Pexon Consulting | 9 Min. Lesezeit | 08.07.2026
TL;DR
Stufenschalter-Monitoring KI erkennt Verschleiß am Laststufenschalter aus DGA- und Sensordaten, bevor der Trafo ausfällt. Unter dem EU AI Act zählt das als Hochrisiko-KI in kritischer Infrastruktur. Pexon (80 MA, Deutschland, Microsoft Partner) baut den Audit-Trail so, dass jede Wartungsentscheidung nachweisbar bleibt. Hochrisiko-Pflichten nach Anhang III: ab 2. Dezember 2027.
Wenn die KI eine Wartungsentscheidung am Stufenschalter trifft: Wie weist ihr die Nachvollziehbarkeit nach? Unter dem EU AI Act muss das ab 2026 dokumentiert sein. Für Betreiber und Hersteller von Transformatoren und Stufenschaltern ist das keine akademische Frage. Der Laststufenschalter ist das mechanisch am stärksten belastete Bauteil im Trafo, und genau er wird jetzt zum regulatorischen Nadelöhr.
Warum der Stufenschalter der teuerste Ausfall im Netz ist
Der Laststufenschalter verursacht überproportional viele Trafo-Ausfälle. CIGRE-Erhebungen weisen dem Stufenschalter je nach Population 25 bis 56 Prozent der Trafo-Ausfälle zu, weil die Kontakte unter Last schalten und mechanisch verschleißen. Ein Tausch kostet rund 20 Prozent des Neupreises des kompletten Transformators. Bei einem 380-kV-Leistungstrafo redet ihr über einen sechsstelligen Betrag plus die Ausfallzeit im Netz.
Genau deshalb steigt jeder Netzbetreiber gerade von reaktiver auf zustandsbasierte Wartung um. Die Signale liegen vor: gelöste Gase im Öl, Schaltzeiten, Motorstrom des Antriebs, Kontakttemperatur. Eine KI korreliert diese Zeitreihen und meldet Verschleiß, bevor er zum Ausfall wird. Das funktioniert, in reifen Deployments mit Trefferquoten bis 90 Prozent.
Der Haken: Sobald die KI die Wartung steuert statt nur anzuzeigen, verschiebt sich die rechtliche Einordnung. Und die meisten Teams, die wir sehen, haben den Sensor-Teil im Griff, aber nicht den Compliance-Teil.
Warum das Monitoring unter dem EU AI Act Hochrisiko wird
Kurze Antwort: Ja, ein KI-System, das den Betrieb kritischer Infrastruktur steuert oder überwacht, fällt unter Anhang III des EU AI Act und gilt als Hochrisiko. Das Stromnetz ist explizit kritische Infrastruktur. Sobald eure KI eine Wartungs- oder Schalt-Entscheidung am Stufenschalter beeinflusst, greift die schärfste Regulierungsstufe unterhalb des Verbots.
Was das konkret heißt: Ihr braucht ein Risikomanagement, eine technische Dokumentation, menschliche Aufsicht, Protokollierung (Logging) und Nachvollziehbarkeit jeder automatisierten Entscheidung. Genau der letzte Punkt, die Nachvollziehbarkeit, ist der, an dem Predictive-Maintenance-Projekte scheitern. Ein LSTM-Netz oder ein Isolation-Forest liefert eine Anomalie-Bewertung, aber ohne sauberen Audit-Trail könnt ihr im Zweifelsfall nicht nachweisen, auf welcher Datengrundlage die KI im März zum Kontakttausch geraten hat.
Der Zeitplan hat sich 2026 verschoben, aber nicht so, wie viele hoffen. Am 7. Mai 2026 haben sich Rat und Parlament auf den Digital Omnibus geeinigt: Die vollen Hochrisiko-Pflichten nach Anhang III werden erst ab dem 2. Dezember 2027 verbindlich, 16 Monate später als geplant. Governance-, Marktüberwachungs- und Sanktionsregeln gelten aber schon seit dem 2. August 2026. Wer jetzt anfängt, die Nachvollziehbarkeit nachträglich in ein laufendes Monitoring einzubauen, zahlt drauf. Sanktionen bei Verstoß: bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes.
