Intelligentes Entscheidungsunterstützungssystem für Ladevorgänge an Stromtankstellen

Bibtex

Cite as text

						@Select Types{,
							 
							 
							 
							 
							 
							Journal   = "Band-1",
							 Title= "Intelligentes Entscheidungsunterstützungssystem für Ladevorgänge an Stromtankstellen", 
							Author= "Hegele, Theresa, Markgraf, Moritz, Preisler, Carina, Baumgarte, Felix", 
							Doi= "https://doi.org/10.30844/wi_2020_r4-hegele", 
							 Abstract= "Die deutsche Bundesregierung zielt darauf ab, bis 2022 eine Million Elektroautos auf die Straßen zu bringen. Bisher erscheint dieses Ziel jedoch unerreichbar, da zahlreiche Autofahrer auf den Kauf von Elektroautos verzichten. Als Grund nennen sie dabei primär die unzureichend ausgebaute Ladeinfrastruktur, die unter anderem aus der Unrentabilität des Betreibens von Stromtankstellen resultiert. Eine Möglichkeit, die Profitabilität solcher Investments zu steigern, ist, die Verweildauer der Ladekunden zu nutzen, um die Ladevorgänge auf monetär günstige Zeitpunkte zu legen. Intelligente Decision Support Systems können die aggregierte Berücksichtigung aller relevanten Einflussfaktoren unterstützen. Bisherige Lösungsansätze aus dem Bereich Green IS setzen beispielsweise auf die Reinforcement Learning Methode Q-Learning. Aufgrund der geringen Skalierbarkeit ist sie allerdings nicht auf größere Stromtankstellen anwendbar. Um auf diese Herausforderung einzugehen, wird in dieser Arbeit ein Deep Reinforcement Learning Ansatz verfolgt. Die Evaluation in einem Realwelt- Setting zeigt, dass die Profitabilität von Stromtankstellen durch den Einsatz dieses Modells deutlich steigt.

", 
							 Keywords= "Decision Support Systems, Elektromobilität, Stromtankstelle, Green IS, Deep Reinforcement Learning", 
							}
					
Hegele, Theresa, Markgraf, Moritz, Preisler, Carina, Baumgarte, Felix: Intelligentes Entscheidungsunterstützungssystem für Ladevorgänge an Stromtankstellen. Online: https://doi.org/10.30844/wi_2020_r4-hegele (Abgerufen 05.10.24)

Abstract

Abstract

Die deutsche Bundesregierung zielt darauf ab, bis 2022 eine Million Elektroautos auf die Straßen zu bringen. Bisher erscheint dieses Ziel jedoch unerreichbar, da zahlreiche Autofahrer auf den Kauf von Elektroautos verzichten. Als Grund nennen sie dabei primär die unzureichend ausgebaute Ladeinfrastruktur, die unter anderem aus der Unrentabilität des Betreibens von Stromtankstellen resultiert. Eine Möglichkeit, die Profitabilität solcher Investments zu steigern, ist, die Verweildauer der Ladekunden zu nutzen, um die Ladevorgänge auf monetär günstige Zeitpunkte zu legen. Intelligente Decision Support Systems können die aggregierte Berücksichtigung aller relevanten Einflussfaktoren unterstützen. Bisherige Lösungsansätze aus dem Bereich Green IS setzen beispielsweise auf die Reinforcement Learning Methode Q-Learning. Aufgrund der geringen Skalierbarkeit ist sie allerdings nicht auf größere Stromtankstellen anwendbar. Um auf diese Herausforderung einzugehen, wird in dieser Arbeit ein Deep Reinforcement Learning Ansatz verfolgt. Die Evaluation in einem Realwelt- Setting zeigt, dass die Profitabilität von Stromtankstellen durch den Einsatz dieses Modells deutlich steigt.

