Spitzenlast kostet Geld — das wissen Werkleiter, seit es Leistungspreise gibt. Was die wenigsten wissen: Klassisches Lastmanagement und KI-Regelung sind nicht dasselbe. Das eine kappt, das andere vermeidet. Der Unterschied entscheidet im Mittelstand mittlerweile über sechsstellige Beträge pro Jahr.

Wir sehen in Projekten, dass viele Werke schon einen Lastabwurf installiert haben — und trotzdem regelmäßig durch die teure Spitze laufen. Der Grund ist simpel: Bis der Lastabwurf reagiert, ist die Spitze schon im Messintervall. Der Messstellenbetreiber sieht den Höchstwert, der Leistungspreis steigt für ein Jahr.

Was klassisches Lastmanagement leistet — und wo es endet

Ein klassischer Lastabwurf arbeitet schwellenbasiert. Sie definieren einen Wert — etwa 800 kW — und das System schaltet einen Verbraucher ab, sobald die aktuelle Last sich der Schwelle nähert. Das funktioniert mechanisch zuverlässig und ist seit Jahrzehnten Standard.

Drei Schwächen werden in der Praxis sichtbar. Erstens ist der Eingriff reaktiv: Wenn die Schwelle näher rückt, wird abgeschaltet — oft mitten in einem Prozess. Zweitens ist der Eingriff binär: Entweder läuft die Maschine voll oder gar nicht. Drittens lernt das System nicht: Die zehnte Spitze einer Woche wird genauso behandelt wie die erste, obwohl das Muster längst bekannt ist.

In Werken mit gleichmäßiger Last sind diese Schwächen unkritisch. In Werken mit volatiler Last — typisch in der Lebensmittelproduktion, bei Druckereien, in der Metallbearbeitung — kosten sie messbar Produktion. Wer den Lastabwurf öfter als zweimal pro Schicht hört, weiß, was wir meinen.

Was lernende Modelle anders machen

Eine KI-Regelung ist im Kern eine Vorhersage plus eine Steueranweisung. Das Modell bekommt historische Daten — Verbrauch, Schichtplan, Außentemperatur, Auftragsmix, Anlagenzustände — und lernt darin Muster. Daraus prognostiziert es im Betrieb die nächsten 15 bis 60 Minuten Last und entscheidet sanft, ob und welcher Verbraucher gedrosselt werden sollte.

Drei Effekte fallen in den Daten auf, die wir aus Projekten sehen:

  • Frühere Reaktion. Wo der Lastabwurf bei 95 % der Schwelle reagiert, fängt die KI-Regelung schon bei 70 % an, leise zu gegen-steuern.
  • Sanftere Eingriffe. Statt eine Maschine ganz abzuschalten, läuft sie 8 Minuten lang mit reduzierter Drehzahl. Die Spitze wird abgeflacht, nicht abgehackt.
  • Lerneffekt über die Zeit. Nach drei bis sechs Monaten kennt das Modell die wiederkehrenden Spitzen-Auslöser pro Schicht und kann sie vorhersagen, bevor sie überhaupt entstehen.

Im Mittel sehen wir bei den Werken, die wir begleiten, 15 bis 30 % weniger Spitzenlast bei gleicher Produktion. Bei einem mittelständischen Werk mit 1,5 Millionen kWh pro Jahr und einem Leistungspreis von 100 € pro kW reduziert das die jährlichen Netzkosten um mittlere fünf- bis niedrige sechsstellige Beträge.

Was die KI nicht übernimmt — und warum das gut ist

Eine ehrliche Nachricht zuerst: Die KI ersetzt nicht den Werkleiter. Sie übernimmt nicht die Verantwortung für kritische Maschinen. Sie ist die zusätzliche Schicht, die die unkritischen Verbraucher koordiniert und den Werkleiter rechtzeitig warnt, wenn ein Eingriff bei einer kritischen Maschine nötig wird.

