Erkennung von Ladevorgängen für elektrisch betriebene Fahrzeuge mit Hilfe Deep-Learning-basierter Analysen von Smart-Meter-Stromverbrauchsdaten

Die vorliegende wissenschaftliche Arbeit behandelt die Erkennung von Ladevorgängen von elektrisch betriebenen Fahrzeugen aus Smart-Meter-Stromverbrauchsdaten. Der Wandel des Energiesektors in Deutschland von fossilen Energieträgern zu regenerativen Energiequellen führt zu einer Stromerzeugung, welche wetterbedingten Schwankungen unterliegt. Das Erreichen einer konstanten Stromerzeugung ausschließlich durch regenerative Energiequellen ist daher technologisch herausfordernd. Um das Netz zu stabilisieren, können Energiespeicher eingesetzt werden, die in entsprechenden Zeiträumen den überschüssigen Strom speichern oder in das Netz einspeisen. Da gegenwärtig hinsichtlich Effizienz und Standort nur eine geringe Anzahl Energiespeicher zur Verfügung steht, könnten Elektrofahrzeuge als Energiespeicher zur Netzstabilisierung beitragen. Hierbei ist für die Netzbetreiber interessant, welcher ihrer Kunden Elektrofahrzeuge besitzen, die als Energiespeicher genutzt werden können. An diesem Punkt setzt die Analyse dieser Masterarbeit auf Basis der Smart-Meter-Stromverbrauchsdaten der Haushalte an. Das Ziel besteht darin, mittels maschineller Lernverfahren möglichst exakt zu bestimmen, inwieweit ein Haushalt ein Elektrofahrzeug besitzt beziehungsweise auflädt. Aufgrund der geringen Anzahl an geeigneten Smart-Meter-Stromverbrauchsdaten, welche Ladevorgänge von Elektrofahrzeugen beinhalten, wird ein synthetischer Datensatz aus dem Pecan-Street-Datensatz und dem ACN-Datensatz erzeugt. Der synthetisch erzeugte Datensatz wird mittels einer Skalierung, einer Kerndichteschätzung und einer Hauptkomponentenanalysevorverarbeitet. Anschließend werden die maschinellen Lernverfahren Random Forest, Multilayer Perceptron, Convolutional Neural Network sowie ein Ensemble Model auf den vorverarbeiteten synthetischen Datensatz angewandt. Die resultierenden Modelle werden mithilfe ihrer Feature Importances auf Plausibilität untersucht. Der Vergleich der Validierungsergebnisse der maschinellen Lernverfahren ergibt, dass das Ensemble Model mit einer Erkennungsrate von 90,5 % auf Basis der Zeitreihen-/Kerndichtedaten der monatlichen Eingabezeitspanne die Smart-Meter-Stromverbrauchsdaten am besten klassifiziert. Die Feature Importances des Ensemble Models zeigen, dass sich der Klassifikator hauptsächlich auf die Merkmale im höheren kW-Bereich stützt, welche den Ladevorgängen von elektrisch betriebenen Fahrzeugen entsprechen.