Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting

Diese Studie entwickelt ein regimebewusstes, konditioniertes neuronales Prozess-Modell zur Vorhersage deutscher Strompreise, das durch eine TOPSIS-basierte Mehrkriterienentscheidung als ausgewogenste und bevorzugte Lösung für den Zeitraum 2021 bis 2023 identifiziert wird, obwohl andere Modelle in spezifischen Einzelmetriken überlegen sein können.

Das Wesentliche

Das Problem: Der deutsche Strommarkt ist wie ein wilder Ozean

Stell dir den deutschen Strommarkt wie einen Ozean vor. Früher war das Wasser relativ ruhig und vorhersehbar – man wusste, wann die Schiffe (Kraftwerke) kommen und wie viel Treibstoff sie brauchen. Aber heute? Durch den massiven Ausbau von Wind- und Solarenergie ist der Ozean extrem unruhig geworden.

• Wind und Sonne sind wie das Wetter: Mal scheint die Sonne hell, mal weht ein Sturm, mal ist es stockdunkel. Das macht die Strompreise extrem volatil. Sie können plötzlich in den Himmel schießen oder ins Bodenlose fallen.
• Das Ziel: Wer Batterien besitzt (wie ein riesiger Akku für das Stromnetz), möchte den Strom kaufen, wenn er billig ist, und verkaufen, wenn er teuer ist. Das nennt man „Arbitrage". Aber wenn du die Preise falsch vorhersagst, machst du Verluste.

Die alte Lösung: Ein starres Werkzeug für ein flexibles Problem

Frühere Computermodelle versuchten, den Strommarkt wie einen linearen Fluss zu behandeln. Sie sagten im Grunde: „Wenn heute viel Wind weht, ist der Strom morgen billig." Das funktioniert gut, solange das Wetter stabil ist. Aber wenn sich die Marktbedingungen plötzlich ändern (z. B. durch neue Gesetze oder extreme Wetterlagen), brechen diese Modelle zusammen. Es ist, als würde man versuchen, einen fließenden Fluss mit einem starren Lineal zu messen – das klappt nicht.

Die neue Lösung: Der „Regime-Aware"-Ansatz

Die Autoren dieses Papers haben eine clevere Idee entwickelt, die man sich wie einen erfahrenen Kapitän vorstellen kann, der verschiedene Wetterzonen kennt.

1. Die Wetterzonen erkennen (DS-HDP-HMM)
Statt zu versuchen, alles auf einmal vorherzusagen, teilt ihr neues System den Ozean in verschiedene „Regimes" (Zustände) ein:

• Zustand A: Ruhiges Wetter, stabile Preise.
• Zustand B: Sturmwarnung, extreme Preisschwankungen.
• Zustand C: Nebel, negative Preise (man muss sogar Geld zahlen, um Strom loszuwerden).

Das System lernt automatisch, wann der Ozean in welche Zone wechselt. Es weiß: „Achtung, wir sind gerade in der Sturmzone!" Es muss nicht vorher wissen, wie viele Zonen es gibt; es entdeckt sie selbstständig.

2. Spezialisten für jede Zone (Conditional Neural Processes)
Sobald das System weiß, in welcher Zone wir uns befinden, schaltet es einen passenden Spezialisten ein.

• Für die ruhige Zone nutzt es einen ruhigen, berechenbaren Vorhersage-Algorithmus.
• Für die Sturmzone schaltet es einen anderen Algorithmus ein, der gelernt hat, mit wilden Sprüngen umzugehen.

Das ist wie ein Orchester: Wenn ein ruhiges Stück gespielt wird, spielen die Geigen. Wenn ein dramatisches Stück kommt, schalten die Pauken ein. Jeder Spezialist ist nur für seine spezifische Situation trainiert.

3. Die Unsicherheit mit einbeziehen
Ein großer Vorteil: Das System sagt nicht nur einen Preis voraus, sondern auch, wie sicher es sich ist.

