EPFL, Empa und SBB entwickeln KI-Modell zur Verbesserung der Stromnachfrage-Prognose für die Schweizer Bahn
Ein neues KI-Modell von Forschern der EPFL und Empa in Zusammenarbeit mit der SBB reduziert Fehler bei der Prognose des Strombedarfs erheblich. Das Modell kombiniert historische Daten mit zukünftigen Betriebs- und Fahrplandaten.
Forscher der EPFL und Empa haben in Zusammenarbeit mit den Schweizerischen Bundesbahnen (SBB) ein Modell der künstlichen Intelligenz entwickelt, das die Prognosen für den Strombedarf am Folgetag im gesamten SBB-Schienennetz deutlich verbessert.
Die zentrale Neuerung des Modells liegt in der Kombination von historischen Energieverbrauch sdaten mit kontextbezogenen Informationen wie Zugfahrplänen, operativen Planungsdaten und Wettervorhersagen. Die veröffentlichten Ergebnisse zeigen eine Reduzierung des durchschnittlichen Prognosefehlers um 26,6 Prozent, während große Fehler an untypischen Betriebstagen um etwa 80 Prozent verringert wurden.
Eine genaue Prognose des Strombedarfs ist für das Schweizer Bahn system, das ein eigenes Stromnetz betreibt, von entscheidender Bedeutung. Prognosefehler können zu operativen Risiken und erhöhten Kosten führen. Forschungen deuten darauf hin, dass eine Reduzierung des Prognosefehlers um nur ein Prozent jährliche Einsparungen von rund einer Million Schweizer Franken erzielen könnte.
Das Forschungsteam schlägt vor, ähnliche Methoden auch in anderen Sektoren anzuwenden, wie z. B. in Energiesystemen für Gebäude, in der industriellen Fertigung sowie in der Logistik und im Lieferketten management. Durch die Aggregation fragmentierter Informationen aus verschiedenen Quellen und die Planung zukünftiger Betriebsabläufe lässt sich der Bedarf präziser vorhersagen.