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 03.12.22)

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

Sorry, this entry is only available in German.

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito