EPFL, Empa ja SBB kehittivät tekoälymallin parantamaan sähköntarpeen ennustamista Sveitsin rataverkolla
EPFL:n, Empan ja SBB:n yhteistyössä kehittämä tekoälymalli vähentää merkittävästi sähköntarpeen ennustevirheitä Sveitsin rautatieverkossa. Malli parantaa ennusteiden tarkkuutta hyödyntämällä historiallista kulutustietoa ja tulevaisuuden toimintatietoja.
Tutkijat EPFL:stä ja Empasta ovat yhteistyössä Sveitsin rautateiden (SBB) kanssa kehittäneet uuden tekoälymallin, joka parantaa merkittävästi tietoa seuraavan päivän sähköntarpeesta koko SBB:n rataverkon alueella.
Mallin keskeinen innovaatio on historiallisten energiankulutustietojen yhdistäminen kontekstuaaliseen tietoon. Siihen sisältyvät muun muassa junien aikataulut, operatiivisen suunnittelun tiedot sekä sääennusteet. Julkaisun mukaan tämä lähestymistapa vähentää keskimääräistä ennustevirhettä 26,6 prosenttia ja merkittäviä virheitä epätavallisina toimintapäivinä jopa noin 80 prosenttia.
Tarkka sähköntarpeen ennustaminen on kriittistä Sveitsin rautatiejärjestelmälle, joka toimii erillisessä sähköverkossa. Virheet voivat johtaa toiminnallisiin riskeihin ja korkeisiin kustannuksiin. Tutkimuksen mukaan ennustevirheen yhden prosentin vähennys voisi tuoda noin miljoonan Sveitsin frangin vuosisäästöt.
Mallin kehittäneet tutkijat ehdottavat, että samanlaisia menetelmiä voitaisiin hyödyntää myös muilla aloilla, kuten rakennusten energiajärjestelmissä, valmistavassa teollisuudessa sekä logistiikassa ja toimitusketjun hallinnassa. Eri organisaatioiden hajautuneen tiedon kokoaminen etukäteen ja tulevan toiminnan suunnittelu auttavat ennustamaan tarpeita tarkemmin.