Kurzbeschreibung
(Deutsch)
|
Ziel des Projekts ist es, das Potenzial einer hochdynamischen Ladeoptimierung von großen E-Fahrzeugflotten aufzuzeigen, um Lastflexibilität zu ermöglichen und das Stromnetz und das Energiesystem zu entlasten. Zwei große EV-Flotten mit unterschiedlichen Nutzungsmustern werden mit VEIU Techs neuartiger Ladekontrai-Lösung ausgestattet, die das Laden auf Basis von Fahrzeug- und Betriebsdaten optimiert und damit die erreichbare Flexibilität erhöht. Es werden verschiedene Ladestrategien bzw. Anwendungsfälle getestet, die zur Optimierung von Betrieb, Laufzeit, Energie, Stromnetz und Energiedienstleistungen dienen - und das alles unter Aufrechterhaltung des vollen regulären Flottenbetriebs. Alle angewandten Optimierungen werden zu Kosten- und Ressourceneinsparungen führen, die unter den Beteiligten des Systems aufgeteilt werden. Um diese Vorteile zu erschließen, wird ein mögliches Anreizsystem analysiert, das die verschiedenen Akteure dazu bringen könnte, das System anzuwenden, um die Kosteneffizienz des gesamten nachhaltigen Energie-Transportsystems zu erhöhen.
|
Kurzbeschreibung
(Englisch)
|
The project goal is to show the potential of highly dynamic charge optimization of large EV fleets to enable load flexibility and provide relief to the grid and the energy System. Two large EV fleets with different usage patterns will be equipped with VEIU Tech’s novel charge contrai solution that optimizes charging based on vehicle and operations data and thus increases the attainable flexibility. Various charging strategies / use cases will be tested that serve for operations, run-time, energy, power grid and energy service optimizations - all while maintaining full regulär fleet operations. All applied optimizations will lead to cost and resource savings, which will be distributed among the stakeholders of the System. In Order to unlock those benefits a possible incentive System will be analyzed that could bring the different players to apply the System in order to increase the cost efficiency of the Overall sustainable energy-transport System.
|
Kurzbeschreibung
(Französisch)
|
L'objectif du projet est de montrer le potentiel de l'optimisation hautement dynamique de la charge des grandes flottes de véhicules électriques pour permettre la flexibilité de la charge et soulager le réseau et le système énergétique. Deux grandes flottes de véhicules électriques avec différents schémas d'utilisation seront équipées de la nouvelle solution de contre-charge de VEIU Tech qui optimise la charge en fonction des données du véhicule et des opérations et augmente ainsi la flexibilité réalisable. Diverses stratégies de charge / cas d'utilisation seront testés pour optimiser les opérations, le temps de fonctionnement, l'énergie, le réseau électrique et les services énergétiques - tout en maintenant des opérations de flotte régulières. Toutes les optimisations appliquées conduiront à des économies de coûts et de ressources, qui seront réparties entre les parties prenantes du système. Afin de débloquer ces avantages, un système d'incitation possible sera analysé, qui pourrait amener les différents acteurs à appliquer le système afin d'augmenter la rentabilité du système global d'énergie et de transport durable.
|
Schlussbericht
(Deutsch)
|
Das Pilotprojekt QuickOpt hatte zum Ziel, das Potenzial einer hochdynamischen Ladeoptimierung für große Elektrofahrzeugflotten aufzuzeigen, um Lastflexibilität zu ermöglichen und das Stromnetz sowie das gesamte Energiesystem zu entlasten. Zwei große Elektrofahrzeugflotten mit unterschiedlichen Nutzungsmustern wurden mit der neuartigen Ladesteuerungslösung von VEIU Tech ausgestattet, die das Laden auf der Grundlage von Fahrzeug- und Betriebsdaten optimiert, um die erreichbare Flexibilität zu erhöhen. Es wurden mehrere Ladestrategien und Anwendungsfälle getestet, die auf unterschiedliche Optimierungsziele (Entlastung des Stromnetzes oder Energiedienstleistungen) in unterschiedlichen Konfigurationen abzielten, während der reguläre Flottenbetrieb vollständig aufrechterhalten wurde. Mit Hilfe einer umfangreichen Überwachungsanlage wurde der Einfluss der hochdynamischen Ladeoptimierung auf Spitzenlasten und andere netzrelevante Kennzahlen quantifiziert. Der Live-Einsatz bestätigte den effektiven und