DGA nach IEC 60599 als Datengrundlage der KI
Die Dissolved Gas Analysis ist das Rückgrat jeder Zustandsbewertung am Trafo. IEC 60599 legt fest, wie ihr die gelösten Gaskonzentrationen im Öl interpretiert, also welches Gasmuster auf Teilentladung, Überhitzung oder Lichtbogen hindeutet. Die Norm ist der internationale Referenzrahmen, und genau darauf muss eure KI aufsetzen. Ein Modell, das Rohgase ohne die IEC-60599-Logik bewertet, produziert Empfehlungen, die kein Anlagenverantwortlicher gegenzeichnet.
Für den Stufenschalter kommt die IEC/IEEE 60214-2:2019 dazu. Die 2019er-Ausgabe hat Field Service, also Inbetriebnahme, Betrieb, Wartung und Monitoring, erstmals explizit aufgenommen. Der Design- und Prüfrahmen bleibt in der IEC 60214-1 (Ed. 2.0, 2014). Wenn ihr eine KI aufsetzt, sind diese Normen euer Bewertungsmaßstab, nicht die interne Faustregel eines einzelnen Instandhalters.
Unser Punkt hier: Die KI ersetzt die Norm nicht, sie operationalisiert sie. Und weil die Norm zitierbar und versioniert ist, wird sie zum Anker eures Audit-Trails. Jede KI-Entscheidung lässt sich auf eine dokumentierte DGA-Interpretation zurückführen. Das ist der Unterschied zwischen einer Black-Box-Empfehlung und einer nachweisbaren Wartungsentscheidung.
So sieht die DGA-Auswertung als nachvollziehbarer Schritt aus, mit Ratio-Prüfung nach IEC 60599:
# DGA-Auswertung mit nachvollziehbarer Ratio-Klassifikation (IEC 60599)
# Gaskonzentrationen in ppm aus dem Online-Sensor am Stufenschalter
def klassifiziere_fehler(gase: dict) -> dict:
# Rogers-/IEC-Ratios: Verhältnisse der Schlüsselgase
r1 = gase["C2H2"] / gase["C2H4"] # Acetylen / Ethylen
r2 = gase["CH4"] / gase["H2"] # Methan / Wasserstoff
r3 = gase["C2H4"] / gase["C2H6"] # Ethylen / Ethan
# Regel-Codes nach IEC 60599 (vereinfacht, Stufenschalter-Fall)
if r1 > 1.0 and r3 > 2.0:
befund, norm = "Lichtbogen hohe Energie (D2)", "IEC 60599 Tab. 1"
elif r2 < 0.1:
befund, norm = "Teilentladung", "IEC 60599 Tab. 1"
elif r3 > 2.0:
befund, norm = "Thermischer Fehler über 700 Grad", "IEC 60599 Tab. 1"
else:
befund, norm = "kein eindeutiger Fehler", "IEC 60599"
# Rückgabe trägt die Norm-Referenz mit: Basis des Audit-Trails
return {"befund": befund, "norm_referenz": norm,
"ratios": {"C2H2/C2H4": r1, "CH4/H2": r2, "C2H4/C2H6": r3}}Der Audit-Trail: Wie ihr die Nachvollziehbarkeit nachweist
Nachvollziehbarkeit unter dem EU AI Act heißt: Ihr müsst zu jeder automatisierten Wartungsentscheidung rekonstruieren können, welche Daten reinkamen, welches Modell in welcher Version bewertet hat, und wer freigegeben hat. In der Praxis ist das ein unveränderliches Log, das an der Anomalie-Erkennung hängt, nicht ein nachträgliches Report-PDF.
