Das deutsche Verteilnetz gilt international als eines der zuverlässigsten der Welt. Der SAIDI-Wert, also die durchschnittliche jährliche Unterbrechungsdauer je Abnehmer, lag 2024 bei 11,7 Minuten (2023: 12,8 Minuten). Damit gehört das deutsche Stromnetz nach Angaben der Bundesnetzagentur weiterhin zu den zuverlässigsten in Europa.¹ Diese Zuverlässigkeit ist real. Aber sie täuscht über ein strukturelles Problem hinweg: Sie wird mit einem Wartungsmodell erkauft, das teuer, personal- und kapitalintensiv ist und den Anforderungen der Energiewende zunehmend schlechter standhalten wird.

1. Das stille Effizienzproblem: Zuverlässig und teuer zugleich

Der Kernmechanismus lautet Zeitplan. Trafos werden nach Ablauf definierter Betriebsjahre geprüft oder getauscht, Kabelstrecken nach Norm-Zyklen bewertet, Ortsnetzstationen turnusmäßig besichtigt. Diese zustandsunabhängige, zeitbasierte Wartung stellt sicher, dass nichts übersehen wird. Sie führt aber dazu, dass Betriebsmittel ersetzt werden, die noch Jahre Restlaufzeit hätten, während anderswo Schwachstellen unentdeckt bleiben, weil der Prüftermin noch nicht fällig ist.

Die dena Verteilnetzstudie II quantifiziert, was auf die Branche zukommt: Bis 2045 steigen die durchschnittlichen jährlichen Investitionen eines Muster-Verteilnetzbetreibers spartenübergreifend über Strom, Wärme und Wasserstoff hinweg um 85 bis 123 Prozent gegenüber 2024.² Gleichzeitig schrumpft der Fachkräftepool, und die Komplexität der Netze wächst mit jeder Ladestation, jedem Batteriespeicher und jeder Photovoltaik-Anlage, die ans Niederspannungsnetz angeschlossen wird. Mehr Aufgaben, weniger Menschen, gleiche oder sinkende Investitionsbudgets. In dieser Kombination liegt das eigentliche Problem.

KI-gestützte Predictive Maintenance (PM) verspricht an dieser Stelle einen anderen Weg: nicht weniger Wartung, sondern gezieltere. Nicht Prüfungen nach Kalender, sondern Eingriffe dann, wenn Sensordaten und KI-Modelle einen bevorstehenden Defekt anzeigen. Ob dieser Ansatz im deutschen Verteilnetz schon heute skaliert oder noch ein Pilot-Stadium ist, lässt sich nur beantworten, wenn man ehrlich schaut, was bereits funktioniert und was noch fehlt.

2. Wie KI-Predictive Maintenance im Verteilnetz funktioniert

2.1 Datengrundlage: Was gemessen werden muss

Predictive Maintenance im Verteilnetz beginnt nicht mit einem Algorithmus, sondern mit einem Sensor. Ohne kontinuierliche Messdaten aus dem Feld gibt es nichts, das ein KI-Modell auswerten könnte. In der Praxis sind drei Datenschichten entscheidend.

Predictive Maintenance im Verteilnetz beginnt nicht mit einem Algorithmus, sondern mit einem Sensor. Ohne kontinuierliche Messdaten aus dem Feld gibt es nichts, das ein KI-Modell auswerten könnte. In der Praxis ist der Datenfluss in vier Schichten organisiert.

