Netz-Zustandsüberwachung

Das echte Ausmaß des Problems

Ein Netzausfall kostet mehr als nur Energie. Regionale Störungen in einem Mittelspannungsnetz, die Tausende von Haushalten und Gewerbetreibende für mehrere Stunden betreffen, verursachen durch Produktionsausfälle, Datenverluste und Wiederherstellungskosten erhebliche Schäden. Wichtig für jede Wirtschaftlichkeitsrechnung: Der größte Teil davon entsteht bei den Kunden, nicht beim Netzbetreiber. Für Folgeschäden seiner Kunden haftet der Netzbetreiber nur eingeschränkt (für Niederspannungskunden regelt das § 18 NAV), und seine eigenen Reparaturkosten fließen über die Anreizregulierung zum Teil in die Netzentgelte. Was der Netzbetreiber selbst spart, ist deutlich kleiner als der volkswirtschaftliche Schaden.

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 Auswertungslogik: Ein klassisches SCADA-System meldet Grenzwertüberschreitungen, also Probleme, wenn sie bereits eingetreten sind. KI-basierte Zustandsüberwachung soll dagegen die Muster erkennen, die einem Ausfall vorausgehen: anomale Spannungs- und Blindleistungsverläufe, ungewöhnliche Lastverhältnisse zwischen Abzweigen, Temperaturverläufe an Transformatoren, Korrelationsmuster aus mehreren Messstellen. Die Netzfrequenz gehört nicht dazu: Sie ist im europäischen Verbundnetz praktisch überall gleich und sagt nichts über einen einzelnen Abzweig. Wie viele Minuten Vorlauf ein Modell liefert, ist nicht belegt und hängt vom Fehlertyp ab; ein Kabelfehler kündigt sich anders an als ein überlasteter Transformator.

Eine Verwechslung, die sich hartnäckig hält: Seit Mai 2023 müssen Netzbetreiber, die als KRITIS eingestuft sind, „Systeme zur Angriffserkennung” einsetzen, heute über den IT-Sicherheitskatalog der BNetzA nach § 5c EnWG. Gemeint ist die Erkennung von Cyberangriffen auf IT und Leittechnik (§ 2 Nr. 41 BSIG), nicht die Vorhersage physikalischer Netzstörungen. Eine KI-Zustandsüberwachung erfüllt diese Pflicht nicht, und die Pflicht verlangt keine Zustandsüberwachung.

Für Verteilnetzbetreiber mit zunehmend dezentralen Einspeisern, Photovoltaik, Wärmepumpen, Ladeinfrastruktur, wird die Lage 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.

Mit vs. ohne KI, ein ehrlicher Vergleich

Kosten je Störung und vermeidbarer Anteil: unsere Annahmen, eine Quelle dafür haben wir nicht. Deine eigenen Werte stehen in den Störungsberichten und Rechnungen der letzten drei Jahre. Eine frühere Fassung nannte 200.000–800.000 Euro je Ereignis und rechnete damit Folgeschäden der Kunden als Ersparnis des Netzbetreibers.

Einschätzung auf einen Blick

Zeitersparnis, gering (2/5) Der tägliche Zeitgewinn für Leitstellenoperatoren ist real, aber begrenzt: bessere Alarmqualität bedeutet weniger manuelle Sichtung, weniger Fehleinsätze. Das ist kein dramatischer Stundengewinn. Die eigentliche Wirkung liegt nicht in der eingesparten Zeit, sondern in der Schadensvermeidung.

Kosteneinsparung, niedrig (2/5) Vermiedene Störungen bedeuten vermiedene Reparaturkosten und bessere SAIDI-Werte (Unterbrechungsdauer) im Qualitätselement der Anreizregulierung. Aber: Der große Schaden einer Störung entsteht bei den Kunden, nicht beim Netzbetreiber, und eine Warnung von Minuten verhindert selten den Defekt selbst, sie erlaubt Umschalten und Entlasten. Die eigene Ersparnis muss eine Investition von 200.000–800.000 Euro plus 80.000–300.000 Euro im Jahr tragen, die Rechnung unten zeigt, wie knapp das ist. Der Nutzen liegt vor allem bei Versorgungsqualität und Kunden, deshalb 2.

