Energieprognosen für komplexe Portfolios.
KI-gestützte Last-, Erzeugungs- und Portfolioprognosen für Stadtwerke, Energieversorger, Direktvermarkter und Portfoliomanager – vom einzelnen Messpunkt bis zum Portfolio.
Kontinuierliche, rollierende Prognosen
Immer aktuell. Immer vorausschauend.
Prognosen werden laufend mit den neuesten Messwerten aktualisiert – vom Intraday-Horizont bis zu mehreren Tagen.
Was kontinuierliche Prognosen ausmacht
- Kontinuierliche Aktualisierung statt statischer Tagesprognose.
- Vom Intraday-Horizont über Day-Ahead bis zu mehrtägigen Zeiträumen.
- Passt sich automatisch an neue Datenlagen an.
Übergreifend anwendbar
Strom, Gas, Wärme – und Ihr individueller Anwendungsfall.
Dieselbe Zeitreihen-KI prognostiziert nicht nur Strom, sondern ebenso Gas- und Wärmelasten – und lässt sich auf weitere zeitabhängige Größen Ihres Anwendungsfalls übertragen.
Medienübergreifend und individuell
- Prognosen für Strom, Gas und Wärme auf einer gemeinsamen Grundlage.
- Übertragbar auf weitere zeitabhängige Größen Ihres Betriebs.
- Custom-Lösungen für spezifische Datenquellen und Anwendungsfälle.
Qualitäts-Monitoring
Prognosegüte ist kein einmaliger Messwert.
Prognose und Ist-Werte werden kontinuierlich verglichen, Drift erkannt und Modelle kontrolliert nachtrainiert.
Güte, die hoch bleibt
- Auswertung nach Forecast-Art, Ebene, Horizont und Cut-off.
- Monitoring, Drift-Erkennung und kontrolliertes Retraining.
- Versionierte Modell- und Datenstände.
Einzel- & Portfolio-Prognose
Vom Messpunkt bis zum Portfolio.
Dieselbe Zeitreihen-KI prognostiziert einzelne Marktlokationen ebenso wie Cluster und ganze Portfolios.
Eine Logik, jede Ebene
- Aggregation inklusive Netting-Effekten.
- Relevant für Beschaffung, Vermarktung und Bilanzkreis.
- Gezielter Einsatz auf schwierigen Teilportfolios.
Konfidenz- & Unsicherheitsband
Nicht nur der Wert – auch die Sicherheit.
Quantile und Konfidenzintervalle bilden Unsicherheit transparent ab.
Bessere Entscheidungsgrundlage
- Differenzierte Bewertung nach Prognosehorizont, Wetterlage und Datenqualität.
- Bessere Grundlage für Dispatch- und Handelsentscheidungen.
- Getrennte Betrachtung für Messpunkt, Cluster und Portfolio.
Nahtlose Integration (API-first)
Ihre Systemlandschaft bleibt. Die Prognose kommt dazu.
aimpera liefert Forecasts, Aggregate und Qualitätsinformationen als additiven Layer neben Ihre bestehenden Systeme – ohne Systemwechsel.
Anbindung ohne Rip-and-Replace
- Anbindung über REST-API, SFTP und Dateiaustausch.
- Einbindung in EDM-, PFM-, BKV-, VPP- und Handelssysteme.
- Additiver Forecasting-Layer statt Systemwechsel.
Laständerungsmeldungen
Aus einer E-Mail wird eine bessere Prognose.
Laständerungen erreichen Sie oft formlos per E-Mail. aimpera erfasst diese Meldungen automatisch, wertet sie KI-gestützt aus und lässt sie direkt in die laufende Prognose einfließen.
Von der Meldung zur Prognose
- Eingehende E-Mail-Meldungen werden automatisch erfasst und strukturiert.
- KI-gestützte Auswertung von An-/Abmeldungen, Sonderterminen und geplanten Eingriffen.
- Die erkannten Änderungen fließen unmittelbar in die rollierende Prognose ein.
aimpera v3 Forecast Modell
RLM- & Lastprognosen
Für einzelne Marktlokationen, Kundengruppen, Cluster und Portfolios – Grundlage für Beschaffung, Handel und Bilanzkreis.
- RLM & Stromverbrauch
- kundenspezifische Lastprofile
- schwierige, volatile Verbraucher
- Spezialprognosen für operative Besonderheiten
PV- & Erzeugungsprognosen
Für Anlagen, Parks und aggregierte Erzeugungsportfolios – PV und Wind auf Asset- bis Portfolioebene, auf Basis des aimpera v3 Forecast-Modells.
- PV & Wind
- Asset-, Park- und Portfolioebene
- weitere Erzeugungsarten projektbezogen
Portfolio- & Aggregatprognosen
Von einzelnen Zeitreihen bis zur für Beschaffung und Vermarktung relevanten Aggregation.
- MaLo → Cluster → Portfolio
- Netting-Effekte berücksichtigt
- relevant für Beschaffung & Vermarktung
Bilanzkreisnahe Prognosen
Prognosen und Aggregationen für bilanzkreisnahe Prozesse und bestehende Portfolio-/BKV-Workflows.
