KI-gestütztes Monitoring von Biomethan-Einspeiseanlagen

Das echte Ausmaß des Problems

Im September 2024 waren laut dena-Branchenbarometer Biomethan 2024 in Deutschland 251 Anlagen an 236 Standorten in Betrieb, mit zusammen 151.400 Nm³/h Einspeisekapazität. Gleichzeitig wächst die Nachfrage aus dem Gebäuderecht: Wer nach dem 29. Juli 2026 in einem Bestandsgebäude eine neue Gasheizung einbaut, muss nach § 43 GModG (früher Gebäudeenergiegesetz, GEG) sicherstellen, dass ab 2029 ein wachsender Teil der Wärme aus Biomethan oder Wasserstoff stammt (Tabelle weiter unten). Für Einspeiser heißt das vor allem: mehr Nachfrage, und Abnehmer, die lückenlose Mengen- und Herkunftsnachweise sehen wollen.

Das heutige Monitoring-Setup bei vielen Biomethan-Einspeisern:

Eine Anlage mit 2 MW Einspeiseleistung speist bei den durchschnittlich 7.252 Volllaststunden, die die dena für 2023 ausweist, rund 14,5 GWh im Jahr ein (2 MW mal 7.252 Stunden). Sie hat typischerweise:

• Ein SCADA-System mit Echtzeitalarmen bei Schwellwertüberschreitung
• Manuelle Monatsablesungen der Messgeräte durch den Anlagenleiter
• Excel-Tabellen, die per PDF-E-Mail an den VNB gehen
• Keine Trendanalyse unterhalb der Alarmgrenzen

Das Problem: Gasqualitäts-Drift entsteht nicht plötzlich. Ein sinkender Methangehalt, ein steigender H2S-Wert, ein Wobbe-Index, der sich langsam aus dem DVGW G 260-Fenster bewegt, das sind Prozesse über Stunden oder Tage. Regelbasierte SCADA-Alarme erkennen die Überschreitung, nicht das Muster, das dahin führt.

Was ein Qualitätsausfall kostet:

Hält das Gas an der Einspeisestelle die Anforderungen nicht ein, wird es nicht abgenommen: Die Anlage muss drosseln, zurückführen oder abfackeln, bis die Ursache behoben ist. Die Kosten rechnest du selbst aus: Stunden ohne Einspeisung mal Einspeiseleistung mal dein Erlös je kWh. Bei 2 MW ist ein Tag ohne Einspeisung 48.000 kWh (2 MW mal 24 Stunden); bei angenommenen 5 Cent Erlös je kWh wären das 2.400 Euro, setz deinen eigenen Erlös ein. Dazu kommen Ursachenanalyse, gegebenenfalls ein Gutachter und die Abstimmung mit Netzbetreiber und Abnehmer. Eine belastbare Branchenzahl für die Kosten eines solchen Ereignisses haben wir nicht gefunden.

Zusätzlich: Die Neufassung von DVGW G 260 im September 2021 hat die frühere G 262 für Gase aus regenerativen Quellen weitgehend aufgenommen. Die Formulierungen zur Obergrenze des Wobbe-Index für H-Gas wurden dabei präzisiert, die kalorimetrischen Grenzwerte selbst laut Arbeitsblatt aber nicht geändert.

Mit vs. ohne KI, ein ehrlicher Vergleich

Annahmen dieser Seite, keine Erhebung. Wie früh und wie zuverlässig das Modell bei deiner Anlage warnt, misst du im Pilot gegen deine Alarmhistorie.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Der monatliche Bericht an den Netzbetreiber bindet bei mittelgroßen Anlagen typischerweise 4–8 Stunden pro Monat: Messwerte ablesen, Tabellen befüllen, Plausibilitätsprüfung, PDF erstellen, versenden. Das lässt sich auf einen 20-minütigen Review eines automatisch generierten Berichts reduzieren. Dazu kommen entfallende Kontrollrunden, der Anlagenleiter braucht nicht mehr regelmäßig Werte zu protokollieren, weil das System das kontinuierlich tut. Im Vergleich zur BNetzA-Regulierungsberichterstattung, die eine 5 hat, liegt dieses System bei 4, weil die Zeitersparnis stärker von der Anlagengröße abhängt.