Keywords

Schlüsselwörter

Decision Support Systems, Elektromobilität, Stromtankstelle, Green IS, Deep Reinforcement Learning

References

Referenzen

1. Bundesregierung: Aufgabe des Elektrofahrzeuge-Ziels der Bundesregierung (Drucksache 18/12670). Drucksache, http://dip21.bundestag.de/dip21/btd/18/130/1813034.pdf (2017)
2. Ahlswede, A.: Anzahl der Elektroautos in Deutschland von 2006 bis 2019, https://de.statista.com/statistik/daten/studie/265995/umfrage/anzahl-derelektroautos- in-deutschland/
3. Ahlswede, A.: Was spricht aus Ihrer Sicht gegen die Anschaffung eines Elektroautos?, https://de.statista.com/statistik/daten/studie/164474/umfrage/top-10- gruende-fuer-die-ablehnung-von-elektroautos/
4. Presse- und Informationsamt der Bundesregierung: Rede von Bundeskanzlerin Merkel beim Symposium „10 Jahre Elektromobilität – Zukunft wird Gegenwart“ der Mennekes GmbH & Co. KG am 27. September 2018 (2018)
5. Presse- und Informationsamt der Bundesregierung: Neue Kraftstoffe und Antriebe, https://www.bundesregierung.de/breg-de/themen/neue-kraftstoffe-undantriebe- 994216
6. Sortimo Innovationspark Zusmarshausen. Zukunftsweisendes Projekt wird umgesetzt. Zusmarshausen (2017)
7. Bundesministerium für Verkehr und digitale Infrastruktur: Förderrichtlinie Ladeinfrastruktur für Elektrofahrzeuge, https://www.bmvi.de/SharedDocs/DE/Artikel/G/foerderrichtlinieladeinfrastruktur- elektrofahrzeuge.html
8. Vetter, P.: Was der Strom für ein Elektroauto pro Jahr kosten wird, https://www.welt.de/wirtschaft/article172139579/Elektroautos-Ladesaeulenkosten- mindestens-360-Milliarden-Dollar-bis-2025.html
9. Uddin, M., Romlie, M.F., Abdullah, M.F., Halim, S.A., Bakar, A.H.A., Kwang, T.C.: A review on peak load shaving strategies. Renewable and Sustainable Energy Reviews, 3323–3332 (2018)
10. Glavic, M., Fonteneau, R., Ernst, D.: Reinforcement Learning for Electric Power System Decision and Control: Past Considerations and Perspectives. IFACPapersOnLine 50, 6918–6927 (2017)
11. Valogianni, K., Ketter, W., Collins, J.: Smart Charging of Electric Vehicles Using Reinforcement Learning. In: Proceedings of the 15th AAAI Conference on Trading Agent Design and Analysis, pp. 41–48. AAAI Press (2013)
12. O’Neill, D., Levorato, M., Goldsmith, A., Mitra, U.: Residential Demand Response Using Reinforcement Learning. IEEE SmartGridComm (2010)
13. Veldman, E., Verzijlbergh, R.A.: Distribution Grid Impacts of Smart Electric Vehicle Charging From Different Perspectives. IEEE Transactions on Smart Grid 6, 333–342 (2015)
14. Dimitrov, S., Lguensat, R.: Reinforcement Learning Based Algorithm for the Maximization of EV Charging Station Revenue. In: International Conference on Mathematics and Computers in Sciences and in Industry (MCSI), 2014. Varna, Bulgaria, 13 – 15 September 2014, pp. 235–239. IEEE, Piscataway, NJ (2014)
15. Lin, L.-J.: Self-Improving Reactive Agents Based On Reinforcement Learning, Planning and Teaching. Machine Learning 1992, 293–321 (1992)
16. Mönnig, A., Schneemann, C., Weber, E., Zika, G., Helmrich, R.: Elektromobilität 2035: Effekte auf Wirtschaft und Erwerbstätigkeit durch die Elektrifizierung des Antriebsstrangs von Personenkraftwagen (2018)
17. Kingma, D.P., Ba, J.: Adam: A Method for Stochastic Optimization. In: Bengio, Y., LeCun, Y. (eds.) 3rd International Conference on Learning Representations. Conference Track Proceedings (2015)
18. Projektskizze zum Sortimo Innovationspark Zusmarshausen. Offenes IKTÖkosystem zur cross-sektoralen Steuerung und Betriebsführung der Energieinfrastruktur an einem multifunktionalen Hub für Mobilität, Produktion und Quartiersversorgung (2019)
19. Pfenninger, S., Staffell, I.: Data Platform. Weather Data. Open Power System Data (2019)
20. Muehlenpfordt, J.: Data Platform. Time Series. Open Power System Data (2019)

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito