Nahwärmenetz: ML-Modell reduziert Wärmeverluste in Altnetzen

Das echte Ausmaß des Problems

Wärmeverluste in Nahwärmenetzen sind kein Randthema. In Deutschland verlieren Wärmenetze im Bestand im Durchschnitt 10–25 Prozent der eingespeisten Wärme an die Umgebung — wobei Altnetze aus den 1970er- bis 1990er-Jahren regelmäßig am oberen Ende dieser Spanne liegen. Jedes Prozent Verlust ist realer Brennstoff, der bezahlt, aber nie geliefert wird.

Die häufigste Reaktion: pauschal höhere Vorlauftemperatur. Wenn man nicht weiß, wo und wie viel Wärme verloren geht, hält man die Temperatur auf der sicheren Seite hoch. Das ist verständlich, hat aber zwei direkte Folgekosten:

• Höhere Erzeugungskosten: Jedes Kelvin mehr im Vorlauf kostet bei einer Gasheizanlage ca. 0,5–1% mehr Brennstoff, bei Wärmepumpen sogar 2–3% mehr Strom (durch den sinkenden COP).
• Beschleunigter Rohrverschleiß: Höhere Temperaturen erhöhen die Druckbelastung in alten Rohren und beschleunigen die Degradation von Dichtungen und Verbindungen.

Das Paradoxe: Genau die Altnetze mit den höchsten Verlusten werden am konservativsten — also mit der höchsten Überheizung — betrieben. Eine Art doppelte Strafe.

Das Werkzeug für die Lösung existiert: Machine Learning auf Zeitreihendaten aus SCADA-Systemen. enercity Hannover hat damit beim Vorlauf eine Absenkung von durchschnittlich 8–10 Kelvin erreicht, mit rund 9 Prozent Energieeinsparung und einer Rücklauftemperaturreduktion von bis zu 10 Kelvin — bei null Versorgungsunterbrechungen. Das Unternehmen hat das Projekt danach auf 100 weitere Mehrfamilienhäuser ausgerollt und plant bis 2027 rund 5.000 Gebäude — mit einem prognostizierten Einsparvolumen von 50.000 MWh Wärme und 5.000 Tonnen CO₂ pro Jahr (laut enercity Pressemitteilung, 2022).

Für Stadtwerke mit 10 GWh/a Netzeinspeisung und einem Netztemperaturniveau von 75–85 °C Vorlauf bedeuten 9 Prozent Einsparung bei einem Gaspreis von 0,06 €/kWh (gewerblich): 54.000 Euro pro Jahr — dauerhaft, ohne Mehrpersonal.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Verbesserungen bei den Wärmeverlusten klingen klein — von 18 auf 14 Prozent ist kein dramatischer Sprung. Aber der Hebel liegt woanders: Die gesenkten Betriebstemperaturen ermöglichen erst, erneuerbare Quellen wirtschaftlich einzukoppeln. Eine Wärmepumpe, die auf ein 85-°C-Netz drücken soll, arbeitet mit einem COP von unter 2 — wirtschaftlich kaum sinnvoll. Auf ein 70-°C-Netz ausgelegt: COP von 3–4. Das macht den Unterschied zwischen einem rentablen und einem subventionierten Wärmenetz im Jahr 2035.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das ML-Modell läuft automatisiert im Hintergrund — Annika als Netzmeisterin spart keine Arbeitsstunden ein. Was sie gewinnt, ist Entscheidungssicherheit: Sie kann die Vorlauftemperatur senken, ohne zu raten. Das ist kein täglicher Zeitgewinn, sondern strukturell bessere Netzführung. Im Vergleich mit anderen Anwendungsfällen wie der Lastprognose für Energieversorger oder der Netz-Zustandsüberwachung, die ebenfalls im Hintergrund laufen, ist die direkte Personaleinsparung ähnlich gering.

Kosteneinsparung — sehr hoch (5/5) Dies ist der stärkste Kostenhebel in der gesamten Kategorie. Wärmeverluste und Überheizung sind reale, kontinuierliche Ausgaben — kein theoretischer Effizienzgewinn, sondern direktes Brennstoffgeld, das monatlich verbrannt wird. Bei einem Netz mit 10 GWh/a und 9% Einsparung reden wir über rund 54.000 Euro jährlich, dauerhaft. Das übersteigt den ROI von Prozessoptimierungen wie der Biogas-Fermentationsoptimierung oder der Kraftwerksfahrplan-Optimierung für typische kleine Stadtwerke in absoluten Eurobeträgen deutlich.

