Kann KI einen Netz-Blackout verhindern? Lehren aus Spanien

Das Problem

Am 28. April 2025 um 12:33 Uhr verloren Spanien und Portugal innerhalb von fünf Sekunden 15 Gigawatt Leistung. Das sind rund 60 % der gesamten nationalen Nachfrage — weg in der Zeit von zwei Blinzeln. Etwa 60 Millionen Menschen waren bis zu zehn Stunden ohne Strom. Mehrere Menschen kamen während des Ausfalls aufgrund von Infrastrukturausfällen ums Leben.

Der anfängliche Verdacht fiel auf erneuerbare Energien. Das erwies sich als falsch. Die Untersuchungen von ENTSO-E (dem europäischen Gremium für Netzkoordination) und Red Eléctrica de España brachten die wahre Ursache ans Licht: Die Kraftwerke hielten sich nicht an ihre eigenen Regeln zur Spannungsregelung. Ein großes Kraftwerk injizierte während eines Überspannungsereignisses tatsächlich Blindleistung ins Netz — das elektrische Äquivalent dazu, Benzin ins Feuer zu gießen. Es drückte Energie ins System, obwohl jedes Protokoll verlangte, dass es Energie herauszieht.

Wenn Ihre Organisation kritische Infrastruktur betreibt oder von einer unterbrechungsfreien Stromversorgung abhängt, betrifft Sie das. Die Netzregler, die die Hochspannungsübertragungsleitungen überwachten, sahen normale Messwerte. Die gefährlichen Spannungsspitzen verbargen sich auf einer niedrigeren Ebene — in den Umspannwerken auf der Sammelseite —, wo niemand genau genug hinsah. Als die Kaskade begann, war es bereits zu spät, sie zu stoppen.

Das war kein ungewöhnlicher Zufallsunfall. Es war ein systemisches Versagen der Steuerungsintelligenz. Und es offenbarte eine Lücke, für deren Schließung bestehende KI-Tools nicht ausgelegt sind.

Warum das für Ihr Unternehmen wichtig ist

Der iberische Blackout war nicht nur eine Geschichte über Strom. Er ist eine Warnung darüber, was geschieht, wenn automatisierte Systeme ihre eigenen Regeln nicht in Echtzeit durchsetzen können. Wenn Sie kritische Infrastruktur betreiben oder von ihr abhängen, sollten drei Zahlen Sie nachts wach halten:

• 15 GW Verlust in 5 Sekunden. Das ist schneller, als jeder menschliche Bediener reagieren kann — und schneller, als die meisten KI-Systeme überhaupt einen API-Aufruf in die Cloud verarbeiten könnten.
• 78 % Anteil erneuerbarer Energien am Morgen des Ereignisses. Während sich Ihr Netz zu den Erneuerbaren hin verschiebt, schrumpft der Spielraum für Fehler. Die natürliche Trägheit, die das System einst stabilisierte, verschwindet.
• 24 Stunden zur Wiederherstellung des Netzes. Manuelle Black-Start-Verfahren machten aus einer möglichen 4-Stunden-Erholung einen ganztägigen Ausfall über zwei Länder hinweg.

Für Ihr Unternehmen steigen die regulatorischen Einsätze rasch. Der EU AI Act stuft die Netzsteuerung als kritische Infrastruktur ein. Das bedeutet: Jedes KI-System, das Sie einsetzen, muss erklärbare, prüfbare Entscheidungspfade liefern — keine bloß plausiblen Schätzungen. Kann Ihr KI-Anbieter Ihnen nicht zeigen, warum er eine bestimmte Entscheidung getroffen hat, tragen Sie sowohl operatives Risiko als auch rechtliche Haftungsgefahr.

Die finanzielle Exposition geht über Bußgelder hinaus. Langandauernde Ausfälle stören Lieferketten, stoppen die Produktion und untergraben das Kundenvertrauen. Ihr Vorstand wird wissen wollen: Können unsere Systeme das verhindern? Und falls nicht — was ist der Plan?

Was tatsächlich unter der Haube geschieht

Um zu verstehen, warum dieser Blackout geschah, müssen Sie ein Konzept verstehen: Blindleistung. Stellen Sie sich Ihr Stromnetz wie den Wasserdruck in einem Rohrsystem vor. Wirkleistung ist das hindurchfließende Wasser — es verrichtet die nützliche Arbeit. Blindleistung ist der Druck, der das Wasser gleichmäßig strömen lässt. Ohne ausreichenden Druck bricht das System zusammen.

Spanische Vorschriften (Operating Procedure 7.4) schreiben für jedes Kraftwerk vor, Blindleistung in Höhe von mindestens 30 % seiner Maximalleistung aufzunehmen oder einzuspeisen. Das hält die Spannung stabil. Am 28. April brauchte das Netz Kraftwerke, die Blindleistung aufnahmen, weil die Spannungen in die Höhe schossen. Mehrere Kraftwerke reagierten zu langsam oder gar nicht. Und eine Anlage tat das Gegenteil — sie speiste Blindleistung ein, trieb die Spannungen weiter nach oben und löste eine Kettenreaktion von Schutzabschaltungen im ganzen Netz aus.

Hier liegt das tieferliegende Problem. Die Regler, die diese Kraftwerke steuern, nutzen jahrzehntealte Technologie — Proportional-Integral-Derivative-Regler (PID-Regler), die auf stationäre Bedingungen ausgelegt sind. Sie funktionieren gut, solange alles ruhig bleibt. Doch wenn das Netz in ein schnelles, nichtlineares Oszillationsereignis gerät, können diese Regler nicht adaptiv reagieren. Sie sind wie ein Thermostat, der für ein Wohnzimmer entworfen wurde und nun einen Hochofen steuern soll.

