Einsatzoptimierung für Fernwärme und KWK

Ein Fernwärmenetz muss einen Wärmebedarf decken, der von Wetter und Verhalten abhängt, mit einem Mix aus KWK-Anlagen, Kesseln, Wärmepumpen und Speichern, deren Wirtschaftlichkeit sich stündlich mit Strom- und Gaspreisen ändert. ML prognostiziert die Wärmelast; ein mathematischer Solver (MILP) wählt den kostengünstigsten, CO2-ärmsten Anlagen- fahrplan; und die Temperaturoptimierung senkt Netzverluste und schafft Platz für Abwärme und erneuerbare Wärme. Pilotprojekte berichten von besseren Prognosen und geringerem Brennstoffverbrauch, doch die Gewinne hängen stark von der Datenqualität ab.

Problem & Nutzen

• Heute: Der Einsatz wird oft von erfahrenen Disponenten nach Faustregeln, statischen Temperaturkurven und Day-Ahead-Tabellen geplant. KWK-Anlagen werden wärmegeführt gefahren, während Strommarktpreise und Speicher nur teilweise genutzt werden. Betreiber in Deutschland stehen zudem unter Druck, zu dekarbonisieren und Wärmepumpen, Solarthermie und Abwärme einzubinden.
• KI-Nutzen: genauere Wärmelastprognosen verringern Reservemargen und Start-/Stopp-Zyklen; die Optimierung über Wärme-, Strom- und Gaspreise verbessert die Margen; niedrigere Vor-/Rücklauftemperaturen senken Verluste und ermöglichen Niedertemperaturquellen.
• Belege: Das dena-Projekt „KI in Fernwärme“ (mit den Stadtwerken Norderstedt und RAUSCH Technology) berichtet, dass eine LSTM-Wärmelastprognose den mittleren Prognosefehler gegenüber herkömmlichen Methoden um bis zu 25 % senkte und eine (nicht KI-basierte) mathematische Optimierung des Erzeugermixes speiste [1][2]. Betrachten Sie Herstellerangaben zu Einsparungen als standortspezifisch und prüfen Sie sie mit Ihrer eigenen Ausgangsbasis.
• Regulatorischer Treiber: Das deutsche Wärmeplanungsgesetz (WPG) verlangt kommunale Wärmepläne und legt Anteile erneuerbarer/unvermeidbarer Abwärme in Wärmenetzen im Zeitverlauf fest (klimaneutral bis 2045); die EU-Energieeffizienzrichtlinie (EU) 2023/1791 fördert effiziente Fernwärme und die Nutzung von Abwärme [3][4].

Varianten

• Kleines Stadtwerk: Prognose plus ein einfacher Optimierer für wenige Anlagen und einen Speicher.
• Großes städtisches Netz: Netz mit mehreren Anlagen und Temperaturniveaus mit hydraulischen Nebenbedingungen, Teilnahme am Strommarkt und Wärmepumpen.
• Niedertemperatur-/Netze der 4. und 5. Generation und Quartiersnetze: Steuerung von Wärmepumpen und Einspeisung durch Prosumer.
• Nur Temperaturoptimierung: die Vorlauftemperatur über Prognosen und Übergabestations-Überwachung senken, ohne den Anlageneinsatz zu ändern (schnellster Einstieg).

So funktioniert es

1. SCADA / heat meters / weather forecast / prices
2. data cleaning + gap filling (time-series store)
3. heat-load forecast (24-72 h, per zone) + price/RES forecasts
4. network model (simplified thermal-hydraulic, storage, transport delay)
5. MILP / MPC dispatch: unit commitment, storage charging, supply temperature
6. dispatcher review & approval (setpoints or schedule)
7. control system (SCADA/PLC) or market interface
8. monitoring: forecast error, deviations, KPIs
9. retraining

• Prognose: Gradient Boosting, LSTM/Temporal Fusion oder hybride physikalisch-statistische Modelle mit Temperatur, Sonneneinstrahlung, Tageszeit, Feiertagen und verzögerter Last. Die Netzträgheit (Stunden an Verzögerung) bedeutet, dass die Entscheidung über die Vorlauftemperatur vorausschauend sein muss.
• Optimierung: gemischt-ganzzahlige lineare Programmierung mit Mindestlaufzeiten, Rampen, Teillast- wirkungsgraden, Speicherverlusten und Marktpreisen; rollierender Horizont (modellprädiktive Regelung) mit aktualisierten Prognosen. Der Solver bleibt deterministisch und prüfbar; ML liefert die Eingaben.
• Reinforcement Learning wird für die Vorlauftemperaturregelung erforscht, aber meist in der Simulation oder als Berater eingesetzt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Leitwarte genehmigt zunächst Fahrpläne; geschlossene Regelung nur für begrenzte Sollwertbereiche mit Rückfall auf die bisherige Strategie.

