Abstract

This interim report for Task 4.1 looks into the current sales and market trends for electric vehicles worldwide, as well as in several European countries, and brings out a set of factors that are likely to influence the French market for PEVs in the short term (2020). We identify three main factors as key drivers of the uptake of PEVs in Europe and in France in the near-term future : - Technology improvements and purchase subsidies to reduce the retail price of PEVs ; - Standardisation throughout Europe, as defined by the 2014 EU Directive on the deployment of alternative fuels infrastructure, to lay the ground for wider consumer acceptance ; and - Deployment of fast-charging infrastructure (together with conventional and semi-fast chargers), to reduce “range anxiety” and to promote the use of PEVs for long-distance trips.

Abstract

This thesis deals with the study of current charging infrastructure availability in highways, as well as proposing optimal allocations for new stations. First, a Machine Learning model is trained in order to estimate the actual range of an electric vehicle. This model will be constructed using heterogeneous data sources and variables that influence the total autonomy, such as speed, temperature, degradation or elevation, among others. Second, this model is used in combination with geospatial data regarding French highway and charging infrastructure locations, in order to propose a methodology for analyzing the availability level of charging stations in highways for electric vehicles. Finally, an optimization framework is implemented to decide the opening of several charging stations inside a highway, providing as possible locations rest and service areas already built, and considering current highway operational charging points.

