Gasversorgung & Netzbetrieb

Expertenwissen steckt in Papierakten und in den Köpfen erfahrener Monteure. Wenn diese in Rente gehen, ist das Wissen weg.

Ein RAG-System indexiert alle internen Dokumente und beantwortet Fragen der Techniker quellengenau, auf dem Tablet im Feld.

Dokumentensuche je Einsatz von 20–45 Min. auf 2–5 Min. reduziert. Fehldiagnosenquote von 6–12 % auf geschätzt 2–4 % senkbar. Onboarding neuer Techniker von 12–18 auf 6–9 Monate verkürzt.

NotebookLM PoC (kein Setup, nur unkritische Docs)Azure OpenAI + AI Search (EU-Cloud, Developer-Setup)Aleph Alpha PhariaAI on-premise (KRITIS-konform)

Jede Netzanschlussanfrage erfordert manuelle Prüfung technischer Machbarkeit, regulatorischer Anforderungen und Angebotskalkulation, das dauert Tage und bindet knappe Ingenieurkapazität.

Ein LLM (GPT-4o via Azure OpenAI oder Aleph Alpha) extrahiert strukturierte Anforderungen aus PDF-, Word- und Freitext-Anträgen, gleicht sie per GIS-API-Abfrage mit Leitungskapazitäten ab, prüft GasNZV-Konformität gegen eine Regellogik und erstellt einen Angebotsentwurf zur finalen Freigabe durch den Ingenieur.

Erstprüfung von 3–5 Tagen auf 4–8 Stunden reduziert; Ingenieuraufwand pro Routinefall von 2–3 Stunden auf 30–60 Minuten; Rückfragenquote von 25–35 % auf 10–15 % gesenkt.

Prompt-Test mit ChatGPT/Claude (kein Setup)Dokumentenextraktion + Azure OpenAI (Cloud)GIS-Integration + LLM + ERP-Anbindung (Vollausbau)

Netzverluste von 0,5–1,5 % bleiben Monate unentdeckt; Druckschwankungen werden der Nachfrage zugeschrieben; Notfallreparaturen kosten 3–10x mehr als geplante Instandhaltung.

LSTM-Netzwerke und LightGBM-Modelle lernen normale Druck- und Durchflussmuster aus SCADA-Historian-Daten und schlagen Alarm bei statistischen Abweichungen, die auf Leckagen hindeuten, mit Lageverortung auf Netzabschnittsebene.

Leckagen bis zu 3–8 Wochen früher entdeckt; Anteil reaktiver Reparaturen von 70–85 % auf 40–55 % reduziert; Break-even bei konservativem Szenario nach 1,5–2 Jahren.

Zeitreihen-Anomalieerkennung auf bestehendem AVEVA PI / HistorianML-Modellentwicklung mit Azure ML oder AWS SageMaker (EU)Fertiglösung via C3.ai Predictive Maintenance (Enterprise)

Die jährliche ARegV-Kostennachweiserbringung bindet 4–8 Wochen Analysten- und Ingenieurzeit bei hohem Fehlerrisiko, BNetzA-Rückfragen kosten zusätzliche Wochen und gefährden die Erlösobergrenze.

Ein LLM (Azure OpenAI GPT-4o oder Aleph Alpha on-premise) extrahiert Kostendaten aus SAP-Reports per definiertem Mapping, prüft Vollständigkeit und Konsistenz gegen ARegV-Schemaanforderungen, generiert Begründungstexte per Retrieval-Augmented Generation auf Basis der Sachverhaltsdaten und markiert Unstimmigkeiten vor der Einreichung.

Berichterstellung von 4–8 Wochen auf 1–3 Wochen, Analystenstunden für Datenaggregation von 80–160 auf 20–40 Stunden, BNetzA-Rückfragen von 3–8 auf 1–3 je Zyklus (Schätzwert aus Praxisberichten).

CSV-Export aus SAP + Claude/Azure OpenAI für Begründungstexte (kein Setup)rcRegMan + LLM-Erweiterung für Validierung und NarrativeVollintegration SAP-Extraktion + ARegV-Mapping + Azure OpenAI on-premise

Tausende Rohrleitungssegmente aus unterschiedlichen Jahrzehnten und Materialien müssen auf Wasserstofftauglichkeit bewertet werden. Manuell dauert das Jahre und kostet Hunderttausende Euro.