Datenaufbereitung

Benötigt werden: Historie von Wärmelast sowie Vor-/Rücklauftemperatur aus dem SCADA- oder Prozessleitsystem, Anlagendaten (Wirkungsgradkurven, Anfahrkosten, Mindestlaufzeiten), Wetterdaten, Strom- und Gaspreise, Verträge und Wartungspläne. Quellen: SCADA/Historian, Energiehandels- und Abrechnungssysteme (ERP), technische Unterlagen und Excel-Dateien der Anlageningenieure.

Typische Lücken: Sensordrift und fehlende Werte, unterschiedliche zeitliche Auflösungen, Anlagenkennwerte nur in PDFs oder in den Köpfen der Betreiber, undokumentierte Betriebsbeschränkungen und manuelle Eingriffe, die nicht protokolliert werden.

Schritte der Aufbereitung: (1) Inventar und Verantwortliche (PREP-001, PREP-004); (2) Historian-Daten exportieren und Zeitstempel angleichen (PREP-005, PREP-011); (3) Anlagendatenblätter und Vertragsbedingungen aus PDF/Papier digitalisieren (PREP-006, DOC-014); (4) Betriebsregeln und Beschränkungen mit erfahrenen Betreibern aufschreiben, eine Form der Wissenssicherung (PREP-016, PREP-013); (5) einen Wiedergabe-Testdatensatz vergangener Tage aufbauen (PREP-018). Werkzeuge: Historian-Export, pandas, Zeitreihendatenbank.

Grober Aufwandsanteil: etwa 30 % des Projekts; das Anlagenmodell und die Beschränkungen kosten oft mehr als die Datenbereinigung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• enterprise: Weg B, da der Einsatz für einen Wärmeversorger zentral ist und eigene Anlagen, Verträge sowie das Brennstoff- und Strom-Portfolio abbilden muss; Werkzeuge aus Weg A sind eine Option für Versorger ohne eigene Data-Science-Kapazität.
• public: Weg B, da Stadtwerke eine deutsche oder EU-Cloud mit eigenen Anlagen- und Marktdaten kombinieren können und dabei Kontrolle behalten und Vergaberegeln einhalten.
• developer: Weg C, da offene MILP-Solver (HiGHS, OR-Tools) und Prognosebibliotheken auf HW1 laufen und vollständig transparent sind.

Weg A — Kaufen (Standardsoftware)

• Spezialisierte Energiesoftware: z. B. Kisters (DE), Danfoss Leanheat (DK, Netzüberwachung), Siemens, AVEVA und ABB. Prüfen Sie die aktuellen Fernwärme-Module und Referenzen jedes Produkts.
• A wählen, wenn: Sie SCADA-Zugriff, einige Anlagen und kein eigenes Optimierungsteam haben.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Zeitreihenspeicher und ML in EU-Regionen (Azure, AWS Frankfurt, Google Cloud EU, STACKIT, IONOS).
• Wettereingaben aus DWD Open Data (über Open-Meteo oder Brightsky) oder ECMWF Open Data; Marktdaten von der ENTSO-E Transparency Platform.
• LLMs nur als Schicht für Disponentenberichte und Was-wäre-wenn-Abfragen, die den Solver als Werkzeug aufrufen (siehe OPT-018); lassen Sie ein LLM nie Sollwerte setzen.
• B wählen, wenn: Sie ein Datenteam haben und in die bestehende IT/OT integrieren wollen.

Weg C — Selbst betreiben (Open Source)

• Prognose: scikit-learn, LightGBM, Darts, NeuralForecast, Prophet; Foundation-Modelle für Zeit- reihen (Chronos, TimesFM, Moirai) als Zero-Shot-Vergleichsbasis.
• Optimierung: Pyomo, PuLP, OR-Tools, HiGHS (offener Solver) oder kommerziell Gurobi/CPLEX; Energiesystem-Frameworks wie oemof, PyPSA und TESPy für thermische Komponenten.
• Plattform: TimescaleDB/InfluxDB, Airflow/Dagster, MLflow, OPC-UA-Gateways.
• Hardware: HW1 (CPU-Server) genügt; Lösen und Prognostizieren sind nicht GPU-gebunden.

