Energie & Utilities

Energieversorger müssen Erzeugung und Last exakt ausbalancieren — Abweichungen kosten täglich Tausende Euro in Ausgleichsenergie.

ML-Ensemble-Modelle kombinieren Wetterdaten, historische Lastverläufe und Kalendereffekte zu stundengenauen Prognosen.

Bis zu 40% niedrigere Ausgleichsenergie-Kosten durch präzisere Lastprognosen — messbar ab Monat 1 im Parallelbetrieb. (Schätzwert aus Praxisberichten)

Externer Prognosedienst (SaaS, kein Eigenaufwand)Open-Source-Eigenentwicklung (Python, eigenes Datenteam)Integriertes SCADA/EDMS-Modul (Siemens, ABB)

Ungeplante Ausfälle von Windkraftanlagen kosten täglich bis zu 8.000 Euro Erlösausfall — plus zwei- bis dreifach höhere Reparaturkosten als bei geplanter Wartung.

LSTM-Autoencoder und Isolation-Forest-Modelle analysieren kontinuierlich Sensor-Zeitreihen (Vibration, Temperatur, Leistung) und erkennen Frühzeichen des Verschleißes 4–8 Wochen vor dem Ausfall.

Bis zu 60% Reduktion ungeplanter Ausfälle (Schätzwert aus Praxisberichten) und 15–20% niedrigere Gesamtwartungskosten.

Herstellerspezifischer Service-Vertrag (kein Setup)Herstellerunabhängige SaaS-Plattform (z. B. SparkCognition)Eigenentwicklung auf SCADA-Basis (IT-Team erforderlich)

Energiehändler kaufen und verkaufen Strom auf volatilen Märkten — Preisprognosen auf Basis manueller Einschätzungen kosten bei Ausreißertagen schnell sechsstellige Beträge.

XGBoost- und LightGBM-Ensemble-Modelle kombinieren erneuerbare Einspeisedaten, Lastprognosen, Kraftwerksverfügbarkeit und CO₂-Preise zu Preisszenarien mit Konfidenzintervallen.

MAPE-Verbesserung von 25–35% auf 12–18% an normalen Markttagen — für aktive Händler realistisch 300.000–1.000.000 Euro Mehrertrag pro Jahr durch bessere Positionierung. Bei Marktschocks kein vollständiger Schutz.

Externer Prognose-Service (kein Setup, 4–8 Wochen)Cloud-ML auf ENTSO-E-Daten (Python, AWS/Azure)Eigenes Ensemble-Modell mit Fundamental-Modellierung

Smart Meter liefern täglich 70 Millionen Datenpunkte für 500.000 Zähler — Diebstahl und Zählerausfälle bleiben jahrelang unentdeckt, weil manuelle Prüfung unmöglich ist.

LSTM-Autoencoder und Isolation-Forest-Modelle bauen für jeden Zähler eine individuelle Verbrauchs-Baseline und erkennen systematische Anomalien in Echtzeit — inklusive priorisierter Außendienst-Arbeitsliste.

60–75% der Diebstahlsfälle identifiziert, 20% weniger unnötige Außendiensteinsätze — je nach Zählerbestand und Kalibrierungsstand (Schätzwert aus Praxisberichten).

Regelbasierte Heuristik auf MDM-Exporten (kein ML)Cloud-ML auf Azure oder AWS — eigenes Data-Science-TeamSpezialisierte MDM-Plattform (Itron, Oracle Utilities)

SCADA-Systeme melden erst, wenn Grenzwerte überschritten sind — das ist zu spät für präventives Eingreifen.

Zeitreihen-ML-Modelle (LSTM, Isolation Forest) erkennen Anomaliemuster in SCADA-Messdaten in Echtzeit, bevor klassische Alarmschwellen anspringen.

Frühwarnung 15–60 Minuten vor kritischen Netzereignissen ermöglicht präventives Eingreifen statt Reaktion auf Schäden.

LLM-gestützte Retrospektivanalyse eigener SCADA-Daten (kein Setup)Cloud-ML auf eigener Infrastruktur (Azure IoT Hub + Azure ML)Kommerzielle SCADA-Plattform mit integrierten KI-Modulen

Gebäudeautomation mit festen Zeitplänen reagiert nicht auf Homeoffice-Tage, Belegungsschwankungen oder Wetterwechsel — Energie wird in leeren Räumen vergeudet.

