Transformatorgas-Analyse: Frühwarnung vor Wicklungsschäden

Das echte Ausmaß des Problems

Leistungstransformatoren sind das Herzstück der Stromversorgung — und gleichzeitig das teuerste und am schwersten zu ersetzende Betriebsmittel im Netz. Die Lieferzeit für einen Sondertransformator über 100 MVA beträgt derzeit 18–36 Monate. Ein Ausfall bedeutet damit nicht nur Reparaturkosten, sondern einen Versorgungsengpass, der sich in Monate dehnt.

Dabei sind die meisten katastrophalen Transformatorfehler nicht spontan: Etwa 80 % aller schwerwiegenden Fehler kündigen sich durch veränderte Gasmuster im Isolieröl Wochen bis Monate im Voraus an. Das ist die Kernaussage der Predictive Analytics-Logik hinter DGA — und der Grund, warum die IEC und IEEE seit Jahrzehnten DGA-Messungen in ihren Wartungsstandards verankert haben.

Das Problem ist nicht, dass die Methode fehlt. Das Problem ist der Messrhythmus.

Vaisala hat 2017 auf Basis von CIGRE-Daten berechnet: Bei einer Flotte von 1.000 Öltransformatoren fallen jährlich etwa fünf aus — weitere 100 entwickeln in diesem Zeitraum kritische Gasmuster, die auf sich entwickelnde Fehler hinweisen. Regelmäßige Stichprobennahmen alle 6–12 Monate erkennen etwa die Hälfte dieser Fälle. Kontinuierliches Online-Monitoring erkennt bis zu 90 % — rechtzeitig für Intervention.

Die finanziellen Dimensionen sind ernüchternd präzise: Laut Vaisala-Analyse kostet jede ausgefallene Minute in einer versorgungskritischen Anlage in etwa 100.000 Euro Betriebsverlust alle 15 Minuten. Der Transformator selbst kostet bei Vollersatz mehrere Millionen Euro — bei Explosion mit Folgeschäden an Infrastruktur das Zehnfache. Hinzu kommen die Lieferzeitrealitäten: 2024 berichten viele europäische Netzbetreiber von Wartezeiten von 15 Monaten und mehr für Ersatztransformatoren.

Doch die eigentliche Kostenfalle ist selten ein einziger Totalausfall. Sie ist das Summenbild aus vermeidbaren Reparaturen, verzögerter Erkennung, Notfall-Mannschaftseinsätzen und wochenlangem Notbetrieb mit gemieteter Netzersatzanlage — Kosten, die nie vollständig buchhalterisch erfasst werden, weil sie als “Betriebsrealität” akzeptiert sind.

Was ein modernes KI-DGA-System ändert:

• Anstatt sechs bis zwölf Monate zwischen Stichproben zu warten, misst ein Online-Sensor stündlich oder sogar häufiger
• Statt manueller Auswertung nach IEC-Tabellen klassifiziert ein ML-Modell den Fehlerpfad (thermisch, elektrisch, kombiniert) und projiziert die Entwicklungsrate
• Statt einer E-Mail an den Leitstand gibt das System differenzierte Alarmklassen: Beobachten, Inspektion anfordern, Sofortabschaltung

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen aus dem Vergleich basieren auf Branchenangaben von Vaisala (2017), Qualitrol-Fallstudien (2018, 2022) und CIGRE-Richtwerten. Einzelwerte variieren erheblich je nach Fehlertyp, Transformatoralter und Lasthistorie.

Einschätzung auf einen Blick

Zeitersparnis — begrenzt (2/5) Die unmittelbare Zeitersparnis durch wegfallende manuelle Probenahmetouren ist real, aber nicht das treibende Argument. Eine Probenahme pro Transformator kostet typischerweise 2–4 Stunden Ingenieurzeit inklusive Laborversand — kein täglicher Aufwand. Der eigentliche Zeitgewinn liegt woanders: Das System liefert einen Alarm, bevor ein Schaden sichtbar wird, und verhindert damit Wochen ungeplanter Krisenbewältigung. “Zeitersparnis” greift konzeptionell zu kurz für diesen Use Case; der Begriff “Response-Time-Komprimierung” trifft es besser. Im Branchenvergleich bleiben andere Energieanwendungsfälle (automatisierte Prognosen, Reportgenerierung) beim täglichen Zeitgewinn deutlich vorne.

Kosteneinsparung — maximal (5/5) Das ist der dominierende Werthebel — und einer der wenigen Fälle in dieser Kategorie, wo die Kostenrechnung für sich selbst spricht: Ein verhindeter Transformatortotalschaden (inkl. Ersatz und Netzausfallkosten) entspricht häufig dem gesamten Budget einer mehrjährigen DGA-Monitoringinitiative. Laut Vaisala-Analyse: mehrere Millionen Euro Schadenskosten je Ereignis, €100.000 alle 15 Minuten Netzausfall. Das sind keine Potenzialwerte, sondern belegbare Schadensszenarien aus konkreten Fallstudien.

