Die Messklinik bietet weit mehr als eine klassische Netzanalyse. Sie ermittelt die Wirtschaftlichkeit Ihres Stromnetzes!

Die Messklinik ist die Antwort auf die heutigen Anforderungen.

Die Messklinik wurde aufgrund der sich stetig wandelnden Anforderungen im Stromnetz entwickelt. Hinzu kommen Faktoren wie fehlendes Fachwissen, der allgemeine Fachkräftemangel sowie ein hochdynamisches Netzumfeld. Letzteres ist geprägt durch nicht-lineare Verbraucher (Leistungselektronik) und die Einspeisung aus erneuerbaren Energien.

Es ist das Resultat einer Kombination aus Hardware, Informatik, Datenwissenschaft und Elektrotechnik sowie der engen, langjährigen Zusammenarbeit mit der Hochschule Offenburg.

Der Grundstein für die Messklinik wurde 2019 an der Hochschule Offenburg gelegt.

Was als Vision begann, führte zunächst zur Etablierung des Studiengangs Energy Data Engineering und mündete schließlich in einer innovativen Verbindung von Datenwissenschaft und moderner Elektrotechnik.

Ein bedeutender Meilenstein folgte im Jahr 2025: Die offizielle Anerkennung und weltweite Veröffentlichung der Forschungsergebnisse durch den renommierten Elsevier-Verlag (Energie und KI 22 (2025) 100631).

Hier geht es zur Veröffentlichung des Wissenschaftsbeitrags

Frühzeitiges Handeln spart Zeit und Geld.

Mit der Messklinik verfolgen wir ein klares Ziel. Kosten- und Zeitersparnis durch Prävention.

Einerseits ermitteln wir das präzise Potenzial von Effizienzfiltern, um den Energieverbrauch (kWh) signifikant zu senken und damit reduzieren wir die Betriebskosten.

Andererseits ermöglicht die zentrale Überwachung direkt nach dem Mittelspannungstransformator die Früherkennung von Störungen im 400V Niederspannungsnetz.

So können Defekte behoben werden, bevor kostspielige Ausfälle entstehen.

Nicht nur Strom und Spannung messen, sondern sie auch verstehen.

Energy Data Engineering als Basis – die Messklinik als Schnittstelle.

Die zunehmende Komplexität moderner Stromnetze erschwert eine eigenständige Analyse und Fehlerbehebung. Häufig fehlen die zeitlichen Ressourcen und das spezifische Fachwissen, um Störungen im 400V-Niederspannungsnetz fundiert zu interpretieren. Zudem mangelt es vielen Unternehmen an netzspezifischen Algorithmen, tiefgründigen Analysedaten sowie den notwendigen Messinstrumenten, die meist sehr kostenintensiv sind, sowie am entsprechenden Know-how

Nur wer versteht, kann auch optimieren.
Die Synergie aus Datenwissenschaft – basierend auf den Rohdaten von Strom, Spannung und Frequenz – sowie modernster Informatik und Kommunikation bildet das Fundament, um aus komplexen Netzereignissen präzise Handlungsempfehlungen abzuleiten. Erst durch die Verbindung der Messklinik mit dem Energy Data Engineering wird dieser Prozess heute möglich.

Präzisionsdiagnostik durch Kombination von maschinellem Lernen und elektrotechnischem Fachwissen.

Eine präzise Prognose der Stromverlustreduzierung gestaltet sich aufgrund variabler Lastprofile und schwankender Netzqualität an den einzelnen Knotenpunkten schwierig!

Defizit klassischer Modelle: Bisherige Studien basieren meist auf theoretischen Simulationen oder Analysen. Diese stoßen jedoch an ihre Grenzen, da sie die komplexe Realität und Variabilität moderner Stromnetze nicht präzise abbilden können.

Einschränkung der Entscheidungsfindung: Ohne moderne, datengesteuerte Methoden fehlt die Grundlage für fundierte, standortspezifische Entscheidungen. Anstatt präziser Messung zum Einsatz von Effizienzfiltern bleibt oft nur eine vage Abschätzung der potenziellen Einsparungen.

