Netzengpassmanagement und Redispatch-Optimierung im Verteilnetz (VNB/ÜNB)

Wärmepumpen, Wallboxen und Dach-PV bringen Nieder- und Mittelspannungsnetze an ihre Grenzen, lange bevor Kupfer und Transformatoren ausgebaut werden können. Netzbetreiber verbinden Zustandsschätzung aus Smart-Meter-Daten, Engpassprognosen und lastflussbewusste Optimierung, um zu entscheiden, welche Flexibilität sie abrufen, welchen Erzeuger sie umdisponieren und welche steuerbare Last sie drosseln, und wann. Ziel ist, den Netzausbau zu verschieben oder zu vermeiden, Abregelung zu verringern und die Versorgung sicher zu halten, wobei der Betreiber stets die letzte Entscheidungsgewalt behält.

Problem & Nutzen

• Heute: Das Niederspannungsnetz ist weitgehend unbeobachtet, die Planung stützt sich auf Worst-Case-Annahmen und Standardlastprofile, und Engpässe werden mit statischen Regeln, manuellem Schalten oder vorsichtigen Anschlussgrenzen behandelt. Die Warteschlangen für Netzanschlüsse von PV, Speichern und Ladeinfrastruktur wachsen in vielen EU-Ländern.
• KI-Nutzen: bessere Beobachtbarkeit (Zustandsschätzung mit wenigen Sensoren), probabilistische Engpassprognosen von Tagen bis Minuten im Voraus, schnellere Optimierung von Redispatch und Flexibilitätsabrufen unter AC-Lastfluss-Nebenbedingungen sowie automatisierte Netzanschlussprüfungen.
• Regulatorischer Treiber (Deutschland): Redispatch 2.0 bezieht kleine dezentrale Erzeuger in das Engpassmanagement ein; § 14a EnWG erlaubt Netzbetreibern, steuerbare Verbrauchseinrichtungen (Wärmepumpen, Wallboxen, Speicher) gegen reduzierte Netzentgelte zu drosseln [1][2]. Auf EU-Ebene verlangen die Verordnung (EU) 2019/943 und die Elektrizitätsrichtlinie (EU) 2019/944 eine marktbasierte Beschaffung von Flexibilität durch Verteilnetzbetreiber, wo dies wirtschaftlich effizient ist [3].
• Vorteile: Branchenverbände wie E.DSO beschreiben KI als Weg, Netzinvestitionen zu verschieben und den Betrieb zu verbessern, doch es gibt keine neutralen, vergleichbaren Nutzenzahlen über Betreiber hinweg; messen Sie im eigenen Netz [4].

Varianten

• Engpassprognose und Flexibilitätsbeschaffung im Verteilnetz: Überlastungen auf MS-/NS-Abgängen und Transformatoren vorhersagen, Flexibilität über einen lokalen Markt oder eine Plattform abrufen.
• Steuerung steuerbarer Lasten im Verteilnetz (§ 14a EnWG): Dimmen von Wallboxen und Wärmepumpen durch den Netzbetreiber, mit Netzzustands-Ampelsignalen.
• Redispatch-Optimierung im Übertragungsnetz: sicherheitsbeschränkter optimaler Lastfluss zur Auswahl von Redispatch- und Countertrading-Maßnahmen, kostenoptimal und fair zwischen den Anlagen.
• Dynamische Leitungsbelastbarkeit (DLR): Belastbarkeitswerte aus Wetter- und Leitersensoren oder Modellen erhöhen die Kapazität von Freileitungen innerhalb sicherer Grenzen.
• Netzanschlussprüfung und Ausbauplanung: automatisierte Berechnung der Aufnahmekapazität für Anschlussanfragen, szenariobasierte Netzplanung.
• Industriestandort (Fertigung): Werke mit großen steuerbaren Lasten stellen dem Betreiber Flexibilität bereit (siehe OPT-011, OPT-007).

So funktioniert es

1. grid model (GIS/NIS topology) + measurements (smart meters, SCADA, PMU) + weather
2. state estimation for unobserved LV/MV grid (physics + ML pseudo-measurements)
3. load / PV / wind forecasting (probabilistic, per feeder)
4. congestion forecast (power-flow simulation, N-1 check)
5. optimisation (OPF / MILP, flexibility bids, redispatch cost minimisation)
6. operator review and approval (control-room dispatcher)
7. control signals (SCADA, flex platform, EMS/HEMS gateways) + audit log