Schnelle Umsetzung — aufwendig (2/5) Die Hardware selbst ist handhabbar — ein Vaisala Optimus OPT100 oder ein Qualitrol Serveron TM8 ist in 1–2 Tagen am Transformator montiert. Die SCADA-Integration, die Kalibrierung der Alarmschwellen und das Aufsetzen einer sinnvollen KI-Auswertungsschicht (Trendmodell, Ratenverfolgung, Alarmklassifikation) kosten 3–9 Monate pro Installation. Bei größeren Flotten multipliziert sich dieser Aufwand. In der Energie-Branche liegt dieser Use Case damit am unteren Ende der Umsetzungsgeschwindigkeit.

ROI-Sicherheit — hoch (4/5) Das Paradox dieses Use Cases: Der ROI ist exakt zu berechnen — sobald ein Ausfall verhindert wurde. Vorher ist er nur schätzbar. Wer 30 Transformatoren überwacht und statistisch alle zehn Jahre einen Totalschaden erwartet, kann den Erwartungswert des abgesicherten Schadens präzise kalkulieren. Die praktische Schwierigkeit liegt darin, gegenüber Budgetverantwortlichen zu argumentieren, bevor der erste konkrete Fall eintritt. Kein anderer Use Case in der Energiebranche hat ein klareres Schadensmodell — aber auch keiner ist stärker davon abhängig, dass Entscheider das Risiko vor dem Ereignis monetarisieren.

Skalierbarkeit — mittel (3/5) Ein Online-DGA-System ist prinzipiell auf beliebig viele Stationen skalierbar. Die begrenzende Variable ist die Hardware: Jeder Transformator braucht seinen eigenen Sensor (5.000–50.000 € je Gerät), und die Kalibrierung ist gerätespezifisch. Digitale Plattformen (Siemens Insights Hub, ABB Genix) lösen die Flottenüberwachung auf Softwareseite gut — aber die Hardwarekosten bleiben pro Einheit fix. Skalierbarkeit ohne proportionale Mehrkosten gilt nur für die Auswertungsschicht, nicht für die Messung selbst.

Richtwerte — stark abhängig von Transformatorgröße, Spannungsebene, SCADA-Infrastruktur und Flottenumfang.

Was das System konkret macht

Der technische Ansatz kombiniert drei Schichten, die zusammenspielen müssen:

Schicht 1: Sensorik Ein Online-DGA-Sensor (Einzel-Gas oder Multi-Gas, dazu mehr im nächsten Abschnitt) sitzt am Ölventil des Transformators und misst kontinuierlich die Konzentration der wichtigsten Fehlergase im Isolieröl. Die Messung erfolgt je nach Gerätetyp per elektrochemischem Sensor (günstig, nur Wasserstoff), Photoakustik (wartungsfrei, 7–9 Gase) oder Gaschromatografie (laborgenau, 8 Gase, aber wartungsintensiver).

Schicht 2: Klassifikation nach IEC 60599 / Duval-Dreieck Die Gaskonzentrationen werden automatisch nach etablierten Normen interpretiert. Dabei geht es nicht nur um absolute Werte (“Acetylen > 5 ppm = Alarm”), sondern vor allem um Verhältnisse zwischen Gasen und um Änderungsraten. Ein Acetylen-Anstieg von 0 auf 3 ppm in 48 Stunden ist beunruhigender als ein stabiler Stand von 15 ppm über 12 Monate.

Schicht 3: ML-Trendmodell Hier liegt die eigentliche KI-Mehrwert-Schicht: Ein Machine Learning-Modell lernt das individuelle “Normalverhalten” jedes Transformators (Basisgasniveau unter Last, saisonale Variationen, Temperaturkorrelationen) und erkennt Abweichungen, die regelbasierte Systeme übersehen. Es kann außerdem Trendkurven extrapolieren: “Wenn der Ethen-Anstieg linear weiterläuft, wird der IEC-Grenzwert voraussichtlich in 23 Tagen überschritten.”

Das Ergebnis ist eine dreistufige Alarmmatrix: Beobachten (Trend im Blick behalten), Inspektion planen (in den nächsten 2–4 Wochen), Sofortabschaltung veranlassen (innerhalb von 24 Stunden). Diese Differenzierung ist entscheidend, weil sie die häufige Alternative vermeidet: Entweder gar kein Alarm (klassisches Halbjahressampling) oder falscher Alarm durch starre Schwellenwerte, der Betriebspersonal abstumpft.

