Offshore-Wind: KI-Wetterfensteroptimierung für Installationsschiffe

Das echte Ausmaß des Problems

Wer zum ersten Mal hört, dass ein Installationsschiff für Offshore-Windanlagen 150.000 bis 225.000 Euro pro Tag kostet, denkt: Das ist für eine Werft oder einen Spezialbetrieb kein alltägliches Problem. Stimmt. Es ist das Problem von Windparkbetreibern, EPC-Unternehmen und deren Subunternehmern — also einer sehr spezifischen, aber wachsenden Branche mit Projekten in der Nordsee, Ostsee und zunehmend auf dem weltweiten Markt.

In der Nordsee ist die Situation strukturell angespannt. Hochseefähige Wind Turbine Installation Vessels (WTIVs) sind knapp: Die Auslastung in der Hauptsaison liegt 2025 bei über 95 Prozent. Das bedeutet, wer ein Schiff chartert, bezahlt — ob es arbeitet oder auf Wetter wartet. Und die Nordsee wartet gerne: Signifikante Wellenhöhen über 1,5 m schließen die meisten Huboperationen aus. Windgeschwindigkeiten über 8 bis 10 m/s stoppen Kran- und Transferbetrieb. In den Monaten Oktober bis März liegt die statistische Verfügbarkeit von Wetterfenstern über 12 Stunden bei teils unter 50 Prozent.

Laut einer Analyse von Clarksons Renewables (2024) wurden WTIV-Tagessätze für 2025 auf durchschnittlich 225.000 US-Dollar modelliert, gegenüber 150.000 bis 175.000 US-Dollar in 2021. Das Vessels-Supply-Problem verschärft sich: Bis 2027 kommen nur wenige neue Schiffe in den Markt, während die Installationsvolumina durch den europäischen Offshore-Windausbau stark steigen.

Was ein Standby-Tag konkret bedeutet:

• Bei einer 80-Turbinen-Kampagne mit 120 geplanten Schiffstagen und einem Contingency-Puffer von 20 Prozent — also 24 Standby-Tagen — liegen im Budget 24 × 185.000 Euro = 4,44 Millionen Euro für wetterbedingte Unterbrechungen
• Wenn die Zahl der Standby-Tage durch bessere Vorhersage um 10 Prozent sinkt, sind das 2,4 Tage weniger — rund 444.000 Euro in einem einzigen Projekt
• Bei einem Großprojekt mit 200 Turbinen können die realen Einsparungen durch bessere Wetterfensterplanung laut Branchenerfahrung zwischen 3 und 6 Millionen Euro liegen

Das Problem ist nicht technisches Versagen. Es ist Informationsversagen unter extremen Kosten.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Werte in der „Mit KI”-Spalte sind Richtwerte. Sie setzen voraus, dass mindestens 12 Monate Standortdaten für die Kalibrierung vorliegen und dass das Operationsteam die Fenster konsequent nach Wahrscheinlichkeiten plant — nicht nach Bauchgefühl.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die Gesamtinstallationszeit einer Offshore-Kampagne verkürzt sich durch bessere Wettervorhersage kaum — das Schiff muss nach wie vor Wetter abwarten, wenn es schlecht ist. Was das System einspart, ist teure Wartezeit ohne Sicherheitsnetz: das Schiff wartet informierter, mit besserem Zeitpunkt-Finden. Verglichen mit Anwendungen wie der Dockentwässerung mit ML-Pumpensequenz oder dem Hauptantrieb Predictive Maintenance, bei denen direkt operative Schritte beschleunigt werden, ist die Zeitersparnis hier indirekt.

Kosteneinsparung — maximal (5/5) Das ist der klare Stärke-Achse dieses Anwendungsfalls. Bei 150.000–225.000 Euro pro Schiffstag und 10–15 Prozent vermeidbarer Standby-Zeit durch präzisere Planung entstehen in einem Mittelgroßprojekt Einsparungen im einstelligen Millionen-Euro-Bereich. In keinem anderen Anwendungsfall im Schiffbau- und Offshore-Bereich ist der finanzielle Hebel so unmittelbar und direkt messbar. Vergleichbar mit der Bunkerverbrauch-Trimmoptimierung und dem Stauplan-Optimierung Containerschiff — aber auf einem anderen Kostenniveau.

