EPFL entwickelt Prognosemodell für Strombedarf von SBB-Bahnnetz
Forschende der EPFL haben zusammen mit der SBB ein KI-Modell entwickelt, das die Vorhersage des Strombedarfs im Schweizer Bahnnetz verbessert. Das Modell soll die Fehlerquote für Prognosen um bis zu 80 Prozent reduzieren.
Quelle: David Gubler, bahnbilder.ch, CC BY-NC-SA 2.5 CH
Forscher der EPFL haben in Zusammenarbeit mit der SBB ein KI-Modell entwickelt, das die Prognosen für den Strombedarf im gesamten Schweizer Schienennetz verbessert. Bild: Zug zwischen Twann und Ligerz am Bielersee.
Das Schweizer Bahnnetz muss jeden Tag abschätzen, wie viel Strom benötigt wird, um den Zugbetrieb aufrechtzuerhalten. Genaue Prognosen seien jedoch anspruchsvoll, da die Nachfrage von vielen Faktoren abhänge, darunter schwankende Passagierströme, Wetterbedingungen und ändernde Betriebsabläufe, wie die ETH Lausanne (EPFL) am Montag mitteilte. Grosse Prognosefehler könnten hierbei zu erheblichen betrieblichen Risiken und Kosten führen.
Gemäss Mitteilung deuten etwa einige Studien darauf hin, dass eine Reduktion solcher Prognosefehler um ein Prozent bereits jährliche Einsparungen von rund einer Million Franken ermöglichen könnte. Um dieses Problem anzugehen, hat ein Forschungsteam der EPFL unter der Leitung von Assistenzprofessorin Olga Fink und Doktorand Raffael Pascal Theiler in Zusammenarbeit mit der SBB sowie Partnern der Empa, der ETH Zürich und des MIT ein neues KI-Prognosemodell entwickelt.
Verbesserung an ungewöhnlichen Tagen
Der Ansatz kombiniert gemäss Mitteilung historische Bahndaten mit Kontextinformationen wie Fahrplänen, Betriebsplanungsdaten und Wetterprognosen. Die im Fachjournal «Energy Reports» publizierten Resultate zeigen, dass die Einbindung dieser zusätzlichen Informationen den durchschnittlichen Prognosefehler im Vergleich zu einem Modell ohne diese Informationen um 26,6 Prozent reduzieren kann.
Noch deutlicher fällt die Verbesserung an ungewöhnlichen Tagen aus, wenn sich Zugbetrieb oder Passagierströme markant von der Vergangenheit unterscheiden: Hier sinken grosse Prognosefehler demnach um rund 80 Prozent. «Weil das Modell über Informationen zu den geplanten künftigen Betriebsabläufen verfügt, ist es auf ungewöhnliche Tage besser vorbereitet», wird Fink in der Mitteilung zitiert.
Wie die EPFL festhält, könnte der Ansatz den Schweizer Bahnbetrieb effizienter machen, indem er das Energiemanagement verbessert und gleichzeitig Kosten und Umweltbelastung reduziert.
Schweizer Bahnnetz als Testfeld
Ursprünglich konzentrierte sich das Projekt gemäss Mitteilung auf die Entwicklung von Anomalie-Erkennungsmethoden für die Stromproduktion in einem einzelnen Wasserkraftwerk. Fink und Theiler hätten aber erkannt, dass sich mit Kontextinformationen aus dem Bahnbetrieb und dem Stromnetz auch die gesamtschweizerische Prognose des Bahn-Energiebedarfs verbessern liesse. Diese Informationen seien normalerweise auf verschiedene Organisationen verteilt. Die SBB erfasse jedoch umfangreiche Betriebsdaten, darunter im Voraus bekannte Angaben wie Fahrpläne.
Dieser Datensatz habe die Gelegenheit geboten, zu untersuchen, wie das Wissen über künftige Abläufe die Prognoseleistung verbessern könnte. In komplexen Systemen wie einem nationalen Bahnnetz beeinflussen viele Faktoren den Strombedarf. Klassische Modelle, die sich ausschliesslich auf historische Daten stützten, täten sich oft schwer, diese Dynamik zu erfassen. «Ich bin kein grosser Verfechter davon, Prognosen nur auf vergangene Informationen zu stützen. In vielen Fällen können uns Informationen über die Pläne des Betreibers deutlich besser leiten als das, was wir aus der Vergangenheit ableiten können», wird Theiler in der Mitteilung zitiert.
Mit ihrem Ansatz konnten die Forschenden die Prognosegenauigkeit im Vergleich zu konventionellen Methoden deutlich verbessern. «Grosse und komplexe Systeme können nur dann effizient funktionieren, wenn viele Akteure sich an einem gemeinsamen Plan orientieren, wie sich der Betrieb voraussichtlich entwickeln wird. Ist dieser Plan dokumentiert, wird er zu einer wertvollen Informationsquelle für Prognosen», so Theiler.
Auch andere Anwendungen denkbar
Der Bahnbetrieb ist gemäss Mitteilung aber nur ein Beispiel dafür, wie zukunftsbezogene Kontextinformationen die Prognose des Energiebedarfs verbessern können. So haben die Forschenden den Ansatz auch bei Gebäude-Energiesystemen demonstriert. Denkbar seien aber auch andere Bereiche, etwa in der Fertigung, Logistik und im Lieferkettenmanagement, wo Produktionspläne und Zeitpläne Informationen über künftige Aktivitäten enthielten. «Ich hoffe, dass unsere Studie Menschen aus der Industrie dazu motiviert, ihre Daten zu untersuchen und ein System wie das von uns vorgeschlagene einzusetzen», so Theiler.
Das Schweizer Bahnstromsystem umfasst gemäss Mitteilung mehr als 1800 Kilometer Übertragungsleitungen, rund 70 Unterwerke sowie 13 Kraftwerke und Umformerstationen. Die SBB betreibt ein eigenes, vom konventionellen Stromnetz getrenntes Netz. Da Zugbewegungen eine höchst dynamische Stromnachfrage erzeugen, setzt die SBB unter anderem auf Pumpspeicherkraftwerke, um Energie zu speichern und die Produktion anzupassen. (mgt/pb)
