Leckageerkennung in Wasser- und Gasnetzen

Erdverlegte Leitungen verlieren oft monatelang unbemerkt Medium. Versorger finden Leckagen bisher durch periodische Nachtminimum-Analysen, manuelle Abhörrunden oder Kundenmeldungen. KI kombiniert fest installierte Akustiksensoren, Zonenzählerdaten zu Durchfluss und Druck, hydraulische Modelle und (bei Gas) Methanmessungen, um frühe, geortete und priorisierte Leckagealarme auszulösen. So werden Teams gezielt in die richtige Straße geschickt, statt das ganze Netz abzusuchen. Den größten Teil der Arbeit leisten klassische Signalverarbeitung, Statistik und hydraulische Modelle; maschinelles Lernen verbessert vor allem die Störgeräuschunterdrückung, die Priorisierung und die Erklärung.

Problem & Nutzen

• Wer: Wasserversorger und Stadtwerke, Gasverteilnetzbetreiber, Kommunen mit kleinen Netzen, Industriestandorte und Campus mit privaten Wasser-, Dampf-, Druckluft- oder Gasleitungen.
• Heute: Mindestnachtverbrauchs-Analyse je Teilnetz (DMA), periodische akustische Begehungen mit Bodenmikrofonen und Korrelatoren sowie Reparatur erst nach sichtbaren Rohrbrüchen. Leckagen, die nie an die Oberfläche treten, werden spät gefunden. Gasnetze bringen zusätzliche Sicherheitspflichten (Explosionsgefahr) und in der EU Vorgaben zu Methanemissionen mit sich.
• Nutzen durch KI: Die laufende Bewertung von Durchfluss-, Druck- und Akustikdatenströmen erkennt kleine, entstehende Leckagen früher, trennt Leckgeräusche von Verkehrs- und Pumpengeräuschen, grenzt den Suchbereich ein und priorisiert Kandidaten nach geschätztem Verlust und Folgen.
• Regulatorischer Druck: Die neugefasste EU-Trinkwasserrichtlinie (EU) 2020/2184 führt Maßnahmen zur Leckagereduzierung ein: Die Mitgliedstaaten meldeten nationale Leckagebewertungen bis Januar 2026, die Kommission legt bis Januar 2028 einen EU-Leckageschwellenwert fest, und nationale Aktionspläne sind bis Januar 2030 fällig [3]. Die Methanverordnung (EU) 2024/1787 ergänzt Pflichten zur Leckageerkennung und -reparatur für Gasinfrastruktur; prüfen Sie die genauen Fristen für Untersuchung und Reparatur für Ihre Anlagenklasse.
• Nutzenzahlen: Anbieter veröffentlichen Fallstudien (zum Beispiel nennt Echologics PUB Singapur, West Virginia American Water und den Las Vegas Valley Water District), die zitierte Seite enthält jedoch keine quantifizierten Ergebnisse [4]; betrachten Sie Einsparungen als standortspezifisch und messen Sie Ihre eigene Ausgangsbasis.

Varianten

• Wasserverteilung (DMA-Analytik): statistische oder ML-basierte Erkennung auf Durchfluss- und Druckdaten der Zonenzähler; der BattLeDIM-Benchmark deckt genau diese Aufgabe ab [1][2].
• Akustische Überwachung: fest installierte Geräuschlogger oder in der Leitung bzw. an Armaturen montierte Sensoren für Verteil- und Transportleitungen; KI unterscheidet Leckgeräusche vom Hintergrundrauschen [4][5].
• Gasverteilung: Handgeräte bzw. Fahrzeuge mit Methandetektoren (z. B. erkennt der Sewerin SR-LD 800 Methan aus bis zu 200 m Entfernung) plus Druck-/Durchfluss-Analytik für das Netz [5]; Methanquantifizierung per Satellit für Anlagen (GHGSat DATA.SAT) [6].
• Satelliten- und Luftbild-Screening von Wasserleitungen: Anbieter der Fernerkundung durchsuchen Regionen nach wahrscheinlichen Leckagebereichen, um Arbeiten vor Ort zu priorisieren (Produktaussagen sollten in einem Pilotversuch überprüft werden).
• Industrielle/private Varianten: Druckluft-Leckageerkennung mit Ultraschallkameras in Werken (siehe ANOM-005), Smart-Home-Wasserzähler, die bei auffälligem Durchfluss ein Ventil schließen.
• Abgrenzung: Zustandsbewertung und Restlebensdauer-Prognose von Leitungen gehören zu PRED-046/PRED-006; Diebstahl und Netzanomalien im Strombereich zu ANOM-008.

So funktioniert es

Sensoren (Durchfluss, Druck, Akustik, AMI) → Erfassung/Streaming → Bereinigung und DMA-Wasserbilanz → Anomalieerkennung und Leckageklassifikation → Ortung (hydraulisches Modell + Korrelation) → priorisierte Alarme → Bestätigung vor Ort → Reparatur und Rückmelde-Labels

• Statistische/hydraulische Schicht: Nachtverbrauchs-Basislinien, Abweichungen zwischen gemessenem und modelliertem Druck/Durchfluss (Modell im EPANET-Stil), Druckwellenanalyse bei Rohrbrüchen. Die Übersicht bei Wikipedia führt interne Methoden (Bilanzierung, statistische und Echtzeit-Transientenmodelle) und externe Methoden (akustisch, Glasfaser-DAS/DTS, thermisch) auf [10].
• ML-Schicht: unüberwachte oder teilüberwachte Anomaliedetektoren auf multivariaten Zeitreihen; Audioklassifikatoren auf Hydrophon- oder Beschleunigungssensor-Spektren; graphbasierte Ortung über das Leitungsnetz. Vortrainierte Zeitreihen-Basismodelle wie Chronos-Bolt und TimesFM 2.5 (beide Apache-2.0) liefern Zero-Shot-Verbrauchsprognosen, deren Abweichungen als Basislinie dienen können [7][8].
• LLM-Schicht (optional): einen Alarm samt Belegen zusammenfassen, den Arbeitsauftrag entwerfen und Fragen des Betriebspersonals zu Verfahrensanweisungen beantworten. Über das Schließen von Ventilen entscheidet sie nie.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Ingenieurin bzw. der Ingenieur in der Leitwarte prüft Alarme; das Einsatzteam bestätigt vor dem Aufgraben mit Korrelator oder Bodenmikrofon; jede automatische Ventilaktion erfordert eine klassische, zertifizierte Sicherheitsschicht.

Datenaufbereitung

Die Leckageerkennung benötigt SCADA-Zeitreihen zu Durchfluss, Druck und Behälterfüllstand, Zonenzähler am Zulauf und Smart-Meter-Verbrauchsdaten (AMI), dazu das GIS-Leitungskataster (Material, Alter, Durchmesser) und das hydraulische Modell. In einem typischen Versorger liegen diese im SCADA-Historian, im GIS, im Abrechnungs-/ERP-System und bei älteren Anlagen in Papierplänen und Excel-Listen. Typische Lücken sind nicht synchronisierte Zeitstempel, Sensordrift und Datenlücken, nicht erfasste DMA-Grenzen, Leitungsdaten ohne Alter oder Material und keine gelabelte Historie bestätigter Leckagen.

Aufbereitungsschritte: (1) Sensoren und Datenquellen inventarisieren und die Datenreife prüfen (PREP-001, GUIDE-003); (2) Historian- und ERP-Daten über Konnektoren oder APIs exportieren (PREP-005); (3) die Zeitreihen bereinigen (Resampling, Behandlung von Ausreißern und Lücken, Angleichung der Zeitzonen) mit pandas oder einer Zeitreihendatenbank; (4) GIS-Attribute korrigieren und vervollständigen; (5) Labels aus Reparaturtickets und Arbeitsaufträgen gewinnen (PREP-020) und gemeinsam mit den Einsatzteams einen Testdatensatz aufbauen (PREP-018). Rechnen Sie mit etwa 40-60 Prozent des Projektaufwands für die Datenarbeit, überwiegend für das erste Netzgebiet; spätere DMAs nutzen die Pipeline weiter. Der SCADA-Zugriff muss schreibgeschützt und vom Büronetz getrennt bleiben.

