Predictive Maintenance Windkraft

Das echte Ausmaß des Problems

Eine 3-MW-Anlage an der Nordseeküste mit 2.800–3.200 Volllaststunden erzeugt im Jahresmittel 23–26 MWh am Tag. Bei 70–100 Euro je MWh kostet ein Stillstandstag also 1.600–2.600 Euro entgangenen Erlös. Nur an Starkwindtagen, an denen die Anlage durchgehend Nennleistung fährt, sind es bis zu 7.000 Euro. Die oft genannten 3.000–8.000 Euro am Tag setzen stillschweigend Nennleistung rund um die Uhr voraus, das schafft keine Anlage. Dazu kommen Wartungskosten für ungeplante Reparaturen, die typischerweise 2- bis 3-mal teurer sind als geplante Wartungen: Ein Getriebeschaden, der geplant 80.000 Euro kostet, kommt ungeplant auf 150.000–250.000 Euro, weil Kranfahrzeug und Ersatzteile kurzfristig beschafft werden müssen.

Ein Rechenbeispiel für einen Park mit 20 Anlagen: Wenn pro Anlage im Schnitt 2 ungeplante Stillstände pro Jahr entstehen, bei je 4 Tagen Reparaturzeit, sind das 20 × 2 × 4 = 160 Ausfalltage und bei 1.600–2.600 Euro je Tag rund 260.000–420.000 Euro Erlösausfall, plus erhöhte Reparaturkosten. Nicht jeder davon ist vermeidbar: Netzstörungen, Softwarefehler und Blitzschläge kündigen sich in keinem Vibrationsmuster an. Wie viele deiner Einsätze ungeplant waren und welche Bauteile betroffen waren, zeigt dein Serviceprotokoll; eine belastbare Branchenzahl dazu haben wir nicht gefunden.

Das grundlegende Problem: Viele Schäden kündigen sich physikalisch an. Vibrationsmuster ändern sich Wochen vor dem Ausfall. Temperaturen weichen vom Normalverhalten ab. Leistungskurven zeigen subtile Anomalien. Mit menschlicher Inspektion alle 6–12 Monate werden diese Vorzeichen nicht erkannt. Mit klassischen Alarmschwellen in SCADA-Systemen auch nicht, denn die reagieren erst, wenn der Grenzwert bereits überschritten ist, also wenn das Problem bereits manifest ist.

Eine Anbieter-Fallstudie von iFactory (2024) berichtet von zwei sich entwickelnden Getriebedefekten, die KI im Schnitt 37 Tage vor dem SCADA-Alarm erkannt habe, mit vermiedenen Kosten von 780.000 Dollar. Wir konnten die Fallstudie nicht unabhängig prüfen, und zwei gefundene Defekte sagen nichts darüber, wie viele ein System übersieht. Die Frage ist deshalb nicht, ob die Technik funktioniert, sondern ob sie in deinem Park genug große Schäden findet, um ihre laufenden Kosten zu tragen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Reparaturkosten in der Tabelle sind Richtwerte ohne veröffentlichte Quelle, frag deinen Servicepartner nach seinen Sätzen für geplanten und ungeplanten Getriebetausch. Für die Erkennungsquote kursieren 40–60 Prozent weniger ungeplanter Ausfälle; eine unabhängige Messung, die wir hätten prüfen können, haben wir nicht gefunden. AES Corporation berichtet in einer H2O.ai-Fallstudie von über 90 Prozent Erkennungsgenauigkeit bei kritischen Bauteilfehlern. Genauigkeit ist allerdings keine Trefferquote: Bei seltenen Schäden erreicht auch ein Modell, das nie Alarm gibt, eine hohe Genauigkeit. Entscheidend sind zwei andere Zahlen, die du im Pilot misst: Wie viele echte Schäden fand das System (Recall), und wie viele seiner Alarme bestätigten sich (Precision)?

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Das Wartungsteam spart reaktiven Notruf-Koordinationsaufwand. Aber der eigentliche Gewinn liegt nicht in eingesparter Arbeitszeit, sondern in eingesparten Reparaturkosten. Mehr Zeit wird für gezielte Planung aufgewendet, das ist anders, nicht weniger.

Kosteneinsparung, hoch (4/5) Die Ersparnis hängt fast ganz an großen Komponenten: Jedes Getriebe, das geplant statt ungeplant getauscht wird, spart 50.000–180.000 Euro. Kleinere Ausfälle tragen die laufenden Kosten meist nicht, die Rechnung unten zeigt das. Für Parks mit älteren Getriebeanlagen hoch, für junge oder getriebelose Parks gering. Deshalb 4, nicht 5.