Abstract

The Paris Agreement was formed in 2015 to reduce the environmental impact and limit the increase in temperature to 2°C compared to pre-industrial levels. It is believed that an electrification of the transport sector will reduce its negative environmental impact. To reach the goals set by the Paris Agreement we are in need of quick development towards an electrified fleet of vehicles. Despite this urgency electric vehicles (EVs) have failed to reach the majority of the market, instead it has stuck in the chasm between the early adopters and the early majority of the markets. This is due to three main challenges; EVs are relatively expensive compared to conventional petrol- and diesel-powered vehicles, EVs have an inadequate driving range, and the access to a functional charging infrastructure is limited. This thesis focuses on the third challenge regarding charging infrastructure. The charging infrastructure is dependent on the existing electricity distribution infrastructure, i.e. the grid. It is rather time-consuming and costly to strengthen the grid, which is deemed necessary for enabling a roll-out of a charging infrastructure that meets the needs of current and near-future EV operators. This research provides an alternative way of approaching the issues. Instead of strengthening the grid by digging up old cables it looks into the opportunities of incorporating stationary battery storages as a buffer between the EV charging stations and the grid connection point. This battery solution can reduce the power outtake and smoothen out the load from EV charging, thus limiting the impact of EV charging from a grid perspective. The research assesses what type of pathways this solution could follow to successfully drive the adoption of EVs. Furthermore, the study tries to understand how these solutions could be designed to deliver the necessary values regarding EV charging and reducing the overall power outtake from grid connection points. The thesis is carried out by analyzing collected quantitative and qualitative data through the lens of three main theories. These are transition theory, theory on eco-innovations, and theory on the diffusion of innovations. The thesis finds that the two pathways for a battery supported charging infrastructure that will be most efficient in speeding up the adoption rate of EVs is within a workplace and public charging setting in city and urban environments. For both pathways it is expected that a centralized concept, with one battery solution connected to several charging points, will be most feasible in the short-term, which is important as the need for developments are very urgent. The workplace charging will provide 3,6 kW AC-charging while the public charging provides 150 kW DC-charging. The solution is expected to be cost-efficient for specific locations, especially for public charging in city environments with strained grid infrastructures. The study provides an initial assessment for the city of Stockholm which indicates that the power outtake can be reduced by 63,5–112,2 MW in 2030. This means that the current grid infrastructure could support a larger number of EVs, thus reducing the greenhouse-gas emissions from the transport sector and bringing us closer to reaching the goals set by the Paris Agreement. Parisavtalet utformades år 2015 för att reducera vår klimatpåverkan och begränsa temperaturökningen till 2°C jämfört med nivåerna som rådde innan den industriella revolutionen. Förhoppningen är att en elektrifiering av transportsektorn kan reducera dess negativa klimatpåverkan. För att nå målen i Parisavtalet behövs en snabb omställning mot en elektrifiering av fordonsflottan. Trots situationens brådskande karaktär har elbilar fastnat i en klyfta mellan den begränsade tidiga marknaden och den sena marknaden, vilken utgör majoriteten av kunderna. Det finns tre primära anledningar till detta; elbilar är dyra jämfört med bensin- och dieseldrivna bilar, räckvidden för elbilar är otillräcklig, och det råder begränsad tillgång till en funktionell laddinfrastruktur. Den här studien fokuserar på den tredje anledningen kring otillräcklig laddinfrastruktur. Laddinfrastrukturen är beroende av det existerande elnätet och dess distributionskapacitet. En förstärkning av elnätet är i många fall nödvändig för att möjliggöra en utrullning av en laddinfrastruktur som möter dagens och morgondagens behov. Istället för att förstärka elnätet genom att gräva ner tjockare kablar så fokuserar denna studie på en alternativ lösning kring laddinfrastruktur sammankopplat med stationära batterilager. Batterilagret agerar som en buffert mellan anslutningspunkten till elnätet och laddningspunkten för elbilar. Genom att reducera effektuttaget och jämna ut lastkurvan för elbilsladdning kan en batterilösning begränsa den negativa påverkan det förväntas ha på elnätet. Studien undersöker vilka vägar denna batterilösning kan ta för att öka antalet elbilar i fordonsflottan. Efter att ha förstått vilka dessa lösningsvägar är så analyserar studien hur dessa lösningar kan vara uppbyggda för att erbjuda de efterfrågade och nödvändiga värdena för elbilsladdning och elnätets fortsatta funktionalitet. Studien bygger på analys av kvalitativa och kvantitativa data. Analysen utförs genom att applicera koncept hämtade från teorier kring teknologiska övergångar, miljöinnovationer och spridning av innovationer. De två lösningsområden som förväntas vara mest effektiva i att driva en ökning av antalet elbilar i Sverige är arbetsplatsladdning samt offentlig laddning i stadsmiljöer. En lösning med ett centraliserat batterisystem där en batterilösning är kopplat till flera laddstationer antas vara mest genomförbar på kort sikt, vilket anses vara centralt på grund av utmaningarnas brådskande karaktär. För arbetsplatsladdning tillhandahålls 3,6 kW AC-laddning och för offentlig laddning tillhandahålls 150 kW DC-laddning. Lösningarna förväntas vara kostnadseffektiva for specifika platser och användarprofiler, speciellt för offentlig laddning i stadsområden med ansträngda elnät. En initial uppskattning visar att en laddinfrastruktur kopplat till stationära batterilager inom de två lösningsområdena kan minska Stockholms effektuttag för elbilsladdning med 63,5–112,2 MW år 2030. Detta betyder att dagens elnät kan tillgodose ett ökat antal elbilar, vilka genererar färre utsläpp av växthusgaser och ger oss en bättre chans att nå Parisavtalets mål.

