🤖 AI

A Grid-Aware Agent-Based Model for Analyzing Electric Vehicle Charging Systems

Dit artikel introduceert een configureerbaar, netbewust agent-gebaseerd model, geïmplementeerd in Python, om systematisch te analyseren hoe infrastructuurbeperkingen, gebruikersgedrag en coördinatiestrategieën zowel de prestaties op serviceniveau als de totale netbelasting beïnvloeden in laadsystemen voor elektrische voertuigen.

Oorspronkelijke auteurs: Khalil Al-Rahman Youssefi, Marija Gojkovic, Walter Stefanutti, Mika Auer, Melanie Schranz

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Khalil Al-Rahman Youssefi, Marija Gojkovic, Walter Stefanutti, Mika Auer, Melanie Schranz

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 een drukke kantoorgebouw voor waar iedereen elektrische auto's (EV's) rijdt. Het gebouw heeft een beperkte hoeveelheid elektriciteit die het op elk moment uit het hoofdnet kan halen, en het heeft een parkeerterrein met laadpalen. De vraag die de auteurs stelden is: Hoe organiseren we het laden zodat iedereen zijn auto opgeladen krijgt zonder een zekering te doen springen of geld te verspillen aan dure apparatuur?

Om dit te beantwoorden, bouwden de onderzoekers een digitale "zandbak" (een simulatie) met behulp van een methode die Agent-Based Modeling heet. Denk hierbij aan een videospelletje waarbij elke auto, elke laadpaal en het elektriciteitsnet zelf een personage is met zijn eigen persoonlijkheid en regels.

Hier is een uiteenzetting van hun studie met eenvoudige analogieën:

1. De Personages in de Simulatie

De Auto's (Agents): Elke auto is een onafhankelijk personage. Ze arriveren op verschillende tijden (zoals werknemers die binnenlopen), parkeren voor een specifieke duur (hun werkdag) en hebben een specifieke hoeveelheid energie nodig om naar huis te komen. Ze praten niet met elkaar; ze volgen gewoon hun eigen schema.
De Laadpalen (De Stations): Dit zijn de "servers" op het parkeerterrein. De studie testte twee soorten:
- Langzame Laders (SCC's): Zoals een standaard stopcontact in de keuken. Ze zijn goedkoper maar vullen de accu van de auto langzaam.
- Snelle Laders (FCC's): Zoals een hogedruk brandslang. Ze vullen de auto zeer snel, maar zijn duur en vragen een enorme hoeveelheid vermogen uit het net.
De Energie-zandbak (De Netbeheerder): Dit is de "portier" bij de ingang. Hij controleert de totale hoeveelheid elektriciteit die het hele gebouw tegelijk mag gebruiken. Als te veel auto's op exact hetzelfde moment proberen te laden, zegt de Zandbak: "Whoa, rustig aan," en zet hij sommige verzoeken in een wachtrij.

2. De Regels van het Spel

De onderzoekers testten twee verschillende manieren om te beslissen wie wanneer mag laden:

Eerstkomende, Eerstbediend (FCFS): De auto die als eerste insteekt krijgt de stroom. Hij blijft laden totdat hij vol is of de bestuurder vertrekt.
Tijdsdeling (SHRD): Stel je een groep vrienden voor die een enkele pizza delen. In plaats van dat één persoon het hele ding opeet, krijgt iedereen een stukje, dan krijgt de volgende persoon een stukje. Het laadvermogen wordt opgedeeld in kleine tijdsklokjes, die roteren tussen alle aangesloten auto's.

3. Het Grote Experiment

Ze draaiden 12 verschillende scenario's, waarbij ze drie dingen veranderden:

Hoeveel auto's? (30, 60 of 120 auto's).
Welk type laders? (Alleen Langzaam, of alleen Snel).
Welke regel? (Eerstkomende of Tijdsdeling).

Ze keken hoe lang het duurde voordat auto's een "voldoende" lading kregen (ongeveer 9,36 kWh, wat genoeg is voor een typisch woon-werkverkeer) en hoeveel stress dit het elektriciteitsnet opleverde.

