EPFL und SBB nutzen KI für bessere Stromprognosen im Bahnnetz. Besonders an ungewöhnlichen Tagen sinken grosse Fehler deutlich.
Die SBB muss jeden Tag abschätzen, wie viel Strom der Bahnbetrieb am nächsten Tag braucht. Das ist anspruchsvoll, weil Fahrpläne, Wetter, Betrieb und Passagierströme zusammenwirken. Grössere Abweichungen können teuer werden. Ein Team der EPFL, der Eidgenössischen Technischen Hochschule Lausanne, hat zusammen mit der SBB, Empa, ETH Zürich und MIT ein KI-Modell entwickelt, das mehr einbezieht als frühere Verbrauchsdaten. Es nutzt auch Informationen zum geplanten Betrieb, darunter Fahrpläne, Betriebsdaten und Wetterprognosen. In der Studie reduzierte dieser Ansatz den durchschnittlichen Prognosefehler um 26,6 Prozent gegenüber einem Modell, das nur mit historischen Daten arbeitet. An aussergewöhnlichen Tagen fiel der Effekt stärker aus. Dort gingen grössere Prognosefehler um bis zu 80 Prozent zurück. Der Ansatz setzt also nicht nur auf die Vergangenheit, sondern auf das, was im Netz bereits geplant ist. Gerade bei einem Bahnsystem mit festen Fahrplänen und wechselndem Betrieb kann das ein Vorteil sein. Für die SBB ist eine bessere Prognose wichtig, weil sie ein eigenes Bahnstromnetz betreibt. Genauere Vorhersagen können helfen, Produktion, Speicherung und Verbrauch besser aufeinander abzustimmen. (lfa)