Abstract

To deal with the massive deployment of electric vehicles, charging stations must be properly placed. This is an extremely important issue that must be resolved before many electric vehicles are manufactured and governmental authorities start adopting policies to initiate higher electromobility. A poor design of the charging infrastructure can cost a significant amount of resources and can disrupt the electric vehicle users’ convenience, can offer poor quality of service and other user dissatisfaction. A public charging location is defined as location in a road network, where any electric vehicle user can come to charge his battery. Due to various charging technologies, the charging service can be fulfilled by shorter or longer charging time depending on the power transfer capacity and the disposable charging time of the users. The charging station must be within the reachable driving range distance of the electric vehicles and must provide a charging service for majority of users at a lower cost and higher quality. In this dissertation, we present a new optimisation procedure for charging stations placement. The introduced methodology takes into account the electric vehicle users, the electric and road networks. The electric power system reliability check, quality of service and charging reliability of the charging infrastructure are used as optimisation criteria, while placing charging stations of different charging technology by minimal investment costs. Electric power system reliability check is incorporated in the optimisation constraints by using a DC model to calculate the power flows. In this part, the charging reliability criterion of the charging infrastructure is defined as selecting at least one candidate location within the driving range of the electric vehicles in order to ensure unlimited mobility. Another criterion is the quality of service required by the electric vehicle users, which considers the time the users are willing to spend for charging their battery, when traveling, to complete the trip. To please the requirements of the users regarding the quality of service of the charging infrastructure, different charging technology types are factored in the optimisation objective function. The optimisation model also includes the mobility behaviour of electric vehicles by involving their trajectories of movement at different time instances. By also analysing their mobility behaviour, the traffic load of the candidate locations is identified which exposes the number of electric vehicles that are going through a particular candidate location. The final optimal charging infrastructure expansion plan shows the optimal placement layout, number of locations and placement cost. We also elaborate a stochastic formulation of the optimisation placement procedure that takes into consideration the stochastic occurrences that can have a significant impact on the electric vehicles’ driving range i.e. battery charge, the charging time that the users are willing to spend while charging at candidate location and the charging stations’ investment costs. The stochastic formulation includes also a representative trajectories search and a scenario reduction method to form common stochastic scenarios to be executed by the proposed optimisation model. Besides the charging infrastructure placement plan, the optimal results of the stochastic scenarios can be used to calculate the placement probability of candidate locations, which is fundamental for the charging infrastructure planners in the decision-making part. The numeric results illustrate the application of the proposed charging infrastructure optimization on test road and electric power system by showing the optimal charging stations placement layout and overall placement costs for the optimization constraints set on the charging reliability, required quality of service and running a power system reliability check. Additionally, for the stochastic formulation of the optimization model, the results show the optimal charging locations and their placement probability, which exposes their importance to charging infrastructure planners in terms of prioritization and robust decision-making. For the detailed analysis made on the impact of the stochastic driving range scenarios on