• Zustandsschätzung: gewichtete Methode der kleinsten Quadrate, kombiniert mit gelernten Pseudo-Messwerten oder Graph-Neuronalen-Netzen (graph-ml), um Spannungen und Flüsse dort abzuleiten, wo es wenige Sensoren gibt.
• Prognose: probabilistische Zeitreihenmodelle, zum Beispiel Gradient Boosting oder Transformer-basierte Zeitreihen-Foundation-Modelle, gespeist mit Wetter- und Smart-Meter-Aggregaten (siehe PRED-007).
• Optimierung: AC- oder linearisierter optimaler Lastfluss, gelöst mit MILP-/NLP-Solvern; Reinforcement Learning dient meist als Warmstart oder in der Simulation, nicht als alleiniger sicherheitskritischer Regler.
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten genehmigen oder übersteuern vorgeschlagene Maßnahmen; harte Sicherheitsgrenzen bleiben in deterministischer Schutz- und SCADA-Logik außerhalb der KI.

Datenaufbereitung

Benötigt werden: Netztopologie und Anlagendaten (GIS, Netzplanungswerkzeuge), Echtzeit- und historische Messwerte (SCADA, Smart Meter), Erzeugungs- und Lastprognosen, Redispatch- und Marktdaten sowie die Gegenparteidaten der Flexibilitätsanbieter. Sie liegen in GIS, SCADA/DMS, Marktkommunikationssystemen und vielen Excel-Dateien.

Typische Lücken: uneinheitliche Anlagen-IDs zwischen GIS und SCADA, veraltete Topologie, fehlende oder niedrig aufgelöste Messwerte in Niederspannungsnetzen, Datensilos zwischen Netz- und Marktabteilungen, eingeschränkte Zugriffsrechte auf Betriebsdaten und Smart-Meter-Daten, die strengen rechtlichen Grenzen unterliegen.

Schritte der Aufbereitung: (1) Dateninventur und Zuständigkeiten (PREP-001, PREP-004); (2) Extraktion aus SCADA-, GIS- und Marktsystemen (PREP-005); (3) Anlagenschlüssel und Einheiten harmonisieren, einen sauberen Zeitreihenspeicher aufbauen (PREP-011, PREP-012); (4) Zählerdaten vor der Modellierung pseudonymisieren oder aggregieren (PREP-022, PREP-025); (5) mit den Netzplanern einen Validierungsdatensatz vergangener Engpassereignisse zusammenstellen (PREP-018). Werkzeuge: Zeitreihendatenbank, pandas, pandapower-Modelle.

Grober Aufwandsanteil: 40-50 % des Projekts, der höchste Anteil aller Schritte, vor allem für Harmonisierung und rechtliche Klärung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• enterprise: Weg B, da Engpassmanagement für Netzbetreiber zentral ist und mit eigenen Netzmodellen, SCADA/DMS und Marktprozessen integriert werden muss, was Standardprodukte nur teilweise abdecken; Module aus Weg A (z. B. vom bestehenden Netzleittechnik-Hersteller) sind ein sinnvoller Baustein.
• developer: Weg C, da offene Netzwerkzeuge (pandapower, PyPSA) und Solver auf HW1 laufen und eine nachvollziehbare, prüfbare Logik erlauben.
• public: Weg C, da kommunale und regionale Netzbetreiber unter Anforderungen an kritische Infrastruktur und Souveränität fallen und sensible Netzdaten auf eigener oder deutscher souveräner Infrastruktur halten.

Weg A — Kaufen (Standardsoftware)

• Software für Netzplanung und -betrieb: Envelio (EU, Deutschland, Intelligent Grid Platform), Siemens Gridscale X (EU), Hitachi Energy Network Manager / ADMS, GE Vernova GridOS, Schneider Electric EcoStruxure ADMS, Landis+Gyr und Itron für Messdatenanalyse, PSI Software (EU) für Leitsysteme, Smart Wires für netzstärkende Hardware.
• Flexibilitätsplattformen: GOPACS (Niederlande, gemeinsame ÜNB-/VNB-Plattform), Piclo Flex, Enera, Nodes (Nordeuropa, EU), Equigy für Crowd Balancing.
• DLR-Anbieter: Heimdall Power, LineVision, Ampacimon (EU).
• A wählen, wenn: Sie eine produktionsreife, zertifizierte Integration mit SCADA/ADMS und Herstellersupport brauchen; die meisten Verteilnetzbetreiber und Stadtwerke gehören hierhin.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Prognosen und Analysen in EU-Cloud-Regionen, mit verwalteten Zeitreihendiensten oder Zeitreihen-Foundation-Modellen per API, wobei die Daten unter einem Auftragsverarbeitungsvertrag (AVV) bleiben. Das Netzmodell und Steuerbefehle bleiben On-Premises.
• LLMs sind nur eine Assistenzschicht: Engpassberichte zusammenfassen, Fragen der Planer zu Netzdaten beantworten, regulatorische Dokumentation erzeugen (zur Modellierung vom LLM zum Solver siehe OPT-018).
• B wählen, wenn: Sie ein Datenteam haben und neben einem ADMS des Herstellers eigene Analysen wollen, die Ansteuerung aber in zertifizierten Systemen bleibt.

