Prognoserechnungen für ein fiktives Stadtwerk

Bei einem Power Query Seminar diese Woche war mir die ganze Zeit klar, daß es den Seminarteilnehmenden nicht wirklich um Zugriffstechniken auf Daten gehen sollte, sondern darum, ein durchdachteres Datenmodell zu haben. Deshalb geht es in diesem Artikel von mir auch nur vordergründig darum, möglichst praxisnah zu seigen, wie sich Verbrauchsprognosen für ein fiktives Stadtwerk mit Power BI bzw. Power Pivot und DAX (und natürlich Power Query) umsetzen lassen. Ausgangspunkt dafür ist übrigens die gesetzliche Verpflichtung nach § 13 StromNZV, für jeden Kunden eine Jahresverbrauchsprognose zu erstellen, typischerweise auf Basis des Vorjahresverbrauchs.

In der Praxis existieren verschiedene Ansätze: Die klassische lineare Hochrechnung skaliert den bisherigen Verbrauch auf ein Jahr hoch (× 365), während alternative Methoden auf Vorjahreswerten, Gradtagszahlen (bei Gas) oder Standardlastprofilen (SLP) basieren.

Im praktischen Teil zeige ich dann aber, wie ein wirklich sehr klein und minimal gehaltenes Datenmodell aus einer einzigen Verbrauchstabelle aufgebaut und anschließend nur um zwei Hilfstabellen erweitert wird. Eine davon ist die Kalendertabelle, die ja immer gebraucht wird. Alles andere wird mit DAX berechnet, hat also mit Power Query  nichts zu tun. Zunächst werden typische Kennzahlen berechnet: Vorheriger Zählerstand, Intervallverbrauch, Zeitdifferenzen und daraus der Tagesverbrauch. Darauf aufbauend entsteht die gesetzliche Standardhochrechnung des Jahresverbrauchs auf Basis des letzten Intervalls.

Ein zentraler Erkenntnisschritt folgt mit der Integration von Standardlastprofilen (SLP). Diese definieren, wie sich der Jahresverbrauch statistisch über die Monate verteilt. Statt einer rein linearen Hochrechnung wird der Verbrauch nun über den tatsächlichen saisonalen Anteil des Intervalls skaliert. Dieser wird mithilfe einer Kalendertabelle tagesgenau berechnet und mit den SLP‑Monatsfaktoren kombiniert.

So entsteht eine deutlich realistischere Prognose: Wintermonate werden stärker gewichtet als Sommermonate. Auf dieser Basis kann schließlich eine Monatsprognose berechnet werden, die den Jahresverbrauch nachvollziehbar auf einzelne Monate verteilt. Voraussetzung ist dabei, dass der jeweilige Monat im Berichtskontext vorhanden ist.

Der eigentliche Mehrwert des Artikels liegt jedoch wie bereits angedeutet weniger in den einzelnen Formeln als in einem grundsätzlichen architektonischen Prinzip: Auch komplexe Prognosemodelle lassen sich ohne große Datenmodelle realisieren. Statt zusätzlicher Tabellen, Hilfsspalten oder Voraggregationen wird die Logik konsequent in DAX‑Measures verlagert.

Die zentrale Erkenntnis lautet daher: Für die meisten Prognoseberechnungen ist kein komplexes, aufgeblähtes Datenmodell notwendig. Ein schlankes Modell, das Datenhaltung und Berechnungslogik sauber trennt, ist robuster, transparenter und leichter wartbar.

Oder zugespitzt formuliert: Ein gutes Datenmodell speichert Daten – und berechnet den Rest zur Laufzeit.