KI für Ortsnetz: Niederspannungsnetz überwachen

TL;DR

Stadtwerke und Verteilnetzbetreiber haben ein Blindflug-Problem: Das Niederspannungsnetz zwischen Ortsnetztrafo und Hausanschluss wird kaum überwacht. KI-basiertes Monitoring mit 12 IoT-Sensoren pro Trafo-Station erkennt Überlastungen, Spannungsbandverletzungen und schleichende Kabeldefekte 4–6 Wochen vor dem Ausfall. Pilotprojekte zeigen 78 % weniger ungeplante Ausfälle bei 2.800 € Kosten pro Station.

Das blinde Niederspannungsnetz

Hochspannungsnetze (110 kV+) sind lückenlos überwacht. Mittelspannungsnetze (10–20 kV) haben zumindest an den Schaltstationen Sensorik. Aber das Niederspannungsnetz (0,4 kV), der letzte Kilometer bis zum Hausanschluss, ist bei 90 % aller Verteilnetzbetreiber eine Blackbox.

Ein Stadtwerk mit 340 Ortsnetztrafos versorgt 45.000 Haushalte. 2025 gab es 23 ungeplante Ausfälle im Niederspannungsnetz: durchgebrannte Sicherungen, überlastete Trafos durch Wallboxen, Kabeldefekte nach Tiefbauarbeiten. Jeder Ausfall dauerte durchschnittlich 2,8 Stunden, betraf 60–400 Haushalte und kostete 3.200 € an Störungsdienst, Material und Kundenentschädigung.

Gesamtkosten 2025: 73.600 €. Doch die indirekten Kosten wiegen schwerer: Jeder Ausfall verschlechtert den SAIDI-Wert (System Average Interruption Duration Index), der von der Bundesnetzagentur überwacht wird. Stadtwerke mit schlechtem SAIDI riskieren regulatorische Konsequenzen und Imageschäden.

Die wachsende Zahl von Wärmepumpen (8–12 kW) und Wallboxen (11–22 kW) verschärft das Problem. Ein Ortsnetztrafo, der 1995 für 250 kVA dimensioniert wurde, stößt heute an seine Grenzen, ohne dass das Stadtwerk es merkt, bis die Sicherung fällt.

Sensorik: 12 Messungen pro Ortsnetzstation

Kosten pro Station: 2.800 € (Hardware + Montage). Bei 340 Stationen: 952.000 € Gesamtinvestition, verteilt auf 3 Jahre Rollout.

# ortsnetz_monitoring_config.yaml
monitoring:
  sensoren_pro_station: 12
  abtastrate_strom: "1s"
  abtastrate_temperatur: "10s"
  uebertragung:
    protokoll: "mqtt"
    broker: "mqtt.stadtwerk.intern:8883"
    tls: true
    intervall: "60s"  # Aggregierte Daten jede Minute
  ki_modell:
    typ: "isolation_forest"  # Anomalie-Erkennung
    features:
      - strom_phase_a
      - strom_phase_b
      - strom_phase_c
      - spannung_phase_a
      - spannung_phase_b
      - spannung_phase_c
      - trafo_temperatur
      - umgebung_temperatur
      - wirkleistung_gesamt
      - blindleistung_gesamt
      - cos_phi
      - unsymmetrie_faktor  # Berechnet
    training:
      daten: "3_monate_normalbetrieb"
      retrain: "quartalsweise"
  alarme:
    - typ: "trafo_ueberlastung"
      schwelle: "auslastung > 85% fuer > 30min"
      aktion: "email_leitwarte + sms_bereitschaft"
    - typ: "spannungsband_verletzung"
      schwelle: "spannung < 207V oder > 253V"
      aktion: "email_netzplanung"
    - typ: "anomalie"
      schwelle: "isolation_forest_score < -0.5"
      aktion: "ticket_stoerungsdienst"

KI-Modell: Anomalie-Erkennung im Ortsnetz

Das KI-Modell basiert auf einem Isolation Forest, einem bewährten Algorithmus für Anomalie-Erkennung. Statt bekannte Fehler zu klassifizieren (was bei der Vielfalt möglicher Netzstörungen unmöglich wäre), lernt das Modell den Normalzustand jeder Station und erkennt Abweichungen.

Trainingsphase: 3 Monate Messdaten im Normalbetrieb. Das Modell lernt für jede Station das individuelle Lastprofil: Morgens steigt der Verbrauch, mittags Solareinspeisung, abends Wallbox-Peak.

Erkennungsphase: Jede Minute werden die aktuellen Messwerte gegen das Normalmodell geprüft. Abweichungen erzeugen einen Anomalie-Score. Ab einem Schwellenwert wird ein Alarm ausgelöst.