the optimization output regarding the placement cost and locations, it is ascertained that a shorter uncertainty distance increases the number of candidate locations included in the charging reliability criterion resulting in higher overall charging infrastructure placement costs and vice-versa. Za masovno vpeljavo električnih vozil morajo biti polnilne postaje skozi postopke načrtovanja polnilne infrastrukture lokacijsko pravilno razporejene s ciljem zagotoviti zanesljivo oskrbo z električno energijo, potrebno v prometu. To je izredno pomembna naloga, ki jo je treba opraviti, preden se poveča številno električnih vozil in preden vladini organi začnejo sprejemati politične odločitve za večjo elektromobilnost. Slabo zasnovana infrastruktura za električna vozila lahko zviša stroške za polnjenje električnih vozil, vpliva na samo udobje uporabnikov električnih vozil, kakovost storitve polnjenja in povzroči dodatna nezadovoljstva uporabnikov. Torej je pravilno (optimalno) postavljena polnilna infrastruktura bistvenega pomena za povečanje množične uporabe in večjo uporabnost električnih vozil. To je velik izziv, ki vključuje zasnovo in uvedbo omrežij javnih (in zasebnih) polnilnih postaj s skupnimi povezanimi sistemi za preverjanje pristnosti in zaračunavanja stroška porabljene električne energije. Javna polnilnica je opredeljena kot polnilnica v cestnem omrežju, kjer lahko vsak imetnik električnega vozila pride in napolni svojo baterijo. Zaradi različnih tehnologij polnjenja je mogoče storitev polnjenja opraviti v krajšem ali daljšem časovnem obdobju, glede na zmogljivost polnilnic in razpoložljiv čas polnjenja uporabnikov. Polnilnice morajo biti postavljene v dosegljivi razdalji električnih vozil in morajo zagotavljati storitve polnjenja za večino uporabnikov z visoko kakovostjo storitve polnjenja, ki je povezana z razpoložljivim časom polnjenja vozil. Čas, potreben za polnjenje baterije, je odvisen od treh glavnih dejavnikov: priključne moči polnilnice, zmogljivosti baterije in stanja napolnjenosti baterije ob času polnjenja. Priključitev polnilnice na omrežje in vrsta priključka se določi na podlagi uvrstitve v skupino končnih odjemalcev glede potrebe po energiji, moči in tipu priključka. Pri tem je operater polnilne infrastrukture dolžan izvesti vse ukrepe, ki jih predpisujejo sistemska obratovalna navodila. Zmogljivost baterije je različna v odvisnosti od tehnologije shranjevanja, tipa električnega vozila (avto, tovornjak, avtobus, moped, tricikel), izvedbe modela, električnega motorja, napetosti baterije, stopnje hitrosti polnjenja / praznjenja itd. Za polnjenje baterij električnih vozil so na voljo različne tehnologije polnjenja, vendar trenutno obratujejo trije standardni nivoji polnjenja, in sicer: • prvi nivo polnjenja se nanaša na uporabo enofaznega izmeničnega sistema do 3 kW priključne polnilne moči (običajno je 1 kW). Odvisno od lastnosti in tehnologije shranjevanja baterije je lahko čas polnjenja do 24 ur - drugi nivo polnjenja uporablja trifazni izmenični sistem, pri čemer je priključna moč do 24 kW. Čas polnjenja je do 8 ur. Zahteva tudi dodatne dogovore z operaterji omrežja glede nastavitev zaščite in inštalacije dodatne opreme, ki jo je treba namestiti k polnilnici (transformatorji, odklopniki, stikala, adapterji itd.) - tretji nivo polnjenja predstavlja hitro polnitev. Priključna moč polnjenja je v razponu od 44 kW do 240 kW. Hitro polnjenje lahko popolnoma napolni baterijo električnega - vozila v 15 min - 30 min, kar je relativno primerljivo s časom polnjenja rezervoarja vozila z motorjem z notranjim zgorevanjem. Tretje nivo zahteva povezavo na višji napetostni nivo in je postavitev takega polnilnega sistema bolj zahtevna v primerjavi z nivojema 1 in 2, ker je treba namestiti dodatno električno opremo višjega napetostnega nivoja. Izkazalo se je, da je večina uporabnikov električnih vozil zadržanih do dejstva, da nimajo dovolj polnilnih postaj na poti do končne destinacije, kar pomeni, da uporabniki zaradi neprimerno načrtovane polnilne infrastrukture ne bodo dosegli cilja. Ocenjuje se, da je s trenutno tehnologijo mogoče avtonomno na električni pogon prevoziti do 350 km z enim polnjenjem, vendar je tipična dnevna razdalja nekje do 80 km na dan. Cilj proizvajalcev električnih vozil za prihodnja leta je razvoj in zagon