EPFL sviluppa un'IA per prevedere il fabbisogno elettrico della rete ferroviaria svizzera
Integra dati storici, orari dei treni, piani operativi e previsioni meteorologiche, riducendo gli errori del 26,6% e fino all'80% nei giorni atipici
Una squadra del Politecnico federale di Losanna (EPFL) ha sviluppato un modello basato sull'intelligenza artificiale (IA) in grado di prevedere con maggiore precisione il fabbisogno di energia elettrica della rete ferroviaria svizzera per il giorno seguente. Questo sistema, elaborato in collaborazione con le FFS, consente di ridurre gli errori di stima.
Il modello dei ricercatori dell'EPFL utilizza i dati storici della rete ferroviaria, ai quali aggiunge elementi contestuali, come gli orari dei treni, i dati di pianificazione delle operazioni e le previsioni meteorologiche.
I risultati, pubblicati sulla rivista Energy Reports, mostrano che «l'integrazione di queste informazioni supplementari riduce l'errore medio di previsione del 26,6% rispetto al modello basato unicamente sui dati storici», ha comunicato oggi l'EPFL.
Il miglioramento in termini di precisione è ancora più evidente nelle giornate cosiddette atipiche, quando l'esercizio ferroviario o i flussi di passeggeri si discostano notevolmente dai modelli abituali. In queste situazioni, gli errori di previsione possono essere ridotti fino all'80%.
«In un sistema complesso come una rete ferroviaria nazionale, sono numerosi i fattori che influenzano il fabbisogno di energia elettrica, in particolare le condizioni meteorologiche e l'affluenza dei viaggiatori», scrive l'EPFL. I modelli tradizionali, basati unicamente sui dati storici, spesso faticano a tenere conto di questa complessità.
«Non credo molto alle previsioni fondate esclusivamente sui dati del passato. In molti casi, le informazioni sui piani degli operatori offrono indicazioni nettamente migliori rispetto a quelle che si possono ricavare dalle informazioni storiche», indica il dottorando Raffael Theiler, citato nel comunicato, che ha condotto la ricerca con la professoressa assistente Olga Fink.
Questo metodo potrebbe essere applicato anche ad altri settori, come l'industria manifatturiera, la logistica o la gestione delle catene di approvvigionamento. «Spero che il nostro studio incoraggi gli attori dell'industria a sfruttare meglio i loro dati e ad adottare sistemi come quello che proponiamo», aggiunge Theiler nella nota.