Fraunhofer IPA : Stromkosten um bis zu 17 Prozent senken: KI erkennt die günstigsten Strompreise

Für Industrieunternehmen wird der Strompreis zunehmend zu einer operativen Steuerungsgröße. Wer Batteriespeicher, Ladeinfrastruktur, Wärme- und Kälteanlagen oder andere flexible Verbraucher betreibt, kann Lasten grundsätzlich in Zeiten niedriger Strompreise verschieben. In der Praxis ist das jedoch anspruchsvoll: Die günstigen Zeitfenster müssen rechtzeitig vorher erkannt werden, technische Restriktionen der Anlagen müssen eingehalten werden und die Entscheidung muss zuverlässig genug sein, um nicht am Ende höhere statt niedrigerer Kosten zu verursachen.

Um den Stromverbrauch in günstige Zeiten zu verschieben, braucht es also verlässliche Prognosen. Das Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) hat eine KI-basierte Strompreisprognose validiert und mit einem marktüblichen Dienst verglichen. Das Ergebnis: Sie erkannte günstige und teure Zeitfenster deutlich besser und senkte die Stromkosten um bis zu 17 Prozent.

>> Immer up to date mit spannenden Forschungsprojekten sein? Abonnieren Sie unseren Newsletter – mit uns bleiben Sie informiert! Hier geht’s zur Anmeldung

Forschende des Fraunhofer IPA haben im Rahmen des Kopernikus-Projekts "SynErgie" eine KI-basierte Strompreisprognose entwickelt und in einer umfangreichen Validierung untersucht, wie gut sie sich für die Steuerung flexibler Lasten eignet. Als Vergleich diente ein marktverfügbarer kommerzieller Prognosedienst für die Strompreise am Folgetag. Ausgewertet wurden mehr als 20.000 Zeitpunkte im Zeitraum von Oktober 2025 bis Mai 2026.

„Für Unternehmen zählt nicht die schönste Prognosekurve, sondern der Nutzen im Betrieb. Wenn eine flexible Last, ein Speicher oder eine Ladeinfrastruktur zum falschen Zeitpunkt läuft, entstehen reale Mehrkosten. Deshalb bewerten wir nicht nur statistische Prognosefehler, sondern auch, ob ein Modell die günstigen und teuren Zeitfenster zuverlässig erkennt“, erklärt Can Kaymakci, Leiter des Forschungsteams Datengetriebene Energiesystemoptimierung am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA. Am Ende zähle nämlich eine einfache Frage: Wird die Anlage im richtigen Zeitfenster gefahren oder nicht? Genau dort entscheide sich, ob dynamische Strompreise wirklich einen wirtschaftlichen Vorteil bringen.

Die Validierung zeigt: Für den Einsatz flexibler Lasten reicht es nicht, Strompreise im Durchschnitt möglichst genau vorherzusagen. Entscheidend ist, ob ein Modell die wirtschaftlich relevanten Zeitfenster erkennt. Genau dort lag der größte Unterschied. Die KI-basierte Prognose des Fraunhofer IPA identifizierte die günstigsten zwei Stunden eines Tages fast doppelt so häufig korrekt wie der herangezogene Vergleichsdienst. Beim günstigsten 15-Minuten-Zeitfenster war die Trefferquote sogar rund siebenmal höher.

Auch bei teuren Zeitfenstern zeigte sich ein klarer Vorteil. Das ist für Unternehmen besonders relevant, weil flexible Verbraucher nicht nur in günstigen Stunden betrieben, sondern auch aus teuren Stunden herausgehalten werden können. Die KI-gestützte Strompreisprognose liefert damit nicht nur genauere Vorhersagen, sondern auch eine bessere Grundlage für die Fahrweise von Speichern, Ladeinfrastruktur, Wärme- und Kälteanlagen oder anderen steuerbaren Verbrauchern.

>> Photovoltaik auf Nichtwohngebäuden Die Zukunft des Firmengebäudes

„Klassische Metriken, die den Prognosefehler beschreiben, sind wichtig, aber sie erzählen nur einen Teil der Geschichte“, sagt Lukas Baur, Experte für KI-basierte Prognosen am Fraunhofer IPA. Für den wirtschaftlichen Einsatz zähle vor allem, ob ein Modell die relevanten Zeitfenster richtig erkennt. Denn eine Prognose könne im Durchschnitt „ordentlich aussehen“ und trotzdem genau jene Stunden verfehlen, in denen der Anlagenbetrieb wirtschaftlich am sinnvollsten wäre.

Wie stark sich diese Unterschiede wirtschaftlich auswirken, untersuchten die Forschenden in einer Simulation. Dafür wurde eine flexible Last einmal täglich in das jeweils prognostizierte günstigste Zeitfenster gelegt. Betrachtet wurden verschiedene Einsatzdauern – von 15 Minuten bis zu mehreren Stunden – und ausschließlich die Beschaffungskosten am Strommarkt.

„Schlechte Prognosen sind nicht nur ein technisches Problem. Sie kosten unmittelbar Geld“, macht Kaymakci klar. Das gelte besonders für Unternehmen, die künftig stärker auf dynamische Strompreise, flexible Verbraucher und automatisierte Energiemanagementsysteme setzen. „Wer diese Potenziale heben will, braucht nicht nur Daten, sondern eine belastbare Entscheidungslogik.“

Über alle betrachteten Szenarien führte die Prognose des Fraunhofer IPA zu niedrigeren Kosten. Je nach Einsatzdauer sanken die Strombeschaffungskosten um 7,95 bis 16,96 Prozent. Für jedes Megawatt flexibel steuerbarer Leistung verursachte die Strompreisprognose des Fraunhofer IPA in diesem Szenario also rund 3.000 Euro weniger Mehrkosten pro Jahr, die auf Prognosefehler zurückzuführen waren. Die Simulation macht damit deutlich: Die Prognosequalität ist kein abstrakter Modellwert, sondern sie entscheidet darüber, ob flexible Lasten tatsächlich günstiger betrieben werden können.

Die Ergebnisse sind besonders für Unternehmen, die bereits dynamische Stromtarife nutzen oder deren Energieversorgung künftig stärker an kurzfristigen Strompreisen ausgerichtet werden soll, relevant. Dazu gehören Industrieunternehmen mit flexiblen Lasten ebenso wie Betreiber von Ladeinfrastruktur, Energiemanagement-Plattformen, Stadtwerke, Energieversorger oder Anbieter von Flexibilitätslösungen.

„Dynamische Strompreise werden nur dann zum Vorteil, wenn Unternehmen sie in konkrete Fahrweisen übersetzen können“, sagt Kaymakci. „Genau dafür braucht es die Verbindung aus Prognosequalität, Prozessverständnis und industrieller Umsetzung. Unternehmen, die flexible Lasten besitzen, sollten jetzt prüfen, wie viel wirtschaftliches Potenzial in ihren Anlagen steckt.“ Das Fraunhofer IPA arbeitet daran, die Prognose- und Optimierungsverfahren zu verbessern und gemeinsam mit Industriepartnern auf reale Anwendungsfälle zu übertragen. Im Mittelpunkt steht dabei nicht die Prognose als isolierter Datenstrom, sondern die Frage, wie daraus belastbare Entscheidungen im Betrieb werden.