alpine PV-Prognosen mit Mikroklimata,
- Hydrologie- und Speicherzuflussmodelle,
- Pumpspeicher-Optimierung,
- sowie Bilanzgruppen-Wrapper für Swissgrid und das europäische Target Model.
Gerade die Wasserkraft macht die Schweiz einzigartig. Während Grossbritannien praktisch keine relevante Speicherhydrologie besitzt, fungiert die Schweizer Wasserkraft zunehmend als «nationale Batterie» Europas.
Fazit
Die Schweiz muss beim Thema KI in der Energiewirtschaft nicht bei null beginnen. Vieles wurde international bereits entwickelt, getestet und produktiv betrieben. Die eigentliche Chance besteht nun darin, diese Erfahrungen intelligent zu adaptieren und daraus eine Schweizer Lösung zu formen: pragmatisch, regulatorisch sauber und gemeinsam mit den EVU.
Denn Prognosequalität wird in den kommenden Jahren nicht nur eine operative Fähigkeit sein. Sie wird zu einem strategischen Wettbewerbsfaktor für die gesamte Stromwirtschaft.
Nicolas Noth ist CEO von NDG noth.digital und beschäftigt sich mit KI-gestützten Geschäftsmodellen, Datenstrategien und Transformation in regulierten Industrien.
CentraLogic ist ein in London und Pune ansässiges Spezialhaus für KI-gestützte Prognose- und Handelsinfrastruktur in der Stromwirtschaft, aktuell mit Fokus auf den britischen MHHS-Markt.