Schnelle Umsetzung — sehr niedrig (1/5) Der ehrlichste Score in dieser Kategorie. 12–24 Monate bis zum Pilotbetrieb ist realistisch, kein pessimistischer Ausreißer. Hydraulischen Abgleich durchführen, Messpunktdichte erhöhen, Datenhistorie aufbauen, Modell trainieren, validieren, betrieblich freigeben — das ist kein Sprint, das ist ein Infrastrukturprojekt. Wer diesen Score als Ausschlusskriterium sieht, sollte jedoch bedenken: Die Alternative ist keine schnellere Lösung, sondern jahrelange Überheizung.

ROI-Sicherheit — mittel (3/5) Die Pilotprojekte bei enercity Hannover und GASAG Solution Plus in Berlin zeigen reproduzierbare Ergebnisse. Aber: Jedes Netz ist topologisch und baulich einzigartig. Ein Modell, das bei einem 1970er-Berliner Wohnblock 8 Kelvin einspart, kann an einem 1990er-Reihenhausnetz 4 Kelvin einsparen — oder unter schlechten Randbedingungen auch weniger. Der ROI wird erst nach vollständiger Modellvalidierung sicher messbar.

Skalierbarkeit — niedrig (2/5) Das ist die ehrlichste Einschränkung dieses Anwendungsfalls. Ein ML-Modell lernt das thermische Verhalten dieses spezifischen Netzes — Rohrtopologie, Bodentyp, Gebäudecharakteristik, Wärmeabnahmemuster. Dieses Wissen ist nicht auf das Nachbarnetz übertragbar. Wer zwei Netze hat, braucht zwei Modelle. Das ist kein Fehler der Methode, sondern Physik.

Richtwerte — stark abhängig von Netzgröße, Messtechnikausstattung und Netzzustand.

Hydraulischer Abgleich als Voraussetzung

Das ist der am häufigsten übersehene Aspekt dieses Projekts — und er entscheidet, ob das Modell sinnvolle Ergebnisse liefert oder Blödsinn lernt.

In einem hydraulisch nicht abgeglichenen Netz herrschen in verschiedenen Abschnitten dauerhaft unterschiedliche Druckverhältnisse. Das bedeutet: Manche Übergabestationen bekommen zu viel Durchfluss, andere zu wenig. Das Temperaturprofil, das du am Rücklauf misst, ist dann kein Abbild der thermischen Verluste — es ist ein Abbild der hydraulischen Ungleichverteilung. Ein ML-Modell, das auf diese Daten trainiert wird, lernt die falsche Kausalität: Es lernt, welche Stationen systembedingt kalt sind, und wird die Vorlauftemperatur hochregeln, um sie zu versorgen — obwohl das Problem ein Druckproblem ist, kein Wärmeproblem.

Die akademische Literatur ist hier eindeutig: Hydraulischer Abgleich ist eine Vorbedingung für die Implementierung von Niedrigtemperatur-Fernwärme und — daraus folgend — für zuverlässige thermische ML-Modelle (vgl. „Hydraulic Balancing of District Heating Systems”, MDPI Energies, 2025).

Was das konkret bedeutet:

1. Hydraulischen Abgleich durchführen oder dokumentieren — wenn er in den letzten 5 Jahren nicht gemacht wurde, muss er gemacht werden, bevor das ML-Projekt beginnt.
2. Differenzdruckmessung an kritischen Stationen — zumindest an den Endpunkten des Netzes und den hydraulisch schwachen Stellen.
3. Regelventile an Übergabestationen prüfen — verklemmte oder falsch eingestellte Differenzdruckregler verfälschen jeden Messwert.

Der hydraulische Abgleich ist kein KI-Thema. Es ist Installateursarbeit. Aber ohne ihn ist das teuerste ML-Modell wertlos.

Sensordaten-Realität in Altnetzen

Die Lücke zwischen dem, was das Modell braucht, und dem, was im Altnetz tatsächlich vorhanden ist, ist in vielen Projekten der eigentliche Bottleneck — nicht das ML.