Schnelle Umsetzung — mittel (3/5) Kommerzielle SaaS-Dienste für offshore-spezifische Wetterfensterplanung existieren (beispielsweise StormGeo oder Fugro Metocean Planner). Das Onboarding dauert realistisch 2–4 Monate, hauptsächlich wegen der Daten-Kalibrierungsphase. Das ist handhabbar — aber kein Out-of-the-Box-Start wie bei der MARPOL-Compliance per KI, wo ein generischer LLM-Assistent in Wochen einsatzbereit ist. Mittelfeldposition in dieser Kategorie.

ROI-Sicherheit — hoch (4/5) Wer Schiffstage zählt und Tagessätze kennt, kann den ROI auf die Minute ausrechnen. Das ist der Vorteil gegenüber Anwendungen wie der Technischen Dokumentation oder der Klassifikationsdokumentation, wo Nutzen diffuser ist. Einschränkung: Der ROI setzt eine gewisse Projektmindestgröße voraus — bei kleinen Kampagnen mit 10–15 Turbinen ist die Systemeinführung häufig unwirtschaftlich, weil die Einmalkosten die Einsparungen übersteigen.

Skalierbarkeit — mittel (3/5) Ein kalibriertes System für Standort A ist nicht direkt auf Standort B übertragbar. Jede Lokation braucht eigene Messdaten, eigene ML-Kalibrierung, oft sogar eigene Operationsgrenzen — je nachdem, welches Schiff chartert. Das begrenzt die Wiederverwendbarkeit. Positiv: Wer das System einmal implementiert hat, kann Folgeprojekte am gleichen Standort oder mit gleicher Flotte deutlich schneller onboarden.

Richtwerte — stark abhängig von Projektgröße, Standort, verwendeter Schiffsklasse und Qualität der historischen Standortdaten.

Was ein “Operationsfenster” eigentlich bedeutet

Bevor man versteht, was KI hier verbessert, muss man verstehen, was ein Operationsfenster in der Offshore-Windinstallation ist — und warum es nicht einfach „schönes Wetter” bedeutet.

Jede Operation an Bord eines WTIVs hat spezifische Umgebungsgrenzwerte, die in den Certifying-Authority-Dokumenten (DNV, Bureau Veritas, Lloyd’s) des Schiffes festgelegt sind:

• Jackvorgang (Beine absenken, Schiff aus dem Wasser heben): typisch Hs < 2,0–2,5 m, Wind < 12 m/s. Kritisch, weil das Schiff während des Jackvorgangs dynamisch instabil ist.
• Monopile-Setzen / Fundamentinstallation: typisch Hs < 1,5 m, Wind < 10 m/s, Strom < 0,8 kn. Hohes Kollisionsrisiko bei Drift.
• Turbineninstallation (Turmabschnitt, Gondel, Rotorblätter): teils Hs < 1,0 m, Wind < 8–10 m/s je nach Bauteil. Rotorblätter sind das kritischste Element: Windangriff auf die Oberfläche kann das Bauteil unkontrollierbar drehen.
• Crew Transfer Vessel (CTV)-Betrieb: je nach Schiffsklasse Hs < 1,5 m bis Hs < 2,5 m für modernere Walk-to-Work-Vessels.

Das bedeutet: Nicht „ist Wetter gut?”, sondern: „Bleibt Hs im Fenster 06:00–20:00 Uhr unter 1,5 m, liegt der Wind unter 10 m/s, und sind Strom und Sicht ausreichend, um die Monopile mit dem Schiffskran zu setzen und zu verrammen?” Das sind sechs bis acht simultane Grenzwerte, und einer, der verletzt wird, bricht die Operation ab.

Ein KI-System übersetzt diese operativen Grenzwerte in Wahrscheinlichkeiten: “Wahrscheinlichkeit, dass alle Bedingungen für eine 12-Stunden-Monopile-Setzoperation von Samstag 06:00 bis 18:00 Uhr gleichzeitig erfüllt sind: 72 Prozent.” Das ist etwas qualitativ anderes als eine deterministische Prognose, die sagt: “ECMWF: Hs 1,4 m, Wind 9 m/s.” Die 72 Prozent beinhalten Modellstreuung, Ensemble-Unsicherheit und standortspezifische Kalibrierkorrekturen — und erlauben dem Operations Manager, eine informierte Entscheidung zu treffen.

