Voorspellen en optimaliseren van laadsessies
Tussen november 2017 en april 2020 werkte ElaadNL mee aan het onderzoek ‘Simulaad – Smart Charging Strategieën’ van de Hogeschool van Amsterdam. De resultaten zijn gedeeld via de website van de HvA. Simulaad is een samenwerking tussen de Hogeschool van Amsterdam, ElaadNL, Gemeente Amsterdam, Enpuls B.V., Pitpoint B.V., MRA-Elektrisch, RoyalHaskoningDHV en Rijkswaterstaat. Het project wordt medegefinancierd door TKI Urban Energy.
Hoe veel waarde kan slim laden hebben op publieke laadstations voor elektrische voertuigen? In hoeverre kan slim laden wagenparkbeheerders ondersteunen om hun vloot te elektrificeren zonder in dure netverzwaring te hoeven investeren? En: wat kan slim laden bijdragen als je kijkt naar het laadvermogen van het totale elektrische auto park? Dit zijn zo maar wat vragen die in het project SIMULAAD zijn onderzocht; een project met een looptijd van 2 jaar dat in april 2020 is afgerond.
Het project SimuLaad is een direct vervolg op het project “Nationaal Dataplatform Slim Laden (NDSL). In het Nationaal Dataonderzoek Slimme Laadstrategieën werden de twee grootste datasets van publieke laadtransacties in Nederland samengevoegd, te weten de database van G4/MRA-Elektrisch en die van ElaadNL. Die integratie maakte het mogelijk om meer kennis op te bouwen over het potentieel van slim laden-strategieën in Nederland. Zo liet NDSL zien dat rond 40% van de laadsessies een slim laden potentieel heeft van 75% of meer en dat dat potentieel ligt bij de reguliere gebruikers, en bijvoorbeeld minder bij deelauto’s of taxi’s.
Simulaad bouwde voort op NDSL en ontwikkelde een voorspelalgoritme dat per laadpas kan voorspellen hoe lang een connectie met een laadpaal zal zijn. Het optimalisatie-algoritme bepaalt vervolgens het moment waarop de laadtransactie het beste kan starten. Van cruciaal belang is dan het kunnen voorspellen hoe lang een laadsessie gaat duren; iets dat met name om publieke palen en met een grote diversiteit aan gebruikers complex bleek. Desalniettemin is het met geavanceerde modellen gelukt om de verwachte connectieduur in veel gevallen nauwkeurig te kunnen classificeren. Het onderzoek draagt zodoende bij aan de mogelijkheden van laadpuntexploitanten om meer accuraat laadsessies slimmer te laden waarbij de gebruiker er op kan vertrouwen dat deze met een volle accu kan vertrekken. Meer over dit onderzoek in dit rapport.
De database van G4/MRA-e en EVnetNL bevat meer dan 70% van alle publieke laadpalen. En biedt dus de mogelijkheid om te verkennen in hoeverre en in welke mate sprake is van interstedelijk laadgedrag door gebruikers.
In het NDSL project werd al aangetoond dat het aantal laadsessies door EV rijders in een andere stad of regio dan hun thuisbasis maximaal circa 10% is. In termen van aantal sessies is interstedelijk laadgedrag op publieke laadpunten dus beperkt. In Simulaad is dit onderzoek uitgebreid door te kijken welke omliggende gemeenten relatief veel gebruik maken van de publieke laadinfrastructuur van de vier grote steden. Hiermee kunnen beleidsmakers in de grote steden beter anticiperen op een groei van de laadvraag op publieke laadpalen in hun stad.
Tabel 1 vat samen wat de oorsprong is van de bezoekers die gebruik maken van de publieke laadinfrastructuur van de vier grote steden. Zo faciliteert Den Haag met name EV rijders die in de 3 andere grote steden wonen, maar ook bezoekers uit Delft en Haarlem. Hetzelfde geldt voor Utrecht, die ook EV rijders uit o.a. De Bilt, Zeist en Houten faciliteren. De analyse biedt kansen om met randgemeenten gezamenlijke uitrol van laadinfrastructuur te bespreken.