Was ML braucht (Idealzustand):

• Stündliche Messwerte von Vorlauf- und Rücklauftemperatur an jeder Übergabestation
• Durchfluss je Station (kWh/h oder m³/h)
• Außentemperatur (stundengenau, standortnah)
• Mindestens 2–3 Heizperioden Datenhistorie (also etwa Oktober bis April × 2–3 Jahre)
• Bodentemperaturdaten (optional, aber hilfreich für Altnetze mit variierenden Erdüberdeckungen)

Was im typischen Altnetz vorhanden ist:

• PT100-Temperatursensoren an den Hauptknotenpunkten — oft nur an der Erzeugungsanlage und wenigen großen Stationen
• Manuelle Ablesungen an Unterstationen (wöchentlich oder monatlich, nicht stündlich)
• Wärmemengenzähler ohne Remote-Auslesung — Daten werden vor Ort abgelesen
• SCADA-System für die Erzeugungsanlage, aber keine durchgehende Anbindung der Übergabestationen
• Papierprotokolle für Anomalien und Wartungsereignisse

Das bedeutet: Bevor ein ML-Modell trainiert werden kann, ist oft ein Messtechnikprojekt erforderlich. Kosten und Zeit hierfür dominieren in vielen Projekten das Gesamtbudget:

Ein Netz mit 80 Übergabestationen ohne Remote-Auslesung braucht schätzungsweise 64.000–200.000 Euro allein für die Messtechniknachrüstung — bevor auch nur eine Zeile ML-Code geschrieben wird. Das ist keine schlechte Investition, aber sie muss realistisch eingeplant werden.

Was das Modell konkret macht

Der Kern ist ein thermisches Netzmodell, das aus Messdaten lernt. Es gibt zwei technische Hauptansätze:

Ansatz 1: Physics-Informed Neural Network (PINN) Ein PINN kombiniert klassische Physikgleichungen (Wärmetransportgleichungen, Fouriersches Gesetz) mit neuronalen Netzschichten. Das Modell lernt, die physikalischen Zusammenhänge im Netz zu quantifizieren — welche Rohrstrecke verliert wie viel Wärme pro Kelvin Temperaturdifferenz? Es wird nicht nur auf Messdaten trainiert, sondern die Physikgleichungen fungieren als Regularisierung. Das macht es robuster bei dünnen Daten und erklärbarer für den Netzbetreiber. Ergebnis: Das Modell kann für jede Kombination aus Außentemperatur, Lastzustand und Netzfahrweise die minimale Vorlauftemperatur berechnen, die alle Übergabestationen noch ausreichend versorgt.

Ansatz 2: Gradient Boosting oder LSTM auf SCADA-Zeitreihen XGBoost oder LightGBM auf historischen Temperaturen, Durchflüssen und Wetterdaten. Einfacher einzurichten, schneller im Training, weniger Rechenaufwand. Dafür ohne physikalische Interpretierbarkeit — das Modell weiß nicht, warum eine Vorlauftemperatur ausreicht, sondern nur, dass sie bei ähnlichen Bedingungen in der Vergangenheit ausgereicht hat. Stadtwerke Norderstedt und RAUSCH Technology setzen bei ihrem dena-Pilotprojekt auf LSTM-Netze, die sich für die zeitliche Abhängigkeit von Wärmelastprognosen als besonders geeignet erwiesen haben — mit einem um bis zu 25 Prozent reduzierten Prognosefehler gegenüber konventionellen Methoden (laut dena-Leitfaden „KI in Fernwärme”, November 2024).

Was das Modell im Betrieb tut: Das Modell läuft täglich oder stündlich und gibt Empfehlungen für die Vorlauftemperatur aus, aufgeteilt nach Tageszeit, Wochentag, Außentemperatur und Lastprognose. In Pilotprojekten ist die Empfehlung zunächst für das Betriebspersonal sichtbar — die Netzmeisterin entscheidet selbst, ob sie folgt. Erst nach 3–6 Monaten Parallelvalidierung (Modellempfehlung vs. tatsächliche Versorgungsqualität) wird die Temperatursteuerung automatisiert.

Die Predictive Analytics-Schicht ergänzt das thermische Modell: Anomalien im Temperaturprofil — eine Übergabestation, die plötzlich mehr Rücklaufwärme liefert als erwartet — können auf einen beginnenden Rohrschaden oder ein undichtes Ventil hinweisen, oft Tage bevor der Schaden sichtbar wird.

Konkrete Werkzeuge — was wann passt

Der technische Stack eines Nahwärme-ML-Projekts besteht aus drei Schichten: Datenspeicherung, Modellierung und Visualisierung. Keine dieser Schichten muss teuer sein — die entscheidende Investition steckt im Know-how und im Messtechnikausbau.

