Beschikbaar of onbereikbaar? Nieuw ontwikkeld model toont tekortkomingen in beschikbaarheid van laadpalen aan.

Thomas
Laureys

Beschikbaar of onbereikbaar? Nieuw ontwikkeld model toont tekortkomingen in beschikbaarheid van laadpalen aan. 

In de academische literatuur is een innovatief model ontwikkeld waaruit blijkt dat lang niet elke laadpaal die zogezegd “beschikbaar” is ook daadwerkelijk gebruikt kan worden om een elektrisch voertuig op te laden. Het model toont aan dat de laadpalen die geplaatst zijn niet altijd functioneel zijn, waardoor de beschikbare capaciteit van het huidige laadnetwerk overschat wordt door zowel beleidsmakers als providers van laadpalen. Bovendien blijkt ook uit het onderzoek dat deze bevindingen een grote impact hebben op de wijze waarop huidig onderzoek en strategieën omtrent laadpaalinfrastructuur ontwikkeld worden. 

Beschikbaarheid laadpaal: applicatie vs. realiteit

Wanneer een bestuurder van een elektrisch voertuig op zoek is naar een laadpaal om zijn voertuig op te laden, kan hij gebruik maken van een applicatie die de beschikbaarheid van alle laadpalen in de buurt aangeeft. Naast het informeren van bestuurders over laadmogelijkheden in de buurt, vormen deze applicaties ook een rijke bron aan data die door zowel academici als privébedrijven gebruikt worden om onderzoek te voeren naar bijvoorbeeld de gemiddelde winstgevendheid van een laadpaal, hoe dit samenhangt met socio-demografische factoren, enzovoort. Maar de vraag die zich echter opwerpt is of de informatie die deze applicaties weergeven wel altijd even correct? Wat als een laadpaal niet gebruikt wordt (en dus zogezegd beschikbaar is) doordat hij defect is of doordat hij niet bereikbaar is voor de bestuurders? Dit is namelijk een probleem waarmee sommige bestuurders geconfronteerd worden. Om de grootte en de frequentie van deze beperking in de applicaties te onderzoeken is een model ontwikkeld dat nagaat op welke momenten deze ook echt beschikbaar was en op welke momenten de laadpaal gewoon niet bereikbaar was voor bestuurders, wanneer een applicatie aangeeft dat een laadpaal beschikbaar is om te laden.

Wat zegt het model?

Het model waarover zonet sprake, werd toegepast op een dataset van laadsessies uit München. Hieruit blijkt dat een laadpaal die als beschikbaar wordt aangegeven inderdaad niet altijd daadwerkelijk beschikbaar is. Dit bleek in 5,5% van de gevallen zo te zijn, wat overeenkomt met een potentieel gemiddeld verlies in omzet van €350 per laadpaal per maand. Bovendien betekent dit ook dat de capaciteit van laadpalen met 5,5% overschat wordt door beleidsmakers en door providers. 

Foto 1: Histogram met percentage niet beschikbaarheid per laadpaal

 

Verder neemt het algoritme van het model ook het laadgedrag aan naburige laadpalen mee in rekening in zijn beslissingsprocedure. Dit geeft interessante inzichten over de relatie die bestaat tussen deze naburige laadpalen. Meer bepaald toont het model aan dat, wanneer onderzoek gevoerd wordt naar laadpalen, deze laadpalen niet als individuele objecten gezien moeten worden, maar dat ze onderdeel zijn van een heel systeem (i.e. het hele laadnetwerk), waarbij de verschillende laadpalen elkaar beïnvloeden. Het onderzoek toont dus aan dat de “netwerk dynamieken” binnen een systeem van laadpalen zeer expliciet aanwezig zijn, wat dus een interessante piste biedt voor bijkomend onderzoek.  

Gevolgen voor bestaande modellen? 

