Wie können bestehende Netzdaten besser genutzt werden, um die Planung, den Betrieb und die Weiterentwicklung der Energieinfrastruktur zu unterstützen? Mit dieser Fragestellung beschäftigt sich das Gemeinschaftsprojekt „Cable Age“, das federführend von Schleswig-Holstein Netz und Avacon Netz gemeinsam mit dem KI-Team der E.ON Grid Solutions sowie Mitnetz Strom umgesetzt wird.
Über das Projekt „Cable Age“
„Cable Age“ ist ein gemeinsames Pilotprojekt von Schleswig-Holstein Netz, Avacon Netz, Mitnetz Strom und dem KI-Team der E.ON Grid Solutions. Es ist derzeit bis zum Frühherbst 2026 angelegt. Die Projektpartner untersuchen fortlaufend die Genauigkeit der KI-gestützten Analysen sowie den praktischen Nutzen der gewonnenen Erkenntnisse für das Datenmanagement, den Netzbetrieb und das Asset Management. Die schnelle Entwicklung und Skalierung von „Cable Age“ wird erst durch den Data-/AI Hub in iPEN (Information Platform of Energy Networks) ermöglicht. Er ist die zentrale Anlaufstelle und Enabler für Entwicklungsteams in Energy Networks, die aus Daten intelligente Lösungen entwickeln wollen. Anstatt jedes Projekt von Grund auf neu aufzusetzen, stellt der Data-/AI-Hub Zugang zu relevanten Netzdaten, eine einsatzbereite Entwicklungsumgebung sowie erprobte Werkzeuge und Methoden bereit. So können sich die Teams auf die eigentlichen Herausforderungen konzentrieren, die den Unterschied machen: innovative Lösungen mit Mehrwert für den Netzbetrieb zu schaffen.
Niederspannungskabel im Fokus
Im Fokus des Projekts stehen Niederspannungskabel, deren historische und netzbezogene Informationen mithilfe intelligenter Analyseverfahren zusammengeführt und ausgewertet werden. Das System nutzt dabei Informationen aus dem Netzumfeld eines Kabels – beispielsweise benachbarte Betriebsmittel oder Hausanschlüsse –, um Rückschlüsse auf dessen wahrscheinlichen Einbauzeitraum zu ziehen. Das Ergebnis ist eine plausibilisierte Baujahresperiode, die anschließend von den zuständigen Asset-Management-Experten fachlich geprüft wird.
KI für Datenmanagement und Netzbetrieb
KI unterstützt Netzbetreiber somit dabei, ein noch umfassenderes Verständnis von ihren Netzen und Assets zu entwickeln. Gleichzeitig eröffnet sie die Möglichkeit, Prozesse im Datenmanagement sowie Maßnahmen zur Sicherung und Weiterentwicklung der Datenqualität stärker zu automatisieren und effizienter zu gestalten.
„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“, betont Oliver Pohl, Leiter des Teams Daten und digitale Lösungen bei Schleswig-Holstein Netz.
Wachsende Anforderungen an Verteilnetze
Mit dem Ausbau erneuerbarer Energien, dem Hochlauf der Elektromobilität sowie der zunehmenden Elektrifizierung von Wärme und Industrie steigen die Anforderungen an die Verteilnetze kontinuierlich. Gleichzeitig wächst die Bedeutung hochwertiger Netzdaten für Planung, Betrieb und Investitionsentscheidungen.
„Cable Age“ zeigt beispielhaft, wie Künstliche Intelligenz dazu beitragen kann, vorhandene Datenbestände intelligenter zu nutzen, das Datenmanagement weiterzuentwickeln und die Qualität digitaler Netzinformationen nachhaltig zu verbessern.
Helge Siepe, der bei E.ON Grid Solutions für die Themen KI und Automation verantwortlich ist, sagt: „Daten werden zunehmend zur strategischen Infrastruktur der Energiewende. Der Data & AI Hub unserer zentralen Datenplattform iPEN schafft die Grundlage, innovative KI-Lösungen wie Cable Age schnell zu entwickeln und über Netzbetreiber hinweg zu skalieren.“
Kompetenzen im Netzverbund
Das Projekt bündelt die Kompetenzen mehrerer Netzgesellschaften und Technologieexperten innerhalb des E.ON-Netzverbunds. Während Schleswig-Holstein Netz und Avacon Netz die konzeptionelle Entwicklung und den Aufbau des Modells vorantreiben, bringt E.ON Grid Solutions ihre KI-Expertise in die Entwicklung der Verfahren ein. Mitnetz Strom unterstützt das Projekt durch die Einbindung zusätzlicher Datenbestände sowie die fachliche Validierung und Praxiserprobung des Ansatzes.
Durch die Untersuchung unterschiedlicher Netzgebiete und Datenstrukturen können die Verfahren unter verschiedenen Rahmenbedingungen erprobt und weiterentwickelt werden, was ihre Übertragbarkeit erhöht.
