Energie & Versorgung

Netz-KI ist kein Softwareproblem. Sie ist ein physikalisches Problem mit einer Softwareschnittstelle. Der iberische Blackout vom April 2025 – bei dem 2.200 MW Erzeugung in 20 Sekunden ausfielen und 60 Millionen Menschen ohne Strom dastanden – beendete eine Debatte, die jahrelang geführt worden war. Der Abschlussbericht des ENTSO-E-Expertengremiums (März 2026) bestätigte, dass die Ursache kaskadierende Überspannung von Generatoren im Fixed-Power-Factor-Modus war, nicht die Volatilität erneuerbarer Energien.

Die Lehre für jedes Versorgungsunternehmen, das KI im Netzbetrieb einsetzt, ist eindeutig: Ein Optimierungsmodell, das Spannungsstabilität, Blindleistungsflüsse und Wechselrichter-Regelungsdynamiken ignoriert, kann Maßnahmen empfehlen, die in Software wirtschaftlich optimal aussehen, aber in Hardware kaskadierende Ausfälle verursachen (unsere Untersuchung zum Engineering von Netzresilienz nach dem iberischen Blackout). Veriprajna entwickelt maßgeschneiderte KI für Strom-, Gas- und Wasserversorger rund um NERC-CIP-Compliance, Netzphysik und betriebliche Randbedingungen.

Das NERC-CIP-Problem, mit dem niemand gerechnet hat

NERC-CIP-Standards wurden für deterministische Leitsysteme verfasst. Eine KI-Inferenz-Engine auf der ICCP-Verbindung zwischen Ihrer Leitstelle und einer Regelzonen-Behörde kann eine „Medium Impact“-Klassifizierung als BES Cyber System gemäß CIP-002-5.1 auslösen und damit Compliance-Verpflichtungen schaffen, die weder das Versorgungsunternehmen noch der KI-Anbieter vorausgesehen haben.

• CIP-003-9, wirksam ab 1. April 2026, erweitert die Governance für den elektronischen Fernzugriff von Anbietern.
• CIP-015-1 schreibt eine interne Netzwerksicherheitsüberwachung für High- und Medium-Impact-Systeme mit externer routbarer Konnektivität vor, mit vollständiger Compliance bis Oktober 2028.
• CIP-013-2 verlangt dokumentierte Lieferketten-Risikomanagementpläne mit Strafen von bis zu $1M pro Tag bei Nichteinhaltung.

Unser Ansatz stellt die Compliance-Architektur an erste Stelle, wenn ein Versorgungsunternehmen KI in den Betrieb integriert – von vornherein hineinentwickelt, nicht nach dem Pilotprojekt angeflanscht. Ein Projekt ordnet jede Komponente des KI-Systems den CIP-Klassifizierungskriterien zu, entwirft eine Netzwerksegmentierung, die CIP-005 erfüllt und der KI dennoch den benötigten Datenzugriff gewährt, und erstellt jene Compliance-Dokumentationsartefakte, die Prüfer tatsächlich begutachten.

Lastprognose in einer Welt, die sich über Nacht verändert hat

Der Netzstrombedarf von US-Rechenzentren wird 75,8 GW im Jahr 2026 erreichen (S&P Global) und könnte bis 2035 106 GW betragen (BloombergNEF). PJM führt allein für 2026/27 12 GW zusätzlichen Rechenzentren-Bedarf an, was eine Verdopplung der Kapazitätskosten erklärt. Goldman Sachs schätzt, dass bis 2030 Netzausbauten im Wert von $720B erforderlich sind.

Das Problem für Versorgungsplaner besteht darin, dass KI-Last keinen historischen Mustern folgt: Projektzeitpläne für Rechenzentren sind kürzer, Lastzuwächse sind größer und Nachfrageprofile sind flacher als bei traditionellen Gewerbelasten. Die durchschnittlichen Wartezeiten in der Netzanschluss-Warteschlange sind von unter 2 Jahren im Jahr 2008 auf mittlerweile über 5 Jahre angewachsen, mit über 2.000 GW an wartenden Ressourcen. FERC Order 2023 widmet sich diesem Rückstau, aber PJM beginnt erst jetzt damit, KI-gestützte Werkzeuge zur Beschleunigung von Netzanschlussstudien zu evaluieren.

