Lohnt sich Federated Learning für die Lastprognose? Ein ehrlicher Test mit echten Stadtwerk-Daten

Eine Lastprognose zu erstellen, ist für die meisten Netzbetreiber kein Hexenwerk: ob mit eigenem ML/Deep-Learning-Modell oder per Knopfdruck im EDM-System – das können die „Stromer” längst selbst. Spannender ist eine andere Frage: Bringt es etwas, gemeinsam ein Modell zu trainieren, ohne dass dabei jemand seine Daten herausgibt? Genau das ist die Idee von Federated Learning (FL).

Wie „gemeinsam trainieren ohne Daten teilen” funktioniert

Bei klassischer Zusammenarbeit müsste man Daten zusammenlegen – rechtlich und im Wettbewerb meist undenkbar. FL dreht das um: Nicht die Daten wandern zum Modell, sondern das Modell zu den Daten.

Federated Learning: drei Stadtwerke trainieren lokal, ein Koordinator mittelt nur die Modell-Updates; die Rohdaten bleiben in jedem Netz.

Jeder Teilnehmer trainiert das Modell lokal auf seinen eigenen Daten und schickt nur die gelernten Anpassungen (die Modellgewichte) an einen Koordinator. Der mittelt sie zu einem verbesserten Gemeinschaftsmodell und gibt es zurück. Nach einigen Runden hat das Modell aus den Daten aller gelernt – ohne dass ein einziger Rohdatensatz das Haus verlassen hat.

Klingt nach einem Selbstläufer. Ist es aber nicht. Wir haben es auf echten Daten geprüft – und das Ergebnis ist erfreulich ehrlich.

Was wir getestet haben

Daten: die nach § 23c EnWG veröffentlichten Lastgänge der nicht-leistungsgemessenen Kunden („Restlast” der Standardlastprofile – überwiegend Haushalte und kleines Gewerbe) mehrerer realer Verteilnetzbetreiber, vom Großstadtnetz bis zum kleinen Stadtwerk.
Wetter: Temperatur, Taupunkt, Wind und Globalstrahlung des DWD von der jeweils nächstgelegenen Station.
Aufgabe: Aus dem Jahr 2023 lernt das Modell den Zusammenhang Wetter + Kalender → Last und prognostiziert damit das komplette, ungesehene Jahr 2024 – allein aus dessen Wetterdaten (als „Wettervorhersage”). Ein echter Out-of-sample-Test, kein Blick in die tatsächliche 2024-Last.
Modell: ein kleines neuronales Netz (GPU-Training); Federated Averaging über die Modellgewichte. Gemessen wird der mittlere prozentuale Fehler (MAPE).

Damit es fachlich trägt, haben wir die für Restlast relevanten Effekte einbezogen und einiges an Optimierung durchprobiert (mehr dazu am Ende): Tagestypen wie in der Leitwarte (Werktag, Samstag, Sonntag/Feiertag, Brückentage, Jahreswechsel – bundeslandgenau) und die thermische Trägheit der Gebäude über ein zentriertes 3-Tage-Wetterfenster.

Kernbotschaft 1: FL hilft dem, der allein schwach ist

Der überzeugendste Fall ist ein Netz mit schwer prognostizierbarem Profil. Bad Pyrmont – ein kleines Kurstadt-Netz – ist allein nur mäßig vorhersagbar (rund 15 % Fehler). Im gemeinsamen Training mit anderen kleinen Netzen sinkt der Fehler deutlich:

Pool aus drei kleinen Netzen: Bad Pyrmont wird föderiert klar besser, Bitterfeld und Pasewalk schlechter.

Bad Pyrmont verbessert sich von 14,8 % auf 9,8 % – rund ein Drittel genauer, ohne eine einzige Kilowattstunde an Daten zu teilen. So sieht das über eine Winterwoche aus:

Lastprognose einer Winterwoche für Bad Pyrmont: das föderierte Modell folgt der Ist-Last enger als das lokale.

Kernbotschaft 2: Wer allein schon stark ist, verliert

Und hier kommt die ehrliche Kehrseite – im selben Bild oben gut zu sehen: Bei Bitterfeld-Wolfen und Pasewalk erreicht schon ein rein lokal (nur auf den eigenen Daten) trainiertes Modell 3–4 % Fehler. Ihr Lastprofil ist also gut vorhersagbar.

Wichtig: Das ist keine Aussage darüber, wie gut diese Netze in der Praxis prognostizieren – ihre tatsächlichen Methoden kennen wir nicht. Wir vergleichen ausschließlich unser Modell gegen die gemessene Ist-Last 2024.

