Schleswig-Holstein Netz, Avacon Netz, Mitnetz Strom und Eon Grid Solutions testen im Projekt "Cable Age", wie sich fehlende oder unsichere Angaben zu Niederspannungskabeln mithilfe künstlicher Intelligenz ergänzen lassen. Ziel ist die Datengrundlage für Netzplanung und Asset Management bei allen Eon-Töchtern zu verbessern.
Die KI soll abschätzen, wann ein Niederspannungskabel verlegt wurde. Ein exaktes Jahr nennt das Modell nicht. Stattdessen grenzt es den wahrscheinlichen Einbau auf einen Zeitraum von fünf Jahren ein. Grundlage dafür sind vorhandene Netz- und Umfelddaten.
Das Modell wertet nicht nur Informationen zum jeweiligen Kabel aus. Es berücksichtigt auch Daten zu angeschlossenen Betriebsmitteln wie Hausanschlüssen, Kabelverteilern oder Ortsnetzstationen. Hinzu kommen technische Merkmale des Kabels, darunter Material, Länge, Querschnitt und verwendete Normen. Reichen die verfügbaren Informationen für eine belastbare Einschätzung nicht aus, gibt das Modell keine Prognose aus.
Mehr als eine Million Datensätze bei Avacon ausgewertet
Derzeit werden Daten zu Niederspannungskabeln von Schleswig-Holstein Netz und Avacon Netz ausgewertet. Allein für den Piloten bei Avacon wurden nach Angaben der Projektpartner mehr als eine Million Datensätze zu Niederspannungskabeln beleuchtet. Datenbestände von Mitnetz Strom sind inzwischen ebenfalls in die zugrunde liegende Plattform integriert; ihre Auswertung wird vorbereitet.
Mit den unterschiedlichen Netzgebieten wollen die beteiligten Unternehmen untersuchen, wie stark regionale Gegebenheiten und verschiedene Netzstrukturen die Ergebnisse beeinflussen. So wollen die Projektpartner prüfen, wie gut die Modelle unter unterschiedlichen Rahmenbedingungen funktionieren und sie entsprechend weiterentwickeln.
Wie treffsicher die KI den tatsächlichen Einbauzeitraum bestimmt, lässt sich anhand der bislang veröffentlichten Angaben jedoch nicht beurteilen. Eine konkrete Trefferquote nennen die Projektpartner nicht. Nach ihren Angaben wird die Qualität der Vorhersagen fortlaufend überprüft und validiert. Eine Einschätzung gibt das Modell nur dann aus, wenn die statistische Sicherheit ausreichend hoch ist. Bei Datensätzen mit hoher Unsicherheit verzichtet es bewusst auf eine Prognose.
Vergleichbare Ansätze gibt es bereits
Das Projekt steht in einer Reihe datengetriebener Vorhaben für Stromnetze. Im vom Bund geförderten Projekt "Fühler im Netz 2.0" untersuchten etwa Power Plus Communications, Netze BW, Mainzer Netze und die Energieversorgung Leverkusen, ob sich der Zustand vergrabener Stromkabel aus Breitband-Powerline-Signalen und weiteren Netzdaten ableiten lässt. Dabei kamen laut dem August-Wilhem-Scheer Instituts für Digitalisierung auch Verfahren des maschinellen Lernens und der Künstlichen Intelligenz zum Einsatz. Der Ansatz zielte allerdings nicht auf die Rekonstruktion von Baujahren, sondern auf die Erkennung von Kabel- und Anlagenzuständen.
Weitere Projekte setzen Künstliche Intelligenz für die Zustandsschätzung und Netzplanung ein. Das Forschungsprojekt "AMAZING" entwickelt datengetriebene Verfahren für digitale Zwillinge von Stromverteilnetzen. Die Forschungsstelle für Energiewirtschaft nutzt mit "DETECT" Luftbilder und Gebäudedaten, um Photovoltaikanlagen und mögliche Standorte für das Laden von Elektro-Lkw zu erkennen. Die Ansätze unterscheiden sich damit bei Ziel und Datenbasis deutlich von "Cable Age". Gemeinsam ist ihnen, dass sie fehlende oder unvollständige Informationen für Netzbetrieb und Planung besser nutzbar machen sollen.
Nutzen für das Asset Management noch in Prüfung
"Cable Age" befindet sich derzeit in der Pilotphase. Die Ergebnisse dienen nach Angaben der Projektpartner zunächst vor allem der fachlichen Validierung und der Weiterentwicklung des Ansatzes. Langfristig soll die Anwendung Asset-Management-Teams dabei unterstützen, fehlende Netzdaten zu ergänzen und damit die Grundlage für Planungs- und Investitionsentscheidungen zu verbessern.
Auch mögliche Effizienzgewinne sind bislang nicht beziffert. Wie viel manueller Recherche- und Pflegeaufwand sich durch den Einsatz der KI einsparen lässt, können die Projektpartner im aktuellen Projektstadium noch nicht belastbar angeben. Zunächst soll sich zeigen, wie zuverlässig die KI-gestützten Analysen sind.
"Je besser wir unsere Infrastruktur digital abbilden und verstehen, desto gezielter können wir Investitionen planen, Prozesse automatisieren und die Netze für die Anforderungen der Energiewende weiterentwickeln", erklärt Oliver Pohl, Leiter des Teams Daten und digitale Lösungen bei Schleswig-Holstein Netz.
Eon hofft auf interne Weiterentwicklung
Das Pilotprojekt soll laut Pressemitteilung im Frühherbst 2026 enden. Eon will im Anschluss die Ergebnisse auswerten und hofft auf Rückschlüsse die zur Weiterentwicklung interner Plattformen beitragen.
Eine Anwendung außerhalb der Eon-Gesellschaften steht nach Angaben der Projektpartner zumindest derzeit nicht im Fokus.