4. Wat Ze Vonden (De Resultaten)

De "Snelle Lader"-Valstrik
De studie vond dat Snelle Laders vaak overkill zijn voor een werkplek.

De Analogie: Stel je voor dat je probeert een zwembad te vullen met een brandslang. Ja, het vult snel, maar als je alleen een emmer hoeft te vullen, is de brandslang gewoon een verspilling van waterdruk en kost het een fortuin om te installeren.
Het Resultaat: Toen ze Snelle Laders gebruikten, moest het elektriciteitsnet enorme, plotselinge pieken in vraag verwerken (zoals een file van elektriciteit). Omdat de auto's echter de hele werkdag geparkeerd stonden, konden de Langzame Laders het werk net zo goed doen zonder de netstress. De Snelle Laders zorgden er niet voor dat de auto's op een manier die ertoe deed eerder vertrokken; ze maakten alleen de elektriciteitsrekening en de infrastructuurkosten veel hoger.

De "Tijdsdeling"-Twist

De Analogie: Als je een langzame lader hebt (een kleine tuinslang) en je probeert deze te delen onder 12 mensen door om de paar seconden te wisselen, ben je al je tijd kwijt aan het wisselen van de slang van de ene persoon naar de andere. Je bent meer tijd kwijt aan het "handdrukken" (wisselen) dan aan het water geven.
Het Resultaat: De Tijdsdeling-strategie werkte prima wanneer er weinig auto's waren. Maar toen er veel auto's en langzame laders waren, maakte het de dingen eigenlijk langzamer. Het systeem raakte verstrikt in het wisselen tussen auto's, waardoor iedereen vertraging opliep.

De "Inactieve"-Realiteit
Zelfs met 120 auto's waren de laadpalen ongeveer 90% van de tijd inactief (leeg).

Waarom? Omdat mensen 8 uur parkeren, maar ze hoeven misschien maar 1 of 2 uur te laden. De auto's zitten er gewoon. Dit betekent dat de infrastructuur zelden "vol" is, dus heb je niet de duurste, hoogste snelheid apparatuur nodig om de last te verwerken.

5. De Belangrijkste Conclusie

Als je een laadstation bouwt voor een werkplek:

Geef niet te veel uit aan Snelle Laders. Ze creëren onnodige stress op het elektriciteitsnet en kosten veel meer om te bouwen, maar ze bieden geen echt voordeel voor werknemers die de hele dag parkeren.
Langzame Laders zijn het sweet spot. Ze zijn goedkoper, vriendelijker voor het net en doen het werk perfect voor een typische werkdag.
Houd het simpel. Complexe "delings"-regels kunnen dingen eigenlijk vertragen als je te veel auto's hebt en niet genoeg stroom.

Samenvatting

Het artikel zegt in essentie: Je hebt geen Ferrari-motor nodig om naar je werk te rijden. Een betrouwbare, langzamere motor (Langzame Lader) is vaak de slimmere, goedkopere en netvriendelijkere keuze voor dagelijks woon-werkverkeer, op voorwaarde dat je genoeg tijd hebt om te parkeren. De simulatie bewijst dat "groter en sneller" niet altijd beter is wanneer het doel gewoon is om aan het einde van de dag een volle tank te hebben.

1. Probleemstelling

De snelle elektrificatie van de mobiliteit introduceert aanzienlijke operationele uitdagingen voor elektrische distributienetten en laadinfrastructuur. In tegenstelling tot conventionele lasten is de vraag naar het opladen van elektrische voertuigen (EV's) stochastisch, gedreven door menselijke mobiliteitspatronen, heterogene voertuigeigenschappen en tijdsgebonden beperkingen. Ongemanageerd opladen kan leiden tot:

Gesynchroniseerde pieken in de vraag naar hoog vermogen.
Congestie bij laadfaciliteiten.
Schendingen van de operationele limieten van het net (bijv. overbelasting van transformatoren, spanningsafwijkingen).