Für die Datenspeicherung (SCADA-Historian-Ebene):

InfluxDB ist der De-facto-Standard für Zeitreihendaten aus SCADA-Systemen. Die Open-Source-Version läuft on-premise, was bei KRITIS-relevanter Netzinfrastruktur die bevorzugte Option ist. InfluxDB verarbeitet Millionen Datenpunkte pro Sekunde und bietet mit der Flux-Abfragesprache gute Möglichkeiten für erste Aggregationen und Anomalie-Queries — als Vorstufe zum ML-Modell.

Für Visualisierung und Monitoring:

Grafana lässt sich direkt mit InfluxDB verbinden und wird von vielen Stadtwerken bereits für SCADA-Dashboards genutzt. Die ML-Erweiterungen von Grafana (Grafana ML, Sift) bieten einfache Anomalieerkennung auf Zeitreihen — sinnvoll für eine erste Auffälligkeitserkennung, bevor ein vollständiges Netzmodell entwickelt wird. Self-Hosted (on-premise) ist für KRITIS-Umgebungen die richtige Wahl.

Für das ML-Modell selbst:

Prophet (Meta, Open Source) eignet sich als Einstieg für Wärmelastprognosen mit saisonalen Mustern — relativ einfach einzurichten, robust gegenüber fehlenden Datenpunkten. Für komplexere Zeitreihenmodellierung mit kurzer Datenhistorie bietet Nixtla TimeGPT Zero-Shot-Prognosen ohne aufwendiges eigenes Modelltraining. Zu beachten: TimeGPT verarbeitet Daten auf US-Servern — für KRITIS-relevante Netzdaten ist eine Prüfung der BSI-Anforderungen notwendig.

Als integrierte Lösung:

RAUSCH Fernwärme Cockpit kombiniert alle drei Schichten in einem auf Fernwärme spezialisierten SaaS. Das Produkt wurde gemeinsam mit Stadtwerke Norderstedt und der dena entwickelt und ist auf Betreiber ohne eigenes Data-Science-Team ausgelegt. Kein öffentlicher Preis — Anfrage über den Anbieter.

Wann welcher Ansatz:

• Großes Inhouse-IT-Team, Datensouveränität wichtig → InfluxDB + Grafana + Python/Prophet (on-premise)
• Kein Data-Science-Team, schnellerer Start gewünscht → RAUSCH Cockpit evaluieren
• Proof-of-Concept mit vorhandenen Daten, bevor Investitionen fließen → Prophet oder TimeGPT lokal testen

Regulatorischer Kontext: Wärmeplanungsgesetz und GEG 2024

Dieser Anwendungsfall ist nicht nur ökonomisch interessant — er ist regulatorisch relevant geworden. Zwei Gesetze, beide seit Januar 2024 in Kraft:

Wärmeplanungsgesetz (WPG, Dezember 2023): Kommunen mit mehr als 100.000 Einwohnern müssen bis 30. Juni 2026 eine verbindliche Wärmeplanung vorlegen, kleinere Kommunen bis 30. Juni 2028. Für Netzbetreiber relevant ist die Pflicht zur Dekarbonisierung: Bestehende Wärmenetze müssen bis 2030 mindestens 30 Prozent, bis 2040 mindestens 80 Prozent ihrer Wärme aus erneuerbaren Energien oder unvermeidbarer Abwärme beziehen. Außerdem: Netzbetreiber müssen bis Ende 2026 einen Transformationsplan (Dekarbonisierungsfahrplan) online veröffentlichen.

Ein thermisches Netzmodell ist hier direkt relevant — ohne ein validiertes Modell des eigenen Netzes ist es kaum möglich, glaubwürdig zu planen, welche Temperaturniveaus für eine zukünftige Wärmepumpen- oder Solarthermieeinbindung realistisch erreichbar sind.

GEG 2024 (Gebäudeenergiegesetz): Das GEG verpflichtet Eigentümer von Bestandsgebäuden, sobald eine Heizung kaputt geht und die kommunale Wärmeplanung vorliegt, auf mindestens 65 Prozent erneuerbare Energie umzustellen. Das verstärkt den Druck auf Fernwärmenetzbetreiber: Wer als „klimaneutrale” Alternative zur Gasheizung gilt, muss das auch belegen können — und das setzt ein Temperaturniveau voraus, das mit Wärmepumpen wirtschaftlich erreichbar ist.

Die politische Botschaft: Wer jetzt in thermische Netzmodellierung investiert, hat damit eine bessere Planungsgrundlage für den Pflichtplan 2026 — und vermeidet Strafrisiken aus einer Dekarbonisierungspfad-Planung ins Blaue.

