An analysis of electric vehicle user-behaviour at a smart charging station

Abstract

Elektrifiseringen av transportsektoren har ført til at kraftsystemoperatører har uttrykt bekymringer knyttet til utfordringer det økende energibehovet fra transportsektoren kan påføre kraftnettet. Derfor, for å muliggjøre en videre elektrifisering av transportsektoren, og å unngå tunge tilleggsinvesteringer i kraftnettinfrastruktur, har det oppstått et behov for en ytterligere forståelse av brukeratferd av elektriske kjøretøy. Målet med denne oppgaven var å analysere hvordan elbileiere ladet elbilen sin, og hvordan brukeradferden til elbileiere variert mellom elbileiere som ladet på en ladestasjon. Dette ble utført med en datadrevet analyse av et datasett fra en reel ladestasjon, Adaptive Charging Network (ACN), ved Institute of Technology i California, USA. I tillegg, ble det forsøkt å bygge maskinlæringsmodeller for å predikere varighet på ladeøkt, og energien som leveres i løpet av en ladeøkt, med informasjonen i datasettet. Det var også et mål for denne oppgaven å presentere en oversikt over noen offentlig tilgjengelige datasett, som kan brukes til å analysere aspekter ved elbil brukeratferd, og å presentere noen faktorer som kan være nyttige å registrere ved en ladestasjon, for å analysere elbil brukeradferd. I analysen ble det blant annet observert at flere elbileiere ladet på ACN på hverdager, enn i helgene. Videre, ble det observert at elbileierne som ladet på hverdager, fulgte et lademønster som liknet på det som forventes for en ladestasjon tilknyttet en arbeidsplass. I tillegg ble det observert at elbileierne som ladet på ACN på hverdager, var tilkoblet ladestasjonen lenger enn elbileierne som ladet i helgene. Det ble også observert at el- bileierne som ladet på hverdager hadde en tendens til å la elbilen være tilkoblet vesentlig lengere enn det som tilsynelatende var nødvenidg for å lade elbilen. Når elbileierne ble delt inn i forskjellige ladegrupper, basert på hvor ofte de ladet elbilen, ble det observert at elbileierne som ladet oftest, hadde en tendens til å la elbilen være tilkoblet lengere enn de andre elbileierne. Maskinlæringen resulterte i modeller med en begrenset ytelse, med en R2-verdi på rundt 0,50 for både modellen som predikerte varighet på ladeøkt, og modellen som predikerte energi levert i ladeøkt. Til slutt, basert på observasjonene i analysen, ble faktorer som kunne være nyttige å registrere for å analysere brukeratferd foreslått. Disse faktorene var tilkoblingstid, frakoblingstid, en id som kan skille mellom elbileiere og prisen for lading.

Due to the electrification of the transport sector, it has become a concern for grid operators, about the challenges the increasing energy demand from the transport sector could impose on the power grid. Hence, to enable the further electrification of the transport sector, and avoid heavy additional investments in power grid infrastructure, there has become a demand of a further understanding of electric vehicle (EV) user- behaviour. Thus, the goal of this thesis was to analyse how EV owners charged their EV, and how this varied between EV owners charging at a charging station. This was done with a data-driven approach, using a dataset recorded at a real charging station, the Adaptive Charging Network (ACN) at the Institute of Technology in California, USA. Furthermore, it was attempted to build Machine Learning models to predict the charging session duration, and the energy delivered in a charging session, using the dataset. Another part of the goal of this thesis was to present some factors that could be useful to record at a charging station, for analysing EV user-behaviour, and present an overview of some open source datasets that could be used for analysing aspects of EV user-behaviour. In the analysis it was observed that more EV owners charged at the ACN on weekdays, than on weekends. EV owners charging on weekdays followed a charging pattern similar to that expected for a workplace charging station. Furthermore, the EV owners charging at the ACN on weekdays left their EV connected for longer than the EV owners char- ging on weekends. Moreover, observations suggested that EV owners who charged on weekdays tended to leave their EV connected for longer than the duration the EV was charging. When dividing the EV owners into distinct charging groups, based on how often the EV owners charged their EV, it was found that the EV owners charging the most frequently tended to leave their EV connected for longer than the other EV owners. The machine learning resulted in models with a limited performance, with an R2-score of around 0.50 for both the model predicting charging session duration and the model predicting energy delivered in a charging session. Lastly, based on the observations in the analysis, factors that could be useful to record for analysing EV user-behaviour were proposed. These factors were the time of connection, time of disconnection, an id to separate between EV owners, and the price of charging.