Wer Strom ins Netz einspeist, muss täglich die Einspeisung vorhersagen. Das ist wichtig für Netzstabilität. Akteure müssen für ihre Prognosefehler "zahlen".
Am 12./13. Juni 2026 fand in Jena der Hackathon "Hack the Paradise!" statt. Vier Challenges gab es zur Auswahl. Die Stadtwerke Jena haben eine davon gestellt: Bei WattsUp ging es darum, einen datengetriebenen Ansatz zur Prognose der Energieerzeugung von Wasserkraftanlagen zu entwickeln.
In diesem Artikel schauen wir nun primär darauf, warum die Aufgabe überhaupt interessant ist. Außerdem gibt es ein paar Datenvisualisierungen:
Ich selbst war beim Hackathon überwiegend als Mentor dabei. Diesen Artikel haben Thomas R. Holy und Daniel Rodenburger von den Stadtwerken inhaltlich gegengelesen. Vielen Dank!
Hintergrund: Netzstabilität
Das Stromnetz in Deutschland, Europa und Teilen Asiens ist mit 50 Hertz getaktet. Diese Frequenz ist historisch bedingt und trägt dem Trade-Off zwischen flackerndem Licht und effizienten Transformatoren Rechnung. Heutige Elektronik ist auf diese Frequenz ausgelegt. Schon geringe Frequenzabweichungen können Geräte schädigen. Um dies zu verhindern, schaltet sich das Netz bei größeren Abweichungen gestaffelt automatisch ab Staffelung. Grundsätzlich gilt es das zu verhindern (!).
Um die Frequenz des Stromnetzes stabil zu halten, braucht es ein Gleichgewicht zwischen Einspeisung und "Verbrauch": Wird mehr Strom eingespeist als verbraucht, steigt die Frequenz. Wird weniger eingespeist, sinkt sie. Zur Stabilisierung gibt es die sogenannte Regelenergie: Netzbetreiber halten "Kapazitäten" bereit, um kleinere Abweichungen kurzfristig auszugleichen. Regelenergie kostet jedoch. Diese Kosten werden auf die Marktteilnehmer umgelegt, die die Abweichung verursacht haben. Stromlieferanten müssen daher viertelstündliche Lastprognosen für den Folgetag einreichen. Je genauer die Prognose, desto geringer die Kostenbeteiligung an der Netzstabilisierung.
Wenn zu viel Strom im Netz ist und keine Abnehmer da sind, muss die überschüssige Energie irgendwie "verbraucht" werden. Im Extremfall durch große Heizwiderstände, also platt gesagt - riesige Wasserkocher. Gute Prognosen helfen, diese Art von Energieverschwendung zu meiden.
Erneuerbare Energiequellen sind zwar prinzipiell wünschenswert, bringen für Netzstabilität jedoch besondere Herausforderungen. Sie sind weniger planbar: Wind- und Solarenergie sind besonders wetterabhängig. Wasserkraft, um die es hier geht, ist zwar stabiler, hängt aber ebenfalls von nicht kontrollierbaren Umweltfaktoren ab.
Die WattsUp-Challenge
Die Stadtwerke Jena vermarkten zwei Wassserkraftanlagen, eine davon befindet sich in Burgau/Jena an der Saale. Diese Anlagen lassen sich nur beschränkt steuern: Das Wasser fließt, die Turbinen drehen sich entsprechend. Trotzdem gilt es täglich zu prognostizieren, wie viel Strom diese Anlagen am nächsten Tag erzeugen werden.
Bislang geschieht das weitgehend manuell: Mitarbeitende schätzen auf Basis von Erfahrungswerten und der jüngsten Erzeugungshistorie. Das funktioniert: aber es skaliert schlecht und macht die Prognosequalität von einzelnen Personen abhängig.
