Brennofen-Energieverbrauch: Lastprognose und Schichtplanung mit KI

Das echte Ausmaß des Problems

Energie ist der größte Kostenblock in der Glas- und Keramikproduktion — nicht Rohstoffe, nicht Personalkosten. In der Keramikherstellung entfallen laut Branchenberichten 30 bis 50 Prozent der gesamten Produktionskosten auf Energie, davon der größte Teil auf die thermische Behandlung im Ofen. Die Glas- und Keramikindustrie verbrauchte 2021 rund 7,4 Prozent des gesamten deutschen Industriestrombedarfs und belegt damit Platz vier der energieintensivsten Branchen (Umweltbundesamt).

Was das in absoluten Zahlen bedeutet: Ein mittelgroßes Keramikwerk mit 5 GWh Jahresverbrauch zahlt bei einem Mischpreis von 15 Cent pro Kilowattstunde rund 750.000 Euro im Jahr nur für den Strom. Bei einem großen Glaswerk mit 20 GWh können es drei Millionen Euro sein. Diese Zahlen machen deutlich, warum selbst eine Einsparung von 10 Prozent wirtschaftlich relevant ist.

Das Problem liegt nicht am Ofen selbst, sondern an der Art, wie er gesteuert wird. Die meisten Werke arbeiten mit festen Brennplänen: Montag bis Freitag, drei Schichten, Ofen läuft durch, fertig. Drei Faktoren werden dabei komplett ignoriert:

Der Börsenpreis. Strom kostet an der EPEX Spot morgens zwischen 6 und 9 Uhr oft das Doppelte wie nachts zwischen 2 und 5 Uhr — weil alle gleichzeitig hochfahren. Ein Tunnelofen, der seinen Aufheizzyklus in die Morgenspitze legt, verbrennt Geld, das er in der Nachtstunde gespart hätte.

Der Jahresleistungspreis. Industrielle Abnehmer mit mehr als 100.000 kWh Jahresverbrauch bezahlen nicht nur für den verbrauchten Strom (Arbeitspreis), sondern auch für ihre Spitzenlast (Leistungspreis). Dieser basiert auf der höchsten gemessenen Viertelstundenleistung des gesamten Jahres. Eine einzelne ungeplante Lastspitze wirkt sich auf die Netzentgeltrechnung des ganzen Jahres aus.

Die Lieferverpflichtungen. Gleichzeitig darf der Ofen nicht einfach nach Strompreis gesteuert werden. Keramische Bauteile, Feuerfestmaterial und technische Keramik haben enge Brennfenster und Lieferdaten, die nicht verschoben werden können. Der Optimierungsraum liegt dazwischen: Wann genau in einem Liefertermin-konformen Zeitfenster der Brennzyklus startet — und welche Energie-Kosten das erzeugt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen aus der Praxis: Ein europäischer Sanitärkeramikhersteller reduzierte seine Energiekosten durch KI-optimierte Brennpläne um 17 Prozent — ohne Abstriche bei Qualität oder Liefertreue (Syndell Technologies, 2024). Ein Fliesenhersteller in Italien senkte mit einem intelligenten Ofensteuerungssystem den Energieverbrauch um 22 Prozent und verbesserte gleichzeitig die Erstpass-Ausbeute um 14 Prozent.

Der Jahresleistungspreis: Warum eine einzige schlechte Viertelstunde das ganze Jahr teuer macht

Dieser Mechanismus ist außerhalb von Energieabteilungen erstaunlich wenig bekannt — und er ist der wichtigste Hebel dieser Optimierung.

Industrielle Stromabnehmer ab 100.000 kWh Jahresverbrauch werden über eine registrierende Leistungsmessung (RLM) abgerechnet. Das bedeutet: Alle 15 Minuten wird der durchschnittliche Leistungsbezug gemessen und gespeichert. Der höchste dieser Werte im Kalenderjahr bildet die Basis für den sogenannten Jahresleistungspreis, der je nach Region und Netzbetreiber zwischen 80 und 130 Euro pro Kilowatt und Jahr liegt.