Schnelle Umsetzung, sehr langsam (1/5) Das ist der schwierigste Schritt in dieser Kategorie. SCADA-Datenqualität prüfen, historische Störungen annotieren, Modell trainieren, in Leitstelle integrieren, Operatoren schulen, False-Positive-Rate kalibrieren, das dauert realistisch 10 bis 14 Monate bis zum belastbaren Vollbetrieb. Wer schneller vorgeht, kauft sich entweder Alert-Fatigue durch schlecht kalibrierte Alarme oder zu niedrige Erkennungsrate ein.

ROI-Sicherheit, niedrig (2/5) Gemessen werden kann: Störungshäufigkeit vor und nach Einführung, SAIDI-Wert, Reparaturkosten. Bei drei bis vier größeren Störungen im Jahr ist aber selbst nach 24 Monaten kaum zu unterscheiden, ob das System gewirkt hat oder das Wetter mild war. Wer nach 6 Monaten den ROI berechnet, misst Zufall, nicht Wirkung.

Skalierbarkeit, mittel (3/5) Das Modell verbessert sich mit mehr Messstellen und mehr historischen Daten. Neue Netzgebiete können schrittweise angebunden werden. Aber: Saisonale Rekalibrierung ist nötig, neue Netzstrukturen (z.B. nach Netzausbau) brauchen Retraining, und die Wartung des Systems erfordert dauerhaft Datenexpertise im Team.

Richtwerte, stark abhängig von Netzgröße, SCADA-Datenqualität und Störungshistorie.

Was das System konkret macht

Das technische Fundament ist Machine Learning auf Zeitreihendaten. Was in der Praxis passiert, lässt sich in vier Schritten erklären:

Datenaggregation: Das Modell wird an das bestehende SCADA-System angebunden, über Standardschnittstellen wie OPC-UA, DNP3 oder IEC 61850. Es liest kontinuierlich Spannung, Strom, Wirkleistung und Blindleistung pro Abzweig, Schalterzustand und Frequenzabweichungen. Historische Daten der letzten zwei bis fünf Jahre bilden die Trainingsgrundlage.

Zustandsklassifikation: Das Modell lernt, welche Messwert-Konstellationen stabile Normalbetriebszustände darstellen und welche auf Vorstufen von Ausfällen hindeuten. Bekannte historische Störungen werden annotiert und rückwärts analysiert: Welche Signale lagen 10, 20, 30 Minuten vor dem Ausfall vor? Das Modell lernt diese Signaturen, nicht als einzelnen Schwellenwert, sondern als Muster aus mehreren Variablen gleichzeitig.

Kontextualisierter Alert: 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. Gehandelt ist damit noch nicht: Jede Umschaltung ist eine Schalthandlung mit eigenem Risiko, und jeder Alarm, der einen Störtrupp rausschickt, kostet eine Anfahrt, auch wenn er sich als Fehlalarm erweist.

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.

Rechtliche Besonderheiten

IT-Sicherheit: Der IT-Sicherheitskatalog der BNetzA nach § 5c EnWG verlangt von Netzbetreibern unter anderem Systeme zur Angriffserkennung. Das sind Systeme gegen Cyberangriffe auf IT und Leittechnik, keine Netzzustandsüberwachung; ein KI-Frühwarnsystem ersetzt sie nicht und wird von ihnen nicht verlangt. Wer ein neues System an die Leittechnik anbindet, muss es aber in das eigene Sicherheitskonzept nach diesem Katalog aufnehmen. Stromverteilnetze ab 3.700 GWh entnommener Jahresarbeit fallen zusätzlich unter die BSI-KritisV.

EU AI Act: Anhang III Nr. 2 erfasst KI-Systeme, die als Sicherheitsbauteil im Betrieb der Stromversorgung eingesetzt werden. Ein Frühwarnsystem, das dem Operator Hinweise gibt und selbst nichts schaltet, ist in der Regel keines. Löst das System selbst Schalthandlungen aus oder übernimmt es Schutzfunktionen, kann es eines werden, dann gelten Risikomanagement, Dokumentation und menschliche Aufsicht als Pflicht. Die Einordnung hängt am Systemdesign, dokumentiere die Systemgrenzen früh.

Die Niederspannungsanschlussverordnung (NAV) und § 11 EnWG regeln die Zuverlässigkeitspflichten von Netzbetreibern. Eine nachweisbar verbesserte Netzzuverlässigkeit durch KI-gestützte Überwachung kann sich positiv auf die Regulierungsrendite im SAIDI-basierten Qualitätselement der Anreizregulierung auswirken.