Die Datengrundlage: warum Standortdaten entscheiden

Das größte Missverständnis bei der KI-gestützten Wetterfensterplanung: Man kann nicht einfach ECMWF-Daten nehmen und das Ergebnis als Planungsbasis verwenden.

Globale Wettermodelle wie ECMWF IFS oder GFS haben eine horizontale Auflösung von 9 bis 25 km. Ein Offshore-Windpark mit lokalen Bodentopografien, Dünen, Küstenströmungen und Flachwasser-Effekten zeigt Wellenmuster, die keines dieser Modelle exakt reproduziert. Eine Messboje 28 km nordwestlich von Helgoland zeigt Hs-Werte, die in manchen Wetterlagen 15–25 Prozent über den ECMWF-Gitterpunkt-Werten liegen — Flachwasser-Amplifikation, lokale Strömungsinteraktion, küstennahe Dünung.

Ein ML-Modell für Wetterfensterplanung muss auf dieser Abweichung trainiert werden. Das erfordert:

Mindestens 12 Monate Standortdaten, besser 24–36 Monate: Wellenhöhe (Hs), Peakperiode (Tp), Wellenlaufrichtung, Wind in verschiedenen Höhen (10 m, 50 m, Nabenhöhe), Strömungsrichtung und -stärke. Diese Daten kommen von Messbojen, Metmasten oder Lidar-Buoys. Ohne diese Daten ist das ML-Modell ein trainierter Schätzer auf Basis von Gitterpunkten — besser als nichts, aber keine zuverlässige Grundlage für GO/NO-GO-Entscheidungen bei 185.000 Euro pro Tag.

ECMWF-Ensemble (ENS), nicht nur das deterministische HRES: Das Ensemble besteht aus 51 Modellläufen mit unterschiedlichen Anfangsbedingungen und gibt Auskunft über die Unsicherheit der Vorhersage. Ein enger Ensemble-Spread bei Tag 7 bedeutet: Das Modell ist sich einig. Ein breiter Spread bedeutet: Unsicherheit hoch, Planung riskant. Die meisten Planer sehen nur den deterministischen HRES-Lauf — das Ensemble bleibt ungenutzt.

Operationslogik je Schiffsklasse: Das ML-Modell muss wissen, was das spezifische Schiff bei welchen Bedingungen kann. Ein neuerer Jack-up der F-klasse hat andere Stabilitätsgrenzen als ein älterer Vessel aus 2010. Diese Klassen-Parameter werden aus den technischen Spezifikationen des Schiffes eingespeist.

Wenn diese drei Datenquellen verfügbar sind, kann ein System wie StormGeo DELFI die Vorhersageunsicherheit auf einen Bruchteil der Gitterpunkt-Rohdaten reduzieren. Wenn sie fehlen, bleibt das System ein ausgeklügelter Wetterkalender.

Was das System konkret macht

Ein KI-gestütztes Wetterfenster-System für Offshore-Installationen arbeitet in drei Schichten:

Schicht 1 — Datenfusion: Stündlich werden ECMWF ENS (51-Member-Ensemble), GFS, ggf. auch ICON (DWD) und regionale Wellenmodelle (WAM, WAVEWATCH III) zusammengeführt. Gleichzeitig fließen Echtzeit-Daten von der Messboje am Standort ein. Ein Machine Learning-Modell, trainiert auf historischer Abweichung zwischen Modellprognose und Boje-Messung, korrigiert die Vorhersage standortspezifisch — je Windrichtung, je Jahreszeit, je Sturmsituation unterschiedlich.

Schicht 2 — Fensteranalyse: Das System prüft für jeden Zeitraum der nächsten 10–14 Tage, ob alle operativen Grenzwerte gleichzeitig erfüllt sind. Nicht „Hs okay?” und „Wind okay?”, sondern eine vollständige kombinatorische Abfrage: „Hs < 1,5 m UND Wind < 10 m/s UND Strom < 0,8 kn UND Sicht > 500 m — für mindestens 12 aufeinanderfolgende Stunden.” Das Ergebnis ist eine Wahrscheinlichkeitskurve über Zeit.