Weg D — Eigenes Training

Standortspezifische Prognosemodelle auf Daten von 2-3 Heizperioden trainieren; Ersatzmodelle des Netzes anpassen, um die Optimierung zu beschleunigen; RL-Agenten für die Temperaturregelung nach Validierung in einem digitalen Zwilling. Erfordert Messhistorie in stündlicher oder feinerer Auflösung, ausreichende Abdeckung der Übergabestationen und gut gekennzeichnete Störungs- ereignisse.

Stand der Technik (2026)

• Prognose + Optimierer bleibt die bewährte Architektur; der dena-Leitfaden beschreibt dieselbe Aufteilung (ML-Prognose, klassische Optimierung) statt durchgängiger KI [1].
• Zeitreihen-Foundation-Modelle liefern schnelle Vergleichswerte, brauchen aber meist Feintuning oder Feature Engineering (Wetter, Kalender), um bei der Wärmelast abgestimmte Standortmodelle zu schlagen.
• Digitale Zwillinge und MPC verknüpfen hydraulische Simulation mit der Einsatzplanung, um Vorlauftemperatur und Speichernutzung zu optimieren; KI-gestützte Überwachung der Übergabestationen (z. B. Smart Meter an Kundenstationen) erkennt schlecht arbeitende Stationen, die die Rücklauftemperatur erhöhen.
• Einbindung von Wärmepumpen, großen Wärmespeichern und Rechenzentrums-Abwärme erweitert den Umfang der Optimierung; der dena-Leitfaden nennt Abwärme von KI-Rechenzentren als Wärmequelle [5].
• Grenzen: schlechte Sensordaten, fehlende Messung an Übergabestationen, Strukturbrüche (neue Kunden, Gebäudesanierungen), Extremwetter und hydraulische Engpässe verringern die Genauigkeit. Optimierer hängen von Preisprognosen ab, und die Gewinne reagieren empfindlich auf Marktspreads. Sicherheitskritische Grenzen (Druck, Temperatur, Warmwasserregeln zur Legionellenvorsorge) müssen harte Nebenbedingungen sein.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (time-series + optimization-solver): OPT-007 (Gebäude-Klimatisierung), OPT-011 (Batterie- einsatz), OPT-022 (Netzengpässe), OPT-032 (Energie im Haushalt), OPT-039 (Stromhandel).
• Eingaben: PRED-007 (Last- und Erzeugungsprognose erneuerbarer Energien), PRED-008 (Preisprognose).
• Überwachung: ANOM-008 (Netzanomalien) zur Erkennung von Leckagen und Störungen an Übergabestationen.
• Planungsbezug: PRED-048 (Energieeffizienz von Gebäuden) für langfristige Bedarfstrends in Wärmeplänen.
• LLM-Schicht: OPT-018 für Was-wäre-wenn-Analysen in natürlicher Sprache am Optimierer.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-9 Monate für den Rollout inklusive SCADA-Anbindung; Lizenz- plus Integrationskosten.
• Weg B/C: 6-12 Monate für ein kleines Team (Dateningenieur, Energieingenieur, OR-Spezialist); die Datenbereinigung ist der größte Aufwand.
• Kostentreiber: OT-Integration, Nachrüstung von Messtechnik, Modellpflege, Solver-Lizenzen.
• Kennzahlen: MAPE der Wärmelast (Day-Ahead), Brennstoff und CO2 je MWh Wärme, KWK-Volllaststunden und Anzahl der Starts/Stopps, mittlere Vor-/Rücklauftemperatur, Netzverluste (%), Speicherauslastung, Deckungsbeitrag, Anteil der Übersteuerungen durch Disponenten.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung und die Leitung Erzeugung/Wärmeversorgung ein; die Leitwartenbetreiber und Schichtleiter sind tägliche Nutzer und die beste Quelle für Betriebsregeln. IT und der Informationssicherheitsbeauftragte müssen früh einbezogen werden (OT-Anbindung, GUIDE-013); Datenverantwortliche (SCADA, Handel, Abrechnung) und Recht/Compliance (Lieferverträge, Marktregeln) folgen im Pilotdesign.