Das Perverse: Dieser Spitzenwert muss kein einziges Mal mehr auftreten — er zählt trotzdem für das gesamte Jahr. Ein Werk, das an einem einzigen Montag im Februar 800 kW zieht und danach nie wieder über 500 kW kommt, bezahlt dennoch 800 kW × 110 €/kW/Jahr = 88.000 Euro Jahresleistungspreis — statt 55.000 Euro bei 500 kW. Die Differenz: 33.000 Euro, dauerhaft, wegen eines schlechten Morgens.

Das ecoplanet-Energiemanagementsystem dokumentiert genau diesen Effekt aus der Praxis: Ein Stahlverarbeiter in NRW erkannte, dass seine Pressstraße jeden Montag gleichzeitig mit der Druckluftstation anlief und damit eine Leistungsspitze erzeugte, die 40 Prozent über dem Jahresdurchschnitt lag. Durch einfaches zeitversetztes Hochfahren der Druckluft sank die Jahreshöchstlast um 180 kW — Einsparung: rund 30.000 Euro pro Jahr. Der Aufwand: eine Softwareanpassung an der Steuerung.

Was das für Keramiköfen bedeutet: Tunnelöfen, Rollenöfen und Schubplattenöfen haben charakteristische Aufheizphasen, in denen sie kurzzeitig mehr Leistung ziehen als im Dauerbetrieb. Wenn dieser Aufheizzyklus mit Kompressoranläufen, Hallenheizsystemen oder anderen energieintensiven Prozessen zusammenfällt — was ohne Steuerung routinemäßig passiert — entstehen genau diese kostspieligen Jahresspitzen. KI-gestützte Lastprognose erkennt diese Muster, prognostiziert drohende Überlappungen und verschiebt Startzeiten um 10 bis 20 Minuten, um die Überlagerung zu vermeiden.

Welche Öfen profitieren — und welche nicht

Das ist die wichtigste Differenzierung, die in keiner Marketing-Broschüre steht: Nicht jeder Brennofen in der Glas- und Keramikindustrie lässt sich energieseitig optimieren. Der Unterschied liegt in der Prozessphysik.

Kontinuierliche Glasschmelzwannen: Industrielle Glasschmelzwannen laufen nach ihrer Inbetriebnahme 8 bis 12 Jahre ohne Unterbrechung. Sie werden nicht abgeschaltet, sie werden nicht gedrosselt — eine Temperaturabweichung von mehr als einigen Grad zerstört die Glasqualität oder beschädigt die Wannenstruktur. Für diese Anlagen ist zeitliches Last-Shifting der Kernanlage schlicht nicht möglich. Der Optimierungshebel liegt nur in Nebenanlagen: Druckluft, Kühlung, Lagerhaltung. Das ist ein kleinerer Hebel.

Batch-Brennöfen in der Keramikfertigung (Tunnel-, Rollen-, Kammeröfen): Diese Öfen können geplant an- und abgefahren werden. Zwischen Liefertermin und Brennstart gibt es oft mehrere Tage Spielraum. Genau dieser Spielraum ist das Optimierungsfenster. Hier ist das Einsparpotenzial am größten.

Weitere Ofentypen, die profitieren:

• Floatglas-Kühlöfen (Kühlstrecken): Temperierprozesse mit Spielraum in Intensität und Timing
• Keramische Sinteröfen in der Technischen Keramik: häufig mit Batch-Struktur und Qualitätsfenstern statt starren Zeitplänen
• Glastemperier- und Entspannungsöfen: oft mit erheblichem Scheduling-Spielraum

Wer kaum profitiert:

• Betreiber kontinuierlicher Hohlglas-Schmelzwannen (nur Nebenanlagen)
• Unternehmen mit Festpreisvertrag ohne Spotmarktexposition
• Betriebe unter 500.000 kWh/Jahr Jahresverbrauch (keine RLM-Pflicht, damit keine 15-Minuten-Leistungsmessung)

Einschätzung auf einen Blick

Zeitersparnis — sehr gering (1/5)
Dieses System spart keine Arbeitszeit. Der Schichtplaner braucht statt einer halben Stunde vielleicht 10 Minuten für die Freigabe eines KI-Vorschlags — das ist kein nennenswerter Gewinn. Der Wert entsteht ausschließlich in der Kostendimension, nicht in der Zeitdimension. Andere Anwendungsfälle in dieser Branche — etwa die KI-Assistenz für Produktdatenblätter oder die Glasurfarb-Konsistenz — bieten deutlich mehr direkten Zeitgewinn für Mitarbeitende.