Ein RAG-System kombiniert den Rohrleitungskataster mit DVGW-Merkblättern und Forschungsergebnissen zur H2-Kompatibilität; ein LLM extrahiert die relevanten Regelaussagen und klassifiziert automatisch jeden Rohrabschnitt nach Material, Druckstufe und Verbindungsart.

50–200 Segmente/Tag automatisch bewertet statt 5–10/Woche manuell; Gutachterkosten auf 15–30 % des manuellen Aufwands reduziert; priorisierte Investitionsliste für H2-Umrüstung direkt für den Netzentwicklungsplan verwertbar.

LLM-Pilot mit DVGW-Merkblättern (kein Systemaufbau)RAG-System auf Azure OpenAI mit Kataster-IntegrationOn-Premise mit Aleph Alpha PhariaAI (KRITIS-tauglich)

DVGW G 491 schreibt Wartungsintervalle vor, die nicht die tatsächliche Abnutzung widerspiegeln. Reaktive Wartung kostet drei- bis fünfmal mehr als geplante, und alternde Netze machen Ausfälle häufiger.

Gradient-Boosting-Modelle (LightGBM) und LSTM-Zeitreihenanalysen auf SCADA-Sensordaten, Betriebsstunden und Wetterdaten prognostizieren Ausfallwahrscheinlichkeiten je Bauteil und erzeugen einen optimierten, risikopriorisierten Wartungskalender.

30–50 % weniger ungeplante Ausfälle, Reduzierung unnötiger Inspektionen um 20–35 %, bessere Ressourcenplanung für Außendienstteams.

ML-Modell auf SCADA/AVEVA PI (18+ Monate Datenbasis nötig)IBM Maximo APM-Modul (wenn Maximo bereits im Einsatz)Azure ML + eigene EAM-Integration (kein Maximo)

Gasnetzbetreiber verarbeiten Tausende EDIFACT-Nachrichten pro Monat unter BNetzA-Festlegungsfristen. Formatänderungen der BNetzA erzwingen immer wieder kostspielige IT-Projekte; Fehlerquoten im zweistelligen Prozentbereich sind normal.

Regelbasierte Syntaxvalidierung prüft EDIFACT-Pflichtfelder deterministisch; ein LLM erkennt Grenzfälle durch Musterabgleich mit historischen Fehlerfällen, entwirft APERAK-Antwortnachrichten und eskaliert nur echte Ausnahmen zur manuellen Prüfung.

70–80 % weniger manuelle Bearbeitungszeit für Standardvorgänge, fristensichere Antworten, schnellere Anpassung an Format-Updates der BNetzA.

Manueller Konzepttest mit ChatGPT/Claude (kein Setup)EDI-Middleware + KI-Grenzfallschicht (SEEBURGER BIC + Azure OpenAI)Vollintegration mit Abrechnungssystem (SAP IS-U, Powercloud)

Viele Gasnetzbetreiber haben 20–40 % ihrer Infrastruktur nur in Papierzeichnungen, 1980er-CAD-Dateien oder inkonsistenten GIS-Layern dokumentiert, eine KRITIS-Schwachstelle, die Netzanschlussbearbeitung verlangsamt und H2-Readiness-Bewertungen unmöglich macht.

Computer Vision und OCR (ABBYY FlexiCapture) extrahieren Rohrlageangaben und Materialien aus Bestandsplänen; ein LLM strukturiert Freitextinhalte aus Montageprotokollen, Ergebnis sind GIS-konforme Datensätze mit Qualitätsbewertung je Segment.

Durchsatz von 40–120 Plänen/Tag statt 3–8 manuell; vollständiger digitaler Kataster als KRITIS-Compliance-Grundlage, Datenbasis für H2-Readiness-Bewertung und prädiktive Wartungsplanung.

LLM-Prompt auf gescannte Einzelpläne (kein Setup)OCR-Software (ABBYY) + GIS-Import-WorkflowVollprojekt mit Dienstleister inkl. Scan, Extraktion, QS

Bei Drittschäden an Hauptleitungen müssen Disponenten gleichzeitig Feldteams koordinieren, BNetzA und LBEG informieren, Kunden benachrichtigen und den Störfall dokumentieren, mit Papierchecklist und Telefon in der Hand.