Wir bauen die Steuerung in drei Ebenen:

  1. Unkritisch + automatisierbar: Klimaanlagen, Lüftung, Ladevorgänge der Wallboxen, Wärmepumpen-Pufferspeicher. Die KI steuert eigenständig — der Werkleiter sieht im Dashboard, was passiert.
  2. Kritisch + planbar: Schweißanlagen, Trockner, Kühlhäuser mit Solltemperatur-Korridor. Die KI gibt Empfehlungen — der Werkleiter entscheidet pro Schicht, was er freigibt.
  3. Kritisch + nicht planbar: Maschinen mit Auftragsbindung, Sicherheits-relevante Aggregate. Die KI rührt sie nicht an — sie warnt nur und schlägt Alternativen vor.

Diese Trennung ist der entscheidende Punkt. Eine KI, die alles steuert, scheitert beim ersten Audit. Eine KI, die klare Grenzen kennt und sich daran hält, wird zum Werkzeug, dem die Schichtleiter vertrauen.

Was Sie für den Einstieg brauchen

Die wichtigste Frage in den ersten Gesprächen ist nicht, welcher Algorithmus zum Einsatz kommt — sondern wie sauber die Datenanbindung ist. Ohne sauberes Datenfundament läuft kein Modell.

Mindestanforderung in der Praxis:

  • Lastgang im 15-Minuten-Takt für mindestens 6 bis 12 Monate
  • Schichtplan und Auftragsmix aus dem ERP- oder MES-System (zumindest für die Hauptproduktionslinien)
  • Außentemperatur und Wettervorhersage — die meisten Spitzen-Treiber sind temperaturkorreliert
  • Anlagenzustände aus der SPS (Speicherprogrammierbare Steuerung — der „Computer” einer Anlage) — für die unkritischen Verbraucher genügen Schalt- und Leistungsdaten

Wenn diese Datenquellen kontinuierlich auf einer Plattform liegen, ist die KI-Regelung nicht der schwere Schritt — sie ist der nächste logische. Wir setzen das bei eco2lot so um, dass die Plattform erst misst, dann optimiert, dann automatisiert. KI kommt also nicht am Anfang, sondern am Ende einer sauberen Datenstrecke.

Wer ohne saubere Datenstrecke mit KI startet, baut ein Glashaus auf Sand. Wer die Strecke erst sauber macht, hat oft schon 60 % der Optimierung allein durch die Sichtbarkeit.

Realistische Effekte — und ihre Grenzen

KI-Regelung ist keine Wunderwaffe. Es gibt Werke, in denen sie wenig bringt: sehr konstante Lasten, kaum verschiebbare Verbraucher, schon sehr ausgereiztes klassisches Lastmanagement. Hier sehen wir oft nur 5 bis 8 % Reduktion — das rechnet sich noch, aber nicht spektakulär.

Großen Effekt sehen wir dagegen in Werken mit drei Merkmalen:

  • Volatile Last durch Auftragsmix, Schichtsprünge, Klimatisierung
  • Mehrere flexibel steuerbare Verbraucher (mindestens drei bis fünf Aggregate über 50 kW)
  • Ein Energieverantwortlicher, der die Daten ernst nimmt und die Empfehlungen umsetzt

In dieser Kombination sind die Effekte regelmäßig zweistellig. Und sie wachsen über die Zeit, weil das Modell besser wird und der Werkleiter lernt, dem System zu vertrauen.

Wie BS-Systeme das umsetzt

Wir haben das Drei-Stufen-Prinzip in eco2lot fest verbaut: Messen mit eco2iot (Sensor-Schicht), Optimieren mit eco2lot (Auswerte-Schicht), Automatisieren mit der KI-Regelung als oberster Schicht. Jede Stufe kann eigenständig laufen — Sie müssen nicht alle drei gleichzeitig einkaufen.

Für Werke, die noch ganz am Anfang stehen, beginnen wir mit der Messung. Für Werke, die schon Daten haben, springen wir direkt in die Optimierung. Die KI-Regelung wird in der Regel nach 4 bis 8 Monaten Plattform-Betrieb scharfgestellt — wenn das Datenfundament steht und das Modell genug gelernt hat. Dieser Aufbau spart Lehrgeld und liefert messbare Zwischenstände, an denen Sie die Investition prüfen können.

