De keerzijde van elektrisch rijden: piekverbruik
Op dit moment rijden er op onze Belgische wegen nog maar een kleine 9.300 elektrische auto's rond, maar experts verwachten dat hun aantal sterk zal toenemen in de nabije toekomst. Tegen 2020 wil de Vlaamse overheid het marktaandeel van elektrische wagens optrekken tot 7,5% (tegenover 0,66% in 2018).
Maar als we massaal voor de elektrische wagen kiezen, hoe zorgen we er dan voor dat — in een tijd met krantenkoppen als ‘Mogelijke stroomtekort bij een koudeprik’ en ‘Wordt jouw straat getroffen door het afschakelplan?’ — ons elektriciteitsnet die toenemende druk aan kan? Al die elektrische wagens moeten immers ook opgeladen worden.
Nu start het opladen van een elektrische wagen zodra die aangesloten is op een laadpaal. Dit leidt tot piekverbruik omdat het laadgedrag vaak volgens dezelfde patronen verloopt: op een bedrijfsparking bijvoorbeeld arriveren de meeste mensen rond 9 uur. Bij aankomst steekt iedereen onmiddellijk zijn elektrische wagen in de stekker waardoor alle voertuigen min of meer tegelijkertijd opgeladen worden.
De gemiddelde duur van een realistische oplaadsessie met een zogenaamde Level 2 lader (“slow charging”) bedraagt al snel meer dan 3 uur, maar een substantieel deel van de auto's blijft veel langer bij de laadpaal staan. Van die flexibiliteit kunnen we eigenlijk handig gebruik maken.
“Bij IDLab Gent werken we aan een gecoördineerd slim scenario waarbij een centraal systeem — per parking of op termijn misschien zelfs per stad — beslist wanneer welke wagen opgeladen wordt. In de eerste plaats willen we energiepieken vermijden door het laden maximaal te spreiden doorheen de dag (load flattening), maar op termijn willen we deze techniek ook gebruiken om rekening te houden met het variabele karakter van hernieuwbare energie (load balancing),” zegt Chris Develder (professor bij ID Lab Gent, een imec onderzoeksgroep aan de UGent).
De ene bestuurder is de andere niet: drie types laadgedrag
De eerste stap in het onderzoek van Chris Develder en zijn team was een uitgebreide analyse van de grootste beschikbare dataset over het laden van elektrische wagens, met informatie over meer dan 2 miljoen laadsessies aan 2500 publieke laadpalen. De data werd verzameld door ElaadNL, het Nederlandse kennis- en innovatieinstituut voor een slimme laadinfrastructuur, en bevat informatie over de tijd van aankomst, tijd van vertrek, duur van de laadbeurt en het totale energieverbruik.
"Dankzij deze analyse kregen we inzicht in het typische laadgedrag van elektrische wagens, belangrijke input voor ons zelflerend systeem. Zo konden we drie verschillende types laadsessies onderscheiden. Meer dan de helft (62%) van de sessies zijn 'park to charge' sessies waarbij de auto niet veel langer op de parking staat dan de nodige laadtijd. In deze context is dus weinig ruimte voor flexibiliteit. Maar ongeveer 28% van de laadsessies vallen onder de categorie 'park near home' waarbij chauffeurs in de late namiddag arriveren en hun auto laten staan tot de volgende ochtend (cf. nachtladen). De derde groep (10%) zijn ‘park near work’ gebruikers die 's morgens arriveren en hun auto gedurende hun werkdag laten staan in het laadstation (cf. dagladen). Bij die laatste twee groepen is er dus genoeg flexibiliteit om het laden te spreiden, bijvoorbeeld afhankelijk van de beschikbare elektriciteit."
De meeste elektrische auto’s staan veel langer bij een laadpaal geparkeerd dan ze nodig hebben om op te laden. We kunnen deze flexibiliteit gebruiken: bijvoorbeeld door auto’s enkel opladen wanneer er overproductie (van hernieuwbare energie) is en/of door het verbruik doorheen de dag te spreiden om piekverbruik te verminderen.
Inspelen op onzekerheid met reinforcement learning
Het coördineren van het opladen van een groot aantal wagens (idealiter 100 tot zelfs 1000 laadpalen) wordt beïnvloed door een aantal onzekerheden: zo kan je chauffeurs bij aankomst wel vragen hoelang ze op de parking willen blijven staan, maar je weet niet wanneer nieuwe chauffeurs zullen aankomen. De meeste bestaande algoritmes om energieverbruik te controleren (zogenaamde vraagrespons algoritmes of ‘demand response’) vertrekken van een vooropgesteld model. Dit veronderstelt echter dat je de meeste factoren in de hand hebt, wat hier niet het geval is. Daarom kozen de onderzoekers in deze situatie voor een andere piste, namelijk een zelflerend, model-vrij algoritme gebaseerd op reinforcement learning.
“Een zelflerend algoritme gebaseerd op reinforcement learning houdt in dat het systeem — aan de hand van echte data — getraind wordt om beslissingen te maken. Aan elke beslissing hangt een mogelijke kost (een wagen was niet opgeladen, energie werd onvoldoende gespreid doorheen de dag, enz.) of beloning vast (alle wagens zijn opgeladen voor vertrek, het energieverbruik was maximaal gespreid, enz.). Afhankelijk van de kosten en beloningen, zal het zelflerend systeem vervolgens zijn werking verder bijschaven om zo steeds dichter bij een optimale prestatie te komen,” legt Chris Develder uit.