Regelbasierte Klassifikationslogik kombiniert mit einem LLM erkennt Störfallkategorien aus SCADA-Alarmen und Freitextmeldungen, schlägt DVGW-konforme Eskalationsschritte vor und generiert BNetzA-Vorabmeldungen sowie Kunden-SMS, der Disponentin bleibt Zeit für Entscheidungen statt Datenverwaltung.

30–60 Minuten Dokumentationsaufwand je Störfall eingespart, vollständige automatische Protokollierung nach DVGW G 1000, Vorabmeldungsentwürfe in unter 5 Minuten statt 30+ Minuten.

Prompt-gestützte Störfalldokumentation (kein SCADA nötig)Regelbasierte Klassifikation + LLM-Textentwürfe auf SCADA-DatenbasisVollintegriertes KI-System in Leitstellen-EMS mit KRITIS-Zertifizierung

Sachbearbeiterinnen verbringen 30–40 % ihrer Zeit mit Statusanfragen von Bauherren und Installateuren zum laufenden Netzanschlussprozess, eine Aufgabe, die keinen Fachverstand erfordert, aber volle Aufmerksamkeit kostet.

Ein LLM generiert kontextspezifische Statusmails auf Basis von ERP-Ereignissen (SAP IS-U); ein regelbasierter Chatbot beantwortet Standardfragen im Kundenportal und eskaliert unbekannte Anfragen mit vollständigem Gesprächsprotokoll an Sachbearbeiterinnen.

20–30 % weniger Telefonanfragen im ersten Jahr, 2–3 Stunden Sachbearbeiterzeit täglich zurückgewonnen, GasNZV-Fristen systemseitig überwacht statt manuell.

Chatbot im Kundenportal (kein ERP-Zugriff)Proaktive Statusmails mit ERP-Anbindung (n8n + SAP IS-U)Vollständige Portalintegration mit Echtzeit-Status

Die manuelle Auswertung eines ILI-Datensatzes von einer Leitungsinspektionstour bindet 2 bis 4 Wochen Ingenieurszeit, bei inkonsistenter Klassifizierung zwischen Sachverständigen und wachsendem Inspektionsvolumen durch DVGW-Fristen.

Computer Vision und ML klassifizieren Rohrwandanomalien aus MFL-ILI-Daten und CCTV-Footage automatisch, priorisieren Rehabilitationsmaßnahmen nach DVGW G 463-Kritikalitätsmatrix und erstellen strukturierte Inspektionsberichte.

Auswertungszeit je ILI-Datensatz von 2–4 Wochen auf 3–5 Arbeitstage; konsistente Anomalieklassifizierung unabhängig vom beurteilenden Ingenieur; DVGW-konformer Rehabilitationsplan als strukturierter Output.

Vendor-integrierte KI-Analyse (ROSEN AutoData, TDW MDS Pro), kein eigenes ModellDNV Synergi Pipeline, normenkonforme RehabilitationsplanungAzure ML + historische ILI-Daten, eigenes Modell für große Netze

Regelbasierte Drucksteuerung reagiert statt zu antizipieren, bei Kältewellen oder Industrieabschaltungen greifen Operateure manuell ein, Druckabfälle werden erst im SCADA-Alarm sichtbar, Kompressor-Lastspitzen entstehen durch verzögerte Reaktion.

LightGBM- und LSTM-Zeitreihenmodelle prognostizieren Gasbedarf und Netzdrücke 24 bis 72 Stunden voraus aus Temperatur, Industrieprofilen und Kalender; die Prognose optimiert Kompressorsteuerpunkte und sendet Warnungen vor prognostizierten Druckverletzungen.

Proaktive statt reaktive Drucksteuerung, weniger manuelle Noteingriffe bei Kältewellen, 5–15 % niedrigerer Energieverbrauch an Kompressorstationen.

Regressionsmodell auf SCADA + DWD-Wetterdaten (kein ML-Team nötig)Zeitreihen-ML (LightGBM/LSTM) + EMS-Setpoint-EmpfehlungenAzure Digital Twins + Echtzeit-Netzmodell + Frühwarnsystem

Die Jahresabrechnung generiert massenweise Kundenanfragen und Widersprüche, häufig wegen unverständlicher Abrechnungsdarstellung oder Ablesabweichungen, die automatisch zu erklären wären.

