Modelling of electric vehicle user profiles for flexibility management and charging infrastructure planning

Abstract

The transition to electric mobility is facing multiple challenges, usually associated with the roll-out of the charging infrastructure. On one hand, cities must develop a charging infrastructure that meets the user needs while the type of electric vehicle (EV) users is specific for every charging area. On the other hand, a high EV demand in the power system can bring congestion issues at the low-voltage power grid and this can involve power supply quality issues and a barrier to further development of the charging infrastructure. This thesis aims to provide tools to solve the challenges raised in both stages of the adoption of electric mobility. With this purpose, a methodology to cluster and model generic EV user profiles based on connection patterns is proposed and applied to these two key areas: flexibility management and charging infrastructure planning. The concept of user profiles is introduced as a tool to identify common connection patterns with a characteristic flexibility potential. A clustering methodology using Gaussian Mixture Models (GMM) is applied based on variables such as connection start time and duration. Common usage patterns in public charging infrastructure are observed, providing insights into EV user behaviour. The profiling methodology is validated with three different real data sets of charging sessions along with the three journal articles that shape the core of this thesis. The clustering methodology is followed by a modelling methodology to perform stochastic simulations of EV charging sessions in terms of connection times, required energy and charging power rate. Modelling every user profile independently lets to simulate a wide range of scenarios since the share of each user profile over the total EV demand can be configured according to the environment (i.e. location, time horizon, etc.). This application is explored with two journal articles where scenarios with high penetration of EV sessions are simulated to (1) optimally size a charging hub and (2) analyse the required number of charging points of city-level charging infrastructure. In both contributions, the configuration of user profiles in specific areas is crucial for properly sizing charging infrastructure, avoiding extra costs that harm the business model or losing EV users’ confidence with undersized installations. This thesis also compares different smart charging strategies through simulations, as well as the benefits that the user-profile approach could bring to smart charging

programs. When scheduling individual sessions according to an aggregated demand setpoint, the extra knowledge of profiling EV users beforehand can provide insights for a more reliable flexibility prediction. Moreover, scheduling sessions from selected user profiles could lead to exploitation cost savings and reduced impact on EV users. Finally, the application of a smart charging program at the city level with high penetration of EVs has been also simulated to analyse its impact on all stakeholders involved in the EV charging sector, from the final EV user to the charging operator business model. Curtailing charging power based on dynamic capacity signals proves effective to avoid grid congestion and defer reinforcements of the existing power grid while expanding the charging infrastructure and supplying the majority of the energy required by EV users. Overall, this thesis enhances understanding of EV user behaviour, analyses different smart charging strategies, and provides insights for charging infrastructure planning. These findings have practical implications for stakeholders involved in the EV ecosystem, contributing to the ongoing transition to electric mobility.

La transició a la mobilitat elèctrica s’enfronta a múltiples reptes, generalment associats

amb el desplegament de la infraestructura de càrrega. D’una banda, les ciutats

han de desenvolupar una infraestructura de càrrega que satisfaci les necessitats dels

usuaris, mentre que el tipus d’usuaris de vehicles elèctrics (VE) són específics per

a cada àrea de càrrega. D’altra banda, una alta demanda de VE en el sistema

d’energia pot portar problemes de congestió a la xarxa elèctrica de baixa tensió i

això pot implicar problemes en la qualitat del subministrament elèctric i una barrera

per a un major desenvolupament de la infraestructura de càrrega. Aquesta tesi

pretén proporcionar eines per resoldre els reptes plantejats en les dues etapes de

l’adopció de la mobilitat elèctrica. Amb aquest objectiu, es proposa una metodologia

per agrupar i modelar perfils d’usuari genèrics de VEs basats en patrons de

connexió, la qual s’aplica en dues àrees clau: gestió de la flexibilitat i planificació

d’infraestructures de càrrega. El concepte de perfils d’usuari s’introdueix com una eina per identificar patrons

de connexió comuns amb un potencial de flexibilitat característic. Una metodologia

d’agrupament que utilitza Models Mixtos Gaussians (MMG) s’aplica basant-se en

variables com l’hora d’inici i la durada de la connexió. S’observen patrons d’ús

comuns en la infraestructura de càrrega pública, proporcionant informació sobre el

comportament dels usuaris de VEs. La metodologia d’elaboració de perfils es valida

amb tres conjunts de dades reals de sessions de càrrega juntament amb els tres

articles de revista que configuren el nucli d’aquesta tesi. La metodologia d’agrupació és seguida per una metodologia de modelatge per

realitzar simulacions estocàstiques de les sessions de càrrega del VE en termes de

temps de connexió, energia requerida i potència de càrrega. Modelar cada perfil

d’usuari independentment permet simular una àmplia gamma d’escenaris, ja que

la presència de cada perfil d’usuari sobre la demanda total del VE es pot configurar

segons l’entorn, és a dir, la ubicació, l’horitzó temporal, etc. Aquesta aplicació

s’explora amb dos articles de revista on es simulen escenaris amb alta penetració

de sessions de VE per (1) dimensionar de manera òptima una àrea de càrrega i (2)

analitzar el nombre requerit de punts de càrrega a nivell de ciutat. En ambdues

contribucions, la configuració de perfils d’usuari en àrees específiques és crucial per

un dimensionament adequat de la infraestructura de càrrega, evitant costos addicionals

que perjudiquin el model de negoci o la pèrdua de confiança dels usuaris del

VE amb instal·lacions sotadimensionades. Aquesta tesi també compara diferents estratègies de càrrega intel·ligent a través

de simulacions, així com els beneficis que l’enfocament de perfilat d’usuaris podria

aportar als programes de càrrega intel·ligents. Quan es programen sessions individuals

d’acord amb una consigna de demanda agregada, el coneixement addicional de

perfils de VE poden proporcionar informació per a una predicció de flexibilitat més

fiable. A més, les sessions de programació dels perfils seleccionats podrien conduir

a un estalvi de costos d’explotació i a una reducció de l’impacte sobre els usuaris de

VEs. Finalment, l’aplicació d’un programa de càrrega intel·ligent a nivell de ciutat

amb alta penetració de VEs també s’ha simulat per analitzar el seu impacte en

totes les parts interessades implicades en el sector de càrrega del VE, des de l’usuari

final fins al model de negoci del gestor de càrrega. Una limitació de la potència de

càrrega basada en senyals de capacitat dinàmica resulta eficaç per evitar la congestió

de la xarxa i ajornar millores en la xarxa elèctrica existent mentre s’expandeix la

infraestructura de càrrega i es subministra la majoria de l’energia requerida pels

usuaris de VEs. En general, aquesta tesi millora la comprensió del comportament de l’usuari de

VE, analitza diferents estratègies de càrrega intel·ligents i proporciona informació

per a la planificació de la infraestructura de càrrega. Aquests resultats tenen implicacions

pràctiques per a les parts implicades en l’ecosistema del VE, contribuint a

la transició cap a la mobilitat elèctrica.