Weg C — Selbst betreiben (Open Source)

• Lastfluss und Netzanalyse: pandapower, PyPSA, PowerModels.jl, GridCal, OpenDSS; Optimierung: HiGHS, SCIP, Pyomo, OR-Tools, kommerziell zusätzlich Gurobi oder CPLEX.
• Prognose: LightGBM, Darts, offene Zeitreihen-Foundation-Modelle wie Chronos oder TimesFM; Streaming: Kafka plus eine Zeitreihendatenbank.
• Standards und Plattform: das LF-Energy-Ökosystem (zum Beispiel OpenSTEF für Prognosen, SEAPATH für Umspannwerke), IEC-61970-CIM-Datenmodelle.
• Hardware: HW1 (CPU-Server) genügt für die meisten Prognosen und OPF; GPUs sind nur für das Training von GNN wichtig.

Weg D — Eigenes Training

Lohnt sich für betreiberspezifische Prognosemodelle und GNN-basierte Zustandsschätzung, wenn Sie jahrelange Smart-Meter- und SCADA-Historie haben. Trainieren Sie auf historischen Messwerten plus simulierten Netzszenarien, validieren Sie gegen zurückgehaltene N-1-Ereignisse und halten Sie einen Rückfall auf ein physikalisches Modell bereit.

Stand der Technik (2026)

• Hybrid aus Physik und ML ist die Regel: ML liefert Prognosen und Pseudo-Messwerte, physikalischer Lastfluss und Optimierung liefern Zulässigkeitsgarantien.
• GNN und gelernte OPF-Ersatzmodelle beschleunigen Lastflusslösungen in der Forschung um Größenordnungen, doch Garantien für die Einhaltung von Nebenbedingungen und seltene Topologien sind offen; sie dienen als Warmstart oder Vorauswahlwerkzeug.
• ÜNB-/VNB-Koordination und Flexibilitätsmärkte (GOPACS, lokale Flexmärkte) wachsen; der standardisierte Datenaustausch über CIM und ENTSO-E-Prozesse ist der Engpass.
• Grenzen: schlechte Qualität der Topologiedaten, fehlende NS-Messwerte, Prognosefehler bei Extremwetter, Ausnutzung von Flexibilitätsmärkten (Inc-Dec-Verhalten) und Cybersicherheit der Steuerpfade. Seltene Ereignisse sind in den Trainingsdaten unterrepräsentiert.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (time-series, optimization-solver): OPT-011 (Batterieeinsatz), OPT-021 (intelligentes Laden von E-Fahrzeugen), OPT-032 (Energiemanagement im Haushalt), OPT-039 (Vermarktung erneuerbarer Energien), OPT-007 (Gebäudeenergie) liefern die Flexibilität, die der Betreiber abruft.
• Vorgelagert: PRED-007 (Last- und Erzeugungsprognose erneuerbarer Energien), ANOM-008 (Netzanomalie- und Diebstahlerkennung, teilt die Smart-Meter-Datenpipeline).
• Nachgelagert: OPT-023 (Fernwärme-Einsatzplanung) für die Sektorkopplung.
• Eine gemeinsame Solver-Bibliothek und Zeitreihenplattform bedienen alle; Netzmodelle sind für Planung und Betrieb wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: 6 bis 18 Monate inklusive ADMS- und Messsystem-Integration; Lizenz- und Integrationskosten dominieren.
• Weg B/C: 6 bis 12 Monate für Pilotprojekte zu Prognose und Entscheidungsunterstützung in einem Netzgebiet; die Integration der Ansteuerung braucht zusätzliche Zeit.
• Kennzahlen: Prognosefehler (MAE/CRPS) je Abgang, vermiedene abgeregelte Energie, Redispatch-Kosten, Anzahl von Überlastungen und N-1-Verletzungen, Flexibilitätskosten je MWh, Bearbeitungszeit für Netzanschlüsse, Anteil der akzeptierten Betreibervorschläge.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung und die Leitung des Netzbetriebs ein; Netzplanung, Leitstellenpersonal und Markt-/Flexibilitätsteams sind die Hauptnutzer. IT und insbesondere der Informationssicherheitsbeauftragte müssen früh dabei sein, da das System kritische Infrastruktur berührt (GUIDE-013). Datenverantwortliche für SCADA, GIS und Messwesen geben Zugang; Recht/Compliance klärt regulatorische Pflichten (EnWG, Redispatch-Regeln); die bzw. der Datenschutzbeauftragte wird gebraucht, weil Smart-Meter-Daten personenbezogen sind.