Umsetzungswege

Welcher Weg für wen

• KMU (kleine Versorger, Betreiber von Industriestandorten): Weg A - ein verwalteter Leckageerkennungsdienst oder ein Logger-Produkt erspart den Aufbau von hydraulischem und signalverarbeitendem Know-how im eigenen Haus.
• Großunternehmen (große Versorger): Weg B - Leckageerkennung ist Kerngeschäft und muss mit SCADA, GIS und dem hydraulischen Modell integriert werden, was Standardprodukte selten vollständig leisten.
• Öffentliche Hand (kommunale Versorger, Stadtwerke): Weg C - kritische Infrastruktur (KRITIS) und Vergaberegeln begünstigen souveräne, selbst betriebene Stacks, die auch andere Netzanalysen bedienen.
• Entwickler: Weg C - Open-Source-Bibliotheken für Zeitreihen und Anomalieerkennung mit Modellen im EPANET-Stil geben volle Kontrolle über die Algorithmen.

Weg A — Kaufen (Standardsoftware)

Akustische Überwachungs- und Ortungssysteme etablierter Anbieter von Versorgungstechnik: Echologics (EchoShore-DX/-TX, ePulse) [4], Gutermann (Deutschland/Schweiz), Sewerin (Deutschland; Wasser- und Gasdetektion sowie Korrelatoren) [5], dazu Netzanalyse-Plattformen der großen Software-Anbieter für Versorger. GHGSat liefert Methanmessungen per Satellit [6]. Für die meisten Versorger die richtige Wahl: Hardware, Kalibrierung und Alarmlogik sind enthalten. Bevorzugen Sie in der EU gehostete Daten und einen klaren Auftragsverarbeitungsvertrag (AVV); Sensordaten enthalten selten personenbezogene Daten, Ausnahme sind fein aufgelöste Smart-Meter-Messwerte.

Weg B — Auf Cloud-KI-Diensten aufbauen

SCADA-/AMI-Daten in einen Cloud-Zeitreihenspeicher in einer EU-Region streamen, Anomalieerkennung mit verwalteten Diensten oder Prognosemodellen betreiben (Chronos-Bolt über AutoGluon oder SageMaker JumpStart [7]) und eine LLM-API (bei Bedarf in der EU gehostet) für Alarmzusammenfassungen und Ticketentwürfe nutzen. Sinnvoll für Versorger mit einem Datenteam, das Analysen in bestehendes GIS und CMMS integrieren will. Halten Sie die kritische Alarmlogik unabhängig von externen APIs.

Weg C — Selbst betreiben (Open Source)

Hydraulische Simulation mit EPANET (Open Source) sowie BattLeDIM-Daten und Bewertungscode (EUPL-1.2) als Entwicklungs-Benchmark [2]; Python-Stacks für die Anomalieerkennung; Chronos-Bolt oder TimesFM als Zero-Shot-Basislinien [7][8]; MQTT/OPC-UA-Anbindung und eine Zeitreihendatenbank. CPU oder kleine Edge-Geräte (HW1) genügen für die Analytik auf DMA-Ebene; die Audioklassifikation läuft auf Edge-Boxen am Sensor. Realistisch für kommunale Versorger mit OT/IT-Team; der Hauptaufwand liegt in der Trennung des SCADA-Netzes.

Weg D — Eigenes Training

Lohnt sich bei vielen gelabelten, bestätigten Leckagen mit Akustikaufnahmen und einem homogenen Netz (Rohrmaterial und Boden). Trainieren Sie Audioklassifikatoren für Leck/kein Leck und standortspezifische Ortungsmodelle; nutzen Sie simulierte Leckagen im hydraulischen Modell, um seltene Labels zu ergänzen, und validieren Sie anschließend an realen Ereignissen. Rechnen Sie damit, dass Labels knapp und verrauscht sind.

Stand der Technik (2026)

