Florian Ziel und Paul Ghelasi stellen ein neues Modell zur Strompreisvorhersage vor, das energieökonomische Theorie mit datengetriebenen Methoden auf transparente und nachvollziehbare Weise verbindet.
Die Studie „A data-driven merit order: Learning a fundamental electricity price model“, erschienen in der Fachzeitschrift Energy Economics, untersucht, wie Strompreise in heutigen Strommärkten entstehen und wie sie zuverlässig prognostiziert werden können.

Strompreisbildung
In Strommärkten werden Preise bestimmt wie in der grundlegenden Wirtschaftstheorie: am Schnittpunkt von Angebot und Nachfrage. Das Angebot stammt von Kraftwerken (z. B. Wind, Solar, Kohle oder Gas), die Nachfrage entspricht dem Stromverbrauch. Kraftwerke werden nach ihren Erzeugungskosten von günstig nach teuer geordnet (Merit Order); das teuerste Kraftwerk, das zur Deckung der Nachfrage noch benötigt wird, bestimmt den Marktpreis.

Modellansatz
Aufbauend auf diesem Prinzip wird ein speziell auf Strompreise zugeschnittenes Modell entwickelt. Dazu wird eine vereinfachte und hoch effiziente landesweite Merit‑Order‑Struktur aufgebaut und anhand historischer Strompreise kalibriert. Im Gegensatz zu rein ökonometrischen oder maschinellen Lernverfahren bleibt das Modell vollständig transparent und interpretierbar, erlaubt kausale Schlussfolgerungen und schätzt zentrale Kraftwerks‑ und Gebotsparameter direkt aus den Marktdaten.

Ergebnisse
Angewendet auf den deutschen Day‑Ahead‑Strommarkt erreicht das Modell eine Prognosegüte, die mit modernen Machine‑Learning‑Verfahren vergleichbar ist und das ohne die Verwendung autoregressiver Preiseffekte.

Erkenntnisse und Ausblick
Darüber hinaus liefert das Modell strukturelle Einblicke in preisbestimmende Technologien, Brennstoffwechsel und Einsatzmuster von Kraftwerken. Als fundamentales Modell kann es künftig für langfristige und szenariobasierte Analysen, probabilistische Prognosen sowie zur Modellierung miteinander verbundener Strommärkte erweitert werden.

Weitere Informationen
Weitere Informationen finden Sie unter Publikationen.
Hier gelangen Sie zur Veröffentlichung: https://doi.org/10.1016/j.eneco.2025.109114