Comparative analysis of algorithms for coordinated electric vehicle charging

Abstract

The expansion of electric vehicles as a substitute for internal combustion engine vehicles is in full swing in 2022. Electrical grids and explicitly the Austrian Low Voltage grid have to react to the increasing energy demand and especially peak loads. As electric vehicles(EVs) have high power charging characteristics, they have a strong impact on the low voltage grid, which is not designed for these types of loads. There is a strong temporal effect, with EVs returning home inthe evenings and being charged immediately. With growing market pressure of electric vehicles expected in the near future, this will lead to grid overloading situations, especially in the evenings, when the grid is already maximally utilized. To avoid costly grid enforcement, coordination algorithms are being developed, which reduce the charging speed of charging stations accordingto the current grid situation. In this work, four papers with five different coordination algorithms were discussed and evaluated. The formulation of an evaluation metric is the central objective of this Master Thesis. A selection of quality aspects was chosen, to cover all important features of a system. Aspects outside the defined scope or equal in all algorithms, were dropped. Discreterequirements were formulated, to reach points in a category. The categories are weighted, to represent their influence on the overall quality. The resulting final scores represent the quality of an algorithm. To optimize the evaluation, a survey was conducted among experts in the topic, to reach objective results. Finally the results were discussed and recommendations for further actionmade. The best algorithm according to this thesis, is based on an artificial neural network, which uses historic data of a controlled grid section as well as live exogenous data, like temperature and solar irradiation to estimate the current grid situation and adjust the charging rates accordingly.

Die Verbreitung von Elektrofahrzeugen als Ersatz für Fahrzeuge mit Verbrennungsmotor ist im Jahr 2022 in vollem Gange. Die Stromnetze und insbesondere das österreichische Niederspannungsnetz müssen auf den auf den steigenden Energiebedarf und insbesondere auf die Spitzenlast reagieren. Da Elektrofahrzeuge (EVs) eine hohehaben, haben sie einen starken Einfluss auf das Niederspannungsnetz, das nicht für diese Art von Lasten ausgelegt ist. Es gibt einen starken zeitlichen Effekt, da die EVs abends nach Hause kommen kommen und sofort aufgeladen werden. Mit dem wachsenden Marktdruck von Elektrofahrzeugen wird dies zu einer Überlastung des Netzes führen, insbesondere in den Abendstunden, wenn das Netz bereits maximal ausgelastet ist. Um eine kostspielige Netzdurchsetzung zu vermeiden, werden Koordinationsalgorithmen entwickelt, die die Ladegeschwindigkeit der Ladestationen entsprechend der aktuellen Netzsituation anpassen. In dieser Arbeit wurden vier Arbeiten mit fünf verschiedenen Koordinationsalgorithmen diskutiert und bewertet. Die Formulierung einer Bewertungsmetrik ist das zentrale Ziel der dieser Master Thesis. Es wurde eine Auswahl von Qualitätsaspekten getroffen, die alle wichtigen Merkmale eines Systems abdecken. Aspekte, die außerhalb des definierten Bereichs liegen oder in allen Algorithmen gleich sind, wurden verworfen. Diskrete Anforderungen wurden formuliert, um Punkte in einer Kategorie zu erreichen. Die Kategorien werden gewichtet, um ihren Einfluss auf die Gesamtqualität darzustellen. Die sich daraus ergebende Endpunktzahl stellt die Qualität eines Algorithmus. Um die Bewertung zu optimieren, wurde eine Umfrage unter Experten auf diesem Gebiet durchgeführt, um objektive Ergebnisse zu erzielen. Abschließend wurden die Ergebnisse diskutiert und Empfehlungen für das weitere Vorgehen ausgesprochen. Der beste Algorithmus, so die These, basiert auf einem künstlichen neuronalen Netz, das historische Daten eines kontrollierten Netzabschnittes sowie aktuelle exogene Daten, wie Temperatur und Sonneneinstrahlung, um die aktuelle Netzsituation abzuschätzen und die Ladetarife entsprechend anzupassen.