Datenschutz und Datenhaltung

Nahwärmenetze fallen unter die KRITIS-Regulierung (Kritische Infrastruktur), sobald ein Stadtwerk Strom oder Wärme an mehr als 500.000 Personen liefert. Für kleinere Stadtwerke gelten die KRITIS-Schwellwerte typischerweise nicht — aber das BSI-Grundschutzwerk enthält auch für kleinere Energieversorger Empfehlungen zur IT-Sicherheit von Steuerungssystemen (ICS/OT).

Für die Datenhaltung bedeutet das konkret:

• Betriebsdaten (Temperaturen, Durchflüsse, Erzeugungsdaten): Keine personenbezogenen Daten im Sinne der DSGVO, aber kritische Infrastruktur-Daten. Empfehlung: on-premise in der eigenen IT-Infrastruktur oder bei einem deutschen Rechenzentrumsanbieter. US-Cloud-Dienste für Rohdaten aus dem Netzleitsystem sind aus IT-Sicherheitsperspektive heikel, nicht wegen DSGVO, sondern wegen NIS2-Konformität.
• Kundendaten (Verbrauchsdaten je Anschluss): Wenn das ML-Modell Verbrauchsdaten auf Haushaltsebene verarbeitet, handelt es sich um personenbezogene Daten — ein Auftragsverarbeitungsvertrag (AVV) mit dem Softwareanbieter ist dann Pflicht.
• KRITIS-Anforderungen: Netzbetreiber ab dem KRITIS-Schwellwert müssen den Einsatz von IT-Systemen in OT-Umgebungen beim BSI melden und eine Sicherheitsüberprüfung durchführen. Ein KI-System, das direkt in die Netzleittechnik eingreift (automatisierte Vorlauftemperatur-Steuerung), qualifiziert sich als sicherheitsrelevantes System.

Empfehlung für die Praxis: Beim Pilotbetrieb mit Datenausgabe (das Modell empfiehlt, der Mensch entscheidet): datenschutzrechtlich unproblematisch. Beim automatisierten Betrieb (Modell steuert direkt): BSI-Anforderungen und ggf. IT-Sicherheitsgesetz 2.0 prüfen lassen, bevor der Go-Live-Termin geplant wird.

Was es kostet — realistisch gerechnet

Die Investition in ein thermisches ML-Netzmodell hat zwei gut trennbare Kostenphasen:

Phase 1: Messtechnikausbau (falls nötig) Das ist für viele Altnetze der größte Kostenpunkt — und der häufigste Projektabbruchgrund.

• Wärmemengenzähler mit digitaler Auslesung (M-Bus, Funk): 800–2.500 € je Zähler
• SCADA-Integration aller Stationen (je nach vorhandener Infrastruktur): 15.000–50.000 €
• Datenübertragungsinfrastruktur (LoRaWAN, GSM-Modem): 100–400 € je Station

Für ein Netz mit 80 Stationen und mäßiger bestehender Infrastruktur: realistisch 80.000–150.000 € allein für die Messtechnik.

Phase 2: ML-Modell und Integration

• Datenbereinigung und -validierung: 10–20 Personentage
• ML-Modellentwicklung (Python-Stack, on-premise): 30.000–70.000 € Projektaufwand (extern)
• RAUSCH Cockpit oder vergleichbare integrierte Lösung: auf Anfrage, nach Brancheninformationen typisch im Bereich 20.000–50.000 €/Jahr Lizenz
• Schulung und Betriebsübergabe: 5–10 Tage

Einsparungen dagegen: Ein Netz mit 10 GWh/a Durchsatz, 9 Prozent Effizienzgewinn (enercity-Pilot), Gaspreis 0,06 €/kWh: 54.000 €/Jahr Brennstoffeinsparung. Payback (ohne Messtechnik): 1–2 Jahre. Mit Messtechnikausbau: 3–5 Jahre — immer noch eine gute Investition, wenn das Netz weitere 15–20 Jahre betrieben wird.

BMWK-Förderung prüfen: Das Bundesministerium für Wirtschaft und Klimaschutz fördert Digitalisierungsprojekte in Wärmenetzen (u.a. über die Bundesförderung für effiziente Wärmenetze, BEW). Messtechnikausbau und ML-Projekte können förderfähig sein — den Antrag stellt man besser vor Projektbeginn.

Wie du den Nutzen tatsächlich misst: Die ehrlichste Methode: Vergleich zweier vergleichbarer Heizperioden — eine ohne und eine mit Modell — unter statistischer Kontrolle für Witterung und Verbrauchsstruktur. Enercity und GASAG Smart Temp haben genau das getan. Ohne diesen A/B-Vergleich über mindestens eine vollständige Heizperiode bleibt der Nutzen eine Schätzung.