Schicht 3 — Planungsintegration: Das System übersetzt Wahrscheinlichkeiten in Handlungsempfehlungen: „Empfohlenes Primärfenster: Samstag 06:00 bis Sonntag 04:00 Uhr, P80 = 80 Prozent Zielerreichung. Backup-Fenster: Montag 14:00 bis Dienstag 10:00 Uhr, P65 = 65 Prozent.” Diese Ausgaben werden direkt in das Projektmanagement-Dashboard integriert, aus dem die Schiffsführung und der Marine Warranty Surveyor die GO/NO-GO-Entscheidung treffen.

Der kritische Unterschied zu einem klassischen Wetterdienst: Der Meteorologe liefert eine Prognose. Das KI-System liefert eine operative Aussage — und zwar eine, die die Unsicherheit der Prognose explizit macht, statt sie im deterministischen Zahlenwert zu verbergen.

Konkrete Werkzeuge — was wann passt

Für Offshore-Wetterfensterplanung gibt es keine Off-the-Shelf-Consumer-Software. Die Lösungen sind entweder spezialisierte maritime Dienste oder selbst entwickelte Systeme auf API-Basis.

StormGeo mit DELFI — Der Standarddienst für professionelle Offshore-Operationen. Kombiniert ECMWF-Ensemble mit ML-basierter Fehlerkorrektur (Deep Learning Forecast Improvement) und liefert operative Fensteraussagen für Installation, Transport und O&M-Kampagnen. Für Windparkbetreiber und EPC-Unternehmen mit regelmäßigen Nordsee-Kampagnen der naheliegendste Einstieg. Keine öffentlichen Preise — Jahresvertrag, projektbasiert. Primärsprache: Englisch.

Fugro Metocean Planner — Fugros spezialisierter Service für Metocean-Analyse und operative Planung. Stärke: Integration von eigenen Lidar-Buoy-Daten (SEAWATCH), die Fugro selbst im Nordsee-Umfeld betreibt. Besonders sinnvoll für Projekte, bei denen Fugro bereits die Metocean-Kampagne durchgeführt hat und damit 12–24 Monate Standortdaten vorliegen. Ebenfalls projektbasiert, keine Listenpreise.

Open-Meteo (Ensemble-API) + eigene ML-Kalibrierung — Für Teams mit Entwicklerressourcen und eigenem Data-Science-Hintergrund ist dieser Weg günstiger und flexibler. Open-Meteo liefert ECMWF ENS-Daten ab 99 Euro/Monat (Professional-Plan). Darauf aufgesetzt wird ein Python-basierter ML-Layer mit scikit-learn oder PyTorch, trainiert auf eigenen Boje- oder Metmast-Historien. Setup-Aufwand: 3–6 Monate Entwicklung, danach laufende Wartung. Eignet sich für EPC-Unternehmen mit eigenem Technikteam und mehreren Projekten pro Jahr — die Infrastruktur amortisiert sich.

Tomorrow.io — Stärker im Nowcasting-Bereich (< 6 Stunden, hyperlokale Auflösung). Für kurzfristige GO/NO-GO-Bestätigungen am Vorabend der Operation eine mögliche Ergänzung zum Haupt-Prognosedienst, nicht als Ersatz. US-Hosting ist für maritime Safety-Entscheidungen ein Punkt, der intern mit dem Rechtsbeauftragten abgestimmt werden sollte.

Wann welcher Ansatz:

• Erste Offshore-Kampagne, kein eigenes Datenwissen → StormGeo oder Fugro (managed service, Meteorologen inklusive)
• Fugro hat die Standortmessung gemacht → Fugro Metocean Planner (Daten + Planung aus einer Hand)
• Mehrere Projekte/Jahr, eigenes Technikteam → Open-Meteo API + selbst entwickelter ML-Layer
• Kurzfristiger Nowcast < 12 h ergänzend → Tomorrow.io

Datenschutz und Datenhaltung

Offshore-Wetterfensterplanung verarbeitet keine personenbezogenen Daten im DSGVO-Sinne. Im Mittelpunkt stehen meteorologische Messwerte, Schiffsparameter und operative Grenzen — keine Personendaten.

