Der Engpass liegt vor dem Modell

Wenn von künstlicher Intelligenz im Stromnetz die Rede ist, geht es meist um die Modelle: um lernende Systeme, die Lasten vorhersagen oder Anlagen überwachen. Die Voraussetzung dafür wird seltener genannt, obwohl sie über Erfolg oder Misserfolg mitentscheidet. Ein Modell kann nur so gut sein wie das Material, aus dem es lernt — und dieses Material muss erst einmal existieren, zugänglich und brauchbar sein.

Die Bundesnetzagentur hat dazu einen Marktdialog mit Unternehmen der Netzsektoren geführt. Ergebnis: Alle Teilnehmenden bestätigten, dass die Verfügbarkeit von Daten in geeigneter Qualität eine Notwendigkeit und derzeit eine der großen Herausforderungen für den Einsatz von KI in der Energiewirtschaft sei. Als zentrale Bedingung wurde dabei herausgearbeitet, dass das Stromnetz überhaupt erst mit entsprechender Sensorik zu einem Smart Grid weiterentwickelt werden muss, damit genügend Daten anfallen.

Woher diese Daten kommen sollen, ist die nächste Frage. Eine Untersuchung von dena und Fraunhofer IEE zum Stromverteilnetz listet die relevanten Quellen auf — Asset- und Betriebsmitteldaten der Netzbetreiber, Daten zu Erzeugung und Verbrauch, Netzmodelle, Geodaten — und ordnet sie durchweg als nicht öffentlich verfügbar ein. Eine Ausnahme nennt der Bericht: Netzmodelle der Übertragungsnetzbetreiber werden teilweise im Rahmen der Engpassanalyse online gestellt. Die Autoren empfehlen daher, eine Open-Data-Mentalität zu stärken und den einheitlichen Zugriff auf relevante Datensätze zu vereinfachen.

Dazu kommt eine rechtliche Schranke. Die Datenschutz-Grundverordnung schreibt vor, dass eine Verarbeitung personenbezogener Daten stets zweckgebunden erfolgen muss. Derselbe Bericht hält fest, dass dies eine Hürde für die Datenerhebung sein kann, weil sich eine Erhebung nicht immer mit dem späteren Verwendungszweck verbinden lässt. Als Ausweg gilt eine angemessene Anonymisierung oder Pseudonymisierung, da der Mehrwert der Daten oft gar nicht in den personenbezogenen Anteilen liegt.

Selbst dort, wo Modelle bereits ordentlich funktionieren, wird nach besserem Ausgangsmaterial gerufen. Eine Studie zur Windprognose in europäischen Gebotszonen führt schwächere Ergebnisse in einzelnen Zonen auf große Kapazitätsänderungen zurück und leitet daraus die Forderung ab, die Branche solle granularere Kapazitätsdaten erfassen. Ein Anbieter von Planungssoftware räumt in eigener Sache ein, historische Ertragsdaten für Windparks seien in vielen Regionen Deutschlands nur eingeschränkt verfügbar oder schwer zugänglich — wer keine guten Daten habe, bekomme keine guten Prognosen.

Die Engstelle liegt damit oft nicht im Modell, sondern davor.

Damit eine Software Millionen kleiner Verbraucher in Privathaushalten dirigieren kann, muss sie zuerst wissen, was dort gerade passiert. Das klingt banal, ist aber der Punkt, an dem viele Konzepte in der Praxis hängenbleiben. Der Engpass sitzt nicht im Rechenzentrum, sondern im Sicherungskasten.

Ein herkömmlicher analoger Stromzähler lässt keine zeitgenaue Abrechnung des verbrauchten Stroms zu. Wer auf schwankende Börsenstrompreise reagieren will, kann das damit schlicht nicht abbilden. Intelligente Messsysteme sind dagegen auf eine viertelstundengenaue Erfassung und Übertragung der Daten ausgelegt — sie liefern erst jenes zeitlich aufgelöste Bild, auf dem eine vorausschauende Steuerung aufsetzen könnte. Genau daran hakt es: Ende 2024 waren erst rund 3,8 Prozent der Haushalte in Deutschland mit einem solchen Zähler ausgestattet. Der verpflichtende Rollout ist bis 2032 geplant, kämpft aber einer Kurzstudie des Wärmepumpen-Branchenverbands zufolge mit umfassenden rechtlichen und technischen Verzögerungen. Auch im Marktdialog der Bundesnetzagentur gilt der verzögerte Rollout als essentieller fehlender Baustein: Nur wenn das Netz über genügend Sensorik verfüge, seien überhaupt ausreichend Daten für den Einsatz von KI vorhanden. Ein Fachmagazin-Beitrag aus Anbieterfeder nennt die Einbauquote unumwunden einen Flaschenhals für die Energiewende.

