Gasversorgung & Netzbetrieb
KI optimiert Leckageprognose, Netzanschluss-Prozesse und Regulierungsberichte für Gasnetzbetreiber
12 verfügbar · 8 in Arbeit
Zu einigen Use Cases gibt es eine kostenlose Detailanalyse — einfach auf den grünen Button klicken. Bei den anderen freuen wir uns über eine Nachricht: Wir schauen dann gemeinsam, was davon für deinen Betrieb wirklich relevant ist.
KI-Wissensdatenbank für Gasnetztechniker
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.
Kürzere Reaktionszeiten bei Störungen, weniger Fehldiagnosen, strukturierter Wissenstransfer vor der Ruhestandswelle.
Retrieval-Augmented Generation auf internen DVGW-Dokumenten, Betriebsanweisungen und Rohrkatasterdaten. On-premise oder EU-Cloud-Hosting zwingend.
KI-Automatisierung von Netzanschlussanfragen
Jede Netzanschlussanfrage erfordert manuelle Prüfung technischer Machbarkeit, regulatorischer Anforderungen und Angebotskalkulation — das dauert Tage und bindet knappe Ingenieurkapazität.
KI extrahiert Anforderungen aus dem Antrag, gleicht sie mit GIS-Daten ab, prüft GasNZV-Konformität und erstellt einen Angebotsentwurf zur finalen Freigabe durch den Ingenieur.
Erstprüfung von Tagen auf Stunden, Ingenieure fokussieren sich auf komplexe Fälle, weniger Rückfragen durch vollständigere Erstbearbeitungen.
Dokumentenextraktion + GIS-Abgleich + LLM-gestützte Angebotserstellung. Ingenieur bleibt Entscheidungsträger.
ML-basierte Leckageprognose im Gasnetz
Netzverluste von 0,5–1,5 % bleiben Monate unentdeckt; Druckschwankungen werden der Nachfrage zugeschrieben; Notfallreparaturen kosten 3–10x mehr als geplante Instandhaltung.
ML-Modelle lernen normale Druck- und Durchflussmuster des Netzes und schlagen Alarm bei statistischen Abweichungen, die auf Leckagen hindeuten — mit Lageverortung auf Netzabschnittsebene.
Früherkennung von Netzverlusten, niedrigere Notfallreparaturquote, bessere Ressourcenplanung für präventive Instandhaltung.
Zeitreihen-Anomalieerkennung auf SCADA/Historian-Daten. Integration mit bestehendem AVEVA PI oder ähnlichem Daten-Historian. Wetterkompensation als Pflichtkomponente.
KI-gestützte BNetzA-Regulierungsberichte
Die jährliche ARegV-Kostennachweiserbringung bindet 4–8 Wochen Analysten- und Ingenieurzeit bei hohem Fehlerrisiko — BNetzA-Rückfragen kosten zusätzliche Wochen und gefährden die Erlösobergrenze.
KI extrahiert Kostendaten aus SAP-Reports, prüft Vollständigkeit und Konsistenz gegen ARegV-Schemaanforderungen, schreibt Begründungstexte vor und markiert Unstimmigkeiten vor der Einreichung.
Kürzere Erstellungszeit, weniger formale BNetzA-Rückfragen, Ingenieure verbringen weniger Zeit mit Datenaggregation und mehr Zeit mit fachlicher Bewertung.
Dokumentenextraktion aus SAP/ERP + LLM-gestützte Narrative + Schema-Validierung gegen ARegV-Anforderungen. Kombination aus bewährter Spezialsoftware und generativer KI.
KI-gestützte H2-Readiness-Bewertung für Rohrleitungssegmente
Tausende Rohrleitungssegmente aus unterschiedlichen Jahrzehnten und Materialien müssen auf Wasserstofftauglichkeit bewertet werden. Manuell dauert das Jahre und kostet Hunderttausende Euro.
KI vergleicht den bestehenden Rohrleitungskataster mit Werkstoffdatenbanken, DVGW-Merkblättern und Forschungsergebnissen zur H2-Kompatibilität und klassifiziert automatisch jeden Rohrabschnitt.
Bewertung in Wochen statt Jahren, priorisierte Investitionsliste für H2-Umrüstung, direkte Verwertbarkeit für Netzentwicklungsplan-Einreichungen bei der BNetzA.
