Smart Meter Anomalieerkennung

Das echte Ausmaß des Problems

Energiediebstahl ist in Deutschland kein marginales Problem, aber eines ohne belastbare öffentliche Zahl. Wie groß es bei dir ist, steht in deiner eigenen Bilanz, und du kannst es heute nachrechnen: Netzeinspeisung minus abgerechnete Entnahme minus die technisch erklärbaren Netzverluste. Was übrig bleibt, sind nicht-technische Verluste, also Zählerbypass, Manipulation und illegale Entnahme. Diese Differenz mal deinem Arbeitspreis ist die Obergrenze des Schadens. Zur Größenordnung, mit angenommenen Werten: Bei 500.000 Zählerstandorten und einer Diebstahlrate von 0,2 Prozent sind das 1.000 Fälle, bei 2.000 bis 4.000 Euro Schaden je Fall und Jahr stehen 2 bis 4 Millionen Euro pro Jahr im Raum. Ob deine Rate näher an 0,02 oder an 0,2 Prozent liegt, sagt dir nur die eigene Verlustbilanz.

Und wer trägt den Schaden? Gestohlene Energie erscheint beim Netzbetreiber als Netzverlust. Die Kosten der Verlustenergie sind in der Anreizregulierung weitgehend in die Netzentgelte durchgereicht, zahlen also zum großen Teil alle Netznutzer. Weniger Diebstahl entlastet deshalb zuerst die Netzentgelte; in der eigenen Kasse des Netzbetreibers landen vor allem die zurückgeforderten Beträge. Kläre das mit deinem Regulierungsmanagement, bevor du einen Business Case rechnest.

Das zweite Problem sind technische Verluste durch fehlerhafte oder ausfallende Smart Meter. Der Rollout intelligenter Messsysteme in Deutschland, Pflicht für Letztverbraucher über 6.000 kWh/Jahr, für Erzeugungsanlagen über 7 kW und für steuerbare Verbrauchseinrichtungen nach § 14a EnWG (§ 29 MsbG; Neubauten brauchen nur eine moderne Messeinrichtung), hat die Datenbasis verbessert, aber auch neue Fehlerquellen eingebracht. Defekte Kommunikationsmodule, Zeitstempel-Fehler oder fehlerhafte Messwerte verursachen Abrechnungsfehler, die zu Kundenbeschwerden und Regulatorik-Problemen führen.

Das strukturelle Problem: Traditionelle Plausibilitätsprüfungen im Abrechnungssystem prüfen Jahreszählerstände und grobe Ausreißer. Smart Meter liefern dagegen Viertelstunden-Werte, das sind 96 am Tag und für 500.000 Zähler täglich 48 Millionen Datenpunkte. Manuelle Prüfung ist physisch ausgeschlossen. Regelbasierte Systeme erkennen nur bekannte, explizit kodierte Muster. Machine Learning-basierte Anomalieerkennung ist die einzige skalierbare Antwort auf diese Datenmenge.

BSI-Vorgaben zum Smart-Meter-Gateway (TR-03109, Schutzprofil BSI-CC-PP-0073) regeln die Sicherheit der Messdaten-Übertragung, sie schaffen aber keine automatische Erkennung von Manipulation. Diese bleibt Aufgabe der Analytics-Schicht auf Versorgerseite.