Konkrete Werkzeuge, was wann passt

Der Hersteller deines Netzleitsystems, Siemens, Hitachi Energy (das frühere Netzleittechnikgeschäft von ABB), PSI und andere bieten eigene Analysemodule für ihre Leitsysteme an. Native Integration, Preise auf Anfrage, typisch sechsstellige Implementierungsinvestition. Frag zuerst dort nach, bevor du eine Parallelinfrastruktur aufbaust. Achtung bei Namen: Unsere Toolseite unter ABB beschreibt ABB Genix , eine Asset-Performance-Plattform für die Prozessindustrie, kein Netzleitsystem.

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

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

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. Monatliche Infrastrukturkosten: 2.000–8.000 Euro je nach Datenmenge.

Wann welcher Ansatz:

• Bestehende Siemens-Infrastruktur → Spectrum Power
• Anderes Netzleitsystem → zuerst dessen Hersteller fragen
• Microsoft-Cloud-Strategie + modularer Aufbau → Azure IoT Hub + Azure ML
• Eigene Datenstrategie auf bewährter Zeitreihenbasis → AVEVA PI System

Datenschutz und Datenhaltung

SCADA-Systeme verarbeiten keine personenbezogenen Daten im klassischen Sinne, aber sie verarbeiten betriebskritische Infrastrukturdaten, die unter den Schutz des IT-Sicherheitsgesetzes 2.0 und die BSI-Richtlinien für KRITIS-Betreiber fallen.

Für KI-Lösungen, die an SCADA-Systeme angebunden werden, gilt: Datenverarbeitung sollte wo möglich on-premise oder in einer deutschen bzw. EU-Cloud stattfinden. Besonders sensitiv sind Echtzeitdaten über Netzzustand und Schalterstellungen, diese dürfen nicht über unsichere Netzpfade übertragen werden. IEC 62351 definiert Sicherheitsstandards für Energiemanagement-Kommunikationsprotokolle und ist Pflichtlektüre bei der Systemauswahl.

Cloud-Anbieter für KRITIS-Betreiber müssen die Anforderungen des BSI C5-Katalogs erfüllen oder zumindest nachweislich äquivalente Sicherheitsstandards einhalten. Die großen Hyperscaler haben C5-Testate; prüf, ob das Testat die Dienste abdeckt, die du tatsächlich nutzt.

Was es kostet, realistisch gerechnet

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

• Entwicklungsaufwand: 4–8 Monate, ein bis zwei Datenspezialisten
• Cloud-Infrastruktur: 2.000–8.000 Euro/Monat
• Ergebnis: Erste Anomalieerkennung für bekannte Ausfallmuster, KRITIS-Compliance-Basis

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, EU-AI-Act-konforme Dokumentation

ROI-Beispiel, aus Sicht des Netzbetreibers: Verteilnetzbetreiber mit 3.000 km Netzlänge, historisch vier größere Störungen pro Jahr. Eine frühere Fassung dieser Seite rechnete mit 400.000 Euro „Behebungskosten und Folgeschäden” je Ereignis, halbierte die Störungen und kam auf 650.000 Euro Netto-Ersparnis und 8 Monate Amortisation. Zwei Fehler steckten darin: Die Folgeschäden trägt der Kunde, nicht der Netzbetreiber, und eine Frühwarnung verhindert nicht automatisch die Störung.

Nachgerechnet mit den eigenen Kosten des Netzbetreibers:

• Eigene Kosten je Störung (Reparatur, Störtrupp, Ersatzversorgung): Annahme 50.000–150.000 Euro, zusammen 200.000–600.000 Euro im Jahr.
• Systemkosten: 400.000 Euro Implementierung, auf fünf Jahre verteilt 80.000 Euro im Jahr, plus 150.000 Euro Betrieb, also rund 230.000 Euro im Jahr oder 19.000 Euro im Monat.
• Um das zu tragen, müsste das System 40 bis über 100 Prozent der eigenen Störungskosten vermeiden, und das bei einem Werkzeug, das warnt, aber nicht repariert. Dazu kommen Anfahrten für Fehlalarme.

Ergebnis: Aus der eigenen Kasse rechnet sich eine kommerzielle Plattform nur für Netzbetreiber mit deutlich mehr oder teureren Störungen. Der Nutzen für die Kunden und die Versorgungsqualität (SAIDI, Qualitätselement) kann die Investition trotzdem rechtfertigen, aber dann ist es eine Qualitäts- und keine Sparentscheidung, und so sollte sie auch begründet werden.