LLM-gestützte Dokumentenauswertung kombiniert mit strukturiertem Regelwerk aus DVGW VP 265 (Materialkompatibilität) und G 260 (H2-Beimischgrenzen) — Output als GIS-kompatible Klassifikationsliste.
Prädiktive Wartungsplanung für Gasnetzbauteile
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.
Machine-Learning-Modelle auf Basis von SCADA-Sensordaten, Betriebsstunden und Wetterdaten prognostizieren Ausfallwahrscheinlichkeiten je Bauteil und erzeugen einen optimierten Wartungskalender.
30–50 % weniger ungeplante Ausfälle, Reduzierung unnötiger Inspektionen um 20–35 %, bessere Ressourcenplanung für Außendienstteams.
Machine Learning auf Zeitreihendaten aus SCADA/AVEVA PI, Integration in IBM Maximo oder SAP PM als Auftragsauslöser.
KI-Automatisierung des MaKo-Datenaustausches (EDIFACT)
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.
KI parst eingehende EDIFACT-Nachrichten, validiert sie gegen aktuelle Formatbeschreibungen, entwirft Antwortnachrichten und eskaliert nur echte Grenzfälle zur manuellen Prüfung.
70–80 % weniger manuelle Bearbeitungszeit für Standardvorgänge, fristensichere Antworten, schnellere Anpassung an Format-Updates der BNetzA.
Regelbasierte EDIFACT-Validierung kombiniert mit LLM-Mustererkennung für Grenzfälle und Fehleranalyse — integriert in EDI-Middleware wie SEEBURGER BIC.
KI-gestützte Digitalisierung des Leitungskatasters
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.
KI wertet gescannte Bestandspläne, handschriftliche Montageprotokolle und Legacy-CAD-Dateien aus, extrahiert strukturierte Attributdaten und überführt sie in GIS-konforme Datensätze mit Qualitätsbewertung je Segment.
Vollständiger digitaler Kataster als KRITIS-Compliance-Grundlage, beschleunigte Netzanschlussbearbeitung, Datenbasis für H2-Readiness-Bewertung und prädiktive Wartungsplanung.
OCR + Computer Vision für Planextraktion, LLM für strukturierte Datenextraktion aus Freitext-Felddokumenten, GIS-Integration via ArcGIS oder QGIS.
KI-gestütztes Störfall-Eskalationsmanagement im Gasnetz
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.
KI klassifiziert Störungen aus Sensor- und Eingangskanälen automatisch, schlägt DVGW-konforme Eskalationsschritte vor, generiert BNetzA-Vorabmeldungen und Kunden-SMS — der Disponentin bleibt Zeit für Entscheidungen statt Datenverwaltung.
Kürzere Zeit bis zur ersten Behördenmeldung, vollständige automatische Störfall-Protokollierung, weniger Koordinationsfehler bei Mehrfachstörungen.
Regel- und KI-basierte Störfall-Klassifikation auf SCADA-Datenbasis, LLM-gestützte Textgenerierung für Meldungen und Protokolle, Integration in bestehende Leitstellen-EMS-Systeme.
KI-gestützte Kundenkommunikation im Netzanschlussprozess
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.
KI erkennt den aktuellen Prozessstand aus dem Workforce-Management-System und generiert automatisch Statusmeldungen bei jedem Meilenstein; ein Chatbot beantwortet Standardfragen im Kundenportal.
Weniger eingehende Statusanfragen, schnellere GasNZV-konforme Angebotserstellung, höhere Kundenzufriedenheit durch proaktive Kommunikation.
Prozessdaten-Anbindung an Workforce-Management (SAP IS-U oder vergleichbar), LLM-gestützte Texterstellung für Statusmails, Chatbot im Kundenportal für Standardanfragen.
KI-gestützte Schadensklassifizierung aus Rohrinfrastruktur-Inspektionsdaten
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.
Schnellere Auswertung, konsistentere Schadensklassifizierung zwischen Beurteilenden, DVGW-konforme Rehabilitationsplanung als strukturierter Output.
ML-Modelle auf ILI-Magnetfluss-Streuverlust-Daten (MFL) und CCTV-Bildmaterial; Integration mit ILI-Vendordatenformaten (ROSEN, TDW, Applus+); Ausgabe in Rehabilitationsplanungstools.
ML-basierte Druckprognose und Netzoptimierung im Gasnetz
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.