Betriebsrat: für die Optimierung selbst meist nein, da sie auf Netz- und Marktdaten arbeitet, nicht auf dem Verhalten von Beschäftigten. Dennoch den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3 BetrVG unterrichten; § 87 Abs. 1 Nr. 6 greift, sobald Handlungen der Leitstelle personenbezogen protokolliert und ausgewertet werden. Öffentliche Betreiber beteiligen den Personalrat. Siehe GUIDE-004. DSFA: wahrscheinlich, wenn Zählerdaten auf Haushaltsebene genutzt werden; Aggregation bevorzugen (GUIDE-005).

KI-Kompetenz: Leitstellenpersonal zu Prognoseunsicherheit und Fehlerbildern schulen (GUIDE-006), im Einklang mit Art. 4 der KI-Verordnung (AI Act) (Maßnahmen zur Förderung der Kompetenz). Pilot mit einem Netzgebiet im Schattenbetrieb, in dem das System nur Empfehlungen gibt. Typische Bedenken: Verlust der betrieblichen Kontrolle und Haftung für falsche Schaltungen. Begegnen Sie ihnen, indem Betreiber jede Maßnahme genehmigen, ein manueller Rückfall erhalten bleibt und Entscheidungen dokumentiert werden (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): KI-Systeme, die als Sicherheitskomponenten bei Verwaltung und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme oder Strom eingesetzt werden, fallen unter Anhang III Nr. 2 und gelten als Hochrisiko [5]. Reine Prognose- oder Planungswerkzeuge, die nicht als Sicherheitskomponenten wirken, können minimales Risiko haben. Die Einstufung lautet daher „abhängig“; bewerten Sie jeden Einsatz. Keine verbotene Praxis nach Art. 5 ist betroffen.
• Weiteres EU-Recht: NIS2-Richtlinie (der Energiesektor ist eine wesentliche Einrichtung) und die Richtlinie über die Resilienz kritischer Einrichtungen für Cybersicherheit und Resilienz; Cyber Resilience Act für Produkte mit digitalen Elementen; nationales Energierecht (EnWG, Redispatch-2.0-Regeln, § 14a) und Netzkodizes [1][2][3].
• DSGVO: Smart-Meter-Daten auf Haushaltsebene sind personenbezogene Daten; auf Abgangsebene aggregieren, wo möglich, Granularität minimieren (15-Minuten-Daten sind sensibel) und die Verarbeitung auf Rechtsgrundlagen im Messstellenbetriebsgesetz und auf DSFA stützen.
• Risiken und Gegenmaßnahmen: fehlerhafte Abregelung von Haushalten oder Anlagen (Regeln zu Fairness und Entschädigung), unzuverlässige Prognosen (probabilistische Grenzen, Rückfall auf konservative Grenzwerte), Cyberangriff auf Steuerpfade (segmentierte Netze, signierte Befehle), Modelldrift (Überwachung), intransparente Entscheidungen (Prüfprotokoll von Eingaben, Nebenbedingungen und Betreiberentscheidungen).

Erste Schritte

1. Daten inventarisieren: Topologiequalität im GIS/NIS, Smart-Meter-Abdeckung, SCADA-Kanäle, historische Engpassereignisse.
2. Eine probabilistische Last- und PV-Prognose auf Abgangsebene aufbauen und gegen bekannte Überlastereignisse rückwirkend testen.
3. Lastflusssimulationen mit pandapower in einem Netzgebiet durchführen, um wahrscheinliche Engpass-Schwerpunkte zu erkennen.
4. Ein Dashboard zur Entscheidungsunterstützung pilotieren (ohne automatische Steuerung) und Vorschläge mit den Entscheidungen der Disponenten vergleichen.
5. Das System vor jedem Schritt zur automatisierten Ansteuerung nach KI-Verordnung (AI Act) und NIS2 einordnen.

Quellen

1. Bundesnetzagentur — Energy portal (Redispatch 2.0) — https://www.bundesnetzagentur.de/DE/Vportal/Energie/start.html
2. Bundesnetzagentur — Section 14a EnWG, steuerbare Verbrauchseinrichtungen — https://www.bundesnetzagentur.de/DE/Vportal/Energie/SteuerbareVBE/start.html
3. Regulation (EU) 2019/943 on the internal market for electricity — https://eur-lex.europa.eu/eli/reg/2019/943/oj
4. E.DSO — European Distribution System Operators — https://www.edsoforsmartgrids.eu/
5. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. pandapower — https://github.com/e2nIEE/pandapower
7. GOPACS — https://www.gopacs.eu/
8. LF Energy OpenSTEF — https://github.com/OpenSTEF/openstef