Ausbau der Elektromobilitätsinfrastruktur in einem ausgewählten Teil der Stadt Oberhausen

Diese interdisziplinäre Masterarbeit verwendet einen datenbasierten Ansatz zur Entwicklung der Elektromobilitätsinfrastruktur. Diese Arbeit schlägt einen stadtweiten Ansatz durch Extrapolationsstrategie vor. Die Arbeit fokussiert auf die Standortwahl für Ladestationen und orientiert sich an der Stadt Oberhausens Mobilitätsstrategie 2040,"Mobil Hausen" mittels maschineller Lernalgorithmen. Die Daten zur "Tyre-Wear-Mapping" von Fraunhofer-Institut für Umwelt, Sichertheit- und Energietechnik (UMSICHT) werden mittels maschineller Lernalgorithmen in einem Top-down-Ansatz analysiert, um die Auswahl eines Standortes für die Ladestationen zu verbessern. Maschinelle Lernmodelle werden eingesetzt, um Variablen wie Reifenabrieb, Straßenneigung und Straßenkrümmung zu analysieren. Im Rahmen der Forschung werden verschiedene Szenarien analysiert, um die Auswirkungen der Kombination von Geodaten unter Einsatz von maschinellem Lernen zu untersuchen. Zu den analysierten Szenarien zählen der Energieverbrauch in Abhängigkeit von der Straßenneigung unter Verwendung des Prinzips der potenziellen Energie sowie der Straßenneigung und Straßenkrümmung. Auch die Hypothese des Reifenverschleißes und der Präsenz von Elektroautos wird erörtert. Zur Anwendung der Methode des Extrapolationsforschungsansatzes wurde zudem ein praktischer Use-Case aus Sicht eines Energieversorgers und des Stadtmanagements demonstriert. Für die Use-Case sind die Ergebnisse aus den Daten, wie Neigung, genutzt und dementsprechend Straßen darauf basierend ausgewählt. Andere offene Daten wie Fahrzeugzulassung und Anfahrtszeit zu den Ladestationen werden aus dem Kraftfahrt-Bundesamt und dem Deutschlandatlas genommen. Die Straßen werden auf Grundlage der Analyse der Geo-Daten Variablen als optimale Ladestandorte ausgewählt und die Ladeinfrastruktur für Elektromobilität wird optimiert.