Vier typische Einstiegsfehler

1. Das Modell starten, bevor der hydraulische Abgleich gemacht ist. Der gefährlichste Fehler — er erzeugt Ergebnisse, die plausibel aussehen, aber falsch sind. Wenn das Netz hydraulisch nicht abgeglichen ist, lernt das Modell die falsche Kausalität. Es wird Vorlauftemperaturen empfehlen, die systematisch einzelne Stationen unterversorgen — die ersten Heizungsbeschwerden kommen dann im ersten kalten Winter nach dem Go-Live. Lösung: Hydraulischer Abgleich ist ein Muss vor Projektbeginn, kein optionaler Schritt danach.

2. Zu wenig Messdaten, aber trotzdem mit dem Training beginnen. Zwei Monate Messdaten ergeben ein Modell, das in diesem Zeitfenster funktioniert — und im Januar versagt, weil es März-Lastprofile nie gelernt hat. Minimum sind zwei vollständige Heizperioden mit guter Datendichte. Wer das umgeht, produziert ein Modell, das bei der Erstpräsentation beeindruckt und beim echten Winterbetrieb enttäuscht.

3. Das Modell einführen und danach nicht weiter betreiben. Nach dem Go-Live ändert sich das Netz. Neue Anschlüsse kommen dazu, Rohre werden saniert, Abnehmerstrukturen verschieben sich (Dachsanierungen in einzelnen Straßenzügen reduzieren den Bedarf der dortigen Stationen). Ein statisches Modell, das sechs Monate nach Inbetriebnahme nie nachtrainiert wird, driftet. Es weiß nicht, dass sich das Netz verändert hat, und gibt zunehmend veraltete Empfehlungen aus. Mindestens einmal pro Heizperiode muss das Modell auf den aktuellen Datensatz nachtrainiert werden.

4. Den Pilotbetrieb überspringen und direkt in die automatisierte Steuerung gehen. Die GASAG-Pilotauswertung zeigt explizit: Vollautomatisierter Betrieb kam erst nach einer vollständigen Parallelbeobachtungsphase — Modellempfehlung vs. tatsächliche Versorgungsqualität. Wer diesen Schritt überspringt und sofort in die automatisierte Netzsteuerung geht, trägt ein Versorgungsrisiko, das schwer zu rechtfertigen ist. Zwei bis drei Monate Parallelbetrieb kosten wenig, geben aber die Sicherheit, die das Betriebspersonal braucht — und die für die regulatorische Absicherung nötig ist.

Was mit der Einführung wirklich passiert — und was nicht

Nahwärme-ML-Projekte scheitern seltener an der Technik als an der Projektorganisation. Drei Widerstands- und Realitätsmuster treten regelmäßig auf:

Der Wetterdaten-Streit. Das Modell braucht präzise, stundenaktuelle Außentemperaturdaten für den spezifischen Standort. Was viele Stadtwerke verwenden: die Messdaten der nächsten DWD-Station — manchmal 20 km entfernt, manchmal mit stündlicher Verzögerung publiziert. Das ist oft zu grob. Lokale Unterschiede zwischen einem urbanen und einem ländlichen Netzteil können 3–4 Kelvin betragen. Lösung: Eigene Wetterstation im Versorgungsgebiet aufstellen (Kosten: 300–800 €) oder einen kommerziellen Wetterdatendienst für die exakten Netzkoordinaten nutzen.

Die Betriebsleiterin, die nicht vertraut. Kein Netzmeister und keine Netzmeisterin wird einem frisch eingeführten Algorithmus blind vertrauen. Das ist richtig so. Was funktioniert: Das Modell empfiehlt sechs Wochen lang im Parallelbetrieb, das Betriebspersonal beobachtet und protokolliert jede Abweichung zwischen Empfehlung und eigenem Urteil. Nach sechs Wochen gemeinsame Auswertung. Dieser Dialog ist keine Pflichtübung, er macht das Modell besser — denn die Netzmeisterin weiß Dinge über ihr Netz, die in keinem Datensatz stehen (die Straße, in der im Winter immer drei Ventile klemmen, der Keller, in dem der Zähler um 15% falsch misst).

