Versorger verlieren Erlöse und Netzstabilität durch Zählermanipulation, illegale Anzapfungen, defekte Zähler und Abrechnungsfehler (sogenannte nichttechnische Verluste, NTL), und Betreiber brauchen Frühwarnung vor auffälligem Verhalten im Netz selbst. Maschinelles Lernen auf Smart-Meter- und Abgangsdaten ordnet Zähler und Netzabschnitte nach Verdacht, sodass knappe Einsatzteams die richtigen Standorte prüfen. In Europa liegt der Wert vor allem in gezielter Erlössicherung und Messqualitätskontrolle, mit strengen Grenzen dafür, wie Verbrauchsdaten von Kunden genutzt werden dürfen.
Problem & Nutzen
- Heute: Versorger setzen auf regelbasierte Prüfungen (Nullverbrauch, Manipulationsmarker, plötzliche Einbrüche), periodische Plausibilitätsprüfungen der Zählerablesung, zufällige oder hinweisbasierte Kontrollen und manuelle Energiebilanzvergleiche zwischen einem Transformator und den dahinterliegenden Zählern.
- Ausmaß des Problems: Ein Überblick über die NTL-Literatur stellt fest, dass NTL in manchen Ländern bis zu 40 % des verteilten Stroms erreichen können [1]. Wikipedia fasst eine viel zitierte Schätzung der Northeast Group von rund 96 Mrd. USD Verlust pro Jahr weltweit zusammen, die Zahl ist jedoch eine Branchenschätzung, und der Artikel selbst gleicht sie nicht mit einer früheren Zahl von 89,3 Mrd. ab [2]. Die Verluste konzentrieren sich auf Schwellenländer (z. B. Indien, Brasilien); in Deutschland und den meisten EU-Ländern ist Diebstahl ein viel kleinerer Anteil und eine Straftat (§ 248c StGB, bis zu fünf Jahre Freiheitsstrafe, Verfolgung auf Antrag) [3].
- KI-Nutzen: bessere Trefferquoten bei Kontrollen als bei zufälliger oder regelbasierter Auswahl, frühere Erkennung defekter Zähler (die in reifen Märkten weit häufiger sind als Diebstahl) und Erkennung netzseitiger Anomalien (Phasenungleichgewicht, Spannungsabweichungen, unerwartete Rückspeisung aus PV), die Regeln übersehen. Eine verlässliche öffentliche Trefferquote für EU-Einsätze wurde nicht gefunden; Anbieter veröffentlichen Fallstudien, behandeln Sie sie aber als Marketing, bis sie an Ihren eigenen Prüfdaten gemessen sind.
- Ehrliche Einordnung: Ein großer Teil des „Diebstahl“-Signals in Smart-Meter-Daten ist in Wahrheit ein defekter Zähler, ein leerstehendes Objekt, eine neue PV-Anlage oder ein veränderter Haushalt. Modelle dürfen Kunden nicht als Beweis für ein Fehlverhalten präsentiert werden.
Varianten
- Erlössicherung (NTL-Erkennung): Bewertung von Zählern auf Kundenebene auf Manipulation, Umgehung, illegale Anschlüsse; typisch in Schwellenländern und für große Industriekunden in der EU.
- Messqualitätskontrolle: Erkennung hängender, driftender, falsch verdrahteter oder falsch konfigurierter Smart Meter (Wandlerverhältnis-Fehler, vertauschte Phasen) — der dominierende EU-Anwendungsfall.
- Energiebilanz-/Abgangsverlustanalyse: Vergleich der Einspeisung am Transformator mit der Summe der Kundenzähler, um den Verlust auf einen Netzabschnitt einzugrenzen, bevor einzelne Kunden geprüft werden.
- Anomalieerkennung im Netzbetrieb: Erkennung auffälliger Ereignisse in SCADA-/PMU-/Niederspannungs-Sensorströmen (Spannung, Frequenz, Flüsse) für Netzbetreiber; überschneidet sich mit ANOM-005 und OPT-022.