• Die erste Schicht ist die Feldebene mit den Datenquellen direkt am Betriebsmittel. Ortsnetzstationen, von denen in Deutschland nach Angaben des BDEW über 600.000 verbaut sind³, werden zunehmend mit Messsensorik ausgerüstet oder im Zuge der Rollout-Pflicht nach dem Messstellenbetriebsgesetz (MsbG) nachgerüstet. Moderne digitale Ortsnetzstationen, wie sie Westenergie⁴ und Bayernwerk⁵ in Pilotprojekten einsetzen, liefern Spannungs- und Stromwerte, Oberwellen, Temperaturen und Schaltstellungen in kurzen Zeitintervallen. Bei Leistungstransformatoren ist die Dissolved Gas Analysis (DGA), also die Analyse von im Transformatoröl gelösten Gasen, die etablierte Methode der Zustandserfassung. Nach IEC 60599⁶ zeigt ein Anstieg von Wasserstoff (H₂) vor allem Teilentladungen an, Acetylen (C₂H₂) deutet auf Lichtbögen und Hochtemperatur-Fehler hin, während erhöhte Ethylen- und Ethan-Werte thermische Überhitzungen im Wicklungsbereich indizieren, oft Wochen oder Monate bevor ein Ausfall eintritt.
• Die zweite Schicht ist die Kommunikation. Die Feldsignale werden über standardisierte Protokolle übertragen: digitale Ortsnetzstationen meist über IEC 61850 oder IEC 60870-5-104, intelligente Messsysteme über PLC, GPRS oder LTE, Sensor-Aggregatoren über MQTT oder REST-APIs. Ohne durchgängige Protokoll-Architektur scheitert die spätere Datenintegration.
• Die dritte Schicht ist die KI-Plattform. Sie normalisiert die Datenströme, ergänzt sie um Kontext (Wetterdaten, Kabelalterskarten, historische Störungsdaten, Schaltprotokolle) und betreibt das Feature Engineering. Modelle wie LSTM für Zeitreihen-Anomalien oder XGBoost für Ausfall-Klassifikation erzeugen einen Anomalie-Score, der in eine priorisierte Wartungsempfehlung übersetzt wird. Der Kontext ist entscheidend, weil dieselbe Temperaturanomalie in einem 25 Jahre alten Papier-Öl-Kabel eine andere Bedeutung hat als in einer neuen VPE-Leitung.
• Die vierte Schicht ist die Integration in die Zielsysteme. SCADA und Leitwarte erhalten Alarme und Visualisierungen, GIS-Systeme (Esri ArcGIS, QGIS) zeigen betroffene Betriebsmittel auf der Karte, EAM-Systeme (SAP PM, IBM Maximo) generieren automatisch den Arbeitsauftrag. Die Aggregation der heterogenen Datenquellen in ein einheitliches Datenmodell ist eine eigene Disziplin. Alternativ können mehrere KI-Modelle kooperieren: eines bereitet die Daten auf, ein anderes interpretiert und integriert sie.

2.2 KI-Methoden: Was funktioniert, was nicht

Für Predictive Maintenance im Verteilnetz haben sich drei methodische Ansätze als besonders relevant erwiesen:

Zeitreihen-basierte Anomalie-Erkennung mit LSTM-Netzwerken (Long Short-Term Memory) ist der am weitesten verbreitete Ansatz. LSTMs lernen aus historischen Zeitreihen das „normale“ Verhalten eines Betriebsmittels und schlagen Alarm, wenn die Gegenwart vom erlernten Muster abweicht. Ihr Vorteil: Sie kommen ohne explizit gelabelte Fehlerdaten aus, was im Netzbereich ein großes Plus ist, weil historische Störungsereignisse selten und oft unvollständig dokumentiert sind. Ihr Nachteil: LSTMs tendieren dazu, bei veränderten Betriebsbedingungen, etwa durch neue Einspeiser im Netz, False Positives zu erzeugen, die das Wartungspersonal schnell ermüden lassen.

Gradient-Boosting-Modelle (XGBoost, LightGBM) eignen sich besser, wenn ausreichend strukturierte historische Daten verfügbar sind. Sie kombinieren mehrere schwache Vorhersagemodelle zu einem starken Prädiktor und lassen sich gut auf Kabelausfall-Wahrscheinlichkeit oder Transformatordegradation trainieren. Ihr Vorteil liegt in der Interpretierbarkeit: Feature-Importance-Analysen zeigen, welche Variablen den Ausschlag geben. Das ist relevant für die Akzeptanz im Leitwartenbetrieb, wo Entscheidungen nicht auf „Black Box“-Empfehlungen gestützt werden.

AutoML-Plattformen schließlich ermöglichen es, ohne tiefes Machine-Learning-Wissen Modelle zu trainieren und zu validieren. Anbieter wie Siemens mit Electrification X⁷ oder Maschinenfabrik Reinhausen mit TESSA APM⁸ bieten Lösungen, die speziell auf Betriebsmittel im Energiebereich ausgerichtet sind und vortrainierte Basismodelle mitbringen. Das senkt den Einstiegsaufwand erheblich, schafft aber eine Abhängigkeit vom Anbieter. Damit stellt sich die Frage, ob das eigene Datenwissen im Unternehmen bleibt oder in einer Vendor-Plattform verschwindet.