Welche Fehlergas welchen Schaden signalisiert

Jedes Gas im Isolieröl entsteht bei spezifischen Temperaturen und Fehlerprozessen. Wer ein DGA-Monitoring-Projekt plant oder bewertet, braucht diesen Zusammenhang als mentales Modell:

Interpretation in der Praxis:

• Nur Wasserstoff steigt → Teilentladung, möglicherweise harmlos, aber im Auge behalten
• Ethen + Ethan, kein Acetylen → Thermischer Fehler im mittleren Temperaturbereich (300–700 °C), wahrscheinlich Wicklung; Inspektion in den nächsten Wochen
• Acetylen > 0 ppm, steigend → Lichtbogen, hohe Priorität; sofortige Eskalation
• CO + CO₂ steigen → Papier-Isolation degradiert; kann normales Altern sein oder kritischen Fehlerpfad ankündigen — CO/CO₂-Verhältnis und Rate entscheidend
• Mehrere Gase gleichzeitig → Kombinierten Fehler; Duval-Dreieck-Klassifikation zwingend

Diese Tabelle folgt IEC 60599:2015 und IEEE C57.104. Achtung: Absolutwerte allein sind irreführend — “Acetylen = 0 ppm” ist kein Freifahrtschein, wenn die Rate in der letzten Woche von 0 auf 4 ppm gestiegen ist.

IEC 60599 vs. Duval-Dreieck: zwei Methoden, ein Ziel

Beide Ansätze interpretieren DGA-Messungen, unterscheiden sich aber fundamental in ihrer Logik — und liefern manchmal verschiedene Klassifikationen für denselben Befund:

IEC 60599 (Verhältnismethode) Arbeitet mit Verhältniswerten zwischen spezifischen Gaspaaren (z. B. C₂H₂/C₂H₄, CH₄/H₂). Je nach welches Verhältnis in welches Intervall fällt, wird eine von fünf Fehlerklassen zugewiesen: Teilentladung, Niedrigtemperatur-Thermofehler, Hochtemperatur-Thermofehler, Niedrigenergieentladung, Hochenergiebogen. Vorteil: Klare Normbasis, in Ausschreibungen und Gutachten anerkannt. Nachteil: Liefert keine Klassifikation, wenn bestimmte Gase unterhalb der Nachweisgrenze liegen — dann bleibt das Feld leer.

Duval-Dreieck Stellt drei Gase (CH₄, C₂H₄, C₂H₂) in einem ternären Diagramm dar. Der Punkt, der sich aus den relativen Anteilen ergibt, liegt in einer von sieben Fehlerzonen. Vorteil: Funktioniert auch bei niedrigen Gaskonzentrationen; die visuelle Verlaufsspur im Dreieck zeigt Fehlerprogression. Nachteil: Ignoriert CO und CO₂ vollständig (Papier-Isolation bleibt unsichtbar).

Empfehlung für die Praxis:

• Verwende IEC 60599 als normative Grundlage für Alarmgrenzen und Berichterstattung
• Nutze das Duval-Dreieck zur Trendvisualisierung und frühen Mustererkennung
• Wenn beide Methoden unterschiedlich klassifizieren: Konservativere Einschätzung gewinnt, und Experten-Review ist Pflicht

Moderne Online-DGA-Systeme wie Vaisala Optimus OPT100 und Qualitrol Serveron TM8 führen beide Klassifikationen automatisch durch. Die Aufgabe der KI-Schicht ist dann, nicht mehr manuell zwischen den Methoden zu wechseln, sondern Widersprüche automatisch zu flaggen und die Fehlerentwicklung über Zeit zu verfolgen.

Die Integrations-Realität: Sensor, SCADA, Asset-Management

Das ist der Abschnitt, den Herstellerbroschüren gerne überspringen: die Integration.

Was der Sensor liefert: Rohdaten — Gasppm-Werte alle X Stunden, plus Status und Alarm-Bits, übertragen per Modbus RTU/TCP, DNP3 oder IEC 61850.

Was das SCADA-System damit machen muss: Empfangen, speichern, historisieren, visualisieren — und Alarme ausgeben. Das klingt trivial. In der Praxis bedeutet es: Datenpunkte im SCADA anlegen (typisch 15–30 Punkte pro Sensor), Polling-Intervalle konfigurieren, Alarmklassen definieren und in die Schichtalarmlogik integrieren. Bei veralteter SCADA-Infrastruktur (AS/400-basierte Leitsysteme, proprietäre Protokollstacks) kann dieser Schritt wochenlang dauern.

Was oberhalb des SCADA-Systems fehlt: SCADA-Systeme zeigen aktuelle Werte und Alarme — aber keine Trendprognosen, keine Flottenübersichten und keine KI-basierte Mustererkennung. Dafür braucht es eine zusätzliche Softwareschicht:

• Spezialsoftware der Sensorhersteller (Qualitrol QTMS, Vaisala DGA Manager)
• Industrielle Asset-Management-Plattformen (Siemens Insights Hub, ABB Genix)
• Eigenentwicklung mit Time-Series-Datenbank (InfluxDB, OSIsoft PI) + Python-ML-Stack + Visualisierungslayer (Grafana, Power BI)

Der realistische Integrationsaufwand je Transformator:

• Sensorinstallation: 1–2 Tage vor Ort
• SCADA-Datenpunktanlage und Kommunikationstest: 2–5 Tage
• Kalibrierung der Alarmschwellen auf Basis von Basisdaten: 4–8 Wochen (benötigt stabile Baselinedaten)
• ML-Modelltraining / Flottenübersicht: 2–6 Monate (je nach Datenverfügbarkeit)

Bei 30 Transformatoren bedeutet das parallel laufende Rollouts mit Priorisierung nach Risikoklasse — nicht eine Installationswelle nacheinander.