Academici, maar ook privébedrijven, gebruiken de data die ze kunnen genereren van dit soort applicaties vaak om allerlei modellen en strategieën te ontwikkelen. De gegevens uit deze applicaties vormen met andere woorden de basis voor een groot deel van de beslissingen omtrent de laadpaalinfrastructuur (van prijsstrategieën voor de bestaande laadpalen tot beslissingen over de uitrol van nieuwe laadpalen). Een goed voorbeeld hiervan zijn de voorspellingsmodellen die worden gemodelleerd om de optimale uitrol van de nieuwe laadpalen te bepalen. Het onderzoek uit de masterproef heeft echter aangetoond dat de informatie die in deze applicaties terug te vinden is, niet altijd overeenstemt met de realiteit. Dit heeft dan ook gevolgen voor de correctheid van deze modellen en beslissingen, gebaseerd op de applicaties, aangezien ze zich baseren op gegevens die niet helemaal correct zijn. Dit is overigens statistisch aangetoond in het onderzoek. Hoewel veel van de huidige modellen die zowel in de literatuur als in de bedrijfswereld ontwikkeld worden nochtans vertekende resultaten geven, is het probleem makkelijk te verhelpen, namelijk door de datasets die in deze modellen gebruikt worden te corrigeren voor periodes waarin de laadpaal niet beschikbaar was. Dit kan makkelijk opgelost worden door dit nieuw ontwikkelde model te incorporeren in de beslissingsalgoritmes van de bestaande modellen. Dit toont de extra relevantie van het onderzoek aan. Het model laat namelijk niet enkel toe om een holistisch beeld te krijgen van de functionaliteit van de huidige laadpaalinfrastructuur, maar bovendien biedt het ook een bron van gegevens voor de toepassing in de praktijk die beslissingen omtrent laadpaalnetwerken verder kunnen optimaliseren en verfijnen. 

Histogram verschil tussen theoretische bezetting (i.e. zoals weergegeven in applicatie) en effectieve bezetting (i.e. na correctie voor periodes van niet beschikbaarheden).

Foto 2: Histogram verschil tussen theoretische bezetting (i.e. zoals weergegeven in applicatie) en effectieve bezetting (i.e. na correctie voor periodes van niet beschikbaarheden). 

 

Wat brengt de toekomst?

De toepassingen die dit model te bieden heeft reiken verder dan deze bevindingen. Het is momenteel slechts een eerste stap op weg naar verdere optimalisatie van het laadpaalnetwerk. Door dit model te incorporeren in andere modellen, kunnen de beslissingen die genomen worden omtrent de uitrol van nieuwe laadpalen, maar ook bijvoorbeeld de verdeling van energie over naburige laadpalen, verder verfijnd worden. Ook bieden de inzichten omtrent de dynamieken die aanwezig zijn tussen de verschillende laadpalen in een laadnetwerk een interessante piste voor toekomstig onderzoek. Als laatste kan de logica die gebruikt is in het model (meer bepaald het beschouwen van de laadpaalinfrastructuur als een dynamisch netwerk in plaats van als onafhankelijke objecten) als basis dienen voor verder onderzoek naar andere fenomenen die zich voordoen binnen deze sector. Om een volledige elektrificatie van onze wegen te kunnen realiseren, zullen nog veel inspanningen geleverd moeten worden  om alle infrastructuur die hiervoor nodig is te optimaliseren. Het onderzoek in deze masterproef draagt hier graag zijn steentje aan bij. 