Am Rechtsrahmen und am Geräteangebot liegt es dabei nicht. Seit Januar 2024 regelt Paragraf 14a des Energiewirtschaftsgesetzes, dass steuerbare Verbrauchseinrichtungen — gemeint sind vor allem Wärmepumpen und Wallboxen — netzdienlich integriert werden müssen: Der Netzbetreiber darf bei Engpässen ihre Leistung zeitweise reduzieren, im Gegenzug gibt es Rabatte auf die Netzentgelte. Und an Steuerungstechnik mangelt es ebenfalls nicht. Eine Marktübersicht von Forschenden der Hochschule Ansbach und der TU München dokumentierte 43 Heim-Energiemanagementsysteme von 41 Anbietern auf dem deutschen Markt. Die allermeisten dieser Systeme benötigen allerdings einen intelligenten Zähler; ohne ihn bleibt ihre Funktionalität deutlich eingeschränkt.

Und selbst dort, wo Zähler, Recht und Technik zusammenkommen, folgt die Beteiligung nicht von allein. Eine Umfrage eines Anbieters unter 300 Endnutzern in Deutschland, Großbritannien und den Niederlanden ergab, dass zwar die Hälfte der Befragten Interesse an Flexibilitätsprogrammen hätte, aber nur zehn Prozent aktuell daran teilnehmen. Der Flaschenhals ist also nicht allein ein Gerät, das fehlt, sondern auch der Abstand zwischen Absicht und Alltag.

Unterstellt man einmal, die Messtechnik wäre vorhanden und Millionen kleiner Geräte ließen sich ansprechen — was geschieht dann dort, wo der Strom tatsächlich ankommt: in der Straße, am Ortsnetztrafo? Die Antwort hängt an einer Größe, die in der Debatte oft untergeht: der Gleichzeitigkeit.

Für ein Ortsnetz zählt nämlich nicht, wie viel Leistung insgesamt angeschlossen ist, sondern wie viel davon im selben Zeitfenster abgerufen wird. Ein Technik-Fachblog bringt es auf die Formel, dass die reine Summe aller Anschlusswerte die tatsächliche Belastung oft überschätze — nicht alle Geräte laufen gleichzeitig mit voller Leistung. Eine Kurzstudie des Fraunhofer IEE zu flexiblen Wärmepumpen im Verteilnetz beschreibt denselben Effekt technischer: Je mehr Anlagen sich in einem Netzstrang aufaddieren, desto stärker gleichen sich die individuellen Schwankungen aus, so dass die Maximalleistung in der Praxis deutlich unter der theoretisch möglichen Leistung der Einzelanschlüsse liegt. Weil dem Netzbetreiber die Leistungswerte einzelner Hausanschlüsse gar nicht als Messdaten vorliegen, werden die Starklastfälle üblicherweise über allgemeine Gleichzeitigkeitskurven und Erfahrungswerte abgeschätzt.

Der Hebel, der diese Spitzen entzerren soll, ist kein elektrischer, sondern ein thermischer. Der wichtigste sei, so dasselbe Fachblog, die thermische Trägheit: Estrich, Wände, Warmwasser- und Pufferspeicher nehmen Wärme auf und geben sie verzögert wieder ab. Die Wärmepumpe speichert also keinen Strom, sie verschiebt mit vorhandenen Wärmespeichern nur ihren Strombezug. Eine Kälte-Klima-Fachzeitschrift schildert dasselbe Prinzip für Tiefkühllager: Ware wird bei günstigen Strompreisen tiefer gekühlt, bei teurem Bezug darf die Temperatur innerhalb der produktspezifischen Toleranzen leicht steigen.

