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.Das Schweizer Bahnnetz, ein ideales TestfeldDas Projekt zielte ursprünglich darauf ab, Methoden zur Anomalieerkennung bei der Stromerzeugung eines Wasserkraftwerks zu entwickeln. Olga Fink und Raffael Theiler erkannten jedoch schnell, dass ihr Modell durch die Nutzung von Kontextinformationen aus dem Bahnbetrieb und dem gesamten Stromnetz dazu beitragen könnte, die Herausforderung der Vorhersage des Strombedarfs der Schweizer Bahn zu bewältigen.Betriebsdaten, die die Planung des Verkehrs, die Stromversorgung, das Netzmanagement und den Verbrauch umfassen, sind in der Regel auf mehrere Organisationen verteilt. Die SBB hingegen sammelt umfassend eine grosse Menge an Betriebsdaten, einschliesslich bekannter Daten wie Fahrpläne. Diese einzigartige Datensammlung, die sowohl Energie- als auch vorausschauende Betriebsdaten umfasst, bietet eine einzigartige Gelegenheit, zu untersuchen, wie das Wissen über zukünftige Aktivitäten die Leistung von Prognosemodellen verbessern kann.Bessere Leistung gegenüber klassischen AlgorithmenIn einem so komplexen System wie einem nationalen Eisenbahnnetz beeinflussen zahlreiche Faktoren den Strombedarf, darunter die Wetterbedingungen und die Anzahl der Fahrgäste. Traditionelle Modelle, die sich ausschliesslich auf historische Daten stützen, können diese Komplexität oft nicht berücksichtigen. «Ich glaube nicht wirklich an Prognosen, die ausschliesslich auf historischen Daten basieren. In vielen Fällen geben uns die Informationen über die Pläne der Betreiber viel mehr Aufschluss als das, was wir aus der Vergangenheit ableiten können», erklärt Raffael Theiler.Durch die Kombination historischer Energiedaten mit dem «erwarteten zukünftigen» Betrieb, d. h. mit Informationen über den geplanten Systembetrieb, wie Fahrplänen, geplanten Dienstleistungen oder geplanten Aktivitäten, konnte das Team die Genauigkeit der Prognosen im Vergleich zu herkömmlichen Methoden erheblich verbessern.«Komplexe, gross angelegte Systeme können nur dann effizient funktionieren, wenn viele Akteure ihre Aktionen um einen gemeinsamen Plan herum koordinieren, der den erwarteten Ablauf der Operationen beschreibt. Wenn dieser Plan dokumentiert ist, wird er zu einer extrem wertvollen Informationsquelle für Prognosen», erklärt Raffael Theiler.Anwendungen, die über die Schienen hinausgehenDer 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.Die Methode könnte auch in anderen Branchen wie zum Beispiel die Fertigungsindustrie, die Logistik oder das Lieferkettenmanagement, wo Produktionspläne und Aktivitätskalender ebenfalls wertvolle Informationsquellen für den zukünftigen Bedarf darstellen. «Ich hoffe, dass unsere Studie die Industrie dazu anregt, ihre Daten besser zu nutzen und Systeme wie das von uns vorgeschlagene einzuführen», schliesst Raffael Theiler.Das Stromnetz der SBB umfasst über 1900 km Übertragungsleitungen, rund 87 Unterwerke, 8 Wasserkraftwerke und 12 Umspannwerke. Die SBB betreibt ihr eigenes Stromnetz, das vollständig vom konventionellen Stromnetz getrennt ist. Da die Stromnachfrage durch die Züge stark schwankt, nutzt die SBB vor allem Pumpspeicherkraftwerke, um Energie zu speichern und die Produktion an die betrieblichen Anforderungen anzupassen.