Bibliografie

Ahn, S. W. (2019). EU member-states’ reaction to the climate change in transportation: French case of the development of electric vehicles. J. Contemp. Eur. Stud, 37, 103-127.
Almutairi, A. (2022). Impact Assessment of Diverse EV Charging Infrastructures on Overall Service Reliability. Sustainability, 14(20), 13295. https://doi.org/10.3390/su142013295
Balasubramaniam, A., Balasubramaniam, T., Paul, A., & Seo, H. (2022). Electric Vehicle Usage Pattern Analysis Using Nonnegative Matrix Factorization in Renewable EV-Smart Charging Grid Environment. Mathematical Problems in Engineering, 2022, 1–9. https://doi.org/10.1155/2022/9365214
Boesel, F., Schläpfer, L., Pozidis, H., & Gusat, M. (2023). Multivariate Anomaly Detection with Domain Clustering. Proceedings of the 2023 ACM Symposium on Cloud Computing, 193-199. https://doi.org/10.1145/3620678.3624655
Cardino. (2023, June 21). Home vs Public Stations in Germany: Comparative Analysis. Retrieved May 16, 2024, from https://www.cardino.de/en/blog-posts/home-vs-public-stations-in-germany
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A Survey. ACM Computing Surveys, 41(3), 1–58. https://doi.org/10.1145/1541880.1541882
Crozier, C., Apostolopoulou, D., & McCulloch, M. T. (2018). Clustering of Usage Profiles for Electric Vehicle Behaviour Analysis. IEEE PES Innovative Smart Grid Technologies Conference. https://doi.org/10.1109/isgteurope.2018.8571707
Csiszár, C., Csonka, B., Földes, D., Wirth, E., & Lovas, T. (2019). Urban public charging station locating method for electric vehicles based on land use approach. Journal Of Transport Geography, 74, 173–180. https://doi.org/10.1016/j.jtrangeo.2018.11.016
Daniels, R., & Mulley, C. (2013). Explaining walking distance to public transport: The dominance of public transport supply. Journal Of Transport And Land Use, 6(2), 5–20. https://doi.org/10.5198/jtlu.v6i2.308
41 / 45
Delucchi, M. A., Yang, C., Burke, A. F., Ogden, J. M., Kurani, K., Kessler, J., & Sperling, D. (2014). An assessment of electric vehicles: technology, infrastructure requirements, greenhouse-gas emissions, petroleum use, material use, lifetime cost, consumer acceptance and policy initiatives. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 372(2006), 20120325. https://doi.org/10.1098/rsta.2012.0325
Dost, P., Spichartz, P., & Sourkounis, C. (2016). Cost efficiency of electric vehicles and extended range electric vehicles for various user groups. International Symposium on Power Electronics, Electrical Drives, Automation and Motion. https://doi.org/10.1109/speedam.2016.7526009
Egbue, O., & Long, S. (2012). Barriers to widespread adoption of electric vehicles: An analysis of consumer attitudes and perceptions. Energy Policy, 48, 717–729. https://doi.org/10.1016/j.enpol.2012.06.009
European Council. (2023, February 3). Paris Agreement on climate change. Retrieved February 21, 2023, from https://www.consilium.europa.eu/en/policies/climate-change/paris-agreem…
European Parliament. (2023, February 14). Fit for 55: zero CO2 emissions for new cars and vans in 2035. Retrieved February 21, 2023, from https://www.europarl.europa.eu/news/en/press-room/20230210IPR74715/fit-…
Friese, P. A., Michalk, W., Fischer, M., Hardt, C., & Bogenberger, K. (2021). Charging Point Usage in Germany – Automated Retrieval, Analysis and Usage Types Explained. Sustainability, 13(23), 13046. https://doi.org/10.3390/su132313046
Hecht, C., Das, S., Bussar, C., & Sauer, D. U. (2020). Representative, empirical, real-world charging station usage characteristics and data in Germany. eTransportation, 6, 100079. https://doi.org/10.1016/j.etran.2020.100079
Karanam, V., & Tal, G. (2023, June 11-14). Developing a Deep Learning Tool to Detect Electric Vehicle Supply Equipment Failures [Paper presentation]. 36th International Electric Vehicle Symposium and Exhibition (EVS36), Sacramento, California, USA.
42 / 45
Lévay, P. Z., Drossinos, Y., & Thiel, C. (2017). The effect of fiscal incentives on market penetration of electric vehicles: A pairwise comparison of total cost of ownership. Energy Policy, 105, 524–533. https://doi.org/10.1016/j.enpol.2017.02.054
Li, X., Wang, Z., Zhang, L., Sun, F., Cui, D., Hecht, C., Figgener, J., & Sauer, D. U. (2023). Electric vehicle behavior modeling and applications in vehicle-grid integration: An overview. Energy, 268, 126647. https://doi.org/10.1016/j.energy.2023.126647
Liu, Y., Francis, A., Hollauer, C., Lawson, M. C., Shaikh, O., Cotsman, A., Bhardwaj, K., Banboukian, A., Li, M., Webb, A. K., & Asensio, O. I. (2023). Reliability of electric vehicle charging infrastructure: A cross-lingual deep learning approach. Communications in Transportation Research, 3, 100095. https://doi.org/10.1016/j.commtr.2023.100095
