KI in der Fernwärme: Netzoptimierung und Transformationsplan nach WPG
Zwei Fristen, ein Datensatz. Bis Ende 2026 muss der Transformationsplan stehen, und gleichzeitig drückt der Brennstoffpreis. Dieser Beitrag zeigt, was KI netzseitig wirklich leistet, welche Daten sie dafür braucht, welche Ergebnisse aus echten Netzen belegt sind und warum dieselben Daten auch den Fahrplan nach §32 WPG tragen.
Der größte Effizienzhebel im Wärmenetz ist eine niedrige Netztemperatur. Wird die Rücklauftemperatur von 60 auf 40 Grad Celsius gesenkt, steigt die nutzbare Leistung eines Netzabschnitts um bis zu 70 Prozent, und erst niedrige Temperaturen machen Großwärmepumpen, Solarthermie und Abwärme effizient. Maschinelles Lernen setzt genau hier an. Der dena-Leitfaden ordnet die netzseitigen Anwendungsfälle in Lastprognose, Rücklauftemperaturoptimierung, vorausschauende Instandhaltung sowie Leckage- und Anomalieerkennung. Die Ergebnisse sind belegt: Bei enercity Hannover senkte eine selbstlernende Regelung die Vorlauftemperatur um 8 bis 10 Kelvin und die Rücklauftemperatur um bis zu 10 Kelvin, bei rund 9 Prozent Einsparung, mit Ausrollung auf rund 5.000 Gebäude bis 2027. Im dena-Projekt ML4FW brachten optimierte Reglerparameter allein 2 bis 3 Kelvin niedrigere Rücklauftemperaturen. Voraussetzung ist eine saubere Datengrundlage aus Smart Metering, SCADA und einem GIS-Netzmodell, verbunden zum digitalen Zwilling. Dieselbe Grundlage verlangt der Wärmenetzausbau- und -dekarbonisierungsfahrplan nach §32 WPG, der bis zum Ablauf des 31. Dezember 2026 zu erstellen ist. Wer Betrieb und Fahrplan zusammen denkt, macht die Arbeit einmal statt zweimal.
Warum die Netztemperatur zum Rechenproblem wird
Fernwärme verliert Energie auf jedem Meter Leitung. Der größte Hebel dagegen ist unspektakulär: eine niedrige Netztemperatur. Wer den Rücklauf senkt, holt mehr Leistung aus demselben Netz und schafft Platz für erneuerbare Erzeuger, die nur bei niedrigen Temperaturen effizient laufen. Die Kunst ist, so weit abzusenken, dass keine Wohnung kalt wird. Bauchgefühl reicht dafür nicht. Es ist eine Rechenaufgabe mit vielen Variablen, und genau die lässt sich heute anders lösen als vor zehn Jahren.
Wie groß der Hebel ist, zeigt eine einfache Zahl: Wird die Rücklauftemperatur von 60 auf 40 Grad Celsius gesenkt, steigt die nutzbare Wärmeleistung eines Netzabschnitts um bis zu 70 Prozent. Niedrige Temperaturen sind zugleich die Voraussetzung dafür, dass eine Großwärmepumpe effizient in das Netz einspeist, ebenso Solarthermie und Abwärme. Genau darum dreht sich die Netzoptimierung.
Der Druck kommt von zwei Seiten. Hohe Brennstoffkosten und knappe erneuerbare Wärme zwingen dazu, jedes Kelvin zu sparen. Und der Gesetzgeber verlangt bis Ende 2026 einen Plan, wie das Netz erneuerbar wird. Beides läuft auf dieselbe Frage hinaus: Wie verhält sich das Netz wirklich, und wo lässt es sich effizienter fahren?
Was KI netzseitig konkret leistet
Maschinelles Lernen ersetzt keine Ingenieurin, aber es rechnet schneller und lernt aus jedem Betriebstag dazu. Der dena-Leitfaden "KI in der Fernwärme" ordnet die Anwendungsfälle in fünf Felder, die netzseitig ineinandergreifen. Drei davon haben den größten Hebel auf Temperatur und Verluste.
Die drei zentralen Felder greifen so ineinander:
- Lastprognose: Modelle sagen die Wärmenachfrage je Netzabschnitt voraus, aus Wetter, Kalender und Verbrauchshistorie. LSTM-basierte Verfahren erreichten in dokumentierten Anwendungen bis zu 25 Prozent geringeren Prognosefehler als konventionelle Methoden. Eine bessere Prognose erlaubt es, die Vorlauftemperatur enger zu fahren.
- Rücklauftemperaturoptimierung: Selbstlernende Regelungen fahren die Temperatur dynamisch ans reale Bedarfsminimum, statt mit fester Sicherheitsreserve. Das ist der direkteste Weg zu weniger Netzverlusten und mehr Platz für erneuerbare Einspeiser.