Kosteneinsparung — hoch (4/5)
Energiekosten sind der größte variable Kostenblock in der Glas- und Keramikfertigung. 10 bis 20 Prozent Einsparung auf einer Basis von 200.000 bis einer Million Euro pro Jahr bedeutet 20.000 bis 200.000 Euro Einsparung — real, direkt messbar und dauerhaft. Nur wenige andere Anwendungsfälle in dieser Branche haben einen so klaren Hebel auf einen so großen Kostenblock.

Schnelle Umsetzung — niedrig (2/5)
Die Datenintegration ist das Haupthindernis: ERP-Schnittstelle für Auftragsdaten, Energiemessung mit 15-Minuten-Granularität, Strombörsen-API, historische Verbrauchsdaten — all das muss sauber zusammengeführt werden, bevor das erste Modell trainiert werden kann. Realistisch sind 3 bis 8 Monate bis zum produktiven Einsatz, im schlechtesten Fall (fehlende Historiendaten) verlängert sich das um 12 weitere Monate. Verglichen mit reinen Softwarelösungen in dieser Kategorie ist das überdurchschnittlich aufwändig.

ROI-Sicherheit — mittel (3/5)
Der ROI ist stark konditioniert: Er entsteht nur bei Spot-Marktexposition, bei Batch-Ofentypen und bei ausreichendem Jahresverbrauch für die Jahresleistungspreis-Optimierung. Wer unter Festpreisvertrag läuft oder eine kontinuierliche Glasschmelze betreibt, erlebt einen deutlich niedrigeren Effekt. Diese Bedingungsabhängigkeit erklärt die mittlere Bewertung.

Skalierbarkeit — hoch (4/5)
Das trainierte Modell lässt sich auf weitere Ofenlinien und Standorte ausrollen, ohne proportional steigenden Aufwand. Die Grundarchitektur (ERP-Daten + Energiemessung + Optimierungslogik) bleibt gleich — nur die Parametrisierung ändert sich. Bei Unternehmen mit mehreren Werken ist das ein klarer Multiplikatoreffekt.

Richtwerte — stark abhängig von Tarifstruktur, Ofentyp und Jahresverbrauch.

Was das System konkret macht

Der technische Kern ist ein dreistufiger Prozess: Prognose, Optimierung, Steuerung.

Stufe 1 — Lastprognose: Das Modell nimmt sich die ERP-Auftragsdaten der nächsten 7 bis 14 Tage vor — Produktmix, Losgrößen, Liefertermine, Prioritäten. Aus den historischen Energieverbrauchsprofilen jedes Ofentyps weiß es, wie viel Energie ein Brennzyklus für Produkt X in Ofen Y zu welcher Phase zieht. Diese Kombination ergibt ein hochaufgelöstes Lastprofil: Stunde für Stunde, Ofen für Ofen.

Stufe 2 — Preisoptimierung: Das prognostizierte Lastprofil wird gegen aktuelle Day-ahead-Preise der EPEX Spot gespiegelt. Das System sucht die günstigsten Brennfenster innerhalb der Lieferzeitpuffer. Gleichzeitig prüft es auf drohende Leistungsspitzen: Wo würden mehrere Öfen oder Anlagen gleichzeitig in Aufheizphasen fallen? Diese Überlappungen werden zeitlich verschoben — um 15 Minuten, um eine Stunde, oder auf die Nachtstunden.

Stufe 3 — Ausgabe an den Dispatcher: Das System gibt dem Schichtplaner keinen Befehl, sondern einen Vorschlag: „Brennfenster Ofen 3, Charge 48, optimal zwischen 01:30 und 04:15 Uhr — alternativ zwischen 13:00 und 15:45 Uhr.” Der Mensch entscheidet, ob der Vorschlag passt, und gibt frei. Das System lernt aus Ablehnungen: Wenn ein Vorschlag regelmäßig abgelehnt wird, weil „die Spätschicht das nicht stemmt”, passt es seine Empfehlungslogik an.

Was das System nicht tut: Es steuert den Ofen nicht direkt. Es ändert keine Brennkurven. Es greift nicht in die Qualitätsparameter ein. Die Brenntechnologie bleibt unverändert — nur der Zeitpunkt, zu dem der Ofen seine Energie bezieht, wird optimiert.