• Beispiel: „Ich sage, der Strom kostet 100 Euro. Aber ich bin mir zu 90 % sicher, dass es zwischen 90 und 110 liegt."
• Das ist wie ein Wetterbericht, der nicht nur „Sonne" sagt, sondern auch „50 % Wahrscheinlichkeit für Regen". Das hilft dem Batterie-Besitzer, Risiken besser einzuschätzen.

Der große Test: Wer macht am meisten Geld?

Die Forscher haben ihr System nicht nur an der Genauigkeit der Vorhersage gemessen, sondern daran, wie viel Geld es in der Praxis bringt. Sie haben drei Szenarien durchgespielt:

1. Reine Profitmaximierung: Einfach billig kaufen, teuer verkaufen.
2. Risikomanagement: Nicht zu aggressiv handeln, wenn die Vorhersage unsicher ist.
3. Netz-Dienstleistungen: Dem Stromnetz helfen, indem man Batterien lädt, wenn viel Solarstrom da ist.

Das überraschende Ergebnis:
Oft ist das Modell, das die genauesten Zahlen vorhersagt, nicht das, das am meisten Geld bringt.

• Ein einfaches Modell (LEAR) war manchmal sehr profitabel, weil es zufällig die richtigen Momente traf, auch wenn es sonst Fehler machte.
• Ein komplexes KI-Modell (DNN) war sehr gut in bestimmten Szenarien, aber schlecht in anderen.
• Das neue Modell (R-NP) war der Allrounder. Es war nicht immer der absolute Gewinner in jedem einzelnen Jahr, aber es war das ausgewogenste. Es hat in den turbulenten Jahren (2022 und 2023) am besten funktioniert und hat die Risiken am besten gemanagt.

Die Entscheidungshilfe: Der „TOPSIS"-Kompass

Da es so viele verschiedene Kriterien gab (Genauigkeit, Gewinn, Risiko, Kosten), war es schwer zu sagen, welches Modell „das Beste" ist. Die Autoren haben daher eine mathematische Methode namens TOPSIS benutzt.

Stell dir das wie einen Kompass vor, der dir sagt, welches Schiff am nächsten an der „perfekten Insel" liegt und am weitesten von der „schlechtesten Insel" entfernt ist.

• Das Ergebnis: Das neue Modell (R-NP) war in den letzten Jahren der beste Kompromiss. Es ist der Kapitän, der nicht nur schnell fährt, sondern auch sicher anlegt, egal ob Sturm oder Sonnenschein.

Fazit in einem Satz

Die Autoren haben ein System gebaut, das den wilden Strommarkt wie verschiedene Wetterzonen versteht, für jede Zone einen Spezialisten einsetzt und dadurch nicht nur genauere Vorhersagen trifft, sondern vor allem bessere Entscheidungen für Batterie-Besitzer ermöglicht, um Geld zu verdienen und Risiken zu minimieren.

Technische Zusammenfassung

Titel: Regime-Aware Conditional Neural Processes mit Multi-Criteria Decision Support für die operative Strompreisprognose

1. Problemstellung

Der deutsche Strommarkt hat sich durch die massive Integration erneuerbarer Energien (Wind, Solar) strukturell gewandelt. Dies führt zu einer hohen Volatilität, Nicht-Stationarität und nicht-linearen Preisdynamiken, die durch Wetterbedingungen, regulatorische Änderungen und die intermittierende Natur der Erzeugung verursacht werden.

• Herausforderung: Herkömmliche Prognosemodelle (wie ARIMA, GARCH oder globale Deep-Learning-Modelle wie DNNs) scheitern oft daran, plötzliche Regimewechsel (z. B. Preisspitzen, negative Preise, stabile Basislast) zu erfassen. Globale Modelle neigen zu "Mode-Averaging" (Durchschnittsbildung über verschiedene Regime), was zu verzerrten Vorhersagen führt.
• Operative Lücke: Eine hohe reine Vorhersagegenauigkeit (z. B. niedriger RMSE) garantiert nicht zwingend optimale operative Ergebnisse (z. B. maximaler Gewinn oder minimale Kosten) bei der Steuerung von Batteriespeichersystemen (BESS). Es besteht eine Diskrepanz zwischen statistischer Genauigkeit und wirtschaftlichem Nutzen.