Sensorauswahl: Einzel-Gas oder Vollgas?

Die Entscheidung zwischen Einzelgas-Monitoring (nur Wasserstoff) und Vollgas-Monitoring (7–9 Gase) ist keine Glaubensfrage, sondern eine Risikoökonomie-Entscheidung:

Einzel-Gas-Monitor (Wasserstoff + Feuchte, z. B. Vaisala MHT410)

• Kosten: 5.000–10.000 € installiert
• Erkennt: Teilentladung, Niedrigtemperatur-Thermofehler (H₂ als erster Indikator)
• Erkennt nicht: Fehlertyp-Differenzierung, Hochtemperatur-Thermofehler ohne H₂-Beteiligung, Papier-Degradation
• Ideal für: Breitflotten-Monitoring auf mittelprioritären Transformatoren (10–100 MVA), wenn das Budget für Vollgas-Monitoring nicht reicht

Multi-Gas-Monitor (7–9 Gase, z. B. Vaisala Optimus OPT100 oder Qualitrol Serveron TM8)

• Kosten: 25.000–60.000 € installiert (je nach Hersteller und Integrationskomplexität)
• Erkennt: Vollständige Fehlertyp-Klassifikation nach IEC 60599 und Duval-Dreieck; Papier-Degradation (CO/CO₂)
• Ideal für: Kritische Transformatoren > 40 MVA, Transformatoren ohne Ersatzeinheit, Anlagen mit erhöhtem Alter oder bekannter Vorhistorie

Empfohlene Flottenstrategie: Vor jeder Entscheidung die Flotte nach Risikoklassen einteilen: Kritikalität (Keine-Backup-Situation, Versorgungstiefe), Alter (> 30 Jahre) und Lastgeschichte (Überlastperioden in der Vergangenheit). Top-10-Einheiten: Multi-Gas. Nächste 30 % der Flotte: Einzelgas-H₂. Rest: weiterhin periodische Laboranalyse, aber mit kürzerem Intervall (alle 3 statt 6 Monate).

Konkrete Werkzeuge — was wann passt

Vaisala Optimus OPT100 — Wartungsfreier 9-Gas-Online-DGA-Monitor, der auf Photoakustik basiert. Keine Verbrauchsmittel, kein Trägergas, volle IEC 61850-Unterstützung. Ideal für Betreiber, die minimalen Wartungsaufwand bei maximaler Gasvollständigkeit wollen. Duke Energy setzt den OPT100 ein — dokumentierter Erfolg: kritischer 70-jähriger Transformator erkannt, Austausch um 2 Jahre vorgezogen, Netzausfall verhindert. Preis auf Anfrage.

Qualitrol Serveron TM8 — 8-Gas-GC-basierter Monitor, der bei aktivem Fehler stündlich misst. Laborwertige Genauigkeit. Dokumentierter Fall: 1.100-MVA-GSU-Transformator einer US-Utility, Thermofehler 2018 erkannt, Totalschaden verhindert. GC-basiert bedeutet jedoch: periodische Wartung (Ventile, Referenzgas), keine deutschsprachige Unterstützung, US-Datenhaltung. Für DSGVO-kritische Betreiber relevant.

ABB Genix — Enterprise-Asset-Management-Plattform, die DGA-Daten als einen von vielen Eingabekanälen in ein umfassendes Anlagenlebenszyklus-Modell integrieren kann. Sinnvoll für Großbetreiber mit mehr als 100 Transformatoren und bestehendem ABB-Ökosystem. Implementierung 6–12 Monate, sechsstelliges Jahresbudget.

Siemens Insights Hub — Industrielle IoT-Plattform mit EU-Hosting und offener API-Architektur. Kann DGA-Zeitreihendaten aus beliebigen Sensoren aufnehmen, ML-Modelle hosten und Flottenübersichten erstellen. Anforderung: eigenes Datenmodell und Analytics-Implementierung, da Siemens keine fertigen DGA-spezifischen Modelle mitliefert.

Azure ML — Microsoft Azure Machine Learning als Backend für ein selbst entwickeltes DGA-Trendmodell. Besonders relevant für Betreiber, die volle Kontrolle über ihr Modell und ihre Daten wollen, Microsoft-Infrastruktur bereits nutzen und eine kleine Datenwissenschafts-Ressource im Haus haben. Laufend: 200–800 €/Monat je nach Modellkomplexität und Datenmenge.