Die meisten Lastprognosemodelle von Energieversorgern wurden für eine Welt trainiert, in der der Bedarf jährlich um 1 % wuchs. Diese Welt existiert nicht mehr. Wir konzipieren Prognosesysteme so, dass sie die unkonventionellen Lastverläufe, steilen Rampenprofile und korrelierten Nachfragemuster abbilden, die KI-Infrastruktur erzeugt (siehe unsere Untersuchung zum PJM-Defizit und zur ERCOT-Krise) – denn eine Fehlprognose von auch nur 5 % bedeutet in dieser Größenordnung Milliarden an fehlallokiertem Kapital.

Zugehöriger Druck: Projekte, die die Starttermine 2026–2028 für die 45Y- und 48E-Steuergutschriften für saubere Energie verpassen, sehen sich Kostensteigerungen von 30–50 % gegenüber. KI kann Cluster-Studienanalysen beschleunigen, Warteschlangenpositionen mit hoher Rückzugswahrscheinlichkeit identifizieren und die ingenieurtechnische Analyse automatisieren, die derzeit pro Studienzyklus monatelange manuelle Arbeit erfordert – wenngleich noch kein ISO/RTO ein automatisiertes Machbarkeits-Screening im großen Maßstab eingeführt hat.

DER-Integration: Protokollfragmentierung trifft auf Physik

FERC Order 2222 verpflichtet ISOs/RTOs, Aggregationen dezentraler Energieressourcen in Großhandelsmärkten zuzulassen, doch die Umsetzungszeitpläne klaffen weit auseinander. Vor Ort müssen DERMS-Plattformen Wechselrichter, Batterien und steuerbare Lasten über IEEE 2030.5, OpenADR, SunSpec Modbus und DNP3 koordinieren – oft zeitgleich. Kein einziges kommerzielles DERMS beherrscht alle vier mit voller Echtzeitfähigkeit.

Das Protokoll selbst entwickelt sich weiter: CSIP-Versionen basierend auf IEEE 2030.5-2018 und 2023, wobei CSIP 3.0 und CSIP AUS 1.2 weitere Änderungen einführen. Unterdessen wuchs Kaliforniens Energiespeicherkapazität von 500 MW im Jahr 2018 auf 16.900+ MW bis Mitte 2025, wobei Batterien während der Abendrampe am 29. März 2025 über 12 GW lieferten. CAISO drosselte allein im 1. Quartal 2025 über 738.000 MWh an Solarstrom.

In dieser Größenordnung ist die KI-Einsatzplanungsqualität netzkritisch und nicht rein akademisch, wie unsere Untersuchung zu physikbeschränkter Intelligenz und der Netzstörung in Virginia detailliert darlegt (strukturelle Resilienz durch physikbeschränkte Intelligenz). Wir konzipieren die Koordinationsschicht zwischen DERMS, ADMS und der physischen DER-Flotte – zuständig für Protokollübersetzung, Echtzeit-Durchsetzung von Restriktionen und eine Einsatzoptimierung, die sowohl Marktregeln als auch elektrotechnische Grenzen wahrt.

Smart Metering jenseits von Hersteller-Dashboards

Itron hält 35 % und Landis+Gyr 32 % des nordamerikanischen Smart-Meter-Marktanteils (GlobeNewsWire, Juli 2025). Zusammen decken sie den Großteil der über 100 Millionen AMI-Endpunkte ab, die bei US-Versorgungsunternehmen im Einsatz sind. Die von ihnen ausgelieferten Analyseplattformen sind für ihre eigenen Hardware-Ökosysteme ausgelegt.

Revelo von Landis+Gyr ist der erste IoT-Zähler mit Netzerfassung und Edge-Computing, doch die Analytik über einfaches Lastprofiling hinaus ist begrenzt. Itrons Analyseplattform handhabt Demand Response und Abrechnung – nicht die Art von Multistream-Anomalieerkennung, die Erlösverluste aufdeckt, ohne Fehlalarme zu erzeugen, die Abschaltungen unter Verletzung von Verbraucherschutzregeln der Bundesstaats-PUC auslösen.