3. Was in Deutschland bereits läuft

Die deutsche Netzbetreiber-Landschaft ist in Sachen KI-PM heterogener, als öffentliche Berichterstattung vermuten lässt. Einige Vorreiter haben bereits produktive Systeme im Einsatz, die Mehrzahl befindet sich noch in Pilotphase oder Evaluierung.

Das FLEMING-Projekt (Flexible Monitoring- und Regelsysteme für die Energie- und Mobilitätswende im Verteilnetz durch Einsatz von Künstlicher Intelligenz) ist das prominenteste abgeschlossene Forschungsprojekt in diesem Bereich.⁹ Das von der Universität Paderborn (Projektleitung Prof. Dr. Daniel Beverungen) koordinierte Konsortium mit Partnern FIR Aachen, KIT und Westfalen Weser Netz GmbH arbeitete von September 2019 bis Dezember 2022 an einem System zur Fehlerlokalisierung und Anomalie-Erkennung im Mittelspannungsnetz. Ein zentrales Ergebnis war die Entwicklung eines datengetriebenen Ansatzes, der mit realen Netzdaten aus dem Testfeld validiert wurde. Das Projekt ist abgeschlossen, liefert aber eine Blaupause für die Integration von KI in bestehende Netzleittechnik, auf die Folgeprojekte aufsetzen.

enercity Netz veröffentlichte im Januar 2026 erste Ergebnisse aus dem Aufbau eines digitalen Zwillings für das hannoversche Niederspannungsnetz.¹⁰ Das System kombiniert Smart-Meter-Daten, Schaltstellungsinformationen und historische Lastprofile zu einem virtuellen Echtzeit-Abbild des Netzes. Obwohl der primäre Zweck Netzplanung und Störungsdiagnose ist, bildet dieser digitale Zwilling die Infrastruktur, auf der zukünftige PM-Systeme direkt aufsetzen können. Ein Beleg dafür, dass die Grenze zwischen Netzplanung und Predictive Maintenance fließend wird.

Westenergie⁴ und Bayernwerk⁵ haben in verschiedenen Netzregionen digitale Ortsnetzstationen installiert, die kontinuierliche Messdaten liefern. Diese Rollouts erfolgen nicht primär unter dem Label „Predictive Maintenance“, sind aber die Voraussetzung dafür. Die BNetzA bietet über die ARegV einen Anerkennungspfad für Effizienzmaßnahmen, der Digitalisierungsinvestitionen unter bestimmten Voraussetzungen einbezieht.¹¹

Parallel dazu erzeugt die NIS2-Umsetzung, ergänzt durch das am 29.01.2026 beschlossene KRITIS-Dachgesetz (BGBl. I Nr. 66 vom 16.03.2026), einen Digitalisierungsschub von anderer Seite¹²: KRITIS-Betreiber müssen Systeme zur Angriffserkennung (SzA) für OT-Infrastruktur einführen. Diese SzA-Systeme nutzen dieselbe Sensordaten-Infrastruktur wie PM-Systeme und bieten damit einen Doppelnutzen, der in Investitionsentscheidungen zunehmend berücksichtigt wird. Wer heute Sensorik für KRITIS-Compliance nachrüstet, legt damit gleichzeitig das Fundament für PM-Anwendungen. Ein Argument, das in Budgetverhandlungen helfen kann.

4. Der Business Case: Zahlen mit Vorbehalt

Für KI-Predictive Maintenance im Verteilnetz zirkulieren in der Branche Einsparpotenziale zwischen 15 und 30 Prozent der Wartungskosten. Diese Zahlen sind nicht falsch, aber sie brauchen Kontext.

Die 15 bis 30 Prozent beziehen sich typischerweise auf die direkt messbaren Wartungskosten: Personalstunden für Routineinspektionen, Fahrtkosten, Kosten für präventive Austausche nach Ablauf von Nutzungsdauern. In Netzbetrieben mit hohem Wartungsaufwand und großer geographischer Ausdehnung (Flächenversorger mit 5.000 bis 20.000 Ortsnetzstationen) können diese Einsparungen erheblich sein und schon in den ersten Jahren nach Inbetriebnahme eines PM-Systems sichtbar werden.