Zusammenfassung: Wann welcher Ansatz

• Kritische Transformatoren, wartungsarmes Vollgas → Vaisala Optimus OPT100
• Laborwertige Genauigkeit, US-Utility-Referenzmodell → Qualitrol Serveron TM8
• Einzel-Gas-Breitmonitoring, Budget-bewusst → Vaisala MHT410 (Einzelgassensor, kein separates Tool-Profil)
• Flotten > 100 Transformatoren, ABB-Ökosystem → ABB Genix
• Eigenentwicklung, volle Datenkontrolle, EU-Hosting → Azure ML oder Siemens Insights Hub

Datenschutz und Datenhaltung

DGA-Monitoring-Daten sind Betriebsdaten von Netzinfrastruktur — keine personenbezogenen Daten im DSGVO-Sinne. Die datenschutzrechtliche Kernfrage ist damit weniger DSGVO-Compliance als NIS-2-Compliance: Als Betreiber kritischer Infrastruktur (KRITIS-Status ab 100.000 versorgten Haushalten) unterliegen Netzbetreiber der NIS-2-Richtlinie, die konkrete Anforderungen an die Sicherheit von OT-Systemen stellt.

Was das für die Toolauswahl bedeutet:

Die Übertragung von Netzbetriebs-Sensordaten in US-Cloud-Dienste ist nicht per se verboten, kann aber bei KRITIS-Netzbetreibern Sicherheitsanforderungen der Bundesnetzagentur und des BSI berühren. Im Zweifelsfall gilt: OT-Daten bleiben im eigenen Netzwerk oder in zertifizierter Infrastruktur.

• Qualitrol Serveron TM8: Datenhaltung US-seitig — für KRITIS-relevante Systeme klärungsbedürftig
• Vaisala Optimus OPT100: Gerät läuft autonom vor Ort; Cloud-Anbindung optional, EU-Hosting möglich
• ABB Genix: Globale Datenhaltung, kein dediziertes EU-Datenzentrum dokumentiert
• Siemens Insights Hub: EU-Hosting, DSGVO-konform zertifiziert — beste Option für KRITIS-Anforderungen
• On-Premises-Stack (Azure Stack Hub, Open-Source): Vollständige Datensouveränität, aber eigene IT-Betriebslast

Empfehlung für KRITIS-Netzbetreiber: IT-Sicherheitsbeauftragten und BSI-Beratung vor Cloud-Anbindung von OT-Sensordaten einbinden. Das BSI-Grundschutz-Kompendium enthält spezifische Bausteine für Netzleittechnik und OT-Monitoring.

Was es kostet — realistisch gerechnet

Sensorhardware (einmalig je Transformator)

• Einzelgas-Monitor (H₂, z. B. Vaisala MHT410): 5.000–10.000 € installiert
• Multi-Gas-Monitor (7–9 Gase, Photoakustik): 15.000–30.000 € installiert
• Multi-Gas-Monitor (8 Gase, Gaschromatografie): 30.000–60.000 € installiert
• Faustregel: Für eine erste Pilotierung mit 5–10 kritischen Transformatoren planen Betreiber typisch 150.000–400.000 € Hardware-Budget

Integration und Inbetriebnahme (einmalig)

• SCADA-Anbindung je Transformatorstation: 5.000–15.000 €
• Entwicklung der KI- und Analysekomponenten: 20.000–80.000 € (je nach Eigenentwicklung vs. Plattform)
• Externe Beratung / Systemintegration: 15.000–50.000 €

Laufende Kosten (jährlich)

• Wartung und Kalibrierung je Sensor: 500–2.000 €
• Plattform-Lizenzen (Siemens Insights Hub, ABB Genix): auf Anfrage, typisch 5-stellig/Jahr
• Azure ML oder eigener Stack: 2.000–10.000 €/Jahr
• Analytiker-/Ingenieuraufwand: 0,5–1 Vollzeitstelle für eine Flotte von 50+ Transformatoren

Was du dagegenrechnen kannst Ein konservatives Szenario für einen Netzbetreiber mit 50 Öltransformatoren: Statistisch fällt alle 7–10 Jahre ein Transformator mit schwerwiegendem Schaden aus. Kosten: 500.000–2.000.000 € für Ersatz plus Netzausfallkosten. Investition in Online-Monitoring für die 10 kritischsten Einheiten: ca. 250.000–500.000 € einmalig, 30.000–60.000 €/Jahr laufend. Der Erwartungswert des vermiedenen Schadens übersteigt die Monitoringkosten typischerweise innerhalb von 3–5 Jahren — wenn man den ersten verhinderten Ausfall als Beweis nimmt. Das Duke-Energy-Beispiel zeigt: Der vermiedene Netzausfall eines einzigen kritischen 70-jährigen Transformators kann Millionen Euro und zwei Jahre Netzunsicherheit ersparen.

