Analysis of Dynamic Pricing to utilise Spatial Flexibility in Heavy-Duty Electric Vehicle Charging Demand
Master thesis
Date
2021Metadata
Show full item recordCollections
- Institutt for elkraftteknikk [2569]
Abstract
De kommende elektriske lastebilene for tungtransport forventes å kreve ladeeffekter mellom 400 kW og 1600 kW. En overgang til elektriske lastebiler kan dermed føre til utfordringer for strømnettet til å levere ladekraften som trengs. Vanligvis håndteres disse utfordringene ved å oppgradere komponentene i strømnettet, noe som kan være svært kostbart mange steder. Derfor er det nødvendig å undersøke om det finnes andre løsninger for å håndtere disse nye og større ladeprofilene. En mulig løsning er å endre etterspørselen på ulike ladestasjoner ved å bruke dynamisk prising. Ved å endre ladeprisen på en ladestasjon, basert på nettforholdene, er det mulig å motivere sjåførene til å lade på andre stasjoner som er plassert steder der nettforholdene er bedre. Noe som muliggjør utnyttelse av fleksibiliteten i strømnettet for å bedre nettforholdene.
Denne oppgaven undersøker virkningen av dynamisk prising til å fordele ladebelastningen fra elektriske lastebiler på en mer gunstig måte mellom to ladestasjoner. Det foreslås en ny metode for dynamisk prising av ladestasjoner ved å benytte nodeprisene fra beregninger av optimal lastflyt (OPF). For å teste ut denne metoden utvides en agentbasert modell, som brukes til å simulere trafikk- og ladeadferd, til å inkludere elektriske lastebiler og den nye dynamiske prisordningen. Den dynamiske prisordningen sammenlignes deretter med to forskjellige metoder i en casestudie, der prsien holdes konstant i et scenario og endres dynamisk basert på spenningsnivåer i et annet.
Fra studiene er det tydelig at de dynamiske prisordningene er i stand til å distribuere elektriske lastebiler på en mer gunstig måte og dermed flytte belastning fra en svak node til en sterk node. I det ene strømnettet er den daglige minimumsverdien på spenning i den svakeste noden i gjennomsnitt hevet med 0,005 p.u. og 0,004 p.u., med henholdsvis OPF og spenningsbasert dynamisk prising. På enkelte tidspunkt har spenningen økt med 0,02 p.u. for begge de dynamiske prisordningene. Den spenningsbaserte dynamiske prisordningen har redusert tapene fra 4,75 % til 4,65 %, mens den OPF-baserte prisordningen har redusert tapene ytterligere til 4,55 %. Resultatene har vist en positiv innvirkning fra begge de to dynamiske prisordningene, der den OPF-baserte prisordningen oftere skaper gunstigst nettforhold av de to.
Det er tydelig fra studiene at de to dynamiske prisordningene er sterkt avhengig av strømnettets topologi. I en anne topologi av strømnettet blir det observert en uønsket effekt av å bruke de to dynamiske prisplanene. På enkelte tidspunkt blir spenningsfallene forsterket, og skaper dermed dårligere nettforhold. Dette er på grunn av begrensninger i begge de dynamiske prisordningene. Begge metodene lager prissignaler som benytter seg av målt data fra tidligere tidspunkt. Dette fører til at prissignalene ikke tar hensyn til hvordan tilstanden i strømnettet kommer til å være i de fremtidige tidsstegene den kalkulerte prisen er gjeldende. Dermed er metodene dårlig tilpasset for å håndtere store endringer i lasten fra en periode til den neste. The upcoming heavy-duty electric vehicles (HDEVs) are expected to have a charging power between 400 kW and 1600 kW. A transition to HDEVs can cause challenges to the power grid to deliver the charging power needed. Typically, these challenges are coped with by upgrading the components in the power grid, which may be very costly in many areas. Therefore, it is necessary to investigate if there are other solutions to handle the new load demands. A possible solution is utilising demand response and dynamic pricing. By changing the charging price at a high-power charging station dynamically, based on the grid conditions, it is possible to incentivise the drivers to charge at other locations where the grid conditions are better. Thus, available flexibility in the power grid is utilised to increase stability.
This thesis aims to investigate the impact of dynamic pricing to distribute the load from HDEVs in a more favourable manner between two high-power charging stations. A new method for dynamic pricing of high-power charging stations by utilising the nodal prices from optimal power flow calculations is proposed. To investigate the proposed method, an agent-based model used to simulate traffic and charging behaviour is extended to include HDEVs and the new proposed dynamic pricing scheme. The dynamic pricing scheme is then compared to two different pricing schemes, a fixed pricing scheme and a dynamic pricing scheme that consider the voltage levels in the system.
From the case studies, it is evident that the dynamic pricing schemes are able to distribute the HDEVs more favourably and thus move load from a weak bus to a stronger bus. In one topology, the daily minimum voltage magnitudes at the weakest bus have, on average, been raised with 0.005 p.u. and 0.004 p.u. with OPF and voltage based dynamic pricing, respectively. While it in certain time steps have increased with as much as 0.02 p.u. for both pricing schemes. The voltage-based dynamic pricing scheme has decreased the losses from 4.75 % to 4.65 %, while the OPF based pricing scheme has reduced the losses further to 4.55 %. The results have shown a positive impact from both dynamic pricing scheme, where the OPF based tend to outperform the voltage based dynamic pricing scheme.
The two dynamic pricing schemes are strongly dependent on the power system topology and traffic environment. In an additionally investigated power system topology, an unwanted effect is observed from using the two dynamic pricing schemes. At some time steps, the voltage drops have been amplified, thus creating worse gird conditions. This is due to the shortcomings in both dynamic pricing schemes as they are approaches that utilise previously measured load conditions and do not predict the upcoming loads. Thus, the method is poorly adapted to handle significant load changes in the next time steps.