Mit vs. ohne KI, ein ehrlicher Vergleich

Laut Branchenangaben identifizieren gut kalibrierte KI-Systeme 60–75 Prozent der tatsächlichen Diebstahlfälle, bei einer False-Positive-Rate von 10–20 Prozent der generierten Alerts. Beide Zahlen haben einen Haken: Wie viele Fälle es tatsächlich gibt, weiß niemand, also lässt sich die Erkennungsquote im eigenen Netz nicht messen. Messbar ist nur, wie viele Alarme sich bei der Prüfung bestätigen, und da berichten Piloten zu Beginn oft deutlich schlechtere Werte als 80–90 Prozent, siehe die Einstiegsfehler unten. Kein System erkennt alle Fälle: Hochprofessionelle Bypässe mit exakt synchronisierten Zählerwerten bleiben selbst für KI-Systeme schwer erkennbar.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Das Außendienst-Team arbeitet effektiver: weniger unnötige Fahrten, bessere Fallvorbereitung. Aber die gewonnene Zeit liegt beim Außendienst, nicht bei Bürostellen. Im Vergleich zu Energieaudit-Automatisierung oder CO₂-Emissionsmanagement ist die Zeitersparnis pro Kopf gering.

Kosteneinsparung, hoch (4/5) In der Rechnung unten bleiben bei 200.000 Zählern rund 300.000 Euro im Jahr nach Außendienst- und Systemkosten, mit angenommener Diebstahlrate. Das ist substanziell, aber setzt eine relevante Zähleranzahl voraus, und beim Netzbetreiber fließt ein großer Teil über die Netzentgelte an die Netznutzer weiter. Kleinstadtwerke mit unter 50.000 Zählern haben einen anderen ROI-Kalkül.

Schnelle Umsetzung, niedrig (2/5) Datenanbindung an MDM, Modell-Training auf Zähler-Baseline, False-Positive-Kalibrierung, Außendienst-Workflow-Integration: 6–10 Monate ist realistisch. Besonders die Kalibrierungsphase, wenn zu viele Alerts zu Außendienst-Fatigue führen, braucht Zeit und Geduld.

ROI-Sicherheit, mittel (3/5) Identifizierte Diebstahlsfälle mit Schadensvolumen sind direkt buchbar. Zwei Unsicherheiten bleiben: die Dunkelziffer (wie viele unerkannte Fälle gibt es noch?) und die Frage, wie viel der vermiedenen Verlustenergie beim Netzbetreiber bleibt und wie viel über die Netzentgelte weitergereicht wird. Und zurückgefordert ist nicht eingenommen: Viele Täter sind nicht mehr greifbar.

Skalierbarkeit, sehr hoch (5/5) Mehr Zähler = mehr Trainingsdata = bessere Anomalie-Baseline. Das System verbessert sich proportional mit wachsendem Zählerbestand. Gleichzeitig skalieren die Systemkosten nicht linear, ein System für 100.000 Zähler kostet nicht doppelt so viel wie für 50.000 Zähler.

Richtwerte, stark abhängig von Zähleranzahl, Smart-Meter-Rollout-Stand und vorhandener MDM-Infrastruktur.

Was das Anomalieerkennungssystem konkret macht

Schritt 1, Zähler-spezifische Verbrauchs-Baseline: Das System lernt das typische Verbrauchsprofil jedes Zählerstandorts individuell: Grundlastmuster, Lastspitzen nach Tageszeit und Wochentag, saisonale Variation, Reaktion auf Außentemperaturen. Ein Industriebetrieb hat ein anderes Muster als ein Einfamilienhaus, und innerhalb einer Kategorie unterscheiden sich Haushalte erheblich.

Schritt 2, Anomalie-Typen erkennen: Das System unterscheidet zwischen verschiedenen Anomalietypen mit unterschiedlicher Indikationsstärke:

• Plötzlicher Verbrauchsabfall auf null bei laufendem Vertrag → Zählerausfall oder Bypass
• Ungewöhnlicher, konsistenter Nachtverbrauch ohne vertraglich gemeldete Änderung → potenzielle illegale Entnahme
• Verbrauchssprung ohne Kundenmeldung (neue Wärmepumpe, Ladestation) → Kalibrierungsbedarf oder Manipulation
• Systematische Zähler-Zeitstempel-Fehler → technisches MDM-Problem

Schritt 3, Risiko-Score und Priorisierung: Nicht jede Anomalie rechtfertigt einen Außendiensttermin. Das System gewichtet nach Wahrscheinlichkeit (wie konsistent ist das Muster?) und potenziellem Schadensvolumen (wie groß ist die Abweichung von der Baseline?). Es erzeugt eine priorisierte Arbeitsliste: Hochrisiko-Fälle sofort, Mittelprioritätsfälle beim nächsten Außendienst-Tour, Niedrigprioritätsfälle in Monitoring.