- Anomalie- und Leckageerkennung: Autoencoder lernen das Normalverhalten des Netzes und melden Abweichungen, etwa unerwartete Dauerverbräuche oder untypische Nachtlasten, die auf eine Leckage hindeuten. So wird ein Schaden früh sichtbar, bevor er teuer wird.
Der Unterschied zur erzeugerseitigen Optimierung ist wichtig. Wie die Betriebsoptimierung der Wärmezentrale den Erzeugerpark als Fahrplanproblem löst, beschreibt innobu an anderer Stelle. Hier geht es um das Netz selbst: um Temperaturen, Lasten und den Zustand der Leitungen zwischen Erzeugung und Übergabe.
Vom Messwert zum Modell: die Datengrundlage
KI ist nur so gut wie die Daten, aus denen sie lernt. Ohne Zählwerte, Netzmessungen und ein sauberes Netzmodell bleibt jedes Modell blind. Und jetzt kommt der Teil, der oft übersehen wird: Genau diese Grundlage baut ein Betreiber ohnehin auf, wenn er den Transformationsplan ernst nimmt. Der Aufwand zahlt doppelt ein.
Drei Datenquellen bilden das Fundament:
- Smart Metering: Fernauslesbare Wärmezähler liefern Verbrauchsprofile je Übergabestation, feingranular und zeitnah. Das ist der Rohstoff für jede Lastprognose.
- SCADA: Das Leitsystem liefert Netzmesswerte in Echtzeit, Vorlauf- und Rücklauftemperaturen, Drücke und Durchflüsse. Ohne diese Zeitreihen kann kein Modell das reale Verhalten lernen.
- GIS-Netzmodell: Ein geografisches Informationssystem verortet Leitungen, Durchmesser, Längen und Übergabepunkte. Es macht aus einzelnen Messwerten ein zusammenhängendes Netz.
Zusammengeführt ergeben diese Quellen einen digitalen Zwilling: ein laufendes hydraulisch-thermisches Abbild des Netzes. An ihm lassen sich Laständerungen, Umschaltungen und Absenkstrategien virtuell durchrechnen, bevor im realen Netz eingegriffen wird. Wie die kommunale Wärmeplanung ihre Datengrundlage über ein digitales Wärmekataster aufbaut, zeigt, dass die Datenarbeit selten bei null beginnt.
Belege aus dem Feld
Zahlen aus dem Labor überzeugen niemanden. Diese stammen aus laufenden Netzen. Sie zeigen, dass der Effekt real und wiederholbar ist, sobald Datengrundlage und Regelung zusammenpassen.
Bei enercity in Hannover senkte eine selbstlernende Regelung die Vorlauftemperatur um 8 bis 10 Kelvin und die Rücklauftemperatur um bis zu 10 Kelvin, bei rund 9 Prozent Energieeinsparung. Vom Pilot mit 100 Mehrfamilienhäusern soll das Verfahren bis 2027 auf rund 5.000 Gebäude wachsen, mit erwarteten 50.000 MWh Wärme und 5.000 Tonnen CO2 weniger pro Jahr. Im dena-Projekt ML4FW brachte allein die KI-gestützte Optimierung der Reglerparameter 2 bis 3 Kelvin niedrigere Rücklauftemperaturen.
Die Ergebnisse sind kein Einzelfall. Wo Zählwerte, SCADA-Daten und ein Netzmodell zusammenkommen, senkt KI die Netztemperatur messbar und wiederholbar. Der Effekt beginnt bei einem gut vermessenen Teilnetz und wächst mit der Skalierung.
Wie KI den Transformationsplan nach §32 WPG stützt
Nach §32 WPG muss jeder Betreiber eines nicht vollständig erneuerbar oder aus unvermeidbarer Abwärme gespeisten Wärmenetzes bis zum Ablauf des 31. Dezember 2026 einen Wärmenetzausbau- und -dekarbonisierungsfahrplan nach Anlage 3 erstellen, auf der Website veröffentlichen und der zuständigen Behörde vorlegen. Netze unter einem Kilometer Länge sind ausgenommen, und wer bis Ende 2025 einen BEW-Förderantrag gestellt hat, ist von der Pflicht befreit. Der Fahrplan ist mindestens alle fünf Jahre zu überprüfen.
Der Fahrplan verlangt eine belastbare Bestandsaufnahme, Lastanalysen und einen Pfad zur Dekarbonisierung. Das sind dieselben Daten und Modelle, die den Betrieb optimieren. Wer beides trennt, macht die Arbeit zweimal. Wer es zusammen denkt, spart Aufwand und erhält einen belegten Plan.
- Bestandsaufnahme: Das digitale Netzmodell und die Lastprofile aus dem Smart Metering liefern die Datengrundlage, die Anlage 3 ohnehin verlangt.
