Lastprognose-Challenge 2026: Sechs Wochen, elf Teams, jeden Tag eine Prognose

Published

July 20, 2026

Grafik zur Live-Lastprognose-Challenge 2026 mit stilisierter Lastkurve

Sechs Wochen, elf Teams, jeden Tag eine Prognose: die Live-Lastprognose-Challenge 2026 an der TH Köln.

20. Juli 2026

Die Live-Lastprognose-Challenge 2026 an der TH Köln ist erfolgreich zu Ende gegangen. Seit Juni reichten elf studentische Teams jeden Tag vor Mitternacht eine neue 24-Stunden-Prognose des deutschen Strombedarfs ein. Bewertet wurde automatisch am Folgetag, gemessen an der tatsächlichen Netzlast, wie sie die ENTSO-E Transparency Platform veröffentlicht. Kein Spielzeugdatensatz, keine zweite Chance: eine live laufende, vollständig reproduzierbare Prognose-Competition unter realen Bedingungen.

Die Challenge war Teil der Lehrveranstaltung „Numerische Mathematik” (Sommersemester 2026) von Prof. Dr. Thomas Bartz-Beielstein an der Fakultät für Informatik und Ingenieurwissenschaften der TH Köln. In den Abschlusspräsentationen stellten die Teams ihre Ansätze vor, von sorgfältig konstruiertem Gradient Boosting bis zu modernen Foundation-Modellen für Zeitreihen. Die Siegerteams der beiden Award-Tracks werden in Kürze geehrt.

Fünf Studierende präsentieren vor zwei Leinwänden mit Lastprognose-Kurven

Abschlusspräsentation an der TH Köln: Ein Team stellt seine täglichen 24-Stunden-Prognosen vor.

Die Challenge war zugleich eine Lektion in offener, überprüfbarer Forschung: Die Teams veröffentlichten Model Cards, prüften ihre Repositories mit OpenSSF-Security-Scorecards und zertifizierten die Ergebnisse der jeweils anderen Teams durch unabhängige Reproduktion.

Team präsentiert die OpenSSF-Scorecard-Ergebnisse seines Repositories

Offene, überprüfbare Forschung: OpenSSF-Scorecards gehörten zum Pflichtprogramm der Challenge.

Auch fachlich lieferte die Challenge wertvolle Einsichten in die Prognose des deutschen Strombedarfs: wie viel Kalenderstruktur — Feiertage, Brückentage, Tagestypen — und Wetterkovariaten tatsächlich beitragen und wie gut sorgfältig konstruiertes Gradient Boosting gegenüber modernen Foundation-Modellen besteht. Weitere Details, einschließlich der vollständigen Methodik und Ergebnisse, werden in Kürze veröffentlicht.

Drei Studierende vor Leinwänden mit Prognose- und Lastkurven

Prognose und tatsächliche Netzlast im Vergleich: Die Teams analysierten ihre Submissions Tag für Tag.

Impressionen aus den Abschlusspräsentationen

Team vor zwei Leinwänden mit Lastprognose-Kurven
Fünfköpfiges Team eröffnet seine Abschlusspräsentation
Balkendiagramme zum Einfluss der Trainingsdatenmenge
Folie zu Heiz- und Kühlgradstunden mit Zeitreihenplots
Zwei Studierende bereiten ihre Präsentation vor
Zwei Studierende am Rednerpult
Duo präsentiert seine 24-Stunden-Lastprognose für Deutschland
Titelfolie einer 24-Stunden-Lastprognose-Präsentation
Analyse eines Ausreißer-Samstags im MAE-Verlauf
Diskussion des MAE-Verlaufs der täglichen Submissions
Folie zum Backtest über 13 Monate
Lessons-Learned-Folie „Was wir mitnehmen“
Dreiköpfiges Team startet seine Day-Ahead-Prognose-Präsentation
Titelfolie einer Day-Ahead-Prognose der deutschen Stromlast
Folie zu Security und Compliance
Vierköpfiges Team präsentiert seine Stromlastprognose mit Machine Learning
Team an den Laptops vor der Titelfolie
Folie zur Datenpipeline von ENTSO-E-Daten bis zur Prognose
Fünfköpfiges Team vor der Titelfolie seiner Stromlastprognose
Gruppenfoto eines Teams vor der Leinwand
Folie zur Prüfung des Wetterdaten-Caches
Zuhörer verfolgen die Präsentation zum Wetterdaten-Cache
Zweiköpfiges Team eröffnet seine Abschlusspräsentation
Vortrag zur Lastprognosen-Challenge
Folie zur Modellentwicklung über die Saison

Datengrundlage der Challenge war die ENTSO-E Transparency Platform; die Challenge-Infrastruktur stellte das SpotSeven Lab am Institut für Data Science, Engineering, and Analytics (IDE+A) der TH Köln bereit. Ansprechpartner ist Prof. Dr. Thomas Bartz-Beielstein.