ML-Modelle 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, messbar niedrigerer Energieverbrauch an Kompressorstationen.
Zeitreihen-ML auf SCADA- und Wetterdaten, Echtzeit-Kopplung mit EMS/Leitsystem für Setpoint-Empfehlungen, Frühwarnung vor Druckverletzungen mit Dokumentationspflicht nach EnWG §49 und DVGW G 1000.
KI-Automatisierung der Jahresverbrauchsabrechnung und Kundenkommunikation Bald verfügbar
Die Jahresabrechnung generiert massenweise Kundenanfragen und Widersprüche — häufig wegen unverständlicher Abrechnungsdarstellung oder Ablesabweichungen, die automatisch zu erklären wären.
KI prüft Abrechnungsdaten auf statistische Auffälligkeiten, generiert individualisierte Erläuterungsschreiben in verständlicher Sprache und klassifiziert eingehende Widersprüche für strukturierte Nachbearbeitung.
Widerspruchsvolumen um 20–40 % reduzieren, Bearbeitungszeit je Widerspruch von 30 auf unter 10 Minuten senken, Kundenzufriedenheit durch proaktive Erklärung verbessern.
LLM-gestützte Abrechnungserklärung, Plausibilitätsprüfung auf Verbrauchsdaten, automatische Widerspruchsklassifikation und Erstantwort-Generierung.
KI-gestütztes Monitoring von Biomethan-Einspeiseanlagen Bald verfügbar
Biomethan-Einspeiseanlagen erzeugen schwankende Gasqualitäten und Einspeisemengen, die manuell kaum überwachbar sind. Qualitätsabweichungen werden oft erst bemerkt, wenn das Netz bereits beeinflusst ist.
ML-Modell analysiert Messdaten von Biomethan-Einspeisung kontinuierlich auf Anomaliemuster und sendet Frühwarnungen bei Qualitätsabweichungen, ungewöhnlichen Einspeiseprofilen oder drohenden Grenzwertverletzungen nach GasNZV.
Frühwarnung 2–4 Stunden vor Grenzwertverletzung, automatische Dokumentation für Einspeise-Monatsberichte, Reduzierung manueller Kontrollrunden um 40–60 %.
Zeitreihen-Anomalieerkennung auf Einspeisedaten (Methangehalt, Wobbe-Index, H2S, Druck), automatische Reporting-Generierung für GasNZV-Nachweise.
KI-gestützte Gasbeschaffungsoptimierung und Portfoliomanagement Bald verfügbar
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.
KI aggregiert Spot- und Terminmarktdaten, kombiniert sie mit eigenen Verbrauchsprognosen und Vertragspositionen und berechnet Optimierungsempfehlungen für Mengenabrufe und Hedging-Anpassungen.
Beschaffungskosten um 2–8 % senken, Risikoposition transparent und steuerbar machen, Zeitaufwand für manuelle Marktüberwachung um 60–70 % reduzieren.
Preiszeitsreihen-Analyse auf Spotmarkt- und Terminmarktdaten, Lastprognosen-Integration, Optimierungsmodell für Mengenabruf und Portfolio-Rebalancing.
KI-gestützte Netzsicherheitsüberprüfung und DVGW-Compliance-Prüfung Bald verfügbar
DVGW-Regelwerke werden regelmäßig aktualisiert. Netzbetreiber riskieren bei Audits Beanstandungen, weil Betriebsanweisungen und Prüfprotokolle nicht mit der aktuellen Regelwerkslage abgeglichen wurden.
KI analysiert bestehende Betriebsanweisungen und Prüfprotokolle auf Konformität mit dem aktuellen DVGW-Regelwerk (G 462, G 491, G 600 etc.) und erstellt eine strukturierte Lückenliste mit Priorisierung nach Prüfrelevanz.
Audit-Vorbereitung von Wochen auf Tage reduzieren, Beanstandungsquote bei Netzprüfungen senken, lückenlose Dokumentationspflege als kontinuierlichen Prozess statt jährliches Projekt.
RAG-System auf aktuellem DVGW-Regelwerkstexten, Konformitätsprüfung von Upload-Dokumenten, strukturierte Gap-Analyse mit Handlungsempfehlungen.
KI-gestützte Kundenwechsel-Prognose und Retention im Gasvertrieb Bald verfügbar
Stadtwerke verlieren Haushaltskunden an Billiganbieter, erkennen Wechselabsichten aber erst nach der Kündigung. Dann ist Retention teuer oder unmöglich.
