Elektromobilitet i elnätsperspektiv · Power-train Vehicle driver Environment Energy manag-ement...

Elektromobilitet i elnätsperspektiv

Christofer Sundström

Fordonssystem

Insutitionen för systemteknik

Linköpings universitet

Fordonssystem LiU2

• 25 medarbetare• 9 seniora• 1 Postdoc• 13 doktorander• 1 forskningsingenjör

• Forskningsområden• Fordonsdynamik och autonomi• Diagnostik och prognostik• Fordonsframdrivning

• Elektromobilitet

• Undervisning• Elkraftsteknik• Elektriska drivsystem• Energitekniska system

3

OVERALL AIM OF ELECTROMOBILITY R&D

The overall aim of all activities in the

Electromobility area is to increase

the knowledge and contribute to the

conversion from fossil fuels to more

electric kilometers in all type of

transportations!

19 employees with mix of ademic

and industrial experience. 11 Ph.D.

Tillförd energi - Sverige4

Transportsektorn5

Val av fordon6

• Elektrifierade fordon fördelaktiga främst istäder• Bromsåtervinning• Låg energiförbrukning• Inga lokala utsläpp• HEV, PHEV, BEV

• Förnybara bränslen bra alternativ vid långatransporter.• Etanol• HVO• Biogas• Vätgas

Fjärrtransporter - elektrifierade7

• 40 tons lastbil förbrukar ca 1.5 kWh/km för framdrivningen. • Antag verkningsgrad 100% på elektrifierad drivlina.• Batteriets energidensitet ca 0.2kWh/kg.• För att kunna köra 700km på en laddning behövs 700*1.5/0.2=5250kg

batterier.• Lastvikt på ca 25 ton. Batterier tar upp 1/5 av lastkapaciteten.• Laddning av batteriet kräver 1.2MW (1 timme).

1. Elvägar2. Smarta hemmet

- Elbil- Uppvärmning- Varmvatten- Batterilager- Mikroproduktion

3. Fortsatt arbete

Research Institutes of Sweden

RISE Viktoria

ELECTRIC ROAD SYSTEM

10

http://www.regiongavleborg.se/regional-utveckling/samhallsplanering-och-

infrastruktur/elvag/the-electric-highway-in-english/about-the-project/

Elväg i Sandviken (Gävle)

Konduktiv pantograf

Konduktiv underifrån

Trådlös (induktion)

Elväg - lika kraftöverföringstekniker

0

5

10

15

20

25

30

35

40

45

50

2010-2013 2016 2017 2018 2019

South Korea Sweden USA Germany

12

ERS on public roads

Schleswig-

Holstein

Hessen

Baden-

Württemberg

Accum

ula

ted

num

ber

of

kilo

mete

rs

Research Institutes of Sweden

Håkan Sundelin

Christofer Sundström

RISE Viktoria

ANALYSIS OF ELECTRIC ROADSLONGITUDINAL TRUCK MODEL

Background

▪ Investment cost of ERS high -> Decision makers require independent comparison between technologies.

Aim

▪Develop a simulation platform for ERS with main emphasis on energyconsumption.

▪ Investigate quality and impact on simulation results of different data sources.▪ Vehicle reference speed▪ Topology▪ Traffic flow

▪Deliver information where to build ERS

14

15

Simulation of electrified propulsion using ERS

Energy consumption

Fuel consumption

CO2 emissions

Environment

Vehicle

Electric road

Topology

Payload

Energy mix

Speed

Efficiency

Battery size

Installation

EM size

ICE size

Longitudinal Vehicle Model

▪ To evaluate different configurations of ERS a longitudinal vehicle model is developed and implemented in Matlab/Simulink.

▪ Powertrain configured as parallel hybrid extended with ERS possibility.

▪ Low complexity dynamic model including driver model.

▪ Physical modelling combined with look-up tables for losses in e.g. ICE and EM.

▪ Fast simulations. E.g., 110 seconds to simulate Gävle-Boliden (94km).

▪ Parameters:

▪ ICE: 270kW

▪ EM: 260kW

▪ Battery: 25kWh

16

Power-

train

Vehicle

driver

Environment

Energy

manag-

ement

Vehicle

17

Electric road – fuel saving

Example where all road electrified and there is no power limitation in the electric road.

Battery charged at 2C.

18

Electric road – fuel saving

Example where all road electrified and there is a power limitation in the electric road at 130 kW.

19

Electric road – fuel saving

Similar fuel savings as continuous ERS.

Drawback: large energy flows in battery.

20

Electric road – fuel saving

Three cases:

• Electric road not available:

• Fuel: 536 kWh

• Electric: -

• Driving time: 4586 s

• Electric road available 100% distance:

• Fuel: 183 kWh

• Electric: 164 kWh

• Fuel saving: 38 kWh/10km

• Driving time: 4248 s

• Electric road available 4km uphill (fig.)

• Fuel: 465 kWh

• Electric: 37 KWh

• Fuel saving @ electrc road: 175 kWh/10km

• Driving time: 4457 s

21

Future work in new project?