Der Predictive Analytics-Ansatz für Energieverbräuche ist technisch weniger anspruchsvoll als die Machine Learning-Modelle zur Qualitätssicherung in der Brennprozess-Optimierung — weil die Zielvariable (Energieverbrauch in kWh, 15-Minuten-granular) gut messbar und vergleichsweise rauscharm ist. Was die Umsetzung aufwändig macht, ist nicht das Modell, sondern die Datenpipeline.

Konkrete Werkzeuge — was wann passt

Die Frage „welches Tool” hängt stark davon ab, ob du mit einer fertigen Energiemanagementsoftware arbeiten willst oder eine eigene Lösung aufbaust.

ecoplanet — wenn du eine fertige deutsche Lösung willst

ecoplanet ist eine KI-Energiemanagementplattform aus München, spezialisiert auf produzierende Mittelständler mit 500.000 kWh bis 20 GWh Jahresverbrauch. Das System überwacht die 15-Minuten-Viertelstundenleistung in Echtzeit, löst Alarm aus wenn eine Spitze droht, und — bei entsprechender Steuerungsintegration — kann es steuerbare Lasten automatisch abwerfen. Zusätzlich bietet ecoplanet KI-gestützte Beschaffungsoptimierung auf Day-ahead-Basis und unterstützt die ISO-50001-Dokumentation. Preise auf Anfrage, BAFA-Förderung als Energiemanagementsoftware möglich.

Prophet + scikit-learn — wenn du selbst entwickeln willst

Meta’s quelloffene Prophet-Bibliothek ist ideal für Zeitreihenprognosen mit saisonalen Mustern. Für die Energieverbrauchsprognose eines Tunnelofens mit Wochen- und Tagessaisonalität ist Prophet oft die schnellste und robusteste Lösung — open-source, kostenlos, in Python integrierbar. scikit-learn ergänzt dies für die Optimierungslogik (z.B. Gradient-Boosting-Modelle für die Tarifoptimierung). Erforderlich: ein Data-Scientist oder Python-erfahrener Ingenieur intern oder als Dienstleister.

AVEVA PI System — wenn du saubere Historiendaten brauchst

Wer noch keine granularen Energieverbrauchsdaten hat, braucht zuerst einen industriellen Historian. AVEVA PI ist der De-facto-Standard in der Prozessindustrie: Es sammelt 15-Minuten-Messwerte von Energiezählern, Unterverteilungen und Prozesssensoren, speichert sie historisch und macht sie über API zugänglich. Der Aufbau eines PI-Deployments ist aufwändig — 3 bis 6 Monate, sechs- bis siebenstellige Investition — aber für Werke, die bereits PI nutzen, ist der Energiehistorian damit abgedeckt.

Azure Machine Learning — wenn du eine Enterprise-ML-Pipeline brauchst

Wer die Prognosemodelle und Optimierungslogik als skalierbare Cloud-Lösung aufbauen will, nutzt Azure ML für Training, Deployment und Monitoring der Modelle. EU-Hosting, DSGVO-konform, integrierbar mit bestehenden Microsoft-365-Landschaften. Geeignet für Unternehmen mit einem dedizierten IT/OT-Team und dem Ziel, die Lösung intern zu betreiben und weiterzuentwickeln.

Zusammenfassung: Wann welcher Ansatz

• Mittelständler, fertige SaaS-Lösung, ISO-50001-Konformität gewünscht → ecoplanet
• Interne Datenwissenschaft, Open-Source, maximale Flexibilität → Prophet + scikit-learn
• Noch keine granularen Energiemessdaten vorhanden → zuerst AVEVA PI oder Smart-Meter-Gateway
• Enterprise-ML-Pipeline, Azure-Ökosystem vorhanden → Azure Machine Learning

Datenschutz und Datenhaltung

Energieverbrauchsdaten von Industrieöfen sind primär Maschinendaten — keine personenbezogenen Daten im klassischen Sinne. Die DSGVO-Relevanz entsteht, wenn Energieverbrauchsdaten mit Schichtplänen kombiniert werden, aus denen sich Arbeitszeiten einzelner Mitarbeitender ableiten ließen.