2. Methodik

Das Paper stellt einen hybriden Ansatz vor, der Bayesianische Regime-Erkennung mit Conditional Neural Processes (CNPs) kombiniert und durch Multi-Criteria Decision Making (MCDM) evaluiert wird.

A. Regime-Erkennung (DS-HDP-HMM)

• Statt einer festen Anzahl von Zuständen verwendet das Modell ein Disentangled Sticky Hierarchical Dirichlet Process Hidden Markov Model (DS-HDP-HMM).
• Vorteile:
  • Nicht-parametrisch: Die Anzahl der Regime wird automatisch aus den Daten gelernt, nicht vordefiniert.
  • Disentangled: Trennung der Parameter für die Selbstpersistence (Wie lange bleibt ein Regime bestehen?) und die Übergangswahrscheinlichkeiten zu anderen Regimen. Dies ermöglicht eine realistischere Modellierung von anhaltenden Phasen (z. B. stabile Preise) vs. kurzlebigen Ereignissen (z. B. Preisspitzen).
  • Inferenz: Die Regime werden unsupervised aus der Zeitreihe der durchschnittlichen Tagespreise abgeleitet.

B. Regime-spezifische Prognose (Conditional Neural Processes - CNP)

• Für jedes erkannte Regime wird ein separater Conditional Neural Process (CNP) trainiert.
• Funktionsweise: Der CNP lernt eine stochastische Abbildung von Kontextdaten (historische Preise, Last, erneuerbare Produktion) zu zukünftigen Preisen innerhalb eines spezifischen Regimes.
• Vorteil: Dies vermeidet das "Mode-Averaging" globaler Modelle und liefert für jedes Regime eine eigene Verteilung mit inhärenter Unsicherheitsquantifizierung (Varianz).

C. Probabilistische Aggregation

• Die Vorhersagen der einzelnen CNPs werden zu einer Gesamtvorhersage aggregiert.
• Ein MLP-Klassifikator schätzt basierend auf den Eingangsdaten die Wahrscheinlichkeit ($w_k$), dass sich das System im Regime $k$ befindet.
• Die finale Vorhersage ist eine gewichtete Mischung (Mixture of Gaussians) der Regime-spezifischen Verteilungen, wobei die Gewichte die Regime-Wahrscheinlichkeiten darstellen.

D. Operative Optimierung & MCDM

• Die Prognosen werden in vier verschiedene Optimierungsprobleme für Batteriespeicher integriert:
  1. Case I: Reine Preis-Arbitrage (Gewinnmaximierung).
  2. Case II: Arbitrage mit Risikominimierung (Strafterme für hohe Unsicherheit).
  3. Case III: Arbitrage mit Grid-Support (Integration von Solar- und Lastdaten zur Netzstabilisierung).
  4. Case IV: Kostenminimierung für eine feste Last.
• Evaluierung: Da keine einzelne Metrik (Gewinn, Kosten, RMSE) ausreicht, wird TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) eingesetzt. Dies bewertet die Modelle basierend auf einem Vektor aus Vorhersagegenauigkeit (RMSE, MAE, MAPE) und operativen Kennzahlen (Gewinn, Kosten, Abweichung vom Perfect Foresight).

3. Schlüsselergebnisse

Die Studie wurde mit Daten des deutschen Strommarktes für die Jahre 2021, 2022 und 2023 durchgeführt und mit Benchmarks verglichen: einem Deep Neural Network (DNN) und einem Lasso-geschätzten autoregressiven Modell (LEAR).