Tabel 1: Interstedelijk laadgedrag voor de 4 grote steden
Ook interstedelijk gedrag van taxi-chauffeurs met een elektrische taxi is verkend. Met name om vast te stellen waar met de verwachte groei van het aantal e-taxi’s nieuwe laadinfrastructuur nodig is. Het onderzoek toont aan dat 91% van alle publieke laadsessies van de bij HvA bekende e-taxi’s plaats vindt op laadpunten van de gemeente Amsterdam. De publieke laadinfrastructuur in Amsterdam (met name Nieuw-West en Centrum) blijft dus een belangrijke conditie om taxi-chauffeurs te faciliteren. Buiten Amsterdam zijn er vier gemeenten waar in 2019 meer dan 1000 sessies van taxi’s hebben plaatsgevonden: Zaanstad, Almere, Haarlemmermeer en Haarlem. Deze steden kunnen mogelijk een belangrijke rol spelen om taxi-chauffeurs over te halen om over te stappen op elektrische taxi door het plaatsen van publieke laadinfrastructuur.
Op basis van de beschikbare data zijn ook laadprofielen opgesteld voor de verschillende type laadinfrastructuur: privaat, semipubliek/kantoor, publiek en snellader. Figuur 1a-d toont profielen van het laadprofiel dat je op deze diverse laadtypen kan verwachten. Door dit op te schalen naar het geschatte aantal laadpunten dat van elk type in Nederland staat, is het mogelijk een geaggregeerd beeld van de laadvraag te bepalen: het Nationaal Laadprofiel.
Figuur 2 geeft een schets van de geaggregeerde laadvraag van de totale vloot van Nederlandse elektrische auto’s op een doordeweeks dag. Op piekmomenten (begin van de avond) wordt collectief ca. 220MW aan vermogen gevraagd; per auto ongeveer 1-1,1kW. Deze piek wordt grotendeels veroorzaakt door thuisladers; en groep die zich uitstekend leent voor toepassing van slim laden om de piek aanzienlijk te verlagen. Meer details over het laadprofiel zijn te vinden in het rapport.
Binnen het project is ook een simulatietool ontwikkeld die in staat stelt die groei zelf te kunnen instellen en effecten op het nationaal laadprofiel te kunnen simuleren. Zo kan bijvoorbeeld het effect worden gesimuleerd van een scenario waarin snelladen een grote vlucht neemt, of dat er vooral 3fase laders worden verkocht de komende jaren; of dat kantoorladen sterk wordt gestimuleerd. De 1.0 versie van de tool is online; en iedereen is welkom om de tool te gebruiken.
Het in NDSL ontwikkelde EVEC-model biedt fleetowners de mogelijkheid om te bepalen hoeveel EV’s nog op hun netaansluiting kunnen worden geplaatst, inclusief effecten van slim laden, opwekken van elektriciteit met PV en opslag van elektriciteit in een batterij. In SimuLaad werd dit model toegepast op de elektrische vloot van van Rijkswaterstaat en Royal Haskoning DHV. Met het EVEC 3.0 model, aangevuld met slim laden analyses vanuit een rekenmodel van ElaadNL voor bedrijfslocaties, bepaalde SimuLaad voor de twee fleetowners Rijkswaterstaat en RoyalHaskoningDHV hoeveel elektrische voertuigen op welke kantoorlocaties kunnen worden gefaciliteerd en hoe dit aantal verder kan oplopen als slim laden wordt toegepast om (dure) netverzwaring te vermijden. Door het toepassen van slim laden kan de benodigde capaciteit op de netaansluiting bij deze 2 bedrijven tot wel 40% worden gereduceerd (zie de rapportage van RHDHV).
(Gepubliceerd op de website van Hogeschool van Amsterdam 20 mei 2020)