Navigation

Kolloquiumsvortrag 17. November 2020, Philipp Winklmann

Bild Besprechungsraum 04.137
Bild der Präsentationsfläche

Datenanalyse von realen Ladevorgängen von Elektrofahrzeugen /
Vorhersage des Nutzerverhaltens unter Verwendung von ML-Verfahren

Es ist wichtig, das Ladeverhalten der Besitzer von Elektrofahrzeugen zu verstehen und vorhersagen zu können, um EVs als Potentiale nutzen zu können. Andernfalls kann die ständig steigende Zahl zugelassener Elektrofahrzeuge schnell zu einem Problem für das Stromnetz werden. Die wichtigsten Aspekte dieses Ladeverhaltens sind die Dauer, bis der Nutzer sein Fahrzeug abholen wird, und die Energiemenge, die das Fahrzeug aufnehmen kann. Diese Kenngrößen müssen abgeschätzt werden, um das Elektrofahrzeug einplanen und so Spitzennachfragen vermeiden zu können.
In dieser Arbeit wird ein vergleichsweise neuer Datensatz untersucht und im zweiten Teil als Grundlage für das Evaluieren verschiedener Vorhersagetechniken genutzt. Wir vergleichen die Ergebnisse mehrerer Regressoren und clustern die Ladesessions nach verschiedenen Aspekten, um möglichst ideale Vorhersagen treffen zu können. Neben dem Erzielen von bestmöglichen Ergebnissen ist ein weiteres Ziel dieser Arbeit zu untersuchen, mit wie viel Aufwand wie gute Ergebnisse möglich sind.
Im Laufe der Untersuchungen zeigt sich, dass sich die Ergebnisse durch das Prüfen verschiedener Features, Cluster und anderer Faktoren verbessern. Den größten Einfluss hat jedoch das Entfernen von Daten, die vom Normalverhalten abweichen. Beim Clustern nach UserIDs fällt auf, dass durch das Setzen von hohen Ansprüchen an ein Cluster zwar 75% der Daten in ein schlecht zu schätzendes Restcluster fallen, die übrigen 25% jedoch weniger als 25% des Ausgangsfehlers aufweisen.
Da es sich bei den hohen Anforderungen um Ladesessions handelt, die ein Nutzer durchgeführt haben muss, ist davon auszugehen, dass entsprechend regelmäßig besuchte Parkplätze sehr gute Vorhersagewerte erzielen und somit das Laden der Autos optimal verteilen können.

 

Zeit: 10:15 Uhr

Zoom-Meeting

————————————

Zoom-Meeting beitreten
https://fau.zoom.us/j/91355939802?pwd=V3AxUll3K01lU0ErNTBQYUV5YVFjQT09

Meeting-ID: 913 5593 9802
Kenncode: 871417
Schnelleinwahl mobil
+12532158782,,91355939802#,,,,,,0#,,871417# Vereinigte Staaten von Amerika (Tacoma)
+13017158592,,91355939802#,,,,,,0#,,871417# Vereinigte Staaten von Amerika (Germantown)

Einwahl nach aktuellem Standort
+1 253 215 8782 Vereinigte Staaten von Amerika (Tacoma)
+1 301 715 8592 Vereinigte Staaten von Amerika (Germantown)
+1 312 626 6799 Vereinigte Staaten von Amerika (Chicago)
+1 346 248 7799 Vereinigte Staaten von Amerika (Houston)
+1 669 900 6833 Vereinigte Staaten von Amerika (San Jose)
+1 929 205 6099 Vereinigte Staaten von Amerika (New York)
Meeting-ID: 913 5593 9802
Kenncode: 871417
Ortseinwahl suchen: https://fau.zoom.us/u/aD4Tu0ds2

Über SIP beitreten
91355939802@zoomcrc.com

Über H.323 beitreten
162.255.37.11 (USA
Westen)
162.255.36.11 (USA
Osten)
213.19.144.110 (Amsterdam
Niederlande)
213.244.140.110 (Deutschland)
Kenncode: 871417
Meeting-ID: 913 5593 9802