Mieux prévoir les besoins en électricité du rail suisse
En collaboration avec les CFF, des chercheuses et chercheurs de l’EPFL ont développé un modèle d’IA qui améliore les prévisions de la demande en électricité du réseau ferroviaire suisse pour le lendemain, réduisant ainsi les erreurs de prédiction majeures jusqu’à 80%.
En collaboration avec les CFF, des chercheuses et chercheurs de l’EPFL ont développé un modèle d’IA qui améliore les prévisions de la demande en électricité du réseau ferroviaire suisse pour le lendemain, réduisant ainsi les erreurs de prédiction majeures jusqu’à 80%.
Chaque jour, le réseau ferroviaire suisse doit anticiper la quantité d’électricité nécessaire pour assurer la circulation des trains. Établir des prévisions précises est toutefois complexe, car la demande dépend de nombreux facteurs interdépendants, notamment les fluctuations du nombre de voyageurs, les conditions météorologiques et l’évolution constante de l’exploitation ferroviaire. Des erreurs importantes de prévision peuvent entraîner des risques opérationnels et des coûts considérables. Selon certaines études, une réduction de seulement 1% de l’erreur de prévision pourrait représenter une économie annuelle d’environ un million de francs suisses.
Pour relever ce défi, une équipe du Laboratoire de systèmes intelligents de maintenance et d'opérations de l’EPFL, dirigée par la professeure assistante tenure track Olga Fink et le doctorant Raffael Theiler, a développé un nouveau modèle de prévision basé sur l’IA en collaboration avec les CFF ainsi que des partenaires de l'Empa, de l'ETH Zurich et du MIT. Leur approche combine des données historiques sur le réseau ferroviaire avec des éléments contextuels, telles que les horaires des trains, les données de planification des opérations et les prévisions météorologiques.
Les résultats, publiés dans la revue Energy Reports, montrent que l’intégration de ces informations supplémentaires réduit l’erreur de prévision moyenne de 26,6 % par rapport au modèle qui ne s’appuie que sur les données historiques. L’amélioration est encore plus marquée lors de journées atypiques, lorsque l’exploitation ferroviaire ou les flux de passagers diffèrent fortement des habitudes. Dans ces situations, les erreurs de prévision les plus importantes sont réduites d’environ 80%. «Parce que le modèle dispose d’anticipations sur les opérations prévues, il est mieux préparé à gérer les journées inhabituelles», explique Olga Fink. Cette approche pourrait rendre l’exploitation du réseau ferroviaire suisse plus efficace en optimisant la gestion de l’énergie, tout en réduisant les coûts et l’impact environnemental.
Des applications qui sortent des rails
L’exploitation ferroviaire n’est qu’un exemple de la manière dont des informations contextuelles sur les opérations futures peuvent améliorer les prévisions de la demande énergétique. Les scientifiques ont déjà démontré l’intérêt de cette approche dans les systèmes énergétiques des bâtiments, où les plannings d’occupation et les activités programmées permettent d’améliorer les prévisions de consommation.
Auteur: Hector Garcia Morales