Das Ziel der Challenge war deshalb ein datengetriebenes Modell zu entwickeln, das die viertelstündliche Erzeugungsleistung für den Folgetag prognostiziert. Nachvollziehbar und erklärbar, nicht als Black Box. Als Eingangsdaten standen u.a. historische Erzeugungsdaten der Anlagen, DWD-Wetterprognosen sowie Pegelstands- und Abflussdaten der thüringischen Hochwassernachrichtenzentrale zur Verfügung.
Ein Blick in die Daten
Als Mentor ist eigentlich nicht die primäre Aufgabe beim Hackathon mitzuwirken, aber irgendwie passiert es doch meistens. Die Daten der WattsUp Challenge fand ich spannend - habe sie also etwas mit exploriert.
Das Landesamt für Umwelt, Bergbau und Naturschutz Thüringen betreibt ein dichtes Netz an Pegelmessstationen entlang der Fließgewässer. Jede Station misst kontinuierlich zwei Parameter: den Wasserstand W (in cm) und den Abfluss Q (in m³/s). Zugang zu den Daten gibt es weiter unten.
Hier ist eine Animation, die Wasserstand (W) und Abfluss (Q) der relevanten (= flussaufwärts) Messstationen für die Wasserkraftanlage Burgau zeigt. Die Animation sieht im Vollbildmodus am besten aus:
Damit lässt sich eine Intuition formen, inwiefern die Stromerzeugung der Anlage mit den Messungen der vorgelagerten Stationen korreliert. Flussaufwärtige Pegelstände könnten also als Vorlaufindikatoren für die Anlagenleistung dienen. Für die Prognose muss natürlich mit der zeitlichen Verzögerung umgegangen werden. Um genau die Modellierung solcher Abhängigkeiten ging es in der Challenge.
Hier sind Details zu den Datenquellen (nicht alle werden in diesem Artikel genutzt, trotzdem zur vollen Übersicht):
Datenquellen: Details und Zugang
Pegelstände und Abflüsse: Quelle: Hochwassernachrichtenzentrale Thüringen: Datenladen, Karte der Messstationen: Wasserstandskarte.
Das Portal erlaubt manuellen CSV-Export für ausgewählte Stationen und Parameter. Im Projekt wurden alle Pegelmessstationen in Thüringen mit Parameter W (Wasserstand, cm) und Q (Abfluss, m³/s) herangezogen. Programmatischer Zugriff erfolgte über den FROST-Server unter https://kshww2.thueringen.de/FROST-Server/v1.1.
Gewässernetz GeoJSON: Exportiert aus Overpass Turbo mit einer Query für alle Fließgewässer, Kanäle und Wasserflächen im Verwaltungsgebiet Thüringen. Das Ergebnis ist ein GeoJSON mit dem vollständigen thüringischen Gewässernetz = die Grundlage für die Karte und die Animationen.
Verwaltungsgrenze Thüringen: Shapefile heruntergeladen von Geofabrik Thüringen. Verwendet wurde ausschließlich das Layer gis_osm_adminareas_a_free_1 für die Landesgrenze als Clipmaske.
Wetterdaten: Hier nicht genutzt, jedoch ebenfalls Bestandteil der Challenge. DWD-Wetterprognosen sind über den DWD opendata Server abrufbar.
Kudos an das Challenge Team
Eine explorative Datenanalyse hilft bei der Einschätzung, was für datengetriebene Prognosen möglich sein könnten. Ein funktionierendes Modell zu bauen ist eine separate Herausforderung. Das hat auch das "WattsUp-Team" gemerkt, die zusammen in zehn Stunden an einer ML-Pipeline gearbeitet haben: gut untergliedert in Datenaufbereitung, Modellierung, erste Ergebnisbewertung und ein Mockup eines Dashboards.
Trotz guter erster Ergebnisse ist vor allem aufgefallen, dass die Entwicklung eines robusten Prototypen für eine recht komplexe Herausforderung wie diese gar nicht so einfach ist. Insofern war die Abschlusspräsentation neben den Ergebnissen auch ein guter Ausblick. Vielleicht geht es nun weiter: Kontakte sind hergestellt.