Technologische Komplexität: Die zunehmende Nutzung nichtlinearer, halbleiterbasierter Lasten verschärft die Situation. Faktoren wie harmonische Verzerrungen, Spannungs- und Stromungleichgewichte und ein hochdynamisches Netzumfeld beeinträchtigen nicht nur die Energieeffizienz, sondern gefährden auch die Betriebssicherheit und Zuverlässigkeit der Anlagen.

Unsere Arbeit baut auf der Erweiterung der Forschung zur Anwendung von maschinellem Lernen auf die Vorhersage von Energieeinsparungen und die Analyse der Stromqualität auf.

Eine Person sitzt vor einem Messgerät und drei Personen stehen dahinter und schauen zu, im Vordergrund sind bunte Kabel zu sehen.

Zweistufiges ML-Modell: Entwicklung eines innovativen, zweistufigen Machine-Learning-Modells zur präzisen Vorhersage der Effizienz auf Basis von Feldmessungen und der Schulungsdaten seit 2010.
Überwindung von Simulationsgrenzen: Durch die Nutzung realer Betriebsdaten werden die Ungenauigkeiten klassischer Simulationsmodelle überwunden, was exakte, standortspezifische Prognose ermöglicht.
Intelligente Merkmalskombination: Einsatz von Ridge-Regression zur Identifikation der relevantesten Einflussfaktoren, die anschließend durch XGBoost zur Maximierung der Vorhersagegenauigkeit verarbeitet werden.
Fundierte Investitionssicherheit: Ermöglicht Entscheidungen für „Smart Investments“ und garantiert den zuverlässigen, wirtschaftlichen Einsatz des Effizienzfilters.

Quantifiziert in 14 Tage, wie viel kWh Verluste Ihr Unternehmen hat.

Anstatt sich auf theoretische Modelle oder pauschale Schätzwerte zu verlassen, greift hier eine empirische Bestandsaufnahme direkt am „Herzen“ des Netzes – dem Mittelspannungstransformator.
In vielen Betrieben werden Netzverluste als unvermeidbares „Grundrauschen“ hingenommen, da sie schwer zu lokalisieren sind. Die EDE-Auswertung (Energy Data Engineering) transformiert diffuse Energieverluste in messbare Fakten.
Präzise Quantifizierung: Verluste werden nicht mehr in Prozent vermutet, sondern in exakten Kilowattstunden (kWh) ausgewiesen.

Zeitliche Auflösung: Durch die minütliche Aufschlüsselung lassen sich Verluste bestimmten Betriebszuständen zuordnen (z. B. Lastspitzen, Einschaltvorgänge oder Standby-Zeiten).
Eine Messung über zwei Wochen ist entscheidend, um ein repräsentatives Lastprofil zu erstellen. Ein einzelner Tag könnte durch besondere Produktionszyklen oder Wartungsfenster verfälscht sein. Der 14-Tage-Zeitraum deckt:
- Unterschiedliche Schichtbetriebe ab.
- Wochenend-Grundlasten ab.
- Wiederkehrende Lastmuster auf.

Fazit

Dieses Vorgehen ist die notwendige Diagnose vor der Therapie. Erst wenn man weiß, wann, wie viel und vor allem warum Energie verloren geht, lassen sich gezielte Maßnahmen (wie z. B. der Einsatz von Effizienzfiltern oder andere Massnahmen) wirtschaftlich rechtfertigen. Es macht die unsichtbare Verschwendung im Stromnetz erstmals betriebswirtschaftlich bewertbar.

Mario Ditella,
Geschäftsführer der LIVARSA GmbH, Deutschland

Starten Sie jetzt Ihr eigenes Effizienz-Projekt!

Kontaktieren Sie uns noch heute für ein unverbindliches Vorgespräch.
15 Minuten, die sich ganz bestimmt lohnen!

Jetzt Kontakt aufnehmen