Bestaande oplossingen missen vaak het vermogen om flexibel te reageren op dynamische energietoestanden of slagen er niet in de complexe, decentrale interacties tussen individuele EV-gebruikers, laadinfrastructuur en netbeperkingen vast te leggen. Er is behoefte aan een simulatiekader dat realistisch agent-niveau gedrag integreert met expliciete vermogensfluctuatielimieten om de geschiktheid van infrastructuur en coördinatiestrategieën te evalueren.

2. Methodologie

De auteurs stellen een Grid-Aware Agent-Based Model (ABM) voor, geïmplementeerd in Python met behulp van het SimPy-discrete-event simulatiekader. Deze aanpak vermijdt de numerieke vervormingen die geassocieerd zijn met vaste tijdstap-simulaties door gebruik te maken van event-gedreven verwerking.

Kerncomponenten

EV-Agenten: Representeren heterogene voertuigen met stochastische aankomsttijden, parkeertijden en specifieke energievragen. Agenten vragen parkeerplaatsen aan en komen in aanmerking voor oplading na aansluiting.
Laadpalen (CC's): Infrastructuurnodes met een vast aantal poorten ( ingesteld op 4 in de studie) en maximale vermogensratings. Twee types worden gemodelleerd:
- Trage Laadpalen (SCC): 11 kW.
- Snelle Laadpalen (FCC): 48 kW.
- Beperking: Slechts één voertuig wordt per paal tegelijkertijd actief opgeladen, zelfs als er meerdere zijn aangesloten.
Energie Sandbox (ES): Een faciliteitsniveau resourcebeheerder die de aggregatie van vermogensallocatie reguleert. Deze handhaaft een globaal vermogensplafond ( $P_{max}^{ES}$ ) en beheert vermogensverzoeken van CC's. Het fungeert als proxy voor netbeperkingen en kan exogene signalen leveren (bijv. energieprijzen, beschikbaarheid van PV) voor toekomstige geavanceerde strategieën.
Interactielogica:
- Handshake: Een schakelvertraging ( $T_{hs} = 32$ seconden) treedt op wanneer een CC wisselt tussen voertuigen.
- Wachtrij: Als de ES een vermogensverzoek niet kan toekennen vanwege capaciteitsbeperkingen, worden verzoeken in een First-Come-First-Served (FCFS) manier in de wachtrij geplaatst.
- Strategieën: De studie vergelijkt twee baselines planningsstrategieën:
  1. FCFS: Voertuigen worden sequentieel opgeladen op basis van aansluittijd.
  2. Tijdsdeling (SHRD): Voertuigen delen de oplaadbron in een cyclische, round-robin manier binnen prijsintervallen.

Experimentele Opstelling

Het model werd getest met een representatief werkplek-laadsituatie (gemiddeld gebruik door werknemers):

Aankomst: Ochtendvenster (06:00–08:00).
Vraag: ~9,36 kWh per voertuig (gebaseerd op een 26 km woon-werkverkeer).
Parkeren: 8–9 uur.
Variabelen: Schaal van het systeem (30, 60, 120 EV's), type infrastructuur (FCC vs. SCC) en planningsstrategie (FCFS vs. SHRD).
Netbeperking: De ES-capaciteit werd ingesteld op 1 MW (niet-bindend voor deze scenario's) om de effecten van infrastructuur en planning te isoleren, hoewel het kader bindende beperkingen ondersteunt.

3. Belangrijkste Bijdragen

Configureerbaar Grid-Aware ABM Kader: Een flexibel, uitbreidbaar simulatieomgeving die gezamenlijk prestatie-indicatoren op gebruikersniveau (laadtijd), infrastructuurniveau (benutting) en netniveau (aggregaatlast) evalueert.
Discrete-Event Implementatie: Gebruik van SimPy om hoge rekenefficiëntie en schaalbaarheid te garanderen, en om de onnauwkeurigheden van tijdgestapte simulaties te vermijden.
Methodologische Basis: Biedt een basis voor toekomstig onderzoek naar geavanceerde coördinatiemechanismen (bijv. zelforganiserende, op leren gebaseerde strategieën) door agent-gedrag te ontkoppelen van specifieke netbeperkingen.
Vergelijkende Analyse: Een systematische evaluatie van hoe de samenstelling van de infrastructuur (FCC vs. SCC) en planningsstrategieën de systeemprestaties beïnvloeden onder variërende lastniveaus.