Für die verwendeten Werkzeuge gilt:

• ecoplanet: Deutsches Unternehmen, EU-Datenhosting, AVV nach Art. 28 DSGVO standardmäßig verfügbar. BAFA-konform.
• Prophet + scikit-learn: Lokale Python-Bibliotheken — keine Datenweitergabe an Dritte, vollständige Datenkontrolle im eigenen Rechenzentrum. Optimal für Betriebe mit strikten Datenhaltungsanforderungen.
• AVEVA PI System: On-Premises-Deployment möglich — alle Daten verbleiben auf eigenen Servern. Für Cloud-Variante (AVEVA Connect): EU-Rechenzentren über Microsoft Azure wählbar.
• Azure Machine Learning: EU-Hosting in Frankfurt oder Amsterdam wählbar. AVV über Microsoft-Standardvertragsklauseln.

Hinweis für Betriebsräte: In Unternehmen mit Betriebsrat sollte vor der Einführung eines Systems, das Schichtdaten mit Energieverbrauch verknüpft, die Mitbestimmungspflicht nach § 87 Abs. 1 Nr. 6 BetrVG geprüft werden. Das gilt insbesondere, wenn das System Abweichungen von geplanten Schichtzeiten dokumentiert.

Die Strombörsen-API (EPEX Spot) liefert öffentliche Marktdaten — hier entstehen keinerlei Datenschutzfragen. Auftragsdaten aus dem ERP sind in der Regel als Betriebsgeheimnisse zu behandeln; bei Cloud-Lösungen empfiehlt sich eine Anonymisierung von Kundennamen, bevor Daten das Werk verlassen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Der größte Kostentreiber ist nicht das Modell, sondern die Dateninfrastruktur. Wenn noch keine 15-Minuten-granularen Energiemessdaten vorliegen, müssen zunächst Subzähler oder Smart-Meter-Gateways installiert werden: je nach Anzahl der Öfen und Zählerpunkte 2.000 bis 15.000 Euro Hardware plus Installationsaufwand.

Die Systemintegration (ERP-Schnittstelle, Energiemessung, Modellaufbau, Test) kostet bei externer Beauftragung typischerweise 20.000 bis 60.000 Euro. Bei einer fertigen SaaS-Lösung wie ecoplanet entfällt ein Teil davon, dafür gibt es laufende Softwarekosten.

Laufende Kosten (monatlich)

• ecoplanet: auf Anfrage, erfahrungsgemäß vier- bis fünfstelliger Jahresbetrag für Mittelständler
• Eigene Python-Lösung (Hosting, Betrieb, Pflege): 500 bis 2.000 Euro/Monat
• Azure ML (Computing, Storage, APIs): 200 bis 800 Euro/Monat je nach Modellkomplexität und Abfragevolumen

Was du dagegenrechnen kannst

Konservatives Rechenbeispiel: Ein Keramikwerk mit 4 GWh Jahresverbrauch, Mischpreis 15 Cent/kWh, 600.000 Euro Jahresstromkosten.

• 10% Einsparung durch günstigere Bezugszeitfenster: 60.000 Euro/Jahr
• Jahreshöchstlast 600 kW → Reduktion auf 480 kW durch Spitzenlastkappung: 120 kW × 100 €/kW = 12.000 Euro/Jahr weniger Netzentgelte
• Gesamteinsparung konservativ: 72.000 Euro/Jahr
• Amortisation der Einrichtungskosten (40.000 Euro): unter 7 Monate

Im realistisch-optimistischen Szenario (20% Einsparung, mehr Spitzenlastkappung): Einsparung 130.000–150.000 Euro/Jahr.

Wie du den ROI tatsächlich nachweist: Die Einsparung ist direkt messbar — über die Jahresstromrechnung vor und nach der Implementierung sowie den Jahresleistungspreis auf der Netzentgeltrechnung. Beide Zahlen sind betrieblich transparent. Kein statistisches Modell nötig, kein „gefühlter Nutzen” — nur zwei Zahlen, zwei Jahre.

Typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Messdaten sauber sind.

Das ist der häufigste Fehler. Ein Lastprognosemodell braucht historische 15-Minuten-Viertelstundendaten von mindestens 12 Monaten — besser 24 bis 36 Monate. Wer nur Monatswerte oder Jahresspitzenlastnachweise der Abrechnung hat, kann kein prognosegeeignetes Modell trainieren. Der erste Schritt ist deshalb: Prüfen, ob die Messdaten in ausreichender Granularität vorhanden sind. Wenn nicht, zunächst die Messtechnik nachrüsten — und 12 Monate warten.

