Schwankender Strom, stabiles Netz: Was künstliche Intelligenz bislang wirklich leistet

Strom war lange ein einfach zu erzählendes Geschäft: wenige große Kraftwerke erzeugen, das Netz verteilt, Haushalte und Betriebe verbrauchen. Diese Ordnung löst sich gerade auf — und mit ihr die Selbstverständlichkeit, mit der das Netz stabil blieb. Wer verstehen will, warum ausgerechnet künstliche Intelligenz für die Netzführung gehandelt wird, sollte zuerst den Druck betrachten, der sie attraktiv macht.

Ökonomisch ist der Umbau weitgehend entschieden. Die Kosten für Solarstrom sind zwischen 2010 und 2023 um fast 89 Prozent gefallen, gemessen an den Gestehungskosten über die Lebensdauer einer Anlage; Windstrom wurde im selben Zeitraum um 70 Prozent günstiger. Entsprechend groß ist der Bestand: Auf die Photovoltaik allein entfielen Ende 2025 weltweit mehr als 1,6 Terawatt installierte Leistung, bei einem jährlichen Zubau von über 300 Gigawatt. 2024 flossen weltweit rund zwei Billionen Dollar in saubere Energie, etwa 800 Milliarden mehr als in fossile.

Der Haken ist technischer Natur. Diese Anlagen liefern wetterabhängig und dezentral in eine Infrastruktur, die für zentrale, brennstoffbasierte Erzeugung ausgelegt wurde. Weil Wind- und Solarparks über Leistungselektronik angeschlossen sind, fehlt ihnen die natürliche Schwungmasse großer Turbinen — die Trägheit des Systems sinkt, und damit seine Fähigkeit, auf Frequenzabweichungen zu reagieren. Dazu kommen Engpässe in Übertragung und Verteilung, Abregelung und der Umstand, dass die Integrationskosten mit wachsendem Anteil erneuerbarer Erzeugung steigen, auch wenn die Erzeugung selbst billiger wird.

Im Verteilnetz kommt die zweite Hälfte des Problems dazu. Immer mehr Haushalte speisen selbst ein und werden zu Prosumern, die produzieren und verbrauchen; gleichzeitig wachsen Ladeanschlüsse für Elektroautos und Wärmepumpen. Spitzenlast entsteht, wo in benachbarten Anschlüssen viele starke Verbraucher gleichzeitig laufen und wenig eingespeist wird — typischerweise abends an Werktagen im Winter, wenn Licht, Heizwärme, Gewerbe und Haushaltsgeräte zusammenfallen.

Das kostet. Für die nächsten zehn Jahre melden allein die Hochspannungs-Netzbetreiber einen Netzausbaubedarf der Verteilnetze von rund 27,6 Milliarden Euro, der seit Jahren kontinuierlich steigt. Verteilt ist der Bedarf sehr ungleich: In Simulationen für hessische Niederspannungsnetze entfielen etwa achtzig Prozent des bis 2024 nötigen Ausbaus auf nur ein Zehntel der Netze, bis 2034 verteilt sich derselbe Kostenanteil auf rund ein Viertel. Das sind Modellrechnungen, keine Betriebsbilanzen.

Aus dieser Zange — mehr Volatilität auf der einen, teurer Ausbau auf der anderen Seite — erwächst eine naheliegende Hoffnung: das Netz genauer zu kennen, statt es überall vorsorglich zu verstärken. Die Deutsche Energie-Agentur formuliert die Erwartung, dass die Netze ohne innovative Technologien und Daten künftig kaum handhabbar sein werden. Das ist eine Einschätzung, kein Messergebnis — aber sie erklärt, warum die Branche so aufmerksam auf lernende Systeme schaut.