korrekten Betrieb der Ladesteuerungslösung und zeigte gleichzeitig verschiedene Implementierungshürden auf, die im gesamten Ladeökosystem nach wie vor bestehen. Die Live-Steuerungsfälle zeigten, dass sowohl das Auto als auch die Ladestation Ladesequenzen auf ihre eigene Weise implementieren, manchmal abhängig vom Status des Fahrzeugs und manchmal abhängig von verschiedenen Softwareversionen. Dies führt zu einer kritischen Unzuverlässigkeit des Steuerungssystems, die ein entscheidendes Hindernis für fortgeschrittene Anwendungsfälle wie die Bereitstellung von Zusatzdiensten darstellen kann. Darüber hinaus zeigte der Aufbau, dass der Zugriff auf hochwertige Energiemessdaten oft einen erheblichen Aufwand erfordert, obwohl die Daten bereits in den internen Systemen von Fahrzeugen und Ladestationen erfasst werden. Aufgrund fehlender Standards und Vorschriften kann eine umfangreiche zusätzliche Messausstattung erforderlich sein, was die Lösung sowohl komplexer als auch kostspieliger macht. Die Eignung der Flotten für die verschiedenen Anwendungsfälle hing nicht nur von der Gesamtverfügbarkeit der Fahrzeuge (basierend auf ihren Fahrplänen) ab, sondern vor allem vom Gesamtenergiedurchsatz ihrer Ladevorgänge. Während die Serviceflotte des regionalen Versorgungsunternehmens eine begrenzte Nutzung und einen geringen Energieverbrauch aufwies, zeigte die untersuchte Lieferflotte einen etwa zehnmal höheren Energiedurchsatz. Dies erhöht zwar die Betriebskosten, erhöht aber auch das Einsparpotenzial, das mit einem intelligenten Ladesystem realisiert werden kann, erheblich. Für diese intensiver genutzte Lieferflotte konnte ein großer Teil der Ladeenergie erfolgreich verlagert werden, wodurch sich die Netzüberlastungskennzahlen verbesserten und potenzielle wirtschaftliche Gewinne in Höhe von 10 bis 32 CHF/EV/Monat erzielt werden konnten. Für die weniger genutzte Service-Pool-Flotte waren nur wenige wertvolle Steuerungsmaßnahmen pro Tag möglich, was zu geringfügigen Verbesserungen der Kennzahlen und einem schwachen Business Case mit einem Einsparpotenzial von 1 bis 7 CHF/EV/Monat führte. Eine bemerkenswerte Ausnahme bildete die Bereitstellung negativer Zusatzdienste, die unter gelockerten betrieblichen Toleranzen erfolgreich getestet wurde und bei der wenig genutzten Service-Pool-Flotte ein Umsatzpotenzial von 28 CHF/EV/Monat aufwies. Auch wenn das Umsatzpotenzial erheblich ist, birgt die betriebliche Umsetzung erhebliche Geschäftsrisiken und Unsicherheiten. Die Schnittstellen für die Fahrzeugladesteuerung sind weiterhin anfällig für vom Hersteller auferlegte Softwareimplementierungen und Preisänderungen. Die komplexe Geschäftsstruktur mit mehreren Stakeholdern, die Anspruch auf einen Anteil am zusätzlichen wirtschaftlichen Wert haben, verringert die effektiven Umsatzaussichten für jede beteiligte Partei zusätzlich. Das Projekt umfasste auch die Entwicklung eines digitalen Zwillings, um die Anwendungsfälle in einer besser kontrollierten Simulationsumgebung zu bewerten und ein breiteres Spektrum an Konfigurationen zu untersuchen. Die numerischen Ergebnisse bestätigten im Allgemeinen die Trends und Erkenntnisse aus den Live-Anwendungsfällen und verliehen ihnen damit mehr Validität. Das Modell zeigte auch das Potenzial von Anwendungsfällen auf, die im Feldprojekt nicht getestet werden konnten, wie z. B. die Ladeoptimierung bei Vorhandensein einer großen PV-Anlage: Dieses Szenario ergab beispielsweise das höchste wirtschaftliche Potenzial für die intensiv genutzte Lieferflotte und erreichte 52 CHF/EV/Monat (bei gleichzeitiger Begrenzung der Spitzenlast). Generell lässt sich feststellen, dass weniger strenge Anwendungsfälle – wie dynamische Tarife oder die Optimierung des PV-Eigenverbrauchs – ein begrenztes Ertragspotenzial aufweisen, was vor allem auf die aktuellen Vergütungsstrukturen zurückzuführen ist. Fortgeschrittenere und strengere Anwendungsfälle – wie Spitzenlastabdeckung und Zusatzdienste – scheinen lukrativer zu sein, erfordern jedoch eine höhere Zuverlässigkeit bei der Bereitstellung von Flexibilität. Die folgende Tabelle gibt einen Überblick über die wichtigsten untersuchten Flexibilitätsanwendungsfälle und vergleicht sie anhand verschiedener Kennzahlen, die für eine erfolgreiche und profitable Umsetzung von Smart Charging entscheidend sind.
