An Improved Stochastic Load Profile Generator for EV Charging

Abstract

Ettersom den elektriske bilparken utvikles og øker hvert år, er det nødvendig å analysere kjørevaner og brukeratferd for å kunne oppnå optimale ladestrategier. Årsaken til dette er den økte belastningen på kraftnettet etter hvert som antallet elbiler og energibehovet øker. Videre, grunnet ønsket om å redusere CO2-utslippene, fungerer det som et insentiv til å utvikle og optimalisere elbilene og bruken av dem.

Denne masteroppgaven presenterer en forbedret stokastisk "bottom-up" lastprofilgenerator for elbillading, som fungerer som en ytterligere forbedring basert på Westads masteroppgave [1] og arbeidet til Sørensen et al.[2]. Det gitte datasettet er basert på virkelige ladedata fra ladepunktoperatører på boligsteder i Norge fra 2018 til 2021, og inneholder informasjon som innpluggings- og utpluggings- tider med datoer, energi ladet hver økt, ladeeffekt, batterikapasitet og start-ladetilstand (SoC).

Hovedmålet for denne masteroppgaven er å forbedre modellen slik at den bedre passer til det økte datasettet. Dette gjøres ved å oppdatere og forbedre alle distribusjonene for de ulike målekategoriene, oppdatere simuleringsverktøyet og utvikle en ny distribusjonsfunksjon for SoC. Modellen simulerer lastprofiler for 1000 elbiler delt inn i "liten" og "stor" elbil, som henholdsvis er satt til 3,6 kW og 7,2 kW, og refererer til elbilens innebygde ladeeffekt. Resultatene presenteres gjennom tre forskjellige tilfeller; BASE, LOW og HIGH, som henholdsvis er simuleringer med en prosentvis fordeling av "små" og "store" elbiler hentet fra datasettet, bare "små" elbiler og bare "store" elbiler. Disse resultatene sammenlignes så med resultatene fra det gamle datasettet for å angi om arbeidet forbedret simuleringene eller ikke, og videre hvordan de oppdaterte distribusjonene oppgraderte modellen.

De oppnådde resultatene etter å ha kjørt modellen med forbedringer viser at lastprofilen for ukedager har et toppunkt kl. 17, lørdager har toppunkt mellom kl. 19 og 20, og søndager kl. 20, hvilket reflekterer virkelige ladevaner. LOW-casen lader 24 % mindre energi enn HIGH-casen basert på årlige aggregerte ladeprofiler, og har et høyere antall ladeøkter. Videre, ettersom SoC implementeres i modellen, øker utnyttelsen av modellen for å analysere fleksibilitetspotensial, og kan brukes sammen med tidene når elbilen er tilkoblet, men ikke lader.

Fra resultatene av den stokastiske bottom-up-modellen, presentert med gjennomsnittlige lastprofiler, er det mulig å konkludere med at forbedringene passer til det nye, større datasettet. Sammenligning av resultatene fra den gamle og den nye modellen viser at lignende mønster utfolder seg.

As the electrical vehicle (EV) fleet develops and increases every year, there is a necessity to analyze driving habits and user behavior to achieve optimal charging strategies. The reason for this is the increased load the EVs insert upon the grid, as the quantity of the EV fleet and the energy demand increases. Furthermore, due to the desire to decrease the CO2 emissions, it works as an incentive to evolve and optimize the EVs and the usage of them.

This master thesis presents an improved stochastic bottom-up load profile generator for EV charging, which works as a further improvement based upon Westads master thesis [1] and the work of Sørensen et al.[2]. The data set provided is based on real-world charging data from charging point operators at residential locations in Norway from 2018 to 2021, and contains information such as plug-in and plug-out hour with date, energy charged each session, the onboard charger power, the battery capacity, and the initial State of Charge (SoC).

The main objective for this master thesis is to improve the model for it to better fit the increased data set. This is done by updating and improving all the distributions for the different measurement categories, update the simulation tool, and developing a new distribution function for SoC. The model simulates load profiles for 1000 EVs divided into "small" and "large" EV, which is set to 3.6 kW and 7.2 kW, respectively, and are referring to the onboard charger power of the EV. The results are presented through three different cases; BASE, LOW and HIGH, which respectively are simulations with a percentage mix of "small" and "large" EVs drawn from the data set, only "small" EVs, and only "large" EVs. These results are then compared to the results with the old data set to state whether or not the work improved the simulations, and further how the updated distributions upgraded the model.

The results obtained after running the model with improvements shows that the load profile for weekdays has a peak at hour 17, Saturdays between 19 and 20, and Sundays at hour 20. Which reflects real world charging habits. The LOW case charges 24 % less energy than the HIGH case based on annual aggregated charging profiles, and has a higher number of charging sessions. Furthermore, as the SoC is implemented into the model, the utilization of the model for analysis of flexibility potential increases, and could be used together with the non-charging idle times, which is when the EV is connected, but not charging.

From the results of the stochastic bottom-up model, presented with average load profiles, it is possible to conclude that the improvements are suited to the new, larger data set. Comparing the old and new model results, the similar patterns unfold for the output information.