Loading…
Modelling and simulation of a fully electrified urban private transport – a future scenario for Berlin
Straub, Florian
Global climate change and air pollution in urban areas are leading to the introduction of agreements, regulations, and laws worldwide to reduce emissions. The best known is the 2015 Paris Climate Agreement, with its goal of limiting worldwide global warming to below 2°C. One important driver of emission reduction is the decarbonization of the transport sector. In Europe, road transport accounted for 72% of total CO2-equivalent emissions from the transport sector in 2019, with passenger cars accounting for 60.7% of road transport emissions. Germany shows similar numbers: in 2019, passenger cars accounted for 61% of CO2-equivalent emissions from road transport. As a result, passenger cars with internal combustion engines have to be replaced by passenger cars with decarbonized drive systems. In this context, a clear trend toward battery electric vehicles (BEVs) can be observed. However, the growing number of BEVs and the resulting increase in demand for electrical energy can lead to bottlenecks in energy generation and power supply. A reinforced electric grid infrastructure may be necessary in many cases for increased power demand. In order to enable electric grid operators to identify congestions in the grid, accurate models are needed to predict the charging energy demand resulting from the electrification of private combustion engine vehicles. Such models require high spatial resolution to assess energy demand peaks even for small areas and high time resolution to identify peak loads throughout the course of the day.
Especially in urban areas, spatial variance in charging demand can be expected, as areas with completely different types of uses are located close to each other. For example, it is possible that one district consists of single-family homes, while an industrial area is located in the directly adjacent district. Due to the different activities performed in these areas, the demand for charging energy differs significantly.
Existing approaches for determining the BEV charging demand in urban regions have significant limitations. Some methods only determine the temporal distribution of BEV charging energy demand, while other methods only determine the spatial distribution. Methods that determine both usually determine the spatial distribution of BEV charging demand with limited accuracy and have very limited applicability to other regions. To overcome these limitations, this cumulative dissertation develops a method that allows forecasting the spatial and temporal distribution of charging energy and power demand resulting from the electrification of private internal combustion engine vehicles (ICEVs) in an urban area. This method consists of three main parts:
Firstly, the urban area is divided into districts and the current conventional vehicle fleet in the districts is replaced by electric reference vehicles. For each vehicle, a mobility profile is created, consisting of a sequence of activities and trips between activities. However, the generated mobility profiles have one major limitation. Due to insufficient data, the geographic location where the vehicle is parked while the BEV user is performing an activity is unknown. Therefore, charging demand can only be determined by assuming that BEVs are exclusively charged at, or near the residences of BEV owners.
To overcome this limitation, the locations of activities need to be determined. An important input variable in this determination is the car-access attractiveness of the districts which is developed in the second part of the method. The car-access attractiveness is a measure of how attractive districts are to drive to by car for a particular activity.
Thirdly, the unknown geographical locations of the activities are determined. For this purpose, a route assignment approach is developed that assigns a destination district to each vehicle trip. By determining the destinations of BEV trips, a complete mobility profile is available for each BEV. This allows determining the spatial and temporal distribution of BEV charging demand in the urban area by applying charging scenarios. The application of the methodology is demonstrated for the urban area of Berlin, Germany. Full electrification of Berlin’s private transport is assumed and the spatial and temporal distribution of BEV charging demand is determined for four charging scenarios.
The results show that between 5468 MWh and 6093 MWh of charging energy is required on an average working day in Berlin, depending on the charging scenario. At least 61.8% of this energy is charged at the residences. Charging energy demand at residences ranges from 0 kWh per day in uninhabited districts to 40.7 MWh per day in districts with high population and motorization levels. The temporal distribution of the charging power demand in Berlin is highly dependent on the charging scenario as well. The peak power demand ranges from 328 MW to 412 MW.
