Aktuelle Innovation & Zukunftsvision
Verbindung von technischer Exzellenz mit menschenzentrierter Wirkung
Gerechter Ausbau der Ladeinfrastruktur in Berlin
Eine datengestützte geospaziale Optimierungspipeline zum Ausgleich von Abdeckung und räumlicher Gerechtigkeit in Berlins EV-Ladeinfrastruktur.
Die Herausforderung
Die öffentliche Ladeinfrastruktur für Elektrofahrzeuge (EV) ist weitgehend nachfrageorientiert, was räumliche Ungleichheiten verstärkt. Dies schafft ein „Henne-Ei“-Problem, bei dem fehlende Infrastruktur die EV-Akzeptanz in unterversorgten Gebieten hemmt.
Unsere datengestützte Lösung
Wir implementierten ein multi-objektives NSGA-II-Modell in Python, um Abdeckung und räumliche Gerechtigkeit auszugleichen und den Gini-Koeffizienten von EVs pro Ladepunkt zu minimieren. Dieser Ansatz bietet Stadtplanern verschiedene Pareto-optimale Einsatzstrategien.
Meine Rolle & Zeitplan
- Lead Data Scientist & Geo-Analyst
- NSGA-II Algorithmus-Entwicklung
- Design der Gerechtigkeitsmetriken (Gini)
- Forschung: 6 Monate (2025)
- Modellentwicklung: 4 Monate
- Validierung & Analyse: 2 Monate
Reduktion des Gini-Koeffizienten
Mehr Lader in Außenbezirken
Anstieg lokaler Zugänglichkeit
Philosophie in Aktion
Das Ziel ist nicht nur, mehr Ladestationen zu bauen, sondern sie strategisch so zu platzieren, dass ein gerechter Zugang und nachhaltige urbane Mobilität gefördert werden.
Studie ansehen
Netzintegration des Kinangop Windparks
Eine dynamische Spannungsstabilitätsanalyse zur Integration von Kinangop-Windkraft in das kenianische 59-Bus-Nationalnetz.
Die Herausforderung
Das kenianische Stromnetz musste die intermittierende Natur der Windkraft aufnehmen und gleichzeitig die Systemstabilität aufrechterhalten. Die Herausforderung bestand darin, sicherzustellen, dass Spannungsschwankungen durch Winderzeugung nicht das gesamte Netz destabilisieren.
Unsere datengestützte Lösung
Ich entwickelte eine umfassende dynamische Spannungsstabilitätsanalyse mit DIgSILENT PowerFactory, um das gesamte Stromsystem zu modellieren und Spannungsschwankungen zu simulieren und zu mindern.
Meine Rolle & Zeitplan
- Netzanalyst (Power Systems Analyst)
- Lead für Netzstabilitätsmodellierung
- Verfasser technischer Berichte
- Systemmodellierung: 4 Monate (2015)
- Simulation & Analyse: 3 Monate
- Dokumentation: 1 Monat
Verbesserte Netzstabilität
Saubere Energie integriert
Haushalte profitiert
Wichtige Lektion
Dieses Projekt lehrte mich, dass Resilienz nicht nur für Stromleitungen gilt – sondern für den Zugang von Menschen zu lebenswichtigen Dienstleistungen.
Technischen Bericht lesenDigitalization & Automation
SCADA integration, predictive maintenance, and IoT telemetry.
KI-gestützte vorausschauende Wartung
Ein maschinelles Lernsystem zur Vorhersage von Geräteausfällen in der geothermischen Stromerzeugung, das Betriebskosten senkt und die Anlagenverfügbarkeit erhöht.
Die Herausforderung
Geothermiekraftwerke verzeichneten unerwartete Geräteausfälle, was zu kostspieligen Ausfallzeiten führte.
Unsere Lösung
System zur vorausschauenden Wartung mit Machine Learning Algorithmen zur Mustererkennung.
Meine Rolle & Zeitplan
Rolle: Machine Learning Engineer & Datenpipeline-Architekt
Zeitplan: 6 Monate (2015)
Ausfallzeit ↓
Ersparnis/Jahr
Genauigkeit
Lastverteilungssystem für das Gesundheitswesen
Anwendung von Stromnetz-Prinzipien zur Optimierung der Gesundheitsversorgung im ländlichen Kenia.
Die Herausforderung
Ländliche Gesundheitseinrichtungen verzeichneten ungleiche Patientenlast und lange Wartezeiten.
Unsere Lösung
Lastverteilungsalgorithmus, der Patientenströme wie elektrischen Strom behandelt.
Meine Rolle & Zeitplan
Rolle: Full-Stack Developer & Systemarchitekt
Zeitplan: 6 Monate (2023)
Wartezeit ↓
Ressource ↑
Patienten/Mo