Kosteneinsparung, mittel (3/5) Das Einsparpotenzial ist real: Ein vermiedener Einspeiseausfall von einigen Tagen kann die Setup-Kosten zurückzahlen. Aber die Frühwarnung verhindert nichts von allein. Gespart wird nur, wenn sie früh genug kommt und jemand die Wartung vorzieht, und die Wartung selbst, neues Adsorbens oder Membranmodule, bezahlst du so oder so. Wer in zwei Jahren keinen Qualitätsausfall hatte, sieht die Einsparung nicht. Deshalb 3 und nicht 4: der Nutzen ist real, aber seine Realisierung ist an ein Ereignis gebunden, nicht an pure Betriebszeit.

Schnelle Umsetzung, mittel (3/5) Das SCADA-System liefert bereits Daten, die Frage ist, wie sauber diese Daten sind. In der Praxis zeigen sich regelmäßig Sensorausfälle in Archivdaten, Kalibrier-Events, die wie Anomalien aussehen, und fehlende Zeitstempel bei Netzunterbrechungen. Das Bereinigen und Aufbereiten der historischen Basisdaten für das Training eines Anomaliemodells kostet typischerweise 4–6 Wochen. Das eigentliche Modelltraining und die Kalibrierung brauchen nochmals 2–4 Wochen. Realistischer Zeitplan: 8–12 Wochen bis zum produktiven Pilotbetrieb.

ROI-Sicherheit, mittel (3/5) Anomalieerkennung ist messbar, du kannst zählen, wie viele Drift-Ereignisse das System erkennt, und welche davon auf manuellen Kontrollrunden entgangen wären. Was nicht direkt messbar ist: ob ein Einspeiseausfall tatsächlich verhindert wurde. Diese Lücke zwischen Früherkennung und verhindertem Kostenereignis macht den ROI-Nachweis anspruchsvoller als bei direkten Prozessautomatisierungen, und bei wenigen Ereignissen im Jahr bleibt er lange eine Schätzung.

Skalierbarkeit, hoch (4/5) Wer das System für eine Anlage aufgebaut hat, kann es auf weitere Anlagen ausrollen, das Grundmodell ist übertragbar, die SCADA-Integration muss pro Anlage einmalig gemacht werden. Der Berichts-Generator ist sofort auf N Anlagen skalierbar. Kein 5, weil jede neue Anlage ihren eigenen Daten-Sauberkeits-Aufwand mitbringt.

Richtwerte, stark abhängig von SCADA-Datenqualität, Anlagengröße und Anzahl der Messpunkte.

Was KI-Monitoring bei Biomethan-Einspeiseanlagen konkret macht

Das Kernproblem ist ein Machine Learning-Problem der Kategorie Zeitreihen-Anomalieerkennung. Das Modell lernt das typische Verhalten der Anlage kennen, wie sich Methangehalt, Wobbe-Index, H2S-Konzentration und Mengenstrom im Tagesverlauf, über die Woche und mit der Saison verändern. Danach überwacht es jeden neuen Datenpunkt und berechnet, wie stark er vom erwarteten Muster abweicht.

Was das Modell konkret überwacht:

• Methangehalt (CH4): Typisch 95–99 % nach Aufbereitung. Ein langsamer Rückgang, der noch unter der Alarmgrenze liegt, ist ein typisches Frühzeichen für alternde Membranen bei Membrananlagen oder nachlassende Adsorbenskapazität bei Druckwechseladsorption (PSA).
• Wobbe-Index: Das zulässige Fenster für die jeweilige Gasgruppe steht in DVGW G 260. Abweichungen entstehen durch CO2-Restgehalte oder variierende Propananteile bei der Konditionierung. Das Modell erkennt systematische Verschiebungen, die sich über Tage aufbauen.
• H2S-Gehalt: Den Grenzwert für Schwefelwasserstoff legt ebenfalls DVGW G 260 fest. H2S-Peaks entstehen oft nach Substratänderungen im Fermenter, das Modell korreliert Fermenterdaten mit dem H2S-Trend an der Einspeisestelle.
• Einspeiseprofil vs. Deklaration: Sieht euer Einspeisevertrag ein tages- oder wochenscharfes Einspeiseprofil vor, vergleicht das System kontinuierlich, ob die tatsächliche Einspeisung im vereinbarten Korridor bleibt, und meldet Abweichungen, bevor der VNB sie im nächsten Abrechnungslauf findet.