Bevor irgendein lernendes Modell eine Prognose ausspuckt, muss jemand wissen, wie das Wetter wird. Wind- und Sonnenstrom lassen sich nur dann planbar ins Netz einspeisen, wenn die Meteorologie vorher liefert – und dieser erste Schritt der Kette ist zugleich der einzige, der in Deutschland nachweislich seit Jahren im Regelbetrieb läuft.

Zuständig dafür ist der Deutsche Wetterdienst. Er arbeitet seit 2012 im Rahmen von Forschungsprojekten daran, seine numerischen Wettervorhersagemodelle gezielt für Energieanwendungen zu optimieren; insgesamt 15 Wissenschaftlerinnen und Wissenschaftler befassen sich in den vom Bundesministerium für Wirtschaft und Energie geförderten Vorhaben mit besseren Modellen und nutzergerechten meteorologischen Produkten. Das größte dieser Projekte, EWeLiNE, lief von Dezember 2012 bis November 2016 als Kooperation des Wetterdienstes mit dem Fraunhofer-Institut für Windenergie und Energiesystemtechnik und den drei Übertragungsnetzbetreibern Amprion, TenneT und 50Hertz. Ziel war, die Leistungsprognosen für Wind- und PV-Einspeisung deutlich zu verbessern und zuverlässige probabilistische Vorhersagen zu entwickeln. Parallel dazu passte das Projekt ORKA von August 2012 bis Dezember 2015 gemeinsam mit einem meteorologischen Dienstleister sowie Netzbetreibern das Ensemblesystem COSMO-DE-EPS an die Anforderungen der Netzbetriebsführung an.

Bemerkenswert ist, womit dort gearbeitet wird. Verbessert werden die physikalischen Parametrisierungen des Modells, und neue Beobachtungsdaten von Windkraft- und PV-Anlagen werden in das Datenassimilationssystem eingebunden – also in jenen Schritt, der den Ausgangszustand der Atmosphäre festlegt. Das ist Modellphysik und Statistik, kein maschinelles Lernen; von lernenden Verfahren ist in der Beschreibung dieser Arbeit keine Rede.

Sichtbar wurde das Ergebnis 2014: In diesem Jahr wurden die ersten Änderungen des operationellen Wettervorhersagesystems für die Energiewirtschaft übernommen. Die Strahlungsvorhersage für Deutschland steht seither nicht mehr nur stündlich, sondern alle 15 Minuten zur Verfügung; zusätzlich wurde die Vorhersagelänge des 3-UTC-Laufs auf 45 Stunden verlängert, sodass Wind- und PV-Leistungsprognosen für den Folgetag darauf aufbauen können.

Wie groß die verbleibenden Fehler ausfallen können, zeigte im April 2014 ein Extremereignis mit Saharastaub: In der deutschlandweiten day-ahead-Prognose für Photovoltaik traten Vorhersagefehler von rund 10 Gigawatt auf – ein Vielfaches der vorgehaltenen Regelleistung. Der Wetterdienst reagierte darauf mit einem eigenen Forschungsprojekt, das im März 2016 begann und ein um Wüstenstaub erweitertes Modell künftig parallel zur üblichen Vorhersage einsetzen soll; das ist ein angekündigtes Vorhaben, kein gemessener Betriebserfolg. Und selbst dann bleibt eine Grenze bestehen, die keine Rechenleistung aufhebt: Eine exakte Wetterprognose ist aufgrund der chaotischen Natur der Atmosphäre unmöglich. Abhilfe bieten nur probabilistische Vorhersagen, die statt einer Zahl eine Bandbreite von Möglichkeiten angeben.

Am Anfang der Kette steht also kein selbstlernendes System, sondern ein staatlicher Dienst, der Physik rechnet – und der die Unsicherheit, mit der alle nachgelagerten Modelle umgehen müssen, offen ausweist.

Wind lässt sich nicht auf Zuruf produzieren; Europas Übertragungsnetzbetreiber sind deshalb auf Prognosen für den kommenden Tag angewiesen. Onshore-Wind deckte 2023 rund zwanzig Prozent des europäischen Stroms. Hier setzt maschinelles Lernen an — und hier zeigt sich, wie schnell eine gute Zahl ihren Boden verliert.