▪ Extend simulation framework to include possibilities/cost for electrify different segments of the road.

▪ Find optimal solution where to electrify.

▪Make simulation environment public.

Optimering av elbilsladdning och uppvärmning inom hemmet

Syfte23

För ett hushåll med en plug-in hybrid • Utveckla smart styrning för att minimera elkostnaderna.• Kvantifiera sänkning av elkostnaden.• Hur påverkas energiförbrukningen över dygnet?

Effektkurva Sverige24

• Elförbrukningen varierar med tidpunkten över dygnet

• Gapet motsvarar 3kW laddning av ~1.3 miljoner fordon

0 5 10 15 20 258

10

12

14

16

18

20

22

24

Mean power per hour in Sweden 2013

time of the day

Mean

po

wer

[GW

]

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Laddningskostnader25

För 2013: Kostnadsbesparing börja ladda elbil 01.00 istället för 18.00 sparar 300:-. Genom att ladda på optimala tidpunkter sparar 418:-.

Det finns inget direkt behov för avancerade optimeringsalgoritmer om endast laddning beaktas.

Metod26

Utveckla en simuleringsmiljö av hushåll inkluderande:

• Hur mycket finns att vinna på smarta hem?

Demand

Electric loads

Electric Vehicle

Controller

Weather forecast Electricity

price

Thermodynamic house model

Heating system

SoC

uu

E E

u

TWater heating

T

Tillgängligt data:

• Hushållsel (28

hushåll)

• Utomhustemperatur

• Solinstrålning

• Elpris

Timbaserad data för 1

år.

Husmodell:• U-värde för väggar, tak,

golv, och fönster -> Effekt in/ut ur husets skal

• Punktkälla i huset för uppvärmning. Jämn temperatur i hela huset.

• Inkludera ventilation• Solinstrålning genom

fönster. • Hushållselen påverkar

inomhustemperaturen.

Reglerstrategier27

Traditionell

• Termostat för

uppvärmning.

• Varmvatten värms

när tanken ej full.

• Elfordon laddas när

sladden stoppas i

väggen.

Globalt optimal

• Har perfekt

kännedom om väder,

SoC, elpris i

framtiden.

Optimering i realtid

• Baserat på

väderprognos, SoC

skattning, och elpris

för de närmsta

timmarna hittas en så

bra lösning som

möjligt.

Globalt optimal laddning & värme28

• Antar perfekt prediktion om: • Utomhustemperatur• Solinstrålning• Hushållselsanvändning• SoC• Elpris

• Villkor:• Inomhustemperaturen ej under en lägsta nivå.• Pmax = 15kW• Bilen fulladdad 07.00

Resultat I29

Resultat II30

Optimal

Traditionell

Optimering i realtid32

• Model Predictive Control (MPC) används.• Optimerar förbrukningen av

• Värme• Varmvatten• Elbilsladdning

• Använder samma datasignaler som i den globala optimeringen, med skillnadatt endast information för en viss tidshorisont används.

• Uppdateringsfrekvens en time.• Beräkningen tar < 1 sekund för att hitta styrstratgier för närmsta timmen.

Heuristisk/MPC/Globalt optimal33

• Kostnad för uppvärmning och varmvatten. Ingen elbiloch ackumulatortank för vatten till uppvärmning.

• Skiljer inte mycket mellan globalt optimal ochrealtidsoptimering.

Olika tankstorlekar och prediktionshorisoner35

Kostnad för uppvärmning, varmvatten, och elbilsladdning.

Maxeffekt vs Energikostnad36

Exempelvis Göteborgs Energi använder kostnadsmodellav typen:

Pris = energipris + fast pris + pris för maxeffekt/månad

Här studeras hur lösningen varierar vid olika vikt mellanenergikostnad och maxeffekt.

Maxeffekt vs Energikostnad37

Maxeffekt vs Energikostnad38

Sammanfattning realtidsoptimering40

• Nära globalt optimala lösningen när ett dygnsprediktionshorisont används. Största vinningen uppnås vid 6-8 timmars horisont.

• Maxeffekten har störst beroende av prediktionshorisont, men litet beroende av tankstorlek.

• Energikostnaden har stort beroende i både tankstolek ochprediktionshorisont.

Batterilager och solceller

Aim

Investigate PV potential, BSS, and smart energy management algorithmcontroling BSS and EV.

44

Aim45

PV model

• Single diode model.

• Parametrized using data from 14 kW PV installation in Münich(TUM).

• Depends on radiation and temperature.

46

IPH ID IP

RP

RS I

VVD

Feb 01 Feb 02 Feb 03 Feb 04 Feb 05 Feb 06 Feb 07

Time 2016

0

5

10

El. o

utp

ut [k

Wh/h

] Comparison of measured and simulated electricity generation

Simulation

Measurement

Aug 01 Aug 02 Aug 03 Aug 04 Aug 05 Aug 06 Aug 07

Time 2016

0

5

10E

l. o

utp

ut [k

Wh

/h]

Simulation

Measurement

Models and available data

• Household applianceconsumption from 28 households. Yearlyconsumption varies from 1.0MWh to 9.9MWh. Onehousehold consuming5.2MWh used in this study.

