Ziel der Maßnahme ist die Einführung geeigneter Prognosetools, die dem Stadtwerk eine vorausschauende und datengestützte Planung des Erzeugungseinsatzes ermöglichen. Die Maßnahme baut auf einer zuvor durchgeführten Flexibilitätsanalyse auf, in der die grundsätzlichen technischen Spielräume der Anlagen identifiziert und dokumentiert wurden, und schafft die datenseitige Voraussetzung für eine spätere dynamische Einsatzoptimierung. Während die Flexibilitätsanalyse zeigt, was technisch möglich ist, liefern Prognosetools die Grundlage für die Entscheidung, wann welche Flexibilität wirtschaftlich sinnvoll eingesetzt werden sollte. Hintergrund ist, dass eine preisorientierte oder systemdienliche Fahrweise ohne verlässliche Vorhersagen zu Wärmebedarf, erneuerbarer Einspeisung, Marktpreisen und Brennstoffkosten kaum systematisch umsetzbar ist. Viele Stadtwerke treffen Einsatzentscheidungen heute noch auf Basis von Erfahrungswerten oder statischen Jahresfahrplänen und reagieren allenfalls bei außergewöhnlichen Preissituationen manuell. Prognosetools ermöglichen demgegenüber eine tägliche, stundenbasierte Vorausplanung des Anlageneinsatzes und damit eine kontinuierliche Nutzung wirtschaftlicher Chancen. Konkret umfasst die Maßnahme die Einführung von Prognosefunktionalitäten in vier zentralen Bereichen: Wärmelastprognosen, die auf Basis historischer Verbrauchsdaten, Wetterdaten und Kalenderdaten den erwarteten Wärmebedarf tages- und stundengenau vorhersagen; Einspeiseprognosen für eigene PV- und Windkraftanlagen auf Basis von Wetterprognosediensten; Strompreisprognosen oder der Zugang zu externen Preisprognosen für Day-Ahead- und Intradaymärkte; sowie Gas- und CO₂-Preisprognosen, die für die KWK-Einsatzentscheidung (Clean Spark Spread) maßgeblich sind. Die Prognosen werden so aufbereitet, dass sie für das operative Personal in der Leitwarte und im Erzeugungsbetrieb als Entscheidungsunterstützung nutzbar sind – etwa zur Anpassung von Fahrplänen, zur Entscheidung über An- und Abfahrvorgänge oder zur gezielten Be- und Entladung von Wärmespeichern. Dabei ist zu berücksichtigen, dass Prognosen stets mit Unsicherheiten behaftet sind und operative Entscheidungen auf Basis von Bandbreiten oder Konfidenzintervallen getroffen werden müssen. Die Umsetzung kann je nach Ambitionsniveau unterschiedlich gestaltet werden: Im einfachsten Fall werden externe Prognosedienste angebunden und in bestehende Betriebsprozesse integriert (SaaS-Ansatz); bei höherer Ambition können eigene Prognosemodelle auf Basis historischer Betriebsdaten trainiert oder spezialisierte Softwarelösungen beschafft werden, die bereits Prognose und Fahrplanvorschlag kombinieren. In beiden Fällen ist die Integration in die bestehende IT-Landschaft (SCADA, Leitsystem, ggf. Handelsplattform) ein wesentlicher Planungsschritt, da heterogene Systeme und fehlende Schnittstellen eine häufige praktische Hürde darstellen. Bei SaaS-Lösungen sind zudem Fragen der Datenhoheit und Abhängigkeit vom Anbieter zu klären. Unabhängig vom gewählten Ansatz ist es wichtig, dass die Prognosequalität regelmäßig gemessen und die Modelle auf Basis realer Abweichungen nachkalibriert werden. Voraussetzung ist eine ausreichende historische Datenbasis (mindestens 12 Monate Betriebs- und Wetterdaten), der Zugang zu aktuellen Wetterprognosediensten sowie eine Qualifizierung des operativen Personals für die Nutzung und Interpretation der Prognoseergebnisse. Auch ohne eine vollautomatisierte Einsatzoptimierung liefern Prognosetools bereits unmittelbaren Mehrwert: Sie schaffen Transparenz über erwartete Bedarfe und Marktpreise, reduzieren die Abhängigkeit von Erfahrungswissen Einzelner, verbessern die Qualität von Bilanzkreismeldungen und Fahrplanmeldungen und ermöglichen eine systematische, datengestützte Fahrplangestaltung. Damit legt die Maßnahme das datenseitige Fundament für alle weiterführenden Optimierungsschritte.