• Benchmarks: BattLeDIM (Netz L-TOWN, SCADA-Daten 2018/2019, CC BY 4.0) bleibt der offene Standard-Benchmark für Leckageerkennung und -eingrenzung auf DMA-Ebene [1][2]; viele veröffentlichte Methoden werden nur an simulierten Leckagen bewertet.
• Praxis: fest installierte Akustiksensoren an Verteilleitungen und Armaturen, korrelationsbasierte Ortung, DMA-Analytik und Satelliten-Screening sind kommerzielle Produkte [4][5]; Basismodelle für Zeitreihen dienen als Basislinien, nicht als schlüsselfertige Leckagedetektoren [7][8].
• Gas: methanspezifische Sensorik (laserbasierte Handgeräte, Fahrzeugbefahrungen, Satelliten) ist die Detektionsschicht; KI hilft bei Quantifizierung, Deduplizierung und Priorisierung [5][6].
• Grenzen und Fehlerbilder: Fehlalarme durch Pumpen, Armaturenbetätigungen, Verkehr und Kunststoff- leitungen, die akustische Signale dämpfen; Sensordrift und fehlende Daten; wenige bestätigte Labels; die Modellgüte sinkt nach Netzänderungen (neue DMA-Grenzen, Umzonung); Ergebnisse mit Satelliten- und simulierten Daten übertreffen oft die Leistung im Feld; behauptete Einsparungen stammen von den Anbietern.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Fähigkeiten: anomaly-detection, time-series, streaming, edge-runtime (mit ANOM-005, PRED-006, PRED-046); graph-ml und simulation (hydraulisches Modell als digitaler Zwilling); audio-classification; remote-sensing (mit VIS-013, VIS-003).
• Hardware: ein CPU-Server plus Edge-Gateways (HW1) können DMA-Analytik gemeinsam mit der industriellen Anomalieerkennung (ANOM-005) bedienen; eine GPU ist nur für Audio- oder Basismodell-Lasten nötig.
• Datenpipelines: OPC-UA-/MQTT-Anbindung, Anlagenkataster und GIS, Unified Namespace (DATA-016), Anbindung der CMMS-Arbeitsaufträge.
• Naheliegende Kombinationen: ANOM-005 (industrielle Sensoren), ANOM-008 (Energie-/Netzanomalien beim Strom oder der Fernwärme desselben Versorgers), PRED-046 (Anlagenzustand und Austauschplanung), VIS-003 (Drohneninspektion freiliegender Leitungen), ANOM-030 (KPI-Anomalieerkennung für Wasserverlust-Kennzahlen).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für Piloten in einigen DMAs, Monate für den Netz-Rollout; Kostentreiber sind Sensor- Hardware, Installation und Abonnement.
• Weg B/C: Monate, getrieben von Datenintegration (SCADA, GIS, AMI), Datenbereinigung und Alarmabstimmung; die laufenden Kosten bestehen hauptsächlich aus Personalzeit.
• Weg D: mehrere Monate plus eine lange Phase der Label-Sammlung.
• Kennzahlen: Zeit vom Leckagebeginn bis zur Erkennung; Anteil der vor Ort bestätigten Alarme (Precision); gefundene Leckagen je Teamtag; reale Verluste und Nichtertragswasser (aus der Wasserbilanz); Infrastruktur- Leckageindex; Reparaturvorlaufzeit; vermiedene Versorgungsunterbrechungen; bei Gas erkannte und fristgerecht reparierte Emissionen.

Menschen & Veränderung

Binden Sie von Anfang an die Geschäftsleitung (Budget, KRITIS-Verantwortung) und die Leitung des Netzbetriebs ein, da sie den Prozess verantworten. Einsatzteams und Leitwartenpersonal sind die Anwender: Beziehen Sie sie früh in das Pilot-DMA ein, denn sie validieren die Alarme und ihre Erfahrung entscheidet über die Akzeptanz. IT und IT-Sicherheit werden für den schreibenden Zugriff ausgeschlossenen, also schreibgeschützten SCADA-Zugriff und die Netzsegmentierung benötigt (GUIDE-013); die Dateneigner in GIS und Abrechnung geben die Daten frei; Lieferanten von Sensoren und Loggern müssen koordiniert werden.

