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.