množične proizvodnje električnih vozil s tehnologijami shranjevanja električne energije, ki bodo omogočile potovanje na daljše razdalje, primerljive s temi, ki jih danes dosegajo vozila z motorji z notranjim izgorevanjem, tudi do 1000 km in več. Trenutno so poti na daljše razdalje težavne, saj so na razpolago le javne polnilnice. V nekaterih primerih vozniki potujejo dlje časa in prevozijo daljše razdalje, da bi našli polnilnico. Dejstvo je, da morajo biti polnilnice postavljene na lokacijah, ki so primerne za uporabnike električnih vozil, na primer na lokacijah, kjer se beleži večji promet z električnimi vozili. Kot drugo, ob prihodu je lahko polnilnica zasedena, zato morajo vozniki čakati na vrsto, da napolnijo baterije. Ta scenarij je zelo realen, saj se s trenutno tehnologijo shranjevanja električne energije električna vozila polnijo dlje časa, kar povzroča daljše čakalne vrste, še posebej ob povečanem številu električnih vozil v prometu. Z daljšimi čakalnimi vrstami so nadalje povezane tudi zahteve po večjem prostoru na črpališčih, počivališčih, kjerkoli se pač nahajajo polnilnice. Naključna postavitev polnilnic je med glavninami ovirami za splošno sprejetje in s tem uporabnost električnih vozil, saj s tem se lahko poveča neudobnost in nezadovoljstvo voznikov. Poudariti je treba, da se morajo polnilnice postavljati na primernih lokacijah. Gre za večrazsežnosti problem: tehnični – priključitev na omrežje, obremenitev omrežja, drugi vplivi na obratovanje omrežja itd., ekonomski – stroški priključitve, stroški vzdrževanja in obratovanja itd. in družbeni – dostopnost polnilnic, udobje voznikov itd. Izzivi, ki se odpirajo na področju načrtovanja elektroenergetskih in polnilnih omrežij s povečanim deležem električnih vozil, so torej tako tehnične, ekonomske kot tudi družbene narave. V tej doktorski disertaciji smo razvili nov matematičen postopek za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila. Predlagana metodologija upošteva obnašanje uporabnikov električnih vozil (vozne navade), tehnologijo polnjenja ter obstoječo cestno infrastrukturo in dostopnost elektroenergetskega sistema. Preverjanje zanesljivosti elektroenergetskega sistema, kakovosti storitve polnjenja in zanesljivost polnilne infrastrukture se uporabljajo kot omejitve v predlaganem optimizacijskem modelu, pri čemer se polnilnice postavljajo na izbranih optimalnih lokacijah glede na tehnologijo polnjena z minimalnimi naložbenimi stroški inštalacije, vzdrževanja, obratovanja. Preverjanje zanesljivosti elektroenergetskega sistema je vključeno v optimizacijske omejitve z uporabo DC (enosmerni izračun) metode izračuna pretokov moči. Z DC načinom izračuna pretokov moči preverjamo obremenitev vodov zaradi vključitve polnilnic ter bilanco v sistemu. Pri optimizaciji je merilo zanesljivosti polnjenja polnilne infrastrukture opredeljeno kot izbor vsaj ene možne lokacije v območju dosega vožnje električnih vozil, s ciljem zagotavljanja neomejene mobilnosti – da je v območju dosega vsaj ena polnilnica in to v smeri poti. Drugo merilo je kakovost storitve polnjenja, ki jo zahtevajo uporabniki električnih vozil. Ta upošteva čas, ki so ga uporabniki pripravljeni nameniti polnjenju baterije med potovanjem, da bi lahko prispeli na cilj. S tem želimo približati model čim bližje realnosti, realnost pa je, da imamo več polnilnih tehnologij, v grobem 2 skupini - hitre in počasne. Optimizacijski model vključuje tudi vozne navade voznikov električnih vozil z vključevanjem njihovih voznih poti v različnih časovnih obdobjih. Z analizo njihovega vedenja se določi prometna obremenitev lokacij, kar je bistvenega pomena pri sprejemanju odločitve o primernosti izbrane lokacije glede postavite polnilnic in njihovih priključnih moči. Priprava vhodnih podatkov vključuje pripravo modelov električnih in cestnih omrežij, niz tehnologij in naložbenih stroškov inštalacije, vzdrževanja in obratovanja, trajektorij gibanja električnih vozil in zahtevano raven kakovosti storitve polnjenja. Da bi modelirali cestno omrežje ter da bi opazovali obnašanje voznikov električnih vozil, uporabljamo postopek razdelitev na odseke z oblikovanjem diskretnih množic cestnega omrežja in trajektorij. Uporabljamo diskretni način, kar pomeni, da sta cestna infrastruktura in trajektorije premikanja voznikov električnih