Based on the complete mobility profiles of BEVs and the charging demand of BEVs determined for Berlin, further research is conducted. In this second part of the dissertation, (i) the load shifting potential through controlled charging of BEVs is investigated, (ii) the Vehicle to grid (V2G) potential of BEVs is studied, and (iii) the future charging station demand in Berlin is determined. The results show that it is possible to reduce peak power demand by up to 31.7% through load shifting compared to uncontrolled charging. By applying V2G, the entire electricity demand of households and BEVs in Berlin can be covered by renewable energies.
The developed model is an important building block for the estimation of the energy demand due to the massive electrification of conventional vehicles expected in the next years. Possible further developments include transferring the developed model to other vehicle types (e.g. commercial vehicles) and extending it to larger areas (e.g. Germany).
Der globale Klimawandel und die Luftverschmutzung in städtischen Gebieten führen dazu, dass weltweit Abkommen, Verordnungen und Gesetze zur Reduzierung von Emissionen verabschiedet werden. Das Bekannteste ist das Pariser Klimaabkommen von 2015 mit dem Ziel, die weltweite Erderwärmung auf unter 2°C zu begrenzen. Ein wichtiger Hebel für die Emissionsreduzierung ist die Dekarbonisierung des Verkehrssektors. In Europa entfielen im Jahr 2019 72% der gesamten CO2-äquivalenten Emissionen des Verkehrssektors auf den Straßenverkehr, wobei 60,7% der Emissionen des Straßenverkehrs durch Personenkraftwagen verursacht wurden. In Deutschland sind die Zahlen ähnlich: 2019 entfielen 61% der CO2- äquivalenten Emissionen des Straßenverkehrs auf Personenkraftwagen. Das bedeutet, dass Personenkraftwagen mit Verbrennungsmotoren durch Personenkraftwagen mit nachhaltigeren Antrieben ersetzt werden müssen. Hierbei ist ein deutlicher Trend hin zu batterieelektrischen Fahrzeugen (BEVs) zu beobachten.
Die wachsende Zahl von BEVs und die damit verbundene steigende Nachfrage nach elektrischer Energie kann jedoch zu Engpässen bei der Energieerzeugung und Stromversorgung führen. Ein Ausbau der Stromnetzinfrastruktur kann in vielen Fällen notwendig sein, um den erhöhten Strombedarf zu decken. Damit die Betreiber von Stromnetzen Engpässe im Netz erkennen können, sind genaue Modelle zur Vorhersage des Ladeenergiebedarfs erforderlich. Solche Modelle erfordern eine hohe räumliche Auflösung, um Energiebedarfsspitzen auch für kleine Gebiete zu ermitteln und eine hohe zeitliche Auflösung um Spitzenlasten im Tagesverlauf zu identifizieren.
Vor allem in städtischen Gebieten sind räumliche Unterschiede im Bedarf nach Ladeenergie zu erwarten, da Gebiete mit völlig unterschiedlichen Nutzungsarten nahe beieinander liegen. So ist es möglich, dass ein Stadtteil aus Einfamilienhäusern besteht, während sich im direkt angrenzenden Stadtteil ein Industriegebiet befindet. Aufgrund der unterschiedlichen Aktivitäten, die in diesen Gebieten ausgeübt werden, ist der der Bedarf an Ladeenergie sehr unterschiedlich.
Bestehende Ansätze zur Ermittlung des BEV-Ladeenergiebedarfs in städtischen Regionen weisen erhebliche Einschränkungen auf. Einige Methoden bestimmen lediglich die zeitliche Verteilung des Ladeenergiebedarfs, während andere Methoden nur die räumliche Verteilung bestimmen. Methoden, die beides ermitteln, ermitteln die räumliche Verteilung des Ladebedarfs in der Regel nur mit begrenzter Genauigkeit und sind nur sehr eingeschränkt auf andere Regionen übertragbar. Um diese Einschränkungen zu überwinden, wird in dieser kumulativen Dissertation eine Methode entwickelt, die es ermöglicht, die räumliche und zeitliche Verteilung des Ladebedarfs zu prognostizieren, die sich aus der Elektrifizierung von privaten Fahrzeugen mit Verbrennungsmotor in einem städtischen Gebiet ergibt. Diese Methode besteht aus drei Hauptteilen: Im ersten Teil wird das Stadtgebiet in Bezirke unterteilt und die aktuellen konventionellen Fahrzeuge in den Bezirken durch elektrische Referenzfahrzeuge ersetzt. Für jedes Fahrzeug wird ein Mobilitätsprofil erstellt, das aus einer Abfolge von Aktivitäten und Fahrten zwischen den Aktivitäten besteht.
