AI für Energie und Utilities: Prognosen, Anomalieerkennung, Dokumentation

Betreiber von Fernwärmenetzen mit hunderten Knotenpunkten, Energieverteiler mit Telemetrie aus Zählern und Stationen, Compliance-Abteilungen, die in regulatorischer Berichterstattung ertrinken. Das sind Bilder, die wir regelmäßig sehen. Gemeinsamer Nenner: Es gibt viele Daten – von Sensoren, SCADA-Zählern, Abrechnungssystemen – aber die zeitnahe Umsetzung in Entscheidungen ist schwierig. Hier macht AI Sinn. Derselbe Betreiber wird jedoch oft von der Verheißung eines „selbstregulierenden Netzes“ verführt – das ist ein anderes Thema: Netzstabilität, rechtliche Verantwortung und kritische Infrastruktur. Im Folgenden trennen wir das eine vom anderen, fair und ohne Versprechungen, die nicht gehalten werden können.

Die Bedarfsprognose (Load Forecasting) ist die Vorhersage, wie viel Energie oder Wärme die Verbraucher in den nächsten Stunden und Tagen verbrauchen werden, basierend auf historischen Daten, Wetter, Kalender und Verbraucherprofilen. Dies ist einer der am besten erforschten Anwendungsfälle von AI in der Branche – und genau deshalb lohnt es sich, ehrlich darüber zu sprechen.

Die Genauigkeit hängt vom Horizont und der Qualität der Eingangsdaten ab. Prognosen für die nächsten Stunden sind oft sehr treffsicher; wöchentliche Prognosen sind mit größerer Unsicherheit behaftet, da sie vom Wetter abhängen, das selbst nicht genau bekannt ist. Wir versprechen keine einzelne Zahl – wir geben eine Spanne an und zeigen, wie diese mit euren Daten berechnet wird.

Das sind Richtwerte aus der Literatur und unseren Beobachtungen, keine Garantie – den tatsächlichen Fehler messen wir erst anhand eurer Historie. Voraussetzung ist die Datenextraktion aus verschiedenen Quellen und deren Aufbereitung; wie man solche Daten strukturiert, beschreiben wir in Vorbereitung von Firmendaten für AI. Ohne saubere, zeitlich markierte Historie hat das Modell nichts, woran es lernen kann.

Ein weiterer starker Bereich ist die Erkennung von Anomalien in Telemetrieströmen: plötzliche Verbrauchsspitzen, untypische Spannungsprofile, Leckagen im Fernwärmenetz, Verdacht auf illegalen Bezug oder Zählerstörungen. Das Modell lernt, wie der „normale“ Betrieb eines Messpunkts aussieht, und meldet Abweichungen.

Wichtig ist, nicht zu viel zu versprechen. AI „weiß“ nicht, dass es sich um ein Leck handelt – es signalisiert, dass das Ablesemuster in einer Weise vom Muster abweicht, die historisch mit Problemen einherging. Die Entscheidung, ein Team loszuschicken, einen Verbraucher abzuschalten oder eine Kontrolle einzuleiten, trifft der Mensch, denn er trägt die Konsequenzen eines Fehlers. Das System übernimmt die Rolle eines Siebs: Es durchforstet tausende Punkte und filtert diejenigen heraus, die Aufmerksamkeit verdienen.

Hier sind zwei wichtige Einschränkungen. Erstens ist die Empfindlichkeitsschwelle eine betriebliche Entscheidung: Eine niedrigere Schwelle erfasst mehr Anomalien, erzeugt aber mehr Fehlalarme und belastet die Disponenten; eine höhere Schwelle lässt mehr Ereignisse durch, riskiert aber, etwas zu übersehen. Zweitens driftet das Modell – Saisonwechsel, Tarife, Verbraucherstruktur ändern sich – ohne Monitoring sinkt seine Effektivität schleichend. Wie man das misst, beschreiben wir in Monitoring der Qualität eines AI-Agenten. Dasselbe Muster „AI siebt, Mensch entscheidet“ zeigen wir auch bei Meldungen in Klassifizierung und Routing von Meldungen mit AI.