vozil modelirana z množicami diskretnih elementov. Pri električnih vozilih je njihov doseg glavnega pomena zaradi zagotovitev neomejene mobilnosti, zato je pri določanju lokacij polnilnic doseg električnega vozila glavni dejavnik pri oblikovanju kriterija polnilne zanesljivosti polnilne infrastrukture. V nadaljnjih poglavjih je bolj podrobno predstavljen koncept, s katerim se postavi kriterij oblikovanja polnilne zanesljivosti polnilne infrastrukture. Pri postopku optimizacije se upošteva tudi pomembnost lokacije na način, da se ji na podlagi analize prometne obremenjenosti dodeli ustrezna utež. Posledično imajo lokacije z večjimi utežmi večjo pomembnost v postopku optimizacije izbor lokacij polnilnic, saj večja utež pomeni, da večje število električnih vozil prepotuje to lokacijo. Ob pripravi podatkov se tudi upošteva več vrst tehnologij polnjenja. Vsaka tehnologija polnjenja ima svojo moč, ki vpliva na čas polnjenja. Tehnologije večjih priključnih moči (tehnologije hitrega polnjenja), imajo primerljiv čas polnjenja z konvencionalnimi načini polnjenja vozil z notranjim izgorevanjem. V tej doktorski nalogi pri pripravi podatkov in v postopku optimizacije podajamo bolj podroben pregled polnilih tehnologij. Vsaka lokacija cestnega omrežja, odvisno od možnosti povezave in izvedbe, ima različen naložbeni strošek inštalacije, vzdrževanja in obratovanja, ki ga upoštevamo v kriterijski funkciji pri postopku optimizacije. Zahtevana kakovost storitve polnjenja vključuje razpoložljiv čas, ki bi ga vozniki električnih vozil namenili polnjenju na poti do svojega končnega cilja. V tej doktorski nalogi podrobno opisujemo in dajemo definicijo kakovosti storitve polnjenja, s katero tudi vplivamo na končno razporeditev lokacij polnilnic v cestnem omrežju. Zaradi vključitve novih polnilnic z različnimi moči polnjenja in zaradi omejitve virov električne energije in prenosa vodov v elektroenergetskem sistemu, je vključen izračun prerokov moči na podlagi DC metode. V naslednjih letih je pričakovati povečan vpliv obratovanja polnilnic zanesljivosti elektroenergetskega sistema zaradi množičnega vključevanja električnih vozil. S predlaganim postopkom optimizacije postavitve polnilnic bodo lahko načrtovalci polnilne infrastrukture in operaterji elektroenergetskih omrežjih uskladili delovanje in se dogovorili za širitev omrežij, kar ima za posledico zanesljivo oskrbo z električno energijo. Končni načrt optimalne postavitve polnilne infrastrukture prikazuje optimalno razporeditev postavitve, število lokacij in naložbeni strošek postavitve polnilne infrastrukture. V tej disertaciji smo obravnavali tudi razširitev postopka optimizacije s stohastično formulacijo, saj je večina vhodnih parametrov povezani z negotovostjo, ki lahko močno vpliva na optimalno postavitev polnilnic. Ker je znanje o prihodnjih vrednostih vhodnih parametrov pogosto neznano ali je znano le v času faze načrtovanja, je vključitev stohastične komponente smiselna za dolgoročno načrtovanje polnilne infrastrukture. Negotovost se lahko razvrsti v dve kategoriji: naključna in nenaključna negotovost. Ta disertacija je osredotočena na naključne negotovosti, za katere so značilni ponovljivi parametri z določenimi odstopanji in omogočajo možnost statistične analize, ki poda funkcijo porazdelitve verjetnosti, povprečne vrednosti, standardne odklone itd. Nenaključne negotovosti z nejasnimi podatki v stohastični formulaciji niso upoštevani. Glavna motivacija za razširitev postopka optimizacije s stohastično formulacijo je vključitev stohastične narave obnašanja električnih vozil, njihovega dosega, razpoložljivega časa namenjenega polnjenju baterije električnih vozil in naložbenih stroškov inštalacije, vzdrževanja in obratovanja za različne tehnologije polnjenja. S pomočjo stohastičnega modeliranja bomo lažje razumeli vplive na optimalno izbiro lokacij in postavitev polnilnic in s tem povezanimi stroški, hkrati pa se bolj približali k dejanskim dogodkom, ki so v realnosti navezani na elemente, kar je cilj stohastičnega modeliranja. Zagotovo morajo biti optimalne lokacije polnilnic postavljene na mestih, kjer se odvija največ prometa. Zato je treba vse negotovosti, povezane s odmikom od najpogosteje vožene trajektorije vključiti v postopek optimalne postavitve polnilnic. Negotovi dejavniki, kot so hitrost