Aufgrund des steigenden Umweltbewusstseins der Bevölkerung werden vermehrt dezentrale und zumeist regenerative Energieerzeugungsanlagen errichtet. Um eine hohe Versorgungs-zuverlässigkeit weiterhin gewährleisten zu können, ist es unerlässlich, volatile Erzeuger so genau wie möglich zu prognostizieren. Ebenso kann der Betreiber dieser Anlagen die Progno-sen für ein Energiemanagement und die bestmögliche ökonomische Verwertung nutzen. Hierfür wird ein Prognosemodell für PV-Anlagen erstellt, dessen Eingangsparameter sich aus Messdaten der erzeugten elektrischen Wirkleistung und Wetterdaten über wenige Wochen zusammensetzen. Gängige physikalische Modelle bilden meist nur lineare Zusammenhänge ab, wohingegen Machine-Learning- oder Regressionsverfahren auch nichtlineare Abhängig-keiten erlernen können. Daher werden verschiedene Verfahrensarten auf ihre Eignung für die genannte Problemstellung untersucht.