Weltweiter Stromdiebstahl kostet jährlich 89,3 Mrd. $ (IEEE Smart Grid), und die zur Erkennung eingesetzten ML-Modelle leiden unter extremem Klassenungleichgewicht: Diebstahlereignisse sind in Trainingsdaten selten, weshalb die Fehlalarmquoten hoch sind. Wir konzipieren die AMI-Analytik so, dass Zählerdaten mit Netztopologie, Wetter- und Verbrauchsmusteranalysen fusioniert werden, um die Erkennungsgenauigkeit zu verbessern (detailliert beschrieben in unserer Untersuchung zur Resilienz fortschrittlicher Zählerinfrastrukturen), während Fehlalarmquoten unterhalb jener Schwelle gehalten werden, die regulatorische Risiken und Belastungen für Kundenbeziehungen erzeugt.

Waldbrände, Methan, Wasser: KI für physische Risiken

Hawaiian Electric stellte 450 Mio. $ über drei Jahre (2025–2027) für die Waldbrandsicherheit bereit, einschließlich KI-Kameras und Netzertüchtigung. SDG&E trainiert Waldbrandmodelle mit historischen Daten aus einem Jahrzehnt, um Ausfall- und Entzündungswahrscheinlichkeiten auf Mast- und Spannfeld-Ebene vorherzusagen. Technosylva und AiDASH haben sich zusammengeschlossen, um Waldbrandmodellierung mit satellitengestützter Vegetationsanalyse zu verknüpfen. Doch die meisten Versorger verlassen sich immer noch auf pauschale, wetterbedingte PSPS-Entscheidungen, die ganze Leitungsstränge statt gezielter Abschnitte stromlos schalten, weil ihren Risikomodellen die Sensorfusion für eine granulare Steuerung fehlt.

Für Gasversorger schreibt EPA OOOOb eine KI-kompatible Leckerkennungsüberwachung vor, mit ersten Überprüfungen bis 2025 und einer Verschärfung der fortlaufenden LDAR-Compliance bis 2026. Optische Gasbildgebungssysteme der nächsten Generation von Bridger Photonics und Opgal nutzen KI für eine automatisierte Bild-für-Bild-Erkennung von Methansignaturen.

Für Wasserversorger hat KI-Leckerkennung belegte Ergebnisse erbracht: Walla Walla senkte den Wasserverlust (Non-Revenue Water) von 40 % auf unter 10 %, und Einzelversorger-Einsätze zeigen Einsparungen von 213.000 $/Jahr (Oldcastle Infrastructure). SVM-basierte Leckerkennung erzielt 94–100 % Genauigkeit über 53 Peer-Review-Studien hinweg (MDPI). Wir entwickeln Sensorfusions- und Risikobewertungssysteme, die pauschale Sicherheitsmodelle in zielgerichtete, rechtfertigbare operative Entscheidungen überführen – ganz gleich, ob es sich bei dem Anlagegut um eine Freileitung, eine Gashauptleitung oder ein Wasserverteilnetz handelt.

Agentische KI und die Frage der Leitwarte

Das Argonne National Laboratory entwickelte GridMind, ein Multi-Agenten-KI-System, in dem spezialisierte Agenten Einsatzplanung, Überwachung und Leistungsdisposition unabhängig handhaben, sich jedoch über ein gemeinsames Reasoning-Framework abstimmen. Dies ist der Prototyp des DOE für die „Leitwarte der Zukunft“. Der Markt für agentische KI im Energie- und Versorgungssektor liegt 2025 bei 0,64 Mrd. $ und soll bis 2030 voraussichtlich 3,14 Mrd. $ erreichen (Mordor Intelligence).

42 % der Versorger planen gezielte KI-Einsätze in den nächsten zwei Jahren, doch der überwiegenden Mehrheit fehlt interne KI-Expertise (Utility Dive). Der KI-Chatbot von Duke Energy bearbeitete in seinen ersten drei Monaten über 280.000 Interaktionen und reduzierte manuelle Einreichungen um 90 %, doch die Kundenzufriedenheit britischer Versorger mit KI-bearbeiteten Beschwerden sank zwischen Juli 2024 und Januar 2025 von 47 % auf 44 % (Qualtrics).