Betriebsrat: abhängig vom Einzelfall. Reine Netzdaten sind nicht personenbezogen, doch die Protokollierung von Einsatzzuweisungen, Standorten oder Reaktionszeiten kann das System zur Überwachung von Beschäftigten geeignet machen, was die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG auslöst; unterrichten Sie das Gremium in jedem Fall rechtzeitig nach § 90 Abs. 1 Nr. 3 (GUIDE-004). Kommunale Versorger beteiligen den Personalrat. Eine Datenschutz-Folgenabschätzung (DSFA) ist normalerweise nicht nötig, außer wenn AMI-Verbrauchsdaten auf Haushaltsebene ausgewertet werden; dann binden Sie die/den Datenschutzbeauftragte(n) ein.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit kurzen Schulungen dazu, was Alarme bedeuten, was Fehlalarme sind und wo die Grenzen liegen (KI-Verordnung Art. 4, GUIDE-006). Typische Sorge: „Das Modell ersetzt den erfahrenen Horcher.“ Begegnen Sie ihr, indem die Bestätigung durch das Einsatzteam der Entscheidungspunkt bleibt. Starten Sie mit einem Pilot-DMA (GUIDE-009) und kommunizieren Sie Ergebnisse offen (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Funktion ab. Anhang III Nr. 2 führt KI-Systeme, die als Sicherheitsbauteile bei der Verwaltung und dem Betrieb der Versorgung mit Wasser, Gas, Wärme oder Strom bestimmt sind, als hochriskant auf [9]; „Sicherheitsbauteil“ bezeichnet ein Bauteil, dessen Ausfall Gesundheit und Sicherheit von Personen oder Eigentum gefährdet oder dessen Zweck es ist, solche Risiken zu verhindern oder zu mindern [11]. Ein Leckageerkennungssystem, das Ingenieure nur berät, ist in der Regel kein Sicherheitsbauteil (minimales Risiko), während eines, das Absperrarmaturen oder Gassicherheitsfunktionen automatisch steuert, eines sein kann. Prüfen Sie dies je Einsatz und dokumentieren Sie die Begründung.
• DSGVO: Netzsensoren liefern keine personenbezogenen Daten, aber hochaufgelöste Smart-Meter-Daten können das Verhalten von Haushalten offenlegen; aggregieren, minimieren und beschränken Sie den Zugriff. Standortdaten der Einsatzteams benötigen die übliche arbeitsrechtliche Grundlage.
• Fachrecht und Sicherheit: Trinkwasser- und Gasversorgung sind kritische Infrastruktur (NIS2 und nationale KRITIS-Regeln in Deutschland); halten Sie das SCADA segmentiert, nutzen Sie nach Möglichkeit rückwirkungsfreie Datendioden oder Gateways. Für deutsche Wasser- und Gasbetreiber gelten die technischen Regeln des DVGW. Die Methanregulierung verlangt dokumentierte Erkennung und Reparatur.
• Betriebliche Risiken: Falsch-negative Ergebnisse führen zu fortlaufenden Verlusten, falsch-positive zu unnötigen Grabungen; lassen Sie ML nie allein Ventile schließen; halten Sie eine Rückfallebene mit konventionellen Begehungen vor.

Erste Schritte

1. Erstellen Sie eine Wasserbilanz und wählen Sie zwei bis drei DMAs mit hohem Nachtverbrauch als Pilot; sammeln Sie 6 bis 12 Monate Durchfluss-, Druck- und Arbeitsauftragshistorie.
2. Reproduzieren Sie eine Basislinie mit BattLeDIM-Daten [1][2] durch einfache residuenbasierte Erkennung und vergleichen Sie sie mit einer Zero-Shot-Prognose eines Basismodells [7][8].
3. Testen Sie ein kommerzielles Akustik- oder Gasdetektionsprodukt im Pilotgebiet [4][5] und protokollieren Sie die Precision der Alarme gegenüber der Bestätigung vor Ort.
4. Entscheiden Sie den Weg anhand von Alarm-Precision, Integrationsaufwand und Anforderungen an den Datenstandort; erstellen Sie für den gewählten Umfang einen Bewertungsvermerk zur KI-Verordnung.
5. Verbinden Sie Alarme mit CMMS/GIS und ergänzen Sie Rückmelde-Labels für spätere Modellverbesserungen.

Quellen

1. BattLeDIM dataset (Zenodo, CC BY 4.0): https://zenodo.org/records/4017659
2. BattLeDIM benchmark repository (KIOS Research, EUPL-1.2): https://github.com/KIOS-Research/BattLeDIM
3. European Commission, Drinking water (leakage measures and dates): https://environment.ec.europa.eu/topics/water/drinking-water_en
4. Echologics product overview (EchoShore, ePulse, case-study titles): https://www.echologics.com/
5. Sewerin product overview (water and gas leak detection, SR-LD 800): https://www.sewerin.com/en/
6. GHGSat DATA.SAT satellite methane monitoring: https://www.ghgsat.com/en/
7. Chronos-Bolt model card (Apache-2.0): https://huggingface.co/amazon/chronos-bolt-base
8. TimesFM 2.5 model card (Apache-2.0): https://huggingface.co/google/timesfm-2.5-200m-pytorch
9. EU AI Act Annex III: https://artificialintelligenceact.eu/annex/3/
10. Leak detection methods overview: https://en.wikipedia.org/wiki/Leak_detection
11. EU AI Act Article 3 definitions (safety component): https://artificialintelligenceact.eu/article/3/