Bankfähige Solarertragsprognosen basieren auf P50/P90‑Analysen, die auf validierten, mehrjährigen Zeitreihen mit expliziter Unsicherheitskette und physikalisch fundierter Verlustmodellierung beruhen. Referenzmethoden liefern das NREL System Advisor Model (SAM), die technischen Leitfäden der IEA‑PVPS und die P50/P90‑Dokumentation von PVsyst. Wer diese Standards mit belastbaren Datensätzen kombiniert, statt pauschale Verlustannahmen zu übernehmen, reduziert genau die Unsicherheit, die Finanzierungspartner am meisten interessiert.

---

Kurz gesagt:

• Mehrjährige Zeitreihen sind notwendig, um echte Jahr-zu-Jahr-Variabilität der Einstrahlung präzise abzubilden, mindestens 15 Jahre Daten sind empfohlen.
• Lokale Messdaten sind entscheidend, um Satelliten- und Reanalysis-Daten genau auf den Standort zu kalibrieren und systematische Fehler zu vermeiden.
• Für P50 und P90 sollten empirische Verteilungsfunktionen oder Normalfit-Methoden genutzt und je nach Datenqualität ausgewählt werden.
• Festgelegte Verlustmodelle müssen jede Verlustquelle mit eigener Unsicherheitsabschätzung dokumentieren, um die Qualität von Gutachten zu sichern.
• Ein bankfähiger Yield-Report fordert vollständige Nachvollziehbarkeit der Daten, transparente Verlustanalyse und eine klare Methodik für P50/P90-Berechnungen.

---

Inhaltsverzeichnis

• Solarertragsprognose Methoden: Mehrjährige Zeitreihen oder TMY?
• Welche Datensätze und Validierungsschritte sichern die Site‑Adaptation?
• Wie berechnet man P50 und P90 korrekt?
• Welche Verlustfaktoren gehören in die Modellierungskette?
• Was verlangen Finanzierungspartner für ein bankfähiges Gutachten?
• Nefino als Partner für bankfähige Ertragsdaten
• Was Christian aus der Praxis mitgenommen hat
• Quellen

Solarertragsprognose Methoden: Mehrjährige Zeitreihen oder TMY?

Ein typisches meteorologisches Jahr (TMY) fasst ausgewählte Monate aus mehreren Jahren zu einem repräsentativen Jahresverlauf zusammen. Für erste Machbarkeitsstudien reicht das aus. Für eine bankfähige Ertragsberechnung Solarenergie reicht es nicht, denn TMY glättet genau die Extremjahre weg, die für die P90‑Schätzung entscheidend sind.

Wer die Ertragsstreuung ernsthaft abbilden will, braucht mehrjährige Zeitreihen, sogenannte multi‑year time series, aus denen sich die tatsächliche Jahr‑zu‑Jahr‑Variabilität der Einstrahlung ableiten lässt. PV‑Tech verweist darauf, dass in der Praxis oft die Datenqualität den Unterschied zwischen bankfähigem und nicht bankfähigem Gutachten ausmacht, nicht die gewählte Simulationssoftware.

Zwei Rechenwege sind dabei etabliert:

• Empirische CDF: Die Jahreserträge aus allen verfügbaren Jahrgängen werden sortiert und die Verteilungsfunktion direkt aus den Daten abgeleitet, ohne Annahme einer bestimmten Verteilungsform.
• Normalfit (parametrischer Ansatz): Man unterstellt eine Normalverteilung der Jahreserträge und berechnet P50 und P90 über Mittelwert und Standardabweichung.
• TMY‑P90: Ein Kompromiss, der ein P90‑Wetterjahr synthetisch konstruiert, aber wegen der fehlenden echten Variabilität als methodisch schwächer gilt.

Die empirische CDF verlangt genügend Jahrgänge, um belastbar zu sein. Als Faustwert gelten mindestens 15 Jahre historischer Daten, damit seltene Wetterjahre nicht das Ergebnis verzerren. Bei kürzeren Reihen bleibt der Normalfit oft die robustere Wahl, weil er weniger empfindlich auf einzelne Ausreißerjahre reagiert.

Welche Datensätze und Validierungsschritte sichern die Site‑Adaptation?

Die Wahl der Wetterdaten entscheidet früh über die Qualität der gesamten Vorhersagemethoden Sonnenstrom. Satelliten‑ und Reanalysis‑Datensätze liefern die nötige Zeitreihenlänge für die statistische Auswertung, doch sie treffen selten exakt den Standort. Genau hier setzt die Site‑Adaptation an: lokale Messdaten kalibrieren die großflächigen Datensätze auf die konkreten Standortbedingungen.

