Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Genaue Stromprognosen sind für Bahnbetreiber bares Geld. Die Schweizerischen Bundesbahnen (SBB) haben das in einem Forschungsprojekt nachgerechnet: Eine fehlerhafte Bedarfsvorhersage kann pro Tag Mehrkosten von bis zu einer Million Euro verursachen. Ein neues KI-Modell soll dieses Risiko deutlich verringern. Bei starken Abweichungen vom Normalbetrieb sinkt der Vorhersagefehler laut den Ergebnissen um bis zu 80 Prozent.
Warum Stromprognosen für Bahnen so komplex sind
Der Strombedarf eines Schienennetzes schwankt stark. Taktänderungen, Baustellen, Verspätungen und Wetterbedingungen beeinflussen den Verbrauch kurzfristig. Klassische Prognosemodelle stoßen dabei an Grenzen. Sie arbeiten mit historischen Durchschnittswerten und reagieren träge auf ungewöhnliche Betriebszustände.
Genau in diesen Ausnahmesituationen entstehen die größten Abweichungen. Kauft ein Netzbetreiber zu viel Strom ein, zahlt er Überkapazitäten. Kauft er zu wenig, muss er teuer nachkaufen. Beides belastet die Betriebskosten direkt.
Die SBB betreibt ein eigenes 132-Kilovolt-Wechselstromnetz mit einer Frequenz von 16,7 Hertz. Es ist vom öffentlichen Netz getrennt. Das macht die Versorgungssicherheit besonders kritisch und die Prognosegenauigkeit besonders wertvoll.
Das KI-Modell im Einsatz
Das eingesetzte Modell wurde darauf trainiert, nicht nur Standardverläufe abzubilden. Es erkennt Muster in Betriebsdaten, die auf Ausnahmezustände hinweisen. Dazu gehören etwa Fahrplanverdichtungen, außerplanmäßige Zugbewegungen oder ungewöhnliche Lastspitzen.
Der wesentliche Unterschied zu konventionellen Ansätzen liegt in der Reaktionsfähigkeit. Das KI-Modell gewichtet aktuelle Betriebsdaten stärker als historische Mittelwerte. In stabilen Betriebsphasen ist der Genauigkeitsgewinn moderat. In instabilen Phasen sinkt der Fehler um bis zu 80 Prozent gegenüber dem bisherigen Verfahren.
Datengrundlage entscheidet über Qualität
Die Qualität einer solchen Prognose steht und fällt mit der Datenbasis. Fahrplandaten, Echtzeit-Betriebsdaten und historische Verbrauchswerte müssen sauber vorliegen und integriert sein. Das ist kein triviales Problem. Bei der SBB flossen Daten aus mehreren internen Systemen zusammen.
Für Unternehmen, die ähnliche Ansätze prüfen, ist das ein zentraler Hinweis: Bevor ein KI-Modell Mehrwert liefert, muss die Datenhygiene stimmen. Lücken im Datenbestand erzeugen Lücken in der Prognose.
Relevanz für energieintensive Industriebetriebe
Das SBB-Projekt ist kein Einzelfall für Bahnen. Die Grundlogik gilt für jeden Betrieb mit hohem und schwankendem Strombedarf, etwa Stahlwerke, Aluminiumhütten, Papierfabriken oder große Rechenzentren.
Wer Strom an der Börse oder über kurzfristige Kontrakte bezieht, profitiert direkt von besseren Vorhersagen. Prognoseabweichungen schlagen sich in Ausgleichsenergiekosten nieder. Diese Kosten fallen an, wenn der tatsächliche Verbrauch vom gemeldeten Fahrplan abweicht. Je größer der Betrieb, desto höher das absolute Einsparpotenzial.
KI ersetzt keine Energiestrategie
Das KI-Modell optimiert die kurzfristige Beschaffung. Es ersetzt keine langfristige Energiestrategie. Absicherungsverträge, Direktlieferverträge mit Erzeugern oder eigene Erzeugungskapazitäten bleiben separate Entscheidungen.
Das Modell verringert den Spielraum für ungeplante Mehrkosten im Tagesgeschäft. Das ist für Unternehmen mit engen Margen ein handfester Vorteil.
Fazit
Die SBB zeigt, dass KI-gestützte Stromprognosen im industriellen Maßstab funktionieren und messbare Ergebnisse liefern. Ein Fehlerrückgang von bis zu 80 Prozent in kritischen Betriebssituationen ist kein marginaler Gewinn. Für Einkaufs- und Produktionsverantwortliche in energieintensiven Branchen lohnt sich ein genauer Blick auf die eigenen Prognosemodelle. Die Frage ist nicht, ob KI hier prinzipiell helfen kann, sondern ob die eigene Datenbasis für einen solchen Einsatz bereits geeignet ist.