Genau an dieser Stelle kippt das Argument jedoch. Reagieren viele Geräte auf dasselbe Preissignal, entsteht eine neue Gleichzeitigkeit: Alle starten, sobald der Preis fällt — Wärmepumpen, Wallboxen und Speicher zugleich. Ein einfacher Billigstromimpuls löst das Problem also nicht, er kann es verlagern.

Wie viel Last sich überhaupt verschieben lässt, ist dünner belegt, als die Debatte vermuten lässt. Ein systematischer Vergleich von Flexibilitätsoptionen stützt sich auf hochgerechnete Feldversuche der E-Energy-Projekte; dort lagen die verlagerbaren Strommengen bei 5 bis 13 Prozent der momentanen Last. Der Vorbehalt gehört zwingend dazu: An diesen Feldtests nahmen ausschließlich Freiwillige und interessierte Personen teil, weshalb die Werte als obere Grenze der Haushaltsflexibilität gelten und die Effekte im bundesdeutschen Durchschnitt geringer ausfallen dürften. Die Untersuchung rechnet deshalb selbst nur mit dem unteren Rand von 5 Prozent weiter.

Dass vorausschauende Steuerung das Verhältnis von Spitzen- zu Durchschnittslast senken kann, formuliert ein Übersichtsartikel zu KI in Stromsystemen als Ziel KI-gestützter Laststeuerung. Ob es im Ortsnetz erreicht wird, entscheidet sich weniger am Modell als daran, ob das Signal, dem alle zugleich folgen, mehr kennt als nur den Preis.

Ein Steuerungswerkzeug kann technisch einwandfrei arbeiten und trotzdem liegen bleiben, weil zwei unscheinbare Fragen offen sind: Wer bezahlt den Eingriff, und nach welcher Regel läuft er ab. Beides klingt nach Verwaltung, entscheidet aber darüber, ob ein Verfahren den Versuchsaufbau je verlässt.

Wie das konkret aussieht, lässt sich am Pilotprojekt KuPilot beobachten, das Amprion und TenneT gemeinsam mit RWE betreiben. Nach Darstellung des Amprion-Netzjournals hat der einjährige Pilotbetrieb am 22. Oktober 2025 begonnen. Es geht um Redispatch, also um Eingriffe, mit denen Netzbetreiber Engpässe beheben und ihre Leitungen vor Überlastung schützen. Erprobt wird dabei die sogenannte kurative Systemführung: Gegenmaßnahmen werden vorbereitet, aber erst abgerufen, wenn sie tatsächlich nötig sind, dann automatisiert innerhalb von fünf Minuten. Tritt eine Überlastung ein, wird eine Leistung von 200 Megawatt auf Seiten eines Offshore-Windparks abgeregelt und dieselbe Leistung zeitgleich in einem Pumpspeicherkraftwerk eingespeist.

Genau an dieser Reservierung beginnt die ökonomische Frage. Die 200 Megawatt sind für den Engpassfall vorgehalten und stehen dem Betreiber des Pumpspeichers deshalb nicht zur Vermarktung zur Verfügung; ihm entgehen Erlöse. Eine fertige Antwort darauf gibt es nicht. Die Projektpartner stimmen mit der Bundesnetzagentur eine eigens auf das Pilotprojekt zugeschnittene Refinanzierung ab, also eine Einzelfallregelung, kein Modell für den Regelbetrieb. Ergebniszahlen liegen ohnehin nicht vor: Erst im Pilotjahr sollen nach Aussage des zuständigen Amprion-Experten die Erkenntnisse gesammelt werden. Als eigentliche Herausforderung benennt er, das neue Werkzeug unter den Netzbetreibern zu standardisieren; die kurative Systemführung mache das Engpassmanagement flexibler, bringe aber auch neue Wechselwirkungen mit sich.

Dass Standards fehlen, gilt in der Branche allerdings nicht durchweg als Alarmsignal. Im Marktdialog der Bundesnetzagentur wurde das Thema mehrheitlich neutral bewertet: Ein Teil der Befragten erwartet von stärkerer Standardisierung vor allem Erleichterung für kleine und mittlere Unternehmen bei der Auswahl von Anwendungen, bei Schnittstellen und bei der Integration in die eigene IT; andere halten unternehmensinterne Vorgaben und selbstauferlegte Verhaltenskodizes für ausreichend.

