Engineering User-Centric Smart Charging Systems

Abstract

Die Integration erneuerbarer Energiequellen und die Sektorenkopplung erhöhen den Bedarf an Flexibilität im Elektrizitätssystem. Elektrofahrzeuge koordiniert zu Laden bietet die Chance solche Flexibilität bereitzustellen. Allerdings hängt das Flexibilitätspotential von Elektrofahrzeugen davon ab in welchem Umfang sich die Nutzer der Fahrzeuge dazu entschließen intelligentes Laden zu nutzen. Ziel dieser Dissertation ist es Lösungen für intelligente Ladesysteme zu entwickeln, welche die Nutzer zu flexiblerem Laden anreizen und diese dabei zu unterstützen. Anhand eines Literaturüberblicks und einer Expertenbefragung werden zunächst Ziele identifiziert, welche Nutzer zu einer flexiblen Ladung motivieren können. Die Ergebnisse zeigen, dass neben finanziellen Anreizen auch die Integration erneuer-barer Energien und die Vermeidung von Netzengpässen einen Anreiz für das flexible La-den darstellen können. In der Folge wird untersucht, ob das Framing der Ladesituation hinsichtlich dieser Ziele die Ladeflexibilität von Elektrofahrzeugnutzern beeinflussen kann. Hierzu wird ein Online-Experiment mit Elektrofahrzeugnutzern evaluiert. Das sich ein Teil der Nutzer bei einem Umwelt-Framing flexibler verhält, macht Feedback darüber, wie die CO2-Emissionen von der bereitgestellten Flexibilität abhängen zu einem vielversprechenden Anreiz intelligentes Laden zu nutzen. Um solches Feedback zu er-möglichen werden als Nächstes die CO2-Einsparpotenziale eines optimierten Ladens im Vergleich zu unkontrolliertem Laden untersucht. Dazu werden die marginalen Emissions-faktoren im deutschen Stromnetz mithilfe eines regressionsbasierten Ansatzes ermittelt. Um Echtzeit-Feedback in realen Systemen zu ermöglichen wird darauf aufbauend eine Prognosemethode für Emissionsfaktoren entwickelt. Die Zielerreichung intelligenten Ladens hängt hauptsächlich von der zeitlichen und energetischen Flexibilität der Elektrofahrzeuge ab. Damit Nutzer diese Ladeeinstellungen nicht bei jeder Ankunft an der Ladestation von Hand eingeben zu müssen, könnten sie durch intelligente Assistenten unterstützt werden. Hierfür werden probabilistische Prognosen für die Flexibilität einzelner Ladevorgänge basierend auf historischen Ladevorgängen und Mobilitätsmustern entwickelt. Darüber hinaus zeigt eine Fallstudie, dass probabilistische Prognosen besser als Punktprognosen dazu geeignet sind die Ladung mehrerer Elektrofahrzeuge zu koordinieren.

Original document

The different versions of the original document can be found in:

• http://dx.doi.org/10.5445/ir/1000122898

• https://publikationen.bibliothek.kit.edu/1000122898,

https://publikationen.bibliothek.kit.edu/1000122898/85863659,

https://doi.org/10.5445/IR/1000122898