Intelligente ladeinfrastrukturer
En stigende andel eldrevne køretøjer kræver en passende og pålidelig infrastruktur, der er til at betale – og dette omfatter ladestationer. Udfordringen i forbindelse med integrationen af denne infrastruktur er den stigende belastning, navnlig spidsbelastningen, på det eksisterende net. Forsyningsnettet skal kunne håndtere høje spidsbelastninger, når der skal lades mange elbiler op på samme tid. Spidsbelastningerne kan føre til overbelastning af nogle netkomponenter, herunder transmissionsledninger og transformatorstationer. Der opstår spidsbelastninger på nettet, når folk kommer hjem fra arbejdet om aftenen og tilslutter deres elbiler for at få dem ladet op, eller når erhvervsvognparkerne lades op om aftenen, efter at de har været undervejs i løbet af dagen.
Hvis bilerne lades op på tidspunkter, hvor der er et overskud af vedvarende energi, øger det anvendelsen af vedvarende energikilder. De lokale energikilder bør foretrækkes for at nedbringe energitransporten. Dette kan reducere en netudvidelse eller en styrkelse.
Hvad gør teknikken intelligent?
En opladning af elbiler på samme tid kan resultere i uønskede spidsbelastninger, der ikke er til at håndtere. Det er muligt at undgå spidsbelastninger ved hjælp af avancerede algoritmer til belastningsstyring, der baserer på matematisk optimering. En nødvendig forudsætning herfor er dog, at ankomst- og afgangstiderne er kendte. Heldigvis viser vores foreløbige dataanalyse af elvognparken, at opladningen af vognparkens biler kan løses gennem maskinindlæring (ML). Når det er kendt, hvordan det tidsmæssige forløb er, er det muligt at forudsige belastningen over tid for de kommende tilstande og at forudsige de typiske ankomst-og afgangstider. Det er vigtigt at nævne, at maskinindlæring også giver adgang til nyttig information, herunder om køretøjstypen, den optimale ladeprofil og den procentuelle andel af eksisterende vedvarende energi over tid. Maskinindlæringsalgoritmer har to faser til fælles: I træningsfasen indlæses der data i algoritmen. Derefter går systemet videre til en testfase eller forudsigelsesfase, hvor der på baggrund af de ”indlærte” data automatisk bliver truffet afgørelser eller afsagt forudsigelser (se figur). Testdataene anvendes til evaluering af de afsagte
Prøv selv vores online tool: Smart EV fleet charging.
Øverste graph: Foreløbig dataanalyse. ”Typisk” gennemsnitligt energiforbrug om dagen (orange linje) baseret på målinger hver time hen over året 2018. ”Violin”-grafer viser de statistiske energiforbrugsdata for hver time i løbet af et døgn. De typiske belastningstoppe gentages kl. 12, kl. 13 og kl. 23. Nederst: De foreløbige resultater viser, at de tidsmønstre, der gentager sig, gør det muligt at forudsige energiforbruget ved hjælp af et Kalman-filter. Dataene er baseret på målinger af elektroniske opladningsdata, sådan som de blev målt på Samsø.
Foruden det rigtige valg af maskinindlæringsalgoritmer afhænger forudsigelsernes pålidelighed i høj grad af de data, der står til rådighed. For at kunne komme med præcise forudsigelser, hvad ankomst- og afgangstiderne angår, har vi planer om at indsamle et meget stort antal data fra ladestationer, der er tilsluttet nettet. Forskellige neuronale net kan trænes i at tage højde for årstidsbetingede mønstre og daglige mønstre.
