Strom abgestellt einstweilige verfügung Muster

Die extrahierten Features aus der vorherigen Phase werden in einem Clusteringalgorithmus verwendet, um homogene Segmente von Mustern zu identifizieren. Die Ausgabe von Clustering und folglich der gesamte Musteranalyseprozess ist eine Reihe von Mustersegmenten, wobei Muster innerhalb desselben Segments einander ähnlich oder homogen sind, während Muster in verschiedenen Clustern einander unähnlich sind. Konzeptionell enthält jeder Cluster Muster (die zeitabhängig sind), die ähnliche “Features” aufweisen. In der Literatur existieren mehrere Clustering-Algorithmen; Diese Studie verwendet den Clusteringalgorithmus -means. Üblicherweise besteht die Musteranalyse aus einem sequenziellen dreistufigen Prozess: (i) Musterspezifikation, (ii) Featureextraktion und (iii) Clustering. Diese Phasen und der gesamte methodische Rahmen werden im nächsten Abschnitt näher beschrieben. Der im vorherigen Abschnitt beschriebene Ansatz der Musteranalyse identifizierte 5 verschiedene Cluster von täglichen Ladeprofilen aus der Stichprobe. In diesem Abschnitt werden die Cluster und ihre Mitglieder in Bezug auf (i) Laden, (ii) Parken ohne Gebühren und (iii) Parkdauer untersucht. Darüber hinaus wird die inverse Walsh-Hadamard-Transformation auf den Feature-Zentroiden jedes Clusters verwendet, um ein zusammengesetztes Bild für jeden Cluster zu rekonstruieren und die Interpretation zu erleichtern. Diese Bilder sind in Abbildung 5 dargestellt. Obwohl das PEV-Sortiment in der Regel für die Durchführung der meisten täglichen Heimtouren ohne Zwischenladung [7] ausreicht, kann die fortgesetzte PEV-Einführung, wie technologische Prognosen zeigen, von der fortgesetzten Installation und Planung von Laden a-Home profitieren [8], zusätzlich zur weiteren Berücksichtigung der Wahrnehmungen und Erfahrungen des PEV-Fahrers an Bahnhöfen. Obwohl Verbraucherinterviews und analoge Erkenntnisse aus der Literatur hilfreich sind, um das Ladeverhalten zu beschreiben, fehlt in der Literatur eine Studie zur Definition von Nutzergruppen oder “Marktsegmenten” auf Basis einer Musteranalyse empirischer zeitabhängiger Ladedaten von Ladenstationen a-home. Eine solche Studie könnte einen großen Beitrag zur wirksamen Umsetzung der Politik sowohl aus operativer als auch aus Sicht der Nachhaltigkeitsauswirkungen leisten.

Zunächst werden Plug-In-Ereignisdaten aus der Stichprobe entnommen und zu täglichen Mustern zusammengefügt. In dieser Phase werden alle Plug-In-Ereignisse in ein “Signal” umgewandelt, das aus drei möglichen Zuständen besteht, die sich auf drei Aktivitäten beziehen: “0” für keine Aktivität, “1” für Ladeaktivität und “2” für das Parken ohne Ladeaktivität, wie im vorherigen Abschnitt erläutert. Täglich werden zeitverändernde EV-Lademuster in chronologischer Reihenfolge erzeugt oder zusammengefügt, basierend auf dem Zeitstempel der von den intelligenten Ladestationen protokollierten Ladeereignisse. Beispiele für Muster, die in dieser Phase angegeben und ausgegeben wurden, wurden in Abbildung 2 dargestellt. Abbildung 7 zeigt, dass jeder 1 kWh Strom, der von 12:00 Uhr bis 8:00 Uhr erzeugt wird, im Vergleich zum Rest des Tages sauberer ist und das GWP unter 0,5 kg CO2-Äquivalent bleibt. Nach 8:00 Uhr steigt jedoch der GWP der Stromerzeugung und hat gegen 18:00 Uhr den höchsten GWP von 0,56 kg CO2-Eq. denn zu dieser Stunde hat der Stromnetzmix den größten Teil des Angebots aus fossilen Kraftwerken, um den zusätzlichen Spitzenbedarf zu decken.

Previous Post Next Post