|
Schlussbericht
(Englisch)
|
The QuickOpt pilot project aimed to demonstrate the potential of highly dynamic charge optimisation for large EV fleets to enable load flexibility and provide relief to the grid and the broader energy system. Two large EV fleets with distinct usage patterns were equipped with VEIU Tech’s novel charge control solution, which optimises charging based on vehicle and operational data to increase the attainable flexibility. Multiple charging strategies and use cases were tested, targeting different optimisation goals (grid relief or energy services) in distinct setups, while maintaining full, regular fleet operations. An extensive monitoring setup was employed to quantify the impact of highly dynamic charge optimisation on peak loads and other grid-relevant metrics. The live deployment validated the charge control solution’s effective and correct operation, while also highlighting different implementation hurdles that remain prevalent across the charging ecosystem. The live control cases showed that both the car and the charging station implement charging sequences in their own way, sometimes depending on the vehicle’s status and sometimes changing with different software releases. This introduces a critical level of unreliability into the control system, which can be a decisive barrier for advanced use cases such as ancillary service provision. Furthermore, the setup demonstrated that access to high-quality energy metering data often requires substantial effort, even though the data is already collected within the internal systems of cars and charging stations. Due to missing standards and regulations, an extensive additional metering setup may be required, adding both complexity and cost to the solution. The fleets’ suitability to the different use cases depended not only on the overall vehicle availability (based on their schedules) but most importantly on the total energy throughput of their charging sessions. While the the regional utility’s service pool fleet showed limited use and low energy consumption, the investigated delivery fleet exhibited an energy throughput roughly ten times higher. Although this increases the operating costs, it also significantly enhances the savings potential that can be realised with a smart charging system. For this more intensively used delivery fleet, a large share of charging energy could be shifted successfully, improving grid-congestion metrics and enabling potential economic gains in the range of 10 to 32 CHF/EV/month. For the less utilised service pool fleet, only a few valuable control actions per day were feasible, generating minor metric improvements and a weak business case with savings potential of 1 to 7 CHF/EV/month. A notable exception was the provision of negative ancillary services, which was successfully tested under softened operational tolerances and showed a revenue potential of 28 CHF/EV/month with the lightly used service pool fleet. Even though the revenue potential is significant, the operational setup carries substantial business risk and uncertainty. The interfaces for vehicle charge control remain vulnerable to manufacturer-imposed software implementations and pricing changes; the complex business structure, with multiple stakeholders entitled to a share of the added economic value, further reduces the effective revenue outlook for each involved party. The project also included the development of a digital twin to evaluate the use cases in a more controlled simulation environment and to explore a broader range of setups. The numerical results generally confirmed the trends and findings observed in the live use cases, thus lending them more validity. The model also revealed the potential of use cases that could not be tested in the field project, such as charging optimisation in the presence of a large PV plant: this scenario, for example, yielded the highest economic potential for the intensively used delivery fleet, achieving 52 CHF/EV/month (while also limiting the peak load). In general it can be stated that less stringent use cases – such as dynamic tariffs or PV self-consumption optimisation – show limited earnings potential, largely due to current compensation structures. More advanced and strict use cases – such as peak shaving and ancillary services – appear more remunerative but demand higher reliability in flexibility provision. The following table depicts an overview of the main investigated flexibility use cases and how they compare across different metrics that are critical for a successful and profitable smart charging implementation.