- Cyber-/physische Manipulationssignale: Auffälligkeiten in der Zählerkommunikation, bei Firmware oder Zeitsynchronisation, an das Sicherheitsteam gemeldet.
- Wasser-/Gasnetze: Analoge Probleme bei Leckagen und illegalem Anzapfen stehen in ANOM-013.
- Private Nutzung: als Diebstahlerkennung nicht anwendbar; Haushalte erhalten Hinweise auf Verbrauchsanomalien über PRED-031.
So funktioniert es
- smart meters / head-end system (MDM) + SCADA + billing + inspection history
- data cleaning, gap filling, meter-event decoding
- feature engineering (load profile shape, seasonality, peer-group comparison, feeder balance)
- detectors: supervised classifier (labelled inspections) + unsupervised anomaly scores + feeder-balance rules
- ranking and reason codes, calibrated to inspection capacity
- human review (analyst)
- field inspection / meter exchange / customer contact
- inspection result fed back as label (closed loop)
- Überwachte Modelle: Gradient Boosting auf Lastprofil-Merkmalen, trainiert auf früheren Prüfergebnissen. Die Hauptschwäche ist Label-Verzerrung, weil frühere Kontrollen nicht zufällig waren und das Modell daher lernt, wo Prüfer ohnehin schon geschaut haben [1].
- Unüberwacht / teilüberwacht: Verfahren vom Typ Isolation Forest, Autoencoder und Clustering für Abweichungen von der Vergleichsgruppe, wenn Labels knapp sind. Der Benchmark TSB-AD (1.070 Zeitreihen, 40 Datensätze) fand, dass einfache statistische Verfahren oft mit tiefen Netzen gleichziehen oder sie übertreffen; beginnen Sie also einfach [5].
- Erkennung über Prognose-Residuen: Ein Zeitreihen-Foundation-Modell wie Chronos-2 (Apache-2.0, Zero-Shot, kovariatenfähig) kann den erwarteten Verbrauch prognostizieren und große Residuen markieren [6]; das braucht Validierung gegen klassische Basislinien.
- Graphverfahren: Die Netztopologie (Abgang → Transformator → Zähler) liefert eine natürliche Struktur für Bilanzprüfungen und graphbasierte Lokalisierung.
- Rolle des LLM (nur unterstützend): Techniker-Notizen zusammenfassen, Prüfberichte entwerfen und Begründungscodes für Analysten erklären; LLMs sind nicht der Detektor.
- Mensch-in-der-Schleife (Human-in-the-Loop): Ein Analyst validiert jeden hoch eingestuften Fall; Kontrolle und jeder Kontakt mit dem Kunden sind menschliche Entscheidungen. Automatische Abrechnungskorrekturen oder Sperrungen allein auf Basis eines Modell-Scores dürfen nicht erfolgen.
Datenaufbereitung
Smart-Meter-Intervalldaten liegen im MDM/AMI-Head-End, Netzmessungen im SCADA, Kunden- und Abrechnungshistorie im Abrechnungssystem (z. B. SAP IS-U) und Prüfergebnisse in Außendienst-Werkzeugen, Tabellen oder Papierberichten. Technikernotizen sind Freitext.
Typische Lücken: fehlende oder verspätete Zählerintervalle, Zählertausche, die Zeitreihen unterbrechen, unzuverlässige Manipulationsmarker, Fehler bei der Zuordnung Abgang zu Zähler (Grundlage der Energiebilanzen), wenige bestätigte Diebstahl-Labels, nur auf Papier gespeicherte Prüfergebnisse und strenge Zugriffsrechte, weil Verbrauchsdaten personenbezogen sind.
Schritte der Aufbereitung: - Zählerdaten validieren und auffüllen (VEE-Logik) und jeden Zähler mit seinem Transformator und Abgang verknüpfen. - Kunden-, Tarif- und Abrechnungshistorie über pseudonymisierte Schlüssel zusammenführen (PREP-022). - Labels aus Prüfberichten gewinnen, auch negative Befunde (PREP-020), und Papierberichte digitalisieren (PREP-006, PREP-008). - Technikernotizen mit einem einfachen Kategorienschema strukturieren (PREP-019). - Festlegen, wer Verbrauchsdaten zu welchem Zweck sehen darf (PREP-024, PREP-025). - Mit den Mitarbeitenden der Erlössicherung einen Evaluationsdatensatz aufbauen (PREP-018).