Der am wenigsten spektakuläre, aber oft rentabelste Bereich ist die Verwaltung und Berichterstattung. Energie- und Utility-Branchen sind reguliert: Berichte an die Regulierungsbehörde, technische Netzdokumentation, Prüfprotokolle, Zertifikate, Korrespondenz mit Verbrauchern, Abrechnungen. Vieles davon ist manuelles Übertragen von Zahlen und Durchsuchen von Dokumenten.

Hier bewährt sich AI als Datenextraktion: Sie liest Werte aus Formularen, Protokollen und Lieferantenrechnungen – auch aus Scans und Fotos dank OCR – und überträgt sie in strukturierter Form in das System. Ein Sprachmodell kann auch eine erste Version eines Schichtberichts oder eines Berichts aus Rohdaten des Netzes erstellen – mit dem Vorbehalt, dass ein Dokument mit rechtlicher Wirkung von einem Menschen unterzeichnet wird.

Die Grenze ist einfach: AI bereitet vor und ordnet, der Mensch genehmigt Dokumente mit regulatorischen Auswirkungen. Ein Agent kann Daten aus mehreren Systemen sammeln und einen Entwurf für einen Bericht erstellen, aber die Verantwortung für die Rechtmäßigkeit bleibt beim Menschen, nicht beim Modell.

Ein vierter praktischer Bereich ist der Meldungsfluss: Störungen, Reklamationen von Abrechnungen, Anschlussanträge, Fragen zu Tarifen. Ein Klassifikator kann Meldungen nach Typ und Dringlichkeit sortieren und an das richtige Team weiterleiten – eine Stromstörung geht sofort an den Disponenten, eine Frage zur Rechnung an die Kundenbetreuung.

Das verkürzt real die Reaktionszeit, aber es gilt dieselbe Disziplin wie oben. Die Klassifizierung unterstützt das Routing, ist aber kein Urteil: Bei einer Meldung, die die Sicherheit betreffen könnte (Gasgeruch, Stromschlaggefahr), eskaliert das System mit höchster Priorität zum Menschen, statt zu versuchen, den Fall selbst zu „bearbeiten“. Die Mechanik eines solchen Routings zerlegen wir in Klassifizierung und Routing von Meldungen mit AI, und die Logik des Siebens bei Sensordaten behandeln wir auch in AI für Logistik und Lager sowie AI für industrielle Produktion.

Hier muss man präzise sein, denn Strom- und Wassernetze sind kritische Infrastruktur – Fehler haben Konsequenzen für die Sicherheit der Menschen und die Versorgungskontinuität.

Solange AI die Entscheidung unterstützt – Prognose für den Planer, Anomaliealarm für den Disponenten, Entwurf eines Berichts, Routing einer Meldung – und der Mensch in der Schleife bleibt, sind rechtliches und operatives Risiko begrenzt. Das Problem beginnt, wenn das System selbst Maßnahmen ergreift, die das Netz beeinflussen: Arbeitsparameter ändert, Verbraucher abschaltet, die Leistungsverteilung ohne Aufsicht steuert.

Der AI Act stuft als hohes Risiko unter anderem KI-Systeme ein, die als Sicherheitskomponenten bei der Verwaltung und dem Betrieb kritischer Infrastruktur – einschließlich Energie- und Wasserversorgung – eingesetzt werden. Wenn AI eine solche Rolle übernimmt, gelten Pflichten: technische Dokumentation, Risikobewertung, menschliche Aufsicht mit echter Interventionsmöglichkeit, Protokollierung und Qualitätsmonitoring in Echtzeit. Was das in der Praxis für polnische Unternehmen bedeutet, erläutern wir in Pflichten aus AI Act und RODO 2026.

