Using open data for spatio-temporal EV charging demand modeling in DC charging stations during holiday seasons

Abstract

Recent advancements in e-mobility have made it more convenient to use battery electric vehicles for long-distance travel. The increasing number of electric vehicles along popular holiday routes is expected to result in higher power demand peaks at high-power DC charging stations. Based on the mobility patterns of the electric vehicle fleet, local electricity networks experience a more spatio-temporal variation in electricity demand, which could, in the worst case, impose stress on local electricity networks. To identify which areas in the DC charging infrastructure experience the highest power peaks due to holiday traffic, spatio-temporal analyzes are needed.

This thesis proposes a new open data-based, data-driven approach, which models spatiotemporal DC charging demand during the winter holidays (22.2.2025–23.3.2025) in Finland. The charging demand is modeled in selected 20 x 20 km hexagonal areas, in which all charging stations within a hexagon are clustered into a single virtual charging station. In each hexagon, a reference charging station is selected, which represents the charging demand in the area. To estimate charging demand in each hexagon, the usage rate of the selected charging station is evaluated using data from TomTom’s charging station availability API. Within the framework of open data, the model managed to estimate the demand for DC charging in 17 different areas, which were selected along the TEN-T road network. The results imply that the effects of charging demand during the holiday season vary significantly between selected areas, suggesting high increase in areas located especially along main highways, while in some other areas no significant change was observed. The charging power peaked especially along major highways during the first weekend of the winter holidays, which is expected to be mainly driven by returning holiday traffic from the capital region.

Sähköisen liikenteen viimeaikaisten kehitysaskeleiden myötä pitkän matkan liikkumisesta sähköautolla on tullut entistä sujuvampaa. Loma-aikoina liikenne kasvaa etenkin suosituilla lomareiteillä. Sen odotetaan vaikuttavan suurteholatausasemien huipputehon kasvuun. Tämän myötä sähköverkot kokevat yhä enemmän alueellista ja ajallista tehon vaihtelua, mikä voi pahimmillaan aiheuttaa sähköverkoissa paikallista kuormitusta. Lomaliikenteen aiheuttamien tehokuormien vaikutusten arvioimiseksi lataustehon alueellinen ja ajallinen mallintaminen on tarpeen.

Diplomityö esittää uuden, avoimeen dataan perustuvan ja datalähtöisen laskentatavan. Laskentatavalla on mallinnettu suurteholatausasemien tehon tarvetta alueellisesti ja ajallisesti Suomessa vietettävän talvilomajakson aikana (22.2.2025–23.3.2025). Latausteho mallinnetaan 20 x 20 km:n kokoisille kuusikulmioalueille, joissa kaikki alueen latausasemat yhdistetään yhdeksi virtuaaliseksi latausasemaksi. Jokaiselta alueelta valitaan yksi latausasema, joka edustaa alueen lataustarvetta. Latausteho arvioidaan valitun aseman käyttöasteesta, hyödyntäen TomTomin API-rajapinnasta haettua latausasemien saatavuusdataa. Avoimen datan puitteissa tässä työssä arvioitiin 17 TEN-T tieverkon läheisyyteen sijoittuvan alueen lataustehoa. Tulokset osoittavat, että lomakauden vaikutukset lataustehoon vaihtelevat merkittävästi eri alueiden välillä: joillakin alueilla tehontarve kasvaa huomattavasti lomakaudella, kun taas toisaalla ei havaittu merkittäviä muutoksia. Tuloksista havaitaan myös se, että latausteho oli suurimmillaan juuri suurien valtateiden varrella talviloman ensimmäisenä viikonloppuna, jonka oletetaan johtuneen pääasiassa pääkaupunkiseudulle palaavasta lomaliikenteestä.