Supervised-Learning-Modelle auf Belegungs- und Wetterdaten steuern Heizung, Kühlung und Lüftung prädiktiv — adaptive Regelung statt starrer Zeitpläne.

Energieeinsparungen von 20–35% und automatisiertes ISO-50001- und CSRD-Reporting ohne manuellen Aufwand.

Prompt-Analyse mit ChatGPT/Claude (kein Setup)SaaS-BEMS mit BACnet-Anbindung (ab 300 €/Monat)Vollständiges KI-BEMS inkl. Hardware-Nachrüstung

Ungesteuerte E-Fahrzeug-Ladung erzeugt teure Lastspitzen und kann Netzausbauinvestitionen in Millionenhöhe auslösen.

Regelbasierter Optimierer mit ML-Prognose verteilt Ladevorgänge auf Basis von Netzkapazität, Strompreisen und erlernten Abfahrtszeitmustern — vollautomatisch ohne Fahrereingriff.

Leistungsspitzenkappung spart 10.000–50.000 Euro/Jahr; Preissignal-Laden reduziert Energiekosten um 20–35% (Schätzwert aus Praxisberichten).

Einfaches Lastmanagement via Wallbox-App (ab 50 €/Monat)SaaS Smart-Charging-Plattform mit OCPP-AnbindungEnterprise-Integration mit Fleet-Management und BEMS

Prognoseabweichungen von 10–15% kosten Direktvermarkter und Bilanzkreisverantwortliche täglich Geld auf dem Regelenergiemarkt.

ML-Ensembles kombinieren anlagenspezifisch kalibrierte Wetterdaten mit Nowcasting für den Intraday-Handel.

Reduktion des Prognosefehlers von 12–18% auf 5–8% MAE — direkt messbar über niedrigere Ausgleichsenergiekosten.

Externer Prognosedienstleister (API-Anbindung)Kalibrierter ML-Dienst mit anlagenspezifischer LeistungskurveEigene ML-Pipeline auf Cloud-Infrastruktur

Energieversorger erkennen drohende Wechsel erst, wenn der Wechselauftrag bereits eingegangen ist — dann ist der Kunde meist verloren.

Ein Gradient-Boosting-Modell analysiert Frühwarnsignale in Verbrauchs-, Interaktions- und Vertragsdaten für proaktive Retention.

20–35% der Churner identifizierbar und durch proaktive Kontaktaufnahme haltbar — bei einem ROI von bis zu 8:1.

Regelbasiertes Scoring + HubSpot (kein ML)ML-Modell + CRM-Integration + Make.comSalesforce Energy & Utilities Cloud (Enterprise)

Manuelle Energieaudits kosten 5.000–30.000 Euro pro Zyklus und binden Wochen — viele Unternehmen holen sich so kaum mehr als ein Compliance-Zertifikat.

Ein LLM generiert den Auditbericht aus aggregierten Zählerdaten und Branchenbenchmarks strukturkonform nach DIN EN 16247 — der Auditor prüft und unterzeichnet, statt zu tippen.

70–80% weniger Zeitaufwand für Audit-Vorbereitung, 50–70% niedrigere Auditkosten, laufendes Monitoring statt Vier-Jahres-Snapshot.

LLM-Berichtsgenerierung (ChatGPT/Claude, kein Setup)Monitoring-Plattform (Measurabl/Sphera, 500–3.000 €/Monat)Vollintegration mit Custom-Datenanbindung (ab 20.000 €)

Elektrolyseure laufen suboptimal, weil Spotmarktpreise, Anlageneffizienz und Degradationszustand manuell kaum koordinierbar sind.

RL-Modelle kombinieren EPEX-Spotpreise, Stack-Telemetrie und Lastprognosen für sekündliche Steuerungsentscheidungen.

10–18% niedrigere Wasserstoff-Produktionskosten und verlängerte Stack-Lebensdauer durch degradationsschonendes Betriebsmanagement.

Grey-box RL auf bestehendem SCADA (Einstieg)Custom RL-Agent + Degradationsmodell (Vollbetrieb)Portfoliooptimierung über mehrere Elektrolyseure

CO₂-Daten für CSRD-Reporting liegen über Dutzende Systeme verstreut — Konsolidierung bindet Monate pro Jahr und ist fehleranfällig.