Dennoch gibt es Datenschutzaspekte, die nicht ignoriert werden sollten:

Messbojen-Daten und Standortinformationen: Die Daten deiner Messboje am geplanten Windparkstandort können als Betriebsgeheimnisse einzustufen sein — sie geben Aufschluss über Standortqualität, saisonale Verfügbarkeit und technische Grenzen des Projekts, bevor öffentliche Genehmigungen vorliegen. Ein AVV mit dem Wetterdienst-Anbieter stellt sicher, dass diese Daten nicht für andere Zwecke verwendet oder an Dritte weitergegeben werden.

StormGeo / Fugro: Beide Unternehmen haben europäische Hauptsitze (StormGeo: Bergen, Norwegen; Fugro: Leidschendam, Niederlande) und betreiben ihre Infrastruktur primär in Europa. AVVs sind auf Anfrage erhältlich und branchenüblicher Standard im B2B-Maritime-Bereich.

Open-Meteo: EU-Hosting (Schweiz + Deutschland), Open-Source unter AGPLv3. Für den API-Betrieb mit nicht-personenbezogenen Geodaten ist das DSGVO-technisch unkompliziert. AVV auf Anfrage verfügbar.

Tomorrow.io: US-Hosting. Für nicht-personenbezogene Metadaten (Koordinaten, Zeitstempel) im Prinzip nutzbar mit Enterprise-AVV — die Koordinaten eines Offshore-Windparks sind öffentlich. Für sicherheitskritische Systeme sollte die US-Hosting-Frage intern mit dem Rechtsbeauftragten besprochen werden.

Operative Sicherheitsverantwortung: Kein Wetterdienst übernimmt die operative Sicherheitsverantwortung. Die GO/NO-GO-Entscheidung liegt beim Marine Warranty Surveyor und der Schiffsführung — das KI-System ist ein Entscheidungsunterstützungstool, kein autonomes Entscheidungssystem. Das sollte in den internen Prozessdokumenten klar geregelt sein.

Was es kostet — realistisch gerechnet

Einmalige Kosten

• Managed Service (StormGeo, Fugro): Onboarding 15.000–50.000 Euro (Datenaufbereitung, Modell-Kalibrierung, Integration), danach projektbasierte oder Jahresgebühr. Branchenerfahrung deutet auf fünfstellige Jahresbeträge hin — abhängig von Projektanzahl und Umfang.
• Selbst entwickeltes System: 3–6 Monate Data-Science-Aufwand (intern oder Dienstleister), 60.000–150.000 Euro Einmalkosten. Zusätzlich Infrastruktur: Open-Meteo Professional (99 Euro/Monat), Compute für ML-Inference.
• Boje/Lidar-Buoy-Daten: Falls noch keine historischen Standortdaten vorliegen, müssen diese erhoben werden. Eine Messboje-Kampagne (12 Monate) kostet je nach Gerät und Standort 80.000–200.000 Euro — bevor das ML-System trainiert werden kann.

Laufende Kosten

• Managed Service: 80.000–200.000 Euro/Jahr (projektbasiert)
• API-basiertes System: 1.200–2.400 Euro/Jahr (Open-Meteo Professional) + Personalaufwand für Wartung und Modell-Updates

Wie du den ROI tatsächlich misst

Die Rechnung ist ungewöhnlich einfach für ein KI-Projekt: Zähle die Schiff-Standby-Tage vor und nach Einführung des Systems. Multipliziere die Differenz mit dem Tagessatz des Vessels. Das ist die Brutto-Einsparung. Abzüglich Systemkosten ergibt sich der Netto-ROI.

Die Voraussetzung: Du musst Standby-Tage sauber dokumentieren und deren Ursache klassifizieren (Wetter vs. technische Störung vs. Lieferverzug). Viele Projekte führen diese Aufzeichnung heute schon für den Versicherungsnachweis — dann ist die ROI-Messung kein Zusatzaufwand.

