KI in Transport und Mobilität: Fahrerassistenzsysteme im Schienenverkehr

Möglichkeiten zur Senkung des Energieverbrauchs

KI bei fahrerassistenzsystemen
© den-belitsky - iStock.com

Der Traktionsenergieverbrauch ist der wichtigste Kostenfaktor in der Stromrechnung eines Schienenverkehrsunternehmens. Er wird maßgeblich bestimmt durch die Fahrweise der Züge. So lässt sich eine wesentliche Senkung des Energieverbrauchs durch energieeffiziente Geschwindigkeitsprofile erzielen. Dazu gehört die möglichst ausgiebige Nutzung von Ausrollphasen, denn in diesen verbraucht der Zug keine Energie. Von entscheidender Bedeutung ist aber auch die energieeffiziente Koordination des Zugverkehrs. Dies schließt die Vermeidung zu vieler gleichzeitiger Abfahrten mit ein, denn diese sorgen für hohe Lastspitzen im Stromnetz, welche zusätzlich in Rechnung gestellt werden. Außerdem ist die Synchronisation von ankommenden mit abfahrenden Zügen relevant, um die beim Bremsen zurückgespeiste Energie eines Zuges für die Beschleunigung eines anderen nutzen zu können.

Optimierung im Energieverbrauch der Nürnberger U-Bahn

In dem Projekt »Optimierung des U-Bahn-Fahrplans zur Minimierung des Energieverbrauchs« in Zusammenarbeit mit der VAG Verkehrs-Aktiengesellschaft haben Experten des ADA Lovelace Centers Optimierungsverfahren zur Senkung des Energieverbrauchs des Nürnberger U-Bahnverkehrs entwickelt. Im Vordergrund stand dabei, die verbleibenden Freiheitsgrade in der Erstellung eines Fahrplans, insbesondere die Möglichkeit die geplanten Zugabfahrtszeiten zu verschieben, optimal zu nutzen, um die Last im Bahnstromnetz besser über die Zeit auszugleichen. Darauf aufbauend konnte zudem die Optimierung des Fahrverhaltens der Züge miteinbezogen werden, um den Gesamtenergieverbrauch zu reduzieren.

Weitere Verbesserungsmöglichkeiten durch echtzeitfähige Algorithmen

Auf Basis der bereits erzielten Ergebnisse sollen nun in der ADA Lovelace Center-Applikation »Fahrerassistenzsysteme im Schienenverkehr« echtzeitfähige Algorithmen entwickelt werden, was einen signifikanten und ambitionierten Entwicklungsschritt darstellt. Konkret bedeutet das, dass eine Steuerung der Zugabfahrten in den Bahnhöfen und der Fahrten auf der Strecke in Echtzeit erfolgen soll, realisiert durch Fahrerassistenzsysteme und mit dem Fernziel der automatischen Steuerung der Zugfahrten. Dafür bedarf es einerseits einer Weiterentwicklung der eingesetzten Optimierungsverfahren, denn deren Rechenzeit muss Entscheidungen in Echtzeit erlauben. Andererseits braucht es KI-Methoden, die in der Lage sind, auf die üblichen Verzögerungen im Betriebsablauf einzugehen, so dass die Optimalität der berechneten Geschwindigkeitsprofile auch unter Störungen gewahrt bleibt. Da es diese Methoden derzeit noch nicht gibt, sind hier grundlegende Neuentwicklungen gefragt. Der Ansatz auf dem hierfür aufgebaut werden soll, ist das Online-Learning, eine KI-Technik, die der Spieltheorie entlehnt ist und das sequentielle Treffen von Entscheidungen unter Feedback ermöglicht.