This thesis is relevant for you particularly if you are interested in electric vehicles, charging stations, data-driven analysis and/or Python.
Electric vehicles are essential to reduce CO2 emissions of traffic. To enable a comfortable user experience, public charging stations are necessary. Since constructing a charging station is relatively expensive, it is crucial to understand the usage of charging stations. One such way of understanding is to use
clustering where similar stations are located and what characterises them.
The goal of this thesis is to first cluster electric vehicle charging stations and then try to identify how nearby points of interest (POIs) such as supermarkets, public buildings, etc. influence station usage. For this purpose, ISEA has access to charging infrastructure usage data of Germany for the years 2019 and 2020. Concrete tasks are:
1. Matching of POIs to charging stations (you can build on existing material) 2. Clustering of charging stations
3. Creation of regression models or similar to understand correlations between POIs and charging station usage
Applications from students of various backgrounds are gladly accepted in German or English. Knowledge of Python is required.
Clustering of electric vehicle charging stations using nearby points of interest
This thesis is suitable for students studying:
☒ Electrical Engineering, Information Technology, and Computer Engineering
☒ Business Administration & Engineering: Electrical Power Engineering Or similar
Earliest possible start date:
From now on
Christopher Hecht 0241 80-49366
Christopher.Hecht@isea.rwth-aachen.de Level of the project
☒ Master thesis
☐ Bachelor thesis
☐ Term project
Deutsche Fassung auf Seite 2
©OSM, ISEA
Diese Arbeit ist für Sie besonders relevant, wenn Sie sich für Elektrofahrzeuge, Ladestationen, datengetriebene Analysen und/oder Python interessieren.
Elektrofahrzeuge sind unerlässlich, um die CO2-Emissionen im Verkehr zu reduzieren. Um ein komfortables Nutzererlebnis zu ermöglichen, sind öffentliche Ladestationen notwendig.
Da der Bau einer Station teuer ist, müssen Nutzungsmuster verstanden werden. Eine solche Möglichkeit des
Verständnisses ist die Verwendung von Clustering.
Das Ziel dieser Arbeit ist es, zunächst Ladestationen für Elektrofahrzeuge zu clustern und dann zu ermitteln, wie nahe gelegene Points of Interest (POIs) wie Supermärkte, öffentliche Gebäude usw. die Stationsnutzung beeinflussen. Zu diesem Zweck hat ISEA Zugang zu Ladeinfrastruktur-Nutzungsdaten von Deutschland für die Jahre 2019 und 2020. Konkrete Aufgaben sind:
1. Matching von POIs zu Ladestationen (man kann auf vorhandenem Material aufbauen)
2. Clustering von Ladestationen
3. Erstellung von Regressionsmodellen o.ä., um Zusammenhänge zwischen POIs und Ladestationsnutzung zu verstehen
Bewerbungen von Studenten verschiedener Fachrichtungen werden gerne in deutscher oder englischer Sprache entgegengenommen. Kenntnisse in Python sind erforderlich.
Clustering von Ladestationen für e-Autos anhand von nahen Points of Interest
Diese Arbeit ist geeignet für Studenten des Studiengangs:
☒ Elektrotechnik, Informationstechnik und Technische Informatik
☒ Wirtschaftsingenieurwesen (Fachrichtung: Elektrische Energietechnik) Oder vergleichbar
Frühestmöglicher Startzeitpunkt:
Ab sofort
Christopher Hecht 0241 80-49366
Christopher.Hecht@isea.rwth-aachen.de Durchführung der Arbeit:
☒ Masterarbeit
☐ Bachelorarbeit
☐ Studienarbeit
English version above
©OSM, ISEA