2. Nur die Energiekosten optimieren, ohne die Qualitätsparameter zu sichern.

Keramische Brennprozesse haben enge Temperaturfenster und vorgeschriebene Aufheizraten. Wer den Optimierungsalgorithmus ohne eingebaute Qualitäts-Constraints laufen lässt, riskiert, dass das System Brennpläne vorschlägt, die energetisch optimal, aber keramisch problematisch sind. Jede Brennkurve, die der Energieoptimierung unterliegt, muss als unveränderliche Einschränkung im Modell hinterlegt sein. Dieser Schritt wird regelmäßig in der Implementierungshektik vergessen.

3. Das System wird nicht in die Schichtplanung integriert — und bleibt damit ein Theorietool.

Energieoptimierungssysteme, die ihre Vorschläge als PDF-Anhang per E-Mail versenden, werden nach drei Monaten nicht mehr geöffnet. Der Vorschlag muss genau dort ankommen, wo der Dispatcher arbeitet — im ERP-System, im Leitstand-Dashboard oder im Schichtplanungstool. Ein System, das parallel zur bestehenden Planung läuft, erzeugt Mehraufwand statt Entlastung. Die Integration in den bestehenden Workflow ist keine technische Kür, sie ist die Pflicht.

4. Das Modell wird trainiert und danach nie mehr aktualisiert.

Energiepreissaisonalitäten, neue Produkttypen, neue Öfen, geänderte Lieferanten — all das verändert das Optimierungsproblem kontinuierlich. Ein Modell, das auf Daten von vor zwei Jahren trainiert wurde, unterschätzt möglicherweise aktuelle Preisvolatilitäten erheblich. Produktive Systeme brauchen einen Retraining-Rhythmus (mindestens alle 6 Monate) und eine verantwortliche Person, die diesen Rhythmus auslöst. Wer keinen Namen nennen kann, der in 12 Monaten das nächste Retraining veranlasst, hat das Betriebsmodell noch nicht zu Ende gedacht.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Enttäuschung in den ersten Monaten: Das System funktioniert technisch, aber die Einsparungen entsprechen nicht den Erwartungen. Meistens liegt das nicht am Modell, sondern an der Differenz zwischen theoretischem und praktisch ausgeschöpftem Optimierungspotenzial.

Warum der Spielraum kleiner ist als berechnet: Nicht jedes Lieferfenster lässt echte Verschiebungen zu. Bestimmte Kunden haben starre Abnahmezeiten. Die Spätschicht hat Kapazitätsgrenzen. Manche Ofen-Konfigurationen vertragen bestimmte Startzeiten nicht. Das Modell kalkuliert auf Basis der Auftragsdaten — aber die Realität enthält ungeplante Prioritäten, die in keinem ERP auftauchen. In der Praxis werden typischerweise 50 bis 70 Prozent des theoretischen Optimierungspotenzials erreicht.

Was du konkret dagegen tun kannst: Einen monatlichen Review-Call zwischen Energiebeauftragten und Schichtdispatching einführen — nicht als Pflichttermin, sondern als Feedbackkanal. Welche Vorschläge werden regelmäßig abgelehnt? Aus welchem Grund? Diese Informationen verbessern das Modell schneller als jede technische Optimierung.

Widerstand aus der Schichtplanung: „Ich kenne meinen Ofen besser als jede KI” — diese Reaktion kommt, und sie ist teilweise berechtigt. Erfahrene Dispatcher wissen, wann ein Ofen nach Wartung „launisch” ist, wann eine Lieferung voraussichtlich früher kommt, wann eine Schicht personell zu dünn besetzt ist. Dieses Wissen gehört ins System — entweder als Constraint (bestimmte Zeitfenster sind gesperrt) oder als Feedback-Schleife. Das System ersetzt den Dispatcher nicht; es liefert bessere Basisinformationen für dessen Entscheidung.