• Solar radiation

• Outdoor temperature

All data sampled at hourly rate.

47

• Battery storage system:

– Efficiency 95%

– Capacity 5kWh

• Electric vehicle

– Efficiency: 85%

Minimization criteria and constraints

• Objective is to minimize cost. Time discretized in N steps:

• Power balance:

• Limited grid power:

• Limited BSS power and SoC:

• Limted EV power:

• Limited EV SoC:

• EV fully charged when required:

48

Energy buy cost Energy sell cost

Electric vehicle• Nissan Leaf considered

– NEDC energy consumption: 15kWh/100km

– Energy consumption summer: 17-22kWh/100km

– Energy consumption summer: 29-34kWh/100km

• Daily driving distance (total 14300km/year)

– Weekdays: 40km (mean value)

– Weekends: 35km (mean value)

• The time the EV is available for charging varies:

– Weekdays: 5pm – {6-9}am

– Weekends: 3pm – {8-10}am

• Vehicle immediately charged to 50% SoC immediately after pluged in.

49

Pricing tariffs• Current scenario: Spot price from 2016

• Future scenario

– Fluctuations in electricity price increased 50%. Same mean value.

– Tax reduction and certificate for selling electricity removed.

• Flat rate

– In Germany flat rate is used. Feed-in tariff lower than total price for consumer.

50

cost buying energy Energy taxsupplier VATgrid

certificatetax reduction Grid compensationcost selling

Electricity tariffs 51

Results

• PV: 44 degreeinclination, southoriented roof. Norrköping.

• Maximum power not affected by PV or PV+EMS. Increasedwhen BSS used.

• When EMS used, peak power at night.

52

Current scenario

• Similar costreduction from PV in all sites except Kiruna.

• Adding EMS decreases cost by ~5% (~500SEK/year).

• Adding BSS slightly less costreduction.

53

Future scenario

• Slightly higher costdue to higherconsumption at winter.

• Lower profit installing PV due to low sell price and lower spot pricesummertime.

• Importance of EMS and BSS significantly higher.

54

Flat rate

• Yearly cost in reference case morethan double.

• EMS saves 300-500SEK/year, butlow relative savings.

• BSS saves ~1500SEK/year. Similar to Futurescenario. BSS makes more sence in Germany.

55

Conclusions battery storage

• PV generates similar in southern parts of Sweden as in southern parts ofGermany (differences over seasons though).

• Benefits of smart energy management system optimizing charging EV given the household appliance consumption, PV generation, and electric price, are largerin Sweden compared to Germany, due to the hourly varying electricity price.

• Benefits due to installation of BSS turns out small. Energy cost can be reduced, but not as much to make the investment profitable.

– In Germany it is closer to make break-even.

• Impact on grid needs to be investigated.

57

Övergripande sammanfattning

• Kostnadsminimering av energikostnaden leder till ökade effekttoppar

– Möjligt possitivt om enstaka hushåll använder strategin.

– Negativt för lokala elnät vid storskalig användning.

58

0 5 10 15 20 258

10

12

14

16

18

20

22

24

Mean power per hour in Sweden 2013

time of the day

Mean

po

wer

[GW

]

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Förstudie Prosumentens ekosystem

Syfte: Att förenkla för kunder att äga och använda laddbara fordon

Genomförandet innebär att planera:

• Användarfall och interaktiondesign

• Hur man minskar räckviddsångest

• Detektion och navigering till laddningsplats

• Helautomatisk laddning av bilen

• Laddningsbalans mellan batterier och energikällor

• Uppkoppling mot ”molnet” för koordinering av transaktionsinfo (betalningar & energi)

Home parkingwith charging

Home or Remoteproduction

of el. energy

Home storageof el. energy

Partners Finansiär

Program: FFI/Elektronik, mjukvara och kommunikation

Förstudie80053 - ALPEN - Automatiskt laddbara fordon i prosumentens ekosystem

Framtidsplaner

62

63

Power flow

HighLow

Möjliga lösningar för brett införande av mikroproduktion

För att undvika för stora fluktuationer i spänning hos slutkund:

• Stärka lokala elnätet – mindre spänningsfall

• Installera batterilager/energilager

– Hos slutkund

– I elnätet

• Använda elbilars energilager för att hantera transienter (inkl V2G under kortare perioder)

• Smart styrning av uppvärmning, varmvatten, elbilsladdning av hushållet. Synkroniseras med övriga hushåll i närområdet. Hur stor del av hushållen behöver ha aktiv smart styrning för att säkra elstabiliteten?

– Hur långt kommer man genom att påbörja laddning/urladdning av elbil/användande av värmepump vid olika spänningsnivåer?

64

Ett exjobb påbörjat, samt troligen ytterligare ett.