ETI 04-2023 Bachelorarbeit/ Masterarbeit Entwicklung und Implementierung einer selbstlernenden Vorhersage des Ladebedarfs einer Ladestation für Smart Charging Anwendungen

Im Forschungsprojekt SKALE wird eine skalierbare Ladeinfrastruktur auf einem Unternehmensparkplatz bestehend aus Solarcarport, Batteriespeicher und insgesamt 17 Ladepunkten aufgebaut. Ein Energie Management System (EMS) sorgt dafür, dass die Fahrzeuge mit einem hohen Anteil an erneurbarem Strom und möglichst kostengünstig geladen werden, indem das Laden in die Zeiten mit einer hohen PV-Verfügbarkeit verschoben wird. Um den Solarstrom optimal auf die einzelnen Ladevorgänge verteilen zu können, wird eine Prognose über die zukünftig zu erwartenden Ladevorgänge benötigt. Damit soll vorhergesagt werden, wann Elektrofahrzeuge an die Station kommen, wie groß deren Energiebedarf ist und wann diese wieder abfahren. Da sich das Nutzerverhalten über die Zeit ändern kann und zu Beginn nur wenige Daten zur Verfügung stehen, muss sich die Prognose kontinuierlich weiterentwickeln.

Kurzfassung: Im Rahmen der Abschlussarbeit soll auf Basis des aktuellen Stands der Forschung Methodiken zur Vorhersage der Last einer Ladestation entwickelt und implementiert werden.
Zunächst soll der Stand der Forschung anhand einer Literaturrecherche ermittelt und sich in die bestehenden Algorithmen eingearbeitet werden. Die am Institut bereits vorhandenen historischen Daten sollen analysiert, aufbereitet und nach möglichen Merkmalen und Parametern untersucht werden. Auf Basis der Literaturrecherche werden geeignete Algorithmen ausgewählt und deren Performance verglichen. In der späteren EMS-Umgebung „OpenEMS“ soll nun die Lasprognose implementiert werden und mit simulierten Elektrofahrzeugen getestet werden. Dabei beruht die implementierte Prognose zunächst auf den historischen Daten und stützt sich zunehmend auf die neu gewonnenen Informationen. Ziel der Prognose ist es, die Ankunftszeit, Abfahrtzeit und Energiebedarf zukünftiger Elektrofahrzeuge vorherzusagen.

Persönliche Qualifikation

Studiengang: Elektrotechnik, Maschinenbau, Mathematik oder MIT

Schwerpunkte: Theorie, Literatur, Simulation und Programmierung

Sie verfügen über Programmierkenntnisse sowie idealerweise über Erfahrung in der Datenanalyse und mit Machine-Learning. Eine selbstständige Arbeitsweise, Zuverlässigkeit sowie eine schnelle Auffassungsgabe und sehr gute Deutsch- und/oder Englischkenntnisse runden Ihr Profil ab.

Organisationseinheit

Vertragsdauer

6 Monate

Fachliche/r Ansprechpartner/in

Fachliche Auskünfte erteilt Ihnen gerne Herr Stein, E-Mail: alexander.stein@kit.edu.