Die ARegV schafft einen zusätzlichen Anreiz¹¹: Digitalisierungsinvestitionen können unter bestimmten Voraussetzungen als Effizienzmaßnahmen anerkannt werden und wirken sich so positiv auf die Erlösobergrenze aus. Für Netzbetreiber, die ohnehin unter Effizienzdruck stehen, ist das ein starkes Argument jenseits der rein operativen Kostenbetrachtung.

Schwieriger zu quantifizieren ist der indirekte Nutzen durch vermiedene Ausfälle. Eine sektorale VOLL-Studie aus 2016 bezifferte den Wertverlust eines Stromausfalls für die deutsche Industrie auf 1,91 EUR/kWh ohne Berücksichtigung von Lieferketten-Verkettungseffekten und auf 3,41 EUR/kWh, wenn diese eingerechnet werden.¹³ Für einen typischen Mittelspannungs-Industriekunden mit mehreren MW Anschlussleistung summiert sich der Schaden einer einstündigen Unterbrechung damit schnell in den fünfstelligen Bereich. Schon die Vermeidung weniger Ausfälle pro Jahr trägt einen PM-Business-Case, insbesondere in industriell geprägten Versorgungsgebieten.

Ehrlich muss man aber auch sagen, was die Zahlen nicht zeigen: die Anlaufkosten für Sensornachrüstung und Datennormalisierung, die Kosten für laufende Modellpflege und False-Positive-Management sowie den internen Aufwand für die organisatorische Veränderung vom reaktiven Störungshandler zum datengetriebenen Asset-Manager. Gerade für mittlere und kleine Netzbetreiber können diese Anlaufkosten die Einsparpotenziale der ersten zwei bis drei Jahre vollständig aufzehren. Der Business Case ist realistisch, aber er verlangt einen Planungshorizont von ungefähr fünf Jahren und eine nüchterne Bewertung der eigenen Ausgangslage.

5. Was die meisten Netzbetreiber noch bremst

Die BDEW-Studie Digital@EVU 2026¹⁴ zeigt eine bemerkenswerte Diskrepanz: 29 Prozent der befragten Energieversorger haben eine KI-Strategie bereits umgesetzt, weitere 58 Prozent planen sie. Die produktive Anwendung im Übertragungs- und Verteilnetz ist jedoch deutlich konzentrierter und gilt überwiegend für die Unternehmen mit umgesetzter KI-Strategie. Selbst bei diesen führenden Akteuren liegt der Umsetzungsgrad für spezifische Netzanwendungen bei 39 Prozent (präskriptive Netzwartung), 45 Prozent (Lastverteilungs-Optimierung) und 54 Prozent (Netzplanung). Bei den übrigen Unternehmen ist der produktive Einsatz im Netzbereich deutlich niedriger. Was hält den Rest zurück?

Das gravierendste Hindernis ist die Datenqualität. Verteilnetze sind historisch gewachsen, und das Datenerbe spiegelt diese Wachstumsgeschichte wider: Kabelalterskarten in unterschiedlichen Formaten und Maßstäben, Störungsprotokolle in freiem Text ohne einheitliche Systematik, GIS-Daten mit Lücken, Betriebsmitteldaten in veralteten SAP-Strukturen. Bevor ein KI-Modell auf diesen Daten arbeiten kann, müssen das Datenmodell harmonisiert, Lücken geschlossen und eine Datenpipeline aufgebaut werden. Dieser Schritt dauert in der Praxis länger und kostet mehr als die eigentliche Modellentwicklung, und er kann nicht übersprungen werden.

Das zweite Hindernis ist der Fachkräftemangel in einer spezifischen Ausprägung: Nicht das Fehlen von Data Scientists ist das Problem, sondern das Fehlen von Fachleuten, die Netzbetrieb und Datenanalytik verbinden. Ein LSTM-Modell auf Transformatordaten zu trainieren ist die eine Sache. Zu beurteilen, welche Anomalie auf einen echten Defekt hinweist und welche ein Messartefakt ist, erfordert Netzingenieurswissen, das sich nicht automatisieren lässt. Dieses hybride Profil ist am Arbeitsmarkt kaum vorhanden und muss intern aufgebaut werden.