Was wirklich hilft bei der Einführung:

• In der ersten Phase nur einen Ofen pilotieren, nicht das gesamte Werk
• Einen „Energie-Champion” in der Schicht benennen, der das System erklärt und Feedback sammelt
• Monatliche Auswertung: realisierte Einsparung vs. vorgeschlagene Einsparung — das macht das Potenzial sichtbar und motiviert
• Die Jahresstromrechnung als gemeinsames Ziel der Planung kommunizieren, nicht als Buchhaltungsproblem der Energieabteilung

Realistischer Zeitplan mit Risikohinweisen

Kritischer Pfad: Wenn keine ausreichenden Historiendaten vorliegen, verlängert sich das Projekt um 12 Monate. Das ist der häufigste Grund dafür, dass Projekte mit kleinem Budget gestoppt werden, bevor sie produktiv gehen.

Häufige Einwände — und was dahintersteckt

„Unser Energievertrag hat einen Festpreis — dann bringt das ja nichts.”

Das stimmt halb. Der Arbeitspreis (ct/kWh) ist im Festpreisvertrag fixiert. Aber der Jahresleistungspreis (Netzentgelt) ist davon unabhängig und wird separat durch den Netzbetreiber berechnet — er basiert immer auf dem Jahreshöchstwert der 15-Minuten-Messung, egal was im Versorgungsvertrag steht. Spitzenlastkappung lohnt sich auch mit Festpreisvertrag. Der Arbeitspreis-Optimierungseffekt entfällt — aber der Netzentgelt-Effekt bleibt.

„Unsere Öfen müssen 24/7 laufen — wir können gar nicht verschieben.”

Das ist die wichtigste Einschränkung, und sie ist für manche Betriebe tatsächlich zutreffend (siehe Abschnitt “Welche Öfen profitieren”). Aber: Auch 24/7-Betrieb hat Spielraum in den Aufheizphasen, Wartungsfenstern und dem Betrieb von Nebenanlagen. Oft ist der Raum für Optimierung kleiner als bei Batch-Betrieb, aber er ist selten null. Eine ehrliche Potenzialanalyse, auf Basis eurer tatsächlichen Verbrauchsprofile, bringt Klarheit.

„Wir haben das selbst schon versucht — mit Excel. Hat nicht funktioniert.”

Das ist eine valide Erfahrung. Excel-basierte Energieplanung scheitert regelmäßig an der Datenmenge (mehrere Öfen, 15-Minuten-Granularität, 52 Wochen) und der Dynamik (Strompreise ändern sich stündlich). Das Problem ist kein Mangel an Sorgfalt, sondern eine strukturelle Überforderung des Werkzeugs. Automatisierte Systeme sind hier nicht Komfort, sondern Notwendigkeit.

„Das bindet Personal, das wir nicht haben.”

Nach der Einrichtungsphase (3 bis 8 Monate, meist externe Unterstützung) ist der laufende Aufwand gering: tägliche Freigabe der Vorschläge (5 bis 15 Minuten), monatliche Auswertung, halbjährliches Retraining. Das ist handhabbar — auch für Energiebeauftragte, die diese Aufgabe nebenberuflich tragen.

Woran du merkst, dass das zu dir passt

Du bist ein guter Kandidat für diese Optimierung, wenn:

• Dein Werk hat einen Jahresstromverbrauch von mehr als 500.000 kWh (unter dieser Grenze lohnt sich die Komplexität nicht)
• Ihr betreibt Batch-Öfen — Tunnel-, Rollen-, Kammer- oder Haubenöfen mit planbaren Brennzyklen
• Ihr habt mehr als einen Ofen oder plant mehrere parallele Chargen täglich
• Eure Netzentgeltrechnung weist einen separaten Jahresleistungspreis aus (das ist bei RLM-Kunden ab 100.000 kWh/Jahr der Fall)
• Ihr habt Schichtplanung und Ofensteuerung bisher getrennt voneinander optimiert

Drei harte Ausschlusskriterien — wer es lassen sollte:

1. Unter 500.000 kWh Jahresverbrauch oder keine RLM-Pflicht. Ohne registrierende Leistungsmessung gibt es keinen 15-Minuten-Jahreshöchstwert — und damit entfällt der wichtigste Optimierungshebel. Die Einsparung durch günstigere Bezugszeitfenster allein rechtfertigt selten den Implementierungsaufwand.

2. Betreiber kontinuierlicher Glasschmelzwannen als Kernanlage. Die Schmelzwanne kann weder zeitlich verschoben noch signifikant gedrosselt werden. Das Optimierungspotenzial reduziert sich auf Nebenanlagen — zu klein, um die Komplexität zu rechtfertigen. Wer ausschließlich eine Schmelzwanne betreibt, sollte sich die Mühe sparen und stattdessen über Tarif-Renegotiation oder PPA-Verträge nachdenken.

