Wie Duke Energy mit Sensor-KI Turbinenausfälle reduziert hat

Duke Energy betreibt rund 50.000 Megawatt Erzeugungskapazität in sechs Bundesstaaten, auf Übertragungsebene unter Aufsicht der FERC und auf Verteilnetzebene unter mehreren Landesbehörden. 2023 stand das Unternehmen vor einem bekannten, aber teuren Problem: ungeplante Ausfälle von Verbrennungsturbinen in Gas-Spitzenlastkraftwerken kosteten deutlich mehr als geplante Wartungsfenster, sowohl bei den direkten Reparaturkosten als auch bei der Exponierung gegenüber den NERC-Zuverlässigkeitsanforderungen. Ein einzelner Zwangsausfall einer großen Erzeugungseinheit kann eine Compliance-Prüfung nach den NERC-Standards FAC und TOP auslösen, und die damit verbundenen Kosten für Ersatzstrom an den Märkten von PJM oder MISO kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen mehrere hunderttausend Dollar pro Tag erreichen. Der Business Case für ein anderes Vorgehen war nicht theoretisch.

Wie Duke Energy sein sensorbasiertes Programm zur Fehlererkennung aufgebaut hat

Duke setzte bei der ohnehin vorhandenen Instrumentierung an. Moderne Gasturbinen tragen hunderte Sensoren, die Vibration, Lagertemperaturen, Abgasprofile, Brennstoffverhältnisse und Eintrittsbedingungen überwachen. Die Daten existierten; was fehlte, war eine Modellebene, die eine relevante Abweichung vom normalen Rauschen thermischer Zyklen unterscheiden konnte. Duke arbeitete mit SparkCognition zusammen, einem Anbieter industrieller KI, um Machine-Learning-Modelle einzusetzen, die auf historischer Sensortelemetrie trainiert wurden, korreliert mit früheren Ausfallereignissen. Die eigenen Ingenieure des Unternehmens waren zentral im Labeling-Prozess: Sie identifizierten, welche früheren Anomalien tatsächlichen Ausfällen vorausgegangen waren und welche False Positives waren, die Zeit der Crews gekostet hatten.

Die Architektur war kein einzelnes monolithisches Modell. Verschiedene Anlagenklassen, Gasturbinen, Wasserkraftgeneratoren und Hochspannungstransformatoren, erforderten jeweils eigenes Feature Engineering, weil die Physik der Degradation unterschiedlich ist. Ein Transformator kurz vor dem Isolationsversagen zeigt in der Gas-in-Öl-Analyse eine andere chemische Signatur als ein Turbinenlager kurz vor dem Ausfall in der Vibrationsfrequenz. Dukes Team baute anlagenspezifische Modelle und ließ sie nahezu in Echtzeit gegen eingehende SCADA- und Historian-Daten laufen, mit Alarmschwellen, die auf die Wartungsplanungsfenster kalibriert waren. Damit hatten die Dispatcher genug Vorlauf, um Teile zu bestellen und Abschaltungen in nachfrageschwachen Zeiten statt in Notfallfenstern zu planen.

Eine Entscheidung, die das Programm in der Praxis funktionieren ließ: Das Ergebnis wurde den Ingenieuren als Risiko-Score mit den beitragenden Faktoren ausgegeben, nicht als binäre Anzeige „Ausfall oder nicht“. Das ist aus regulatorischen und Haftungsgründen genauso wichtig wie aus operativen. Wenn ein Versorger eine Einheit auf Basis einer KI-Empfehlung vom Netz nimmt und das die Zusagen zur Netzzuverlässigkeit berührt, braucht es einen belastbaren Audit Trail.Zu verstehen, was die NERC-Zuverlässigkeitsstandards Erzeugern tatsächlich abverlangen,ist kein optionales Hintergrundwissen für jeden, der in diesem Sektor Predictive Maintenance einführt; es bestimmt, was das KI-System dokumentieren muss, nicht nur was es vorhersagen muss.

Was hat Dukes Predictive-Maintenance-Programm tatsächlich gebracht?