Konservatives Szenario: 80-Turbinen-Projekt, 120 Schiffstage geplant, 185.000 Euro/Tag, 8 Prozent Standby-Reduktion. Das sind 120 × 0,08 = 9,6 Tage × 185.000 Euro = 1,78 Millionen Euro Bruttoeinsparung. Systemkosten bei Managed Service: 80.000–150.000 Euro für das Projekt. Netto-ROI: über eine Million Euro. Das rechtfertigt die Investition selbst unter konservativen Annahmen — sofern das Projekt groß genug ist.

Vier typische Einstiegsfehler

1. Das Globalmodell als Entscheidungsbasis verwenden. ECMWF deterministic HRES ist ein starkes Modell — aber kein Ersatz für eine standortkalibrierte Prognose. Wer plant nach „ECMWF sagt 1,4 m, also geht es”, ohne zu wissen, dass der Standort bei Südwestwind systematisch 20 Prozent mehr zeigt, fährt auf Sicht. Das kostet entweder Sicherheit oder Geld — oft beides.

2. Ensemble-Vorhersagen ignorieren. Die meisten operativen Planer sehen eine Zahl: den deterministischen HRES-Lauf. Das ECMWF ENS-Ensemble mit 51 Modellläufen zeigt, wie viel Streuung es gibt. Ein enger Spread bei Tag 7 ist ein völlig anderes Signal als ein breiter Spread. Wer die Unsicherheit nicht sieht, kann keine risikobasierte Entscheidung treffen.

3. Einen ML-Layer ohne ausreichende Historikdaten trainieren. “Wir haben 4 Monate Boje-Daten — das reicht für den ersten Pilot.” Nein, in der Regel nicht. ML-Modelle für Wettervorhersage-Kalibrierung brauchen alle Jahreszeiten, alle relevanten Richtungskonstellationen und idealerweise mindestens eine Sturmsaison im Datensatz. Ein auf Sommermonaten trainiertes Modell liefert in der kritischen Herbst-/Wintersaison (wenn Wetterfenster rar sind und jeder Standby-Tag am teuersten ist) systematische Fehler.

4. Das System installieren — und dann nicht kalibrieren. Das ist der gefährlichste Fehler, weil er still passiert. Wetterbedingungen variieren von Jahr zu Jahr. Ein Modell, das 2023 auf Historikdaten 2020–2022 trainiert wurde, driftet. Änderungen im Bojenstandort, Modellaktualisierungen bei ECMWF (das Modell ändert sich regelmäßig — März 2024 war eine signifikante Modellrevision), Schiffswechsel mit anderen operativen Grenzen — all das erfordert ein jährliches Re-Training und mindestens ein halbjährliches Backtesting: Wie gut haben die Fenster der letzten sechs Monate tatsächlich gestimmt?

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist selten der schwerste Teil. Der schwerere Teil ist die Akzeptanz durch das Operationsteam.

Das Vertrauen in “die Zahl” kommt nicht automatisch. Offshore-Professionals haben Jahrzehnte Erfahrung damit, Wetterprognosen zu misstrauen. Sie haben Situationen erlebt, in denen jedes Modell falsch lag und ein erfahrener Meteorologe dank Lokalkenntnissen richtig lag. Die Haltung: “Ein Algorithmus ersetzt keinen echten Meteorologen mit Nordsee-Erfahrung.” Die Antwort darauf ist nicht, das Vertrauen zu fordern — es ist, das System neben dem bewährten Prozess zu starten.

Einführungsstrategie: Führe das System als zweite Meinung ein. Für 2–3 Monate läuft der bisherige Prozess parallel mit dem KI-System. Nach jeder abgeschlossenen Operation wird verglichen: Was hat das KI-System vorhergesagt, was hat das Schiffsteam erlebt? Diese Backtests sind die überzeugendste Demonstration — nicht die Methodik, sondern die Treffer. Wenn das System in 8 von 10 Fällen einen besseren Hinweis geliefert hat als der bisherige Prozess, akzeptiert das Operationsteam es.

Was das System nicht ersetzt: Den Marine Warranty Surveyor. Den Entscheid des Kapitäns. Das lokale Situationsbewusstsein an Deck. Das System ist ein Planungstool — nicht ein Echtzeit-Entscheidungsautomat. Wer das kommuniziert, hat deutlich weniger Widerstand.

