Amerikas Stromnetz hat 6.600 MW zu wenig. Was nun?

Das Problem

Im Dezember 2025 gab PJM Interconnection – der größte Netzbetreiber der USA, der 65 Millionen Menschen in 13 Bundesstaaten versorgt – etwas bekannt, das es noch nie gegeben hatte: Seine Kapazitätsauktion fiel um 6.623 Megawatt zu gering aus, um das zu decken, was das Netz benötigt, um 2027/2028 die Lichter anzulassen. Diese Lücke entspricht grob der Leistung von sechs großen Kraftwerken – einfach nicht im System vorhanden.

Die Auktion erreichte in der gesamten Region die föderale Preisobergrenze von 333,44 USD pro Megawatt-Tag. Gesamtkosten: 16,4 Milliarden US-Dollar. Doch selbst zu diesem Höchstpreis reichte die Strommenge nicht aus, um die Zuverlässigkeitsziele zu erfüllen. Die Reservegrenze – Ihr Sicherheitspuffer gegen Blackouts – sank auf 14,8 %, weit unter dem 20-%-Standard, der großflächige Stromausfälle verhindern soll.

Derweil steht das texanische Netz von ERCOT vor einer anderen, aber verwandten Krise. Seine Warteschlange großer Kunden, die auf einen Netzanschluss warten – überwiegend Rechenzentren –, ist auf 233 Gigawatt angeschwollen. Das ist nahezu das Dreifache der gesamten Spitzenlast des texanischen Netzes. Doch ERCOT hat 2025 nur 23 Gigawatt neue Erzeugungskapazität hinzugefügt. Diese Rechnung geht schlicht nicht auf.

Wenn Ihr Unternehmen im Gebiet von PJM tätig ist oder von Strom aus Texas abhängt, sollten diese Zahlen Ihnen den Schlaf rauben. Die Ära billiger und reichlich verfügbarer Elektrizität neigt sich dem Ende zu.

Warum das für Ihr Unternehmen wichtig ist

Das ist kein abstraktes Infrastrukturproblem. Es trifft Ihre Bilanz unmittelbar.

Eine neue Analyse ergab, dass das Wachstum von Rechenzentren in der PJM-Region von 2028 bis 2033 kumulierte Kapazitätskosten von 163 Milliarden US-Dollar verursachen könnte. Allein im ComEd-Gebiet in Nordillinois entspricht das 21,4 Milliarden US-Dollar. Private Haushalte dort stehen laut Prognose vor einer Mehrbelastung von 70 USD pro Monat. Wenn Sie Industrieanlagen oder große Einrichtungen in diesen Zonen betreiben, ist Ihr Risiko anteilig noch größer.

Hier ist, was Ihr Führungsteam verstehen muss:

• Ihre Energiekosten steigen strukturell. Die PJM-Auktion erreichte die FERC-Preisobergrenze. Diese Obergrenze verschleierte den wahren Knappheitspreis. Sobald die Regulierer sie irgendwann anpassen, springen die Preise erneut nach oben.
• Ihr Zuverlässigkeitsrisiko wächst. Eine Reservegrenze von 14,8 % bedeutet ein erhöhtes Risiko von Lastabwürfen – kontrollierten Blackouts – ab Juni 2027. Wenn Ihre Abläufe keine Unterbrechungen verkraften können, brauchen Sie jetzt Notfallpläne.
• Ihre Expansionspläne könnten ins Stocken geraten. Bei ERCOT stammen 77 % der Netzanschlussanfragen für Großlasten von Rechenzentren. Wenn Sie in Texas einen neuen Standort planen, konkurrieren Sie mit Anfragen über 233 GW um 23 GW verfügbarer Kapazität. Rund 35 % der vorgeschlagenen Gaskraftwerksprojekte haben sich bereits zurückgezogen – mit Verweis auf Turbinenknappheit und Genehmigungsverzögerungen.
• Der regulatorische Druck nimmt zu. Texas hat den Senate Bill 6 verabschiedet, der standardisierte Netzanschlussregeln vorschreibt und Regulierern erlaubt, den Strom von Rechenzentren im Notfall zu drosseln. Die FERC Order 2023 schreibt neue Cluster-Studienprozesse vor. Ihre Compliance-Pflichten nehmen zu.