Was Spitzenlast wirklich kostet — und wo der Effekt sichtbar wird

Damit der Geschäftsführer entscheiden kann, lohnt sich ein zweiter Blick auf die Kostenmechanik. Spitzenlast schlägt in der Stromrechnung an drei Stellen zu.

Leistungspreis. In Industrieverträgen wird die höchste 15-Minuten-Mittelleistung des Jahres mit dem Leistungspreis multipliziert. Bei 100 € pro kW kostet eine Spitze von 1 200 kW also 120 000 € — pro Jahr, mit Wirkung für die nächsten zwölf Monate. Eine einzige falsch laufende Schicht im Februar kann das Jahresergebnis kippen.

Atypische Netznutzung nach §19 StromNEV. Wer planbar Lasten aus den Hochlastzeitfenstern (HLZF) verschieben kann, bekommt Rabatte bis zu 80 % auf das Leistungsentgelt — abhängig vom Netzgebiet und der eigenen Verbrauchsstruktur. KI-Regelung kann diese Verschiebung sauber dokumentieren und damit die §19-Anerkennung absichern.

Bilanzkreis-Effekte. Bei direkt vermarktetem Strom (Power-Purchase-Agreement, kurz: PPA) wirken sich Spitzen zusätzlich auf den Bilanzausgleich aus. Hier kostet jede Abweichung vom Fahrplan — die KI-Regelung hilft, den Fahrplan sauber zu halten.

Wir empfehlen, den Effekt von Beginn an in drei Größen zu messen: die maximale 15-Minuten-Spitze pro Monat, die Stunden mit Lasten oberhalb von 80 % der Vorjahres-Spitze und die Anzahl der vermeidbaren Eingriffe pro Woche. Diese drei Kennzahlen bilden die Realität meist besser ab als ein einzelner Prozentsatz.

Wo die Grenzen der Automatisierung wirklich liegen

Es gibt drei Situationen, in denen eine KI-Regelung deutlich zurückhaltender agiert als das Marketing manchmal verspricht.

Kurzfristige Auftragsänderungen. Wenn die Schicht spontan eine zusätzliche Linie hochfährt, hat das Modell keine historische Referenz für die neue Situation. Es greift in solchen Fällen auf die hinterlegten Sicherheitsregeln zurück — das ist gewollt, kostet aber im konkreten Fall manchmal Optimierungs-Potenzial.

Sicherheitsrelevante Maschinen. Kühlhäuser mit Temperatur-Korridor, Druckluft-Speicher mit Mindestdruck, USV-Speisungen — überall, wo Sicherheit zuerst kommt, regelt die KI nicht eigenständig. Sie kann Empfehlungen geben, die finale Entscheidung trifft der Werkleiter oder ein hinterlegter Sicherheits-Schaltkreis.

Datenlücken. Wenn ein Zähler 14 Tage ausfällt oder ein Sensor falsch kalibriert ist, sind die Empfehlungen entsprechend unsicher. Eine gute Plattform erkennt diese Datenlücken automatisch und reduziert in dieser Zeit die Eingriffstiefe — sie schaltet zurück in den klassischen Lastabwurf-Modus, bis die Daten wieder belastbar sind.

Wir nennen das in Projekten den „ehrlichen Korridor”: Die KI ist nur so gut wie die Daten und nur so mutig, wie es die Sicherheitslogik erlaubt. Wer das im ersten Workshop sauber definiert, bekommt am Ende ein System, dem die Belegschaft vertraut — und das ist die eigentliche Voraussetzung für die zweistelligen Effekte.

