KI- und stochastikbasierte Prognose der Stromerzeugung und des Verbrauchs in einem Logistikdepot mit elektrischen Lkw

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Motivation:
Im europäischen Straßenverkehr tragen Nutzfahrzeuge erheblich zu den Treibhausgasemissionen bei. Der Übergang zu batteriebetriebenen Nutzfahrzeugen ist der vielversprechendste Weg, um die Emissionen nachhaltig zu senken. Diese Umstellung steht im Einklang mit dem ehrgeizigen Ziel der Europäischen Kommission, die CO2-Emissionen von schweren Nutzfahrzeugen bis 2040 um 90 Prozent zu senken. Darüber hinaus werden viele Unternehmen in Zukunft eine grüne Lieferkette fordern.

Während ihren Stillstandszeiten am Logistikdepot (z.B. über Nacht) bieten die batterieelektrischen Trucks (BETs) durch ihre großen Batteriespeicher die Möglichkeit, Energie aus dem Stromnetz zwischenzuspeichern. Diese Energie kann z.B. zu Niedrigpreiszeiten eingekauft und gespeichert, und zu Hochpreiszeiten an den Netzbetreiber zurück verkauft werden (V2G). Der dahinterliegende Verkaufsalgorithmus benötigt jedoch Informationen zu Verbrauchs- und Erzeugungsprognosen am Logistikstandort (Wann wird wieviel Strom durch PV erzeugt? Wann stehen BETs zur Zwischenspeicherung bereit? …).

 

Thema: 

Ziel dieser Arbeit ist es, aktuelle Forschungsansätze im Bereich der Lastgang- und Erzeugungsprognose für ein Logistikdepot mit einer elektrischen Truck Flotte zu untersuchen. Dazu soll eine Literaturrecherche den Stand der Technik zu Vorhersagemethoden aufzeigen, die historische und Echtzeitdaten mit einbeziehen. Darauf aufbauend wird ein prototypischer Algorithmus implementiert, der in der Lage ist, dem Standort-Energiemanagement wichtige Prognoseinformationen über die Stromerzeuger und –verbraucher am Standort zu liefern.

Arbeitspakete:

• Literaturrecherche zu stochastischen Vorhersage-algorithmen (KI-basierte und traditionelle Algorithmen)
• Vergleich verschiedener Ansätze hinsichtlich ihrer Eignung für den Einsatz im Bereich eines elektrifizierten Logistikdepots
• Umsetzung eines Ansatzes
• Validierung mit realen Daten

Voraussetzungen

Dein Profil:

• Leidenschaft für E-Mobilität und Technologien zur Beschleunigung der Energiewende
• Idealerweise erste Erfahrungen mit KI/stochastischen Methoden
• Idealerweise erste Programmiererfahrung in Python
• Eigenständige und strukturierte Arbeitsweise
• Sehr gute Kenntnisse der deutschen oder englischen Sprache

Du erhältst:

• Beitrag zur wissenschaftlichen Forschung in einem sehr zukunftsorientierten Bereich der kommerziellen Transportmobilität
• Bei hervorragender Arbeitsleistung: Möglichkeit für eine weiterführende Arbeit (Masterarbeit) und Mitautorschaft bei einer Paperveröffentlichung

Tags

FTM Studienarbeit, FTM Informatik, FTM EV, FTM EV Operations, FTM Broedel

Möglicher Beginn

sofort

Kontakt

Marcel Brödel, M.Sc.
Raum: MW 3511
Tel.: 08928915894
marcel.broedeltum.de

Ausschreibung