Unterm Strich: Ihr Energiebudget, Ihre betriebliche Kontinuität und Ihr Wachstumszeitplan sind allesamt gefährdet.

Was tatsächlich hinter den Kulissen geschieht

Das Kernproblem ist eine Ausmusterungsklippe. Zwischen 2011 und 2023 verlor PJM 54,2 Gigawatt an thermischen Kraftwerken – Kohle- und Gasanlagen, die bei Bedarf laufen, unabhängig vom Wetter. Weitere 24 bis 58 Gigawatt könnten bis 2030 vom Netz gehen. Das sind bis zu 30 % der installierten Kapazität.

Deshalb kommen die Ersatzkapazitäten nicht hinterher. Stellen Sie es sich so vor, als würden Sie ein zuverlässiges Auto durch Fahrräder ersetzen. Sie bräuchten wesentlich mehr Fahrräder, um dieselbe Last zu tragen. Die eigene Analyse von PJM zeigt, dass der Ersatz von 1 Megawatt ausgemusterter thermischer Erzeugung etwa 5,2 Megawatt Solar oder 14 Megawatt Wind erfordert, um dieselbe Zuverlässigkeit zu liefern. Solar und Wind erzeugen nur dann Strom, wenn die Sonne scheint oder der Wind weht. Ein Gaskraftwerk läuft jederzeit, wann immer Sie es brauchen.

PJM hat seine Berechnungen angepasst, um diese Realität abzubilden. Es senkte den Zuverlässigkeitsgutschreibungs-Wert – genannt Effective Load Carrying Capability, kurz ELCC – für wetterabhängige Erzeuger wie Solar und Wind. Je mehr dieser Ressourcen angeschlossen werden, desto weniger trägt jede zusätzliche Einheit dazu bei, das Netz bei Spitzenlast stabil zu halten.

Gleichzeitig steigt die Nachfrage an bestimmten Standorten sprunghaft. PJM meldete eine Erhöhung seiner Bedarfsprognose um 5.250 Megawatt, beinahe vollständig durch Rechenzentren getrieben. In einigen Zonen erreichen die Prognosen für das Wachstum der Sommer-Spitzenlast 6,4 % pro Jahr. Diese konzentrierte Last erzeugt lokale Belastungspunkte, an denen Umspannwerke und Übertragungsleitungen einem Überlastungsrisiko ausgesetzt sind.

Das Netz kann physisch nicht schnell genug wachsen. Also muss es intelligenter werden. Genau hier kommt KI ins Spiel – aber nicht jede KI ist dieser Aufgabe gewachsen.

Was funktioniert (und was nicht)

Beginnen wir mit dem, was zu kurz springt, wenn man KI auf ein so komplexes Problem anwendet.

Generische Chatbots und LLM-Wrapper. Ein großes Sprachmodell an Ihr Betriebs-Dashboard anzukoppeln liefert Ihnen eine Dialogoberfläche, keine Netzintelligenz. Es versteht die Physik des Stromflusses nicht.

Einfache Regressionsprognosen. Simple statistische Modelle, die die Last auf Basis historischer Durchschnittswerte vorhersagen, erfassen die nichtlineare Dynamik eines Netzes nicht, in dem zwölf Jahre lang 54 Gigawatt regelbare Leistung verschwanden.

Predictive Analytics nach dem Gießkannenprinzip. Standardmäßiges maschinelles Lernen behandelt Netzdaten wie ein flaches Tabellenblatt. Es ignoriert die physische Struktur – welche Umspannwerke mit welchen verbunden sind und wie ein Ausfall an einem Knoten sich durch das Netz kaskadiert.

