h1

000974102 001__ 974102
000974102 005__ 20241203111719.0
000974102 0247_ $$2HBZ$$aHT030633050
000974102 0247_ $$2Laufende Nummer$$a42863
000974102 0247_ $$2datacite_doi$$a10.18154/RWTH-2023-11220
000974102 037__ $$aRWTH-2023-11220
000974102 041__ $$aEnglish
000974102 082__ $$a621.3
000974102 1001_ $$0P:(DE-82)IDM02933$$aHecht, Christopher$$b0$$urwth
000974102 245__ $$aUsage overview, prediction, and siting optimization for electric vehicles public charging infrastructure with machine learning and big data methods$$cvorgelegt von Christopher Hecht, M.Sc.$$honline
000974102 260__ $$aAachen$$bRWTH Aachen University$$c2023
000974102 260__ $$c2024
000974102 300__ $$a1 Online-Ressource : Illustrationen
000974102 3367_ $$02$$2EndNote$$aThesis
000974102 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000974102 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000974102 3367_ $$2BibTeX$$aPHDTHESIS
000974102 3367_ $$2DRIVER$$adoctoralThesis
000974102 3367_ $$2DataCite$$aOutput Types/Dissertation
000974102 3367_ $$2ORCID$$aDISSERTATION
000974102 4900_ $$aAachener Beiträge des ISEA$$v171
000974102 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024. - Überarbeitete Auflage mit Korrektur von Abbildungen verfügbar
000974102 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2023$$gFak06$$o2023-09-06
000974102 5203_ $$aDer anthropogene Klimawandel, der durch Treibhausgasemissionen verursacht wird, ist eine der größten Herausforderungen, die die Menschheit im 21. Jahrhundert bewältigen muss. Wir müssen die Emissionen schnell reduzieren, um bis zur Mitte des Jahrhunderts Netto-Null-Emissionen zu erreichen, wie im Pariser Abkommen festgelegt. Betrachtet man die letzten Jahre, fällt auf, dass die Mobilität besonders schwer zu dekarbonisieren ist. Für den Straßenverkehr ist die Elektromobilität ein Weg, um die Emissionen in dem erforderlichen Umfang und Tempo zu senken. Um diesen Übergang zu elektrischen Antrieben zu realisieren, ist eine Ladeinfrastruktur erforderlich. Neben privaten Lademöglichkeiten ist eine öffentliche Ladeinfrastruktur unerlässlich, um sicherzustellen, dass die Fahrzeuge auch unterwegs oder auf längeren Strecken aufgeladen werden können. In dieser Dissertation werden Methoden des maschinellen Lernens und Big Data eingesetzt, um den Betrieb der Ladeinfrastruktur zu verbessern. Auf der Grundlage umfangreicher Felddaten zeigen wir typische Nutzungsmuster für die öffentliche Ladeinfrastruktur, wie z. B. dass die Ladestationen vor allem tagsüber und in städtischen Zentren genutzt werden. Wechselstrom-Ladegeräte werden eher unter der Woche genutzt, Gleichstrom-Ladegeräte eher am Wochenende. Diese Muster werden von Nutzer:innen verursacht, die in die Kategorien "Anwohner:in", "Pendler:in" und "Gelegenheitsnutzer:in" eingeteilt werden können. Pendler:innen laden tagsüber und im Vergleich zu den anderen Gruppen häufiger in Industriegebieten. Gelegenheitslader:innen laden ebenfalls hauptsächlich tagsüber, bleiben aber kürzer an der Station und besuchen diese viel seltener. Beide Gruppen treiben die Nachfragespitze tagsüber in den städtischen und industriellen Gebieten an. In städtischen und vorstädtischen Gebieten hingegen erzeugen die Anwohner:innen die Nachfrage und laden eher abends. Die Kombination der Gruppen führt zu unterschiedlichen Mustern in den verschiedenen Gebietstypen: In Industriegebieten gibt es eine einzige Ladespitze während des Tages und hauptsächlich an Wochentagen. Städtische Gebiete weisen tagsüber eine starke Spitze auf, die von Pendler:innen und Gelegenheitsnutzer:innen verursacht wird, die dort arbeiten oder das Gebiet besuchen. Eine zweite Spitze wird am frühen Abend von den zurückkehrenden Einwohner:innen erzeugt. Vorstädtische Gebiete weisen ein ähnliches Muster auf, aber da dort tagsüber weniger Menschen unterwegs sind, ist der Spitzenwert tagsüber niedriger als in städtischen Gebieten. In unbewohnten Gebieten schließlich werden hauptsächlich Schnelllader gebaut, die praktisch nur von Gelegenheitsnutzer:innen genutzt werden, die tagsüber anreisen. Die in dieser Arbeit vorgestellten Methoden des maschinellen Lernens sind in der Lage, zeitliche und räumliche Nutzungsmuster vorherzusagen. Für die Vorhersage in der Zeit sagen die vorgestellten Tools mit einer Genauigkeit von 95 % und einem Mathews Choice Coefficient von 0,8 voraus, ob eine bestehende Station zu mindestens 50 % belegt sein wird. Der Algorithmus kategorisiert die Belegungswahrscheinlichkeit außerdem in die Kategorien "sehr niedrig" bis "sehr hoch". Dies ermöglicht es Betreiber:innen von Navigationssystemen, Ladepunkten, Energieversorgern, Netzbetreibern und anderen Akteuren, die Infrastruktur auf mögliche Nachfragespitzen vorzubereiten und Nutzer umzuleiten, deren Ladebedarf flexibel ist. Was die Vorhersage im Raum betrifft, erreicht das vorgestellte Regressionsmodell ein R2 von 0,18, wobei praktisch alle Merkmale einen p-Wert von weniger als 0,05 haben. Das vergleichsweise niedrige R2 deutet darauf hin, dass das Modell nicht die gesamte Komplexität der Ladestationsnutzung erklären kann, aber es kommt ihr nahe, da viele unbeobachtbare Faktoren bei der Ladestationsnutzung eine Rolle spielen. Studien, die sich auf groß angelegte Daten wie in dieser Dissertation stützen, haben den Vorteil, dass sie ein repräsentatives und empirisches Bild der Welt zeichnen. Modellbasierte Ansätze unterliegen immer Annahmen, die möglicherweise nicht mit der Realität übereinstimmen. Soweit ich weiß, gibt es für Deutschland Anfang 2023 keine anderen Studien und nur wenige für andere Länder, die den gleichen Detaillierungsgrad und die gleiche Genauigkeit aufweisen.$$lger
