Methodenpool| Technologie-Reifegrad | TRL 8 |
| Anwendungsfeld | Strom- und Wärmenetze |
| Komplexität | |
| Wirkung | |
| Machbarkeit |
Für Predictive Maintenance für Stromnetze können heterogene Datenquellen (GIS/Asset-Daten, Störungshistorie, SCADA-Zeitreihen, Wetterdaten, inspektionsbasierte Messungen) mit datengetriebenen Modellen kombiniert werden, um den verbleibenden Lebenszustand (Health Index) und die Ausfallwahrscheinlichkeit von Kabelabschnitten frühzeitig zu prognostizieren. Typische Architektur beinhaltet Datensammlung & -harmonisierung, Feature-Engineering (Alter, Material, Lastzyklen, Temperatur, Feuchte, Blitzereignisse, frühere Störungen), Modellentwicklung, sowie die Integration in die operativen Abläufe des Unternehmens. Digitale Zwillinge können physikalische Alterungsprozesse ergänzen (physics-informed Machine Learning). Validierung über Backtesting auf historischen Ausfällen und Feldpiloten. Für produktiven Betrieb sind robuste Datenpipelines, regelmäßige Modell-Retrainings und Monitoring entscheidend.
- Anwendung & Kontext
- Technologie
- Rechtlicher Rahmen
- Implementierung & Lessons Learned
- Anbieter & Kontakt
Praktischer Nutzen der KI-Technologie
"Datengetriebene Überwachung und frühzeitige Fehlererkennung für Netzinfrastruktur Steigerung der Verfügbarkeit der Netzinfrastruktur Minimierung ungeplanter Ausfälle Verbesserte Instandhaltung Reduktion von Bau- und Erdarbeiten zu Reparaturzwecken Verbesserte Investitionssicherheit Kosteneinsparungen "
Anwender
Netzbetreiber, Energieversorger
Gebiet
EU
KI-Technologie
Digitaler Zwilling & simulationsgestützte KI, Prozessoptimierung, Predictive Maintenance
Datenkomplexität
Hoch
Energieverbrauch & Kosten Projektlaufzeit
Mittel
Rechtlicher Rahmen / Data Governance
EU-DSVGO, KI-VO, NIS-2, ElWOG2010
Übertragbarkeit
Gegeben
Implementierungsstrategie
Eine praktikable Implementierungsstrategie kann sich in fünf Phasen gliedern:
(1) Datensammlung und Bestandsaufnahme: Assetidentifikation, Datenquellen (GIS, SCADA, Störungslogs, Prüfprotokolle), Datenqualität und regulatorische Anforderungen; ggf. Stakeholder-Mapping (Netzwartung, IT, Asset-Management). (2) Proof-of-Concept: Auswahl eines begrenzten Versorgungsgebiets oder Kabeltyps; Aufbau einer sicheren Datenpipeline; Modellentwicklung; KPI-Definition und Evaluation mittels historischer Ausfalldaten (3) Pilot & Feldvalidierung: Rollout für ausgewählte Netzsegmente, paralleler Betrieb zum etablierten Wartungsprozess, Monitoring der Vorhersagequalität, Sammeln von Feedback aus operativen Teams und Domänenexpert:innen; (4) Skalierung und Integration in bestehende Systeme. Klare Abläufe für die Priorisierung von Maßnahmen und eindeutig festgelegte Verantwortlichkeiten. (5) Betrieb und kontinuierliche Verbesserung: Dauerhafte Überwachung im laufenden Betrieb. Erfolgreich ist das System, wenn es Ausfälle nachweislich vermeidet und Investitionen besser steuerbar macht. Mit der Zeit lassen sich zusätzliche Datenquellen einbinden.
Lessons Learned
Über den konkreten Anwendungsfall bei E.ON sind nur ein paar wenige Pressemeldungen vorhanden, laut denen sich Störungen im Stromnetz mit einer 2 bis 3-mal höheren Genauigkeit vorhersagen lassen als mit bisher verwendeten Verfahren. Weitere wissenschaftliche Studien zeigen ebenfalls, dass ein mittels Machine Learning entwickelter „Health Index“ für Mittelspannungskabel mit hoher Genauigkeit degradierende Kabel erkennt — und so laut Studie einen Verbesserung der Fehlererkennung von bis zu 30 % führt. [1] Ein weiterer aktueller Übersichtsartikel (2025) mit Fokus auf KI-gestützte Fehlererkennung und predictive maintenance in elektrischen Stromnetzen kommt ebenfalls zum Schluss, dass solche Ansätze unplanmäßige Ausfälle im Schnitt um etwa 35 % reduzieren können. [2] Die verbesserten Vorhersagen eröffnen neue Möglichkeiten für die Instandhaltung der Netzinfrastruktur.
Anbieter und Kontakt
Schleswig-Hostein Netz AG, E.ON Digital SE