Sähköautojen lataustehon muodostuminen kiinteistöverkoissa ja pysäköintialueilla

Abstract

Sähköautojen määrän lisääntyminen ja niiden latausjärjestelmä investointien kasvaminen luo entistä suuremman tarpeen latausjärjestelmien luotettavalle mitoittamiselle. Tämän työn tavoitteena on selvittää sähköautojen latauskuormitukseen vaikuttavia tekijöitä ja mallintaa sähköautojen esilämmityksestä ja latauksesta muodostuvaa kuormitusta kerros- ja rivitalokiinteistöille. Kiinteistöjen nykyistä tilannetta ja kuormitukseen vaikuttavia tekijöitä on tutkittu kirjallisuuskatsauksella ja käytettävissä olevien aineistojen analyysillä. Mallinnus on suoritettu Monte Carlo-menetelmällä ja siinä on käytetty aineistoa ihmisten liikkumisesta ja sähköautojen latausprofiileista eri lämpötiloissa. Lisäksi mallinnuksessa on huomioitu ympäristöolosuhteiden vaikutusta sähköauton energiankulutukseen ja latauskäyttäytymisen vaikutusta latauskuorman muodostumiseen. Latauskuormitusta on mallinnettu ohjaamattomalle ja älykkäästi ohjatulle latausjärjestelmälle.

Kiinteistöjen sähköliittymissä on sähkökapasiteettia yleisesti vielä jäljellä, mutta kapasiteettivaran suuruus vaihtelee. Kiinteistöjen illan ja yön aikaisilla muilla sähkökuormilla on merkittävä vaikutus latauksesta mahdollisesti syntyvään lisäkapasiteetin tarpeeseen. Ohjaamattomalla latausjärjestelmällä mallinnettu huipputuntiteho muodostui täyssähköautoilla noin 22–40 %:iin latauslaitteiden yhteystehosta enintään sadan ja vähintään kymmenen autopaikan pysäköintialueilla. Älykkäillä ohjausratkaisuilla tehorajaa voidaan leikata vielä kymmenillä prosenteilla ohjaamattomaan lataukseen huipputehoon verrattuna. Täyssähköautojen suurimman lataustehon rajoittaminen 3,7 kW:iin pidentää lataustapahtumia, jonka myötä on olemassa viitteitä riittämättömästä latausajasta ennen seuraavaa ajosuoritetta.

The increase in the number of electric cars and the increase in their charging system investments create an even greater need for reliable sizing of charging systems. The aim of this thesis is to find out the factors influencing the charging load of electric cars and to model the load from electric car preheating and charging for apartment and terraced house real estates. The current situation of the real estates and the factors affecting the charging load are researched through a literature review and analysis of available data. The modeling is performed using the Monte Carlo method and data on the movement of people and the charging profiles of electric cars at different temperatures. In addition, the modeling take into account the effect of environmental conditions on the energy consumption of the electric car and the effect of charging behavior on the formation of the charging load. The charging load is modeled for an uncontrolled and smart charging system.

There is generally still electricity capacity left in real estate electricity connection points, but the size of the capacity reserve varies. Other electrical loads during the evening and at night have a significant effect on the need for additional capacity that may arise from charging. With uncontrolled charging system, the modeled peak hour power for BEVs was about 22–40 % of the connection power of the EV supply equipment in the parking areas of a maximum of one hundred and at least ten parking spaces. With smart charging solutions, the power limit can be cut by another tens of percent compared to the peak power of uncontrolled charging. Limiting the BEVs maximum charging power to 3,7 kW prolongs charging events, with which there are indications of insufficient charging time before the next drive.