Metais, M., Jouini, O., Pérez, Y., Berrada, J., & Suomalainen, E. (2022). Too much or not enough? Planning electric vehicle charging infrastructure: A review of modeling options. Renewable & Sustainable Energy Reviews, 153, 111719. https://doi.org/10.1016/j.rser.2021.111719
Mortimer, B. J., Bach, A., Hecht, C., Sauer, D. U., & De Doncker, R. W. (2022a). Public Charging Infrastructure in Germany–A utilization and Profitability analysis. Journal of Modern Power Systems and Clean Energy, 10(6), 1750–1760. https://doi.org/10.35833/mpce.2021.000181
Mortimer, B., J., Hecht, C., Goldbeck, R., Sauer, D. U., & De Doncker, R. W. (2022b). Electric Vehicle Public Charging Infrastructure Planning Using Real-World Charging Data. World Electric Vehicle Journal, 13(6), 94. https://doi.org/10.3390/wevj13060094
Pevec, D., Babic, J., Carvalho, A., Ghiassi-Farrokhfal, Y., Ketter, W., & Podobnik, V. (2019). Electric Vehicle Range Anxiety: An Obstacle for the Personal Transportation (R)evolution? 2019 4th International Conference on Smart and Sustainable Technologies (SpliTech). https://doi.org/10.23919/splitech.2019.8783178
43 / 45
Pevec, D., Babic, J., Kayser, M. A., Carvalho, A., Ghiassi-Farrokhfal, Y., & Podobnik, V. (2018). A data-driven statistical approach for extending electric vehicle charging infrastructure. International Journal of Energy Research, 42(9), 3102–3120. https://doi.org/10.1002/er.3978
Philipsen, R., Brell, T., Brost, W., Eickels, T., & Ziefle, M. (2018). Running on empty – Users’ charging behavior of electric vehicles versus traditional refueling. Transportation Research Part F-traffic Psychology and Behaviour, 59, 475–492. https://doi.org/10.1016/j.trf.2018.09.024
Razmjoo, A., Ghazanfari, A., Jahangiri, M., Franklin, E., Denai, M., Marzband, M., Astiaso Garcia, D., & Maheri, A. (2022). A Comprehensive Study on the Expansion of Electric Vehicles in Europe. Applied Sciences, 12(22), 11656. https://doi.org/10.3390/app122211656
Rempel, D., Cullen, C., Bryan, M. M., & Cezar, G. (2022). Reliability of open public electric vehicle direct current fast chargers. Human Factors. https://doi.org/10.2139/ssrn.4077554
Salah, K. B., & Kama, N. (2016). Reducing Range Anxiety by Unifying Networks of Charging Stations. MATEC web of conferences. https://doi.org/10.1051/matecconf/20167004003
Sankaran, G., Venkatesan, S., & Prabhahar, M. (2020). Range Anxiety on electric vehicles in India -Impact on customer and factors influencing range Anxiety. Materials Today: Proceedings, 33, 895–901. https://doi.org/10.1016/j.matpr.2020.06.423
Statista. (2023, February 2). Belgium: number of electric passenger cars on the road 2008-2020. Retrieved February 21, 2023, from https://www.statista.com/statistics/698294/number-of-electric-passenger…
Statista. (n.d.). Electric Vehicles - Worldwide. Retrieved February 25, 2023, from https://www.statista.com/outlook/mmo/electric-vehicles/worldwide
Statista. (n.d.-a). Electric vehicles - Belgium. Retrieved February 25, 2023, from https://www.statista.com/outlook/mmo/electric-vehicles/belgium
44 / 45
Straka, M., De Falco, P., Ferruzzi, G., Proto, D., Van Der Poel, G., Khormali, S., & Buzna, Ľ. (2020). Predicting popularity of electric vehicle charging infrastructure in urban context. IEEE Access, 8, 11315–11327. https://doi.org/10.1109/access.2020.2965621
Stosur, M., Kuniewski, M., Sowa, K., Blaszczyk, P., & Uramek, A. (2020). Analysis and modelling of failure states in electric vehicle charging infrastructure. Przeglad Elektrotechniczny, 96(7), 13-18. https://doi.org/10.15199/48.2020.07.03
United Nations. (n.d.). Net Zero Coalition. Retrieved February 24, 2023, from https://www.un.org/en/climatechange/net-zero-coalition
Van Den Hoed, R., Helmus, J., De Vries, R., & Bardok, D. (2013). Data analysis on the public charge infrastructure in the city of Amsterdam. World Electric Vehicle Journal, 6(4), 829–838. https://doi.org/10.3390/wevj6040829
van der Kam, M., van Sark, W., & Alkemade F. (2020). Multiple roads ahead: How charging behavior can guide charging infrastructure roll-out policy. Transportation Research Part D: Transport and Environment, 85, 102452. https://doi.org/10.1016/j.trd.2020.102452
Weekx, S., Tal, G., & Vanhaverbeke, L. (2024). How many more public charging stations do we need? A Data-Driven approach considering charging station overflow dynamics. Transportation Research Record. https://doi.org/10.1177/03611981241242081
Wolbertus, R., & Van Den Hoed, R. (2017). Charging station hogging : a data-driven analysis. The 30th International Electric Vehicle Symposium & Exhibition.
Zhang, J., & Wozniak, C. (2017). EV charge station system reliability Modeling and Analysis. SAE Technical Paper Series. https://doi.org/10.4271/2017-01-0198

Download scriptie (2.03 MB)
Universiteit of Hogeschool
Vrije Universiteit Brussel
Thesis jaar
2024
Promotor(en)
Geoffrey Aerts, Simon Weekx