Der deutlichste Befund stammt von einem rekurrenten Netz, trainiert auf 1,57 Millionen Stundenwerten aus 36 europäischen Gebotszonen. Im Rückvergleich unterbietet es die offiziellen ENTSO-E-Prognosen um 25,65 Prozent beim Fehlermaß RMSE, um 26,56 Prozent beim mittleren absoluten Fehler und um 25,69 Prozent bei dessen normierter Variante. Dass drei unterschiedlich gebaute Fehlermaße fast denselben Vorsprung ausweisen, macht den Befund belastbarer: Er hängt nicht an der Kennzahl. Der Vergleich läuft allerdings nur über 30 der 36 Zonen und 256.322 archivierte Stundenwerte; zwei fehlten auf der Datenplattform, vier lieferten unbrauchbare Prognosedaten. Beim RMSE liegt das Netz in 27 von 30 Zonen vorn, bei den anderen beiden in 26. Es ist eine Nachrechnung auf historischen Daten, kein Nachweis aus dem laufenden Netzbetrieb.

Wie fragil solche Bestwerte sind, zeigt eine begutachtete Benchmark-Studie. Ihr Gradient-Boosting-Modell erreicht ein Bestimmtheitsmaß von 0,987 im Training und 0,977 im Test — ein Wert nahe eins heißt, die Vorhersage zeichnet fast die gesamte Schwankung der Erzeugung nach. Nach Vorhersagehorizont aufgeschlüsselt bricht die Güte ein: 24 Stunden voraus bleiben für Windleistung im Test 0,12 übrig, beim Konkurrenzmodell 0,05 — kaum mehr als ein Durchschnittswert. Eine Stunde voraus sind es rund 0,91.

Noch heikler ist der Rechenweg selbst: Viele Arbeiten zerlegen die Messreihe erst in Schwingungsanteile und trainieren dann. Geschieht das über den kompletten Datensatz, bevor er in Trainings- und Testteil getrennt wird, sickert Information aus dem Testzeitraum ins Training: Das Modell hat die Zukunft, die es vorhersagen soll, bereits in geglätteter Form gesehen. Synthetische Benchmarks beziffern diesen Effekt auf bis zu 28 Prozent aufgeblähte Genauigkeit; in über 63 Prozent der untersuchten Studien dieser Bauart blieb er unentdeckt. Verwandt ist der Vorgriffsfehler, wenn rollierende Kennzahlen über die ungeteilte Zeitreihe berechnet werden. Hinzu kommt Alterung: Modelle, die nur auf Daten vor 2020 trainiert waren, zeigten in den Hitzewellen 2023 39 Prozent mehr Rampenfehler.

Das Anbietermaterial benennt durchaus Grenzen — knappe historische Ertragsdaten, unverzichtbare Domänenexpertise, regulatorische Komplexität —, methodische Vorbehalte zur Modellbildung selbst kommen darin jedoch nicht vor. Ein Anbieterbeitrag nennt für Solarenergie Random-Forest-Genauigkeiten bis 99 Prozent, allerdings aus kontrollierten Testumgebungen; die dort genannte Wertsteigerung von 20 Prozent für ein Windprojekt ist zitiert, nicht gemessen. Auch eine Vergleichsstudie, in der ein hybrides BiLSTM-GRU-Netz über die Prognosehorizonte 6, 12, 18 und 24 Stunden am besten abschneidet, beruht auf begrenzten regionalen Datensätzen. Das entwertet den Fortschritt nicht, verschiebt aber, was er belegt: bessere Zahlen auf archivierten Datensätzen, noch nicht bessere Netzführung.