Aan de hand van minstens drie maanden trainingsdata van ElaadNL, leerde het systeem het typische laadgedrag kennen: ook al weet het niet hoeveel auto’s pakweg na 10u op maandagochtend 7 maart nog zullen arriveren, toch kan het een berekende gok doen op basis van data van vorige maandagen en hier rekening mee houden bij het bepalen van het laadschema.
Klaar voor de elektrische wagen: van 10 naar 1000 laadpalen
Na de trainingsfase werd het algoritme gebruikt om het beste laadschema te simuleren voor een aantal testmaanden. De prestatie werd vergeleken met zowel de huidige situatie (waarbij het laden start zodra de wagen arriveert) als een ‘perfect’ alwetend scenario. Dat laatste kan enkel achteraf berekend worden omdat het veronderstelt dat je exact weet hoeveel auto's er nog zullen bijkomen, hoelang ze blijven staan en hoeveel energie ze nodig hebben. In een real-life situatie is dat ‘perfecte’ scenario dus niet haalbaar omdat je die informatie niet op voorhand hebt.
Chris Develder: “De prestatie van ons algoritme verschilt afhankelijk van het aantal laadpalen dat we coördineerden. We hebben nu getest met respectievelijk 10 en 50 laadpalen. Onze oplossing bleek – met een training op basis van data van minstens 3 maanden – slechts 13% en 15% minder efficiënt dan het ‘perfecte’ scenario en meer dan 30% en 39% beter dan het huidige scenario waarbij het laden gewoon start bij aankomst. Hoe meer flexibiliteit er is (dus hoe langer de auto’s blijven staan ten opzichte van hun laadtijd), hoe beter ons systeem scoort in vergelijking met de huidige methode.”
Chris Develder: “Op termijn willen we het algoritme verder optimaliseren zodat we echt naar grote aantallen kunnen schalen en — naarmate het elektrische wagenpark verder aangroeit — het verbruik van een volledige parking of zelfs een volledige stad optimaliseren. Het voordeel van reinforcement learning is dat het algoritme relatief schaalbaar is en generaliseerbaar. Eerste simulatie-testen waarbij het algoritme getraind werd met data van slechts 10 laadpalen maar daarna ingezet werd om het verbruik van 100 laadpalen te optimaliseren waren alvast veelbelovend.”
Hoe vraagrespons algoritmes ons kunnen helpen om energietekorten en overschotten op te vangen
De productie van hernieuwbare energie is sterk afhankelijk van het weer. Als het windstil is, wordt er nu eenmaal geen windenergie geproduceerd. Naarmate hernieuwbare energie een belangrijke rol zal beginnen spelen in onze totale energieproductie, wordt het dus steeds belangrijker om ons verbruik optimaal te plannen: niet alleen door pieken te vermijden, maar ook door in te spelen op het variabele aanbod van hernieuwbare energie: m.a.w. ons verbruik plannen in functie van energieoverschotten en -tekorten.
Vraagrespons algoritmes kunnen ons helpen om dit automatisch te managen. Het onderzoek naar slim laden van elektrische wagens van het team van Chris Develder kaderde deels binnen het Smile-IT project (Stabiel Multi-Agent Leren door Netwerken), een strategisch basisonderzoeksproject gefinancierd door het VLAIO waarbij artificiële intelligentie toegepast wordt op communicatienetwerken en elektrische systemen.
Het project focust onder meer op hoe reinforcement learning gebruikt kan worden om efficiënte vraagrespons algoritmes te ontwikkelen om zowel kleine als grote spelers te helpen om de flexibiliteit van hun energieverbruik optimaal te benutten. Ook andere energie-onderzoeksteams, waaronder imec, VITO en KU Leuven – partners binnen EnergyVille – waren hierbij betrokken
EnergyVille is een samenwerking tussen de Vlaamse onderzoekspartners KU Leuven, VITO, imec en UHasselt voor onderzoek naar duurzame energie en intelligente energiesystemen. Het ontwikkelen van een smart grid, waarbij niet langer de vraag naar energie centraal staat maar het aanbod, is voor hen een belangrijke onderzoekspiste.
Vraagrespons algoritmes bieden veel meer mogelijkheden dan enkel het coördineren van het laden van elektrische wagens. Ook binnen huishoudens biedt een slimmer netwerk mogelijkheden. Zo werken EnergyVille onderzoekers bijvoorbeeld ook aan een smart grid controller voor huishoudelijke toestellen. Als je een hele dag van huis bent, is er geen enkele reden waarom je vaatwasser, wasmachine of robotstofzuiger niet kan worden geregeld in functie van de beschikbare (hernieuwbare) energie.
Meer weten?
- Voor meer informatie over het algoritme ontwikkeld door Chris Develder en zijn team, contacteer ons hier om de volledige paper te ontvangen.
- Het vermelde onderzoek kaderde deels binnen het Smile-IT project. Meer informatie vind je op deze webpagina.
- Voor meer informatie over de smart grid controller voor huishoudelijke toestellen, neem een kijkje op de EnergyVille website.