ROI-Messung in der Praxis Das ehrlichste Instrument ist der Aufbau einer Risiko-Score-Matrix vor der Investition: Jeder Transformator bekommt einen Risikoindex (Alter × Lastgeschichte × Ersatzsituation). Ableitung: erwartete Schadenswahrscheinlichkeit p × durchschnittliche Schadenshöhe = erwarteter Schaden/Jahr. Diesen Wert stellst du den Monitoringkosten gegenüber. Wenn das Modell nach dem ersten Pilotjahr einen Alarm generiert, der zu einer Inspektion führt und tatsächlich einen Defekt findet — ist der ROI beweisbar.

Typische Einstiegsfehler

1. Alarmschwellen nach Norm setzen und nie anpassen. IEC 60599 und IEEE C57.104 liefern Richtwerte — keine gerätespezifischen Grenzwerte. Jeder Transformator hat seine eigene Basislinie: Manche produzieren unter normalen Betriebsbedingungen konstant 20 ppm CO₂ (kein Problem), andere alarmieren bei 5 ppm Acetylen (ernstes Problem). Wer feste Norm-Schwellen aufspielt und nicht auf individuelle Baseline kalibriert, hat nach drei Monaten entweder dauernd Fehlalarme (Alarmmüdigkeit) oder erkennt echte Fehler nicht. Lösung: Mindestens 60–90 Tage Baseline-Periode ohne Alarme, dann individuelle Schwellen je Transformator konfigurieren.

2. Nur auf Konzentrationswerte schauen, Ratenänderung ignorieren. Dieser Fehler kostet Leben und Transformatoren. Ein stabiler Acetylen-Wert von 10 ppm ist weniger alarmierend als ein Anstieg von 0 auf 10 ppm in sieben Tagen — auch wenn der absolute Wert noch unter IEC-Grenzwerten liegt. Jedes DGA-Monitoring-System, das keine Ratenänderungs-Alarme konfiguriert, ist halbblind. Lösung: Immer beide Alarm-Dimensionen einrichten: absolute Konzentrations-Grenzwerte UND Ratenänderungs-Grenzwerte (z. B. +5 ppm/Woche für Acetylen = sofort eskalieren, unabhängig vom Absolutwert).

3. Das System einrichten und dem Schichtpersonal die Interpretation überlassen. Online-DGA-Alarme landen oft in SCADA-Systemen, die von Schichtleitern bedient werden — Elektrotechniker mit Prozess-Know-how, aber ohne DGA-Interpretationserfahrung. Was dann passiert: Der Alarm wird auf “bestätigt” gesetzt, weil jemand den Messwert gesehen hat, und nichts weiter unternommen. Lösung: Klare Eskalationspfade definieren (Level 1: Schicht überwacht, Level 2: Ingenieur wertet aus, Level 3: externer DGA-Experte / Gutachter). Schriftliche Entscheidungshilfe für häufige Szenarien — A4, laminiert, neben dem SCADA-Terminal.

4. Das Monitoring-Projekt endet mit der Hardware-Installation. Der gefährlichste Fehler — weil er still passiert. Ein Online-DGA-Sensor liefert zuverlässige Daten, solange er kalibriert ist. GC-basierte Systeme (Qualitrol Serveron TM8) brauchen nach 6–12 Monaten Wartung: Ventilcheck, internen Filtercheck, Referenzgas. Photoakustik-Systeme (Vaisala Optimus OPT100) sind wartungsfreier, aber nicht wartungsfrei: Ölprobeentnahme am Gerät, Dichtheitsprüfung, Softwareupdate. Wer das ignoriert, hat nach zwei Jahren einen Sensor, der “in Betrieb” meldet, aber schon seit Monaten falsche Werte liefert. Lösung: Wartungskalender pro Gerät in die Instandhaltungsplanung integrieren, nicht als IT-Projekt, sondern als Betriebsmittel mit Wartungsvorschrift.

Was mit der Einführung wirklich passiert — und was nicht

DGA-Monitoring-Projekte scheitern fast nie an der Technologie. Sie scheitern an der Organisation.

Das Interpretations-Vakuum. Wer hat das Wissen, einen DGA-Alarm richtig zu bewerten? In vielen Netzbetreibern sitzen diese Spezialisten nicht im Schichtbetrieb. Das System generiert einen Alarm um 2:00 Uhr morgens — und niemand weiß, ob das “sofort abschalten” oder “morgen früh anrufen” bedeutet. Dieses Interpretations-Vakuum muss vor der Inbetriebnahme geschlossen sein: entweder durch internes DGA-Schulungsprogramm (2–3 Tage für Kernteam), externe Bereitschaft eines Gutachter-Dienstleisters, oder eine Kombination aus beiden.

Das SCADA-Integrationsversprechen. Hersteller zeigen in Demos, wie Sensordaten via Modbus/DNP3 ins SCADA fließen. Was sie nicht zeigen: Die SCADA-Projekte des Betreibers haben 18-Monate-Rückstände, und die Datenpunktanlage für 15 neue Sensoren steht nirgends auf der Prioritätenliste. Realistischer Zeitplan: Plane für jeden Transformator 3–6 Monate vom Sensor-Kauf bis zum Live-Betrieb im SCADA — nicht wegen der Hardware, sondern wegen der IT-Projekt-Pipeline.