- bilanzkreisnahe Prozesse
- Anschluss an BKV-Workflows
- aggregierte Fahrpläne
Prognosequalität entscheidet sich in der Realität.
in der Realität
So funktioniert aimpera Forecast
Von Ihren Systemen und Datenquellen über Qualitätssicherung und Prognose bis zurück in Ihren Prozess – ein durchgängiger, überwachter Ablauf.
Daten anbinden
Mess-, Stamm-, Wetter- und Kalenderdaten, Kundenmeldungen und relevante Betriebsinformationen.
Datenqualität sichern
Umgang mit fehlenden Werten, Ausreißern, Sondertagen, Strukturbrüchen und operativen Besonderheiten.
Prognosen erzeugen
Geeignete Modelle je Zeitreihe, Cluster oder Portfolio einsetzen.
Kontinuierliches Monitoring
Die Prognosegüte wird nicht einmalig, sondern laufend gemessen und überwacht – gegen relevante Vergleichsprognosen, mit Drift-Erkennung und Alarmierung, damit die Qualität dauerhaft hoch bleibt.
Aggregieren
MaLo → Cluster → Portfolio → Prozesskontext, inkl. Netting-Effekten.
Zurück in den Prozess
Forecasts, Aggregate und Qualitätsinformationen in die bestehende Systemlandschaft liefern.
Gute Prognosen hören niemals auf zu lernen
aimpera verbindet Prognose, Unsicherheit, Echtzeitkorrektur und kontinuierliche Modellverbesserung in einem durchgängigen Prozess.
Prognose & Unsicherheit
- Punktprognosen für den operativen Einsatz
- Quantile und Konfidenzintervalle zur transparenten Abbildung von Unsicherheit
- Differenzierte Bewertung nach Prognosehorizont, Wetterlage und Datenqualität
- getrennte Qualitätsbetrachtung für Messpunkt, Cluster und Portfolio
Echtzeitkorrektur
- laufende Korrektur mit aktuellen Messwerten, soweit vorgesehen
- Berücksichtigung von Verfügbarkeiten und Ausfällen
- Curtailment und manuelle Eingriffe bei Erzeugung
- transparente Kennzeichnung fehlender oder unplausibler Eingangsdaten
- Fallback-Mechanismen bei Daten- oder Modellausfällen
Kontinuierliche Verbesserung
- kontinuierlicher Vergleich von Prognose und Ist-Werten
- Auswertung nach Forecast-Art, Ebene, Horizont und Cut-off
- Monitoring und Drift-Erkennung
- kontrolliertes Retraining und versionierte Modellstände
Eines der größten Missverständnisse im Forecasting ist, dass ein Modell irgendwann fertig ist. Für mich ist ein guter Forecast nicht der, der einmal besonders gut trifft, sondern der, auf den man sich jeden Tag verlassen kann. Und weil sich das Umfeld ständig verändert, muss auch das Modell kontinuierlich vergleichen, lernen und besser werden.
Umgesetzt in der aimpera ML-Core Plattform
Die aimpera ML-Core Plattform ist für Zeitreihen-KI-Systeme auf Energiedaten konzipiert – mit durchgängiger Automatisierung von Training über Monitoring bis zu Fehlererkennung und Re-Training, damit sich die Modelle laufend an neue Daten und veränderte Bedingungen anpassen.
Die vier Zeit-Dimensionen einer Prognose
Gute Prognosen entstehen nicht nur durch gute Modelle. Entscheidend ist, dass Horizont, Auflösung, Aktualisierung und verfügbare Informationen exakt zum Anwendungsfall passen.
Konkrete Horizont- und Auflösungswerte werden je Forecast-Art fachlich einheitlich festgelegt.
Ihre Systemlandschaft bleibt. Die Prognose wird besser.
aimpera wird als Forecasting-Layer in bestehende energiewirtschaftliche Prozesse eingebunden. Der technische Integrationsweg richtet sich nach Ihrer bestehenden Architektur.
- benötigte Eingangs- und Stammdaten, Datenprüfung und Mapping
- Forecast-Werte, Aggregate, Unsicherheits- und Qualitätsinformationen als Outputs
- Aktualisierungs- und Lieferzeitpunkte, Monitoring, Statusmeldungen und Fallback
- ohne notwendigen Wechsel von EDM-, PFM-, BKV-, VPP- oder Handelssystem
Dort einsetzen, wo Prognosen wirtschaftlich wirken
Energieprognosen im Detail
Müssen wir unser bestehendes Prognosesystem ersetzen?
Nein. aimpera kann sowohl als eigenständige Prognoselösung eingesetzt werden und bestehende Forecasts ersetzen als auch als zusätzlicher Forecasting-Layer in Ihre bestehende Systemlandschaft integriert werden. EDM-, PFM-, BKV-, VPP- oder Handelssysteme können dabei unverändert führend bleiben.
Welche Daten benötigt aimpera?
