Kurzfassung
Ein Team um EPFL-Assistenzprofessorin Olga Fink und Doktorand Raffael Pascal Theiler hat gemeinsam mit SBB, Empa, ETH Zürich und MIT ein KI-Modell entwickelt, das den täglichen Stromverbrauch des Schweizer Bahnnetzes vorhersagt.
- Ein Team um EPFL-Assistenzprofessorin Olga Fink und Doktorand Raffael Pascal Theiler hat gemeinsam mit SBB, Empa, ETH Zürich und MIT ein KI-Modell entwickelt, das den täglichen Stromverbrauch des Schweizer Bahnnetzes vorhersagt.
- Das Modell kombiniert historische Verbrauchsdaten mit Kontextinformationen wie Fahrplänen, Betriebsplanungsdaten und Wetterprognosen und senkt den durchschnittlichen Prognosefehler gegenüber rein historischen Modellen um 26,6 Prozent.
- An Tagen mit ungewöhnlichem Betrieb oder untypischen Passagierströmen sinkt der Fehler um bis zu 80 Prozent; laut Studie könnte eine Verbesserung der Prognosegenauigkeit um ein Prozent jährliche Einsparungen von rund einer Million Franken ermöglichen.
Was ist passiert?
Ein Forschungsteam der EPFL um Assistenzprofessorin Olga Fink und Doktorand Raffael Pascal Theiler hat in Zusammenarbeit mit der SBB sowie Partnern von Empa, ETH Zürich und MIT ein neues KI-Modell zur Prognose des Stromverbrauchs im Schweizer Bahnnetz entwickelt. Die Ergebnisse wurden am 20. Juli 2026 in der Fachzeitschrift «Energy Reports» veröffentlicht.
Anders als bisherige Prognosemodelle, die primär auf historischen Verbrauchsdaten beruhen, bezieht das neue Modell zusätzliche Kontextinformationen ein: Fahrpläne, Betriebsplanungsdaten und Wetterprognosen. Dadurch sinkt der durchschnittliche Prognosefehler um 26,6 Prozent gegenüber einem Modell, das nur auf historischen Daten basiert; an Tagen mit stark abweichendem Betrieb oder ungewöhnlichen Passagierströmen beträgt die Verbesserung sogar rund 80 Prozent.
Warum ist das wichtig?
Das Schweizer Bahnnetz muss täglich abschätzen, wie viel Strom für den Zugbetrieb benötigt wird – eine anspruchsvolle Aufgabe, da die Nachfrage von schwankenden Passagierströmen, Wetterbedingungen und sich ändernden Betriebsabläufen abhängt. Ungenaue Prognosen führen dazu, dass teure Regelenergie kurzfristig zu- oder verkauft werden muss.
Laut den Studienautoren könnte eine Verbesserung der Prognosegenauigkeit um nur ein Prozent jährliche Einsparungen von rund einer Million Franken ermöglichen. Die Studie zeigt damit exemplarisch, wie sich mit vergleichsweise einfachen, zusätzlichen Datenquellen – die ohnehin im Unternehmen vorhanden sind – erhebliche wirtschaftliche und energietechnische Verbesserungen erzielen lassen, ohne dass komplett neue Sensorik oder Infrastruktur nötig wäre.
Was bedeutet das für die Schweiz?
Für die SBB als eine der grössten Stromverbraucherinnen der Schweiz ist eine präzisere Verbrauchsprognose ein direkter Hebel, um Kosten zu senken und das Stromnetz zu entlasten – ein Beitrag, der angesichts der angespannten Situation bei Winterstrom und der Energiewende an Bedeutung gewinnt.
Das Projekt unterstreicht zudem, wie stark verzahnt die Schweizer Hochschullandschaft in der angewandten KI-Forschung mittlerweile arbeitet: EPFL, ETH Zürich und Empa bündeln ihre Kompetenzen gezielt mit einem konkreten Industriepartner. Für andere Infrastrukturbetreiber und Energieversorger in der Schweiz liefert die Studie ein nachahmbares Vorgehen, um mit vorhandenen Betriebs- und Wetterdaten eigene KI-Prognosemodelle zu verbessern.
Häufige Fragen
Was ist die Kernaussage zu EPFL-Team senkt mit KI-Modell die Prognosefehler beim SBB-Stromverbrauch um bis zu 80 Prozent?
Ein Team um EPFL-Assistenzprofessorin Olga Fink und Doktorand Raffael Pascal Theiler hat gemeinsam mit SBB, Empa, ETH Zürich und MIT ein KI-Modell entwickelt, das den täglichen Stromverbrauch des Schweizer Bahnnetzes vorhersagt.
Warum ist diese KI-Meldung für die Schweiz relevant?
Die SBB muss täglich abschätzen, wie viel Strom das Bahnnetz benötigt, um Angebot und Nachfrage im Stromnetz auszugleichen – präzisere Prognosen reduzieren teure Fehleinkäufe und -verkäufe von Regelenergie.
Welche Quelle nutzt KI News Schweiz für diese Einordnung?
Inside IT berichtet über die am 20. Juli 2026 in der Fachzeitschrift «Energy Reports» veröffentlichte Studie eines EPFL-Teams um Olga Fink und Raffael Pascal Theiler in Zusammenarbeit mit SBB, Empa, ETH Zürich und MIT; Nau.ch und Bahnonline.ch ordnen die Ergebnisse zusätzlich ein.