Ein praktikabler Validierungsworkflow läuft in folgenden Schritten ab:

1. Langjährige, qualitätsgesicherte Satelliten‑ oder Reanalysis‑Zeitreihe für den Standort beschaffen und auf Vollständigkeit prüfen.
2. Lokale Messkampagne von mindestens einem Jahr aufsetzen, idealerweise mit kalibrierten Pyranometern statt reinen Referenzzellen.
3. Bias zwischen Satellitendaten und Messwerten quantifizieren, RMS und Standardabweichung berechnen.
4. Eine Cross‑Validation gegen eine zweite unabhängige Datenquelle durchführen, um systematische Fehler auszuschließen.
5. Die historische Referenzperiode (die sogenannte THist‑Periode) im Bericht dokumentieren, damit spätere Post‑mortem‑Vergleiche nachvollziehbar bleiben.

Bergregionen und Küstenlagen gehören zu den klassischen Fehlerquellen, weil dort lokale Bewölkungseffekte von satellitenbasierten Modellen häufig unterschätzt werden. Die IEA‑PVPS führt Datenwahl und Site‑Adaptation als eine der Hauptursachen für Abweichungen zwischen unterschiedlichen Gutachtern an.

Profi-Tipp: Dokumentieren Sie nicht nur den finalen Bias‑Korrekturfaktor, sondern auch die Rohdaten vor der Anpassung. Finanzierungspartner prüfen zunehmend, ob die Site‑Adaptation nachvollziehbar und nicht nachträglich optimiert wirkt.

Wie berechnet man P50 und P90 korrekt?

P50 ist der Jahresertrag, der statistisch in der Hälfte aller Jahre erreicht oder überschritten wird. P90 ist der Wert, den neun von zehn Jahren erreichen oder übertreffen sollten, also die konservativere Größe, auf die Banken ihre Kreditkennzahlen stützen. Die eigentliche Rechenarbeit läuft in klaren Schritten:

• Aus stündlichen Zeitreihen werden pro Jahrgang die Jahresertragswerte berechnet.
• Diese Jahreswerte werden sortiert und daraus die empirische Verteilungsfunktion gebildet.
• Für den gewünschten Perzentilwert wird zwischen den sortierten Punkten interpoliert.

Wo die Datenbasis für eine robuste empirische Verteilung zu kurz ist, hilft der Normalverteilungsansatz. Nach der PVsyst‑Methodik lässt sich P90 dann näherungsweise über P90 = P50 minus 1,282-mal Sigma bestimmen, wobei Sigma die Standardabweichung der Jahreserträge ist. Die Formel unterschätzt jedoch die Risiken, wenn die tatsächliche Verteilung schief ist, etwa bei Standorten mit stark schwankender Bewölkung.

Nach Angaben des NREL implementiert das System Advisor Model beide Rechenwege, den parametrischen Normalfit und die empirische CDF aus mehrjährigen Simulationen, und erlaubt so den direkten Methodenvergleich am selben Datensatz.

Für komplexere Projekte, die mehrere Unsicherheitsquellen gleichzeitig abbilden müssen, etwa Wetter, Degradation und Messunsicherheit, kommt die Monte‑Carlo‑Simulation ins Spiel. Sie zieht zufällige Kombinationen aus allen Eingangsverteilungen und erzeugt daraus eine Gesamtverteilung des Jahresertrags, aus der sich P50 und P90 direkt ablesen lassen. Ein zentrales Konzept dabei ist die Trennung von aleatorischer Unsicherheit, also der echten Wetterschwankung von Jahr zu Jahr, und epistemischer Unsicherheit, die aus unvollständigem Modellwissen oder Messfehlern entsteht. Diese sogenannte „All‑in P90“-Betrachtung liefert zwar denselben P90‑Endwert wie eine grobe Schätzung, zeigt aber viel klarer, wo zusätzliche Messdaten oder bessere Modelle den größten Hebel hätten.

Welche Verlustfaktoren gehören in die Modellierungskette?

Der Weg von der Globaleinstrahlung zum tatsächlich eingespeisten Strom durchläuft mehrere Stufen, und jede davon trägt eine eigene Unsicherheit. Die Kette läuft grob so: Globalstrahlung auf der Horizontalfläche, Umrechnung auf die geneigte Modulebene, Modulverhalten unter realen Temperaturen, Systemverluste im Wechselrichter und in den Kabeln, und schließlich der Netzexport nach Abzug von Eigenverbrauch und Ausfallzeiten.

Für jede Stufe gibt es heute belastbarere Ansätze als grobe Pauschalwerte:

• Temperaturmodelle berechnen die Modultemperatur aus Einstrahlung, Umgebungstemperatur und Windgeschwindigkeit, statt einen fixen Temperaturkoeffizienten pro Region anzusetzen.
• Soiling‑Modelle schätzen die Verschmutzungsrate standortabhängig aus Niederschlagsdaten und lokalen Staubquellen, was in ariden Regionen erhebliche Unterschiede zu pauschalen Annahmen macht.
• Ray‑Tracing‑Verfahren modellieren Verschattung durch Gelände oder Nachbaranlagen präzise, wo einfache Horizontlinien‑Modelle versagen.
• Bifaziale Simulationen benötigen lokale Albedo‑Messwerte, um den Rückseitengewinn realistisch abzubilden, statt einen Standard‑Albedowert zu übernehmen.
• Degradationsannahmen sollten auf Herstellergarantien und, wo verfügbar, auf Feldmessungen realer Anlagen desselben Modultyps beruhen.