Der Reporting-Teil:

Parallel zur Anomalieerkennung läuft eine Reporting-Pipeline, die täglich Messdaten aus dem SCADA-System holt, sie aufbereitet und in einem strukturierten Berichtsentwurf zusammenfasst. Zum Monatsende liegt ein vollständiger Monatsbericht als PDF vor, der Anlagenleiter prüft ihn, ergänzt bei Bedarf Anmerkungen und schickt ihn ab. Was vorher 4–8 Stunden dauerte, dauert jetzt 20 Minuten.

Technischer Aufbau:

Die Zeitreihendaten aus dem SCADA-System werden über OPC-UA oder Modbus in eine Zeitreihendatenbank wie InfluxDB geschrieben. Auf diesen Daten läuft ein Python-basiertes Anomaliemodell, entweder Prophet für die Trendprognose plus Residuen-Analyse, oder ein LSTM-Autoencoder für komplexere Muster. Grafana visualisiert die Anomalie-Scores und den aktuellen Betriebsstatus in einem Echtzeit-Dashboard. Die Reporting-Pipeline läuft über n8n oder direkt aus Python, automatischer Datenabruf, Template-Befüllung, PDF-Generierung.

Große Betreiber mit mehreren Einspeiseanlagen, die bereits AVEVA PI System als Historian einsetzen, können das Anomaliemodell direkt auf den PI-Datenfeed aufsetzen, ohne parallelen Datenpfad.

DVGW G 260 und Einspeisevertrag: Was du wirklich dokumentieren musst

Die Anforderungen für Biomethan-Einspeisung stammen aus zwei Quellen, die du beide kennen musst:

DVGW G 260 (September 2021) ist die zentrale technische Regel für Gasbeschaffenheit. Sie ersetzt die frühere G 262 für Gase aus regenerativen Quellen und zählt Biomethan ausdrücklich zu den Gasen der öffentlichen Gasversorgung. Für Biomethan legt sie unter anderem Grenzen für Wobbe-Index, Brennwert, Schwefelwasserstoff und Sauerstoff fest; die Zahlenwerte stehen im Arbeitsblatt selbst, nimm sie von dort in dein Monitoring und nicht aus Sekundärquellen. Methanschlupf, also Methan, das bei der Aufbereitung in die Luft entweicht, ist kein Parameter der Gasbeschaffenheit, sondern eine Frage von Genehmigung und Förderbedingungen.

Dein Einspeise- und Netzanschlussvertrag regelt, welche Daten du dem Netzbetreiber wie oft lieferst. Die Gasnetzzugangsverordnung (GasNZV) mit ihren Biogas-Regeln ist mit Ablauf des 31. Dezember 2025 aufgehoben worden, prüf deshalb, auf welche Grundlage sich dein Vertrag heute stützt. Typischer Inhalt der Dokumentation: eingespeiste Gasmenge (Nm³/h und kWh), Gasqualitätsmesswerte, Betriebszeiträume, Abschaltungen und Störungen, Kalibrierungsnachweise für Messgeräte. Die Daten gehen oft monatlich an den Netzbetreiber, bei vielen immer noch als PDF oder Excel per E-Mail.

Was oft unterschätzt wird: Der VNB hat seinerseits eigene Messtechnik an der Einspeisestelle. Er sieht, was ins Netz geflossen ist. Weichen deine Meldewerte von seinen Messungen ab, entsteht eine Diskrepanz, die im schlimmsten Fall damit endet, dass er die Abnahme bis zur Klärung aussetzt. KI-Monitoring hilft genau hier: Es zeigt Drift-Ereignisse, bevor sie zu einer Diskrepanz werden.

Gebäuderecht und Biomethan: Wer was nachweisen muss

Das frühere Gebäudeenergiegesetz heißt inzwischen GModG, und die bisherige 65-Prozent-Regel in § 71 ist darin weggefallen. Stattdessen verlangt § 43 GModG: Wer nach dem 29. Juli 2026 in einem bestehenden Gebäude eine Heizung neu einbaut, die mit Gas, Heizöl oder Flüssiggas läuft, muss als Gebäudeeigentümer sicherstellen, dass ein Teil der Wärme aus Biomethan, Bioöl, biogenem Flüssiggas oder Wasserstoff stammt:

Die Pflicht trifft den Gebäudeeigentümer, nicht den Gasversorger und nicht den Einspeiser. Für die Inverkehrbringer von Gas kündigt § 42a GModG zusätzlich eine eigene Grüngasquote an; ihre Höhe soll ein Gesetz regeln, das bis zum 1. Dezember 2026 vorzulegen ist. Stand heute gibt es dafür keine Zahlen.