Ein ETL-Layer mit NLP-Dokumentenextraktion aggregiert Verbrauchsdaten aus ERP, Fuhrparksystem und PDFs; ein ML-Modell berechnet Scope-1/2/3-Emissionen mit auditierbarem Berechnungspfad und identifiziert Reduktionspotenziale per Szenario-Analyse.

70% weniger Aufwand für ESG-Reporting (Schätzwert aus Praxisberichten) und Frühidentifikation von Emissionstreibern für gezielte Reduktionsmaßnahmen.

ChatGPT/Claude für erste Scope-1/2-Berechnung per PromptSaaS-Plattform (Persefoni, Cozero) — ESRS-ready, kein SetupCustom ETL + BI (Power BI/Python) — volle Kontrolle, höchster Aufwand

Proprietäres Betriebswissen ist in zehntausenden Seiten technischer Dokumentation, SCADA-Handbüchern und Wartungsprotokollen gebunden — auffindbar nur mit Insiderwissen.

RAG (Retrieval-Augmented Generation) auf einer Vektordatenbank mit dem gesamten technischen Dokumentenkorpus — on-premise betrieben — erschließt internes Fachwissen und beantwortet Fragen direkt aus Primärquellen mit zitierbaren Belegen.

Technisches Fachpersonal spart 1–2 Stunden täglich für Dokumentationsrecherche; kritisches Betriebswissen bleibt verfügbar auch wenn Schlüsselpersonen das Unternehmen verlassen.

RAG-Pilot auf bereinigten Dokumenten (ab 3–4 Monate)Vollständiges RAG-System mit Rollout (6–12 Monate)Fine-Tuning auf domänenspezifischem Korpus (18–24 Monate)

REMIT-Meldepflichten und MaKo-Prozesse verursachen enormen manuellen Aufwand: Daten aus mehreren Trading-Systemen zusammenführen, EDIFACT-Formate konvertieren, 24-Stunden-Fristen einhalten, Validierungsfehler beheben.

NLP-Modelle klassifizieren Trades nach Meldepflicht, Automatisierungsregeln steuern EDIFACT-Konvertierung, API-Filing übermittelt direkt an ACER ARIS und MaKo-Marktpartner — menschliche Prüfung nur noch bei Grenzfällen.

70–80% weniger manueller Aufwand im Compliance-Team; messbar weniger Meldefehler und Nachlieferungen; schnellere Reaktion auf REMIT-II-Anforderungsänderungen.

Make/Zapier-Pipeline + externer RRM-DienstPython-Automatisierung + NLP-KlassifizierungVollintegration in ETRM + eigener RRM-Konnektor

Manuelle Einsatzplanung thermischer Kraftwerke und Speicher optimiert die Merit-Order-Position nicht vollständig — besonders bei gleichzeitiger Volatilität von Spot, CO₂ und Gaspreisen.

Hybride ML-Optimierung (Mixed Integer Programming mit ML-Warmstart) berechnet täglich den kostenminimalen Fahrplan für das gesamte Erzeugungsportfolio — unter Berücksichtigung aller technischen Restriktionen und Marktpreissignale.

2–5% verbessertes Betriebsergebnis durch bessere Merit-Order-Positionierung; zusätzliche Erlöse aus Regelenergiemärkten (FCR, aFRR, mFRR) durch optimierte Vorhaltung.

Open-Source MIP mit PyPSA (Data-Science-Team nötig)Integriertes SCADA-Modul (Siemens Spectrum Power)Managed Enterprise-Plattform (C3.ai, vollständig betreut)

Betreiber großer PV-Freiflächenanlagen erkennen Leistungsabweichungen durch verschmutzte Module, schattierende Vegetation oder defekte Wechselrichter oft erst nach Wochen — wenn die kumulierten Ertragsverluste längst eingetreten sind.

ML-Modelle vergleichen den Ist-Ertrag jedes String- und Wechselrichterbereichs mit dem erwarteten Ertrag basierend auf Einstrahlungsdaten und identifizieren Abweichungen ab 2–3 Prozent — täglich, vollautomatisch.

Ertragsverluste durch nicht erkannte Defekte um 30–50 Prozent reduzieren, Wartungseinsätze gezielt planen statt nach Pauschalplan, OPEX durch weniger unnötige Begehungen um 20–30 Prozent senken.

