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 Auswertungslogik: Ein klassisches SCADA-System meldet Grenzwertüberschreitungen — also Probleme, wenn sie bereits eingetreten sind. KI-basierte Zustandsüberwachung erkennt dagegen 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.

Seit Mai 2023 schreibt das IT-Sicherheitsgesetz 2.0 Netzbetreibern, die unter die KRITIS-Verordnung fallen, den Einsatz von Systemen zur Anomaliedetektion auf Leitsystemebene vor. Das ist keine freiwillige Investition mehr — es ist gesetzliche Pflicht. Viele Netzbetreiber sind noch nicht compliant.

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

Quellen: Bundesministerium für Wirtschaft (Blackout-Kostenschätzungen), IT-Sicherheitsgesetz 2.0 (BSI, 2021), Fraunhofer SCADA-Plattformprojekt (März 2025). Kosteneinsparungen: Erfahrungswerte aus Verteilnetzbetrieb, keine repräsentative Studie.

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 — hoch (4/5) Vermiedene Störungen bedeuten vermiedene Reparaturkosten, vermiedene Regressforderungen und vermiedene Regulierungskosten durch den SAIDI-Index (Unterbrechungsdauer). Bei einem Verteilnetzbetreiber mit 3.000 km Netzlänge und historisch vier größeren Störungen pro Jahr können 50 bis 60 Prozent der Störungskosten durch Frühwarnung vermieden werden (Schätzwert aus Praxisberichten) — eine der höchsten Kosten-Nutzen-Relationen in der gesamten Energiebranche. Gleichzeitig: Die absolute Investition ist erheblich, weshalb keine 5.

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 — hoch (4/5) Der Nutzen ist klar messbar: Störungshäufigkeit vor und nach Einführung, SAIDI-Wert, Reparaturkosten. Das funktioniert aber nur mit einer Vergleichsperiode von mindestens 12 bis 24 Monaten — Netzereignisse sind selten genug, dass Rauschen die Zahlen verfälscht. Wer nach 6 Monaten den ROI berechnet, misst oft 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.

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

Netzbetreiber, die unter die KRITIS-Verordnung fallen (ab bestimmten Schwellenwerten nach § 2 BSI-KritisV), sind durch das IT-Sicherheitsgesetz 2.0 seit Mai 2023 verpflichtet, Systeme zur Anomaliedetektion für ihre Leitsystemebene einzusetzen. PSIdetect (PSI Software), das in Zusammenarbeit mit E.ON entwickelt wurde, ist ein Beispiel für eine konforme Lösung — das BSI prüft die Anforderungen anlassbezogen.

Unabhängig davon gilt für alle Netzbetreiber: Der EU AI Act, der seit August 2024 in Kraft ist, klassifiziert KI-Systeme zur Steuerung kritischer Infrastruktur in Hochrisikoklassen. Das bedeutet: Dokumentationspflichten, Transparenzanforderungen, und menschliche Überprüfbarkeit aller kritischen Entscheidungen müssen vor dem Einsatz sichergestellt werden. Das KI-System darf keine autonomen Schalthandlungen ausführen — es unterstützt den menschlichen Operator, ersetzt ihn nicht.

Die Netznutzungsverordnung (NAV) und das Energiewirtschaftsgesetz (EnWG) § 11 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

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

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.

GridBeyond — Spezialisiert auf KI-gestütztes Energiemanagement und Netzflexibilitätsdienste. Besonders relevant für Netzbetreiber, die Flexibilitätsdienstleistungen über Demand-Side Management aktiv bewirtschaften wollen.

Wann welcher Ansatz:

• Bestehende Siemens-Infrastruktur → Spectrum Power
• ABB-dominierte Netzinfrastruktur → ABB Ability Network Manager
• Microsoft-Cloud-Strategie + modularer Aufbau → Azure IoT Hub + Azure ML
• Flexibilitätsmanagement im Vordergrund → GridBeyond
• 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. Microsoft Azure und AWS haben C5-Attestierungen — Google Cloud und andere sind unterschiedlich weit.

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: Verteilnetzbetreiber mit 3.000 km Netzlänge, historisch vier größere Störungen pro Jahr mit durchschnittlichen Behebungskosten und Folgeschäden von 400.000 Euro pro Ereignis. KI-Frühwarnung reduziert schwerwiegende Störungen um 50 Prozent (Schätzwert aus Praxisberichten). Einsparung: 800.000 Euro/Jahr. Systemkosten: ca. 400.000 Euro Implementierung + 150.000 Euro/Jahr Betrieb. Netto-Jahresersparnis nach Betriebskosten: 650.000 Euro. Amortisation der Einrichtungskosten: ca. 8 Monate nach Vollbetrieb.

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 messbar, 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 in der Branche etabliert. 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

• Ihr seid als KRITIS-Betreiber eingestuft und habt die Anforderungen des IT-Sicherheitsgesetzes 2.0 zur Anomaliedetektion noch nicht vollständig umgesetzt — hier ist KI-Zustandsüberwachung keine strategische Option, sondern Compliance-Pflicht
• 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, deren Kosten zusammen 500.000 Euro oder mehr betragen — erst dann ist die Investition in eine kommerzielle Plattform realistisch amortisierbar
• 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 ohne KRITIS-Status: 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.

Quellen & Methodik

• BSI IT-Sicherheitsgesetz 2.0 (2021): Pflicht zur Anomaliedetektion auf Leitsystemebene für KRITIS-Netzbetreiber ab Mai 2023
• Fraunhofer (März 2025): Modulare SCADA-Plattform für Netzstabilität — fraunhofer.de/en/press/research-news/2025
• PSI Software / E.ON (2023): PSIdetect — KI-basierte Anomaliedetektion im Leitstellenbetrieb, psi.de
• BDEW-Studie „Netzausbau und Digitalisierung” (2023): Kostenkalkulationen für netzseitige Auswirkungen dezentraler Einspeisung
• Bundesministerium für Wirtschaft: Blackout-Kostenschätzungen für Deutschland (Bestandsberichte Versorgungssicherheit)
• EU AI Act (2024): Klassifikation von KI-Systemen zur Steuerung kritischer Infrastruktur als Hochrisiko-KI