Netz-Zustandsüberwachung

Das echte Ausmaß des Problems

Ein Netzausfall kostet mehr als nur Energie. Die volkswirtschaftlichen Kosten eines großflächigen Blackouts in Deutschland wurden in Studien des Bundesministeriums für Wirtschaft auf 1 bis 3 Milliarden Euro pro Tag geschätzt — für Industrie, Handel und kritische Infrastrukturen. Selbst regionale Störungen in einem Mittelspannungsnetz, die Tausende von Haushalten und Gewerbetreibende für 4 bis 8 Stunden betreffen, verursachen durch Produktionsausfälle, Datenverluste und Wiederherstellungskosten Schäden von mehreren Hunderttausend Euro.

Das Problem liegt nicht darin, dass Netzbetreiber ihre Netze nicht überwachen. SCADA-Systeme erfassen seit Jahrzehnten Spannungs-, Strom- und Frequenzwerte. Das Problem liegt in der Auswertung: Ein klassisches SCADA-System meldet Grenzwertüberschreitungen — also Probleme, wenn sie bereits eingetreten sind. KI-basierte Zustandsüberwachung erkennt die Muster, die einem Ausfall 15 bis 60 Minuten vorausgehen: ungewöhnliche Frequenzschwingungen, anomale Lastverhältnisse zwischen Abzweigen, Korrelationsmuster aus mehreren Messstellen, die zusammen auf eine instabile Netzsituation hindeuten.

Für Verteilnetzbetreiber mit zunehmend dezentralen Einspeisern — Photovoltaik, Wärmepumpen, Ladeinfrastruktur — wird das noch komplexer. Das Netz wurde für Einwegstrom aus der Hochspannung ausgelegt; mit bidirektionalen Lastflüssen und volatiler dezentraler Einspeisung entstehen neue Instabilitätsmuster, die traditionelle Regelwerke nicht erfassen.

So funktioniert es in der Praxis

Schritt 1 — SCADA-Datenintegration und Zeitreihen-Aufbereitung Das ML-Modell wird an das bestehende SCADA-System oder Datenhistorian angebunden. Es liest kontinuierlich die Messwerte aus: Spannung, Strom, Wirkleistung und Blindleistung pro Abzweig, Schalterzustand, Frequenzabweichungen. Historische Daten der letzten 2 bis 5 Jahre werden für das Training der Baseline-Muster genutzt.

Schritt 2 — Zustandsklassifikation und Voranzeichen-Erkennung Das Modell lernt, welche Messwert-Konstellationen stabile Normalbetriebszustände darstellen und welche auf Vorstufen von Ausfällen hindeuten. Dazu werden bekannte historische Störungen annotiert und rückwärts analysiert: Welche Signale lagen 10, 20, 30 Minuten vor dem Ausfall vor? Das Modell lernt diese Voranzeichen.

Schritt 3 — Echtzeit-Alerting und Leitstellenintegration Der Alert kommt nicht als roher Alarm, sondern mit Kontext: „Abzweig 7 zeigt Spannungsschwankungen, die in 12 von 15 historischen Fällen zu Kabelteilentladungen führten — empfohlene Maßnahme: Lastreduzierung.” Der Leitstellenoperator bekommt nicht mehr Alarme, sondern bessere Alarme.

Schritt 4 — Digitaler Zwilling für Szenario-Simulation Fortgeschrittene Systeme bauen auf dem ML-Modell einen digitalen Zwilling des Netzes auf: Was passiert, wenn dieser Transformator ausfällt? Welche Kunden wären betroffen? Welche Umleitungsoptionen gibt es? Das ermöglicht proaktive Notfallplanung statt reaktives Krisenmanagement.

Welche Tools passen hierzu

ABB Ability Network Manager — Integriertes NMS (Network Management System) mit KI-Komponenten für Zustandsüberwachung und Fehlerdiagnose. Native SCADA-Integration. Für Verteilnetzbetreiber und Stadtwerke ab mittlerer Größe. Preisgestaltung auf Anfrage.

Siemens Spectrum Power — Enterprise Energy Management System mit ML-basierter Netzanalyse. Stärker in der Übertragungsnetzebene, aber auch für komplexe Verteilnetze. Enterprise-Investition.

OSIsoft PI System / AVEVA — Weit verbreitetes Datenhistorian-System in der Energiebranche. Als Datenbasis für eigene ML-Modelle gut geeignet. AVEVA Analytics bietet darauf aufbauende KI-Analyse-Module.

Azure IoT Hub + Azure Machine Learning — Für Netzbetreiber, die auf Microsoft-Infrastruktur setzen: Echtzeit-Datenstreaming über IoT Hub, ML-Modelle in Azure ML, Visualisierung in Power BI. Modularer Aufbau ermöglicht schrittweise Einführung.