Die erstellten Mobilitätsprofile weisen jedoch eine wesentliche Einschränkung auf. Aufgrund unzureichender Daten ist der Ort, an dem das Fahrzeug geparkt ist, während der BEV-Nutzer eine Aktivität ausführt, unbekannt. Der Ladebedarf kann daher im ersten Schritt lediglich unter der Annahme bestimmt werden, dass die BEVs ausschließlich an den Wohnorten ihrer Besitzer geladen werden.
Um diese Einschränkung zu überwinden, müssen die Orte der Aktivitäten bestimmt werden. Eine wichtige Eingangsgröße für diese Bestimmung ist die Pkw-Zugangsattraktivität der Bezirke, die im zweiten Teil der Methode entwickelt wird. Diese ist ein Maß dafür, wie attraktiv ein Bezirk ist, um für eine bestimmte Tätigkeit dorthin zu fahren. Im dritten Teil der Methode werden die Orte der Aktivitäten bestimmt. Hierfür wird ein Routenzuweisungsverfahren entwickelt, das jeder Fahrzeugfahrt einen Zielbezirk zuweist. Die Kenntnis über die Zielorte der Fahrten ermöglicht die Bestimmung der räumlichen und zeitlichen Verteilung des BEV-Ladebedarfs durch Anwendung von Ladeszenarien. Die Methodik wird für Berlin, Deutschland, angewandt. Es wird eine vollständige Elektrifizierung des Berliner Individualverkehrs simuliert und die räumliche und zeitliche Verteilung des Ladebedarfs für vier Ladeszenarien ermittelt.
Die Ergebnisse zeigen, dass an einem durchschnittlichen Werktag in Berlin, je nach Ladeszenario, zwischen 5468 MWh und 6093 MWh an Ladeenergie benötigt werden. Mindestens 61,8% dieser Energie wird an den Wohnorten geladen. Der Ladeenergiebedarf an Wohnorten reicht von 0 kWh pro Tag in unbewohnten Bezirken bis zu 40,7 MWh pro Tag in Bezirken mit hoher Bevölkerungszahl und hohem Motorisierungsgrad. Auch die zeitliche Verteilung des Ladeenergiebedarfs in Berlin ist stark vom Ladeszenario abhängig. Der Spitzenleistungsbedarf reicht von 328 MW bis 412 MW.
Basierend auf den vollständigen Mobilitätsprofilen der BEVs und dem für Berlin ermittelten Ladebedarf der BEVs werden weitere Untersuchungen durchgeführt. In diesem zweiten Teil der Dissertation wird (i) das Lastverschiebungspotenzial durch gesteuertes Laden von BEVs untersucht, (ii) das Vehicle-to-Grid (V2G) Potenzial von BEVs untersucht und (iii) der zukünftige Ladestationsbedarf in Berlin ermittelt. Die Ergebnisse zeigen, dass es möglich ist, den Spitzenstrombedarf durch Lastverschiebung im Vergleich zu ungesteuertem Laden um bis zu 31,7% zu reduzieren. Durch den Einsatz von V2G kann der gesamte Strombedarf von Haushalten und BEVs in Berlin durch erneuerbare Energien gedeckt werden.
Das entwickelte Modell ist ein wichtiger Beitrag zur Abschätzung des Energiebedarfs, der durch die in den nächsten Jahren zu erwartende massive Elektrifizierung konventioneller Fahrzeuge entsteht. Mögliche Weiterentwicklungen sind die Übertragung des entwickelten Modells auf andere Fahrzeugtypen (z.B. Nutzfahrzeuge) und die Ausweitung auf größere Gebiete (z.B. Deutschland).