• Vorhersagegenauigkeit:

  • Das vorgeschlagene R-NP-Modell zeigte in volatilen Jahren (2023) die beste Genauigkeit (niedrigster MAE/RMSE).
  • In stabilen Jahren (2021) schnitt das DNN in einigen Metriken leicht besser ab, während LEAR oft schlechter abschnitt.
  • Unsicherheitsquantifizierung: Im Gegensatz zu DNN und LEAR bietet R-NP kalibrierte Konfidenzintervalle (gemessen durch PICP und MPIW), was für risikobewusste Entscheidungen essenziell ist.

• Operative Leistung:

  • Überraschender Befund: Das LEAR-Modell erzielte in vielen Szenarien (insbesondere 2021) den höchsten absoluten Gewinn oder die niedrigsten Kosten, obwohl seine Rohvorhersagegenauigkeit oft schlechter war als die von R-NP oder DNN. Dies unterstreicht, dass "schlechtere" Vorhersagen, die in kritischen Phasen (z. B. Preisspitzen) korrekt liegen, operativ wertvoller sein können als global präzise, aber in Extremfällen falsche Vorhersagen.
  • Das DNN zeigte in spezifischen Kostenminimierungsszenarien (Case IV, 2022) eine hohe Optimalität.

• TOPSIS-Ergebnisse (Gesamtbewertung):

  • 2021: LEAR war das Top-Modell.
  • 2022 & 2023: Das R-NP-Modell erreichte die höchsten TOPSIS-Scores.
  • Fazit: R-NP bietet die ausgewogenste Lösung, da es sowohl eine hohe Vorhersagegenauigkeit als auch eine robuste Unsicherheitsquantifizierung liefert, was in komplexen, sich wandelnden Märkten (wie 2022/2023) entscheidend ist.

4. Hauptbeiträge

1. Neue Architektur: Entwicklung eines Regime-Aware Conditional Neural Process Frameworks, das DS-HDP-HMM zur automatischen Regime-Entdeckung mit CNPs zur probabilistischen Prognose kombiniert.
2. Operative Validierung: Demonstration, dass reine Vorhersagegenauigkeit kein ausreichender Indikator für den wirtschaftlichen Erfolg ist. Die Integration in Batterie-Optimierungsrahmenwerke offenbarte komplexe Trade-offs.
3. MCDM-Anwendung: Einführung von TOPSIS als robuste Evaluierungsmethode, die Vorhersagefehler und operative Ergebnisse (Gewinn/Kosten) in einer einzigen Metrik zusammenführt, um das "beste Kompromiss-Modell" zu identifizieren.
4. Unsicherheitsmanagement: Nachweis, dass die inhärente Unsicherheitsquantifizierung von CNPs für risikobewusste Strategien (z. B. Vermeidung von Preisspitzen-Risiken) unverzichtbar ist.

5. Bedeutung und Ausblick

Die Arbeit zeigt, dass für die Steuerung von Energiespeichern in Märkten mit hohem Anteil erneuerbarer Energien keine "One-Size-Fits-All"-Lösung existiert.

• Praktische Relevanz: Der Ansatz ermöglicht Versorgern und Händlern, Prognosemodelle nicht nur nach statistischen Fehlmaßen, sondern nach ihrem tatsächlichen wirtschaftlichen Nutzen auszuwählen.
• Zukunft: Die Autoren schlagen vor, adaptive Gewichtungsschemata in TOPSIS zu integrieren, um sich ändernden Risikopräferenzen Rechnung zu tragen, und das Modell auf andere Speichertechnologien (Wasserstoff, thermisch) und internationale Märkte zu erweitern.

Zusammenfassend liefert das Paper einen starken Beleg dafür, dass Regime-Awareness und Multi-Kriterien-Entscheidungsfindung notwendig sind, um die Lücke zwischen theoretischer Prognosegenauigkeit und praktischer operativer Exzellenz in der Energiewende zu schließen.