Werkzeuge: SQL, pandas/Polars, eine Zeitreihendatenbank, n8n für Exporte. Planen Sie etwa die Hälfte des Projektaufwands für die Aufbereitung ein; GUIDE-003 bietet einen Reifegrad-Check, PREP-005 behandelt die Extraktion aus Abrechnungs- und SCADA-Systemen.
Umsetzungswege
Welcher Weg für wen
- Großunternehmen: Weg C, weil große Versorger sensible Verbrauchsdaten von Millionen Kunden halten, eigene Datenplattformen betreiben und davon profitieren, den Stack für andere Netzanalysen wiederzuverwenden.
- Entwickler: Weg C, weil offene Zeitreihen-, tabellarische und Graphverfahren auf Zählerdaten mit eigener HW1-Hardware betrieben und getestet werden können.
- Öffentlicher Sektor: Weg C, weil kommunale Versorger und öffentliche Betreiber souveränes Hosting und transparente, prüfbare Modelle brauchen.
- KMU: Weg A, weil kleine Stadtwerke bereits AMI/MDM-Plattformen betreiben, deren Erlössicherungsmodule unterstützte Produkte mit Anbindung an Prüfaufträge sind.
Weg A — Kaufen (Standardsoftware)
- Kategorien: Erlössicherungs- und Analysemodule von Zähldatenmanagement-(MDM-) und AMI-Plattformen, Analyse-Suiten für Versorger und Netzüberwachungssoftware. Repräsentative Anbieter mit solchen Angeboten sind Itron, Landis+Gyr (Schweiz), Siemens (Netzsoftware), Oracle Utilities, SAP (IS-U/S4 Utilities) und spezialisierte Analyseanbieter; europäische Stadtwerke nutzen typischerweise auch deutsche Mess- und Abrechnungsdienstleister. Prüfen Sie aktuelle Modulnamen und EU-Hosting jedes Anbieters, bevor Sie eine engere Auswahl treffen.
- A wählen, wenn: Sie bereits eine AMI/MDM-Plattform betreiben und ein unterstütztes Modul mit Anbindung an Prüfaufträge wollen. Die meisten kleinen und mittleren Stadtwerke passen hierher.
- Prüfen: Training auf Ihren eigenen Prüfergebnissen, Begründungscodes, DSGVO-/MsbG-Rolle (Auftragsverarbeiter nach Art. 28), On-Premises- oder EU-Hosting und ein Ausstiegsweg für die Modelle.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Stack: verwaltete Datenplattform in einer EU-Region (Azure, AWS Frankfurt, Google Cloud EU oder ein EU-Anbieter wie STACKIT oder IONOS), Streaming-Aufnahme, ein Feature Store und verwaltetes ML-Training. Nutzen Sie Cloud-LLM-APIs (z. B. Claude, Mistral, Gemini in EU-Regionen) nur für Textaufgaben wie das Entwerfen von Berichten, nie für rohe Verbrauchsdaten auf Kundenebene ohne Rechtsgrundlage.
- B wählen, wenn: Sie ein Datenteam haben und eigene Logik über mehrere Datenquellen brauchen.
- Einschränkung: § 49 MsbG begrenzt, wer Messdaten mit Personenbezug zu welchen Zwecken verarbeiten darf (berechtigte Stellen, mit Auftragsverarbeitern nach DSGVO Art. 28) [4]; stimmen Sie die Architektur mit Ihrer/Ihrem Datenschutzbeauftragten ab.
Weg C — Selbst betreiben (Open Source)
- Bibliotheken: scikit-learn, XGBoost/LightGBM und PyOD (BSD-2, 60+ Detektoren, u. a. Isolation-Forest- und Autoencoder-Familien) für Detektoren [7]; Chronos-2 oder ähnliche Zeitreihen-Foundation-Modelle für Prognosen [6]; TSB-AD zum Benchmarking der Detektorwahl [5].