Der Investor, der Quartalsergebnisse will. Thermische Netzmodelle zeigen messbare Ergebnisse erst nach einer vollständigen Heizperiode. Wer einen Projekt-Review nach 3 Monaten ansetzt, wird enttäuscht sein. Wer den Review auf 12–15 Monate nach Go-Live terminiert, sieht echte Zahlen. Das klingt lang — ist aber die einzig ehrliche Erwartungssetzung.

Was konkret hilft:

• Interne Kommunikation: „Das Modell ist ein Entscheidungshilfsmittel für das Betriebspersonal, kein Ersatz für es.”
• Pilot mit einem Netzteil starten (z. B. 20% des Netzes), bevor das gesamte Netz umgestellt wird.
• KPI von Anfang an definieren: Vorlauftemperatur im gleitenden 30-Tage-Mittel, Rücklauftemperatur, Wärmeverlust in Prozent, Heizungsbeschwerden je 1.000 Anschlüsse.
• Monatliches kurzes Review-Meeting: Modell vs. Realität, neue Anomalien, anstehende Netzveränderungen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben dafür keine Daten.” Dieser Einwand ist in den meisten Fällen nicht falsch — er ist aber kein Endpunkt, sondern ein Startpunkt. Die richtige Antwort: Zuerst prüfen, was tatsächlich vorhanden ist und was fehlt (Daten-Audit, Monat 1 im obigen Zeitplan). Dann entscheiden, ob der Messtechnikausbau wirtschaftlich sinnvoll ist. Ein Stadtwerk, das diese Frage nicht stellt, wird auch in fünf Jahren keine Daten haben — und immer noch zu hohe Vorlauftemperaturen fahren.

„Das können wir uns nicht leisten.” Kommt auf die Bezugsgröße an. Ein Messtechnikausbau für 80.000–150.000 € klingt viel. Wenn das Netz 10 GWh/a durchsetzt und 9 Prozent Effizienzgewinn realistisch ist, bezahlt sich das in 3–5 Jahren zurück — und das Netz läuft dann noch 15–20 Jahre. Wer das „zu teuer” findet, sollte die Alternative gegenrechnen: jedes Jahr weiterhin Überheizungskosten bezahlen und das Dekarbonisierungsziel 2030 ohne valide Planungsgrundlage angehen. Die BEW-Förderung des BMWK kann einen Teil der Investitionskosten abdecken.

„Das Modell wird Fehler machen.” Ja — wie jedes Werkzeug. Aber ein Modell, das 90 Prozent der Empfehlungen richtig macht und dabei die Versorgungssicherheit durch einen menschlichen Override absichert, ist besser als keine Empfehlung und pauschal 10 Kelvin zu viel Vorlauf. Die GASAG Smart Temp-Auswertung (Winter 2024/25) zeigt: null Heizungsbeschwerden bei 8 Kelvin Vorlaufabsenkung. Das ist kein Zufall, sondern Ergebnis von Pilotdesign mit Sicherheitsmargen.

„Wir müssen erst die Rohre sanieren.” Eine Rohrsanierung verbessert den Netzzustand fundamental — aber sie dauert Jahre und kostet ein Vielfaches eines ML-Projekts. Ein ML-Modell hilft dabei, die verbleibenden Verluste in einem sanierten Teilnetz besser zu quantifizieren und priorisiert den nächsten Sanierungsabschnitt. Beides schließt sich nicht aus; das Modell kann ein valides Werkzeug für die Sanierungsplanung sein.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Ihr betreibt ein Nahwärmenetz mit mindestens 5 GWh/a Jahreseinspeisung
• Eure Wärmeverluste liegen über 12 Prozent der Erzeugung
• Ihr haltet die Vorlauftemperatur pauschal hoch, weil ihr das Netz nicht präzise kennt
• SCADA-Daten sind vorhanden, werden aber nur für die Erzeugungsanlage genutzt, nicht für die Netzanalyse
• Das Wärmeplanungsgesetz zwingt euch bis 2026 zu einem Transformationsplan — und den ohne thermisches Modell zu schreiben fühlt sich wie Kaffeesatzlesen an
• Ihr plant langfristig die Einbindung von Wärmepumpen oder Solarthermie und braucht dafür ein niedrigeres Temperaturniveau

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Netzgröße unter ~3 GWh/a Jahreseinspeisung (ca. 200 Anschlüsse). Die absoluten Einsparungen durch Vorlauftemperaturabsenkung sind bei kleinen Netzen gering. Gleichzeitig ist der Messtechnikausbau proportional teurer, weil die Fixkosten (SCADA-Integration, Modellentwicklung) kaum skalieren. Bei 3 GWh/a und 9% Einsparung: ca. 16.000 €/Jahr Brennstoffeinsparung — bei 100.000 € Invest ein Payback von mehr als 6 Jahren ohne Förderung. Das ist kein K.o.-Kriterium, aber der Anwendungsfall wird deutlich schwächer.