Was tatsächlich passiert, wenn alles gut läuft: Das Team beginnt, Entscheidungen proaktiv zu treffen statt reaktiv. Statt montags früh zu fragen “Können wir heute rausfahren?”, plant man Mittwoch bereits die Crew-Rotationen für das nächste Wochenende, weil das System mit 70 Prozent Konfidenz ein 18-Stunden-Fenster ab Samstag zeigt. Das ist der eigentliche Gewinn — kein verlorenes Wochenende mehr.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Wer einen Managed Service wie StormGeo wählt, verkürzt die Phasen 2 und 3 erheblich — der Anbieter bringt das trainierte Modell mit. Die Pilot-Phase bleibt trotzdem wichtig: Sie baut das Vertrauen des Teams auf, das kein Anbieter von außen ersetzen kann.

Häufige Einwände — und was dahintersteckt

“Wir haben schon einen guten Meteorologen — der ist besser als jedes Modell.” Das stimmt manchmal — besonders für einen einzelnen Standort, den der Meteorologe seit Jahren betreut und dessen Eigenheiten er kennt. Das KI-System ist keine Alternative zu einem erfahrenen Offshore-Meteorologen, sondern ein Werkzeug für diesen. Ein erfahrener Meteorologe mit DELFI-Ausgaben ist besser als derselbe ohne. Die Frage ist nicht “Mensch oder Maschine”, sondern: “Haben wir ein System, das die Ensemble-Unsicherheit quantifiziert und standortspezifisch kalibriert — oder arbeiten wir noch mit dem deterministischen HRES-Lauf?”

“Das Projekt ist zu klein für so einen Aufwand.” Bei Projekten unter 25 Turbinen oder unter 60 Schiffstagen ist das wahrscheinlich richtig. Die Systemeinführungskosten (15.000–80.000 Euro je nach Ansatz) amortisieren sich bei einem kleinen Projekt nicht innerhalb der Kampagne. Die Alternative: einen spezialisierten Wetterdienst projektbezogen zukaufen (StormGeo, Fugro bieten auch Projektpakete an), statt ein eigenes System aufzubauen.

“Das KI-System macht uns angreifbar — wenn wir nach seinem Votum entscheiden und es geht schief, wer haftet?” Das ist ein wichtiger Einwand. Die Antwort liegt in der Prozessdokumentation: Das System empfiehlt, die Schiffsführung und der Marine Warranty Surveyor entscheiden. Solange das klar geregelt und dokumentiert ist, ändert sich an der Haftungsstruktur nichts. Kein verantwortungsvoller Betreiber wird das System als alleinige Entscheidungsinstanz etablieren — und kein seriöser Anbieter empfiehlt das.

Woran du merkst, dass das zu dir passt

Passt, wenn:

• Du für mindestens 2–3 Installationskampagnen pro Jahr verantwortlich bist — erst dann amortisiert sich die Systemeinführung schnell
• Du schon Standortdaten (Messboje, Metmast oder Lidar-Buoy) mit mindestens 12 Monaten Historik hast
• Deine Schiffscharterkosten im laufenden Projekt über 100.000 Euro/Tag liegen — unterhalb dieser Schwelle wird die ROI-Rechnung eng
• Du klare Dokumentation über bisherige Standby-Tage und Ursachen hast — nur dann kannst du den ROI des Systems nachweisen

Passt noch nicht, wenn — drei harte Ausschlusskriterien:

1. Erstprojekt ohne Standortdaten-Historik: Du installierst zum ersten Mal an einem neuen Standort und hast keine Messboje-Daten aus mindestens einem vollen Jahreszyklus. Ein ML-Modell ohne Standortdaten ist ein aufwändig verpackter Taschenrechner auf ECMWF-Basis — du zahlst für Genauigkeit, die du nicht bekommst. Zuerst Messboje oder Lidar-Buoy installieren, Daten sammeln, dann das System aufbauen.

2. Projektkampagne mit unter 25 Turbinen oder unter 60 geplanten Schiffstagen: Der ROI rechnet sich schlicht nicht. Die Systemeinführungskosten übersteigen bei kleinen Projekten die erzielbaren Einsparungen innerhalb der Kampagnenlaufzeit. Für solche Projekte ist ein projektbasierter Managed-Service ohne System-Onboarding die richtige Wahl.