Für ein so gut modellierbares Profil ist das gemeinsame Modell nur ein Kompromiss, der das gute Einzelmodell verwässert – der Fehler steigt. Dasselbe gilt für große, datenreiche Netze wie Frankfurt: Sie geben im Pool mehr ab, als sie bekommen.

Federated Learning ist also kein Selbstläufer. Es verteilt Modellgüte um – zugunsten der Schwächeren, zulasten der schon Starken.

Kernbotschaft 3: Es kommt auf die richtigen Partner an

Der entscheidende Hebel ist die Passung. Wir haben es quer geprüft – mit und ohne Last-Historie, mit verschiedenen Wetterparametern, mit personalisiertem Nachtunen, mit unterschiedlich großen Pools. Das Muster blieb stabil:

Ähnliche Partner (vergleichbare Region, ähnliches Profil, ähnlich knappe Datenlage) → das gemeinsame Modell passt allen, der Gewinn ist real.
Unähnliche Partner (verschiedene Klimazonen, sehr ungleiche Größe/Datenlage) → der Kompromiss passt keinem richtig.

Das ist die eigentliche Erkenntnis: Nicht ob man gemeinsam lernt, entscheidet, sondern mit wem. Genau diese Passung im Vorfeld zu erkennen – und passende Partner zusammenzubringen – ist die Aufgabe von fedolink.

Transparenz: Parameter und Optimierungsversuche

Damit das nachvollziehbar (und nicht geschönt) ist, hier offen, was wir genau gemacht haben:

Features im Modell: Temperatur, Taupunkt, Wind, Globalstrahlung; zentriertes 3-Tage-Wettermittel (Trägheit); Tageszeit/Wochentag/Jahreszeit (zyklisch); Tagestyp inkl. Brückentagen und Jahreswechsel (bundeslandgenau über die gesetzlichen Feiertage).
Bewusst weggelassen: die tatsächliche Last-Historie (Lags) als Eingabe. Damit ließe sich der Fehler optisch drücken, aber das Modell würde dann über die Autokorrelation „schummeln”, statt den Wetter-Last-Zusammenhang zu lernen – und der Test wäre kein echter Out-of-sample-Test mehr.
Optimierungen, die wir probiert haben: nur Taupunkt statt aller Wetterparameter (kein Vorteil); personalisiertes FL (gemeinsam lernen, dann lokal nachtunen – holt die Starken zurück, nimmt aber dem Schwachen den Gewinn); verschieden große Pools (2 bis 5 Netze); mehrere Trainingsläufe gemittelt, um Zufallseffekte auszuschließen.
Vereinfachung: Wir verwenden das gemessene Wetter 2024 als perfekte „Vorhersage” – eine echte Day-ahead-Prognose hätte zusätzlich den Wetterprognosefehler. Für den Vergleich lokal/föderiert ist das unkritisch, da alle Varianten dieselben Bedingungen nutzen.

Ausblick: Warum das gerade jetzt interessant wird

Die Restlast der Verteilnetze ist im Umbruch. Weiterer EE-Zubau, immer mehr Wallboxes und Ladesäulen, Wärmepumpen und perspektivisch Vehicle-to-Grid verändern die Lastprofile grundlegend: Sie werden volatiler, stärker wetter- und verhaltensabhängig – und weniger gut aus der reinen Historie erklärbar. Genau dann geraten klassische Prognosemodelle unter Druck und müssen häufiger nachjustiert werden.

Das trifft kleine Netzbetreiber besonders, denen Datenbasis und Ressourcen für ein ständiges Nachtunen fehlen. Hier könnte FL seinen Wert pilothaft beweisen: Tauchen neue Muster (etwa ein Schwung neuer Wallboxes) bei vielen ähnlichen Netzen gleichzeitig auf, lässt sich gemeinsam schneller darauf lernen als allein – ohne dass jemand seine Daten teilen muss. Ob das in der Praxis trägt, müssen Pilotprojekte zeigen; die Voraussetzungen dafür werden gerade interessanter.

Fazit

Federated Learning kann die Lastprognose spürbar verbessern – aber gezielt: für Netze, denen allein die Datenbasis oder ein sauber prognostizierbares Profil fehlt, und nur mit passenden Partnern. Für den, der schon gut prognostiziert, lohnt es sich nicht. Das ist keine Schwäche der Methode, sondern der Grund, warum es eine Vermittlung braucht: die richtigen Partner für die richtige Konstellation zu finden.

Transparenz: Reale Lastgänge nach § 23c EnWG und offene DWD-Wetterdaten; 2023 Training, 2024 Test. Eine methodische Demonstration, kein Produktivsystem. Mehr zur Idee im Whitepaper, Grundlagen unter Was ist Federated Learning?.