Hersteller-Portal kostenlos (SMA, SolarEdge)Professionelles Monitoring mit KI (meteocontrol, Solargis)SCADA-Integration + eigene ML-Modelle (Großanlagen)

Im liberalisierten Energiemarkt wechseln 8–12 Prozent der Haushaltskunden jährlich den Anbieter. Vertriebsteams reagieren reaktiv — oft erst, wenn der Kündigung eingegangen ist, zu spät für Gegenmaßnahmen.

ML-Klassifikatoren berechnen täglich Churn-Wahrscheinlichkeiten für alle Bestandskunden auf Basis von 20–30 Verhaltenssignalen und lösen automatisch Retention-Kampagnen für Hochrisiko-Segmente aus.

Churnrate um 15–25 Prozent senken, Customer Lifetime Value steigern, Vertriebsbudget gezielt auf gefährdete Kunden konzentrieren statt Gießkannenprinzip.

Gradient-Boosting-Modell auf CRM-DatenChurn-Scores via API in CRM zurückschreibenAutomatisierte Retention-Flows mit A/B-Test

Netzanschlussanträge stapeln sich in Postfächern. Manuelle Prüfung durch Netzplaner kostet 2–4 Stunden je Antrag. Bearbeitungszeiten von 8–16 Wochen bremsen die Energiewende und erzeugen Kundenbeschwerden.

OCR und NLP extrahieren Antragsdaten, Netzmodell-Integration berechnet Rückwirkungen, Regelbasiertes KI-System klassifiziert Standardanträge automatisch und priorisiert Komplexfälle für Netzplaner.

Bearbeitungszeit für Standardanträge (ca. 60 Prozent aller Fälle) von Wochen auf Tage reduzieren, Netzplaner-Kapazität für komplexe Netzbeurteilungen freisetzen.

OCR/NLP für Antragsdaten-ExtraktionNetzberechnungs-API für RückwirkungsprüfungRegelmaschine für Standardfall-Entscheidung

Fermentationsprozesse in Biogasanlagen reagieren träge und nicht-linear auf Steuereingriffe. Überladung führt zu Prozessinstabilität, Unterladung verschenkt Gasertrag — beides kostet Geld und ist mit manueller Steuerung schwer zu vermeiden.

ML-Modelle optimieren kontinuierlich die Substrat-Dosierung basierend auf FOS/TAC-Verhältnis, Gasproduktionsrate und Temperaturverläufen — Prozessstabilität und Gasertrag gleichzeitig maximieren.

Gasertrag um 5–12 Prozent steigern, Substratkosten um 8–15 Prozent senken, Prozessinstabilitäten (Übersäuerungen) um 70–80 Prozent reduzieren.

SCADA-Sensorintegration mit ML-RegressionFrühwarnung bei Prozessinstabilität (FOS/TAC)Reinforcement Learning für adaptive Fütterung

Industriebetriebe zahlen Strom zu fixen Tarifen oder kaufen Day-Ahead ein, ohne flexible Lasten nach Preis zu steuern. Spitzenlastüberschreitungen erzeugen teure Leistungspreiskomponenten. Kein System kennt gleichzeitig Produktionsplan, Speicherstand und Spot-Preis.

Ein Mixed-Integer-Optimierungsmodell (MIP) mit ML-Preisprognose integriert Produktionsplanung, Spot-Marktpreise, Wetterprognosen und Lastflexibilitäten und steuert Lastverschiebungen und Speicherentladungen automatisch in Echtzeit.

Energiekosten um 10–20 Prozent senken, Spitzenlastpreise um 30–50 Prozent reduzieren, Teilnahme am Regelenergiemarkt ermöglichen — Amortisation typisch unter 3 Jahren.

Mixed-Integer-Optimierung mit ML-PreisprognoseMES/Leittechnik-Integration via OPC-UADay-Ahead- und Intraday-Optimierungszyklen

Die klassische Dissolved-Gas-Analyse (DGA) erfolgt als Stichprobe alle 6–12 Monate. Kritische Fehlergasmuster wie Acetylen (Lichtbogenentladung) oder Ethen (thermische Überhitzung) können in der Zwischenzeit entstehen und zu einem katastrophalen Wicklungsschaden führen — unentdeckt, weil kein kontinuierliches Monitoring existiert.

Online-DGA-Sensoren messen Gaskonzentration im Isolieröl kontinuierlich. Ein Zeitreihen-ML-Modell (LSTM oder SVM) analysiert Trendverläufe, Gasratenverhältnisse (nach Duval-Dreieck) und Umgebungsfaktoren — und gibt differenzierte Alarmklassen aus: Beobachten, Inspektion, Sofortabschaltung.