Eine Prognose ist nur so viel wert wie ihre Prüfung. Wer ein Modell an denselben Tagen bewertet, die es beim Lernen schon gesehen hat, erfährt wenig darüber, wie es sich an einem unbekannten Tag schlägt. Beim Stromverbrauch zählt deshalb weniger die Höhe berichteter Genauigkeiten als die Frage, wer sie unter welchen Bedingungen erhoben hat.

Im Projekt Data4Grid des Future Energy Lab der dena erprobten Verteilnetzbetreiber gemeinsam mit Teams aus Data Scientists und Entwicklern KI im Stromnetz. In der Challenge zu Verbrauchsprognosen auf Basis von Smart-Meter-Daten wurden den Teams die Tage, an denen ihre Modelle bewertet werden sollten, vorenthalten. Dieser kleine Verfahrensschritt ist der eigentliche Befund: Die Tage, an denen die Modelle bewertet wurden, blieben den Teams vorenthalten — niemand konnte sein Modell auf den Prüfzeitraum hin zurechtschneiden. Entsprechend nüchtern liest sich das Ergebnis: Der Bericht spricht von guten Prognosen mit geringen Abweichungen zu den realen Daten, ohne eine Genauigkeitszahl zu nennen, und nennt die Erweiterung des Datensatzes ein Kernelement der Optimierung. Ob wachsende Datenmengen die schwer vorhersagbaren Spitzenlasten erkennbar machen, ist offen.

Dieselben Daten zeigen, wie schnell Verbrauchsmuster wegdriften: Der Vergleich einer Woche vor und nach Beginn der Corona-Pandemie machte sichtbar, dass der private Stromverbrauch in Zeiten des Home-Office gestiegen ist. Ein Modell, das die alte Welt gelernt hat, sagt die neue nicht voraus. Die Fachliteratur kennt das: LSTM-Netze, ein beliebter Modelltyp der Lastprognose, können bei Lastdrift instabil werden.

Wie unsicher der Rest der Literatur bleibt, zeigt eine einzige Vergleichstabelle einer Übersichtsarbeit: Dort stehen ein CNN mit 94,5 Prozent Genauigkeit und ein LSTM mit 77,86 Prozent nebeneinander, dazu ein weiteres CNN mit 98,83 und ein zweites LSTM mit 84 Prozent. Nicht der Spitzenwert ist die Nachricht, sondern die Spanne: Die Werte stammen aus verschiedenen Forschungskontexten und Datensätzen und sind nicht gegeneinander verrechenbar.

Dann verschiebt sich die Aufgabe unter der Hand. Rechenzentren galten lange als stabile Großverbraucher, doch mit KI-Trainingssystemen bekommen sie hochvolatile Lastprofile: Die Rechenleistung moderner GPU-Cluster führt zu plötzlichen Leistungsanstiegen, die innerhalb weniger Sekunden mehrere Hundert Kilowatt betragen können. Solche Lastwechsel belasten Transformatoren und Schaltanlagen — eine Netzinstabilität, mit der herkömmliche Regelungsstrategien überfordert sind. Die Maschinen, die den Verbrauch vorhersagen sollen, machen ihn damit selbst schwerer vorhersagbar.

Gegensteuern soll dieselbe Technik: Prognosen sollen erlauben, früh Speicher einzubinden oder flexible Verbraucher anzusteuern, selbstlernende Agenten aus dem Deep Reinforcement Learning sollen Vorschläge zur Netzsteuerung machen, Reinforcement Learning und Hybridmodelle gelten als Wege, die Nachfragereaktion besser auszuschöpfen. Das sind Ansätze und Erwartungen, keine gemessenen Betriebsergebnisse.

Bleibt ein unbequemer Kontrast: Der eine Test mit geheimen Prüftagen liefert keine glänzende Prozentzahl — die glänzenden Zahlen stammen aus Tests, die niemand blind hielt.