Auf der Verbraucherseite ist der Rahmen schon geschrieben, aber erklärungsbedürftig. Ein Fachblog pocht dabei auf die saubere Formulierung: Bei Paragraf 14a EnWG gehe es nicht darum, dass Netzbetreiber Heizungen beliebig abschalten, sondern um netzorientierte Leistungsreduzierung in Engpasssituationen, um Mindestleistungen und um reduzierte Netzentgelte. Auch das ist am Ende eine Frage von Geld und Regel, nicht von Technik.

Ein Modell, das im Kontrollraum eine Umschaltung vorschlägt, wirft eine Frage auf, die mit Rechenleistung wenig zu tun hat: Kann jemand nachvollziehen, warum es das vorschlägt — und was passiert, wenn jemand es gezielt täuscht?

Eine Übersichtsarbeit zur Lastprognose benennt beides als Grenze des Feldes: die Intransparenz komplexer Modelle und anhaltende Bedenken zur Cybersicherheit. Gerade tiefe neuronale Netze erreichen hohe Vorhersagegenauigkeit und widersetzen sich zugleich der Deutung; nachträgliche Erklärverfahren liefern nur annähernde Einblicke, und von sich aus interpretierbare Architekturen erkaufen ihre Transparenz mit geringerer Modellkapazität. Für den Netzbetrieb ist das keine akademische Frage. Dort müssen KI-Systeme ihre Entscheidungslogik offenlegen und dokumentieren, etwa wenn sie eine Umschaltung veranlassen oder Schutzparameter anpassen; sie dürfen keine Blackbox bleiben, sondern müssen Teil eines nachvollziehbaren Regelungssystems sein. In der Niederspannung, wo Fehltriggerungen unmittelbare Betriebsfolgen haben, verlangt das hohe zeitliche Präzision.

Der Katalog der Anforderungen ist benannt: Der Marktdialog der Bundesnetzagentur richtet das Augenmerk zur Risikominimierung auf Qualitätsmerkmale wie systematischen Fehler (Bias), Erklärbarkeit, Transparenz, Robustheit, Datensicherheit und IT-Sicherheit. Dass daran etwas hängt, zeigt die Gegenprobe: Zweifel an der Zuverlässigkeit gehören unter den Befragten, die bislang keine KI einsetzen, zu den häufig genannten Gründen dagegen. Und wo KI selbst der Abwehr dient, sind Angriffserkennungen mit Genauigkeiten über 98 Prozent berichtet — die Robustheit gegen ausgefeilte, gezielt gegen das Modell gerichtete Angriffe ist jedoch erst teilweise untersucht.

Der schärfste Vorbehalt betrifft die Zahlen selbst. Eine Studie zur Stabilitätsprognose verglich zwei Optimierungsverfahren und prüfte den Abstand statistisch nach: Ein Wilcoxon-Vorzeichen-Rang-Test ergab p = 0,8438, ein gepaarter t-Test p = 0,3977 — der Unterschied zwischen TPE und GWO ist nicht statistisch signifikant. Er liegt vor allem im Rechenaufwand, nicht in der Treffergenauigkeit. Das heißt nicht, dass die berichteten Werte falsch wären; es heißt, dass die Daten den Vorsprung nicht vom Zufall trennen können. Ähnlich vorsichtig liest sich die Übersichtsarbeit: Wenn dort ein CNN-Modell 98,83 Prozent und ein LSTM-Modell 77,86 Prozent erreicht, führt sie das ausdrücklich auch auf Unterschiede in Datensätzen, Modellabstimmung und Implementierung zurück.

Erklärbarkeit zahlt sich dabei durchaus aus. Eine SHAP-Auswertung derselben Stabilitätsstudie zeigt, dass Stabilität nicht durch das Minimieren der Reaktionsverzögerung allein entsteht, sondern durch ein Gleichgewicht aus Reaktionszeit und Stärke der Gegenmaßnahme. Dieselbe Studie hält allerdings fest, dass Cyberangriffe in ihr nicht betrachtet wurden und die Übertragbarkeit erst an vielfältigeren, realen Netzdaten zu prüfen wäre.

Wer solche Prozentwerte liest, liest also keine Rangliste, sondern Momentaufnahmen unter je eigenen Bedingungen.