Wie du den ROI tatsächlich misst: Nicht nach 6 Monaten, sondern nach mindestens 24 Monaten: SAIDI-Wert-Vergleich mit historischen Perioden, Anzahl und Schwere von Störungsereignissen, Frequenz von Notfalleinsätzen. Eine Vergleichsgruppe (nicht ausgerüstete Netzgebiete) hilft, Witterungseffekte herauszurechnen.

Typische Einstiegsfehler

1. SCADA-Datenqualität wird nicht vorab geprüft. Alte SCADA-Systeme haben oft inkonsistente Zeitstempel, Datenlücken durch Wartungspausen und unterschiedliche Abtastintervalle pro Messstelle. Ein Modell, das auf solchen Daten trainiert wird, lernt die Artefakte des Datenerfassungssystems, nicht die Netzdynamik. Pflicht: Vor jedem Modellprojekt ein 4- bis 8-wöchiger Daten-Audit.

2. Zu wenige historische Störungsdaten für das Training. Für überwachtes Lernen auf seltene Störungsereignisse ist das tatsächlich eine Herausforderung, ein Verteilnetz mit 2 schwerwiegenden Störungen pro Jahr braucht 5 bis 10 Jahre Datenhistorie für robustes Training. Der Ausweg: unüberwachte Anomalieerkennung auf Normalbetrieb-Basis plus Transfer Learning von topologisch ähnlichen Netzen. Synthetische Datengenerierung auf Basis von Netzmodellen ist ein etablierter Forschungsansatz.

3. Schlechte Kalibrierung führt zu Alert-Fatigue. Zu viele False Positives und die Operatoren ignorieren das System nach 3 Wochen. Die Kalibrierungsphase, mindestens 3 Monate nach dem ersten Systemeinsatz, ist kein optionaler Schritt, sondern die entscheidende Hürde für tatsächlichen Betrieb. Schwellenwerte für Alerts müssen schrittweise und auf Basis von Operator-Feedback justiert werden.

4. Das System läuft, aber niemand ist verantwortlich. Nach dem erfolgreichen Piloten geht der projektführende Data Scientist in ein anderes Projekt. Das ML-Modell läuft weiter, aber niemand prüft, ob es nach dem Netzausbau im Jahr 2 noch kalibriert ist, ob neue Anlagentypen (Wärmepumpen, Großspeicher) die Verteilung der Normalbetriebszustände verschoben haben, oder ob Saisonmuster rekalibriert werden müssen. Spätestens nach 18 Monaten: Modell-Audit. Besitzerfrage vor dem Rollout klären.

Was mit der Einführung wirklich passiert, und was nicht

Die größte Hürde ist nicht die Technik. Es ist die Akzeptanz in der Leitstelle.

Leitstellenoperatoren, die seit 20 Jahren SCADA bedienen, haben ein präzises mentales Modell ihres Netzes. Ein KI-System, das neue Alerts produziert, wird zunächst mit Skepsis aufgenommen, vor allem, wenn frühe Alerts False Positives sind. „Die KI hat schon wieder Alarm geschlagen, und nichts ist passiert” ist der Satz, der das System in der Praxis torpediert.

Was hilft:

• Die ersten 10 bis 15 KI-Vorhersagen rückwirkend validieren: Hat das System damals Recht gehabt? Wurde der Ausfall tatsächlich verhindert oder war es Zufall? Diese Dokumentation ist nicht optional, sie ist das Fundament der Operatoren-Akzeptanz.
• KI-Alerts zunächst als parallele Information einführen, nicht als Ersatz für bestehende Alarmlogik. Der Operator entscheidet. Die KI liefert Kontext.
• Konkrete Erfolge kommunizieren: Der erste Ausfall, der durch einen KI-Alert verhindert wurde, sollte intern sichtbar gemacht werden.

Das Betriebsteam muss das System aktiv mitgestalten: Welche Alerts sind hilfreich? Welche stören? Dieses Feedback ist der primäre Verbesserungsmechanismus, nicht die Genauigkeit des Modells auf Testdaten.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser SCADA-System ist 20 Jahre alt, 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 dem ML-Projekt ist in solchen Fällen Pflicht, er verhindert, dass das Modell die Artefakte des Altsystems lernt statt der Netzdynamik.