Schritt 4, Feedback-Loop: Jede Feldprüfung gibt Feedback: War der Alert Diebstahl oder Messausfall oder falscher Alarm? Das Modell lernt und verbessert schrittweise seine Erkennungsrate und reduziert False Positives.

Rechtliche Besonderheiten

BSI Smart-Meter-Gateway-Anforderungen: Das Smart-Meter-Gateway muss BSI-zertifiziert sein (Schutzprofil BSI-CC-PP-0073, Technische Richtlinie TR-03109). Welche Messwerte Netzbetreiber und Lieferant überhaupt in Viertelstundenauflösung erhalten, regelt das MsbG; für Haushaltskunden ohne entsprechenden Tarif ist das nicht selbstverständlich. Die DSGVO-konforme Verarbeitung der Messdaten ist Pflicht, Haushaltszähler-Daten sind personenbezogen. Das Anomalie-Erkennungssystem muss in einer Datenschutz-Folgenabschätzung (DSFA) geprüft werden, wenn systematisch Verhaltensmuster von Haushaltskunden analysiert werden.

Strafrecht bei Energiediebstahl: Die Strafverfolgung von Energiediebstahl (§ 248c StGB) erfordert belastbare Beweise. KI-generierte Alerts sind Verdachtsmomente, keine Beweise. Vor strafrechtlicher Verfolgung muss eine physische Inspektion und Dokumentation erfolgen, die KI zeigt auf wen, die Inspektion beweist was.

EnWG-Datenzugang: Wenn Netzbetreiber und Lieferant getrennte juristische Einheiten sind (Unbundling nach EnWG), gelten Einschränkungen beim Datenaustausch. Das Anomalie-Erkennungssystem muss beim rechtlich richtigen Unternehmen betrieben werden, das die MDM-Daten hält.

EU AI Act: Anomalieerkennung zur Aufdeckung von Energiediebstahl ist kein Hochrisiko-System. Anhang III Nummer 5 Buchstabe b nimmt die Aufdeckung von Finanzbetrug ausdrücklich aus, Nummer 6 gilt allein für Strafverfolgungsbehörden und deren Auftragnehmer, und ein Versorger ist keines von beidem. Nummer 2 erfasst nur Sicherheitsbauteile der Stromversorgung, ein Prüfauftrag für den Außendienst ist keines. Transparenz und menschliche Aufsicht bleiben trotzdem richtig, nur eben als Sorgfalt und nicht als Hochrisikopflicht: Ein Alert ist ein Verdacht, über den Außendiensteinsatz entscheidet ein Mensch, und wer geprüft wird, soll erfahren können, warum.

Konkrete Werkzeuge, was wann passt

Für spezialisierte MDM-Plattformen:

Itron Analytics , Spezialist für Smart-Meter-Datenanalyse. Eingebaute Anomalieerkennung auf MDM-Daten. Gut integrierbar in bestehende Itron-MDM-Systeme. Für Versorger, die bereits Itron-Infrastruktur nutzen, die direkteste Lösung.

Landis+Gyr Gridstream , Kombination aus Smart-Meter-Hardware und Analytics. Besonders relevant, wenn die Hardware von Landis+Gyr stammt. KI-Anomalieerkennung als Teil des Gridstream-Ökosystems.

Oracle Utilities Analytics , Enterprise-Plattform mit Modulen für Anomalieerkennung, Netzanalyse und Customer Insights. Für größere Stadtwerke und Regionalversorger mit Oracle-Backbone.