Schnelle Umsetzung, mittel (3/5) Bis zur ersten produktiven Anlage vergehen realistisch 4–8 Monate, SCADA-Audit, Anbieterauswahl, Pilotimplementierung, Trainingsphase. Das ist handhabbar, aber kein Zwei-Wochen-Projekt. Herstellerspezifische Service-Pakete (Vestas, Siemens Gamesa) sind schneller, aber auf die eigene Anlage beschränkt.

ROI-Sicherheit, mittel (3/5) Die Reparaturkosten sind buchhalterisch messbar, der vermiedene Schaden nicht: Ein Lager, das vorsorglich getauscht wurde, hätte vielleicht noch zwei Jahre gehalten. Und bei einer Handvoll großer Schäden im Jahr braucht ein belastbarer Vorher-Nachher-Vergleich mehrere Jahre, nicht 12 Monate. Messbar ist früher, wie viele Alarme sich bei der Befahrung bestätigen.

Skalierbarkeit, hoch (4/5) Das Modell verbessert sich mit mehr Anlagen: Mehr Fehlerfälle in der Trainingshistorie, bessere Anomalie-Baseline. Ein System für 5 Anlagen funktioniert, ein System für 50 Anlagen funktioniert besser. Einschränkung: Neue Anlagentypen brauchen eigene Kalibrierung.

Richtwerte, stark abhängig von Anlagenalter, Windverhältnissen und vorhandener SCADA-Datenqualität.

Was das Predictive-Maintenance-System konkret macht

Machine Learning auf kontinuierlichen Sensorzeitreihen, das ist der technische Kern. Die meisten Windkraftanlagen sind bereits heute mit ausreichend Sensorik ausgestattet, die das erlaubt:

Sensordaten, die in jeder modernen Anlage vorhanden sind: Vibrationssensoren an Getriebe und Hauptlager, Temperatursensoren an Generator, Getriebe und Leistungselektronik, Drehzahlmesser, Pitch-Winkel-Sensoren, Leistungsmessung. Diese Daten werden im SCADA-System erfasst, aber selten systematisch ausgewertet.

Schritt 1, Normalverhalten lernen: Das ML-Modell lernt für jede Anlage das „normale” Betriebsprofil unter verschiedenen Betriebsbedingungen (Windgeschwindigkeit, Temperatur, Lastgrad). Wichtig: Jede Anlage ist leicht anders, Baujahr, Standort, Wartungshistorie. Das Modell modelliert jede Anlage individuell.

Schritt 2, Anomalie-Score pro Bauteil: Sobald ein Sensorsignal systematisch vom gelernten Normalverhalten abweicht, auch innerhalb der Alarmgrenzen, erhöht sich der Anomalie-Score für das entsprechende Bauteil. Das Modell gibt eine Wahrscheinlichkeit aus: „Die Planetenstufe des Getriebes zeigt Verhalten, das in 8 von 10 historischen Fällen 4–6 Wochen vor einem Schaden vorlag.”

Schritt 3, Handlungsempfehlung: Nicht nur ein Alert, sondern Kontext: Welches Bauteil, welche Ausfallwahrscheinlichkeit in den nächsten 30 Tagen, welche empfohlene Maßnahme. Das Wartungsteam kann die Reparatur ins nächste geplante Wartungsfenster legen oder ein Ersatzteil bestellen, bevor es knapp wird. Verhindert ist der Schaden damit noch nicht: Jeder Alarm heißt eine Befahrung mit zwei Technikern, auch dann, wenn er sich als Fehlalarm herausstellt, und die geplante Reparatur kostet weiter Stillstand, nur kürzer und in einem windschwachen Fenster.

Typische Vorlaufzeiten: Getriebeprobleme 4–8 Wochen, Hauptlagerprobleme 2–6 Wochen, Blatterosion mehrere Monate. Diese Vorlaufzeiten erlauben echte Planung, keine Notfallreaktion.

Rechtliche Besonderheiten und Risikohinweise

EU AI Act: Systeme, die in der Steuerung oder Überwachung kritischer Energieinfrastruktur eingesetzt werden, können als Hochrisiko-KI nach EU AI Act Anhang III eingestuft werden. Predictive-Maintenance-Systeme, die Wartungsempfehlungen (keine autonomen Schalthandlungen) ausgeben, liegen typischerweise in einer niedrigeren Risikoklasse. Die endgültige Einordnung hängt vom konkreten Systemdesign ab, frühzeitige Dokumentation der Systemgrenzen ist ratsam.

