Hogeschool van Amsterdam

Kenniscentrum Techniek

Slim Laden analyses

Slim laden kan worden toegepast om te optimaliseren op (i) netbeheer bij pieken, (ii) match met duurzame energie en (iii) elektriciteitsmarkten. In dit werkpakket is de flexibiliteit per laadsessie onderzocht. Dit heeft geresulteerd in onderstaande twee rapportages.

Na integratie van de laadgegevens in één DWH in de zomer van 2017, is een verkennende studie uitgevoerd naar het smart charging potentieel. Het doel van deze studie was het bepalen van (i) de mogelijkheden voor smart charging binnen laadsessies middels uitgesteld laden en (ii) de mogelijkheden om binnen de huidige laadtransacties elektrische auto’s op te laden met duurzame energie uit zon en wind. De belangrijkste conclusies zijn:

  1. Een ‘heatmap’, met langs de horizontale as de starttijd van het laden en langs de vertikale as de connectietijd, laat op hoofdlijnen drie groepen laadsessies zien, te weten (a) thuisladers die starten met laden vanaf 16:00 uur tot circa middernacht en meer dan 5 uur connectietijd hebben, (b) kantoorladers die starten met laden vanaf 07:00 uur tot circa 10:00 uur en meer dan 5 uur connectietijd hebben en (c) relatief kortdurende sessies van minder dan 5 uur connectietijd die starten gedurende het hele etmaal (taxi’s, bezoekers, deelvervoer)
  2. Van de gebruikerstypen regulier, deelauto, taxi en (toegevoegd) openbaar vervoer heeft de categorie regulier verreweg de meeste laadtransacties en daarmee de meeste potentie voor Smart Charging. Dit geldt zowel voor G4/MRA-E data als voor EVnet data;
  3. Tussen circa 46% (G4/MRA-E data) en circa 36% (EVnet data) van de laadsessies hebben een Smart Charging potentieel van 75% of meer;
  4. Door het verschuiven van laadsessies wordt de piek in de energievraag het sterkst gereduceerd rond 18:00 uur.

Na de verkennende studie richtte het onderzoek zich op twee aspecten, te weten optimalisatie van smart charging en het voorspellen van de duur van een laadsessie. De belangrijkste conclusies zijn:

  1. Classificatiemethodes werken het beste voor het voorspellen van de connectietijd en zijn het nauwkeurigst;
  2. De connectietijd kon worden voorspeld met een nauwkeurigheid tussen 78% en 82%;
  3. De GMM (Gaussian Mixture Model) methode werkt beter voor clustering van laadsessies dan de DBSCAN (Density Based Scan) methode. GMM resulteerde in gedetailleerdere clustering met meer (9) groepen;
  4. Met de Postpone Smart Charging strategie verschuift vooral de ochtendpiek bij optimalisatie op duurzame energie, de avondsessies bij optimalisatie op piekvraag en een combinatie van deze twee bij optimalisatie op energieprijs.
Gepubliceerd door  Urban Technology 26 augustus 2019