Für eigenentwickelte oder cloud-basierte Lösungen:

Azure ML + Python, Für technisch gut aufgestellte Stadtwerke: LSTM-Autoencoder oder Isolation Forest auf MDM-Zeitreihendaten, auf Azure trainiert und deployed. Monatliche Plattformkosten ab 500–2.000 Euro je nach Datenvolumen. Volle Kontrolle über Modelllogik und Datenhaltung.

Power BI , Als Visualisierungsschicht für Anomalie-Dashboards, Außendienst-Priorisierungslisten und Fallmanagement-Übersicht.

Make.com , Für die Automatisierungsebene: Anomalie-Alerts aus dem ML-System in Ticketsystem-Einträge, Außendienst-Dispatch-Aufgaben oder E-Mail-Benachrichtigungen überführen.

Zusammenfassung:

• Schon auf Itron-MDM → Itron Analytics prüfen
• Schon auf Oracle-Infrastruktur → Oracle Utilities Analytics
• Eigenes Data-Science-Team → Azure ML + Python
• Klein und schnell → Make.com für Automatisierungs-Layer auf bestehendem System

Datenschutz und Datenhaltung

Haushaltszähler-Daten sind personenbezogene Daten (aus dem 15-Minuten-Lastprofil lässt sich auf Lebensgewohnheiten schließen). Für die Verarbeitung durch ein Anomalie-Erkennungssystem gilt:

DSFA-Pflicht: Systematische Analyse des Verbrauchsverhaltens aller Kunden für Anomalie-Zwecke erfordert eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO.

Zweckbindung: Die Daten dürfen nur für den spezifischen Zweck (Betrugsprävention, Zählerqualitätssicherung) genutzt werden, nicht für Cross-Selling oder andere Zwecke.

Aggregation als Datenschutzmaßnahme: Wo möglich, auf Trafo-Ebene aggregieren statt auf Einzelzähler-Niveau analysieren. Das reicht für Netzqualitäts-Monitoring, nicht aber für individuellen Diebstahlnachweis.

Hosting: EU-seitiges Hosting empfohlen. Jeder Netzbetreiber muss den IT-Sicherheitskatalog der BNetzA erfüllen (§ 5c EnWG). Unter die BSI-KritisV fallen Stromverteilnetze ab 3.700 GWh entnommener Jahresarbeit; die Zahl von 100.000 Kunden ist die Schwelle für die rechtliche Entflechtung, nicht für KRITIS.

Was es kostet, realistisch gerechnet

Einstieg (Eigenentwicklung auf Cloud-ML-Plattform, kleiner bis mittlerer Versorger):

• Entwicklungsaufwand: 3–6 Monate, 1–2 Data Scientists
• Cloud-Plattform: 1.000–5.000 Euro/Monat je nach Datenvolumen
• Ergebnis: Erste Anomalieerkennungen für bekannte Muster (Nullverbrauch, Sprünge)

Skaliert (Spezialisierte Plattform wie Itron Analytics, Stadtwerke ab 100.000 Zählern):

• Lizenz- und Implementierungskosten: 100.000–500.000 Euro einmalig
• Betriebskosten: 50.000–200.000 Euro/Jahr
• Ergebnis: Vollautomatische Erkennung, priorisierte Außendienst-Workflows, direkter MDM-Anschluss

ROI-Beispiel: Netzbetreiber im Stadtwerk, 200.000 Zähler, angenommene Diebstahlrate 0,15 % (300 Fälle), angenommener Schaden 3.000 Euro je Fall und Jahr. Gesamtschaden: 900.000 Euro/Jahr.