Power BI — Als Leitstellendashboard für Operatoren: Echtzeit-Netzstatus, Alert-Übersichten, historische Trendanalysen. Integration mit Azure ML für KI-gestützte Prognosen.

GridBeyond — Spezialisiert auf KI-gestütztes Energiemanagement und Netzflexibilitätsdienste. Besonders relevant für Netzbetreiber, die Flexibilitätsdienstleistungen über DSM (Demand-Side Management) managen. Preisgestaltung auf Anfrage.

Was es kostet — realistisch gerechnet

Einstieg (eigene ML-Lösung auf SCADA-Daten, kleine Netzbetreiber)

• Entwicklungsaufwand: 4–8 Monate, 1–2 Datenspezialisten
• Infrastruktur (Cloud-Plattform): 2.000–8.000 Euro/Monat
• Ergebnis: Erste Anomalieerkennung für bekannte Ausfallmuster

Skaliert (kommerzielle Plattform, mittelgroßer Verteilnetzbetreiber)

• Systemkosten: 200.000–800.000 Euro Implementierung
• Betrieb: 80.000–300.000 Euro/Jahr
• Ergebnis: Vollintegrierte Zustandsüberwachung, Echtzeit-Alerting, Simulations-Kapazität

ROI-Beispiel: Verteilnetzbetreiber mit 3.000 km Netzlänge, historisch 4 größere Störungen/Jahr mit durchschnittlichen Behebungskosten und Folgeschäden von 400.000 Euro pro Ereignis. KI reduziert schwerwiegende Störungen durch Frühwarnung um 50% (von 4 auf 2 pro Jahr). Einsparung: 800.000 Euro/Jahr. Systemkosten: ca. 400.000 Euro Implementierung + 150.000 Euro/Jahr Betrieb. Amortisation in 12 Monaten nach Vollbetrieb.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
SCADA-Audit & Datenstrategie	Monat 1–2	Datenqualität und -vollständigkeit in SCADA prüfen, Messstellen mit bester Abdeckung identifizieren	Datenlücken oder inkonsistente Zeitstempel in historischen Daten — Bereinigung nötig
Modellentwicklung Pilot	Monat 2–5	Baseline-Modell auf historischen Daten trainieren, bekannte Störungen rückwärts validieren	Historische Störungen schlecht annotiert — Expertenwissen für Annotation nötig
Leitstellenintegration	Monat 5–7	Alert-System in Leitstelle integrieren, Operator-Training, Prozesse anpassen	Operator-Akzeptanz — Misstrauen gegenüber KI-Alerts, parallele manuelle Überwachung nötig
Kalibrierungsphase	Monat 7–10	False-Positive-Rate kalibrieren, Alert-Schwellenwerte anpassen, Feedback der Leitstellenoperatoren einbeziehen	Zu viele Alerts führen zu Alert-Fatigue — Priorisierungslogik verfeinern
Vollbetrieb & Erweiterung	Ab Monat 11	Echtzeit-Zustandsüberwachung im Routinebetrieb, Erweiterung auf weitere Netzgebiete	Saisonale Lastwechsel (Winter/Sommer) brauchen separate Kalibrierung

Häufige Einwände

„Unser SCADA-System ist bereits seit 20 Jahren im Betrieb — neue Systeme passen nicht dazu.” Moderne ML-Lösungen sind datenbankagnostisch und lesen SCADA-Daten über standardisierte Schnittstellen (OPC-UA, DNP3, IEC 61850). Die eigentliche Hürde ist die Datenqualität: Alte SCADA-Systeme haben oft unvollständige historische Daten oder inkonsistente Zeitstempel. Ein 3-monatiger Daten-Audit vor der ML-Entwicklung ist in solchen Fällen Pflicht.

„Unsere Operatoren vertrauen dem System nicht — sie schalten lieber manuell.” Das ist die richtige Einstellung in einer kritischen Infrastruktur. KI in der Netzüberwachung sollte keine autonomen Schalthandlungen ausführen, sondern Entscheidungsunterstützung geben. Der Operator entscheidet — KI liefert Kontext, Mustererkennung und Voranzeichen. Die Akzeptanz steigt, wenn die ersten 5 bis 10 KI-Vorhersagen korrekt und die Entlastung im Stressfall spürbar ist.

„Wir haben zu wenige historische Störungsdaten für das Training.” Für überwachtes Lernen auf seltene Störungsereignisse ist das tatsächlich eine Herausforderung. Der Ausweg sind unüberwachte Methoden (Anomalieerkennung auf Normalbetrieb-Basis) und Transfer Learning von Netzbetreibern mit ähnlicher Topologie. Auch synthetische Datengenerierung basierend auf Netzmodellen ist ein etablierter Ansatz in der Branche.