Was das für Einspeiseanlagenbetreiber bedeutet: keine eigene Quotenpflicht, aber mehr Nachfrage und mehr Nachweisarbeit. Versorger, die Tarife mit Biomethananteil verkaufen, wollen lückenlose Mengen- und Herkunftsnachweise, und jede ungeklärte Abweichung erzeugt Rückfragen, die beim Einspeiser ankommen. Ein Monitoring, das Mengen und Qualitäten automatisch und nachvollziehbar dokumentiert, macht diese Nachweise leichter, eine Rechtspflicht zum KI-Monitoring folgt daraus nicht.

Konkrete Werkzeuge, was wann passt

InfluxDB + Grafana , der Open-Source-Stack für den Einstieg Wer SCADA-Daten über OPC-UA oder Modbus anbinden kann, kommt mit InfluxDB (on-premise, kostenfrei) und Grafana (ebenfalls kostenfrei selbst hostbar) sehr weit. InfluxDB speichert Zeitreihendaten hocheffizient, Grafana visualisiert sie in Echtzeit. Anomalieerkennung ohne eigene Modellentwicklung bietet Grafana ML; unsere Toolseite beschreibt es im Zusammenhang mit Grafana Cloud, ob es in eurer selbst gehosteten Variante verfügbar ist, prüft vor der Planung. Für die Reporting-Automatisierung ist eine Python-Schicht oder n8n nötig. Gesamtaufwand: 2–4 Wochen Integrationsarbeit, laufende Kosten nahe null wenn on-premise.

Prophet + Python, für eigene Anomaliemodelle Wer über die Grafana -ML-Anomalieerkennung hinaus will, baut ein eigenes Modell auf Basis der historischen SCADA-Daten. Prophet eignet sich gut für die Trendprognose von Methangehalt und Wobbe-Index über mehrere Tage, es modelliert Saisonalitäten (Substrat-Zusammensetzung verändert sich im Jahresverlauf) und liefert Konfidenzintervalle als Frühwarnzone. Einschränkung: Prophet ist keine Echtzeit-Bibliothek, für sekundengenauere Überwachung braucht man ein separates LSTM-Modell. Developer-Einstiegshürde: Python-Kenntnisse und Datenverständnis sind Pflicht.

n8n , für die Reporting-Pipeline Das offene Automatisierungstool (selbst hostbar, EU-Daten) eignet sich hervorragend für den monatlichen Reporting-Workflow: Daten aus InfluxDB oder AVEVA PI abholen, Plausibilitätsprüfungen ausführen, Berichts-Template befüllen, PDF erzeugen, per E-Mail an VNB und Archiv senden. Keine proprietäre Bindung, DSGVO-konform on-premise. Für kleinere Anlagen und einfachere Workflows ist auch Make.com eine Option, weniger Eigenbau, dafür mehr SaaS-Abhängigkeit.

AVEVA PI System , für Betreiber mit mehreren Anlagen Wer bereits AVEVA PI als Historian einsetzt (typisch bei Betreibern mit 5+ Biomethan-Anlagen), kann das Anomaliemodell direkt auf den PI-Datenfeed aufsetzen. PI Asset Framework ermöglicht die Modellierung von Anlagenstrukturen und Einspeisequoten-Templates. Aufwand für die PI-Integration ist erheblich, lohnt sich aber ab einer gewissen Anlagenanzahl.

