Der Eintrag "offcanvas-col1" existiert leider nicht.

Der Eintrag "offcanvas-col2" existiert leider nicht.

Der Eintrag "offcanvas-col3" existiert leider nicht.

Der Eintrag "offcanvas-col4" existiert leider nicht.

Für ein Eisenbahnverkehrsunternehmen ist optimales Energiemanagement ein wichtiger Erfolgsfaktor. Dabei wird der Strombedarf von Zügen in 15 Minuten Intervallen gemessen und entsprechend einer Planung vorab eingekauft. Um günstigere Tarife zu erzielen, erfolgt der Einkauf langfristig mit entsprechend grob geplanten Abnahmemengen. Abweichungen vom geplanten Stromverbrauch führen für die erforderliche, teure Ausgleichsenergie zu zusätzlichen Kosten (oder situationsabhängig zu Einnahmen). In diesem Projekt war das Ziel, die Stromkosten durch eine bessere Prognose zu verringern, den Strom durch weniger Aufschlag für Änderungsrisiken kurzfristig günstiger einzukaufen und die Kosten für Ausgleichsenergie insgesamt zu minimieren.

Die Herausforderung

In der Realität weicht der tatsächliche Stromverbrauch aufgrund verschiedener Ursachen vom geplanten Stromverbrauch ab. Mögliche Ursachen sind unter anderem (in der Reihenfolge ihrer Wichtigkeit):

  • Verzögerungen/Änderungen/Ausfall im Fahrplan (z.B. Baustellen)
  • Abweichungen der geplanten Zugkapazität oder des Zugfahrzeugs (Anzahl der Wagons)
  • Schwankungen in der Fahrgastauslastung
  • Außerordentliche Fahrereignisse (z.B. Notbremsungen)
  • Wettereinfluss

Ein Teil der Ursachen ist bereits vor Fahrtantritt durch operative Änderungen des Fahrplans und mit gewissem Vorlauf bekannt. Ein anderer Teil kann durch Zusatzinformationen geschätzt werden oder ergibt sich durch berechenbare Saisoneffekte.

Zur besseren Vorhersage des Stromverbrauchs müssen diese Abweichungsursachen besser modelliert werden und in die Methodik zur Vorhersage einfließen. Insgesamt lag das Einsparpotenzial in diesem Use-Case bei 5-10% im Vergleich zum langfristigen Einkauf womit sich ein sehr guter Business Case ergab.

Die Lösung

Die implementierte Kundenlösung ist ein AI-Modell zur Vorhersage des Stromverbrauchs und ein Dashboard zur Visualisierung des tatsächlichen Stromverbrauchs im Vergleich zur Prognose. In die Trainingsdaten fließen folgende Datenbestände ein

  • Tasächliche Stromverbrauchsdaten in 15 Minuten Intervallen pro Zugmaschine und in Verbindung mit der tatsächlichen Fahrstrecke und Fahrtdaten (Zeiten)
  • Operative und geplante Streckenfahrpläne
  • Zuginformationen (Zugkonfigurationen) und Auslastungsinformationen
  • Wetterinformationen

Die Herausforderungen bei den Trainingsdaten liegt darin, dass die Stromverbrauchsdaten nur im Bezug zum Messzeitpunkt und absolut zurückgelegter Entfernung zur Verfügung stehen. Mit dieser Information muss dann die tatsächliche Position des Zuges und der Streckenabschnitt laut Fahrplan hergeleitet werden. Des Weiteren sind die operativen Zugnummern des Stromverbrauchs nicht direkt den geplanten Zügen laut Fahrplan zuzuordnen, da es im operativen Betrieb durch geplante/ungeplante Betriebsvorfälle zu Umplanungen kommt. Es ist also eine aufwändige Datenaufbereitung durch das Data Warehouse notwendig, um alle Trainingsdaten in Bezug zueinander zu setzen und zu harmonisieren.

Kundennutzen

Auf Basis der entwickelten Lösung zur Stromverbrauchsprognose wird ein datengetriebener Prozess für den kurzfristigen Stromeinkauf des Eisenbahnverkehrsunternehmens ermöglicht. Hierbei werden die ungünstigen Konditionen eines langfristigen Stromeinkaufs vermieden, indem durch die bessere Prognose und Planbarkeit des Stromverbrauchs Chancen am Strommarkt genutzt werden.  

Zusätzlich werden im Stromverbrauchsdashboard Einflussfaktoren für Planungsschwankungen im Stromverbrauch analysierbar. Hierdurch können Energieeinsparpotenziale erkannt und Prozessoptimierungen eingeleitet werden z.B. bei der operativen Streckenplanung zur Vermeidung von Lastspitzen oder durch energiesparendes Fahren mit entsprechender Schulung von Triebfahrzeugführern.

Technologien

Beim Feature Engineering wird die Modellqualität durch Lagged Features (insb. historische Stromverbräuche) erhöht.

Die Prognose des Modells wurde als Teil der täglichen ETL-Verarbeitung im Batch ausgeführt. Hierbei wurde der Stromverbrauch pro Zug und Zeitintervall für den nächsten Monat prognostiziert und durch die Tagesverarbeitung aggregiert.

Die Hauptursachen für Prognosefehler sind (geordnet nach Wichtigkeit)

  • Ungeplante Verspätungen / Ausfälle
  • Ungeplante Warteereignisse (Notbremsung, Überholmanöver)
  • Unterschiedliche Fahrstile der Triebfahrzeugführer

Extreme Wetterereignisse

Das Dashboard wurde als Prototyp mit Excel implementiert. Es visualisiert den prognostizierten und tatsächlichen Stromverbrauch, die tatsächlichen Kosten und den Verlauf der Kosten/Einnahmen für die Ausgleichsenergie.

Lassen Sie uns miteinander sprechen!

Kontaktieren Sie uns über das folgende Formular oder vereinbaren Sie einfach ein Beratungsgespräch.

 

© 2024 Informationsfabrik GmbH

Wir beraten

Informationsfabrik GmbH

Albersloher Weg 10c
48155 Münster
Germany

T +49 (0) 251 / 91 99 79-0
F +49 251 / 91 99 79-9