Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
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.