Für den Einstieg genügen in der Regel historische Ist-Werte. Für einen direkten Benchmark ist zusätzlich Ihr bestehender Forecast inklusive Erstellungszeitpunkt hilfreich. Je nach Anwendungsfall können weitere Informationen wie Stammdaten, Wetterdaten, Kalenderinformationen oder Kundenmeldungen eingebunden werden. Welche Daten tatsächlich benötigt werden, hängt vom jeweiligen Prognoseziel ab.
Kann aimpera zunächst parallel laufen?
Ja. aimpera kann zunächst vollständig parallel zu Ihrer bestehenden Prognose betrieben werden. So lässt sich die Prognosequalität unter realen Bedingungen direkt vergleichen, ohne bestehende Prozesse oder Systeme umstellen zu müssen. Auf Basis der Ergebnisse entscheiden Sie anschließend, ob und in welchem Umfang aimpera produktiv eingesetzt wird.
Wie werden Prognosen übertragen?
Die Übertragung kann flexibel über REST-API, SFTP, standardisierten Dateiaustausch oder kundenspezifische Schnittstellen erfolgen. Der technische Integrationsweg richtet sich nach Ihrer bestehenden Architektur und den vorhandenen Prozessen.
Welche Forecast-Arten werden unterstützt?
aimpera unterstützt unter anderem RLM- und Lastprognosen, PV- und Erzeugungsprognosen, Portfolio- und Aggregatprognosen sowie bilanzkreisnahe Forecasts. Ein besonderer Schwerpunkt liegt auf PV und anspruchsvollen Lastprofilen. Weitere Erzeugungsarten und individuelle Prognoseaufgaben können projektbezogen abgebildet werden.
Können wir zunächst mit ausgewählten Teilportfolios starten?
Ja. Gerade bei großen Portfolios ist ein gezielter Einstieg häufig sinnvoll. aimpera kann zunächst auf einzelne Kunden, Anlagen, Cluster oder Zeitreihen angewendet werden. Dadurch lässt sich der Nutzen in einem klar abgegrenzten Bereich evaluieren. Eine spätere Ausweitung auf weitere Teilportfolios oder das Gesamtportfolio ist jederzeit möglich.
Wie wird Prognosequalität gemessen?
Die Prognosequalität wird anhand klarer Kennzahlen bewertet, die zeigen, wie nah eine Prognose an den tatsächlich eingetretenen Werten liegt. Welche Kennzahlen dabei sinnvoll sind, hängt jedoch stark vom jeweiligen Anwendungsfall ab – deshalb besprechen wir zunächst genau, wie die Prognose später genutzt wird und welche Fehler besonders relevant sind. Darauf aufbauend wählen wir die passende Bewertungsmethodik, zum Beispiel für durchschnittliche Abweichungen, systematische Über- oder Unterschätzungen oder besonders große Prognosefehler. Getestet wird auf Zeiträumen, die das Modell zuvor nicht gesehen hat, und die Ergebnisse werden mit geeigneten Referenzmodellen sowie auf Wunsch direkt mit Ihrem bestehenden Forecast verglichen.
Was ist der Unterschied zwischen Auflösung und Aktualisierungsfrequenz?
Die zeitliche Auflösung beschreibt das Raster der Prognosewerte, beispielsweise 15-Minuten-Intervalle. Die Aktualisierungsfrequenz bestimmt dagegen, wie häufig eine neue Prognose berechnet und bereitgestellt wird. Eine Prognose kann beispielsweise im 15-Minuten-Raster vorliegen und dennoch nur einmal pro Stunde aktualisiert werden. Beide Parameter lassen sich unabhängig voneinander an den jeweiligen Anwendungsfall anpassen.
Wie werden neue Kunden oder Anlagen ohne lange Historie behandelt?
Auch bei neuen Kunden oder Anlagen mit kurzer Historie können belastbare Prognosen erstellt werden. Dafür nutzt aimpera Modelle, die Informationen aus vorhandenen Merkmalen, Vergleichsprofilen und ähnlichen Zeitreihen berücksichtigen können. Sobald weitere Ist-Daten vorliegen, werden diese genutzt, um die Prognose zunehmend auf das individuelle Verbrauchs- oder Erzeugungsverhalten auszurichten.
Wie geht aimpera mit geänderten Portfoliozuordnungen um?
Änderungen von Kunden-, MaLo-, Cluster- oder Portfoliozuordnungen können in der Prognose- und Aggregationslogik berücksichtigt werden. Dadurch bleiben Prognosen auch bei wechselnden Portfoliozusammensetzungen auf den verschiedenen Aggregationsebenen konsistent.
Können Prognosen und Qualitätsmetriken gemeinsam geliefert werden?
Ja. Neben den eigentlichen Forecasts können auch Aggregate, Qualitätskennzahlen und – je nach Anwendungsfall – Unsicherheitsinformationen bereitgestellt werden. Diese Informationen können gemeinsam in Ihre Systeme übertragen werden und ermöglichen es, Prognosen nicht nur zu nutzen, sondern ihre Qualität und Verlässlichkeit auch laufend zu bewerten.
Haben Ihre Prognosen Verbesserungspotenzial?
Finden wir es heraus – mit einem methodisch fairen Forecast-Vergleich auf Ihren Daten.