Evaluation and implementation of optimization algorithms for smart charging of electric vehicles with charging station management

With the energy transition initiative called ‘Energiewende’, Germany’s plan is to transform towards a low-carbon, nuclear-free economy. Therefore, Germany is aiming to have one million electric vehicles on the road by 2020 and the target for 2030 is five million. This mass penetration of electric vehicles will upsurge the demand of electricity, which eventually will expose the power grids to under voltages, network congestions & frequency oscillations. Due to recent decrease in the Feed-in-Tariffs in Germany & EU, the ideal case would be to charge the electric vehicles directly from distributed power generation sources i.e. PV overshoot. This will reduce the charging costs of electric vehicles and will make the charging phenomenon less dependent on the main power grids/electrical networks. However, this task is rather tough as controlled charging should consider numerous factors i.e. individual driver behaviour, battery size, initial state of charge, final energy demand and weather conditions. Moreover, due to dynamical nature, electrical power grids also have their own uncertainties, which makes real-time charging a superior and much more practical option than controlled charging. However, different communication standards have been introduced recently, which enables the communication of higher-level energy management systems with either the charge point/wall box (e.g. OCPP 1.6) or the vehicle itself (e.g. ISO 15118). These communication standards combined with complex mathematical optimization techniques can be used to generate efficient and robust controlled charging algorithms. In the thesis work, a mixed integer linear programming model is developed using Python with the PulP modeler and CBC solver to optimize the charging schedules of electric vehicles while considering the requirements of individual users, network & electric vehicles at the same time. Moreover, the model considers the residential AC charging (2.3-22kW) of electric vehicles from either the grid or PV power by optimizing the charging schedules depending upon varying energy costs & forecasted photovoltaic generations. Detailed considerations such as network power limitations, and management between different Charge points are modelled. Initially, a simulation is done of charge point, a centralized charge controller as well as a test grid to simulate how an uncontrolled charging works. Later on, the charge controller is optimized and results are compared. Furthermore, in order to demonstrate the advantage of optimized charging strategy over un-optimized charging strategy, a comparison of different parameters such as line loading and charging cost is made. The results show higher charging costs for uncontrolled charging with respect to smart charging. Moreover, the algorithm is also made future proof in a way as to accommodate dynamic pricing in the German electricity market in the future. The algorithm at it is final stage satisfies three main objectives; minimizing the user cost, maximizing the user satisfaction, and keep the grid constraints under limit. The optimal charging schedules are found to be significantly dependent on the electric vehicle user profiles, available PV overshoot and environmental conditions. Lastly, the results indicate that the most simplified model with none of the major set of constraints considered provides optimal charging value which diverges significantly from the actual value. However, this diversion is found to be dependent on various factors such as weather and individual user profile.

Con l’iniziativa di transizione energetica denominata “Energiewende”, il piano della Germania è di trasformarsi verso un’economia a basse emissioni di C02 e senza l’utilizzo dell’energia nucleare. La Germania punta ad avere un milione di veicoli elettrici su strada entro il 2020 e l’obiettivo per il 2030 è di cinque milioni. Questa penetrazione di massa dei veicoli elettrici aumenterà la domanda di elettricità, che alla fine esporrà le reti elettriche a sottotensioni, congestioni di rete e oscillazioni di frequenza. A causa della recente diminuzione delle tariffe incentivanti in Germania e nell’UE, il caso ideale sarebbe caricare i veicoli elettrici direttamente da fonti di generazione di energia distribuita, ad es. dall’eccesso di produzione di energia da impianti fotovoltaici. Ciò ridurrà i costi di ricarica dei veicoli elettrici e renderà il fenomeno della ricarica meno dipendente dall’infrastruttura delle reti elettriche. Tuttavia, questo compito è piuttosto difficile in quanto la carica controllata dovrebbe considerare numerosi fattori, ad esempio il comportamento del singolo conducente, la taglia della batteria, lo stato di carica iniziale, e le condizioni meteorologiche. Inoltre, a causa della natura dinamica, le reti elettriche hanno le loro incertezze, il che rende la ricarica non controllata un’opzione superiore e molto più pratica rispetto alla ricarica controllata. Tuttavia, recentemente sono stati introdotti diversi standard di comunicazione che consentono la comunicazione di sistemi di gestione dell’energia di livello superiore con il punto di ricarica (es. OCPP 1.6) o il veicolo stesso (es. ISO 15118). Questi standard di comunicazione combinati con complesse tecniche di ottimizzazione possono essere utilizzate per generare algoritmi di carica controllata efficienti e robusti. Nel lavoro di tesi, viene sviluppato un modello di programmazione lineare mista intera utilizzando Python con il modellatore PulP e il solutore CBC per ottimizzare i programmi di ricarica dei veicoli elettrici considerando le esigenze dei singoli utenti, della rete e dei veicoli elettrici allo stesso tempo. Inoltre, il modello considera la ricarica in corrente alternata residenziale (2,3-22kW) dei veicoli elettrici dalla rete o dall’impianto fotovoltaico ottimizzando i programmi di ricarica in base ai diversi costi energetici e alle previsioni di produzione di energia elettrica da fotovoltaico. Inoltre, considerazioni dettagliate come le limitazioni di prelievo di potenza e la gestione tra diversi punti di ricarica sono state modellate. Inizialmente, viene eseguita una simulazione del punto di carica, di un controller di carica centralizzato e di una rete di test per simulare il funzionamento di una carica incontrollata. Successivamente, il regolatore di carica viene ottimizzato e i risultati vengono confrontati. Inoltre, al fine di dimostrare il vantaggio di una strategia di ricarica ottimizzata rispetto a una strategia di ricarica non ottimizzata, viene effettuato un confronto di diversi parametri come il fattore di carico delle linee e il costo di ricarica. I risultati mostrano costi di ricarica più elevati per la ricarica incontrollata rispetto alla ricarica intelligente. Inoltre, l’algoritmo è anche robusto rispetto a sviluppi futuri in quanto è in grado di adattarsi ai prezzi dinamici nel mercato elettrico tedesco. L’algoritmo soddisfa tre obiettivi principali: minimizzare il costo dell’utente, massimizzare la soddisfazione dell’utente e mantenere i vincoli della rete sotto il limite. È stato riscontrato che i programmi di ricarica ottimali dipendono in modo significativo dai profili degli utenti dei veicoli elettrici, dall’eccesso di energia da fotovoltaico disponibile e dalle condizioni ambientali. Infine, i risultati indicano che il modello più semplificato, senza nessuno dei principali set di vincoli considerati, fornisce un valore di ricarica ottimale che diverge in modo significativo dal valore effettivo. Tuttavia, si è scoperto che questa deviazione dipende da vari fattori come le condizioni meteorologiche e il profilo di ciascun utente.