Ein regelbasiertes Prüfmodul kombiniert mit einem LLM (Claude oder GPT-4o) prüft Abrechnungsdaten auf statistische Auffälligkeiten, generiert individualisierte Erläuterungsschreiben in verständlicher Sprache und klassifiziert eingehende Widersprüche nach Typ für strukturierte Nachbearbeitung.

Widerspruchsvolumen um 20–40 % reduzieren (Schätzwert aus Praxisberichten), Bearbeitungszeit je Vorgang von 20–35 auf 8–14 Minuten senken, Spitzenlast Oktober–Dezember gleichmäßiger verteilen.

LLM-Prompt direkt (kein API-Setup, Einstiegstest)Workflow-Automatisierung via Make/n8n + LLM-APIIntegrierte Suite (Stadtwerk Bot / M365 Copilot + Abrechnungs-API)

SCADA-Systeme alarmieren erst bei Schwellwertüberschreitung. Monatliche §6-GasNZV-Berichte entstehen manuell aus Ablesungen und Tabellenkalkulationen. Ein einziges §37-GasNZV-Nacherfüllungsbegehren kostet 15.000–40.000 Euro, und wird zu spät erkannt.

LSTM-Autoencoder und Prophet-Trendmodell auf SCADA-Zeitreihendaten erkennen Drift in Methangehalt, Wobbe-Index und Einspeiseprofil bis zu 48 Stunden früher als Schwellwert-Alarme. §6-Berichte werden automatisch aus Messdaten generiert.

48h Frühwarnung vor Grenzwertverletzung, automatische §6-GasNZV-Monatsberichte, Reduzierung manueller Monitoring-Aufwände um 50–70 %.

Grafana Cloud auf SCADA-Daten (schneller PoC)InfluxDB + Grafana + Prophet + n8n (on-premise)AVEVA PI + Custom Anomaliemodell (Multi-Anlagen)

Gasbeschaffung für Stadtwerke erfolgt oft manuell nach einfachen Faustregeln oder vollständig outsourced, beides suboptimal: entweder zu teuer oder mit zu wenig Kontrolle über die eigene Risikoposition.

LSTM- und Gradient-Boosting-Modelle aggregieren Spot- und Terminmarktdaten, kombinieren sie mit eigenen Verbrauchsprognosen und Vertragspositionen und berechnen Optimierungsempfehlungen für Mengenabrufe und Hedging-Anpassungen.

Beschaffungskosten um 2–8 % senken, Risikoposition transparent und steuerbar machen, Zeitaufwand für manuelle Marktüberwachung um 60–70 % reduzieren.

Preiszeitreihen-Analyse auf TTF-MarktdatenLastprognose-Integration mit DWD-WetterdatenPortfolio-Optimierung mit VaR-Steuerung

DVGW-Regelwerke werden regelmäßig aktualisiert, und KRITIS-Netzbetreiber müssen seit Mai 2023 zusätzlich Systeme zur Angriffserkennung (SzA) nachweisen. Wer beides manuell überwacht, riskiert Beanstandungen beim Audit, oder entdeckt Druckanomalien im Rohrnetz erst nach dem Schaden.

KI gleicht bestehende Betriebsanweisungen, Prüfprotokolle und Revisionspläne automatisch mit dem aktuellen DVGW-Regelwerk ab und erstellt eine priorisierte Lückenliste. Parallel analysiert Machine Learning die SCADA-Zeitreihendaten auf Druck-, Durchfluss- und Temperaturanomalien, die manuell nicht rechtzeitig erkannt werden.

Audit-Vorbereitung von 3–6 Wochen auf 3–5 Tage verkürzen, systematische DVGW-Konformitätslücken vor dem Prüftermin schließen, schleichende Druckanomalien 8–24 Stunden früher erkennen und KRITIS-SzA-Nachweispflichten strukturiert dokumentieren.

RAG-System auf aktuellem DVGW-RegelwerkML-Anomalieerkennung auf SCADA-Historian-DatenGap-Analyse mit Handlungsempfehlungen

Stadtwerke verlieren Haushaltskunden an Billiganbieter, erkennen Wechselabsichten aber erst nach der Kündigung. Dann ist Retention teuer oder unmöglich.