- Plattform: Kafka oder MQTT, TimescaleDB oder InfluxDB, Airflow/Dagster, MLflow, ein Fallmanagement-Werkzeug und n8n für Workflows zu Prüfaufträgen.
- Hardware: HW1 genügt — CPU-Server bewältigen Millionen Zähler für tabellarische und Zeitreihenmodelle; eine GPU ist optional für Foundation-Modell-Inferenz oder ein On-Premises-LLM zur Zusammenfassung von Notizen.
- C wählen, wenn: Daten On-Premises bleiben müssen (bei Netzbetreibern üblich) und Sie Kapazität im Data Engineering haben.
Weg D — Eigenes Training
- Meist der Kern dieses Anwendungsfalls: einen versorgerspezifischen Klassifikator auf Ihren eigenen Prüfergebnissen plus unüberwachte Modelle je Kundensegment trainieren. Braucht tausende gelabelte Kontrollen mit bestätigtem Ergebnis (Diebstahl / defekter Zähler / kein Befund) und eine bewusst zufällige Stichprobe von Kontrollen, um Labels zu entzerren. Aktives Lernen (Kontrolle der informativsten Fälle) verbessert die Labels mit der Zeit [1].
Stand der Technik (2026)
- Forschungsrichtung: KI/ML ist die wichtigste Forschungsrichtung für die NTL-Erkennung [1][2]. Die Überblicksliteratur nennt Label-Verzerrung, Klassenungleichgewicht, Konzeptdrift (neue PV, Wärmepumpen, E-Auto-Laden verändern Lastformen) und schwache Evaluationsprotokolle als zentrale Probleme [1].
- Benchmarks: Die Zeitreihen-Anomalieerkennung hat inzwischen strengere Evaluation (TSB-AD mit VUS-PR als bevorzugtem Maß); einfache statistische Basislinien bleiben häufig konkurrenzfähig, Behauptungen großer Gewinne durch Deep-Learning-Modelle brauchen also genaue Prüfung [5]. Öffentliche NTL-Datensätze sind im Vergleich zu echten Versorgerdaten klein oder anonymisiert, veröffentlichte Genauigkeiten übertragen sich daher selten.
- Foundation-Modelle: Vortrainierte Zeitreihenmodelle (Chronos-2, Oktober 2025) bringen Zero-Shot-Prognosen mit Kovariaten [6]; ihr Einsatz für die Anomalieerkennung ist vielversprechend, aber noch kein bewährter Ersatz für abgestimmte Modelle je Versorger.
- Agentische Werkzeuge: PyOD 3 ergänzt eine Orchestrierungsschicht mit LLM-Agent-Workflows zur Erkundung von Anomalieerkennungs-Aufgaben, der Detektor selbst bleibt aber klassisch oder neuronal [7].
- Grenzen und Fehlerbilder: Neue Prosumer (PV, Batterie, Wärmepumpe) sehen wie Anomalien aus; Leerstand und Zweitwohnsitze lösen Fehlalarme aus; legitime Laständerungen nach Tarifwechseln; manipulierte Zähler, die plausible Profile erzeugen; und demografische Verzerrung, wenn Nachbarschaftsmerkmale als Stellvertreter für geschützte Gruppen dienen.
Gemeinsame Bausteine & Kombinationen
- Gleicher Stack (anomaly-detection + time-series + tabular-ml + streaming): ANOM-005 (industrielle Sensoranomalien), ANOM-013 (Leckerkennung in Wasser-/Gasnetzen), ANOM-030 (Anomalien bei Geschäftskennzahlen), ANOM-001 (Betrugsbewertung nutzt dasselbe Muster aus Ranking und Kalibrierung). Ein Feature Store und eine Streaming-Plattform auf HW1 können alle bedienen.