• Zusätzlich erkannte Fälle: Laut Anbieterangabe werden 70 % erkannt, also 210 Fälle. 20–50 davon findest du heute schon reaktiv (Tabelle oben), zusätzlich sind es 160–190 Fälle. Endet die Entnahme nach der Entdeckung, sind das bei 3.000 Euro je Fall rund 480.000–570.000 Euro im Jahr.
• Außendienst: Jeder Alarm heißt ein Einsatz, auch jeder Fehlalarm. Bestätigt sich jeder zweite Alarm, braucht es für 210 Fälle rund 420 Einsätze zu je 150 Euro: 63.000 Euro. Eine frühere Fassung dieser Seite verbuchte hier 45.000 Euro Ersparnis durch „20 % weniger unnötige Fahrten”. Tatsächlich kommen Fahrten hinzu, und freiwerdende Stunden eigener Techniker sind ohnehin kein Kassenbetrag.
• Systemkosten: rund 150.000 Euro im Jahr, 12.500 Euro im Monat, dazu 100.000–500.000 Euro Einrichtung.
• Netto: 480.000–570.000 − 63.000 − 150.000 = rund 270.000–360.000 Euro im Jahr, 22.500–30.000 Euro im Monat. Die Einrichtung ist damit nach 4 bis 22 Monaten Vollbetrieb bezahlt.
• Wessen Geld: Beim Netzbetreiber ist der größte Teil davon vermiedene Verlustenergie, deren Kosten weitgehend über die Netzentgelte weitergereicht werden. Das Netto oben entlastet also vor allem die Netznutzer. In der eigenen Kasse landen Rückforderungen, und die sind bei Tätern, die längst weitergezogen sind, oft nicht einzutreiben. Nachberechnung, Sperrung und Strafanzeige kosten zusätzlich Personal, das hier nicht eingerechnet ist.

Wie du den Nutzen misst: Alert-Precision (wie viele Alerts waren echte Fälle) und Alert-Recall (wie viele tatsächliche Fälle wurden erkannt) sind die zentralen Metriken. Bei Außendienst-Effizienz: Anzahl Fahrten pro bestätigtem Diebstahlsfall vorher vs. nachher. Bei direktem Schaden: Summe der zurückgeforderten Beträge aus identifizierten Fällen.

Drei typische Einstiegsfehler

1. Mit zu hoher Sensitivität starten, Alert-Fatigue. Das häufigste Problem in der ersten Betriebsphase: Das System generiert zu viele Alerts, weil die Schwellenwerte zu niedrig gesetzt sind. Das Außendienst-Team prüft die ersten 50 Fälle, findet 10 echte, und hört auf, die Alerts ernst zu nehmen. Ein schlecht kalibriertes System mit hoher False-Positive-Rate ist nutzlos, auch wenn die Präzision später verbessert werden kann. Lösung: Beginne lieber mit hoher Spezifität (wenige, aber sichere Alerts) und reduziere die Schwelle schrittweise basierend auf Feld-Feedback.

2. Feedback aus dem Außendienst nicht systematisch erfassen. Das ist der häufigste Qualitätsverlust-Fehler. Nach der Feldprüfung schreibt der Techniker ins Protokoll: „Kein Befund.” Das Modell bekommt aber kein strukturiertes Feedback: War es wirklich kein Befund oder wurde nicht gründlich genug gesucht? War es ein technischer Fehler oder ein echter Verdachtsfall? Ohne strukturiertes Feedback-Loop bleibt das Modell statisch. Lösung: Standardisiertes Prüfergebnis-Formular mit 4–5 Kategorien, das direkt ins ML-System zurückfließt.

3. Smart-Meter-Rollout als Voraussetzung abwarten. Der Rollout in Deutschland zieht sich, in manchen Regionen liegt die Smart-Meter-Quote noch unter 40 Prozent. Das ist kein Grund, nicht anzufangen. Das System kann auf den bereits ausgerollten Gebieten funktionieren. Und: Der Aufbau der Anomalie-Erkennungs-Infrastruktur jetzt bedeutet, dass beim Rollout-Abschluss das System bereits kalibriert und betriebsbereit ist, statt dann erst anzufangen.

Was mit der Einführung wirklich passiert, und was nicht

Das größte Widerstandsmuster kommt aus dem Außendienst, nicht aus der IT.