Transformatorausfälle kosten je nach Spannungsebene 500.000–2 Mio. € für Ersatz plus ca. 100.000 € pro 15 Minuten Netzausfallzeit. Frühzeitige Intervention durch Ölspülung oder Lastreduktion rettet bis zu 90 % der betroffenen Transformatoren, die ohne Monitoring als Totalschaden geendet wären.

Online-DGA-Sensoren am ÖlventilZeitreihen-ML mit Duval-Dreieck-KlassifikationTrend-Extrapolation und IEC 60599-Auswertung

Eisansatz an Rotorblättern verändert Aerodynamik, reduziert Ertrag um bis zu 20% und erzeugt gefährlichen Eiswurf im Umkreis von bis zu 300 m. Physische Sensoren (Gewichtsmessung, kapazitiv) brechen bei starkem Frost zuverlässig aus — und hinterlassen einen blinden Fleck genau dann, wenn es kritisch wird.

Beschleunigungs- und Mikrofonsensoren an Gondel und Turm liefern kontinuierliche Zeitreihen. Ein trainiertes ML-Modell (LSTM oder CNN auf Spektrogrammen) unterscheidet normales Schwingungsverhalten von eisbelasteten Blättern und löst automatisch Eisschutz-Heizung oder Anlagenstillstand aus.

Sicherheitsabschaltungen bei Eisgefahr werden auf das notwendige Minimum reduziert — statt pauschal bei Temperaturen unter 0 °C. Ertragssteigerung von 5–15% in Frostsaisonen in Mittelgebirgslagen.

Beschleunigungs- und Mikrofonsensoren an GondelEdge-ML auf industriellem GatewayLSTM/CNN-Klassifikation für Eisbelastungsmuster

Professioneller Energiediebstahl setzt auf präzises Taktieren: Zählerbrücken nur nachts, Verbrauchsmanipulation in Grenzen unterhalb von Alarmschwellen, Synchronisation mit Netzlastprofilen. Einfache Volumen-Threshold-Systeme schlagen nicht an — der Schaden bleibt jahrelang unentdeckt. In Deutschland entstehen jährlich schätzungsweise 500 Mio. € Verluste durch Energiediebstahl.

Isolation Forest und LSTM-Autoencoder lernen individuelle Verbrauchsprofile je Zähler (Tagesgang, Wochenmuster, Saisonalität) und detektieren statistisch anomale Abweichungen — auch wenn der absolute Verbrauch unauffällig wirkt. Peer-Group-Clustering mit ähnlichen Abnahmestellen erhöht die Trefferquote.

Erkennungsrate sophistizierter Manipulationen um Faktor 3–5 höher als regelbasierte Systeme. Priorisierte Außendienst-Checkliste reduziert Fehlalarme und senkt Prüfkosten je Fall um 40–60%.

Isolation Forest auf Smart-Meter-ZeitreihenPeer-Group-Clustering ähnlicher AbnahmestellenLSTM-Autoencoder für komplexe Profilmuster

Hagelkörner ab 2 cm Durchmesser erzeugen Mikrorisse (Finger-Breaks, Busbars-Risse) in Solarzellen, die optisch unsichtbar sind. Die Leistungsdegradation ist zunächst gering (1–3% je Riss), summiert sich aber über 6–18 Monate auf 10–25% Ertragsverlust im betroffenen Strang. Flächeninspektionen per Hand sind bei 50+ MWp-Anlagen wirtschaftlich unmöglich.

Autonome Drohnenflüge mit Thermalkameras erfassen Hotspots und Delaminierungen bei Betriebstemperatur. Für Mikroriss-Diagnosen kommen spezialisierte Elektrolumineszenz-Drohnensysteme zum Einsatz. Ein CNN-basiertes Computer-Vision-Modell klassifiziert Hotspots, Delaminierungen, Mikroriss-Muster und Verschattungseffekte — und erstellt eine georeferenzierte Defektkarte mit Austauschpriorität.

Flächeninspektionen in einem Bruchteil der Zeit manueller Begehung (100 ha in 1–2 Drohnentagen statt 3–4 Wochen). Frühzeitiger Modultausch verhindert kaskadierende Strangertragsausfälle und stützt Versicherungsschadenmeldungen mit georeferenzierten Befunden.

Autonome Drohnen mit ThermalkameraCNN-Defektklassifikation und DefektkarteOptionale EL-Drohne für Mikrorissdiagnose

Altnetz-Nahwärmebetreiber halten Vorlauftemperaturen pauschal 10–20 °C über dem Minimum, um Versorgungssicherheit trotz unbekannter Wärmeverluste zu garantieren. Jedes Grad unnötige Überheizung erhöht Erzeugungskosten und beschleunigt Rohrverschleiß. Ohne genaues thermisches Netzmodell ist eine gezielte Absenkung zu riskant.

Ein ML-Modell (Physics-Informed Neural Network oder Gradient Boosting auf Netzmessdaten) lernt das thermische Verhalten des spezifischen Rohrnetzes aus Vorlauf-/Rücklauftemperaturen, Durchflüssen, Umgebungstemperatur und Bodenfeuchte. Das Modell ermöglicht präzise Vorlauftemperatur-Prognosen und dynamische Absenkstrategien.

Vorlauftemperaturabsenkung um 5–15 °C in identifizierten Zeitfenstern — Einsparung von 3–9% der Wärmeerzeugungskosten. Bei 10 GWh/Jahr Netzeinspeisung und 0,06 €/kWh Gaspreis entspricht das 18.000–54.000 € jährlich.

LLM-Trendanalyse auf SCADA-Exporten (kein Setup)XGBoost-Netzmodell auf SCADA-ZeitreihenPhysics-Informed Neural Network mit Netzphysik

Microgrid-Betreiber optimieren Speicher, Erzeugung und Bezug getrennt — das Zusammenspiel bleibt ungenutzt.

Model Predictive Control (MPC) oder Reinforcement Learning optimiert Echtzeit-Lastprofile, Wetterprognosen und Tarifstruktur gleichzeitig und steuert alle Assets gemeinsam nach einer einheitlichen Zielfunktion.

Reduktion der Energiebezugskosten um 15–35 % durch optimierten Speichereinsatz, Lastspitzenvermeidung und tarif-intelligentes Laden und Entladen.

HOMER Pro: Machbarkeitssimulation, kein Echtzeit-BetriebEMS-Plattform (EcoStruxure): Integration + ML-OptimierungIndustrielle Co-Optimierung (GridBeyond): Multi-Asset, Regelleistung

Batteriespeicher altern schneller als prognostiziert — die Ursachen sind oft nicht die offensichtlichen Fahrweisen.

Gradient-Boosting-Modelle und elektrochemische Semi-Empirik auf historischen BMS-Zeitreihen zerlegen State of Health in konkrete Alterungsmechanismen — Kalenderalterung vs. Zyklusalterung — und zeigen, welcher Faktor wie viel Kapazität kostet.

Fundierte Restkapazitätsprognose, optimierte Betriebsstrategie und belastbare Datenlage für Garantieverhandlungen: Betriebsanpassungen auf Basis des Degradationsmodells können die Speicherlebensdauer um 2–4 Jahre verlängern und vorzeitigen Austausch verhindern.

Manuelle BMS-Datenauswertung + LLM-ErstdiagnoseSaaS-Plattform (TWAICE / ACCURE) ab 5.000 €/JahrEigenentwicklung InfluxDB + scikit-learn (Data-Science-Team)

Nach einem Engpassereignis dauert die manuelle SCADA-Auswertung Tage bis Wochen. Nichtlineare Wechselwirkungen zwischen Einspeisern, Lasten und Netztopologie bleiben im linearen N-1-Modell unsichtbar.

ML-Modelle — Gradient-Boosting-Verfahren mit SHAP-Werten oder physikbasierte Graph-Neuronale-Netze — analysieren historische Überlastungsereignisse und extrahieren die nichtlinearen Muster, die zum Engpass geführt haben.

SCADA-Ursachenanalyse nach Engpassereignissen von 3–15 Arbeitstagen auf 2–8 Stunden verkürzt, Netzausbaumaßnahmen gezielter priorisiert — und teure Verstärkungen dort verhindert, wo die eigentliche Ursache woanders liegt.

LLM-gestützte Einzelereignis-Auswertung (kein Training)Gradient Boosting + SHAP auf SCADA-ZeitreihenGraph Neuronale Netze für komplexe Netztopologien