Zusammenfassung: Wann welcher Ansatz

• Eine Anlage, kein Historian-System → InfluxDB + Grafana + Python
• Eine Anlage, Automatisierung im Fokus → InfluxDB + Grafana + n8n
• Mehrere Anlagen, PI bereits vorhanden → AVEVA PI + Python Anomaliemodell
• Schneller Proof of Concept ohne Infrastrukturaufwand → Grafana Cloud (Frankfurt) als Einstieg

Datenschutz und Datenhaltung

Biomethan-Anlagendaten sind keine personenbezogenen Daten im Sinne der DSGVO, Messwerte für Methangehalt, Wobbe-Index und Mengenstrom sind Prozessdaten. Trotzdem gibt es datenschutz- und sicherheitsrelevante Aspekte:

KRITIS-Relevanz: Die Schwellen der BSI-KritisV liegen für Gasanlagen bei 5.190 GWh im Jahr, eine einzelne Biomethananlage liegt mit einem zwei- oder dreistelligen GWh-Wert weit darunter. Ob für dein Unternehmen NIS2-Pflichten gelten, hängt an Größe und Sektorzuordnung, das prüfst du gesondert. Unabhängig davon gilt: Netzwerktrennung zwischen OT- und IT-Systemen gehört zur guten Praxis, und ein Monitoring, das Steuerbefehle zurück ins OT-Netz schreiben könnte, gehört nicht in eine Cloud.

Empfehlung: InfluxDB on-premise auf eigener Hardware ist für Anlagen mit strengen Sicherheitsvorgaben der bevorzugte Weg. Grafana OSS selbst gehostet, n8n self-hosted auf EU-Server. Das SCADA-System bleibt im OT-Netz, die Zeitreihendatenbank im IT-Netz mit One-way-Datenfluss (SCADA → InfluxDB, keine Rückschreibung).

Für Anlagen ohne strenge Sicherheitsvorgaben: Grafana Cloud in der Frankfurter Region (AWS eu-central-1) vermeidet lokalen Infrastrukturaufwand. Die EU-Region musst du bei der Einrichtung aktiv wählen, sie lässt sich danach nicht mehr ändern, und der Anbieter ist ein US-Unternehmen. Einen AVV gibt es über das Trust Center.

Vertragliche Mindestanforderungen:

• Auftragsverarbeitungsvertrag (AVV) mit jedem Cloud-Anbieter vor Produktivbetrieb
• OPC-UA-Verbindungen zwischen SCADA und Zeitreihendatenbank verschlüsseln (TLS 1.3)
• Zugriffsrechte auf die Monitoring-Plattform auf Anlagenleiter und berechtigte VNB-Schnittstellen beschränken

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten (eine Anlage)

• SCADA-Anbindung und Datenpipeline: typisch 2–4 Wochen externer Aufwand → 4.000–12.000 Euro (abhängig von SCADA-Systemtyp und Datensauberkeit)
• Historische Datenbereinigung und Modelltraining: 1–2 Wochen → 2.000–6.000 Euro
• Dashboard-Konfiguration und Reporting-Template: 1–2 Wochen → 1.500–4.000 Euro
• Gesamt Ersteinrichtung: 7.500–22.000 Euro (stark abhängig von SCADA-Komplexität und externem oder internem Aufwand)

Laufende Kosten (monatlich, eine Anlage)

• InfluxDB on-premise: 0 Euro Software + Serverkosten ~50–150 Euro/Monat
• Grafana OSS on-premise: 0 Euro
• n8n self-hosted: 0 Euro Software + Serverkosten inklusive oben
• Prophet /Python-Modell: 0 Euro Lizenz, aber Retraining mindestens vierteljährlich (s. Fehler 3), rechne je Durchgang ein bis zwei Personentage
• Alternativ in der Cloud, Grafana Cloud Pro: ab 19 USD im Monat Grundgebühr plus nutzungsabhängige Metriken, EU-Region Frankfurt aktiv wählen
• Alternativ in der Cloud, n8n Cloud: Starter ab 20 € im Monat

Wie rechnet sich das?

Nur über vermiedene Einspeiseausfälle, und die sind selten. Rechne es für deine Anlage so:

• Ausfallkosten je Tag: Einspeiseleistung mal 24 Stunden mal dein Erlös je kWh, bei 2 MW sind das 48.000 kWh am Tag (siehe oben).
• Was die Frühwarnung davon rettet: nur die Ausfalltage, die du durch vorgezogene Wartung vermeidest. Die Wartung selbst bezahlst du so oder so, nur früher und geplant.
• Was sie kostet: 7.500–22.000 € Einrichtung, dazu Server oder Cloud, vier Retrainings im Jahr und in den ersten Monaten die Prüfung von Fehlalarmen.
• Dazu der gesparte Berichtsaufwand: 4–8 Stunden im Monat, bei 40 €/h ein Zeitwert von 160–320 € im Monat, Geld aber nur, wenn der Anlagenleiter die Zeit anderweitig nutzt.