vožnje, pospešek, masa in aerodinamika električnega močno vplivajo na doseg električnega vozila. Stohastično modeliranje kakovosti storitve polnjenja, QoS (angl. Quality of Service), zajema vse stohastične dogodke v realnem času, ki vplivajo na razpoložljivi čas polnjenja voznikov električnih vozil, kot so delno napolnjene baterije, prometne razmere na cestah itd. Pri naložbenih stroških inštalacije, vzdrževanja in obratovanja za različne tehnologije polnjenja se stohastična komponenta uvede s ciljem, da se zajame negotovost, ki je posledica neprekinjenega razvoja baterij različnih proizvajalcev, ki pa ponujajo izdelke/storitve po določeni ceni. Stohastična komponenta prav tako pokriva negotovosti povezane z inflacijo in diskontnimi stopnjami naložbenih stroškov za različne vrste tehnologij polnjenja. Nadgraditev oz. razširitev determinističnega postopka optimizacije postavitve polnilnic s stohastično formulacijo zagotavlja koristi načrtovalcem polnilnih infrastruktur, kot so prednostni seznam optimalnih lokacij za postavitev polnilnic različnih tehnologij polnjenja z minimalnimi naložbenimi stroški inštalacije, vzdrževanja in obratovanja, ki se razvrščajo po svoji verjetnosti izbire lokacije, verjetnosti dogajanja, številu lokacij, njihovih postavitvah v prostoru in skupnem strošku postavitve. Stohastična formulacija postopka vključuje novo metodo iskanja reprezentativne poti električnih vozil. Pri tem smo predlagali novi kazalnik TSI (angl. Trajectory Similarity Index), s katerim se določa podobnost med stohastičnimi trajektorijami električnih vozil, ne glede le na dolžine trajektorij, ampak z njihovimi časovno-prostorskimi lastnosti. S pomočjo novega kazalnika TSI smo predlagali rešitev, s katero se določa reprezentativne trajektorije gibanja električnih vozil, ki so v nadaljevanju vključene v optimizacijski postopek. Pri stohastični formulaciji smo uporabili tudi metodo za zmanjšanje števila scenarijev s ciljem poenostavitve kompleksnosti samega optimizacijskega postopka. Na razpolago je več optimizacijskih metod, kot so: GA (angl. Genetic Algorithms), ANN (angl. Artifitaial Neural Networks), LP (angl. Linear Programming), MILP (angl. Mixed Integer Programming), AI (angl. Artifitial Intelegence), itd. V tej doktorski disertaciji uporabljamo optimizacijski postopek MILP, zaradi enostavnosti, hitrosti in ustreznosti reševanja zastavljenega matematičnega optimizacijskega modela pri izbiri optimalne lokacije postavitve polnilnic. Rezultate prikazujejo uporabnost novega matematičnega postopka za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila, pri čemer sta uporabljeni cestno in električno testno omrežje. Prikazane so optimalne lokacije in skupni najmanjši strošek izgradnje, obratovanja in vzdrževanja glede na tehnologijo polnjenja ob upoštevanju omejitev optimizacije, kot so zanesljivost polnilne infrastrukture, zahtevana kakovost storitve polnjenja in preverbo zanesljivosti elektroenergetskega sistema. V rezultatih razširjenega optimizacijskega modela s stohastično komponento je tudi prikazan prednosti seznam optimalnih lokacij za postavitev polnilnic različnih tehnologij, ki se razvrščajo po svoji verjetnosti izbire lokacije. Rezultati zajamejo tudi natančnejšo analizo negotovosti dosega električnega vozila in scenarije vpliva na optimizacijo izbire lokacij in skupnim stroškom postavitve. Med glavnimi izvirnimi prispevki doktorske disertacije so: nov večkriterijski matematičen postopek za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila nov kriterij, ki definira zanesljivost polnjenja (angl. Charging Reliablity) polnilne infrastrukture s ciljem zagotavljanja neomejene mobilnosti električnih vozil kriterij preverjanja zanesljivosti obratovanja električnega omrežja nov kriterij kakovosti storitve polnjenja polnilne infrastrukture (angl. Quality of Service) na podlagi zahteve uporabnikov električnih vozil glede njihovega razpoložljivega časa za polnjenje baterij in glede na trenutno stanje baterije razširitev predlaganega optimizacijskega model s stohastično komponento. Cilj je zajeti vse negotovosti povezane z vhodnimi podatki (obnašanje voznikov, domet električnega vozila, razpoložljivi čas polnjenja baterije električnega vozila in stroški izgradnje, obratovanja in vzdrževanja glede na tip polnilne tehnologije).

