In Zusammenarbeit mit den SBB haben Forschende der EPFL und der Empa ein KI-Modell entwickelt, das die Vorhersage des Strombedarfs des Schweizer Eisenbahnnetzes für den nächsten Tag verbessert und damit Vorhersagefehler 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 zusammenhängenden Faktoren abhängt, wie beispielsweise von Schwankungen in der Anzahl der Fahrgäste, vom Wetter und von Veränderungen im Betrieb. Erhebliche Vorhersagefehler können zu betrieblichen Risiken und hohen Kosten führen. Manche Studien ermitteln eine jährliche Einsparung von rund einer Million Schweizer Franken bei einer Reduktion des Vorhersagefehlers um nur 1 %.
Um diese Herausforderung zu meistern, hat ein Team der EPFL, unter der Leitung der 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. (....)