Vermeidet die Frühwarnung einen oder zwei Ausfalltage im Jahr, trägt sie bei den meisten Erlössätzen ihre laufenden Kosten. Ob sie die Einrichtung in vertretbarer Zeit zurückverdient, entscheidet deine Ausfallhistorie der letzten drei Jahre: Wie viele Tage mit gedrosselter oder ausgesetzter Einspeisung hattest du wegen Gasqualität?

Was du tatsächlich nachmessen kannst: Zähle die Anzahl der Anomalie-Events, die das System vor dem Alarm erkannt hat. Dokumentiere, welche davon ohne Frühwarnung zu Alarmzuständen oder Grenzwertverletzungen geworden wären. Das ist dein ROI-Nachweis, nicht eine Hochrechnung, sondern ein konkreter Ereignis-Log.

Drei typische Einstiegsfehler

1. SCADA-Daten direkt ins Modell geben ohne Bereinigung. SCADA-Historien von Biomethan-Anlagen enthalten regelmäßig: Kalibrierungs-Events (Messgeber zeigt 0 oder Maximalwert), Kommunikationsausfälle (Lücken über Stunden), Sensor-Sprünge bei Wartungsarbeiten und fehlerhafte Zeitstempel bei Sommerzeitumstellung. Ein unbereinigtes Modell lernt diese Artefakte als “normales Verhalten”, und alarmiert entweder dauernd (False Positives) oder ignoriert echte Abweichungen (False Negatives). Die Datenbereinigung ist kein optionaler Schritt, sondern die Hälfte des Projekts.

2. Den Wobbe-Index isoliert modellieren. Wobbe-Index und Methangehalt sind korreliert, wenn der Methangehalt sinkt und CO2 steigt, verändert sich zwingend auch der Wobbe-Index. Ein Modell, das diese Parameter einzeln modelliert statt gemeinsam, erkennt keine Kompensationseffekte (z.B. sinkender CH4-Gehalt, ausgeglichen durch höheren Propananteil). Multivariate Modelle sind aufwändiger, liefern aber deutlich weniger False Alarms als univariate.

3. Das Modell einmal trainieren und dann nicht mehr anfassen. Das ist der gefährlichste Fehler, weil er still passiert. Die Substrate in einer Biogasanlage verändern sich saisonal: Im Sommer mehr Mais, im Winter mehr Rüben, gelegentlich Substrate von neuen Lieferanten. Was im Februar als “normal” gelernt wurde, ist im August eine Anomalie, und umgekehrt. Ein Modell, das nie nachtrainiert wird, hat nach 6–12 Monaten eine systematisch höhere False-Alarm-Rate. Das System verliert die Akzeptanz beim Anlagenleiter, der die Alarme dann ignoriert.

Lösung: Retraining-Zyklen im Betriebsplan festschreiben: mindestens vierteljährlich und nach jeder größeren Substrat-Änderung. Nicht als IT-Task, sondern als Betriebsvorgang mit verantwortlicher Person.

4. Monatsberichte automatisieren, aber die Monitoring-Kette nicht auditieren. Ein automatisch generierter Monatsbericht ist nur so gut wie die Daten, die ihm zugrunde liegen. Wenn ein Sensor sechs Wochen lang leicht fehlkalibriert war und das System das nicht erkannt hat, unterschreibt der Anlagenleiter einen Bericht mit systematisch falschen Werten, und merkt es erst, wenn der VNB eskaliert. Die Reporting-Automatisierung braucht eine vorgelagerte Plausibilitätsprüfung: Liegt jeder Wert im physikalisch möglichen Bereich? Gibt es Lücken? Gibt es sprunghafte Änderungen, die eine Sensorkalibrierung anzeigen?

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist handhabbar. Was in der Praxis unterschätzt wird, ist der Prozesswechsel beim Anlagenleiter.

“Das SCADA-System hat das bisher auch gemacht”, ist die erste Reaktion. Stimmt: Das SCADA-System hat alarmiert. Aber es hat nicht gemusternt. Der Unterschied zwischen “Messwert überschreitet Grenzwert” und “Messwert-Trend deutet auf Grenzwertüberschreitung in 36 Stunden hin” ist ein Paradigmenwechsel. Wer bisher reaktiv gearbeitet hat, muss lernen, proaktiv auf Vorwarnungen zu reagieren, bevor es eine Situation gibt.

