Optimierte Ladung von Elektrofahrzeugen als Markow Entscheidungsprozess mittels maschineller Lernalgorithmen

Die Elektromobilität mit teils hohen Ladeleistungen ist für den sicheren Betrieb der elektrischen Verteilnetze zukünftig eine Herausforderung. Zur Reduzierung von Überlastungen in der Niederspannung werden daher Steueralgorithmen benötigt, um die Ladeleistung der Fahrzeuge zu steuern. Hierbei ergibt sich allerdings das Problem, dass die Niederspannungsnetze in der Regel messtechnisch nicht überwacht werden und so Eingangsdaten für Steueralgorithmen fehlen. In der Arbeit wird die Kombination von zwei maschinellen Lernalgorithmen untersucht. Die Steuerung der Ladeleistung von Elektrofahrzeugen ist als Markow-Entscheidungsprozess definiert, der mittels dem bestärkten Lernen gelöst wird. Für die Bereitstellung der Eingangsdaten wird ein künstliches neuronales Netz verwendet, das den Zustand eines Niederspannungsnetzes abschätzt. Durch das Zusammenspiel beider Algorithmen können die durch die Ladung von Elektrofahrzeugen ausgelösten Netzüberlastungen reduziert werden.