Was tatsächlich funktioniert, ist KI, die die Physik und Struktur des Netzes respektiert. So funktioniert sie in der Praxis:

1. Eingabe: Physikalische Echtzeitdaten statt nur historischer Trends. Systeme für Dynamic Line Rating (DLR) nutzen IoT-Sensoren und Wetterdaten, um die tatsächliche Kapazität von Übertragungsleitungen in Echtzeit zu messen. Traditionelle Bewertungen unterstellen Worst-Case-Bedingungen und verschenken 20-40 % der Kapazität. In Indiana und Ohio rüstete AES 345-kV-Leitungen mit DLR aus und steigerte die Übertragungskapazität um 61 % – bei Kosten von 0,39 Millionen USD gegenüber 1,63 Millionen USD für traditionelle Upgrades. Das ist eine Kostenreduktion von 76 %.

2. Verarbeitung: Physikbewusste KI-Modelle. Physics-Informed Neural Networks – kurz PINNs – verankern die tatsächlichen Gesetze elektrischer Systeme direkt im KI-Modell selbst. Statt Muster allein aus Daten zu lernen, erzwingen sie die Gleichungen, die bestimmen, wie Generatoren, Leitungen und Lasten interagieren. Diese Modelle lösen Stabilitätsanalysen bis zu 87-mal schneller als konventionelle Methoden. Graph Neural Networks (GNNs) behandeln das Netz als das, was es wirklich ist – ein Netzwerk verbundener Knoten – und sagen voraus, wie sich Ausfälle über die Topologie ausbreiten. GNN-basierte Modelle haben beim Identifizieren von Umspannwerken, die innerhalb von 30 Tagen vom Ausfall bedroht sind, einen F1-Score von 0,8935 erreicht.

3. Ausgabe: Erklärbare Entscheidungen mit Audit-Trails. Wenn die KI ein Risiko kaskadierender Ausfälle erkennt, erzeugt sie eine grafikbasierte Erklärung, die genau zeigt, welche Leitungen und Umspannwerke das Risiko verursachen. Ihre Operatoren sehen die Begründung, bevor sie handeln. Ihr Compliance-Team erhält einen dokumentierten Logikpfad. Für Organisationen in der Energie- und Versorgungsbranche, ist diese Transparenz nicht optional – sie ist genau das, was Regulierer und Vorstände verlangen.

Dieser Ansatz reicht über den Netzbetrieb hinaus bis zum Engpass bei den Netzanschlüssen. KI-Agenten können die 233-GW-Warteschlange von ERCOT automatisch sichten, jedem Projekt einen Wahrscheinlichkeitswert für den Abschluss zuweisen und spekulative „Phantom“-Lasten markieren – Anfragen von Unternehmen, die sich an mehreren Standorten beworben haben, nur um ihre Optionen offenzuhalten. Damit wird aus dem Prinzip „wer zuerst kommt, mahlt zuerst“ ein Prinzip von „wer zuerst bereit ist, wird zuerst bedient“.

Diese Werkzeuge lassen sich auch darauf anwenden, vorherzusagen, welche Kraftwerke als Nächstes vom Netz gehen. Modelle mit gestapelten LSTMs und Gradient Boosting haben bei der Vorhersage des Ausmusterungszeitpunkts von Kraftwerken einen mittleren absoluten prozentualen Fehler von nur 1,072 % erreicht. Das verschafft Ihrem Planungsteam Jahre an Vorlauf statt Monate.

Das zentrale Architekturprinzip hinter all dem: Simulations-, Digital-Twin- und Optimierungssysteme , die Ihre physische Infrastruktur in Software abbilden, Szenarien mit Maschinengeschwindigkeit durchspielen und ihre Ergebnisse in Entscheidungsebenen einspeisen, die Menschen überprüfen und denen sie vertrauen können. Kombiniert mit Erklärbarkeit und Entscheidungstransparenz, erhalten Sie eine KI, hinter die Ihr Vorstand, Ihre Regulierer und Ihre Operatoren gleichermaßen stehen können.

Für eine tiefergehende technische Betrachtung können Sie die vollständige technische Analyse lesen oder die interaktive Version erkunden.