⚡ electrical engineering

Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

Dit artikel presenteert een gezamenlijk prijs- en vermogensregeling met modelvoorspellende controle om de piekvermogenskosten en totale exploitatiekosten op werkplek-laadstations voor elektrische voertuigen te verlagen door gebruikers via een geprijsd menu te stimuleren tot het kiezen van regelbare laaddiensten.

Oorspronkelijke auteurs: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Gepubliceerd 2026-03-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een groot parkeergarage bezit waar mensen hun elektrische auto's (EV's) kunnen opladen tijdens het werk. Dit klinkt als een geweldig idee, maar er zit een groot financieel probleem aan vast: de elektriciteitsrekening.

In dit artikel leggen de auteurs uit hoe ze een slimme manier hebben bedacht om deze rekening flink te verlagen. Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen.

Het Probleem: De "Piekmeter"

Stel je voor dat je elektriciteitsleverancier niet alleen betaalt voor de stroom die je verbruikt, maar ook een enorme boete hanteert als je op één specifiek moment in de maand te veel stroom trekt. Dit noemen ze demand charge (vraagtarief).

De Analogie: Denk aan een zwembad. Als er op één moment 100 mensen tegelijk in het zwembad springen, moet het zwembad (het elektriciteitsnet) groot genoeg zijn om die drukte aan te kunnen. De eigenaar van het zwembad moet betalen voor de capaciteit om die 100 mensen tegelijk te kunnen houden, zelfs als de rest van de maand er maar 10 mensen zijn.
In de praktijk: Als er op een drukke dinsdagmorgen 20 auto's tegelijk gaan laden, schiet de piek omhoog. De eigenaar van het laadstation moet daarvoor betalen, vaak duizenden euro's per jaar.

De Oplossing: Een Slimme Chef (MPC)

De auteurs van dit artikel hebben een algoritme bedacht dat werkt als een voorspellende chef-kok in plaats van een reactieve kok.

De "Reactieve" Chef (De oude methode):
Deze chef wacht tot de gasten (auto's) binnenkomen en zegt: "Oké, jullie willen allemaal eten? Dan gaan we nu allemaal tegelijk koken!" Resultaat: De keuken (het elektriciteitsnet) raakt overbelast en de rekening wordt hoog.
De "Voorspellende" Chef (De nieuwe MPC-methode):
Deze chef kijkt naar het weerbericht en de agenda. Hij ziet dat er morgen een drukke dag aankomt. Hij zegt: "Oké, we gaan niet wachten tot iedereen binnen is. We beginnen nu alvast met koken, maar we verdelen het werk over de hele dag."
- Hoe doen ze dit? Ze gebruiken Model Predictive Control (MPC). Dit is een slimme computer die continu voorspelt wat er gaat gebeuren. Hij weet: "Over een uur komen er waarschijnlijk 5 nieuwe auto's. Als we die nu alvast een beetje laden, hoeven we later niet allemaal tegelijk te laden."

De Smaakmaker: Slimme Prijzen

De chef heeft nog een truc in zijn mouw: prijzen.

Stel je voor dat de chef twee opties biedt aan de gasten:

Optie A (Regulier): "Je kunt nu direct eten, maar het is duur en je moet wachten in de rij." (Dit is onbeheersbaar; de auto laadt direct op maximaal vermogen).
Optie B (Gepland): "Als je akkoord gaat dat ik bepaal wanneer je eet (bijvoorbeeld als er minder drukte is), krijg je een flinke korting."

De computer berekent precies welke prijs de beste balans geeft. Als het station dreigt om overbelast te raken, maakt hij de "Regulier"-optie duurder en de "Gepland"-optie goedkoper. Zo krijgen de mensen een prikkel om hun laadbeurt uit te stellen naar een rustig moment.

Wat hebben ze ontdekt?

Ze hebben dit getest met een simulatie van een echt laadstation (waar 2274 laadsessies op stonden). De resultaten waren indrukwekkend:

Minder Pieken: De nieuwe methode kon de piekbelasting met ongeveer 17% verlagen. Dat is alsof je het zwembad 17% kleiner kunt maken, maar toch iedereen kunt bedienen.
Minder Kosten: De totale kosten voor de eigenaar daalden met ongeveer 4,5%.
De verrassing: Ze dachten dat een heel nauwkeurig weersvoorspellingssysteem (zoals een supercomputer) het beste zou werken. Maar het bleek dat een simpelere methode, die gewoon kijkt naar wat er gisteren gebeurd is, zelfs beter werkte om de pieken te verminderen!
- Waarom? Omdat het doel niet was om elke auto perfect te voorspellen, maar om te zorgen dat er genoeg ruimte was voor de "piek". Soms is een simpele, veilige schatting beter dan een complexe berekening die fouten maakt.