Techniker, die jahrzehntelang nach konkreten Kundenbeschwerden oder offensichtlichen Manipulationsspuren gearbeitet haben, bekommen jetzt Aufträge auf Basis von Datenmodellen: „Anlage 47283, Anomalie-Score 8,2 von 10, bitte prüfen.” Die Skepsis ist berechtigt: In der ersten Phase ist oft ein großer Teil dieser Einsätze ein Fehlalarm, im Beispiel unten bei den Einstiegsfehlern vier von fünf. Das frustriert, besonders wenn der Techniker nach 30 Minuten Fahrt einen völlig normal funktionierenden Zähler vorfindet.

Das Vertrauen entsteht durch Treffer: Jeder bestätigte Fall, „Alert generiert, Inspektion durchgeführt, Bypass gefunden”, baut Glaubwürdigkeit auf. Das regelmäßige Teilen dieser Erfolge mit dem Außendienst-Team ist ein oft unterschätztes Führungsinstrument.

Zweites Hindernis: Der juristische Workflow. Ein KI-Alert ist kein Beweis. Strafverfolgung erfordert lückenlose Dokumentation. Die Prozesskette von Alert über Inspektion bis zur Strafanzeige muss vor dem Launch definiert sein, wer entscheidet, wer dokumentiert, wer kommuniziert mit Staatsanwaltschaft.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Smart-Meter-Rollout ist noch nicht abgeschlossen.” Anomalieerkennung kann bereits ab etwa 50 Prozent Smart-Meter-Quote in den Zählpunkten, die du analysieren willst, sinnvoll eingesetzt werden. Weil der Pflichteinbau bei 6.000 kWh Jahresverbrauch ansetzt, sind Gewerbe und Großverbraucher meist zuerst ausgestattet, und dort liegen auch die großen Schadensfälle. Gleichzeitig ist der Aufbau des Modells jetzt sinnvoll, damit beim Rollout-Abschluss die Infrastruktur steht.

„Wir prüfen Abrechnungsabweichungen bereits manuell.” Manuelle Prüfung funktioniert für Jahresabrechnungen mit groben Ausreißern. Smart Meter liefern Viertelstundenwerte, das ist ein Faktor 35.000 mehr Datenpunkte als eine Jahresablesung. Muster wie systematisch untergemeldete Nachtlast sind manuell nicht erkennbar.

„Wie viele False Positives entstehen und wie teuer sind die?” Das ist die richtige Frage. Bei gut kalibrierten Modellen liegt die False-Positive-Rate bei 10–20 Prozent der generierten Alerts. Bei 150 Euro pro Außendiensteinsatz und 100 Alerts/Monat mit 15% False Positives: 2.250 Euro/Monat für unnötige Fahrten. Das ist deutlich weniger als der Schaden durch nicht erkannte Diebstähle, und durch bessere Kalibrierung weiter reduzierbar.

Woran du merkst, dass das zu dir passt

• Du betreibst mehr als 50.000 Smart-Meter-Zählerstandorte mit Viertelstunden-Auflösung
• Dein Smart-Meter-Rollout-Anteil liegt über 50 Prozent im Versorgungsgebiet
• Du hast eine MDM-Plattform (Meter Data Management) im Einsatz, die historische Zählerdaten strukturiert bereithält
• Dein Außendienst-Team führt pro Jahr mehr als 500 Prüfeinsätze durch, bei denen die Priorisierung heute reaktiv (Kundenbeschwerden) läuft

Wann es sich (noch) nicht lohnt: Unter 50.000 Zählern oder ohne Smart-Meter-Infrastruktur ist der ROI nicht darstellbar: Mit den Annahmen oben bleiben bei 50.000 Zählern nach Außendienst und Systemkosten nur noch rund 50.000 Euro im Jahr, darunter nichts mehr. Wenn keine MDM-Plattform vorhanden ist, muss zuerst in diese investiert werden, das Anomalie-System baut darauf auf. Außerdem: Wenn das Unternehmen keinen strukturierten Außendienst-Prozess für Prüfeinsätze hat, nutzen die besten Alerts wenig, der Workflow muss vor dem KI-Einsatz existieren.

