Ladeinfrastrukturauslegung für gewerbliche Fahrzeugflotten mittels Bayes'scher Optimierung

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Masterarbeit /
Inhalt
 
Beschreibung

Elektromobilität gilt seit Jahren als Schlüsseltechnologie zu einem nachhaltigen Mobilitätssystem. Politische Rahmenbedingungen sowie das stetig wachsende Angebot an Elektrofahrzeugen und unterschiedlichen Ladeinfrastrukturkonzepten macht einen Umstieg von konventionell zu elektrisch angetriebenen Fahrzeugen für Unternehmen immer interessanter. Eine der Hauptherausforderungen beim Umstieg auf Elektrofahrzeuge ist die möglichst kosteneffiziente Auslegung der Ladeinfrastruktur für den eigenen Fuhrpark.

Ein optimales Ladeinfrastrukturkonzept erstreckt sich im Allgemeinen über verschiedene Ladestandorte, wobei pro Standort die Art und Anzahl an Ladesäulen sowie gegebenenfalls ein Last- und Lademanagement definiert ist. Dabei gilt immer die Bedingung, dass die Elektrofahrzeuge des Fuhrparks zu jedem Zeitpunkt ausreichend geladen sein müssen. Aus den Bewegungs- und Standortdaten eines Fuhrparks lassen sich so eine Vielzahl an geeigneten Ladeinfrastrukturkonzepten ableiten, die hinsichtlich der Gesamtkosten bewertet werden können.

Am Lehrstuhl für Fahrzeugtechnik wurde ein Simulationsmodell entwickelt, dass eine technisch-wirtschaftliche Analyse von Ladeinfrastrukturkonzepten für gewerbliche Fahrzeugflotten ermöglicht.

Im Rahmen dieser Masterarbeit soll mittels Ansätzen der Bayes'schen Optimierung ein Algoithmus entwickelt und implementiert werden, der durch eine geeignete statistische Approximation des Simulationsmodells kostenoptimale Ladeinfrastrukturkonzepte identifiziert. Hauptfokus liegt hierbei auf der statistischen Approxmation des Simulationsmodell (= Blackbox Model) mit Hilfe einer Bayeeschen Machine Learning Methode (= Gaussian process regression) sowie dem Herzstück des Algoritmus, der Akquisitionsfunktion.  

Folgende Arbeitspakete umfasst die zu vergebende Masterarbeit:

  • Einarbeitung in das Simulationsmodell
  • Literaturrecherche zur Bayes'schen Optimierung
  • Analyse verschiedener Ansätze der Bayes'schen Optimierung
  • Entwicklung und Implementierung eines Optimierungalgoithmus
  • Plausibilisierung und Diskussion der Ergebnisse anhand realer Flottendaten
  • Dokumentation der Ergebnisse
Voraussetzungen
  • Erfahrung in Python und Optimierung
  • selbstständige und strukturierte Arbeitsweise
Tags
FTM Smarte Mobilität, FTM Waclaw
Möglicher Beginn
sofort
Kontakt
M.Sc. Adam Waclaw
Raum: MW 3505
Tel.: +49 89 289 10494
waclawftm.mw.tum.de