Conclusie

Dit artikel laat zien dat je met een combinatie van slimme voorspellingen en slimme prijzen elektriciteitskosten voor laadstations flink kunt drukken.

Het is alsof je een drukke supermarkt hebt: in plaats van dat iedereen tegelijk naar de kassa loopt (wat een lange rij en een dure extra kassa betekent), vraag je mensen die geen haast hebben om een korting te krijgen als ze op een rustig moment komen. De winkel blijft rustig, de eigenaar bespaart geld, en de klanten krijgen een korting. Een win-winsituatie voor iedereen.

Titel

Gecombineerde Prijs- en Vermogensoptimalisatie via Model Predictive Control (MPC) voor het Verminderen van Piekvraag bij Werkplek-laadstations voor Elektrische Voertuigen (EV's).

1. Het Probleem

Voor exploitanten van commerciële laadstations voor elektrische voertuigen (EV's), met name op werkplekken, vormt de vraagtariefkosten (demand charge) een aanzienlijk deel van de operationele kosten. Dit is een vergoeding die door nutsbedrijven wordt geheven op basis van het hoogste vermogen dat gedurende een afrekenperiode (bijv. een maand) wordt verbruikt.

Uitdaging: EV-laadstations hebben te maken met stochastische (willekeurige) aankomsttijden van gebruikers. Zelfs met slimme laadtechnologie kan een enkele slecht getimede aankomst de stationbelasting boven de lopende piek duwen, wat leidt tot hoge kosten.
Beperking van bestaande methoden: Bestaande optimalisaties richten zich vaak alleen op het plannen van vermogen op basis van bekende aankomst- en vertrektijden, zonder rekening te houden met de onzekerheid van toekomstige aankomsten of zonder de prijs te gebruiken om gebruikersgedrag te sturen.
Specifiek voor werkplekken: Laadsessies beginnen vaak vroeg in de ochtend en duren de hele werkdag. Beslissingen die 's ochtends worden genomen, hebben directe invloed op de piekbelasting in de namiddag. Er is dus een controller nodig met anticiperende vermogens.

2. Methodologie

De auteurs stellen een raamwerk voor dat gecombineerde prijs- en vermogensoptimalisatie combineert met Model Predictive Control (MPC).

A. Gebruikersmodel en Prijsmenu

Wanneer een gebruiker arriveert, krijgt deze een prijsmenu met twee opties (plus een derde optie om weg te gaan):

REGULAR: Ongecontroleerd laden met maximaal vermogen tot de batterij vol is.
SCHEDULED: Gecontroleerd laden waarbij de energie wordt gegarandeerd tegen het vertrektijdstip, maar het laadprofiel wordt geoptimaliseerd door de controller.
LEAVE: De gebruiker kiest voor een ander station als de prijzen te hoog zijn.

De keuze van de gebruiker wordt gemodelleerd met een discrete keuze-model (gebaseerd op nutswaarden), waarbij de kans op een keuze afhangt van het prijsverschil tussen de opties.

B. Doelfunctie en Beperkingen

Het doel is om de verwachte winst te maximaliseren (of kosten te minimaliseren) door de prijzen ( $z_{sch}, z_{reg}$ ) en de vermogensprofielen te optimaliseren.

Kostencomponenten: Energiekosten (tijd van gebruik - TOU), vraagtariefkosten (demand charge) en inkomsten.
Vraagtariefbeperking: De lopende piek ( $D_\tau$ ) wordt bijgehouden over de maand. Een stijging in deze piek tijdens de optimalisatiehorizon leidt tot extra kosten.