ML-Modell 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- und Vertragsdaten, automatische Kampagnenauslösung bei Score-Überschreitung, personalisierte Retention-Angebote via E-Mail und Brief.
KI-gestützte Koordination von Baumaßnahmen und Leitungsschutz Bald verfügbar
Gasnetzbetreiber erhalten täglich Anfragen zu Aufgrabungen und Baumaßnahmen in Leitungsnähe. Die manuelle Prüfung auf Leitungskonflikte und die Koordination von Schutzmaßnahmen dauert Tage statt Stunden.
KI gleicht Bauanfragen mit Leitungskatasterdaten ab, identifiziert Leitungskonflikte und Risikobereiche, kategorisiert Maßnahmen nach Dringlichkeit und generiert automatisch Schutzanweisungen und Freigabedokumente.
Prüfungsdauer je Bauanfrage von 2–4 Stunden auf 30–60 Minuten reduzieren, Antwortzeiten an Bauträger von Tagen auf Stunden senken, Beschädigungsrisiko durch lückenlose Prüfung reduzieren.
GIS-basierter Kataster-Abgleich mit KI-gestützter Risikobewertung, automatische Dokumentengenerierung für Schutzanweisungen, Workflow-Integration für interne Freigabeprozesse.
KI-Assistent für Energieberatung und Fördermittelauskunft Bald verfügbar
Kundenberater im Gasversorgungsunternehmen können den steigenden Beratungsbedarf zu Energiewende, Heiztransformation und Förderungsoptionen nicht mit aktuellem Wissen bedienen — zu viele Programme, zu schnelle Änderungen.
KI-Assistent mit aktuellem Wissenstand zu BAFA-Förderungen, BEG-Programmen, Wärmepumpen-Wirtschaftlichkeit und Tarifoptionen unterstützt Kundenberater bei Erstberatungen mit konkreten Handlungsempfehlungen.
Beratungsqualität standardisieren ohne teure Schulungszyklen, Erstberatungszeit um 30–50 % senken, Weiterleitungsquote an externe Energieberater auf wirklich komplexe Fälle reduzieren.
RAG-System auf aktuellen Förderprogramm-Daten und internen Tarifinfos, LLM-gestützte Empfehlungsgenerierung, Kundenberater-Assistenz-Interface ohne Direktkundenkontakt der KI.
KI-gestützte Netzentgeltkalkulation und Kostenstellenanalyse Bald verfügbar
Netzentgeltkalkulation nach ARegV ist hochkomplex, zeitintensiv und fehleranfällig. Fehler im Kalkulationsmodell werden oft erst im BNetzA-Prüfverfahren entdeckt — dann mit aufwendigen Nachbesserungspflichten.
KI analysiert das Kalkulationsmodell auf Konsistenz, prüft Kostenstellen-Zuordnungen auf Plausibilität, vergleicht Kennzahlen mit Branchenbenchmarks und markiert Positionen, die im BNetzA-Prüfverfahren erfahrungsgemäß nachgefragt werden.
Kalkulationsfehler vor BNetzA-Einreichung identifizieren, Bearbeitungszeit für Kalkulationsprüfung um 30–50 % reduzieren, proaktive Dokumentation von Erläuterungsbedarfen.
LLM-gestützte Konsistenzprüfung auf Kalkulationsdaten, Benchmark-Datenbank aus veröffentlichten BNetzA-Kennzahlen, automatische Erläuterungstext-Generierung für Standardpositionen.
Interesse an einem dieser Use Cases?
Wir begleiten dich vom ersten Überblick bis zur konkreten Umsetzung — in dem Tempo und der Tiefe, die zu deinem Betrieb passt.
Discovery
Wir schauen gemeinsam, welche Use Cases in deinem Betrieb den größten Hebel haben — unverbindlich, in einem 60-minütigen Gespräch.
Workshop
In einem strukturierten Workshop erarbeiten wir mit deinem Team konkrete Lösungsansätze, Prioritäten und einen realistischen Umsetzungsplan.
Umsetzung
Wir begleiten die Implementierung — von der Auswahl der richtigen Technologie bis zum ersten produktiven Einsatz in deinem Betrieb.
Kein Verkaufsgespräch — wir hören erstmal zu.