Les CFF veulent gagner des millions grâce à une IA de l'EPFL

En collaboration avec les CFF, des chercheurs de l’EPFL ont conçu un modèle d’IA qui améliore nettement les prévisions de la demande électrique du réseau ferroviaire suisse pour le lendemain. En intégrant des données opérationnelles futures, il réduit les erreurs majeures jusqu’à 80 % et optimise la gestion énergétique.

Crédit image: David Gubler, bahnbilder.ch, CC BY-NC-SA 2.5 CH.

Le modèle d’IA développé par l’EPFL et les CFF peut faire économiser des millions chaque année.

Chaque jour, le réseau ferroviaire suisse doit anticiper la quantité d’électricité nécessaire pour assurer la circulation des trains. Etablir des prévisions précises est toutefois complexe, car la demande dépend de nombreux facteurs interdépendants, notamment les fluctuations du nombre de voyageurs, les conditions météorologiques et l’évolution constante de l’exploitation ferroviaire. Des erreurs importantes de prévision peuvent entraîner des risques opérationnels et des coûts considérables. Selon certaines études, une réduction de seulement 1 % de l’erreur de prévision pourrait représenter une économie annuelle d’environ un million de francs suisses.

Pour relever ce défi, une équipe du Laboratoire de systèmes intelligents de maintenance et d'opérations de l’EPFL, dirigée par la professeure assistante tenure track Olga Fink et le doctorant Raffael Theiler, a développé un nouveau modèle de prévision basé sur l’IA en collaboration avec les CFF ainsi que des partenaires de l'Empa, de l'EPFZ Zurich et du MIT. Leur approche combine des données historiques sur le réseau ferroviaire avec des éléments contextuels, telles que les horaires des trains, les données de planification des opérations et les prévisions météorologiques.

Les résultats, publiés dans la revue Energy Reports, montrent que l’intégration de ces informations supplémentaires réduit l’erreur de prévision moyenne de 26,6 % par rapport au modèle qui ne s’appuie que sur les données historiques. L’amélioration est encore plus marquée lors de journées atypiques, lorsque l’exploitation ferroviaire ou les flux de passagers diffèrent fortement des habitudes. Dans ces situations, les erreurs de prévision les plus importantes sont réduites d’environ 80 %. « Parce que le modèle dispose d’anticipations sur les opérations prévues, il est mieux préparé à gérer les journées inhabituelles », explique Olga Fink. Cette approche pourrait rendre l’exploitation du réseau ferroviaire suisse plus efficace en optimisant la gestion de l’énergie, tout en réduisant les coûts et l’impact environnemental.

Terrain d’expérimentation idéal

Le projet visait initialement à développer des méthodes de détection d’anomalies pour la production d’électricité d’une centrale hydroélectrique. Olga Fink et Raffael Theiler ont toutefois rapidement compris qu’en exploitant les informations contextuelles de l’exploitation ferroviaire et de l’ensemble du réseau électrique, leur modèle pourrait contribuer à relever le défi lié à la prévision de la demande en électricité du rail suisse.

Les données opérationnelles, qui couvrent la planification des transports, l’approvisionnement en électricité, la gestion du réseau et la consommation, sont généralement réparties entre plusieurs organisations. Les CFF, en revanche, collectent de manière exhaustive une grande quantité d’informations opérationnelles, y compris des données connues à l’avance, comme les horaires des trains. Cet ensemble de données unique, combinant mesures énergétiques et aspects opérationnels prospectifs, constitue une occasion unique d’étudier comment la connaissance des activités à venir peut améliorer les performances des modèles de prévision.

Supérieur aux algorithmes classiques

Dans un système aussi complexe qu’un réseau ferroviaire national, de nombreux facteurs influencent la demande en électricité, notamment les conditions météorologiques et l’affluence des voyageurs. Les modèles traditionnels, qui reposent uniquement sur les données historiques, peinent souvent à prendre en compte cette complexité. « Je ne crois pas vraiment aux prévisions fondées uniquement sur les données du passé. Dans de nombreux cas, les informations sur les plans des opérateurs nous guident bien plus que ce que nous pouvons déduire des faits passés », explique Raffael Theiler.

En combinant les données historiques de consommation d’énergie avec le « futur attendu », c’est-à-dire des éléments décrivant le fonctionnement prévu du système, comme les horaires ferroviaires, les services planifiés ou les activités programmées, l’équipe a considérablement amélioré la précision des prévisions par rapport aux approches conventionnelles.

« Les systèmes complexes de grande envergure ne peuvent fonctionner efficacement que si de nombreux acteurs coordonnent leurs actions autour d’un plan commun décrivant le déroulement attendu des opérations. Lorsque ce plan est documenté, il devient une source d’information extrêmement précieuse pour les prévisions », souligne Raffael Theiler.

Des applications qui sortent du rail

L’exploitation ferroviaire n’est qu’un exemple de la manière dont des informations contextuelles sur les opérations futures peuvent améliorer les prévisions de la demande énergétique. Les scientifiques ont déjà démontré l’intérêt de cette approche dans les systèmes énergétiques des bâtiments, où les plannings d’occupation et les activités programmées permettent d’améliorer les prévisions de consommation.

Cette méthode pourrait également être appliquée à d’autres secteurs, comme l’industrie manufacturière, la logistique ou la gestion des chaînes d’approvisionnement, où les plans de production et les calendriers d’activité constituent eux aussi des sources précieuses d’informations sur les besoins futurs. « J’espère que notre étude encouragera les acteurs de l’industrie à mieux exploiter leurs données et à adopter des systèmes comme celui que nous proposons », conclut Raffael Theiler.

Le système d’alimentation électrique du réseau ferroviaire suisse comprend plus de 1900 km de lignes de transport, environ 87 sous-stations, 8 centrales hydroélectriques et 12 stations de conversion. Les CFF exploitent leur propre réseau électrique, entièrement distinct du réseau électrique conventionnel. Comme les déplacements des trains entraînent des variations très importantes de la demande en électricité, les CFF s’appuient notamment sur des centrales hydroélectriques de pompage-turbinage afin de stocker l’énergie et d’adapter la production aux besoins de l’exploitation.

Auteur: Hector Garcia Morales/ENAC

Source: EPFL