„Unsere Operatoren vertrauen dem System nicht.” Das ist die richtige Einstellung in einer kritischen Infrastruktur. KI in der Netzüberwachung sollte keine autonomen Schalthandlungen ausführen, sondern Entscheidungsunterstützung liefern. Der Operator entscheidet, das KI-System liefert Kontext und Voranzeichen. Die Akzeptanz steigt, wenn die ersten fünf bis zehn KI-Vorhersagen korrekt und die Entlastung im Stressfall spürbar ist. Plan dafür ein, dass die ersten 3 Monate im Echtbetrieb primär Akzeptanz-Aufbau sind.

„Wir haben zu wenige historische Störungsdaten für das Training.” Für überwachtes Lernen auf seltene Störungsereignisse ist das ein echtes Problem. Der Ausweg: unüberwachte Methoden (Anomalieerkennung auf Normalbetrieb-Basis) und Transfer Learning. Auch synthetische Datengenerierung auf Basis von Netzmodellen ist ein etablierter Forschungsansatz. Fraunhofer entwickelt im Rahmen des modularen SCADA-Plattformprojekts (März 2025) Ansätze, die auch für kleinere Netzbetreiber ohne lange Störungshistorie nutzbar sind.

Woran du merkst, dass das zu dir passt

• Eure SAIDI-Werte verschlechtern sich, weil dezentrale Einspeisung (PV, Wärmepumpen, Ladeinfrastruktur) neue Lastmuster erzeugt, die eure klassische SCADA-Alarmlogik nicht erfasst
• Ihr habt 3+ schwerwiegende Störungsereignisse pro Jahr, und eure eigenen Kosten dafür liegen deutlich über den rund 230.000 Euro, die eine kommerzielle Plattform im Jahr kostet, oder ihr trefft die Entscheidung bewusst als Qualitätsinvestition
• Ihr habt ein qualifiziertes Daten-Team oder die Möglichkeit, eines aufzubauen, dieses System läuft nicht von selbst

Wer noch nicht soweit ist:

• Netzbetreiber mit weniger als 500 km Netzlänge: Die Investition rechnet sich in diesem Größensegment selten, zuerst historische Datenqualität verbessern, dann entscheiden
• SCADA-Daten sind weniger als 3 Jahre vollständig vorhanden: Das Modell wird auf zu schmaler Datenbasis trainieren, Frühwarnung mit vertretbarer Fehlerrate ist erst ab mehr Datenhistorie realistisch
• Keine interne Expertise für Modellpflege vorhanden: Das System ist nicht „buy and forget”, ohne jemanden, der nach 12 Monaten das Retraining durchführt, degradiert die Erkennungsleistung

Das kannst du heute noch tun

Analysiere eure letzten fünf schwerwiegenden Störungsereignisse. Gibt es die SCADA-Rohdaten für 2 bis 4 Stunden vor dem Ereignis? Wenn ja, siehst du rückblickend Muster? Dieser Test kostet nichts und zeigt, ob eure Datenbasis für ein ML-Projekt taugt.

Bevor du den Prompt unten mit einem öffentlichen Chatdienst nutzt: Netzzustandsdaten sind laut Datenschutzabschnitt oben besonders sensibel. Gib nur Messreihen eines abgeschlossenen Ereignisses ein, ohne Anlagenbezeichnungen, Ortsangaben, Topologie und Schalterstellungen, und nur nach Freigabe durch deinen Informationssicherheitsbeauftragten. Besser: ein Modell in eurer eigenen EU-Umgebung.

Quellen & Methodik

• IT-Sicherheit Netzbetrieb: § 5c EnWG (IT-Sicherheitskatalog, Systeme zur Angriffserkennung nach § 2 Nr. 41 BSIG), gesetze-im-internet.de/enwg_2005/__5c.html. Betrifft Cyberangriffe, nicht Netzzustände. Eine frühere Fassung las daraus eine Pflicht zur KI-Zustandsüberwachung.
• KRITIS-Schwelle Stromverteilnetz: BSI-KritisV Anhang 1 Teil 3, 3.700 GWh entnommene Jahresarbeit.
• Fraunhofer (März 2025): Modulare SCADA-Plattform für Netzstabilität, fraunhofer.de/en/press/research-news/2025
• BDEW-Studie „Netzausbau und Digitalisierung” (2023): Kostenkalkulationen für netzseitige Auswirkungen dezentraler Einspeisung
• Haftung Netzbetreiber: § 18 NAV (Niederspannungsanschlussverordnung).
• EU AI Act, Anhang III Nr. 2: Verordnung (EU) 2024/1689, Sicherheitsbauteile im Betrieb der Stromversorgung. Wortlaut: artificialintelligenceact.eu/annex/3/