Als Mentor war es meine Rolle beim Hackathon, Fragen zu stellen und Impulse zu geben. Die eigentliche Arbeit hat das Team geleistet.
Der Rahmen: Hack the Paradise!
WattsUp war eine der vier Challenges des Hack the Paradise! Hackathons, der ein Beteiligungsformat des Smart City Projekts Jena ist. Dieses bringt Wirtschaft, Wissenschaft, Verwaltung und Stadtgesellschaft zusammen, um gemeinsam an konkreten urbanen Herausforderungen zu arbeiten.
Hier sind alle Challenges als Gesamtübersicht:
- No Time to Waste: smarte Routenplanung für Jenas Müllfahrzeuge
- WattsUp: intelligente Prognosen für Wasserkraftanlagen (dieser Artikel)
- TalkToMe: ein sprechender KI-Avatar für den JEDI Hub, Show-Room von Jena Digital
- DimTheLight: smarte Straßenbeleuchtung per LoRaWAN
Den Jurypreis gewann DimTheLight: Das Team arbeitete an einem Prototypen, mit dem sich perspektivisch die rund 14.000 Straßenlaternen Jenas über LoRaWAN und bestehende Schnittstellen kostengünstig fernsteuern lassen könnten. Das Ergebnis ist umso beeindruckender, weil die Challenge wegen fehlender Mentor:innen beinahe gar nicht umgesetzt worden wäre.
Ein herzliches Dankeschön geht an das Organisationsteam mit Dorothea Prell, Vanessa Huber, Sebastian Pietsch, Angelina Apel, Yoel Aranda-Faundez und Domenique Dölz von Jena Digital. Außerdem an meine Mitmentoren Johannes Häuser, Martin Liebeskind und Marcel Koch. Eigentlich an alle für den super Austausch!
Hackathons sind ein Format, das aus meiner Sicht gern an Verbreitung gewinnen kann. Es durchbricht reguläre Arbeitsprozesse, bringt neue Personen zusammen und entwickelt eine Dynamik, die klassische Projektarbeit oft nicht bietet. Hackathons können somit insbesondere ein Innovationsmotor sein.
Fazit: Daten, die Energie sparen helfen
Was mich an der WattsUp-Challenge am meisten "gecatcht" hat, waren die Daten und deren Bezug zu Fragen unserer Zeit. Gute Einspeiseprognosen helfen, das Stromnetz stabiler zu betreiben und Regelenergie zu reduzieren, die sonst in "Verschwendung" münden kann.
Daten wie die Stationsmessungen der thüringischen Flusspegel sind öffentlich zugänglich, die Wetterdaten des DWD auch. Es gibt noch Unmengen weiterer öffentlich verfügbar Daten. In all diesen steckt viel ungenutztes Potenzial für ähnlich Anwendungen.
Beim diesjährigen Bundeswettbewerb Jugend forscht bei Schaeffler haben zwei Teilnehmer beispielsweise auf Basis von Wetter- und historischen Waldbranddaten bestimmt, wo sich die Installation von Waldbrandfrühwarnsystemen lohnt, Produkt inklusive: FireNet.
Unsere Arbeitswelt und Industrie befinden sich im Umbau. Damit gibt es jede Menge Herausforderungen. Daher bin ich schon einer Weile fest überzeugt, dass:
Probleme einerseits zu erkennen (System Thinking) und anderseits auch lösen zu wollen (Problemlöse-Mindset) sind fundamentale Eigenschaften für eine resiliente Gesellschaft in Zeiten des Umbruchs. Dafür lohnt es sich, Ausbildung anzupassen, in der Breite zu befähigen und durch konkrete Angebote zu inspirieren, insgesamt also ein "Gehen wir's an"-Mindset zu fördern.
In diesem Sinne, vielleicht ist der Artikel ja Inspiration für die/den einen oder anderen, selbst einen Blick in unsere öffentlichen Datenschätze zu werfen - oder auch die Arbeitgeber im Blick zu halten, die davon am meisten profitieren können. ;-)
As always: Happy reading, happy life!