2. Hydraulischer Abgleich nicht durchgeführt und kein Budget dafür geplant. Ein ML-Modell auf einem hydraulisch nicht abgeglichenen Netz liefert systematisch falsche Temperaturempfehlungen, die potenziell einzelne Netzbereiche unterversorgen. Den hydraulischen Abgleich als optionalen Schritt zu behandeln, ist ein Projektrisko, das nicht einzugehen ist. Wenn kein Budget und kein Zeitplan für den Abgleich vorliegen, sollte das ML-Projekt warten.

3. Keine digitale Messtechnik an den Übergabestationen und kein Budget für deren Ausbau. Ein ML-Modell braucht stündliche Temperatur- und Durchflusswerte an allen relevanten Netzknoten. Wer diese Daten nicht hat und nicht plant, sie zu erheben, hat kein Datenproblem, das ML lösen kann — sondern ein Messtechnikproblem, das Handwerker lösen müssen. Ohne Daten kein Modell.

Das kannst du heute noch tun

Bevor du über Software nachdenkst, mach einen einstündigen Daten-Audit des eigenen Netzes. Die Ergebnisse dieses Audits entscheiden, ob du in 18 Monaten ein funktionierendes Modell haben kannst — oder ob du zuerst Messtechnik nachrüsten musst.

Benutze dafür den Prompt unten — er führt dich durch die kritischen Fragen, die du mit deiner SCADA-Dokumentation und den letzten Jahresauswertungen beantworten kannst. Du brauchst kein ML-Wissen, nur deine eigene Netzkenntnis.

Quellen & Methodik

• GASAG Solution Plus GmbH + SAMSON KT-Elektronik, „Smart Temp — Betriebsoptimierung eines Bestandsnetzes mithilfe von KI” (Ergebnisse Winter 2024/25 vs. 2023/24): 8 K Vorlauftemperatursenkung, 5 K Rücklaufabsenkung, ~6% Stromverbrauchsreduktion je Außentemperatur, null Heizungsbeschwerden. Vorgestellt beim Fraunhofer ENIQ Kongress „Fernwärme im Wandel”, Mai 2025. https://www.gasag-solution.de/magazin/aktuelles/vortrag-ki-projekt-smart-temp/
• RAUSCH Technology GmbH + Stadtwerke Norderstedt + Deutsche Energie-Agentur (dena), „KI in Fernwärme — Ein Leitfaden zur erfolgreichen Umsetzung von KI-Projekten” (November 2024): LSTM-basierte Wärmelastprognose mit bis zu 25% geringerem Prognosefehler gegenüber konventionellen Methoden; 10 dokumentierte KI-Anwendungsfälle für Fernwärmenetze. https://future-energy-lab.de/projects/ki-in-fernwaerme/
• enercity Hannover, Pressemitteilung „enercity macht Fernwärme smart” (2022): ~9% Energieeinsparung, Rücklauftemperatursenkung bis 10 K, Spitzlastreduktion ~20%, Ausrollung auf 100 Gebäude, Ziel 5.000 Gebäude bis 2027 (~50.000 MWh/a Einsparung, ~5.000 t CO₂/a). https://www.enercity.de/presse/pressemitteilungen/2022/enercity-macht-fernwaerme-smart
• Wärmeplanungsgesetz (WPG), Dezember 2023, in Kraft seit 1. Januar 2024: Pflichten zur kommunalen Wärmeplanung und Netztransformationsplan für Wärmenetzbetreiber bis Ende 2026.
• MDPI Energies, „Hydraulic Balancing of District Heating Systems and Improving Thermal Comfort in Buildings” (2025): Hydraulischer Abgleich als Vorbedingung für Niedrigtemperatur-Fernwärme und zuverlässige thermische Modellierung.
• Implementierungskosten Messtechnik: Erfahrungswerte aus Stadtwerke-Projekten in Deutschland (Stand Mai 2026). Einzelne Kostenpositionen sind Richtwerte, keine verbindlichen Angebote.
• Preisangaben Wärmemengenzähler: Herstellerdokumentation Kamstrup, Sensus, Siemens (Stand Mai 2026).

Du willst wissen, ob euer Netz die Voraussetzungen für ein ML-Modell erfüllt — und was der realistische erste Schritt wäre? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.