Zugehörige Dokumente
|
Schlussbericht
(Französisch)
|
Le projet pilote QuickOpt avait pour objectif de démontrer le potentiel d'une optimisation hautement dynamique de la recharge pour les grandes flottes de véhicules électriques afin de permettre une flexibilité de charge et de soulager le réseau électrique ainsi que l'ensemble du système énergétique. Deux grandes flottes de véhicules électriques présentant des modèles d'utilisation différents ont été équipées de la nouvelle solution de contrôle de charge de VEIU Tech, qui optimise la charge en fonction des données du véhicule et d'exploitation afin d'augmenter la flexibilité réalisable. Plusieurs stratégies de recharge et cas d'utilisation ont été testés, visant différents objectifs d'optimisation (allègement du réseau électrique ou services énergétiques) dans différentes configurations, tout en maintenant le fonctionnement normal de la flotte. À l'aide d'un système de surveillance complet, l'influence de l'optimisation hautement dynamique de la recharge sur les pics de charge et d'autres indicateurs pertinents pour le réseau a été quantifiée. La mise en service en conditions réelles a confirmé le fonctionnement efficace et correct de la solution de contrôle de la recharge, tout en mettant en évidence divers obstacles à la mise en œuvre qui persistent dans l'ensemble de l'écosystème de recharge. Les cas de contrôle en conditions réelles ont montré que la voiture et la station de recharge implémentent les séquences de recharge chacune à leur manière, parfois en fonction de l'état du véhicule et parfois en fonction de différentes versions logicielles. Il en résulte un manque de fiabilité critique du système de contrôle, qui peut constituer un obstacle majeur à des cas d'utilisation avancés tels que la fourniture de services supplémentaires. En outre, la mise en place a montré que l'accès à des données de mesure d'énergie de haute qualité nécessite souvent des efforts considérables, même si les données sont déjà enregistrées dans les systèmes internes des véhicules et des stations de recharge. En raison de l'absence de normes et de réglementations, un équipement de mesure supplémentaire complet peut être nécessaire, ce qui rend la solution à la fois complexe et coûteuse. L'adéquation des flottes aux différents cas d'utilisation dépendait non seulement de la disponibilité globale des véhicules (en fonction de leurs horaires), mais surtout du débit énergétique total de leurs processus de recharge. Alors que la flotte de service de l'entreprise régionale de services publics présentait une utilisation limitée et une faible consommation d'énergie, la flotte de livraison étudiée affichait un débit énergétique environ dix fois supérieur. Cela augmente certes les coûts d'exploitation, mais augmente également considérablement le potentiel d'économies pouvant être réalisé grâce à un système de recharge intelligent. Pour cette flotte de livraison plus intensivement utilisée, une grande partie de l'énergie de recharge a pu être transférée avec succès, ce qui a permis d'améliorer les indicateurs de surcharge du réseau et de réaliser des gains économiques potentiels de 10 à 32 CHF/VE/mois. Pour la flotte de service moins utilisée, seules quelques mesures de contrôle utiles par jour ont été possibles, ce qui a entraîné des améliorations mineures des indicateurs et un faible business case avec un potentiel d'économies de 1 à 7 CHF/VE/mois. Une exception notable a été la fourniture de services supplémentaires négatifs, qui a été testée avec succès dans le cadre de tolérances opérationnelles assouplies et qui présentait un potentiel de revenus de 28 CHF/VE/mois pour la flotte de véhicules de service peu utilisée. Même si le potentiel de revenus est considérable, la mise en œuvre opérationnelle comporte des risques commerciaux et des incertitudes importants. Les interfaces de contrôle de la recharge des véhicules restent sensibles aux implémentations logicielles imposées par les constructeurs et aux changements de prix. La structure commerciale complexe, avec plusieurs parties prenantes ayant droit à une part de la valeur économique supplémentaire, réduit encore les perspectives de revenus effectifs pour chaque partie impliquée. Le projet comprenait également le développement d'un jumeau numérique afin d'évaluer les cas d'utilisation dans un environnement de simulation mieux contrôlé et d'étudier un éventail plus large de configurations. Les résultats numériques ont généralement confirmé les tendances et les conclusions des cas d'utilisation en direct, leur conférant ainsi une plus grande validité. Le modèle a également mis en évidence le potentiel de cas d'utilisation qui n'ont pas pu être testés dans le cadre du projet sur le terrain, tels que l'optimisation de la charge en présence d'une grande installation photovoltaïque : ce scénario a par exemple révélé le potentiel économique le plus élevé pour la flotte de livraison à usage intensif, atteignant 52 CHF/VE/mois (tout en limitant la charge de pointe). De manière générale, on constate que les cas d'utilisation moins stricts, tels que les tarifs dynamiques ou l'optimisation de la consommation photovoltaïque propre, présentent un potentiel de rendement limité, principalement en raison des structures de rémunération actuelles. Les cas d'utilisation plus avancés et plus stricts, tels que la couverture des pics de charge et les services supplémentaires, semblent plus lucratifs, mais exigent une plus grande fiabilité dans la fourniture de flexibilité. Le tableau suivant donne un aperçu des principaux cas d'utilisation de la flexibilité étudiés et les compare à l'aide de différents indicateurs qui sont essentiels pour une mise en œuvre réussie et rentable de la recharge intelligente.
|