Abstract

native fuel vehicles (AFVs) face the lack of refuelling infrastructure as one obstacle to initial market diffusion. Also potential operators of refuelling stations await significant market shares before constructing a dense refuelling network. The resulting lock-in effect or chicken-egg-problem has been a field of research for many AFVs, but the co-diffusion of PEVs has rarely been analysed for plug-in electric vehicles (PEVs) up to now.1 This might derive from the large availability of private charging options (simple sockets at home) or semi-public charging options (at work). The question is whether these charging options are sufficient to overcome the potential lock-in or how much additional public charging infrastructure is needed. Here, we develop an agent-based market diffusion model for PEVs and their charging infrastructure that is based on a large number of individual driving profiles for private and commercial car holders in Germany. Within the model, we determine the utility-maximising fuel type for each user based on cost, willingness-to-pay and the available charging infrastructure which derives from its driving behaviour and socio-demographic information. Infrastructure agents build public charging points when economically sensible. Our results show that there can be a market evolution in Germany without any public charging infrastructure facilities, since many vehicles are parked in garages or close to a house where power outlets are already available or easy to install. The second-best option for an infrastructure set-up is at work where the majority of vehicles is parked over a long time during the day, the installation is not costly and users profit more than from public facilities. Public charging facilities can increase PEV market shares, but they need to be subsidised for a long time.

Abstract

This paper examines information services in association with charging services, and in particular players that offer information services related to charging service offerings from many different operators. It identifies two main types of business models through studying and comparing 25 European charging information service providers. For one type of players the paper analyses the network character and how this is related to the business model. Future implications of European integration, standardization and entry on the two business models, operator information-consolidator and community-based business models, are also discussed.

Abstract

The operation of public and semi-public charging infrastructure is often not profitable yet. However, the integration of charging infrastructure in microgrids enables the introduction of innovative business models, e.g. by local renewable energy generation and storage units. Another driver to improve profitability is to adapt the charging infrastructure expansion according to its usage characteristics. This study presents a method to optimize the charging infrastructure expansion. Therefore, a mixed integer linear program with the aim to minimize costs is formulated and applied on real-world data. Via the optimization, different scenarios are developed and the microgrid integration is simulated in an operation optimization algorithm. Different business models such as PV and battery storage integration are computed and the economics of the business models in the different scenarios are evaluated. It can be concluded that microgrid integration can be a significant driver of charging infrastructure operation profitability. Integrating PV generation shortens the payback period in all scenarios. Also, PV generation and battery storage combined improve profitability, but not to the same extent than without storage unit. Furthermore, the optimization of the charging infrastructure expansion leads to a significant improvement of profitability. Combining both the microgrid integration, as well as the expansion optimization, the payback period can be decreased by up until 67 %.

Abstract

Electrically powered buses in public transportation are increasingly being put into operation. The energy supply needs a careful planning just to keep all busses continuously in operation and to avoid power peaks in the grid. This problem is solved by a two-step planning procedure which is based on a linear model. The first step is an analytical optimization under simplified constraints. In a second step a simulator works on an extended model. The planning objectives are to minimize the investment and to minimize the power peaks. Additionally a simple decision algorithm computes the charging power at run time. The models are developed in detail and a small numerical example illustrates the work.

Abstract

Over the last two decades, electrification has gained importance as a means to decarbonise the transport sector. As the number of Electric Vehicles (EVs)increases, it is important to consider broader system aspects as well, especially when deciding the type, coverage, size and location of the charging infrastructure required. In this article, a Multi-Agent model depicting long distance transport in Sweden is proposed, allowing to simulate different scenarios and enabling a more detailed analysis of the interaction between these vehicles and the charging infrastructure.