Unsere klare Empfehlung: Baut den Audit-Trail in die Inferenz selbst ein, nicht daneben. Jede Bewertung schreibt ihren vollständigen Kontext weg, bevor eine Empfehlung überhaupt an den Betrieb geht. Ein Anomalie-Score ohne diesen Kontext ist unter dem AI Act wertlos, egal wie gut das Modell ist.
Konkret sieht ein solcher protokollierter Schritt so aus:
import hashlib, json
from datetime import datetime, timezone
def bewerte_stufenschalter(dga_befund: dict, sensor: dict, modell_version: str) -> dict:
# Anomalie-Score aus dem Isolation-Forest (Stand: Modell v2.3, 2026-06)
score = anomalie_score(sensor) # 0.0 (normal) bis 1.0 (kritisch)
empfehlung = "Kontakt-Inspektion" if score > 0.72 else "kein Handlungsbedarf"
# Audit-Eintrag: alles was die Entscheidung nachvollziehbar macht
audit = {
"zeitpunkt": datetime.now(timezone.utc).isoformat(),
"modell_version": modell_version, # z.B. "isoforest-oltc-2.3"
"eingangsdaten": sensor, # Motorstrom, Schaltzeit, Temperatur
"dga_befund": dga_befund, # inkl. norm_referenz aus IEC 60599
"anomalie_score": round(score, 3),
"empfehlung": empfehlung,
"freigabe_durch": None, # menschliche Aufsicht trägt sich hier ein
}
# Hash sichert die Unveränderlichkeit des Eintrags (Tamper-Evidence)
audit["hash"] = hashlib.sha256(json.dumps(audit, sort_keys=True).encode()).hexdigest()
return auditDas freigabe_durch-Feld ist kein Beiwerk. Der EU AI Act verlangt menschliche Aufsicht bei Hochrisiko-Systemen. Die KI schlägt vor, ein Mensch gibt frei, und beides landet unveränderlich im Log. So weist ihr im Audit nach, dass keine Maschine allein am Stufenschalter entschieden hat.
Was das in der Praxis bedeutet
Ein Beispiel aus einem Netz-Kontext, anonymisiert: Ein Betreiber und Hersteller von Transformatoren und Stufenschaltern hatte ein funktionierendes Online-DGA-Monitoring, aber die KI-Bewertung lief als isoliertes Skript ohne Logging. Als die interne Revision fragte, warum im Vorquartal drei Stufenschalter zur Inspektion freigegeben wurden, konnte niemand die Datengrundlage rekonstruieren. Das Monitoring war technisch gut und regulatorisch wertlos.
Der Fix war kein neues Modell, sondern die Trennung von Erkennung und Nachweis. Die Anomalie-Erkennung blieb, aber jede Bewertung schreibt jetzt Eingangsdaten, Modellversion, Norm-Referenz und Freigabe in ein revisionssicheres Log. Aufwand: rund sechs Wochen. Das ist der übliche Umfang, wenn die Sensorik schon steht und nur die Compliance-Schicht fehlt.
Wir sehen das Muster immer wieder: Der teure Teil ist nicht die KI, sondern der Nachweis, dass sie nachvollziehbar entscheidet. Wer das erst 2027 angeht, wenn die Pflichten voll greifen, baut den Audit-Trail rückwirkend in ein Produktivsystem ein. Das ist der teurere Weg.
Worauf ihr bei der Auswahl achten solltet
Fünf Punkte trennen ein AI-Act-taugliches Monitoring von einem, das im Audit durchfällt:
- Norm-Anker: Bewertet die KI nach IEC 60599 und IEC 60214, oder nach undokumentierten Heuristiken?
- Unveränderliches Log: Ist der Audit-Trail Teil der Inferenz oder ein nachträglicher Report?
- Modellversionierung: Lässt sich zu jeder alten Entscheidung die damals aktive Modellversion zurückverfolgen?
- Menschliche Aufsicht: Ist die Freigabe technisch erzwungen oder nur Prozessbeschreibung?