Zwei kurze Beispiele aus der Praxis (anonymisiert)

Lebensmittelproduktion in Bayern, 80 Mitarbeitende. Ausgangslage: regelmäßige Spitzen über 1 100 kW, Lastabwurf an drei Verbrauchern, Werkleiter mit hoher Skepsis gegenüber „KI”. Vorgehen: 6 Wochen messen ohne Eingriff, dann Schatten-Betrieb 4 Wochen, scharf ab Monat 4. Ergebnis nach 9 Monaten: 22 % geringere Spitzenlast, Lastabwurf an zwei der drei Verbraucher dauerhaft deaktiviert, Werkleiter aktiver Sponsor des Systems. Entscheidender Punkt: der Schatten-Betrieb. Er hat dem Werkleiter gezeigt, dass das Modell die gleichen Eingriffe wählt, die er selbst gewählt hätte — nur früher und genauer.

Kartonagen-Werk in Hessen, drei Linien, 200 Mitarbeitende. Ausgangslage: schwer planbare Auftragsmischung, häufige Schichtsprünge, Wärmepumpe mit großem Pufferspeicher. Vorgehen: Anbindung der drei Linien, der Wärmepumpe und der zwei größten Trockner an die Datenplattform; Modell auf 12-Monats-Lastgang plus ERP-Auftragsdaten trainiert. Ergebnis nach 7 Monaten: 17 % geringere Spitzenlast, Trockner-Eingriffe um 60 % reduziert, EnPI „kWh pro Tonne Karton” um 9 % verbessert. Der Werkleiter beschreibt das Ergebnis lakonisch mit: „Die Schicht merkt nichts. Die Stromrechnung schon.”

Häufige Fragen

Was ist der Unterschied zwischen Spitzenlast-Kappen und Spitzenlast-Vermeiden?
Kappen bedeutet: Sobald die Schwelle erreicht ist, schalten Sie einen Verbraucher hart ab. Das ist reaktiv und verursacht oft Produktionsstörungen. Vermeiden bedeutet: Sie erkennen das Muster, das zur Spitze führt, frühzeitig — durch Vorhersage — und steuern sanft gegen, bevor die Schwelle erreicht ist. Das schont die Produktion und ist im Ergebnis günstiger.
Wie lernt das Modell eigentlich?
Es bekommt historische Last- und Prozessdaten aus dem Werk — Verbrauch, Schichtpläne, Außentemperatur, Auftragsmix, Anlagenzustände. Darauf trainiert ein Algorithmus, welche Kombinationen typischerweise zu Spitzen führen. Im Betrieb prognostiziert er die nächsten 15 bis 60 Minuten und gibt Steuerempfehlungen oder direkte Schaltbefehle aus. Je mehr Daten, desto präziser.
Welche Daten braucht das Modell wirklich?
Mindestanforderung: 6 bis 12 Monate kontinuierliche Lastdaten in 15-Minuten-Auflösung, dazu Schichtpläne und Außentemperatur. Sehr hilfreich: Anlagenzustände aus der SPS (Speicherprogrammierbare Steuerung), Auftragsmix aus dem ERP-System und Produktionsmengen aus dem MES. Je mehr Kontext, desto besser die Vorhersage.
Was passiert, wenn das Modell falsch liegt?
Falsche Prognosen sind unvermeidbar — die Frage ist, wie das System damit umgeht. Wir bauen das Modell so, dass es bei Unsicherheit konservativer steuert und einen Sicherheitspuffer zur Schwelle einhält. Zusätzlich greift im Notfall die klassische Lastabwurf-Logik als zweite Schicht. Sie verlieren also nichts, was Sie heute schon haben.
Wie lange dauert die Einführung — und wann sieht man Effekt?
Wir kalkulieren typischerweise 8 bis 14 Wochen von Kickoff bis produktive KI-Regelung. Davon entfallen 4 bis 6 Wochen auf Datenanbindung und Inventur, 3 bis 4 Wochen auf das initiale Training, und 2 bis 4 Wochen auf den Schatten-Betrieb, in dem das Modell Empfehlungen gibt, aber noch nicht schaltet. Spätestens ab Woche 12 sehen die meisten Werke messbare Effekte.

Zurück zum Blog