Drei Prinzipien, die wir immer anwenden:

• Mensch in der Schleife bei netzkritischen Entscheidungen. AI signalisiert und schlägt vor; Schaltungen, Abschaltungen und Parameteränderungen genehmigt der Disponent.
• Protokollierung und Qualitätsüberwachung des Modells. Saisonale Drifts sind hier die Regel, nicht die Ausnahme – ohne Monitoring sinkt die Effektivität unbemerkt.
• Audit vor der Einführung. Bevor das System operative Prozesse berührt, lohnt sich ein Sicherheitsaudit des AI-Assistenten, um Berechtigungen, Datenzugriff und Missbrauchsszenarien zu prüfen.

Die ehrliche Reihenfolge der Einführung sieht weniger spektakulär aus, als die Folien versprechen. Zuerst ein eng definiertes Problem mit messbaren Kosten – meist entweder kurzfristige Lastprognose, Anomalieerkennung bei einem Signaltyp oder Automatisierung eines Berichts. Dann die Prüfung, ob überhaupt saubere historische Daten zum Trainieren des Modells existieren. Anschließend ein Pilotprojekt neben dem bestehenden Prozess – AI schlägt vor und prognostiziert, der Mensch entscheidet weiterhin – um die Effektivität mit realen Daten zu messen, bevor etwas eigenständig funktioniert. Erst wenn die Zahlen stimmen, schrittweise Erweiterung, mit beibehaltener Aufsicht dort, wo die Netzstabilität auf dem Spiel steht.

Das ist kein Schnellschuss. Aber es ist der Weg, der nicht in einem teuren System endet, dem niemand vertraut, weil es sich an dem Tag geirrt hat, an dem es am meisten kostete.

Das hängt vor allem vom Horizont und der Datenqualität ab. Kurzfristige Prognosen (einige bis mehrere Stunden) sind oft sehr treffsicher, mit Fehlern meist im einstelligen Prozentbereich; wöchentliche Prognosen sind mit größerer Unsicherheit behaftet, da sie vom Wetter abhängen, das selbst nicht genau bekannt ist. Wir geben eine Spanne an, und den tatsächlichen Fehler messen wir anhand eurer Historie – wir versprechen keine einzelne Zahl aus der Präsentation.

In unserem Ansatz nicht. Entscheidungen, die kritisch für das Netz sind – Schaltungen, Parameteränderungen, Abschaltungen – erfordern menschliche Aufsicht, da sie kritische Infrastruktur und Sicherheit betreffen. AI signalisiert Anomalien und schlägt vor, aber der Disponent genehmigt. Volle Autonomie in solchen Prozessen ist nicht nur ein operatives Risiko, sondern auch ein hart regulierter Bereich durch den AI Act.

Das hängt von der Architektur ab, die ihr wählt – und ist eine Entscheidung, keine Notwendigkeit. Sensible Daten (Telemetrie, Kundendaten, Netzparameter) können in der Infrastruktur des Unternehmens bleiben, dank lokal ausgeführter Modelle, oder bei einem Anbieter mit Garantie für Datenlokalisierung in der EU und einem Auftragsverarbeitungsvertrag. Diese Entscheidung sollte bewusst zu Beginn getroffen werden, da sie das gesamte Projekt und die Anforderungen der RODO bestimmt.

Manchmal ja. Wenn AI eine Sicherheitskomponente bei der Verwaltung oder dem Betrieb kritischer Infrastruktur (Energie-, Wasserversorgung) ist, kann es sich um ein Hochrisikosystem gemäß AI Act handeln – mit Pflichten wie Dokumentation, Risikobewertung und menschlicher Aufsicht. Rein administrative Systeme, wie die Generierung von Berichten oder OCR von Dokumenten, fallen meist nicht in diese Kategorie, aber die Einstufung sollte für den konkreten Anwendungsfall bestätigt werden.

Die ehrliche Antwort lautet „kommt auf die Daten an“, nicht auf das Modell. Wenn die Telemetrie bereits fließt und eine Historie von Ereignissen (Störungen, Leckagen, Betrug) existiert, dauert ein Pilotprojekt für einen Signaltyp meist einige Wochen bis Monate. Wenn die Daten erst aufbereitet und markierte Beispiele gesammelt werden müssen, kann die Vorbereitungsphase länger dauern als das eigentliche Modellieren – und lässt sich nicht durch Versprechungen verkürzen.