Wer ein Stromnetz führt, entscheidet fortlaufend, welche Leitung wie stark belastet werden darf und welche Schaltung im Umspannwerk gerade die richtige ist. Es ist die Aufgabe, bei der lernende Verfahren am meisten versprechen — und zugleich die, bei der der Abstand zwischen Forschungsergebnis und Leitwarte am größten ist.

Wie weit die Forschung ist, zeigt das Projekt GNN4GC (Graph Neural Networks for Grid Control) des Fachgebiets Intelligente Eingebettete Systeme der Universität Kassel. Beteiligt sind das Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE sowie drei Übertragungsnetzbetreiber: TenneT TSO GmbH, 50Hertz und TenneT TSO BV. Ziel ist es, mit Graph Neural Networks die Berechnung von Netzlasten zu beschleunigen und Möglichkeiten zur dynamischen Anpassung der Netztopologie während des Betriebs zu untersuchen. Solche Modelle bilden das Netz als Geflecht von Knoten und Verbindungen ab und erkennen, wie sich eine Änderung an einer Stelle auf das Ganze auswirkt; die Topologie anzupassen heißt praktisch, Busse an Umspannwerken zu schalten.

Parallel dazu werden mit Deep Reinforcement Learning selbstlernende Agenten entwickelt, die netzdienliche Zustände identifizieren sollen. Entscheidend ist der Zusatz, den die beteiligten Institute selbst machen: Diese Modelle werden zunächst in Simulationen trainiert. Eine Publikation aus dem Projekt stellt einen Algorithmus vor, der Zieltopologien in ein bestehendes Modell einbindet; die Ergebnisse zeigen demnach eine deutliche Steigerung der Netzresilienz. Das ist ein Rechenergebnis, keine Betriebserfahrung.

Wie automatisiertes Eingreifen im echten Netz dagegen heute aussieht, zeigt der kurative Redispatch des Übertragungsnetzbetreibers Amprion. Gegenmaßnahmen gegen Engpässe werden dort vorbereitet, aber nur abgerufen, wenn es tatsächlich nötig ist — dann allerdings automatisiert und innerhalb von fünf Minuten, bevor Betriebsmittel überhitzen. Tritt eine Überlastungssituation ein, werden auf Seiten des Offshore-Windparks 200 MW Leistung automatisiert abgeregelt; dieselbe, zuvor reservierte Leistung wird zeitgleich im Pumpspeicherkraftwerk eingespeist, sodass die Freileitung sehr schnell entlastet wird. Feldtests im laufenden Netzbetrieb verliefen erfolgreich, seither läuft ein einjähriger Pilotbetrieb. Amprion beschreibt den Ablauf als kurative Systemführung mit vorbereiteten Maßnahmen, die eine Automatik bei Bedarf auslöst; von maschinellem Lernen ist in dieser Darstellung nicht die Rede.

Der Rest bleibt Vorlauf. Das Vorhaben AI4DG erforschte bis Ende September 2024 eine dezentrale Plattform für die autonome Verteilnetzsteuerung; beim Stadtwerk am See lernte ein Regler in einem Pilotprojekt aus realen Netzdaten, Spannung und Frequenz zu stabilisieren — so berichtet, nicht unabhängig nachgerechnet. Die Deutsche Energie-Agentur fasst den Stand nüchtern: verfügbar und erprobt, aber noch nicht in der Breite im Einsatz. Dass eine KI selbstständige Netzeingriffe vornimmt, formuliert sie ausdrücklich als langfristige Möglichkeit.

Der Befund ist damit unbequem präzise: Was heute automatisiert ins Netz eingreift, lernt nicht — und was lernt, greift bislang nur in der Simulation ein.

Eine Wärmepumpe ist nicht nur ein zusätzlicher Stromverbraucher, sondern womöglich auch ein Stück Steuerbarkeit: eine Last, die sich um Stunden verschieben lässt, ohne dass es kalt wird. In den Rechenmodellen ist das fest eingeplant. Die Frage lautet, ob es sich im Alltag abrufen lässt.

