⚡ electrical engineering

ev-flow: A Reproducible, NHTS-Grounded Generator of Synthetic Plug-in Electric Vehicle Charging Behavior for Eight U.S. Regions

Het artikel introduceert \texttt{ev-flow}, een open-source Python-package dat reproduceerbare, gedragsmatig realistische synthetische laadprofielen voor plug-in elektrische voertuigen voor acht Amerikaanse regio's genereert door gebruik te maken van microdata uit de National Household Travel Survey van 2017 en een negenfasige deterministische pijplijn om het tekort aan privacygevoelige real-world telemetrie en regionale heterogeniteit in bestaande tools aan te pakken.

Oorspronkelijke auteurs: Bertrand Travacca

Gepubliceerd 2026-06-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bertrand Travacca

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 nieuw elektriciteitsnet voor een stad ontwerpt. Je moet precies weten wanneer miljoenen elektrische voertuigen (EV's) inpluggen, hoe lang ze ingeplugd blijven en hoeveel elektriciteit ze "drinken". Maar er is een probleem: echte data is als een kluis met een slot. De bedrijven die de data bezitten (zoals autofabrikanten en laadnetwerken) delen deze niet vanwege privacyregels.

Daarom moeten onderzoekers meestal gokken. Maar gokken is niet goed genoeg voor het bouwen van een elektriciteitsnet. Je hebt een realistische "nep"-populatie auto's nodig die zich precies zo gedraagt als echte mensen.

Maak kennis met ev-flow (kort voor "Electric Vehicle Flow"). Zie ev-flow als een supergeavanceerde videogame-engine die het dagelijks leven van 1.000 elektrische auto's simuleert over acht verschillende Amerikaanse regio's (zoals de Bay Area, New York, Chicago, etc.).

Zo werkt het, opgedeeld in eenvoudige stappen:

1. Het "DNA" van de auto's (De bron van de data)

In plaats van willekeurige getallen te verzinnen, begint ev-flow met een enorme, echte enquête genaamd de NHTS (National Household Travel Survey). Stel je dit voor als een gigantisch dagboek waarin duizenden echte Amerikaanse gezinnen opschreven waar ze naartoe reden, wanneer ze vertrokken en hoe lang ze ergens bleven.

De magische truc: De software neemt deze echte dagboekfragmenten en "naait" ze aan elkaar. Het zegt: "Oké, deze auto hoort bij een gezin in Chicago. Laten we deze de reisgewoonten geven van een echte Chicago-familie uit de enquête."

2. De "Persoonlijkheid" van de auto's

Zodra de software een auto heeft, geeft het deze een persoonlijkheid op basis van waar de auto woont.

De verkoopmix: Als de auto in Californië is, is de kans groter dat het een Tesla met een grote batterij is. Als de auto in New York is, kan het een ander merk zijn. De software kijt naar echte verkoopcijfers om te bepalen wat voor soort auto het is.
Het inplugged-gedrag: Dit is het belangrijkste deel. De software vraagt: "Wanneer plugt deze bestuurder in?" Het gebruikt een complex wiskundig recept (gebaseerd op echte studies) om te beslissen of de bestuurder direct bij thuiskomst inplugt, of dat hij wacht tot het diner. Het houdt zelfs rekening met het feit dat mensen in koude winters (zoals in Chicago) hun auto misschien moeten opwarmen, wat extra energie verbruikt.

3. Het "Batterij-grootboek"

De software houdt een lopende scorekaart bij voor elke individuele auto.

Het houdt de State of Charge (SoC) bij: Hoe vol is de batterij?
Het simuleert het rijden: Terwijl de auto rijdt, gaat de batterij leeg.
Het simuleert het opladen: Wanneer de auto inplugt, wordt de batterij voller.
De hybride twist: Voor Plug-in Hybrides (auto's die zowel een batterij als een verbrandingsmotor hebben) heeft de software een speciale regel. Als de batterij tijdens het rijden leeg raakt, zegt de software: "Oké, schakel over naar benzine," en registreert het dat energieverbruik. Dit maakt de simulatie veel realistischer dan oudere tools die simpelweg deden alsof de auto stopte met bewegen zodra de batterij leeg was.

4. De "Tijdsmachine"

De software creëert een volledig jaar (365 dagen) aan rijgedrag voor elke auto.

Het kent de tijdzones.
Het houdt rekening met de zomertijd.
Het geeft gegevens uit in een formaat dat ingenieurs kunnen gebruiken om precies te zien hoeveel vermogen het net nodig heeft op een dinsdag om 18:00 uur in Seattle versus een zaterdag om 18:00 uur in Boston.

Waarom is dit anders dan andere tools?

Het artikel vergelijkt ev-flow met andere tools zoals emobpy of VencoPy.

Het "Europese" probleem: Veel bestaande tools zijn gebouwd voor Europa. Ze gaan ervan uit dat mensen Duitse auto's rijden en Europese schema's volgen. Ze werken niet goed in de VS.
Het "Geaggregeerde" probleem: Sommige Amerikaanse tools geven je alleen een groot, wazig gemiddelde (bijv. "Het hele land verbruikt 500 megawatt"). Ze laten je niet de individuele auto's zien.
De ev-flow oplossing: Deze tool is specifbest gebouwd voor de VS. Het creëert individuele auto's (niet alleen gemiddelden) en dekt zowel thuis- als werkplekladen.