Gradient-Boosting-Modell (XGBoost/LightGBM) berechnet täglich einen Wechselwahrscheinlichkeitsscore je Haushaltskunde auf Basis von Zahlungsverhalten, Vertragsalter, Preisentwicklung und Interaktionshistorie, und löst automatisch gezielte Retentionskampagnen aus.

Wechselquote um 15–25 % senken, Retentionskosten pro gehaltenem Kunden um 30–50 % reduzieren, proaktive Kundenbetreuung statt reaktives Rückgewinnungsmarketing.

Churn-Prediction-ML auf CRM-DatenAutomatische Kampagnenauslösung bei Score-SchwellePersonalisierte Retention-Angebote per Mail/Brief

Gasnetzbetreiber erhalten täglich Anfragen zu Aufgrabungen und Baumaßnahmen in Leitungsnähe. Die manuelle Prüfung auf Leitungskonflikte und die Koordination von Schutzmaßnahmen dauert Stunden, nicht Minuten, und zwischen Anfrage und Freigabe liegt das Fenster, in dem Bagger zuschlagen.

GIS-gestützter räumlicher Verschneidungsabgleich gleicht Bauanfragen mit dem Leitungskataster ab, eine regelbasierte Risikoklassifikation kategorisiert Maßnahmen nach Schutzzone und löst automatisch Leitungsauskünfte mit Planausschnitt, Schutzanweisung und Signaturprozess aus, ohne manuelle Sachbearbeitung.

Prüfungsdauer je Bauanfrage von 2–4 Stunden auf unter 30 Minuten reduzieren, Antwortzeiten von Tagen auf Stunden senken, Beschädigungsrisiko durch lückenlose automatisierte Prüfung messbar verringern.

GIS-Kataster-Abgleich mit RisikoklassifikationAutomatische Leitungsauskünfte nach GW 118 (A)Workflow-Integration in Freigabeprozesse

Kundenberater im Gasversorgungsunternehmen können den steigenden Beratungsbedarf zu Energiewende, Heiztransformation und Förderungsoptionen nicht mit aktuellem Wissen bedienen, zu viele Programme, zu schnelle Änderungen, zu viel Haftungsrisiko bei falschen Angaben.

Ein interner RAG-Assistent auf aktuellen Förder- und GEG-Dokumenten gibt dem Kundendienst konsistente, quellenbasierte Orientierungsantworten, während verbindliche Einzelberatung klar an zugelassene Energieberater verwiesen wird.

Beratungsqualität standardisieren ohne teure Schulungszyklen, Recherchezeit je Beratungsgespräch um 30–40 % senken, Weiterleitungsquote an externe Experten auf wirklich komplexe Fälle reduzieren und das Haftungsrisiko durch klare Informationsquellen senken.

RAG-System auf BAFA-, KfW- und GEG-DokumentenLLM-Antworten mit Quellenangabe und Stand-DatumMitarbeiter-Assistenz, keine Kunden-Direktkommunikation

Die Netzentgeltkalkulation zum Basisjahr Gas 2025 bindet 6–12 Wochen interne Kapazität bei hohem Fehlerrisiko: Inkonsistente Umlageschlüssel, unentdeckte Abweichungen zu Vorperioden und schwache Begründungstexte landen direkt als BNetzA-Beanstandungen, und beeinflussen die Erlösobergrenze für fünf Jahre.

Ein LLM prüft das Kalkulationsmodell per regelbasierter Abweichungsanalyse auf Konsistenz, markiert Kostenpositionen mit ungewöhnlichen Abweichungen zum Vorjahr, schlägt Umlageschlüssel-Korrekturen vor und generiert Entwürfe für Begründungstexte im Genehmigungsantrag, alles zur finalen Freigabe durch einen qualifizierten Ingenieur.

Prüfaufwand für das Kalkulationsmodell um 30–50 % reduzieren, regulatorische Risikopositionen vor Einreichung erkennen, Begründungstexte in 20 Minuten statt zwei Tagen entwerfen.

Abweichungsanalyse Basisjahr vs. VorjahrLLM-Konsistenzprüfung auf KalkulationsexportBegründungstext-Entwürfe für Standardpositionen