- Datensouveränität: Bleiben die Sensordaten im eigenen Rechenzentrum, wie es KRITIS-Betreiber brauchen?
Punkt fünf wird oft übersehen. Wer sein Trafo-Monitoring über eine US-Cloud laufen lässt, handelt sich neben dem AI Act auch eine Souveränitäts-Diskussion ein. Für kritische Infrastruktur bauen wir das Monitoring deshalb on-premise oder im souveränen Setup. Das gleiche Architektur-Muster nutzen wir bei einem souveränen RAG nach BaFin- und BSI-Vorgaben: Daten und Modell bleiben im eigenen Rechenzentrum, der Audit-Trail liegt daneben.
Häufig gestellte Fragen
Ist KI-gestütztes Stufenschalter-Monitoring wirklich Hochrisiko unter dem EU AI Act?
Ja, sobald die KI den Betrieb kritischer Infrastruktur steuert oder überwacht. Das Stromnetz ist in Anhang III explizit als kritische Infrastruktur genannt. Ein reines Anzeige-Dashboard ohne Entscheidungslogik kann anders einzustufen sein, aber sobald eure KI Wartungs- oder Schaltentscheidungen beeinflusst, greift die Hochrisiko-Stufe mit voller Dokumentationspflicht.
Was kostet die Compliance-Schicht für ein bestehendes Monitoring?
Wenn Sensorik und DGA-Anbindung schon stehen, liegt der Aufbau des Audit-Trails und der menschlichen Aufsicht typisch bei einem 6-Wochen-Pilot. Ein komplettes Predictive-Maintenance-Setup inklusive Sensoren, Plattform und Integration bewegt sich laut Marktdaten bei 80.000 bis 250.000 Euro über drei Jahre. Die reine Nachvollziehbarkeits-Schicht ist der kleinere Teil davon, wenn ihr sie von Anfang an mitdenkt.
Wann muss die Nachvollziehbarkeit stehen, jetzt 2026 oder erst 2027?
Beides zählt. Die vollen Hochrisiko-Pflichten nach Anhang III wurden durch den Digital Omnibus auf den 2. Dezember 2027 verschoben. Governance-, Marktüberwachungs- und Sanktionsregeln gelten aber bereits seit dem 2. August 2026. Wer bis 2027 wartet, baut den Audit-Trail rückwirkend in ein Produktivsystem ein, was deutlich teurer ist als ihn gleich mitzubauen.
Reicht DGA nach IEC 60599 allein für die KI-Bewertung aus?
Für den Fehlermechanismus im Öl ja, für den Stufenschalter nein. IEC 60599 interpretiert die gelösten Gase, aber der Stufenschalter braucht zusätzlich mechanische Signale wie Schaltzeit, Motorstrom und Kontakttemperatur. Die IEC/IEEE 60214-2:2019 deckt das Monitoring des Stufenschalters ab. Eine gute KI kombiniert beide Datenquellen.
Was ist der Unterschied zwischen Anomalie-Erkennung und einem Audit-Trail?
Die Anomalie-Erkennung, etwa per Isolation-Forest oder LSTM, sagt euch, dass etwas vom Normalzustand abweicht. Der Audit-Trail belegt, auf welcher Datengrundlage, mit welcher Modellversion und mit welcher menschlichen Freigabe daraus eine Wartungsentscheidung wurde. Der EU AI Act verlangt nicht nur die Erkennung, sondern den Nachweis. Ohne Audit-Trail ist der beste Anomalie-Score regulatorisch wertlos.
Nächster Schritt
Ihr habt ein Stufenschalter-Monitoring am Laufen und wollt wissen, ob es den EU-AI-Act-Anforderungen standhält? Startet mit einem konkreten Use-Case statt mit einer Grundsatzdiskussion.
Verwandte Themen
→Predictive Maintenance im Stromnetz mit KI
→Private KI-Modelle on-premise betreiben
Externe Referenz: IEC/IEEE 60214-2:2019 (Tap-changers, Application guidelines)