Haftungsfragen: Wenn ein zertifizierter Predictive-Maintenance-Dienst einen Schaden nicht erkennt und eine teure Havarie entsteht, stellt sich die Frage der Haftung. Üblich ist, dass Anbieter die Haftung für entgangene Gewinne ausschließen, prüf das in deinem Vertrag. Der Vertrag sollte die Erkennungsleistung (z.B. nachgewiesene Trefferquote im Pilotbetrieb) als Leistungsmerkmal, nicht als Garantie definieren.

Datensouveränität: SCADA-Daten von Windkraftanlagen können betriebsrelevante Informationen enthalten, die unter Betriebsgeheimnis fallen. Bei Managed-Service-Anbietern, die Daten in Clouds außerhalb der EU speichern, ist ein AVV und die Klärung des Datenhaltungsorts Pflicht, insbesondere bei Offshore-Anlagen im regulierten Bereich.

Konkrete Werkzeuge, was wann passt

Herstellerspezifische Service-Pakete (schnellste Option):

Siemens Gamesa Remote Diagnostics (kein separates Tool-Profil vorhanden), vollintegriert in Anlagen von Siemens Gamesa, keine Zusatzsensorik nötig, Kosten im Servicevertrag oder als Add-on. Für Anlagen dieses Herstellers der direkteste Einstieg.

Vestas Digital Solutions, vergleichbares Angebot für Vestas-Anlagen. Remote Monitoring und Predictive Maintenance als Service-Paket, oft Teil des Vollwartungsvertrags; öffentliche Preise gibt es nicht. Frag nach dem Aufpreis gegenüber dem Vertrag ohne Condition Monitoring. Sinnvoll für homogene Vestas-Parks.

Einschränkung beider: funktioniert nur für Anlagen des jeweiligen Herstellers. Bei gemischten Parks versagen herstellerspezifische Lösungen.

Herstellerunabhängige SaaS-Plattformen:

Turbit , deutsche Plattform, die SCADA-Daten herstellerunabhängig mit anlagenspezifischen neuronalen Netzen auswertet. Preis auf Anfrage, abgerechnet pro Turbine und Jahr; frag nach einem Backtest auf deinen historischen Ausfällen.

Avathon (bis 2024 SparkCognition) mit der Renewable Suite, ebenfalls herstellerunabhängig und für gemischte Parks gedacht.

ABB Genix , industrielle Asset-Performance-Plattform mit Predictive-Maintenance-Komponente. Laut unserer Toolseite typisch sechs- bis siebenstellige Jahresbeträge, damit nur für große Betreibergesellschaften mit heterogenen Portfolios ein Thema, nicht für einen Einzelpark.

Open-Source/Eigenentwicklung (maximale Kontrolle, hoher Aufwand):

Für Betreiber mit IT-Kapazität: SCADA-Daten in eine Timeseries-Datenbank (InfluxDB, TimescaleDB) einlesen, Anomaliedetektion mit Isolation Forest oder LSTM-Autoencoder implementieren. Python-Bibliotheken wie scikit-learn, Prophet oder PyOD für Zeitreihenanalyse und Anomalieerkennung sowie PyTorch für Deep-Learning-Ansätze bieten die Grundlage. Entwicklungsaufwand: 40.000–80.000 Euro; danach sehr niedrige laufende Kosten.

Zusammenfassung:

• Homogener Park mit einem Hersteller → herstellerspezifischer Service
• Gemischter Park, Managed-Service gewünscht → herstellerunabhängige Plattform wie Turbit oder Avathon
• Eigenes Data-Science-Team → Eigenentwicklung auf SCADA-Basis

Datenschutz und Datenhaltung

Betriebsdaten von Windkraftanlagen enthalten keine personenbezogenen Daten, der DSGVO-Aspekt ist minimal. Der relevante Datenschutzaspekt ist die Datensouveränität gegenüber Betreibern und Herstellern: SCADA-Daten können Rückschlüsse auf Anlagenperformance, Alterungszustand und Betriebsgeheimnisse erlauben.

Für Managed-Service-Anbieter, die Daten außerhalb der EU speichern, gilt: Datenverarbeitungsvertrag abschließen, Hosting-Region bestätigen lassen. AWS Frankfurt-Region und Azure Westeuropa sind EU-seitig und unkompliziert.

Für On-Premise-Lösungen (SCADA-Eigenentwicklung auf eigenem Server): kein Cloud-Risiko, aber erhöhter Betriebsaufwand.

