Entwicklung eines Simulationsmodells mit Python für das Ladeverhalten von Elektromobilität

Abstract

Die Betreiber von Supermärkten bieten ihren Kunden heutzutage immer öfter die Möglichkeit, ihre Elektro-autos während des Einkaufens mittels Ladesäulen auf dem eigenen Kundenparkplatz zu laden. Bei der Planung dieser Ladesäulen muss die maximale Leistungsaufnahme bestimmt werden. Je höher diese ist, desto mehr Grundgebühren zahlt der Supermarkt an den Netzbetreiber, unabhängig davon, wie oft diese maximale Leistung tatsächlich angefordert wird. Durch das Betreiben von Schnellladepunkten auf dem Parkplatz entstehen hohe Lastspitzen im Gesamtlastverlauf des Supermarktes. Um Kosten zu reduzieren, wird in dem Forschungsprojekt ’EcoCharge’ nach Möglichkeiten gesucht, diese Lastspitzen abzusenken. Es wird mittels Deap-Learning-Verfahren eine Vorhersage für den Lastverlauf berechnet, um so die Kühlung des Supermarktes in Abhängigkeit der Last an den Ladestationen zu steuern. So kann beispielsweise vorgekühlt werden, um die Kühlung bei einer Lastspitze zeitweise zu reduzieren. Damit das Programm funktionieren kann, müssen Daten für den Lastverlauf der Ladestationen vorhanden sein. Reale Daten von Schnellladesäulen liegen jedoch nicht vor. In dieser Arbeit wird eine Simulation erstellt, um die fehlenden Daten für das Projekt zu generieren. Dabei werden unterschiedliche Parameter berücksichtigt, welche von dem Benutzer eingestellt werden können. Anschließend werden die Auswirkungen dieser Parameter auf den Lastverlauf untersucht.

Nowadays, supermarket operators increasingly provide their customers with the opportunity to charge their electric cars while shopping, using charging stations in their own customer parking lots. When planning these charging points, the maximum power consumption must be determined. The higher it is, the more basic fees has the supermarket to pay to the grid operator, regardless of how often this maximum power is actually requested. Operating fast-charging points in the parking lot results in high load peaks in the supermarket’s overall load profile. In order to reduce costs, the research project ’EcoCharge’ is exploring ways to reduce these load peaks. Deap-learning methods are used to calculate a prediction for the load profile, allowing control of the supermarkets cooling system based on the load at the charging stations. For example, pre-cooling can be used to temporarily reduce the cooling during a peak load. For the program to function, data for the load profile of the charging stations must be available. However, real data from fast-charging stations are not available. In this work, a simulation is developed to generate the missing data for the project. Various parameters are taken into account, which can be adjusted by the user. The effects of these parameters on the load curve are then examined.