Was das konkret bedeutet:

• Der Anlagenleiter bekommt täglich eine Anomalie-Zusammenfassung, nicht einen Alarm pro Grenzwertverletzung, sondern einen Bericht mit Scores. Das neue Verhalten: einmal täglich reinschauen, Scores lesen, entscheiden ob Handlungsbedarf.
• In den ersten 8–12 Wochen Pilotbetrieb werden regelmäßig Muster alarmiert, die sich als Betriebsnormal herausstellen (Gärrestabzug, Wartungsarbeiten). Diese False Positives sind keine Fehler des Systems, sie sind Feedback, das zur Modellverbesserung genutzt werden sollte.
• Das Verhältnis zum VNB verändert sich: Wer den Monatsbericht automatisch und vollständig einreicht, wer bei Abweichungen proaktiv kommuniziert statt reaktiv zu erklären, baut Vertrauen auf. Das ist ein strategischer Vorteil, der sich bei Kapazitätsdiskussionen und Netzanschluss-Erweiterungen bemerkbar macht.

Was das System definitiv nicht macht:

• Es repariert keine defekten Sensoren, es erkennt nur, dass die Werte unplausibel sind
• Es entscheidet nicht, ob ein Drift-Ereignis durch Substratänderung oder Anlagendefekt verursacht wurde, das bleibt eine menschliche Einschätzung
• Es ersetzt nicht den Anlagenleiter als verantwortliche Person für den Anlagenbetrieb

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die SCADA-Anbindung und Netzwerksegmentierung zwischen OT und IT sind oft der kritische Pfad, nicht das ML-Modell. Plant diese Abstimmung mit der IT-Sicherheit früh ein.

Häufige Einwände, und was dahintersteckt

„Unser SCADA-System alarmiert bereits bei Grenzwertüberschreitung.” Das stimmt, das ist die Stärke von SCADA. Aber Alarmierung und Mustererkennung sind verschiedene Dinge. SCADA sagt: “Jetzt ist der Grenzwert überschritten.” Das KI-System sagt: “In 36 Stunden wird der Grenzwert überschritten, wenn der aktuelle Trend anhält.” Das Aktionsfenster ist der Unterschied zwischen einer geplanten Wartung und einem Einspeiseausfall, vorausgesetzt, jemand nutzt es.

„Der VNB macht doch sowieso sein eigenes Monitoring.” Richtig. Und genau deshalb ist proaktives KI-Monitoring ein Vorteil: Du weißt, was der VNB sieht, bevor er sich meldet. Das gibt dir Zeit für korrektive Maßnahmen, proaktive Kommunikation und vollständige Dokumentation. Wer reagiert, erklärt. Wer proaktiv kommuniziert, schützt die Beziehung.

„Wir haben nur eine Anlage, reicht da der Aufwand?” Das hängt davon ab, was eine Grenzwertverletzung kostet. Bei einer 2-MW-Anlage mit rund 14,5 GWh Jahreseinspeisung fehlen an jedem Ausfalltag 48.000 kWh. Wenn du in den letzten drei Jahren keinen Qualitätsausfall hattest und dein Substrat hochstabil ist (z.B. Kläranlagen-Faulschlamm mit sehr gleichmäßiger Zusammensetzung), ist das Argument gegen KI-Monitoring legitim. Für alles andere: Rechne mit deiner Ausfallhistorie nach (siehe “Wie rechnet sich das?”), bevor du baust.

Woran du merkst, dass das zu dir passt

Das passt:

• Du betreibst eine oder mehrere Biomethan-Einspeiseanlagen mit >500 kW installierter Aufbereitungskapazität
• Du hast bereits ein digitales SCADA-System mit historisierten Messdaten (mindestens 12 Monate Archiv)
• Dein monatlicher Bericht an den Netzbetreiber kostet heute mehr als 2 Stunden pro Anlage
• Du hattest in den letzten drei Jahren mindestens ein Qualitäts-Gespräch mit dem VNB, das dich Zeit und/oder Geld gekostet hat
• Du betreibst mehrere Anlagen und willst Compliance-Overhead nicht proportional skalieren

Drei harte Ausschlusskriterien, wann es sich (noch) nicht lohnt:

1. Anlagen unter ~500 kW mit einem Fermenter und stabilen Substraten (z.B. ausschließlich Kläranlagen-Faulschlamm): Die Methanproduktion ist so gleichmäßig, dass regelbasierte SCADA-Alarme ausreichen. Der Aufwand für ein ML-Modell ist nicht gerechtfertigt. Hier reicht ein sauberes Tabellenreporting mit halbautomatischer Datenbefüllung.