Währenddessen beobachteten die Übertragungsnetzbetreiber 400-kV-Leitungen, die unauffällig wirkten. Die eigentliche Gefahr lag auf der 220-kV-Sammelebene, wo die Stufensteller der Transformatoren nicht schnell genug nachjustieren konnten. Diese "Observability Gap" machte die Krise für die Menschen unsichtbar, deren Aufgabe es gewesen wäre, sie zu verhindern. Ihre Überwachungssysteme sind nur so gut wie die Datenpunkte, die sie tatsächlich sehen können.

Was funktioniert (und was nicht)

Beginnen wir mit dem, was in risikoreichen Netzumgebungen scheitert:

• Legacy-PID-Regler: Diese bewältigen stationäre Bedingungen gut, brechen aber unter den nichtlinearen Dynamiken eines schnellen Oszillationsereignisses zusammen — genau das geschah am 28. April.
• LLM-Wrapper-Anwendungen — Tools, die Ihre Daten zur Verarbeitung an ein cloudbasiertes KI-Modell wie GPT-4 senden: Diese verursachen Latenzen von 500 Millisekunden bis zu mehreren Sekunden. Wer 15 GW in 5 Sekunden verliert, für den ist eine halbe Sekunde eine Ewigkeit. Schlimmer noch: Diese Modelle können "halluzinieren" — sie melden womöglich, die Spannungen würden sich auf Basis historischer Muster stabilisieren, obwohl die Echtzeitdaten eine divergierende Kaskade zeigen.
• Black-Box-KI ohne Audit-Trails: Kann Ihr KI-System seine Schlussfolgerung nicht Schritt für Schritt erklären, erfüllt es nicht die Anforderungen des EU AI Act an Hochrisikoanwendungen. Eine Entscheidung, die Sie nicht nachvollziehen können, können Sie nicht verteidigen.

Was funktioniert, ist ein mehrschichtiger Ansatz, der die Anpassungsfähigkeit neuronaler Netze mit hartkodierten physikalischen Regeln kombiniert. So funktioniert er:

1. Eingabe — Physikbewusste Sensorik: Installieren Sie hochauflösende Sensoren auf der Sammelebene (nicht nur auf der Übertragungsebene), um die Observability-Lücke zu schließen. Speisen Sie diese Daten in Physics-Informed Neural Networks (PINNs) ein — KI-Modelle, die die tatsächlichen Gleichungen des elektrischen Verhaltens direkt in ihre Berechnungen einbetten. Diese Modelle reagieren in unter 1 Millisekunde, rund 87-mal schneller als konventionelle Optimierungsverfahren.

2. Verarbeitung — Regelbasierte Guardrails: Setzen Sie eine neuro-symbolische Architektur darauf. Das neuronale Netz übernimmt Mustererkennung und Vorhersage. Doch eine symbolische Logikschicht fungiert als Torwächter. Sie kodiert Ihre regulatorischen Anforderungen — etwa P.O. 7.4 — als unabänderliche Regeln. Schlägt das neuronale Netz vor, während eines Überspannungsereignisses Blindleistung einzuspeisen, blockiert die symbolische Schicht diesen Befehl physisch. Das Szenario, in dem ein Kraftwerk Blindleistung "hinzufügt statt absorbiert", wird unmöglich.

3. Ausgabe — Prüffähiger Entscheidungspfad: Jede automatisierte Aktion erzeugt ein menschenlesbares Protokoll: was sie ausgelöst hat, welche Regel anwendbar war, welche Maßnahme ergriffen wurde und welches Ergebnis eintrat. Für das Ereignis vom 28. April würde dort stehen: "Oszillation von 0.63 Hz erkannt. Spannungsgrenzwert gemäß P.O. 7.4 überschritten. Vorgeschriebene Blindleistungsaufnahme von 30 % der Maximalleistung erzwungen. Spannung bei 418 kV stabilisiert. Abschaltung auf der Sammelseite verhindert."

Dieser Audit-Trail ist genau das, was Ihr Compliance-Team und Ihre Aufsichtsbehörden benötigen. Er verwandelt Ihre KI von einer Black Box in ein transparentes, verteidigungsfähiges System. Für Organisationen in der Energie- und Versorgungswirtschaft, ist dies der Unterschied zwischen regulatorischem Haftungsrisiko und einer nachweisbaren Kontrolle.

Sie können diese Architektur zusätzlich härten mit Simulations- und Digital-Twin-Umgebungen , die es Ihnen ermöglichen, die KI-Reaktionen Ihres Netzes einem Stresstest zu unterziehen, bevor sie in den Produktivbetrieb gehen — im Wesentlichen ein Flugsimulator für Ihr Stromsystem.

Die 24-stündige Wiederherstellungsphase nach dem iberischen Blackout hätte ebenfalls dramatisch verkürzt werden können. Multi-Agenten-KI-Systeme — bei denen lokale Agenten einzelne Strominseln verwalten und koordinierende Agenten die Synchronisation übernehmen — hätten Marokkos 900 MW und Frankreichs 2 GW Unterstützung zu den am höchsten priorisierten Wiederaufbauzonen routen können. Schätzungen zufolge hätte dieser Ansatz den 24-stündigen Ausfall auf rund 4 Stunden verkürzt.

Ihr Netz muss nicht schlauer sein. Es darf schlicht nicht fähig sein, physikalisch unmögliche Entscheidungen zu treffen.

Die vollständige technische Analyse lesen | Interaktive Version entdecken