3. Keine Person im Team für Modell-Monitoring verantwortlich: Ein KI-Wetterfenster-System, das eingeführt und dann sich selbst überlassen wird, driftet. ECMWF ändert sein Modell regelmäßig (zuletzt signifikant im März 2024). Schiffswechsel verändern operative Grenzwerte. Ohne eine dedizierte Person — intern oder beim Dienstleister —, die halbjährlich das Modell gegen echte Schiffsbeobachtungen back-testet und bei Drift neu kalibriert, gibt das System nach 12–18 Monaten systematisch falsche Empfehlungen. Schlechter als ein guter Meteorologe — und gefährlicher als gar kein System, weil das Team ihm vertraut.

Das kannst du heute noch tun

Beginne mit dem Ensemble-Vergleich für einen vergangenen Projektzeitraum. Lade die ECMWF ENS-Historik für deinen letzten Standort und vergleiche sie mit den tatsächlichen Schiffs-Logbuch-Einträgen über Wetterabbrüche und Standby-Phasen.

Dazu brauchst du:

• Zugang zur ECMWF Copernicus Atmosphere Monitoring Service (CAMS)-API — kostenlos für europäische Nutzer via Copernicus
• Die Boje-Daten oder Wetterstations-Daten des Projekts im CSV-Format
• Einen Python-Analyst oder Data Scientist für 2–3 Arbeitstage

Das Ergebnis: Du siehst, wie gut die ECMWF ENS-Ensemble-Bandbreite mit deinen tatsächlichen Standortmesswerten korreliert hat — und wie viele Standby-Entscheidungen auf Basis des deterministischen HRES anders ausgefallen wären, wenn das Ensemble-Spread einbezogen worden wäre. Das ist kein fertiges System. Aber es ist die ehrlichste Methode, zu beurteilen, ob das Problem in deinem Kontext lösbar ist — bevor du 80.000 Euro ausgibst.

Für das erste Gespräch mit einem Wetterdienst-Anbieter oder einem internen Data-Science-Team kann dieser Prompt helfen:

Quellen & Methodik

• WTIV-Tagessätze 2024–2025: Clarksons Renewables Offshore Wind Newsletter 2024 — Modellierung WTIV-Tagessätze auf $225.000 in 2025, Peak-Auslastung 98 %. Riviera Maritime Media, “Turbine installation titans set to jack up profits” (2024).
• Ensemble-Wetterfenster-Methodik: Holthuijsen et al. (2017), “Improved Methodology of Weather Window Prediction for Offshore Operations Based on Probabilities of Operation Failure”, MDPI Journal of Marine Science and Engineering (doi:10.3390/jmse5020020). Kernaussage: ENS-P95-Quantile für Wetterfensterplanung erhöht operationale Sicherheit messbar.
• StormGeo DELFI: StormGeo AS, “Improving Offshore Weather Forecasting with Machine Learning” (stormgeo.com, Insights-Artikel 2023/2024). DELFI (Deep Learning Forecast Improvement) als produktiv eingesetztes ML-System für Offshore-Wind-Betrieb bestätigt.
• ECMWF ENS-Qualität Offshore: ECMWF Verification Report (2011), “Verification of the ECMWF ensemble forecasts of wind speed”. Neuere Studien: Cavaleri et al. (2024), Journal of Geophysical Research: Atmospheres — ECMWF HRES systematisch zu niedrige Offshore-Windgeschwindigkeiten in Küstennähe.
• Installationskosten und Vessel-Markt: Thunder Said Energy, “Offshore wind installation costs by vessel” (2024). General Range $150.000–$250.000/Tag für Spezialschiffe.
• Operationsgrenzen je Maßnahme: DNV-ST-N001 (Marine Operations and Marine Warranty), aktuelle Fassung. Branchenstandard für operative Grenzwerte in der Offshore-Installation.
• Kostenangaben Wetterdienste: Open-Meteo (open-meteo.com, Stand Mai 2026), StormGeo und Fugro auf Anfrage (keine öffentlichen Preise).

Du willst abschätzen, ob sich die Einführung für euer nächstes Installationsprojekt rechnet? Meld dich — wir helfen dir, den Business Case anhand eurer konkreten Projektzahlen durchzurechnen.