Intelligente Ladeinfrastrukturen
Ein wachsender Anteil an elektrisch betriebenen Fahrzeugen benötigt eine geeignete, erschwingliche und zuverlässige Infrastruktur, zu der Ladestationen gehören. Die Herausforderung bei der Integration dieser Infrastruktur liegt in der wachsenden Last, besonders die Spitzenlast, die auf das bestehende Netz zu kommt. Wenn viele Elektromobile gleichzeitig geladen werden, muss das Versorgungsnetz groβe Spitzenlasten bewältigen. Diese Spitzenlasten können Überlastungen einiger Netzkomponenten, wie etwa Übertragungsleitungen und Transformatorstationen verursachen. Netz Spitzenlasten entstehen dann, wenn am Abend die Leute von der Arbeit nach Hause kommen und Ihre Elektrofahrzeuge zum Laden anschlieβen oder aber, wenn kommerzielle Flotten am Abend geladen werden, nachdem sie über Tag unterwegs waren.
Werden Fahrzeuge geladen, wenn es einen Überschuss an erneuerbarer Energie gibt, erhöht das die Nutzung von erneuerbaren Energiequellen. Um den Transport von Energie zu reduzieren, sollten lokale Energiequellen bevorzugt werden. So kann ein Netzausbau oder eine Verstärkung reduziert werden.
Was macht die Technik intelligent ?
Das gleichzeitige Laden von elektrischen Fahrzeugen kann zu unerwünschten und nicht handhabbaren Spitzenlasten führen. Spitzenlasten können durch ausgeklügelte Last Management Algorithmen, basierend auf mathematischer Optimierung vermieden werden. Eine notwendige Voraussetzung dafür sind aber bekannte An- und Abfahrtszeiten. Glücklicherweise zeigt unsere vorläufige E-Flotten Datenanalyse, dass das Laden von Flottenfahrzeugen durch maschinelles Lernen (ML) gelöst werden kann. Mit dem Wissen über wiederkehrende zeitliche Abläufe ist es möglich Vorhersagen (Last über die Zeit) für zukünftige Zustände, sowie typische An- und Abfahrtszeiten vorherzusagen. Es ist wichtig zu erwähnen, dass maschinelles Lernen weiter nützliche Informationen liefert, wie etwa den Fahrzeugtyp, das optimale Ladeprofil und der Prozentanteil der vorhandenen erneuerbaren Energie über die Zeit. Maschinen Lern Algorithmen haben zwei Phasen gemeinsam: in einer Trainingsphase wird der Algorithmus mit Daten gefüttert. Danach geht das System über in eine Test-Phase oder Vorhersage Phase, wo auf der Basis der “ gelernten” Daten Entscheidungen oder Vorhersagen automatisch getroffen werden (vgl. Abb.). Die Testdaten dienen der Evaluierung der getroffenen Vorhersagen.
Nutzen sie unsere online Siumulation für ihre eigenen Tests: Smart EV fleet charging.
Folgende Grafik oben: Vorläufige Datenanalyse: “Typische” mittlerer Energieverbrauch am Tag (orange Linie) basierend auf stündlichen Messungen verteilt auf das Jahr 2018. „Violin-“ Graphen veranschaulichen die statistischen Energieverbrauchsdaten für jede Stunde des Tages. Typische Lastspitzen wiederholen sich um 12 Uhr mittags, 1 Uhr nachmittags und um 11 Uhr abends. Unten: Vorläufige Resultate zeigen, das sich die wiederholenden zeitlichen Muster des Energieverbrauchs mit Hilfe eines Kalman Filters vorhersagen lassen. Die Daten basieren auf Messungen von elektronischen Ladedaten, wie sie auf Samsø gemessen wurden.
Abgesehen von der richtigen Wahl der Maschinen Lern Algorithmen hängt die Zuverlässigkeit der Vorhersagen sehr von den zur Verfügung stehenden Daten ab. Um genaue Vorhersagen bezüglich der An- und Abfahrt machen zu können, planen wir die Sammlung von einer sehr groβen Anzahl Daten von Ladestationen, die an das Netzt angeschlossen sind. Verschiedene neuronale Netzwerke können darauf trainiert werden Saisonale Muster und tägliche Muster zu berücksichtigen.