Profi-Tipp: Vermeiden Sie feste „Daumenregeln“ für Gesamtsystemverluste. Ein Gutachten, das jede Verlustkategorie einzeln mit ihrer eigenen Unsicherheit ausweist, überzeugt Finanzierungspartner deutlich mehr als eine Sammelposition von „15 % Systemverluste“.

Was verlangen Finanzierungspartner für ein bankfähiges Gutachten?

Ein Yield‑Report, der eine Finanzierung tragen soll, braucht mehr als eine Zahl am Ende. Er muss die gesamte Unsicherheitskette so offenlegen, dass ein externer Prüfer sie nachvollziehen kann, ohne die Simulation zu wiederholen.

1. Datenherkunft und Site‑Adaptation vollständig dokumentieren, inklusive verwendeter Datensätze, Kalibrierungsfaktoren und Referenzperiode.
2. Verlust‑Breakdown je Kategorie ausweisen, nicht als Sammelwert, damit Prüfer einzelne Annahmen hinterfragen können.
3. P50/P90‑Methodik benennen, also ob empirische CDF, Normalfit oder Monte‑Carlo verwendet wurde, und warum.
4. Sensitivity Matrix liefern, die zeigt, wie sich Abweichungen im Ertrag auf CAPEX‑Rückflüsse und die Kapitalkosten (WACC) auswirken.
5. Post‑mortem‑Reporting einplanen, etwa einen Fünf‑Jahres‑Vergleich zwischen Prognose und Realertrag, wie es die IEA‑PVPS empfiehlt.

Die Solar Bankability‑Leitlinien schlagen dafür die CPN‑Methodik vor, eine Klassifizierung technischer Risiken nach ihrem wirtschaftlichen Einfluss. Der Ertrag hat dabei den größten Hebel auf die Stromgestehungskosten, mehr als etwa Wartungskosten oder Finanzierungsstruktur. Wer diesen Hebel früh mit Messkampagnen und QC‑Prüfungen adressiert, statt ihn erst im Betrieb zu entdecken, verbessert am Ende auch die Schuldendienstdeckung (DSCR) und damit die Finanzierungskonditionen. Wie eng Ertragsprognose und Finanzierungsentscheidung zusammenhängen, zeigt auch die Rolle von Prognosemodellen in der Projektfinanzierung.

Nefino als Partner für bankfähige Ertragsdaten

Die größte Fehlerquelle in vielen Yield‑Reports liegt nicht im Rechenmodell, sondern in lückenhaften oder schwer nachvollziehbaren Eingangsdaten. Nefino bündelt genau diese Datenkette an einer Stelle: mehrjährige Zeitreihen, standortbezogene Geodaten‑Layer und Reporting‑Vorlagen, die Datenherkunft und Site‑Adaptation transparent dokumentieren, statt sie in einer Blackbox zu verstecken.

Für Projektentwickler bedeutet das konkret weniger Zeit im Datenabgleich zwischen verschiedenen Quellen und eine Dokumentation, die Prüfer und Finanzierer direkt nachvollziehen können. Wer heute an einer Solarertragsprognose Methoden für ein konkretes Projekt arbeitet, kann mit den Geodaten‑Services von Nefino den Datenzugang für Zeitreihen, Standortbewertung und Flächenanalyse in einem Werkzeug zusammenführen. Ein Blick in die Data‑as‑a‑Service‑Plattform zeigt, welche Geldadelsätze für die eigene Projektpipeline sofort verfügbar sind, und ein erstes Gespräch klärt, welche Datenlücken für das nächste Gutachten noch zu schließen sind.

Was Christian aus der Praxis mitgenommen hat

Der häufigste Fehler ist blindes Vertrauen in TMY‑Daten, gefolgt von Verlustannahmen, die niemand mehr begründen kann, wenn die Bank nachfragt. Priorität eins bleibt die Datenqualität, danach kommen dokumentierte, konservative Annahmen. Ein Report ohne nachvollziehbare Unsicherheitskette ist am Ende kein bankfähiges Dokument, sondern nur eine Zahl mit Anspruch auf Vertrauen.

— Christian

Quellen

• NREL — Methods For Calculating P50 and P90 Exceedance Probabilities (SAM)
• IEA‑PVPS — Technical Assumptions Used in PV Financial Models
• PVsyst — P50‑P90 Evaluations
• Solar Bankability — Best Practice Guidelines For Risk Management (TÜV)

Empfehlungen

• Finanzierungsarten für Energieprojekte: 5 Modelle im Vergleich
• Projekt- & Portfolio-Analyse
• Warum Marktrelevanz für Investoren entscheidend ist
• Top 6 Tools Für Erneuerbare Energien Investoren 2026