2. Anlagen ohne digitales SCADA-System oder mit ausschließlich analogen Messgebern: Die Voraussetzung für KI-Monitoring ist digitale Datenverfügbarkeit. Wer heute noch Stundenwerte von Hand abschreibt, braucht zuerst ein digitales Monitoring-System, das KI-Modell kommt danach.

3. Anlagen, bei denen der VNB das Monitoring vertraglich übernommen hat und der Betreiber keine eigene Handlungsoption bei Frühwarnung hat: Wenn du nicht reagieren kannst, hat die Frühwarnung keinen Wert. In diesem Fall ist Transparenz über die VNB-Monitoring-Daten das erstrebenswerte Ziel, kein eigenes Modell.

Das kannst du heute noch tun

Starte mit einer Daten-Exploration, bevor du etwas baust. Exportiere die letzten 12 Monate SCADA-Archivdaten für Methangehalt, Wobbe-Index und Mengenstrom. Lade sie in ein freies Jupyter-Notebook oder Claude/ChatGPT und stelle die folgende Frage:

Quellen & Methodik

• dena Branchenbarometer Biomethan 2024: Deutsche Energie-Agentur (dena), „ANALYSE: Branchenbarometer Biomethan 2024” (2024). Im September 2024 251 Anlagen an 236 Standorten mit 151.400 Nm³/h Einspeisekapazität; Einspeisevolumen 2023 10.663 GWh bei durchschnittlich 7.252 Volllaststunden. dena.de (PDF)

• Digitalisierung Biomethan-Branche: bitecc, „Digitalisierung in der Biomethan-Branche” (2024). KI kann Effizienz von Biomethananlagen um bis zu 30 Prozent steigern; Herausforderungen bei Datenstandardisierung und Protokollvielfalt. bitecc.de

• Smart Biogas Monitoring: International Journal of Engineering Research & Technology (IJERT), „Smart Biogas Monitoring System with Real-Time Visibility, Predictive Analytics, and Safety Alerts” (2025). Anomalieerkennung 97,8 % Genauigkeit, 35 % Reduktion operativer Ausfallzeiten bei IoT-gestützten Biogasanlagen. ijert.org

• DVGW G 260 (September 2021): Technische Regel für Gasbeschaffenheit. Ersetzt G 260:2013 und G 262:2011; Formulierungen zur Wobbe-Obergrenze für H-Gas präzisiert, kalorimetrische Größen laut Vorwort auf nationaler Ebene nicht geändert. DVGW Shop (Leseprobe)

• GasNZV (Gasnetzzugangsverordnung 2010): mit Ablauf des 31.12.2025 aufgehoben durch Art. 15 Abs. 6 des Gesetzes vom 22.12.2023 (BGBl. 2023 I Nr. 405); § 36 regelte die Qualitätsanforderungen für Biogas, § 6 die Registrierung, § 37 war schon vorher weggefallen. buzer.de/gesetz/9416

• GModG (früher Gebäudeenergiegesetz), § 43 und § 42a: Anteile von Biomethan oder Wasserstoff für Gasheizungen, die nach dem 29.07.2026 in Bestandsgebäude eingebaut werden (10 % ab 2029, 15 % ab 2030, 30 % ab 2035, 60 % ab 2040, Pflicht des Gebäudeeigentümers); angekündigte Grüngasquote für Inverkehrbringer. gesetze-im-internet.de/geg

• Kosten eines Qualitätsausfalls und Frühwarnzeiten: Annahmen und Rechenweg dieser Seite, keine Erhebung; die Werte deiner Anlage ergeben sich aus deiner Ausfall- und Alarmhistorie.

Willst du wissen, wie viel Monitoring-Aufwand du je Anlage heute investierst und ob sich ein KI-System für deine spezifische Situation rechnet? Meld dich, das klären wir in einem kurzen Gespräch.