Der Fehlalarm-Effekt. Die ersten Wochen nach Inbetriebnahme bringen oft eine Welle an Alarmen — nicht weil alles kaputt ist, sondern weil die Schwellen noch nicht kalibriert sind und das System jede ungewöhnliche Baseline als Abweichung meldet. Wenn Schichtpersonal in dieser Phase lernt, “einfach auf OK zu klicken”, ist die Alarmdisziplin ruiniert. Lösung: Erste 60 Tage explizit als Kalibrierungsphase deklarieren — Alarme gehen in dieser Zeit nur an den DGA-Projektverantwortlichen, nicht in die Schichtalarmlogik.

Was konkret hilft:

• Einen namentlichen DGA-Systemverantwortlichen benennen, nicht “die IT” oder “die Wartung”
• Schriftliche Entscheidungsbäume für die drei häufigsten Alarmszenarien erstellen (Acetylen-Spike, CO-Anstieg, kombinierter Gastrend)
• 90-Tage-Review nach Inbetriebnahme mit Bewertung aller generierten Alarme
• Eskalationsweg zum externen DGA-Gutachter schon vor dem ersten Alarm vertraglich sichern

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir machen DGA bereits — nur nicht online.” Das ist der häufigste Einwand, und er verdient eine klare Antwort: Halbjährliche Laboranalyse erkennt statistisch etwa die Hälfte aller entwickelnden Fehler. Online-Monitoring erkennt bis zu 90 %. Der Unterschied liegt nicht in der Messmethode, sondern im Zeitfenster: Ein Acetylen-Anstieg, der in einer Woche von 0 auf 15 ppm geht, wird bei halbjährlicher Beprobung möglicherweise gar nicht erfasst — wenn er zwischen zwei Probeterminen aufgetreten und der Fehler bereits eingetreten ist. Oder er wird beim nächsten Termin als “erhöhter Wert” notiert, ohne dass der Verlauf bekannt ist.

“Die Sensoren sind zu teuer für unsere Flotte.” Das stimmt für Vollgas-Sensoren an allen Einheiten. Kein vernünftiger Ingenieur empfiehlt das. Die Frage ist nicht “Online-Monitoring ja oder nein?” — sondern “Bei welchen 10–20 Prozent der Flotte ist der ROI eindeutig positiv?” Für jeden Transformator ohne Ersatzeinheit, > 30 Jahre alt, > 40 MVA, in versorgungskritischer Position: Die Rechnung schreibt sich selbst. Für den Rest: günstige Wasserstoffsensoren oder verkürztes Labor-Intervall.

“Unser SCADA-System kann das nicht unterstützen.” In sehr alten Leitsystem-Installationen ist das eine echte technische Schranke. Zwei Antworten: Erstens, moderne DGA-Sensoren kommunizieren über offene Standards (Modbus, DNP3, IEC 61850) — wenn euer SCADA mindestens einen dieser Standards kennt, ist Integration möglich, wenn auch aufwendig. Zweitens: Hersteller wie Vaisala und Qualitrol bieten eigenständige Monitoring-Portale, die Sensordaten unabhängig vom SCADA anzeigen — kein vollwertiger Ersatz, aber ein valider Einstiegsweg für die erste Pilotinstallation.

Woran du merkst, dass das zu dir passt

Die folgenden Punkte beschreiben Betreiber, für die der Business Case eindeutig positiv ist:

• Du betreibst 15 oder mehr Öltransformatoren (Mineralöl oder Ester) im Übertragungs- oder Hochspannungsverteilnetz — genug, um eine Risikoklassifikation sinnvoll aufzubauen
• Für mindestens 5 deiner kritischsten Transformatoren existiert keine Ersatzeinheit — ein Ausfall bedeutet sofortigen Versorgungsengpass ohne kurzfristige Alternative
• Du hast mindestens ein SCADA-System, das Modbus RTU/TCP, DNP3 oder IEC 61850 spricht — Grundvoraussetzung für sinnvolle Integration
• Der älteste Teil deiner Flotte ist > 25 Jahre — Transformatoren über 25 Jahre haben statistisch deutlich erhöhte Ausfallwahrscheinlichkeiten in den kritischen Fehlermodi (Wicklung, Tap Changer)
• Dein letzter ungeplanter Transformatorausfall hat mehr als 200.000 € Schaden und Netzausfallkosten verursacht — das ist ein konkreter Beweis, dass das Szenario in deiner Flotte relevant ist

Drei harte Ausschlusskriterien — wann sich der Aufwand (noch) nicht lohnt:

1. Weniger als 10 Öltransformatoren in der Flotte. Der projektinhärente Fixaufwand (SCADA-Integration, Expertenwissen aufbauen, Prozessdefinition) verteilt sich auf zu wenige Einheiten. Einzelgas-H₂-Sensoren an den 2–3 kritischsten Geräten und ein verkürztes Laborintervall (alle 3 Monate) ist kostengünstiger und ausreichend. Kein KI-Monitoring, kein ML-Modell.