Betriebsrat: für die Optimierung als solche nein, da sie Anlagen- und Marktdaten nutzt und keine Beschäftigten bewertet. Dennoch den Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3 BetrVG unterrichten, weil sich Arbeitsabläufe im Schichtbetrieb ändern, und § 87 Abs. 1 Nr. 6 prüfen, wenn Handlungen der Betreiber personenbezogen protokolliert werden. Öffentliche Versorger beteiligen den Personalrat. Siehe GUIDE-004. Wenig personenbezogene Daten, daher ist eine DSFA selten nötig; die bzw. der Datenschutzbeauftragte bestätigt das (GUIDE-005).

KI-Kompetenz: eine kurze Schulung für Betreiber, wie Prognose und Fahrplan zustande kommen und wie Unsicherheit zu lesen ist (GUIDE-006; Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der Kompetenz des Personals). Pilot im Beratungsmodus in einem Netz, Empfehlungen mit den realen Entscheidungen vergleichen (GUIDE-009). Typische Bedenken: „Der Algorithmus kennt die Anlage nicht“ und der Verlust von Betreiberexpertise. Begegnen Sie ihnen, indem Sie die Regeln der Betreiber in das Modell einbauen, jeden Fahrplan übersteuerbar machen und Abweichungen gemeinsam auswerten (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): abhängig. Wärmenetze können kritische Infrastruktur sein; der Eintrag in Anhang III zu kritischer Infrastruktur erfasst KI, die als Sicherheitskomponente bei Verwaltung und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs sowie der Versorgung mit Wasser, Gas, Wärme und Strom eingesetzt wird. Ein Optimierer, der nur wirtschaftlich berät, ist wahrscheinlich keine Sicherheitskomponente, einer, der die Versorgung direkt steuert, womöglich schon: im Einzelfall bewerten, Sicherheitsgrenzen in der konventionellen Regelung belassen [6].
• NIS2 / KRITIS: Fernwärmebetreiber können unter NIS2 fallen (der Energiesektor umfasst Fernwärme); OT/IT-Segmentierung, Zugriffskontrolle und Lieferantenmanagement absichern [7].
• DSGVO: Daten auf Netzebene sind nicht personenbezogen; der Verbrauch je Kunde aus Smart Metern ist personenbezogen. Aggregieren oder pseudonymisieren und kein Profiling einzelner Haushalte betreiben.
• Branchenregeln: WPG, EED, Preistransparenzregeln für Fernwärme (AVBFernwärmeV), Emissions- handel (EU-ETS, nEHS) und KWK-Förderung (KWKG).
• Gegenmaßnahmen: harte Sicherheitsbedingungen außerhalb des Modells, Rückfallstrategie, Drift-Überwachung, Protokollierung von Übersteuerungen durch Disponenten, Puffer für Prognoseunsicherheit.

Erste Schritte

1. Daten prüfen: Messabdeckung, SCADA-Historie (mind. 2 Heizperioden), Anlagenparameter.
2. Eine Day-Ahead-Wärmelastprognose aufbauen und gegen das aktuelle Verfahren vergleichen (MAPE).
3. Die Anlagen und Speicher in einem einfachen MILP abbilden und im Schattenbetrieb gegen historische Tage laufen lassen.
4. Empfehlungen zur Vorlauftemperatur ergänzen; die Leitwarte nimmt Vorschläge an oder lehnt sie ab.
5. Schrittweise zum Betrieb im rollierenden Horizont mit begrenzten automatischen Sollwerten übergehen.

Quellen

1. dena — Leitfaden "KI in Fernwärme" (2024) — https://www.dena.de/fileadmin/dena/Publikationen/PDFs/2024/Leitfaden_KI_in_Fernwaerme.pdf
2. dena Future Energy Lab — project KI in Fernwärme — https://future-energy-lab.de/projects/ki-in-fernwaerme/
3. dena — Künstliche Intelligenz in der Fernwärmeversorgung — https://www.dena.de/infocenter/kuenstliche-intelligenz-in-der-fernwaermeversorgung/
4. Directive (EU) 2023/1791 (Energy Efficiency Directive) — https://eur-lex.europa.eu/eli/dir/2023/1791/oj
5. Solarserver — dena-Leitfaden KI in Fernwärme — https://www.solarserver.de/2024/11/08/dena-bringt-leitfaden-ki-in-fernwaerme-heraus/
6. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Directive (EU) 2022/2555 (NIS2) — https://eur-lex.europa.eu/eli/dir/2022/2555/oj
8. HiGHS open-source solver — https://github.com/ERGO-Code/HiGHS
9. PyPSA — https://github.com/PyPSA/PyPSA