Weiteres Ausschlusskriterium: Wenn die BSI-Anforderungen an Smart-Meter-Gateways im Unternehmen noch nicht vollständig umgesetzt sind, haben die Messdaten möglicherweise Integritätsprobleme, die die Anomalie-Erkennung verfälschen. Zuerst BSI-Compliance, dann Analytics.

Das kannst du heute noch tun

Exportiere aus deinem Abrechnungssystem alle Zählerstandorte, bei denen der Jahresverbrauch in den letzten 3 Jahren um mehr als 40 Prozent gesunken ist, ohne dokumentierte Änderung (Auszug, Geräteabbau, Produktionsänderung). Das ist eine einfache regelbasierte Heuristik, kein ML. Diese Liste ist dein erster Proxywert für das Anomalie-Potenzial in deinem Bestand.

Bevor du den Prompt unten nutzt: Haushaltszähler-Daten sind personenbezogen, und die systematische Analyse braucht laut Datenschutzabschnitt oben eine DSFA. Einzel-Lastgänge von Haushaltskunden gehören deshalb nicht in einen öffentlichen Chatdienst. Nutze nur Gewerbe- und Industriezähler, pseudonymisiert, nur Jahres- oder Wochenwerte, und nur über einen Business-Zugang mit Auftragsverarbeitungsvertrag, nach Freigabe durch deinen Datenschutzbeauftragten.

Quellen & Methodik

• Nicht-technische Verluste: Eigene Rechnung, die Herleitung steht offen im Text. Die Bezugsgrößen (Netzeinspeisung, abgerechnete Entnahme, technische Netzverluste) stehen im Jahresabschluss jedes Netzbetreibers, die Rechnung lässt sich mit den eigenen Zahlen nachvollziehen.
• BSI Smart-Meter-Gateway: BSI, TR-03109 und Schutzprofil BSI-CC-PP-0073 (PP-0077 betrifft das Sicherheitsmodul); BSI-Website Smart-Metering.
• Pflichteinbau intelligenter Messsysteme: § 29 MsbG, gesetze-im-internet.de/messbg/__29.html. Neubauten: nur moderne Messeinrichtung, keine iMSys-Pflicht.
• KRITIS-Schwelle Stromverteilnetz: BSI-KritisV Anhang 1 Teil 3, 3.700 GWh entnommene Jahresarbeit.
• ML-Erkennungsraten: Branchenangaben von Itron, Landis+Gyr und akademischen Studien (ScienceDirect, 2024). Anbieterzahlen, im eigenen Netz nicht als Erkennungsquote nachprüfbar.
• Diebstahlrate und Schaden je Fall: Annahmen für die Beispielrechnung, keine veröffentlichte Zahl für Deutschland.
• § 248c StGB Energiediebstahl: Strafgesetzbuch Deutschland, aktuell gültige Fassung.
• DSGVO Datenschutz-Folgenabschätzung: Art. 35 DSGVO; Datenschutzkonferenz, Orientierungshilfe für Smart-Meter (2023).
• EU AI Act, Anhang III Nr. 5 Buchst. b: Verordnung (EU) 2024/1689, geändert durch Verordnung (EU) 2026/1744. Die Aufdeckung von Finanzbetrug ist von der Hochrisiko-Liste ausdrücklich ausgenommen, Nr. 6 gilt nur für Strafverfolgungsbehörden. Wortlaut: artificialintelligenceact.eu/annex/3/

Du willst wissen, welche Anomalie-Muster in deinem Zählerbestand bereits sichtbar sind? Meld dich, eine erste Datensichtung mit deinen Abrechnungsdaten bringt oft überraschende Befunde.