- Datenaustausch mit der Prognose: PRED-007 (Last- und Erzeugungsprognose) liefert Basislinien der erwarteten Last; PRED-031 (Smart-Meter-Disaggregation) bietet Signaturen auf Geräteebene; PRED-033 (Ausfallvorhersage erdverlegter Netze) teilt Netzanlagendaten.
- Nachgelagerte Maßnahmen: OPT-022 (Engpassmanagement im Verteilnetz) verarbeitet Netzanomalie-Warnungen; ANOM-006 deckt Abrechnungs- und Hauptbuch-Anomalien ab, nachdem eine Korrektur gebucht wurde.
- Gemeinsame Hardware: CPU-basierter Cluster für Zeitreihen und tabellarische Daten (HW1); optional eine einzelne GPU (HW2), wenn auch ein On-Premises-LLM zur Zusammenfassung von Fallnotizen genutzt wird.
Aufwand, Kosten & Kennzahlen
- Weg A: Wochen bis wenige Monate für ein Modul auf einem bestehenden MDM; die Lizenzkosten skalieren typischerweise mit der Zählerzahl.
- Weg B: 3–6 Monate für eine erste Produktiv-Pipeline inklusive Datenzugriff, Feature Engineering und Anbindung der Prüfaufträge.
- Weg C/D: 6–12 Monate mit einem Data-Science-Team; der größte Kostentreiber sind Datenqualität, Labeling und Kapazität für Vor-Ort-Prüfungen, nicht Rechenleistung.
- Kennzahlen: Trefferquote der Kontrollen (bestätigte Befunde je Kontrolle) gegenüber der Zufalls-Basislinie, Anteil der Befunde mit defektem Zähler, zurückgewonnene Energie (kWh) und Erlöse, Zeit bis zur Erkennung, Fehlalarmquote je Analystenstunde, Abgangsverlust in Prozent, Präzision bei der verfügbaren Kontrollkapazität (Top-k).
Menschen & Veränderung
Beziehen Sie die Geschäftsführung für das Mandat ein, die Leitung der Erlössicherung oder des Netzbetriebs als Prozessverantwortliche, die IT und die Verantwortlichen für MDM-, SCADA- und Abrechnungsdaten sowie von Anfang an die/den Datenschutzbeauftragte(n) und Legal/Compliance. Außendiensttechniker und Mitarbeitende der Erlössicherung sind die täglichen Nutzer; Kunden sind von Kontrollen betroffen, daher müssen Kommunikation und rechtliche Regeln für Besuche vorab vereinbart werden.
Betriebsrat: abhängig vom Einzelfall. Das Modell bewertet Zähler und Kunden, nicht Beschäftigte, aber Prüfzuweisungen, Leistungsstatistiken der Techniker und Systemprotokolle können zur Überwachung nach §87 Abs. 1 Nr. 6 BetrVG geeignet sein, und §90 Abs. 1 Nr. 3 verlangt Information über KI-geplante Arbeitsverfahren. Kommunale Versorger in öffentlicher Hand beziehen den Personalrat ein (GUIDE-004). Verbrauchsprofile von Haushalten sind personenbezogene Daten und zeigen Verhalten, daher ist eine DSFA nach Art. 35 DSGVO wahrscheinlich; für jeden Auftragsverarbeiter ist ein AVV nötig (GUIDE-005).
Fördern Sie die KI-Kompetenz von Prüfern und Analysten (Art. 4 KI-Verordnung, GUIDE-006). Wählen Sie ein Netzgebiet als Pilot, vergleichen Sie die priorisierten Fälle mit erfahrenen Prüfern und berichten Sie Trefferquoten offen. Typische Sorgen sind zu Unrecht beschuldigte Kunden und Mehrarbeit durch Fehlalarme; begegnen Sie ihnen, indem ein Score nur ein Anlass zur Kontrolle ist, nie ein Beweis, und ein Mensch über jeden Fall und jede Folgemaßnahme entscheidet (GUIDE-008, GUIDE-009).
