KI-basierte Engpass-Prognose für proaktives Netzmanagement
Klassische Netzplanung basiert auf deterministischen Berechnungen: Wie hoch ist die Last bei Gleichzeitigkeit X und Wachstumsrate Y? Dieser Ansatz versagt, wenn die Last nicht mehr gleichmässig wächst, sondern durch PV, E-Autos und Wärmepumpen volatil und räumlich ungleich verteilt wird. KI-basierte Prognosemodelle können diese Komplexität abbilden.
Ein ML-Modell für Engpass-Prognosen nutzt als Features: historische SCADA-Daten (Transformator-Auslastung, Spannungsverläufe), Wetterdaten (Temperatur, Sonneneinstrahlung, Wind), Kalender-Features (Wochentag, Feiertag, Schulferien), und – entscheidend – Daten über den lokalen Zubau von PV, Wallboxen und Wärmepumpen. Das Modell lernt, unter welchen Bedingungen welche Netzabschnitte an ihre Grenzen stossen, und kann Engpässe 24 Stunden bis 7 Tage im Voraus prognostizieren.
Praxiswert: Eine 24-Stunden-Engpass-Prognose ermöglicht dem DSO, Flexibilität rechtzeitig einzuplanen und Steuerungsentscheidungen vorzubereiten – statt im Engpassfall hektisch zu reagieren. Eine 7-Tage-Prognose ermöglicht die optimierte Planung von Wartungsarbeiten (Netzabschnitte nicht warten, wenn ein Engpass droht) und die proaktive Kundenkommunikation.
Risikobewertung: Überlastungswahrscheinlichkeit pro Netzabschnitt
Nicht jeder Netzabschnitt hat dasselbe Risikoprofil. Ein Ortsnetz in einem Neubaugebiet mit hoher PV-Durchdringung und vielen Wallboxen hat ein fundamental anderes Risiko als ein Ortsnetz in einem Altbau-Quartier mit Gasheizungen. Eine systematische Risikobewertung quantifiziert die Überlastungswahrscheinlichkeit pro Netzabschnitt – basierend auf der aktuellen Auslastung, dem lokalen Zubau-Trend und den technischen Grenzen der installierten Betriebsmittel.
Szenario-Analyse: E-Auto-Hochlauf und Ortsnetz-Trafos
Die Frage, die jeden DSO umtreibt: Was passiert, wenn in einem Ortsnetz 50 % der Haushalte ein Elektroauto laden? Die Antwort hängt von vielen Faktoren ab: Wann wird geladen (abends nach Feierabend vs. über Nacht vs. PV-optimiert)? Wie hoch ist die Ladeleistung (3,7 kW, 11 kW, 22 kW)? Und wie viele Autos laden gleichzeitig?
Szenario-Analysen modellieren diese Zusammenhänge: Für verschiedene E-Auto-Durchdringungsraten (10 %, 30 %, 50 %) und Ladeverhaltensmuster (ungesteuertes Laden, zeitgesteuertes Laden, PV-optimiertes Laden) wird die resultierende Netzbelastung berechnet. Die Ergebnisse zeigen: Ohne Steuerung reicht bei vielen Ortsnetzen der vorhandene Transformator schon bei 30 % E-Auto-Anteil nicht mehr aus. Mit intelligenter Steuerung (§14a) kann der Transformator deutlich länger genutzt werden – und der teure Ausbau wird um Jahre verzögert.
Optimaler Flexibilitätseinsatz: Kosten minimieren, Stabilität maximieren
Wenn ein Engpass prognostiziert wird, stellt sich die Frage: Welche Flexibilitätsmassnahme ist die kostengünstigste? Die Dimmung von Wallboxen ist günstig (reduzierte Netzentgelte als Gegenleistung), aber begrenzt wirksam. Der Abruf eines Speichers ist teurer, aber sofort und präzise steuerbar. Und die Abregelung einer PV-Anlage im Rahmen von Redispatch ist am teuersten (Entschädigungspflicht), aber als letzte Massnahme unvermeidlich.
Eine analytische Flexibilitätsoptimierung berechnet für jede Engpasssituation die kostenoptimale Kombination von Massnahmen: Zuerst die günstigsten Optionen ausschöpfen, dann schrittweise teurere Massnahmen hinzunehmen, bis der Engpass gelöst ist. Das erfordert ein Optimierungsmodell, das in Echtzeit die verfügbare Flexibilität, die Kosten und die Netzwirkung jeder Massnahme kennt.
Wetter-Netz-Korrelation: Temperatur und Sonneneinstrahlung
Das Wetter ist der stärkste Treiber für Netzbelastung im Verteilnetz: Sonneneinstrahlung bestimmt die PV-Einspeisung (und damit die Rückspeise-Problematik), Temperatur bestimmt den Wärmepumpen-Verbrauch (und damit die winterliche Lastspitze), und Wind beeinflusst sowohl die Windeinspeisung als auch den Heizbedarf (Windchill).
Eine systematische Korrelationsanalyse zwischen Wetterdaten und Netzbelastung ermöglicht präzisere Prognosen: Wie stark steigt die Last pro Grad Temperaturabsenkung? Ab welcher Einstrahlung tritt Rückspeisung auf? Und wie verändert sich das Korrelationsmuster mit dem Zubau von Wärmepumpen und PV? Diese Erkenntnisse fliessen direkt in die Engpass-Prognose und die Netzplanung ein.
Technologien und Methoden
Fazit: Prognose statt Reaktion
Die Zukunft des Netzmanagements ist prognosebasiert: Statt auf Engpässe zu warten und dann zu reagieren, antizipieren moderne DSOs Probleme Stunden oder Tage im Voraus und ergreifen rechtzeitig die kostengünstigsten Massnahmen. Die analytische Infrastruktur – Prognosemodelle, Digital Twins, Optimierungsalgorithmen – ist der Schlüssel zu diesem Paradigmenwechsel.
DSOs, die heute in analytische Fähigkeiten investieren, sparen morgen Netzausbaukosten, verbessern die Versorgungsqualität und können die Integration erneuerbarer Energien und neuer Verbrauchslasten effizienter bewältigen. In einer Zeit, in der der Netzausbau nicht mit dem Tempo der Energiewende mithalten kann, ist intelligente Analytik der schnellste und kostengünstigste Weg, die Lücke zu schliessen.