4. Belangrijkste Resultaten

De studie analyseerde 12 experimentele configuraties over elk 30 simulatieruns.

Prestaties van Energielevering (TTR9.36):
- Lage Last (30 EV's): Zowel FCC als SCC presteerden vergelijkbaar; de laadvraag verzadigde de capaciteit niet.
- Hoge Last (120 EV's): FCC verminderde individuele laadtijden maar introduceerde aanzienlijke schakeloverhead (handshakes) onder de SHRD-strategie, wat leidde tot langere totale leveringtijden in vergelijking met FCFS.
- SCC vs. FCC: Hoewel SCC's langere laadtijden hadden vanwege het lagere vermogen, waren ze voldoende voor het 8–9 uur durende parkeervenster.
Infrastructuurbenutting:
- Laadpalen waren overwegend inactief (ongeveer 90% van de tijd) in alle configuraties, omdat de vereiste laadtijd ( $t_{chg}$ ) veel korter was dan de parkeertijd ( $T_p$ ).
- SHRD Overhead: Onder hoge last met SCC's verhoogde de SHRD-strategie het "handshake"-aandeel (schakeltijd) aanzienlijk zonder de laaddoorvoer te verbeteren, waardoor het minder efficiënt was dan FCFS in vermogensarme omgevingen.
Netimpact (Aggregaatlast):
- FCC: Genereerde aanzienlijk hogere vermogenspieken (tot ~960 kW voor 120 EV's) en steilere op- en afbouwsnelheden, wat leidde tot versterkte netstress.
- SCC: Hield gladdere, lagere vermogensniveaus (~330 kW voor 120 EV's) in stand.
- Kosten-baten: De studie concludeert dat voor werkplek-scenario's de hoge kapitaal- en netintegratiekosten van FCC's niet worden gerechtvaardigd door operationele voordelen, aangezien SCC's aan de behoeften van gebruikers voldoen zonder buitensporige netpieken te veroorzaken.
Temporele Mismatch:
- Traditionele strategieën (zoals FCFS) concentreren het opladen in de ochtend, wat een mismatch creëert met de beschikbaarheid van PV en priksignalen in de middag, wat de noodzaak onderstreept van slimmere, signaalbewuste coördinatie.

5. Betekenis

Infrastructuurplanning: De resultaten suggereren dat voor typische werkplek-lading Trage Laadpalen (SCC's) een meer kosteneffectieve en netvriendelijke oplossing zijn dan Snelle Laadpalen (FCC's), omdat ze onnodige netpieken vermijden terwijl ze voldoen aan de behoeften van gebruikers.
Strategische Planning: De studie toont aan dat eenvoudige planningsstrategieën (FCFS) vaak complexere delingsstrategieën (SHRD) overtreffen in vermogensarme infrastructuuromgevingen vanwege verminderde schakeloverhead.
Onderzoekswaarde: Het voorgestelde ABM dient als een robuuste, open-source basis voor toekomstige studies naar decentraliseerde, zelforganiserende en op leren gebaseerde laadstrategieën. Het stelt onderzoekers in staat te testen hoe deze geavanceerde algoritmen netstress kunnen verminderen en opladen kunnen afstemmen op hernieuwbare opwekking, zonder beperkt te worden door de specifieke scenario's die in dit artikel zijn geanalyseerd.
Schaalbaarheid: De event-gedreven aard van het model zorgt ervoor dat het kan schalen naar grote systemen en complexe netbeperkingen, waardoor het geschikt is voor digitale twin-toepassingen en beleidsanalyse.