Das dritte Hindernis betrifft Systemintegration und Legacy-IT. Viele Netzbetreiber betreiben SCADA- und Netzleitsysteme, die zehn bis fünfzehn Jahre alt sind und proprietäre Schnittstellen verwenden. Die Integration eines KI-PM-Systems in diese Landschaft erfordert oft aufwendige Middleware-Entwicklung oder ein vollständiges Ablösen des Legacy-Systems, beides kostspielig, zeitaufwendig und in operativen Betrieben mit begrenztem Risikoappetit schwer durchzusetzen.

Das vierte Hindernis ist organisatorischer Natur: In vielen Netzbetrieben existieren Wartungsabteilung, GIS-Team und Leitstelle als separate Einheiten mit unterschiedlichen IT-Systemen, Verantwortlichkeiten und Kulturen. Predictive Maintenance funktioniert nur, wenn diese Silos überwunden werden, was Change-Management und politisches Kapital erfordert, das in operativ getriebenen Betrieben oft nicht zur Verfügung steht.

6. Was jetzt zu tun ist: Drei Schritte für Netzbetreiber

Wer als Netzbetreiber KI-Predictive Maintenance einführen möchte, sollte nicht mit dem Algorithmus beginnen, sondern mit der Dateninfrastruktur.

Der erste Schritt ist ein ehrlicher Daten-Audit: Welche Betriebsmitteldaten liegen in welcher Qualität vor? Welche Messpunkte sind bereits digital erfasst, welche nicht? Wo sind die kritischen Stellen im Netz, für die keine kontinuierlichen Messdaten vorhanden sind? Dieser Audit kostet Zeit, ist aber die Voraussetzung für jede sinnvolle Investitionsentscheidung. Ohne ihn führen PM-Projekte unweigerlich zu der ernüchternden Erkenntnis: „Wir haben nicht genug Daten, um das Modell zu trainieren.“ Oft erst nach zwölf Monaten und erheblichen Vorinvestitionen.

Der zweite Schritt ist die gezielte Sensorik-Nachrüstung an Hochrisikoknoten. Statt das gesamte Netz flächendeckend mit Sensoren auszustatten, was finanziell nicht darstellbar ist, sollten Betriebsmittel priorisiert werden, die aufgrund von Alter, Belastung oder historischen Störungsereignissen das höchste Ausfallrisiko tragen. Diese selektive Sensorik liefert in kürzerer Zeit auswertbare Datensätze und ermöglicht einen fokussierten Piloten mit messbarem Outcome. Wer diesen Schritt mit der ohnehin fälligen KRITIS-SzA-Nachrüstung kombiniert¹², schafft Doppelnutzen und teilt die Investitionskosten auf zwei Budgettöpfe auf.

Der dritte Schritt ist der Aufbau eines interdisziplinären Teams, das Netzingenieure, IT-Architekten und Datenanalysten zusammenbringt. Dieses Team sollte nicht nur den initialen Piloten verantworten, sondern langfristig die Modellpflege übernehmen, denn KI-Modelle im Netzbetrieb sind keine einmalige Implementierung, sondern ein kontinuierlicher Prozess aus Training, Validierung und Anpassung an veränderte Netzstrukturen. Wer diese Kompetenz an einen Anbieter auslagert, ohne internen Aufbau zu betreiben, riskiert in drei bis fünf Jahren eine vollständige Abhängigkeit mit entsprechenden Konsequenzen für Vertragsverhandlungen und Innovationsgeschwindigkeit. Auf die richtige Schulung kommt es also an.

Das Fenster für frühes Positionieren ist offen. Die Regulierung, sowohl die ARegV-Anerkennung von Digitalisierungsinvestitionen¹¹ als auch die KRITIS-getriebene SzA-Pflicht¹², schafft gerade die Rahmenbedingungen, die Investitionen in PM-Infrastruktur auch bei konservativem Management rechtfertigbar machen. Netzbetreiber, die jetzt mit Dateninfrastruktur und ersten Piloten beginnen, werden bei der nächsten Regulierungsperiode deutlich besser positioniert sein als die, die noch auf „den richtigen Zeitpunkt“ warten. Den gibt es in Netzinfrastruktur erfahrungsgemäß nicht. Er muss gesetzt werden.

Kompetenzaufbau für Ihr Team: Campus-EW bietet praxisnahe Schulungen zu den Themen Netzen, Digitalisierung, Künstliche Intelligenz und Regulatorik in der Energiewirtschaft, als Inhouse-Format oder offene Seminare. Passende Weiterbildung im Themenfinder entdecken →

Quellen