- Szenarien: Absenkstrategien und der Anschluss erneuerbarer Erzeuger lassen sich am digitalen Zwilling durchrechnen, bevor sie in den Fahrplan geschrieben werden.
- Dekarbonisierungspfad: Die belegten Temperatur- und Verbrauchsreduktionen werden zum nachvollziehbaren Teil des Pfads, nicht zur Schätzung.
Wer die regulatorischen Pflichtinhalte im Detail sucht, findet sie im Beitrag zum Dekarbonisierungsfahrplan nach §32 WPG. Dieser Beitrag hier zeigt, wie die Datenarbeit für Betrieb und Fahrplan zur selben Aufgabe wird.
Was Betreiber jetzt tun sollten
Der Weg ist planbar, wenn Datengrundlage und Frist zusammen gedacht werden. Wer erst die Regelung optimiert und dann den Fahrplan schreibt, macht die Arbeit zweimal. Drei Schritte bringen das in Form.
-
Datengrundlage prüfen
Erhebe, wie vollständig Zählwerte, SCADA-Anbindung und Netzmodell sind. Wo Messpunkte fehlen oder das GIS lückenhaft ist, wird jede spätere KI blind. Die Bestandsaufnahme für den Fahrplan deckt dieselben Lücken auf, also gleich zusammen erheben.
-
Mit dem größten Hebel starten
Pilotiere die Rücklauftemperaturabsenkung an einem gut vermessenen Teilnetz. Dort ist der Effekt am schnellsten sichtbar und das Risiko am kleinsten. Ein belegter Teilerfolg trägt die Skalierung besser als ein netzweiter Sprung ins Ungewisse.
-
Ergebnisse in den Fahrplan überführen
Schreibe die belegten Reduktionen und die durchgerechneten Szenarien direkt in den §32-Fahrplan und plane die Frist 31. Dezember 2026 rückwärts. So wird aus der Betriebsoptimierung ein nachvollziehbarer Dekarbonisierungspfad.
Netzseitige KI senkt die Netztemperatur messbar und liefert zugleich die Datengrundlage, die der Transformationsplan nach §32 WPG verlangt. Wer die Datengrundlage früh prüft, mit der Rücklaufabsenkung an einem Teilnetz startet und die Ergebnisse in den Fahrplan überführt, spart Brennstoff und erfüllt die Frist mit belegten Zahlen statt mit Schätzungen.
Weiterführende Informationen
Häufig gestellte Fragen
Maschinelles Lernen senkt netzseitig vor allem die Vorlauf- und Rücklauftemperaturen, prognostiziert die Wärmelast und erkennt Leckagen und Anomalien. Bei enercity Hannover senkte eine selbstlernende Regelung die Vorlauftemperatur um 8 bis 10 Kelvin und die Rücklauftemperatur um bis zu 10 Kelvin, bei rund 9 Prozent Energieeinsparung. Im dena-Projekt ML4FW brachten optimierte Reglerparameter allein 2 bis 3 Kelvin niedrigere Rücklauftemperaturen.
Eine niedrige Rücklauftemperatur ist der zentrale Effizienzhebel im Wärmenetz. Wird sie von 60 auf 40 Grad Celsius gesenkt, steigt die nutzbare Wärmeleistung eines Netzabschnitts um bis zu 70 Prozent. Niedrige Temperaturen sind zudem Voraussetzung dafür, dass Großwärmepumpen, Solarthermie und Abwärme effizient einspeisen können.
Grundlage sind Verbrauchsprofile aus dem Smart Metering je Übergabestation, Netzmesswerte in Echtzeit aus dem SCADA-System und ein GIS-basiertes Netzmodell mit Leitungen, Durchmessern und Übergabepunkten. Ein digitaler Zwilling verbindet diese Daten zu einem laufenden hydraulisch-thermischen Abbild des Netzes, an dem sich Absenkszenarien vorab durchrechnen lassen.
Der Wärmenetzausbau- und -dekarbonisierungsfahrplan nach §32 WPG verlangt eine belastbare Bestandsaufnahme, Lastanalysen und einen Pfad zur Dekarbonisierung nach Anlage 3. Dieselben Daten und Modelle, die den Betrieb optimieren, liefern die Grundlage für diesen Nachweis. Absenkszenarien lassen sich am digitalen Zwilling durchrechnen und die belegten Reduktionen werden Teil des Dekarbonisierungspfads.
Jeder Betreiber eines nicht vollständig erneuerbar oder aus unvermeidbarer Abwärme gespeisten Wärmenetzes muss den Wärmenetzausbau- und -dekarbonisierungsfahrplan bis zum Ablauf des 31. Dezember 2026 erstellen, auf der Website veröffentlichen und der zuständigen Behörde vorlegen. Der Fahrplan ist mindestens alle fünf Jahre zu überprüfen. Netze unter einem Kilometer Länge sind ausgenommen.