3. Keine Historiendaten in 15-Minuten-Granularität und kein Budget für Messtechnik-Nachrüstung. Ohne diese Daten gibt es kein Modell. Und die Nachrüstung ist nicht trivial — Hardware, Installation, 12 Monate Wartezeit für Trainingsdaten. Wer nicht mindestens 18 Monate Vorlauf hat und dafür Budget bereitstellt, wird kein produktives System sehen.

Das kannst du heute noch tun

Bevor du irgendetwas kaufst oder beauftragst: Hol dir die letzte Jahresstromrechnung und die letzte Netzentgeltrechnung heraus. Suche nach dem Jahreshöchstwert deiner Viertelstundenleistung — er steht auf der Netzentgeltrechnung unter dem Begriff „Jahreshöchstleistung” oder „gemessene Jahresleistung” in kW.

Dann rechne: Jahreshöchstleistung in kW × Leistungspreis des Netzbetreibers in €/kW/Jahr. Das ist dein Netzentgelt-Anteil, der direkt von diesem Spitzenwert abhängt. Was würde eine Reduktion um 10 Prozent kosten?

Wenn du einen Python-erfahrenen Mitarbeitenden hast, kannst du außerdem mit Prophet einen ersten Prototyp in wenigen Tagen aufbauen: historische Energieverbrauchsdaten (wenn vorhanden) + Aufheizzeiten der Öfen → erstes Lastprognosemodell ohne Softwarekosten.

Quellen & Methodik

• Energieintensität Glasschmelzöfen: International Institute for Industrial Environmental Economics (IPIIE) / U.S. DOE Industrial Efficiency Technology Database — Glass Industry: spezifischer Energieverbrauch Containerglasöfen 3,3–7 GJ/Tonne, Flachglas 5–7 GJ/Tonne (Stand 2023). URL: iipinetwork.org
• EU-Glasindustriedurchschnitt 7,8 GJ/Tonne: Sardeshpande, V. et al., „Energy consumption and CO2 emissions of the European glass industry”, Energy Policy 38(5), 2010, ResearchGate: ScienceDirect
• Keramikfall: 17% Energiereduktion (Sanitärkeramik), 22% Energiereduktion + 14% Ausbeute-Verbesserung (Fliesen-Hersteller Italien): Syndell Technologies, „How AI Applications Are Reshaping the Future of Ceramic Manufacturing” (2024): syndelltech.com
• Heraeus Covantics Kiln-KI-Projekt: Heraeus Unternehmenskommunikation, „Optimal kiln utilization with AI” (2024) — 1,3 Mio. € höherer Jahresoutput durch verbesserte Ofenbeladung, 120 MWh Energieeinsparung: heraeus.com
• Jahresleistungspreis-Mechanismus (15-Minuten-Messung): WRS Energie GmbH, „Der Leistungspreis für 15 Minuten: Was bedeutet das?” wrs-energie.de; grüne-energie-tools.de „Netzentgelte: Leistungspreise erklärt”
• Praxisbeispiel 30.000 € Ersparnis durch Startup-Staffelung: ecoplanet GmbH, Plattformbeispiel NRW-Stahlverarbeiter, dokumentiert in Produktbeschreibung ecoplanet.tech
• Glas- und Keramikindustrie: 7,4% des deutschen Industrieenergiebedarfs, Platz 4: Umweltbundesamt, Branchenabhängiger Energieverbrauch des verarbeitenden Gewerbes (2021): umweltbundesamt.de
• Energie 30–50% Produktionskosten in der Keramikfertigung: Branchenangaben u.a. aus Syndell Technologies (2024) sowie EU-Kommission BREF-Dokument Keramikindustrie
• Implementierungskosten und ROI-Erfahrungswerte: Eigene Einschätzungen auf Basis der genannten Quellen und veröffentlichter Anbieterangaben (ecoplanet, AVEVA, Stand Mai 2026)

Du willst wissen, wie viel Einsparpotenzial konkret in eurem Werk steckt — auf Basis eurer Lastdaten und eurer Tarifstruktur? Meld dich, das lässt sich in einem kurzen Gespräch einschätzen.