Die Kluft zwischen dem, was agentische KI im Labor leisten kann, und dem, worauf Leitwarten-Operateure nachts um 3 Uhr während eines Polarwirbels vertrauen, ist real. Um sie zu schließen, bedarf es Erklärbarkeit, Leitplanken (Guardrails) und Human-in-the-Loop-Designs, die die meisten KI-Anbieter übergehen. Unser Ansatz besteht darin, agentische Systeme mit nachvollziehbaren Reasoning-Traces zu konzipieren, die Operateure prüfen können, mit Restriktionsgrenzen, die autonome Aktionen an der Verletzung von Betriebsvorschriften hindern, und mit Graceful Degradation, die den Strom am Laufen hält, wenn die KI unsicher ist.

Warum nicht der Plattformanbieter oder das große Beratungshaus?

GE Vernova, Schneider Electric und Siemens stellen jeweils herausragende Netzsoftware her – sie belegten die Plätze 1, 2 und 3 im Grid Digitalization Ranking 2026 von ABI Research. Doch die KI-Funktionen jeder Plattform sind darauf ausgelegt, Sie im Ökosystem dieses Herstellers zu halten. Wer GE Vernova GridOS nutzt, erhält GE-KI. Wer ein Schneider-ADMS betreibt, erhält Schneider-KI. Wenn Ihr Versorgungsunternehmen eine gemischte Infrastruktur betreibt – was die meisten tun –, hat keiner der Anbieter einen Anreiz, die plattformübergreifende Integrationsschicht zu bauen. Oracle und Hitachi Energy komplettieren die Top 5 im Power and Utilities Grid Ranking von ISG, jeweils mit ähnlichen Dynamiken der Herstellerbindung (Vendor-Lock-in).

Die großen Beratungsunternehmen bringen Programmmanagement und strategische Rahmensetzung mit, doch die Autoren des Lastenhefts debuggen selten ICCP-Protokollprobleme oder entwerfen Edge-Deployments, die der elektromagnetischen Interferenz in Umspannwerken standhalten. Accenture übernahm die Orlade Group im September 2025 gezielt für die Beratung bei Investitionsprojekten im Versorgungssektor; Deloitte, McKinsey und Capgemini betreiben allesamt aktive Energie-KI-Praxen.

Unsere Praxis ist bewusst herstellerneutral: Wir entwickeln plattformübergreifend über GE-, Schneider-, Siemens- und bestehende SCADA-Umgebungen hinweg, anstatt uns auf den Stack eines einzelnen Anbieters festzulegen. Unser Ansatz behandelt die NERC-CIP-Compliance-Architektur, die Netzphysik und die OT-Restriktionen, die Versorger-KI von Unternehmens-KI unterscheiden, als primäre Entwurfsprobleme – adressiert direkt in der Architektur, nicht nachträglich nach einem Pilotprojekt angeflanscht. Diese Arbeit stützt sich auf ein kleines, erfahrenes Engineering-Team mit direkter Verantwortung und ohne Plattformbindung.

Eine Plattform für kombinierte Strom-, Gas- & Wasserversorger

Strom-, Gas- und Wasserversorger stehen vor parallelen KI-Herausforderungen – Leckerkennung, vorausschauende Instandhaltung, Kundenservice und regulatorische Compliance –, doch die Lösungen der Anbieter sind nach Sparten isoliert. KI-Leckerkennung für Wasserversorger hat eine Genauigkeit von 94–100 % (MDPI-Übersicht von 53 Studien) und Einsparungen von 213.000 $/Jahr pro Versorger bewiesen (Oldcastle Infrastructure); Gasversorger stehen vor EPA-OOOOb-LDAR-Anforderungen, die auf KI-gestützte optische Gasbildgebung drängen; Stromversorger benötigen NERC-CIP-konforme Analytik.

Eine vereinheitlichte KI-Plattform, die Infrastruktur und Datenpipelines spartenübergreifend teilt und gleichzeitig spartenspezifische regulatorische und betriebliche Auflagen respektiert, verhindert eine Verdreifachung der Bereitstellungskosten und des Wartungsaufwands.