Gerechnet ist es. Das Fraunhofer IEE hat für ein kleinstädtisches Verteilnetz — nachgebildet am Ort Schutterwald mit 1.500 Einfamilienhäusern, jedes mit eigenem Netzanschluss — durchgespielt, was geschieht, wenn Wärmepumpen ihre Leistung zeitweise senken. Einfache und freiwillige Regelungsmechanismen wirken demnach netzdienlich und senken den Netzausbaubedarf im betrachteten Beispielnetz um bis zu 23 Prozent. Am besten schneidet die schlichteste Variante ab, die freiwillige Leistungssenkung; eine dritte geprüfte Option bringt keine relevante Einsparung. Das ist eine Modellrechnung, kein gemessener Betrieb — und die Studie dämpft selbst: Potenziale aus dem Zusammenspiel mehrerer Technologien, großen Wärmespeichern oder stark schwankenden Netzsituationen lassen sich mit einfachen Regelungen nur teilweise heben.

Abrufbar ist diese Flexibilität dennoch kaum. Wer Preissignalen folgen will, braucht eine zeitgenaue Erfassung des Verbrauchs; analoge Zähler leisten das nicht. Der Rollout der intelligenten Messsysteme ist bis 2032 geplant, kämpft aber mit rechtlichen und technischen Verzögerungen: 2022 lag die Quote verbauter Geräte unter zehn Prozent, und Ende 2024 waren erst rund 3,8 Prozent der Haushalte mit einem Smart Meter ausgestattet — ein Wert, den zwei unabhängige Quellen nennen; ein Fachbeitrag eines Heizungsanbieters nennt ihn einen Flaschenhals der Energiewende. Dessen Angabe, Lastverschiebung senke die Stromkosten der Wärmepumpe um rund 20 Prozent, stützt sich laut Beitrag auf eine Analyse der Energieberatung Neon, die der Anbieter mit eigenen Praxisdaten untermauert sieht; die Analyse selbst liegt nicht vor. Gesteuert wird bislang gröber: Meistgenutzter Mechanismus sind Sperrzeiten, etwa die Hälfte der deutschen Netzbetreiber verlangt für Wärmepumpen oder Ladeeinrichtungen ohnehin eine Steuerbarkeit — steuerbare Verbrauchseinrichtungen, die die Bundesnetzagentur im Rahmen von Paragraf 14a EnWG beschreibt. Dass Netzbetrieb und Kundengeschäft in verschiedenen Händen liegen, erschwert direkte Anreize zusätzlich.

Und selbst wo abgerufen wird, bleibt der Systemeffekt überschaubar. Im Vergleich des Öko-Instituts unterscheiden sich verschiedene Zukunftswelten aus Flexibilitätsoptionen für das Szenariojahr 2030 mit rund 60 Prozent Erneuerbaren-Anteil hinsichtlich CO2-Emissionen und jährlicher Kosten nur geringfügig. Theoretische Potenzialstudien berücksichtigen Akzeptanzprobleme der Haushalte kaum; das Institut stützt sich deshalb auf Feldtests. Auch taugt nicht jedes Haus gleich gut: Ein Neubau mit Flächenheizung reagiert anders als ein unsanierter Altbau mit kleinen Heizkörpern; Außentemperatur, Warmwasserbedarf und Komforterwartungen setzen Grenzen. Netzdienlich wird Flexibilität nur, wenn Markt- und Netzsignale nicht gegeneinander arbeiten.

Am Ende steht damit kein Widerspruch, sondern eine Reihenfolge: Der Nutzen der verschiebbaren Wärmepumpe ist plausibel gerechnet, seine Einlösung hängt an Messtechnik, Schnittstellen, Regeln und der Bereitschaft der Bewohner. Wer die Flexibilität heute schon als gebuchten Beitrag verbucht, verwechselt ein Modellergebnis mit einer Messung.