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Anhang III Nr. 2 führt KI-Systeme, die als Sicherheitskomponenten bei Verwaltung und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme oder Strom bestimmt sind, als Hochrisiko auf [8]. Ein Erlössicherungsmodell, das Zähler nur für die Kontrolle priorisiert, ist keine Sicherheitskomponente und in der Regel Minimalrisiko; ein System, das als Sicherheitskomponente für den Netzbetrieb dient (z. B. automatische Schutz- oder Schaltentscheidungen), kann unter Hochrisiko-Pflichten fallen. Dokumentieren Sie den Verwendungszweck sorgfältig. KI-Kompetenz (Art. 4) gilt in allen Fällen.
- DSGVO und Messstellenrecht: Smart-Meter-Daten im 15-Minuten-Raster sind personenbezogene Daten, die Haushaltsverhalten offenlegen. In Deutschland beschränkt § 49 MsbG die Verarbeitung auf berechtigte Stellen und Zwecke [4]; nötig sind Zweckbindung, Datenminimierung (wo möglich aggregieren), DSFA und Transparenz gegenüber Kunden. Automatisierte Entscheidungen mit rechtlicher Wirkung für Kunden (Abrechnungskorrekturen, Sperrung) lösen die Schutzmaßnahmen nach DSGVO Art. 22 aus; behalten Sie eine menschliche Entscheidung bei.
- Straf- und Zivilrecht: Der Diebstahl elektrischer Energie ist nach § 248c StGB strafbar [3]; der Modell-Score ist ein Hinweis, kein Beweis. Beweise müssen aus der physischen Kontrolle stammen.
- Fairness: Vermeiden Sie Merkmale, die für Wohngegend, Ethnie oder Einkommen stehen; überwachen Sie Markierungsquoten je Gebiet.
- Sicherheit: NIS2 und Branchenregeln gelten für Netzbetreiber; behandeln Sie die Analyseplattform und Zählerdaten als kritische Werte.
- Gegenmaßnahmen: zufällige Kontrollen zur Messung der wahren Trefferquote, Driftüberwachung, Begründungscodes, Prüfprotokolle und ein Beschwerdeweg für Kunden.
Erste Schritte
- Erfassen Sie die Daten: Zählerintervalldaten, Manipulations-/Ereignisprotokolle, Abgangsbilanzdaten und jede frühere Kontrolle mit dokumentiertem Ergebnis.
- Bauen Sie eine Basislinie aus einfachen Regeln und einem Energiebilanzbericht je Abgang; messen Sie die aktuelle Trefferquote der Kontrollen.
- Trainieren Sie offline ein Gradient-Boosting-Modell und einen unüberwachten Detektor (PyOD); vergleichen Sie mit der Basislinie anhand der Präzision bei der verfügbaren Kontrollkapazität.
- Klären Sie Rechtsgrundlage, DSFA und die Rollenzuordnung nach § 49 MsbG mit der/dem Datenschutzbeauftragten, bevor Sie Daten auf Kundenebene nutzen.
- Pilotieren Sie in einer Region: prüfen Sie die am höchsten eingestuften Fälle plus eine Zufallsstichprobe, speisen Sie die Ergebnisse zurück und überprüfen Sie monatlich.
Quellen
- Glauner et al. — The Challenge of Non-Technical Loss Detection using Artificial Intelligence: A Survey — https://arxiv.org/abs/1606.00626
- Wikipedia — Electricity theft (summary of Northeast Group estimates and country figures) — https://en.wikipedia.org/wiki/Electricity_theft
- § 248c StGB, Entziehung elektrischer Energie — https://www.gesetze-im-internet.de/stgb/__248c.html
- § 49 MsbG, Verarbeitung personenbezogener Daten — https://www.gesetze-im-internet.de/messbg/__49.html
- TSB-AD benchmark (NeurIPS 2024, "The Elephant in the Room") — https://github.com/TheDatumOrg/TSB-AD
- Amazon Science — Chronos-2 / Chronos-Bolt time-series forecasting models — https://github.com/amazon-science/chronos-forecasting
- PyOD — Python library for anomaly detection — https://github.com/yzhao062/pyod
- EU AI Act, Annex III (critical infrastructure) — https://artificialintelligenceact.eu/annex/3/