000974102 520__ $$aAnthropogenic climate change caused by greenhouse gas emissions is among the biggest challenges that humanity must tackle in the 21st century. We must reduce emissions rapidly with the goal of reaching net-zero emissions by the middle of the century as stated in the Paris Agreement. Looking at the last years, mobility stands out as particularly hard to decarbonize. For road traffic, electromobility is a path to drive down emissions at the required scale and speed. To realise this transition to electric drivetrains, charging infrastructure is required. Next to private recharging opportunities, public charging infrastructure is essential to ensure that vehicles can also be recharged while away on the road or while travelling longer distances. This dissertation applies machine learning and big data methods to improve the operation of charging infrastructure. Based on extensive field datasets, we show typical usage patterns for public charging infrastructure such as chargers being occupied predominantly during the day and in urban centres. Alternating current chargers are used more during the week while direct current chargers are used more on the weekend. These patterns are generated by users that can be grouped into the categories “resident”, “commuter”, and “opportunity user”. Commuters charge during the day and more frequently in industrial areas as compared to the other groups. Opportunity chargers also charge mostly during the day but remain at the station for shorter periods and visit stations much less frequently. Both groups drive the demand spike during the day in the urban and industrial areas. In contrast, residents generate demand in urban and suburban environment and lean towards charging in the evening. The combination of the groups leads to distinct patterns in the various area types: Industrial areas experience a single charging peak during the day and mostly on weekdays. Urban areas show a strong peak during the day from commuters and opportunity users working or visiting the areas. A second peak is generated in the early evening from the returning residents. Suburban areas show a similar pattern, but since less people frequent these during the day, the daytime peak is lower as in urban areas. Lastly, uninhabited areas are mostly used by fast-chargers which are practically only used by opportunity users coming in during the day.The machine learning methods introduced in this dissertation are able to predict usage patterns in time and space. For the prediction in time, the tools introduced predict whether an existing station will be occupied to at least 50% with an accuracy of 95% and a Mathews Choice Coefficient of 0.8. The algorithm further categorises occupation likelihood in the terms “very low” to “very high”. This allows navigation system operators, charge point operators, energy suppliers, grid operators, and other actors to prepare the infrastructure for possible demand spikes and to divert users whose charging demand is flexible. Concerning the prediction in space, the introduced regression model achieves an R2 of 0.18 with practically all features having a p-value of less than 0.05. The comparatively low R2 indicates that the model cannot explain the full complexity of charging station usage but comes close given that many unobservable factors play a role in charging station occupation. Studies relying on large-scale data such as provided in this dissertation have the benefit of providing a representative and empirical picture of the world. Model-based approaches are always subject to assumptions that may not correspond with reality. To the best of my knowledge, no other studies exist at the beginning of 2023 for Germany and few for other countries that provide the given level of detail and accuracy.$$leng
000974102 588__ $$aDataset connected to Lobid/HBZ
000974102 591__ $$aGermany
000974102 653_7 $$abig data
000974102 653_7 $$acharging stations
000974102 653_7 $$aelectric vehicles
000974102 653_7 $$amachine learning
000974102 7001_ $$0P:(DE-82)IDM01459$$aSauer, Dirk Uwe$$b1$$eThesis advisor$$urwth
000974102 7001_ $$aMarinelli, Mattia$$b2$$eThesis advisor
000974102 8564_ $$uhttps://publications.rwth-aachen.de/record/974102/files/974102.pdf$$yOpenAccess
000974102 8564_ $$uhttps://publications.rwth-aachen.de/record/974102/files/974102_source.docx$$yRestricted
000974102 909CO $$ooai:publications.rwth-aachen.de:974102$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000974102 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02933$$aRWTH Aachen$$b0$$kRWTH
000974102 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01459$$aRWTH Aachen$$b1$$kRWTH
000974102 9141_ $$y2023
000974102 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000974102 9201_ $$0I:(DE-82)618310_20140620$$k618310$$lLehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik$$x0
000974102 9201_ $$0I:(DE-82)614500_20201203$$k614500$$lInstitut für Stromrichtertechnik und Elektrische Antriebe$$x1
000974102 961__ $$c2024-01-26T09:29:31.596642$$x2023-12-01T15:13:16.371529$$z2024-01-26T09:29:31.596642
000974102 9801_ $$aFullTexts
000974102 980__ $$aI:(DE-82)614500_20201203
000974102 980__ $$aI:(DE-82)618310_20140620
000974102 980__ $$aUNRESTRICTED
000974102 980__ $$aVDB
000974102 980__ $$abook
000974102 980__ $$aphd