KRITIS-Relevanz: Erzeugungsanlagen ab 104 MW installierter Nettonennleistung fallen unter die BSI-KritisV (Anhang 1, Teil 3), Anlagen, die für Primärregelleistung präqualifiziert sind, schon ab 36 MW. Der früher oft zitierte Wert von 420 MW gilt nicht mehr. Für diese Anlagen gelten erhöhte Anforderungen an IT-Sicherheit der SCADA-Anbindung, Sicherheitskonzept vor Systemeinführung empfohlen.

Was es kostet, realistisch gerechnet

Keiner der Anbieter veröffentlicht Preise. Die Spannen unten sind Annahmen für die Rechnung, setz dein Angebot ein.

Herstellerspezifischer Service-Vertrag:

• Kosten: Aufpreis im Servicevertrag, auf Anfrage
• Kein Implementierungsaufwand, sofort nutzbar
• Einschränkung: nur für Anlagen des jeweiligen Herstellers

Herstellerunabhängige SaaS-Lösung:

• Implementierungsaufwand: 2–4 Monate, 20.000–50.000 Euro
• Laufende Kosten: 2.000–8.000 Euro/Anlage/Jahr
• Vorteil: funktioniert für gemischte Windparks

ROI-Rechnung am Beispiel: Windpark, 15 Anlagen à 2,5 MW mit 2.500 Volllaststunden, bisher 3 ungeplante Ausfälle im Jahr mit je 5 Tagen Stillstand und je 20.000 Euro Mehrkosten gegenüber einer geplanten Reparatur.

• Erlösausfall: Eine Anlage erzeugt im Mittel 2,5 MW × 2.500 h ÷ 365 = gut 17 MWh am Tag, bei 80 Euro je MWh rund 1.400 Euro. 15 Stillstandstage kosten rund 21.000 Euro. Eine frühere Fassung dieser Seite nannte 90.000 Euro, das entspricht Nennleistung rund um die Uhr.
• Mehrreparaturkosten: 3 × 20.000 = 60.000 Euro.
• Gesamtschaden: rund 81.000 Euro im Jahr.
• Vermeidbarer Teil: Angenommen, das System erkennt 60 Prozent der Schäden rechtzeitig. Aus einem erkannten Schaden wird eine geplante Reparatur, die ebenfalls Stillstand kostet, nur kürzer und in einem windschwachen Fenster. Vermeidbar sind die Mehrreparaturkosten und grob die Hälfte des Erlösausfalls: 0,6 × (60.000 + 10.500) = rund 42.000 Euro im Jahr.
• Interventionskosten: Jeder Alarm heißt Befahrung, auch jeder Fehlalarm. Angenommen 10 zusätzliche Befahrungen im Jahr zu je 1.500 Euro: 15.000 Euro. Setz deinen Servicesatz ein.
• Systemkosten: 15 × 3.000 = 45.000 Euro im Jahr, also 3.750 Euro im Monat, dazu 20.000–50.000 Euro Einrichtung.
• Ergebnis: 42.000 − 15.000 − 45.000 = rund −18.000 Euro im Jahr. Mit kleineren Ausfällen amortisiert sich das System in diesem Park nicht, auch nicht die Einrichtung.

Die Rechnung kippt bei großen Komponenten. Ein einziges Getriebe, das geplant statt ungeplant getauscht wird, spart laut Tabelle 50.000–180.000 Euro. Um die rund 60.000 Euro jährlicher System- und Befahrungskosten zu tragen, braucht dieser Park also ungefähr ein früh erkanntes Getriebe oder Hauptlager alle ein bis drei Jahre. Schau in dein Serviceprotokoll, wie oft das in den letzten Jahren vorkam. Und kläre vorher, wer den Schaden heute trägt: Deckt eine Maschinen- und Betriebsunterbrechungsversicherung Reparatur und Erlösausfall nach Selbstbehalt, oder übernimmt ein Vollwartungsvertrag mit Verfügbarkeitsgarantie das Risiko, dann landet ein Teil der Ersparnis beim Versicherer oder Servicepartner, nicht bei dir.

Wie du den Nutzen tatsächlich misst: Führe ein Ausfallprotokoll: Geplant vs. ungeplant, Bauteil, Kosten. Vorher-Nachher-Vergleich nach 12 Monaten Betrieb. Das System selbst liefert zusätzlich Metriken: Wie viele Alerts wurden generiert, wie viele haben sich bestätigt (Precision), wie viele Ausfälle wurden nicht vorhergesagt (Recall)?

Drei typische Einstiegsfehler

1. Mit der Anlage starten, die am meisten Probleme macht. Der Reflex ist verständlich. Das Problem: Eine Anlage mit chronischen Problemen hat ein atypisches Sensor-Normalverhalten, das Modell lernt die Pathologie, nicht die Gesundheit. Besser: Mit einer repräsentativen, gut laufenden Anlage starten, die als Normalbasis dient. Die Problemanlage kommt danach.

2. Erste Alerts werden ignoriert und nicht dokumentiert. Das passiert häufig in der Pilotphase, wenn noch Skepsis gegenüber dem System besteht: Alert kommt, Wartungsteam schaut kurz nach, findet nichts Offensichtliches, Eintrag ins Logbuch fehlt. 6 Wochen später fällt die Anlage aus. Dann weiß niemand mehr, dass der Alert vorlag. Dieses Validierungspotenzial ist verloren. Lösung: Alle Alerts in den ersten 6 Monaten systematisch dokumentieren und beim nächsten geplanten Wartungstermin explizit prüfen.

3. Wartungsteam nicht in Alert-Workflow eingebunden. Das System läuft, Alerts werden generiert, landen in einem Monitoring-Dashboard, das niemand vom Wartungsteam täglich prüft. Das ist kein technisches Problem, sondern ein Prozess-Problem. Lösung: Klarer Eskalationsworkflow vor dem Launch definieren. Wer bekommt welchen Alert in welchem Kanal (E-Mail, SMS, Ticketsystem)? Wer entscheidet, ob eine Inspektion ausgelöst wird?

Was mit der Einführung wirklich passiert, und was nicht

Das Wartungsteam ist der kritische Erfolgsfaktor, nicht die Technologie.

Techniker, die jahrzehntelang nach dem „Anlage klingt komisch, schau ich mal nach”-Prinzip gearbeitet haben, misstrauen zunächst einem System, das einen Alert für eine Anlage generiert, die „komplett normal klingt”. Dieses Misstrauen ist rational: In der ersten Phase produziert jedes System zu viele False-Positive-Alerts, weil das Modell noch kalibriert wird.

Die Lösung ist nicht, das System zu übertönen, sondern Vertrauen durch Treffer aufzubauen. Jeder bestätigte Alert, „Anomalie erkannt, Inspektion durchgeführt, tatsächliche Lagerermüdung festgestellt”, baut Glaubwürdigkeit auf. Jeder Alert, der nichts findet, muss transparent erklärt werden: War es ein False Positive oder ein echter Vorläufer, der sich noch nicht materialisiert hat?

Ein praktisches Ritual, das funktioniert: Monatliches 30-minütiges Review mit Wartungsleitung und System-Verantwortlichen, welche Alerts kamen, welche haben sich bestätigt, was muss kalibriert werden. Das gibt dem Wartungsteam das Gefühl, das System zu kontrollieren, statt von ihm kontrolliert zu werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Anlagen haben noch Herstellergarantie, das regelt der Hersteller.” Das stimmt für die Garantielaufzeit, für die Zeit danach? Garantien decken Materialfehler, nicht Folgeschäden durch unerkannten Verschleiß. Nach Ablauf (typisch 2–5 Jahre nach Inbetriebnahme) liegt das volle Risiko beim Betreiber. Und: Viele Hersteller bieten ihre Monitoring-Services auch während der Garantiezeit an, als Ergänzung, nicht als Garantieersatz.

„Wir haben nicht die IT-Kapazität, ein solches System zu betreiben.” Das ist das stärkste Argument für den Managed-Service-Ansatz. Herstellerspezifische Service-Pakete und SaaS-Anbieter betreiben das System vollständig. Du bekommst Alerts und Handlungsempfehlungen, die Infrastruktur liegt beim Anbieter. Der Implementierungsaufwand auf deiner Seite beschränkt sich auf SCADA-Datenzugang und die Einweisung des Wartungsteams.