Was die KI erkennt:

• Schleichende Überlastung: Trafo-Auslastung steigt über Wochen von 70 % auf 88 %, unsichtbar im Normalbetrieb, aber ein klarer Vorbote für Ausfälle.
• Asymmetrische Last: Phase L1 trägt 60 % der Last, weil ein Gewerbebetrieb einseitig angeschlossen ist. Das führt zu Sternpunktverschiebung und Spannungsproblemen.
• Kabeldefekte: Partielle Entladungen in Kabelmuffen zeigen sich als kurzzeitige Spannungsschwankungen (50 ms), die nur durch 1-Sekunden-Abtastung erkannt werden.
• Wallbox-Überlastung: 5 Wallboxen laden gleichzeitig um 18:00 Uhr und treiben den Trafo an 95 % Auslastung.

Pilotprojekt: Ergebnisse nach 12 Monaten

Ein Stadtwerk in Süddeutschland hat 42 von 340 Stationen mit Sensorik ausgerüstet und das KI-Monitoring 12 Monate betrieben:

Hochgerechnet auf alle 340 Stationen ergibt sich ein vermiedener Schaden von 155.000 €/Jahr. Abzüglich der jährlichen Betriebskosten (Connectivity, Wartung) von 42.000 € bleibt ein Netto-Nutzen von 113.000 €/Jahr.

Integration in bestehende Leitsysteme

Die Messdaten fließen über MQTT in die bestehende Leitwarten-Software. Gängige Leitsysteme im Verteilnetz:

• Siemens Spectrum Power: Integration über OPC-UA Schnittstelle
• ABB MicroSCADA: MQTT-to-IEC-104 Gateway
• PSI GridConnect: REST-API für externe Datenquellen
• Eigenentwicklung: MQTT-Subscriber in Python, Dashboards mit Grafana

Für Stadtwerke ohne Leitsystem reicht ein Grafana-Dashboard mit Alerting. Kosten: 0 € (Open Source), Setup: 2 Tage. Der KI-Komplett-Leitfaden beschreibt die generelle Integration von KI in bestehende IT-Landschaften.

Kosten und ROI

Die Amortisation ist länger als bei anderen KI-Projekten, aber der regulatorische Nutzen (SAIDI) und die Netzresilienz rechtfertigen die Investition. Die ROI-Berechnungsvorlage ermöglicht eine Kalkulation mit Ihren Stationszahlen.

Nächste Schritte: Vom Monitoring zur Steuerung

Das Monitoring-System ist die Grundlage für weitergehende Anwendungen:

Lastprognose pro Ortsnetz: Das KI-Modell prognostiziert die Last 24 Stunden voraus. Stadtwerke können Engpässe erkennen, bevor sie entstehen.

Wallbox-Steuerung: Bei drohender Trafo-Überlastung reduziert das System automatisch die Ladeleistung von Wallboxen (§14a EnWG). Die KI-Implementierungsanleitung beschreibt den rechtlichen Rahmen.

Netzausbauplanung: Historische Lastdaten identifizieren Stationen, die in 2–3 Jahren an ihre Grenze stoßen. Das vermeidet ungeplante Investitionen und ermöglicht eine KI-Budget-Planung für den Netzausbau.

FAQ

Brauche ich für jede Ortsnetzstation Sensorik? Nein, starten Sie mit den 10–15 % kritischsten Stationen: höchste Last, älteste Trafos, meiste Wallboxen im Versorgungsgebiet. Die KI-Ergebnisse helfen bei der Priorisierung des weiteren Rollouts.

Wie werden die Daten übertragen? Per LTE (NB-IoT oder LTE-M) oder LoRaWAN. Bei aggregierten Minutenwerten beträgt das Datenvolumen 2–3 MB pro Station pro Monat. LTE-Kosten: ca. 5 €/Monat pro Station.

Ist das System eichrechtskonform? Nein, die Sensoren dienen dem Monitoring, nicht der Abrechnung. Für eichrechtskonforme Messung sind deutlich teurere Messgeräte nötig (10.000 €+ pro Station). Monitoring-Sensorik reicht für Anomalie-Erkennung völlig aus.

Kann die KI auch Erdschlüsse im Niederspannungsnetz erkennen? Ja, Erdschlüsse zeigen sich als Strom-Asymmetrien und Spannungseinbrüche. Das Isolation-Forest-Modell erkennt diese Muster mit einer Vorlaufzeit von Stunden bis Wochen, je nach Defektentwicklung.

Wie viele Fehlalarme gibt es? Im Pilotprojekt lag die False-Positive-Rate bei 12 % nach 3 Monaten und sank auf 4 % nach 12 Monaten, da das Modell quartalsweise nachtrainiert wurde. Fehlalarme kosten wenig (kurze Prüfung), übersehene Defekte kosten viel (Ausfall).