Duke führt spürbare Reduktionen ungeplanter Ausfälle öffentlich auf dieses Programm zurück, war bei konkreten Prozentangaben in der Kommunikation zu den Quartalszahlen allerdings zurückhaltend, was erwähnenswert ist. Zu den berichteten Ergebnissen gehört, dass eine Degradation von Verdichterschaufeln an einer GuD-Einheit rund sechs Wochen vor dem drohenden Zwangsausfall erkannt wurde, sodass der Austausch in einem geplanten Frühjahrswartungsfenster erfolgen konnte. Die vermiedenen Kosten dieses einen Ereignisses, inklusive Beschaffung von Ersatzstrom, Überstunden der Crew und beschleunigter Teilebeschaffung, wurden intern auf über 2 Millionen Dollar geschätzt. Duke hat in SEC-Meldungen keine konsolidierte ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →-Zahl für das Gesamtprogramm veröffentlicht, daher sollte man Zahlen auf Portfolioebene, die in Marketingmaterialien von Anbietern kursieren, mit angemessener Skepsis betrachten.

Unabhängig überprüfbar ist Folgendes: Die Geschäftsberichte 2024 und 2025 von Duke zeigten eine anhaltende Kapitalallokation in Netzmodernisierung und Predictive Analytics, und das Unternehmen weitete das Programm über die Gaserzeugung hinaus auf die Überwachung von Umspanntransformatoren im Gebiet der Carolinas aus. Die Anwendung auf Transformatoren ist besonders relevant, da große Leistungstransformatoren Lieferzeiten von 12 bis 18 Monaten zwischen Bestellung und Installation haben; einen Defekt im Anfangsstadium zu erkennen ist das einzige Szenario, in dem der Versorger einen langwierigen Ausfall realistisch vermeiden kann.

Was sich von Dukes Fall auf Ihre Anlagen übertragen lässt und wo es nicht funktioniert

Die Kernlektion ist die Reihenfolge: Duke investierte erheblich Zeit in Datenqualität und historisches Labeling, bevor Modelle gebaut wurden, nicht danach. Versorger mit fragmentierten Historian-Systemen, gemischten SCADA-Generationen oder Lücken in der Dokumentation von Ausfallereignissen werden Mühe haben, diesen Ansatz zu replizieren, ohnein die Datenreife zu investieren, was die meisten KI-Anbieter im Vertriebsprozess herunterspielen. Ein Modell, das auf unvollständigen oder falsch gelabelten Ausfallhistorien trainiert wurde, produziert False Positives, die das Vertrauen der Betreiber untergraben, und sobald Wartungscrews Alarme ignorieren, ist das Programm faktisch tot, unabhängig von der technischen Genauigkeit.

Kontextunterschiede zählen. Duke arbeitet in den Carolinas in vertikal integrierten Versorgerstrukturen, wo Investitionen in O&M-Technologie in Tarifverfahren vor der NCUC und der PSCSC geltend gemacht werden können. Ein Merchant-Erzeuger in einem wettbewerblichen Großhandelsmarkt wie ERCOT hat diesen regulatorischen Weg zur Kostendeckung nicht; die ROI-Rechnung ist rein operativ, und die Risikotoleranz für False Positives ist anders, weil es keine gebundenen Tarifkunden gibt, die die Kosten mittragen. Stadtwerke und Genossenschaften stehen vor einer dritten Einschränkung: Ihre SCADA-Infrastruktur ist oft älter, und die Sensordichte an Verteilnetzanlagen kann zu gering sein, um dieselbe Modellarchitektur zu tragen, die Duke bei seiner großen Erzeugungsflotte eingesetzt hat.

Speziell für Eigentümer von Übertragungsanlagen haben die Anforderungen der FERC Order 881 zu ambient-adjusted line ratings seit 2025 mehr Versorger zur Echtzeit-Temperaturüberwachung von Leitungen und Leiterseilen gebracht. Diese Instrumentierung, die ohnehin zur Compliance ausgerollt wird, erzeugt einen zweiten Datenstrom, den Predictive-Maintenance-Modelle mit relativ geringen Zusatzkosten nutzen können.

Das Programm zwang Duke außerdem, vor der technischen eine organisatorische Frage zu klären: Wem gehört eine KI-generierte Wartungsempfehlung, wenn sie dem Urteil eines erfahrenen Ingenieurs widerspricht? Duke hat das in der Governance-Struktur des Asset Managements formalisiert. Ohne diese Klarheit wird der KI-Output zu einem politischen Objekt statt zu einem operativen Input, und ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → verliert jedes Mal, wenn es Uneinigkeit gibt.

Der am besten übertragbare Punkt aus Dukes Erfahrung ist: Der Wert liegt nicht im Modell, sondern in der Vorlaufzeit, die das Modell schafft. Sechs Wochen Vorwarnung verwandeln eine Notreparatur in eine geplante Abschaltung, und in dieser Umwandlung konzentriert sich nahezu die gesamte finanzielle Rendite.

Der vollständige Kurs zu diesem Sektor:KI in Energie & Versorgung.