„Wir haben zu wenige historische Ausfallsdaten für das Training.” Für überwachtes Lernen auf seltene Störungsereignisse ist das eine echte Herausforderung. Der Ausweg: Unüberwachte Anomaliedetektion auf Normalbetriebsdaten, das Modell lernt, was „normal” ist, und flaggt Abweichungen. Damit ist keine historische Ausfalldatenbank nötig. Die Trefferquote ist geringer als bei überwachten Modellen; ob sie für deinen Park reicht, zeigt ein Backtest auf deinen bekannten Schäden.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 5 Windkraftanlagen und hast im letzten Jahr mindestens 2 ungeplante Ausfälle gehabt
• Die Anlagen sind älter als 5 Jahre (Verschleiß nimmt zu, Garantie meist abgelaufen)
• SCADA-Daten sind vorhanden und werden mindestens auf Stundenbasis historisiert
• Du kannst beziffern, was ein ungeplanter Stillstand von 7 Tagen kostet, und in deinem Serviceprotokoll stehen Getriebe- oder Hauptlagerschäden, denn nur die tragen die laufenden Kosten

Wann es sich (noch) nicht lohnt: Unter 5 Anlagen ist der ROI nur bei sehr teuren Havariereparaturen darstellbar. Bei getriebelosen Anlagen mit Direktantrieb (etwa Enercon) fällt der größte Hebel, das Getriebe, ganz weg. Wenn die Anlagen jünger als 3 Jahre und gut unter Herstellergarantie sind, ist das Risikoprofil zu gering. Wenn das SCADA-System keine historischen Daten aus den letzten 2 Jahren bereitstellen kann, fehlt die Trainingsgrundlage.

Weitere Ausschlusskriterien: Wenn das Wartungsunternehmen eine Long-Term-Service-Agreement (LTSA) mit Betriebsgarantie hat und alle Risiken übernimmt, ist der wirtschaftliche Anreiz für den Betreiber geringer, das Risiko liegt dann beim Dienstleister. Und: Standorte mit sehr niedriger Windausnutzung (unter 2.000 Volllaststunden/Jahr) haben niedrigere Erlösausfälle je Stillstandstag, der ROI-Kalkül verschiebt sich entsprechend.

Das kannst du heute noch tun

Öffne deine Ausfallhistorie der letzten 3 Jahre: Wie viele ungeplante Ausfälle, welche Bauteile, welche Kosten? Berechne den Unterschied zwischen tatsächlichen Reparaturkosten und den Kosten derselben Reparatur, wenn sie 6 Wochen früher geplant gewesen wäre. Die Sätze für geplanten Tausch nennt dir dein Servicepartner. Teile die Summe durch drei, dann hast du den Jahreswert.

Vergleiche diesen Jahreswert mit Anlagenzahl × 2.000–8.000 Euro Systemkosten plus den Befahrungen, die Alarme auslösen. Liegt er nicht deutlich darüber, lohnt sich das System nur, wenn dein Park in den nächsten Jahren mehr große Schäden erwartet als in den letzten drei.

Quellen & Methodik

• Ausfallkostenvergleich geplant/ungeplant: Richtwerte ohne veröffentlichte Quelle. Ein früherer Verweis auf den Fraunhofer-IWES-Windenergie-Report (2023) ließ sich für diese Zahlen und für die 40–60 Prozent weniger Ausfälle nicht bestätigen.
• Erlös je Stillstandstag: Eigene Rechnung aus Nennleistung, Volllaststunden und 70–100 Euro je MWh, siehe Text.
• AES Corporation Fallstudie: H2O.ai, „AES Transforms its Energy Business with AI” (2024), über 90 Prozent Erkennungsgenauigkeit bei kritischen Bauteilfehlern. Genauigkeit, nicht Trefferquote.
• iFactory Fallstudie (Anbieter-Fallstudie): iFactory App, Predictive Maintenance Windkraft Case Study (2024), 37 Tage Vorwarnzeit, 780.000 $ vermiedene Kosten. Nicht unabhängig geprüft.
• Früherkennungsraten: Review-Paper, „Artificial intelligence applications in wind energy power generation” (ScienceDirect, 2025).
• Anbieter: Avathon (früher SparkCognition), avathon.com, Renewable Suite; Turbit laut unserer Toolseite.
• EU AI Act Hochrisiko-Klassifizierung: EU AI Act Anhang III, Abschnitt 2; industr.com, „Was Energie-Unternehmen jetzt umsetzen müssen” (2025).
• KRITIS-Regulierung Windparks: BSI-KritisV, Anhang 1 Teil 3, Schwellenwert Erzeugungsanlage 104 MW (gesetze-im-internet.de/bsi-kritisv/anhang_1.html).

Du willst wissen, welche SCADA-Daten du bereits hast und welcher Ansatz für deine Parkstruktur sinnvoll ist? Oft ergibt schon ein erster Datensichtungs-Workshop, welche Anomalie-Muster in historischen Ausfällen sichtbar gewesen wären.