Bessere Vorhersage des Strombedarfs der Schweizer Eisenbahn
In Zusammenarbeit mit der SBB haben Forschende der EPFL ein KI-Modell entwickelt, das die Vorhersage des Strombedarfs des Schweizer Eisenbahnnetzes für den nächsten Tag verbessert und damit die grösseren Vorhersagefehler um bis zu 80% reduziert.
Jeden Tag muss der Schweizer Eisenbahnverkehr den Strombedarf für den Betrieb der Züge vorhersagen. Eine genaue Abschätzung ist jedoch schwierig, da die Nachfrage von vielen miteinander in Zusammenhang stehenden Faktoren abhängt, wie beispielsweise von Schwankungen in der Anzahl der Fahrgäste, vom Wetter und von ständigen Veränderungen im Betrieb. Erhebliche Vorhersagefehler können zu betrieblichen Risiken und hohen Kosten führen. Laut einigen Studien könnte eine Reduktion des Vorhersagefehlers um nur 1 % zu einer jährlichen Einsparung von rund einer Million Schweizer Franken führen.
Um diese Herausforderung zu meistern, hat ein Team der EPFL, unter der Leitung der Tenure-Track-Assistenzprofessorin Olga Fink und des Doktoranden Raffael Theiler in Zusammenarbeit mit der SBB sowie Partnern von der Empa, der ETH Zürich und des MIT, ein neues KI-basiertes Vorhersagemodell entwickelt. Ihr Ansatz kombiniert historische Daten des Schienennetzes mit Kontextinformationen wie Zugfahrplänen, Betriebsplanungsdaten und Wetterprognosen.
Die in der Fachzeitschrift «Energy Reports» veröffentlichten Ergebnisse zeigen, dass die Einbeziehung dieser zusätzlichen Informationen den durchschnittlichen Vorhersagefehler um 26,6 % gegenüber dem Modell reduziert, das sich ausschliesslich auf historische Daten stützt. Die Verbesserung ist an aussergewöhnlichen Tagen noch deutlicher, wenn der Bahnbetrieb oder die Passagierströme stark vom Üblichen abweichen. In diesen Fällen werden die grösseren Vorhersagefehler um etwa 80 % reduziert. «Da das Modell über Vorhersagen für den geplanten Betrieb verfügt, ist es besser darauf vorbereitet, ungewöhnliche Tage zu bewältigen», erklärt Olga Fink. Dieser Ansatz könnte den Betrieb des Schweizer Bahnnetzes effizienter gestalten, indem er die Energieverwaltung optimiert und gleichzeitig die Kosten sowie die Umweltauswirkungen reduziert.
Anwendungen, die über die Schienen hinausgehen
Der Betrieb eines Eisenbahnnetzes ist nur ein Beispiel dafür, wie kontextbezogene Informationen über zukünftige Abläufe die Vorhersage des Energiebedarfs verbessern können. Wissenschaftler haben bereits gezeigt, dass dieser Ansatz in Gebäudeeinrichtungs- und -betriebssystemen funktioniert, wo die Planung der Nutzung und der geplanten Aktivitäten die Vorhersage des Energieverbrauchs verbessern kann.
Autor: Hector Garcia Morales