De "Eerlijkheids"-functie

De auteurs zijn erg trots op één specifiek kenmerk: Eerlijke Validatie.
Meestal, wanneer een computermodel een fout maakt, proberen onderzoekers de fout te verbergen of de cijfers aan te passen totdat het er perfect uitziet.

ev-flow doet het tegenovergestelde. Het heeft een ingebouwde "scheidsrechter" die de resultaten controleert aan de hand van echte wereldregels.
Als de simulatie zegt "Auto's pluggen in om 18:00 uur" maar de echte data zegt "Ze pluggen in om 19:00 uur", dan verbergt de software dit niet. Het markeert het en zegt: "FOUT: We weten dat dit anders is omdat onze databron uit Californië komt, maar we simuleren New York."
Het labelt deze fouten als "Verklaarde Fouten". Dit vertelt de gebruiker: "We weten dat dit deel niet perfect is, en dit is precies waarom." Dit bouwt vertrouwen op omdat je precies weet waar het model sterk is en waar het zwak is.

Samenvatting

ev-flow is een gratis, open-source tool waarmee onderzoekers een "nep", maar zeer realistische populatie van elektrische auto's kunnen creëren. Het gebruikt echte Amerikaanse reisverslagen om te bepalen waar de auto's heen gaan, echte verkoopcijfers om te bepalen wat voor auto's het zijn, en strikte wiskunde om te bepalen wanneer ze laden. Het is ontworpen om elektriciteitsbedrijven en ingenieurs te helpen bepalen hoe ze de enorme toename van elektrische auto's kunnen opvangen zonder dat het elektriciteitsnet uitvalt.

Belangrijkste les: Het is niet zomaar een willekeurige getalgenerator; het is een digitale tweeling van Amerikaanse rijgewoonten, gebouwd met een beleid van "de waarheid spreken" over de eigen beperkingen.

Technische Samenvatting: EV-FLOW

Probleemstelling

Studies naar de integratie van elektrische voertuigen (EV) in het elektriciteitsnet vereisen grote populaties individuele laadprofielen die gedragsmatig realistisch, regionaal opgelost en statistisch divers zijn om de heterogeniteit in batterijgrootte, laadinfrastructuur, verblijftijd en seizoensgebonden behoeften te modelleren. Echter, hoogwaardige telemetrie van real-world laadgedrag is schaars, gefragmenteerd en beperkt door privacy en commerciële gevoeligheid. Bestaande open-source synthetische generatoren zijn primair gekalibreerd op Europese mobiliteitsonderzoeken (bijv. emobpy, VencoPy) of missen de specifieke Amerikaanse regionale verankering, de duale scope van residentieel/werkplek-gebruik en de end-to-end reproduceerbaarheid die vereist is voor Amerikaanse distributie-voeder netwerk hosting-capaciteitsanalyses en de ontwikkeling van managed-charging algoritmen.

Methodologie

Het artikel presenteert ev-flow (importnaam pev_synth), een open-source, MIT-gelicentieerde Python-package die synthetisch gedrag voor het inpluggen van plug-in elektrische voertuigen (PEV) genereert voor acht Amerikaanse regio's. Het systeem vertrouwt op een deterministische, negenfasige pijplijn (M1–M9) die survey-microdata transformeert naar tijdgestempelde laadprofielen.

Dataprovenance en Pijplijn

De pijplijn is verankerd in de 2017 National Household Travel Survey (NHTS) microdata en regionale sales-mix modellen.

M1 (nhts_loader): Importeert NHTS-2017 microdata (specifiek de Californië-subset voor donor matching) en cachet deze als Parquet-tabellen.
M2 (vehicle_archetypes): Samplet een synthetische vloot uit regionale sales-mix distributies (bijv. CVRP-CA voor Californië, NYSERDA voor New York). Het wijst aandrijflijnen toe (BEV/PHEV), batterijcapaciteiten, OBC-ratings en energie-intensiteiten op basis van empirische priors.
M3 (donor_matcher): Koppelt synthetische voertuigen aan echte NHTS-huishoudens op basis van inkomen, huishoudgrootte, stedelijk/landelijk type en aantal voertuigen. Het gebruikt een relaxatie-ladder om donoren te vinden en handelt cross-state borrowing af voor regio's met dunne pools.
M4 (travel_week_builder): Voegt NHTS-persoonsdagen samen tot een representatieve 365-daagse reiskalender. Het past een temperatuurafhankelijke winterse energie-uplift factor ( $f_T$ ) toe, afgeleid van het Yuksel–Michalek model.
M5 (plug_in_model): Bepaalt plug-in gebeurtenissen met behulp van een drielaags Bernoulli logistisch model. De starttijden worden gesampled uit de gepubliceerde SPEECh K=16 Gaussian-mixture parametrisering (Powell et al., 2022), terwijl de plug-in waarschijnlijkheidscoëfficiënten worden getrokken uit literatuur-priors (Munkhammar et al., Kreft et al.).
M6 (soc_trajectory): Voortplant een continuous-time state-of-charge (SoC) grootboek. Het modelleert expliciet de PHEV benzine-range-extensie: wanneer de SoC van een PHEV de ondergrens bereikt, wordt het tekort gedekt door de verbrandingsmotor en geregistreerd als een "gas_kwh_equivalent" bij de volgende sessie.
M7 (hourly_resampler): Rastert continue plug-in sessies naar 15-minuten en uurlijkse booleaanse grids.
M8 (validation_bounds_curator): Stelt publicatie-traceerbare numerieke grenzen samen voor validatie.
M9 (validator): Vergelijkt gegenereerde distributies met deze grenzen en classificeert elke divergentie als PASS, FAIL, EXPLAINED_FAIL, EXPLAINED_SKIP of ERROR.

