Wie wir mit Digitalisierung im Verteilnetz weniger abregeln und mehr leisten können

In welchen Stunden ist das Netz ausgelastet, wann müssen Batterien einspeisen und wie verhindern wir, dass Erneuerbare Energie mittags abgeregelt werden muss, mit der Folge, dass wir am Abend teure Gaskraftwerke ankurbeln?

Das ist eine komplexe Frage, und sie ist genau die richtige, wenn man verstehen will, wo die Energiewende ihre nächste technische Bewährungsprobe hat. Die Energiewende hat ihr teuerstes Nadelöhr vom Kupfer zur Information verlagert. Im

Übertragungsnetz lösen neue Leitungen das Problem. Im Verteilnetz löst es niemand, der nicht weiß, was in seinem eigenen Netz gerade passiert.

Der regulatorische Trend gibt Rückenwind: Mit Redispatch 2.0 wurde die Netzführung auf ein planwertbasiertes Verfahren umgestellt. Akute Engpässe oder Überkapazitäten werden nicht mehr durch spontanes Herunterregeln von Wind- und PV-Parks beantwortet, sondern durch einen prognosebasierten Netzengpassvermeidungsprozess. Die Logik dahinter ist bestechend einfach: Bessere Prognose ersetzt teure Reaktion.

Redispatch 3.0 denkt diesen Weg konsequent zu Ende. Künftig sollen auch kleine und kleinste Anlagen in die Prognose- und Netzoptimierungsprozesse einbezogen werden – Anlagen, die heute schlicht unter dem Radar laufen. Dafür braucht es eine größere und besser integrierte Datenbasis als Grundlage für die KI-Algorithmen, die das alles orchestrieren sollen. Datenintegration und KI sind dabei keine Buzzwords, sondern die explizite Zielarchitektur, auf die sich Bundeswirtschaftsministerium, Fraunhofer IEE und die Übertragungsnetzbetreiber längst verständigt haben.

Eine ehrliche Zwischenbilanz

An dieser Stelle lohnt sich Differenzierung, gerade weil über Redispatch derzeit viel Unfug erzählt wird. Auf der Ebene des Übertragungsnetzes ist der Drops weitgehend gelutscht. Die großen Nord-Süd-Trassen gehen in den kommenden Jahren ans Netz, und die Kosten fallen ohnehin: Für 2025 lagen die vorläufigen Kosten des Netzengpassmanagements bei rund 2,7 Milliarden Euro, und die Übertragungsnetzbetreiber haben ihre Prognosen für die Folgejahre um Milliardenbeträge nach unten korrigiert. Der Netzausbau wirkt! Das ist die gute Nachricht und man sollte sie nicht kleinreden. Unsere Überzeugung ist: Auch die Stabilität des Stromnetzes wird darunter nicht leiden, wenn man es gut anstellt. Der Branchenverband BDEW bezeichnet die Digitalisierung im Verteilnetz als „zwingende Notwendigkeit" und betont, dass Redispatch 2.0 in der Praxis nur mit einem engen Echtzeitdatenaustausch über die Spannungsebenen hinweg funktioniert.

Die Integration der Erneuerbaren Energien stellt uns vor Herausforderung und bietet über Redispatch 3.0 auch Chancen.

Die interessantere Nachricht kommt hier: Der relevante, wachsende Engpass verlagert sich ins Verteilnetz. Der Anteil der Verteilnetze an den Redispatch-Mengen im Bereich der Erneuerbaren stieg binnen eines Jahres von 20 Prozent (2023) auf 26 Prozent (2024). Hier geht es nicht mehr um rund hundert Großkraftwerke, die man zentral steuert, sondern um hunderttausende dezentrale Anlagen, Speicher und steuerbare Lasten, die prognostiziert, integriert und koordiniert werden müssen.

Damit verschiebt sich auch die eigentliche Restriktion. Im Übertragungsnetz war und ist sie physisch: Solange die Leitung fehlt, hilft keine noch so gute Vorhersage. Im Verteilnetz ist die bindende Restriktion eine andere, nämlich die Datenintegration. Wer die Anlagen-, Zustands- und Fahrplandaten seiner Netzebene nicht sauber zusammenführt, kann an Redispatch 3.0 schlicht nicht teilnehmen und lässt vorhandene Netzkapazität ungenutzt.

Die These ist deshalb nicht „Digitalisierung statt Netzausbau". Sie lautet: Datenintegration ist die notwendige Bedingung dafür, dass das Verteilnetz seinen Teil des Engpassmanagements überhaupt leisten kann.

Was muss Digitalisierung für die Verteilnetze leisten?

Analog zu den Ergebnissen des Fraunhofer-Forschungsprojekts zu Redispatch 3.0 muss es in einem modernen und vernetzten Energiesystem darum gehen, gezielt Anreize für netzdienliches Verhalten zu setzen und dadurch vor allem die Beiträge einer steigenden Zahl dezentraler Anlagen zum System zu fördern, insbesondere bei der Bereitstellung von Systemdienstleistungen. Doch dafür muss, und hier schließt sich der Kreis zur Eingangsfrage, die Auslastung der Netze besser vorhersagbar werden.

Wie kann also eine echtzeitfähige und resiliente Digitalisierungskonzeption als Voraussetzung für eine nicht nur negativ-reaktive, sondern im bestenfall positiv-systemdienliche Netzführung vorangetrieben werden?

Die Antwort beginnt nicht bei einem weiteren Werkzeug, sondern bei der Datenbasis darunter. Die Frage, wann das Verteilnetz ausgelastet ist, lässt sich heute in den seltensten Fällen in Echtzeit beantworten, weil die nötigen Informationen über Dutzende Systeme verstreut liegen: Anlagenstammdaten hier, Messwerte dort, Wetter- und Einspeiseprognosen, Fahrpläne und Marktdaten jeweils in eigenen Silos. Solange diese Daten nicht zusammengeführt sind, bleibt jede Auslastungsaussage eine Schätzung mit Zeitverzug.

Genau diese Zusammenführung ist die eigentliche Ingenieursleistung, und sie ist anspruchsvoller als das Prognosemodell, das am Ende darauf läuft. Vertikale Datenintegration heißt, Daten über alle Spannungsebenen und über die Grenzen von Betrieb, Markt und Technik hinweg in eine konsistente, abfragbare und echtzeitfähige Schicht zu überführen.

Control-F setzt beim Aufbau einer integrierten, streamingfähigen Datenplattform, die das Verteilnetz erst lesbar macht. Nicht als weitere Insellösung, sondern als das Fundament, auf dem Prognose, Engpassmanagement und die Anbindung an branchenweite Plattformen wie DA/RE oder Connect+ überhaupt erst belastbar aufsetzen können.

---

Über Control-F. Die Control-F GmbH ist ein werteorientiertes KI-Unternehmen mit Sitz in Konstanz. Seit 2022 entwickelt die Datenboutique Big-Data-Plattformen für industrielle Telemetriedaten und unterstützt Unternehmen im deutschsprachigen Raum dabei, komplexe Datenlandschaften nutzbar zu machen. Zu den Kunden gehören Konzerne und Mittelständler aus den Bereichen Anlagenbau, Automotive und Energiewirtschaft. Die Geschäftsführer Simon Deussen (Machine Learning Engineer und Gründer) und Daniel Tremer (ehemals Specialist Data Science & AI Projects bei Porsche AG) legen dabei ihren Fokus auf den Aufbau stabiler Datenarchitekturen als Grundlage für Analyse, Softwarelösungen und KI-Anwendungen wie Predictive Maintenance.