EPFL, Empa et CFF développent un modèle IA pour améliorer la prévision de la demande d'électricité du rail suisse
Un nouveau modèle d'IA, développé par des chercheurs de l'EPFL et de l'Empa en collaboration avec les CFF, réduit considérablement les erreurs de prévision de la demande d'électricité. Le modèle combine des données historiques avec des informations opérationnelles et d'horaires futures.
Des chercheurs de l'EPFL et de l'Empa, en collaboration avec les Chemins de fer fédéraux suisses (CFF), ont développé un modèle d'intelligence artificielle qui améliore considérablement les prévisions de la demande d'électricité du lendemain sur l'ensemble du réseau ferroviaire des CFF.
L'innovation clé du modèle réside dans la combinaison des données historiques de consommation d'énergie avec des informations contextuelles, notamment les horaires des trains, les données de planification opérationnelle et les prévisions météorologiques. Les résultats publiés indiquent une réduction du erreur moyen de prévision de 26,6 %, avec une réduction d'environ 80 % des erreurs majeures lors des jours d'exploitation inhabituels.
La prévision précise de la demande d'électricité est essentielle pour le système ferroviaire suisse, qui fonctionne sur un réseau électrique dédié. Les erreurs de prévision peuvent entraîner des risques opérationnels et une augmentation des coûts. Des recherches suggèrent qu'une réduction de 1 % de l'erreur de prévision pourrait générer des économies annuelles d'environ un million de francs suisses.
L'équipe de recherche propose que des méthodes similaires puissent être appliquées à d'autres secteurs, tels que les systèmes énergétiques des bâtiments, la fabrication industrielle, ainsi que la logistique et la gestion de la chaîne d'approvisionnement. En agrégeant des informations fragmentées provenant de diverses sources et en planifiant les opérations futures, la demande peut être prédite plus précisément.