C. Verbeterde Controllers (De drie benaderingen)

Om de beperkingen van een standaard (niet-anticiperende) optimalisatie te overwinnen, worden drie methoden voorgesteld:

Iteratieve Hard Thresholding:
Een harde beperking wordt toegevoegd waarbij het stationvermogen $G_\tau$ niet mag overschrijden een drempelwaarde $M$ . Als de oplossing onhaalbaar is, wordt $M$ iteratief verhoogd.
Softplus Vraagtariefstraf:
In plaats van een lineaire straf, wordt een convexe softplus-functie ( $\log(1 + e^x)$ ) toegepast op de toename van de piek. Dit straft het benaderen van de lopende piek al af, zelfs voordat de piek daadwerkelijk wordt overschreden, waardoor de controller proactief handelt.
Model Predictive Control (MPC) met Voorspelling:
Dit is de kerninnovatie. De MPC gebruikt tijdreeksvoorspellingen om toekomstige aankomsten en belasting te anticiperen.
- De vraagtariefterm in de kostenfunctie wordt vervangen door een term die gebaseerd is op het maximale verwachte vermogen over de voorspellingshorizon.
- Drie voorspellingsmodellen worden getest:
  - Naïef: Geen nieuwe aankomsten aannemen, gebaseerd op het vorige optimale profiel.
  - Lineair: Getraind met Elastic Net-regressie.
  - XGBoost: Een geavanceerd boom-gebaseerd model.
- De voorspellingen gebruiken kenmerken zoals historische vermogensprofielen, aantal sessies, en tijdsindeling (dag van de week, uur, etc.).

3. Belangrijkste Bijdragen

Anticipatie via MPC: Een MPC-methode die tijdreeksvoorspellingen gebruikt om vraagpieken te anticiperen, in plaats van alleen te reageren op huidige toestanden.
Dynamische Prijsbeïnvloeding: Het vergroten van de flexibiliteit van de belasting door gebruikers via dynamische prijzen te stimuleren om voor de "gecontroleerde" (SCHEDULED) optie te kiezen. Dit geeft de controller meer ruimte om de piek te schaven.
Superieure Prestaties: Het aantonen dat deze aanpak beter presteert dan state-of-the-art benchmarks (zoals in eerdere werken [10]) en niet-anticiperende optimalisaties, zowel in het verminderen van vraagtarieven als in het verlagen van totale operationele kosten.

4. Resultaten

De methoden zijn gevalideerd via een Monte Carlo-simulatie met data van 2274 laadsessies van het SlrpEV-platform (Smart Learning Pilot for EV Charging Stations).

Kostenreductie: De MPC-aanpak (met name de naïeve en lineaire modellen) verlaagde de totale operationele kosten met ongeveer 4,5% ten opzichte van de benchmark.
Vraagtarief: De vraagtariefkosten werden met ongeveer 15-17% verlaagd.
TOU-kosten: De kosten voor energie tijdens piektijden (Time-of-Use) daalden met ongeveer 1%.
Vergelijking met Benchmarks:
- De niet-anticiperende methoden (Threshold en Softplus) slaagden er niet in om de totale kosten significant te verlagen.
- De MPC-methoden slaagden erin om vroeg in de dag agressiever te laden (wanneer energie goedkoop is) om de piekbelasting later op de dag te verminderen.
Voorspellingsnauwkeurigheid vs. Prestatie: Een verrassende bevinding was dat de nauwkeurigheid van de voorspelling (gemeten in RMSE) niet sterk correleerde met de prestaties van de MPC. Het "naïeve" model, dat de hoogste RMSE had, leverde de beste piekvermindering op. Dit suggereert dat het minimaliseren van de voorspellingsfout op zich niet het belangrijkste doel is voor de optimalisatie; de consistentie met de optimalisatielogica is belangrijker.

5. Betekenis en Conclusie

Dit paper demonstreert dat gecombineerde prijs- en vermogensoptimalisatie technisch haalbaar is en hoge acceptatie bij gebruikers kan vinden.

Economisch Impact: De besparingen op vraagtarieven kunnen worden gebruikt om de winst van de exploitant te verhogen of om lagere prijzen aan klanten aan te bieden.
Schalbaarheid: Hoewel de simulatie op een klein station (8 laders) plaatsvond, wordt verwacht dat de MPC-aanpak nog beter presteert bij grotere netwerken van laadstations door de "Wet van de Grote Getallen", die de laadcurven gladder maakt en voorspelling accurater.
Toekomstige Werk: Er is nog werk nodig om het "LEAVE"-gedrag (gebruikers die weggaan) beter te integreren in simulaties en de schaalbaarheid naar honderden of duizenden laders over meerdere locaties te testen.

Kortom, de studie biedt een robuust kader voor exploitanten om de kosten van EV-laden te beheersen door slimme, anticiperende controlestrategieën te combineren met prijsprikkels.