Bi-level optimization for congestion-mitigating heavy-duty truck charging in distribution networks

Abstract

Der rasante Ausbau verteilter Energieressourcen und die Elektrifizierung des schweren Straßengüterverkehrs verstärken die Netzengpässe in Verteilnetzen. Diese Arbeit entwickelt einen bidimensionalen Optimierungsrahmen, in dem ein Verteilnetzbetreiber die Ladelast einer aggregierten batterie-elektrischen LKW-Flotte antizipiert und stündliche, engpassabhängige Netznutzungsentgelte festlegt. Das Flottenproblem wird mittels Karush–Kuhn–Tucker-Bedingungen eingebettet, wodurch eine Optimierungsproblem mit einer Zielfunktion entsteht, die als gemischt-ganzzahliges lineares Programm an einem IEEE-33-Knoten-Testnetz mit hoher PV-Durchdringung gelöst wird. Dynamische Netznutzungsentgelte fungieren als knappheitsorientierte, kritische Spitzensignale, die zusammen mit Spotmarkt-Strompreisen die Depotladepreise in Belastungsstunden bestimmen.Numerische Experimente zeigen, dass dynamische Netznutzungsentgelte Depotladeprofile signifikant glätten, gleichzeitige Spitzenlasten am Netzanschlusspunkt reduzieren und die Netzauslastung senken können. Für kleine und mittel-große LKW-Flotten induziert der Preismechanismus zuverlässig Lastverschiebungen und führt zu Entlastung der Netzengpässe; moderate Reduktionen der PV-Abregelung ergeben sich, wenn zusätzliche Ladungen die lokale Erzeugung absorbieren. Ein Sättigungseffekt zeigt sich: Nahe der Kapazität des Ladefensters nimmt das Potenzial für zeitliche Flexibilität ab, und die Wirksamkeit von Preissignalen verringert sich signifikant. Unter festgelegter Anschlusskapazität kann Flottenwachstum zu ungedecktem Ladebedarf führen oder höhere Engpassstrafen erzwingen; eine Skalierung der Kapazität oder die Einbeziehung von Netzverstärkungen erhält die Wirksamkeit der Tarife auch bei größerem Umfang.Zentrale Ergebnisse betreffen eine sogenannte Shortfall-Strafe, die entlohnte ungedeckte Ladeenergie im Zielfunktionsrahmen der Flotte monetarisiert. Diese Strafe fungiert als wirtschaftliche Nutzeneinbuße und beeinflusst die Bereitschaft der Flotte, Engpässe in Kauf zu nehmen, um hohe Netznutzungsentgelte zu vermeiden. Die Ergebnisse deuten darauf hin, dass bei niedrigen Strafwerten die Flotte tendenziell weniger lädt als ihr Bedarf; bei höheren Strafwerten wird die vollständige Deckung des Ladebedarfs stärker priorisiert, wodurch die Wirksamkeit von Tarifen auf den Gesamtladestrom abnimmt. Im Vergleich zu den Einnahmen aus dem Transportdienst wird deutlich, dass Flottenbetreiber weniger geneigt wären, ihre Depot-Ladung als Reaktion auf die Netznutzungsentgelte zu reduzieren. Zukünftige Arbeiten sollten das vorgeschlagene Framework mit der Berücksichtigung von Unsicherheiten, mit einem AC-Netzmodell, vermaschten Topologien sowie bidirektionalem Vehicle-to-Grid-Betrieb und größeren, heterogeneren Flottenkonfigurationen erweitern, um die technische Realitätsnähe vom Modell zu steigern.

The rapid growth of distributed energy resources and the electrification of heavy road transport are intensifying congestion in distribution networks. This thesis develops a bilevel optimization framework in which a Distribution System Operator anticipates the charging loads of an aggregated heavy‐duty battery‐electric vehicle fleet and sets hourly, congestion‐dependent Distribution Use‐of‐System (DUoS) charges. The lower‐level fleet problem is embedded via Karush–Kuhn–Tucker conditions, yielding a single‐level reformulation solved as a mixed‐integer linear program on an IEEE 33‐bus test feeder with high PV penetration. DUoS act as scarcity‐oriented, critical‐peak signals that, together with day‐ahead energy prices, determine depot charging prices during stressed hours.Numerical experiments show that congestion‐dependent DUoS steps can substantially flatten depot charging profiles, reduce simultaneous peak draws at the connection point, and lower congestion. For small- and medium-sized fleets, the DUoS mechanism reliably induces temporal load shifts and yields measurable congestion relief; modest reductions in PV curtailment occur as additional charging absorbs local generation. A saturation effect emerges: as fleet energy demand nears the charging‐window capacity, temporal flexibility potential is significantly, and the marginal effectiveness of price signals drops. With fixed connection capacity, fleet growth can lead to unmet charging demand or force the model to incur higher congestion penalties; scaling capacity or incorporating reinforcement/onsite buffering preserves tariff effectiveness at larger scales.A central finding concerns a shortfall penalty that monetizes unmet charging energy within the fleet’s objective. This penalty functions as economic disutility and shapes the fleet’s willingness to accept shortfalls in order to avoid high use-of-system charges. The results indicate that only at low penalty values, the fleet charges less than their charging demand. Conversely, higher penalty values emphasize completing charging, which reduces the impact of tariffs on the total charging loads. In economic comparison to the revenue through transport service, it becomes evident that fleet operators would be less likely to reduce their charging demand at the depot in response to the evaluated DUoS values.Future research should extend the proposed framework by incorporating uncertainty-aware optimization, AC network representations, and meshed topologies, as well as bidirectional vehicle-to-grid operation and larger, more heterogeneous fleet configurations to improve technical realism and practical applicability.