KI-Modell senkt Prognosefehler beim Strombedarf der SBB um bis zu 80 Prozent

Wie myscience.ch berichtet, haben Forschende der EPFL und der Empa gemeinsam mit der SBB ein KI-basiertes Modell entwickelt, das den Strombedarf des Schweizer Bahnnetzes für den Folgetag genauer vorhersagt. Beteiligt waren zudem die ETH Zürich und das MIT.

Der Ansatz kombiniert historische Netzdaten mit Kontextinformationen wie Zugfahrplänen, Betriebsplanungsdaten und Wetterprognosen. Die in der Fachzeitschrift «Energy Reports» publizierten Resultate zeigen, dass der durchschnittliche Vorhersagefehler damit um 26.6 Prozent tiefer liegt als bei einem Modell, das ausschliesslich auf historische Daten setzt. An Tagen mit stark abweichendem Betrieb oder ungewöhnlichen Fahrgastströmen sinkt der Fehler um rund 80 Prozent.

Die Prognosegenauigkeit hat direkte finanzielle Auswirkungen: Gemäss einzelnen Studien lassen sich pro Prozentpunkt weniger Vorhersagefehler jährlich rund eine Million Franken einsparen. Der Bedarf hängt von Fahrgastzahlen, Wetter und Betriebsänderungen ab.

Ursprünglich zielte das Projekt auf die Anomalieerkennung bei einem Wasserkraftwerk. Da die SBB Energie- und Betriebsdaten umfassend in einer Organisation sammeln, liess sich der Ansatz auf die Bedarfsprognose übertragen. Übertragbar wäre die Methode laut den Forschenden auch auf Fertigung und Logistik.

Das SBB-Stromnetz ist vollständig vom öffentlichen Netz getrennt und umfasst über 1’900 km Übertragungsleitungen, rund 87 Unterwerke, acht Wasserkraftwerke und zwölf Umspannwerke.