2. Kein SCADA-System oder kein OT-Netzwerk vorhanden. Online-DGA-Sensoren ohne Datenanbindung an ein Leitsystem können allenfalls lokal ablesen werden — kein Fernalarm, keine historische Auswertung, kein Trendmodell. Vor dem Sensor-Rollout muss eine Basisinfrastruktur für Fernauslese existieren. Das ist nicht die Aufgabe des DGA-Projekts.

3. Ausschließlich Trockentransformatoren oder gießharzisolierte Transformatoren im Einsatz. DGA funktioniert nur mit Ölisolation. Trocken- und Gießharztransformatoren haben keine Isolierflüssigkeit — weder die Messmethode noch die Fehlergasphysik trifft auf sie zu. Für diese Bauformen gibt es andere Diagnosemethoden (Teilentladungsmessung, Thermografie), aber kein DGA.

Das kannst du heute noch tun

Du brauchst keine Sensor-Investition und keine SCADA-Änderung, um heute anfangen zu können. Fang mit dem tatsächlich teuersten Problem an: Lass eine qualifizierte DGA-Expertenauswertung deiner letzten 3–5 Laboranalysen je Transformator durchführen.

Oft zeigen sich dabei bereits Gastrends, die in den Routineprotokollen als “unauffällig” abgehakt wurden, aber bei näherer Betrachtung eine Entwicklung zeigen — nicht weil die ursprüngliche Analyse falsch war, sondern weil Einzelwerte ohne Trendbetrachtung blind sind.

Für das Gespräch mit einem DGA-Experten oder intern zur Vorbereitung einer Investitionsentscheidung: Hier ist ein Prompt, den du in einem KI-Tool nutzen kannst, um die Logik eines DGA-Trendmodells zu verstehen und Fragen für den nächsten Schritt zu entwickeln.

Quellen & Methodik

• Vaisala-Analyse zu vermeidbaren Transformatorausfällen: Vaisala, „Vaisala assesses causes and costs of avoidable catastrophic transformer failure” (Pressemitteilung, Mai 2017). Enthält CIGRE-basierte Daten zur Fehlertyp-Verteilung (50 % Wicklung, 23 % Tap Changer) und Schadenskosten (~€100.000 je 15 Minuten Ausfallzeit, mehrere Mio. EUR Vollersatz). URL: vaisala.com/en/press-releases/2017-05
• Duke Energy Case Study: Vaisala, „Duke Energy: Driving more informed power transformer maintenance decisions through online multi-gas DGA monitoring” (Fallstudie, verfügbar auf vaisala.com). Dokumentiert den Einsatz des Optimus OPT100 an einem 70-jährigen Transformator und die Entscheidung, den Austausch um 2 Jahre vorzuziehen.
• Midwest Cooperative Case Study: „Case Study: Predictive maintenance success with integrated online/offline DGA on Midwest cooperative’s 84 MVA transformer”, Renewable Energy World (2023). Dokumentiert Acetylen-Anstieg (0 → 19 ppm), Einsatz mobiler Online-DGA-Überwachung und Entscheidungsgrundlage für Betriebskontinuität. URL: renewableenergyworld.com
• Qualitrol Serveron TM8-Fallstudie (1.100 MVA): Qualitrol, „Fault Detected by TM8 Prevents Catastrophic Failure” (Fallstudie, verfügbar auf qualitrolcorp.com). Dokumentiert Detektion eines thermischen Fehlers an einem 345-kV-Generator-Step-Up-Transformator (2018), Verhinderung eines Totalschadens durch frühzeitige Alarmierung.
• MDPI-Systematische Übersicht: „Fault Classification in Power Transformers via Dissolved Gas Analysis and Machine Learning Algorithms: A Systematic Literature Review”, Applied Sciences, MDPI (2025, doi:10.3390/app15052395). Bestätigt SVM (32 %), ANN (17 %) und CNN/LSTM als führende ML-Methoden für DGA-Fehlerklassifikation, Genauigkeit bis 95 % bei Deep-Learning-Modellen.
• IEC 60599:2015: „Mineral oil-filled electrical equipment in service — Guidance on the interpretation of dissolved and free gases analysis”, IEC Standard. Basis für die Gasverhältnis-Interpretation und Fehlerklassifikation in dieser Analyse.
• Kostenangaben Sensorhardware: Industrieschätzungen aus Fachpublikationen (H2scan, Megger, Ruggedmonitoring, Stand 2024–2025). Keine offiziellen Listenpreise verfügbar; Angaben dienen der Größenordnung.

Du willst wissen, welche deiner Transformatoren sinnvolle Kandidaten für Online-Monitoring sind — und mit welchem Budget du realistisch rechnen musst? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.