Energiemanagement ist ein entscheidender Aspekt der Risikobewertung bei unbemannten Luftfahrzeugen (Uncrewed Aerial Vehicles, UAVs), da ein leeres Akku während des Fluges nahezu zwangsläufig zu Schäden am Flugzeug und einem hohen Risiko für menschliche Verletzungen oder Sachschäden führt. Die Vorhersage des Energieverbrauchs für einen bestimmten Flug ist herausfordernd, da Routenplanung, Wetterbedingungen, Hindernisse und weitere Faktoren den Gesamtverbrauch beeinflussen. Wir entwickeln ein tiefes Energiemodell für UAVs, das Temporale Faltungsnetzwerke (Temporal Convolutional Networks, TCNs) nutzt, um zeitlich veränderliche Merkmale zu erfassen, während statische kontextuelle Informationen integriert werden. Unser Energiemodell wird auf einem realen Datensatz trainiert und erfordert keine Aufteilung von Flügen in verschiedene Betriebsmodi. Wir zeigen eine Verbesserung der Leistungsprognosen um 29 % gegenüber einer state-of-the-art analytischen Methode anhand von Testflügen. Mit dem Energiemodell können wir den Energieverbrauch für eine gegebene Flugbahn vorhersagen und das Risiko eines Akkuvollständigen während des Fluges bewerten. Wir schlagen vor, den Conditional Value-at-Risk (CVaR) als Metrik zur Quantifizierung dieses Risikos zu verwenden. Wir zeigen, dass der CVaR das Risiko im Zusammenhang mit dem schlechtesten Energieverbrauch auf einer vorgegebenen Flugbahn erfassen kann, indem er die Ausgabeverteilung von Monte-Carlo-Vorwärts-Simulationen in einen Risikoraum transformiert. Die Berechnung des CVaR auf der Verteilung im Risikoraum liefert eine Metrik, die das Gesamtrisiko eines Fluges bereits vor dem Start bewerten kann. Unser Energiemodell und das Risikobewertungsverfahren können die Flugsicherheit verbessern und die Abdeckungsfläche eines vorgeschlagenen Startortes bewerten.Das Video und der Code-Base sind verfügbar unter https://youtu.be/PHXGigqilOA und https://git.io/cvar-risk.