A Smart Charging Assistant for Electric Vehicles Considering Battery Degradation, Power Grid and User Constraints

Der Anstieg intermittierender Stromerzeugung aus erneuerbaren Energiequellen erschwert zunehmend einen effizienten und zuverlässigen Betrieb der Versorgungsnetze. Gleichzeitig steigt die Zahl der Elektrofahrzeuge, die zum Aufladen erhebliche Mengen an elektrischer Energie benötigen, rapide an. Energie- und Mobilitätssektor sind somit unweigerlich miteinander verbunden, was zur Folge hat, dass zuverlässige Elektromobilität von einer robusten Stromversorgung abhängt. Darüber hinaus empfinden Fahrzeugnutzer ihre individuelle Mobilität als eingeschränkt, da Elektrofahrzeuge im Vergleich zu Fahrzeugen mit Verbrennungsmotor derzeit eine geringere Reichweite aufweisen und mehr Zeit zum Aufladen benötigen.
... mehr

In der vorliegenden Arbeit wird daher ein neuartiges Konzept sowie eine Softwareanwendung (Ladeassistent) vorgestellt, die den Nutzer beim Laden seines Elektrofahrzeuges unterstützt und dabei die Interessen aller beteiligten Akteure berücksichtigt. Dafür werden zunächst Gestaltungsmerkmale möglicher Softwarearchitekturen verglichen, um eine geeignete Struktur von Modulen und deren Verknüpfung zu definieren. Anschließend werden anhand realer Daten sowohl Energieverbrauchs- als auch Batteriemodelle entwickelt, verbessert und validiert, welche die Fahr- und Ladeeigenschaften von Elektrofahrzeugen abbilden. Die wichtigsten Beiträge dieser Arbeit resultieren aus der Entwicklung und Validierung der folgenden drei Kernkomponenten des Ladeassistenten.

Als Erstes wird das individuelle Mobilitätsverhalten der Nutzer modelliert und anhand von aufgezeichneten und halbsynthetischen Fahrdaten von Elektrofahrzeugen ausgewertet. Insbesondere wird ein neuartiger, zweistufiger Clustering-Algorithmus entwickelt, um häufig besuchte Orte der Nutzer zu ermitteln. Anschließend werden Ensembles von Random-Forest-Modellen verwendet, um die nächsten Aufenthaltsorte und die dort typischen Parkzeiten vorherzusagen.

Als Zweites wird gemischt-ganzzahlige stochastische Optimierung angewandt, um Ladestopps in einem zukünftigen Zeithorizont möglichst komfortabel und kostengünstig zu planen. Dabei wird ein graphenbasierter Algorithmus eingesetzt, um den Energiebedarf und die Eintrittswahrscheinlichkeit von Mobilitätsszenarien eines Elektrofahrzeugnutzers zu quantifizieren. Zur Validierung werden zwei alternative Ladestrategien definiert und mit dem vorgeschlagenen System verglichen.

Als Drittes wird ein nichtlineares Optimierungsschema entwickelt, um vorhandene Zeit- und Energieflexibilität in Ladevorgängen von Elektrofahrzeugen zu nutzen. Die Integration eines detaillierten Batteriemodells ermöglicht eine genaue Quantifizierung der Kosteneinsparungen aufgrund einer geringeren Batteriealterung und dynamischer Stromtarife. Anhand von Daten aus realen Ladevorgängen von Elektrofahrzeugen können Einflüsse auf die Rentabilität von Vehicle-to-Grid-Anwendungen herausgearbeitet werden. Aus der Umsetzung des vorgestellten Ansatzes in einer realistischen Umgebung geht ein Architekturentwurf und ein Kommunikationskonzept für optimierungsbasierte intelligente Ladesysteme hervor. Dabei werden weitere Herausforderungen im Zusammenhang mit standardisierter Ladekommunikation, Eingriffen der Energieversorger und Nutzerakzeptanz aufgedeckt.

The rise of intermittent renewable power generation increasingly impedes an efficient and reliable utility grid operation. Simultaneously, the number of electric vehicles, which require significant amounts of electric energy to charge, is growing rapidly. The energy and mobility sectors are therefore inevitably coupled, implying that reliable electric mobility depends on robust power supply. Furthermore, vehicle users perceive a limitation of their individual mobility, as electric vehicles currently provide less driving range and require more time to recharge compared with internal combustion engine vehicles.
... mehr

The present thesis therefore presents a novel concept and a software application (charging assistant) supporting users when charging their electric vehicles, while considering the interests of all involved stakeholders. To achieve this, design features of possible software architectures are initially compared to define a suitable structure of modules and their interconnection. Real data is then used to develop, enhance, and validate both energy consumption and battery models representing electric vehicle driving and charging characteristics. The major contributions of this thesis arise from design and validation of the charging assistant’s following three core components.

First, users’ individual mobility behavior is modeled and evaluated using both recorded and semi-synthetic electric vehicle trip data. Particularly, a novel two-stage clustering algorithm is developed to determine users’ frequently visited locations. Ensembles of random forest models are then used to predict next locations to visit and typical parking times there.

Second, stochastic mixed-integer programming is used to most conveniently and cost-effectively schedule charging stops in a future time horizon. In this context, a graph-based algorithm helps to quantify energy demand and occurrence probability of an electric vehicle user’s mobility scenarios. For validation, two alternative charging strategies are defined and compared with the proposed scheme.

Third, a non-linear optimization scheme is engineered to leverage unused time and energy flexibility in electric vehicle charging processes. Integrating a detailed electric vehicle battery model allows to precisely quantify cost savings due to reduced battery aging and dynamic electricity tariffs. Using data from real electric vehicle charging events, influences on the profitability of vehicle to-grid applications can be elaborated. Implementing the proposed scheme in a realistic environment yields an architecture blueprint and communication concept for optimization-based smart charging systems. In this context, further challenges regarding standardized charging communication, interventions of power suppliers, and user acceptance are discovered.