Reproduceerbaarheid en Architectuur

De package dwingt strikte reproduceerbaarheid af via een enkele master seed (20260520). Deze seed wordt gepropageerd door deterministische per-module en per-voertuig sub-seed namespaces, wat garandeert dat identieke inputs (regio, profieltype, seed) bit-identieke outputs opleveren. De architectuur scheidt de interne generatieve pijplijn van een publieke API (Fleet en Profile objecten), waardoor gebruikers vloten kunnen genereren, filteren en opvragen zonder toegang te hebben tot de onderliggende mechanica van de pijplijn.

Belangrijkste Bijdragen

Amerikaanse Regionale Verankering: In tegen tegenstelling tot Europese tools, is ev-flow gekalibreerd op Amerikaans reisgedrag (NHTS) en regionale sales-mix heterogeniteit over acht verschillende regio's (Bay Area, Boston, Chicago, Dallas-Fort Worth, LA Basin, New York Metro, Seattle, en een referentie-only US National).
Duale Profiel Scope: Het genereert zowel residentiële als werkplek laadprofielen, waarmee een gat wordt opgevuld dat tools die zich enkel richten op thuis laden of geaggregeerde vraag.
Expliciete PHEV Modellering: Versie 3.0 introduceert een expliciete PHEV benzine-range-extensie term, wat de energiebehoudratio's van de vloot verbetert ten opzien van eerdere grid-only modellen.
Eerlijk Validatiekader: De validator stemt modellen niet af om controles te halen. In plaats daarvan classificeert het divergenties. Bijvoorbeeld, het markeert de mismatch tussen de SPEECh sampler (Californië telemetrie) en de validatiegrenzen (UK My Electric Avenue trial) als een EXPLAINED_FAIL in plaats van een defect.
Beschrijvende EVSE Verrijking: Elk voertuig krijgt beschrijvende EVSE merk- en connectorattributen (bijv. Tesla, ChargePoint, J1772, NACS) op basis van markt-priors, hoewel deze de fysieke laadsnelheid niet veranderen.

Resultaten en Validatie

Het artikel rapporteert validatieresultaten voor een Bay Area residentiële cache (1.000 voertuigen) tegenover 21 toepasbare controles:

11 PASS: Inclusief batterijcapaciteit distributie (nu passend tegen een regio-specifieke grens), laadefficiëntie, cross-artifact integriteit, en EVSE merk/connector distributies.
0 FAIL: Geen onverklaarde divergenties gevonden.
6 EXPLAINED_FAIL: Gedocumenteerde beperkingen omvatten:
- Plug-in CDFs: De weekday en weekend plug-in starttijd distributies missen drie van de vier uurlijkse banden door de data-anchor mismatch tussen de op Californië getrainde SPEECh sampler en de op het VK gebaseerde validatiegrenzen.
- Jaarlijkse Kilometrage Variantie: De variantie is opgeblazen door de NHTS structurele beperking waarbij slechts één reisdag per huishouden wordt toegewezen.
- Fleet Energy Conservation: De ratio is 0.945 (verbeterd van ~0.895 in v2.1 met de nieuwe PHEV gas ledger) maar blijft onder de theoretische closure target van ~1.11 door niet-bediende reisenergie van ongepaste plug-in priors.
4 EXPLAINED_SKIP: Controles voor grenzen die enkel informatief zijn of afhankelijk zijn van out-of-scope dependencies (bijv. optimizer smoke tests).

Betekenis en Claims

Het artikel positioneert ev-flow als een invulling van een specifieke niche: een open, scriptbare generator die NHTS-gegrond reisgedrag, regionale sales-mix heterogeniteit en residentiële/werkplek scope combineert met een reproduceerbaarheid-eerst ontwerp.

De auteurs claimen significantie niet in het perfectioneren van het model, maar in transparantie en bruikbaarheid:

Vertrouwen door Eerlijkheid: Door elke divergentie expliciet te classificeren en toe te schrijven (EXPLAINED_FAIL), stelt de tool onderzoekers in staat de synthetische data te gebruiken met volledig bewustzijn van de beperkingen (bijv. de mismatch tussen de UK en Californië data-anchor).
Reproduceerbaarheid: De single-seed architectuur zorgt ervoor dat resultaten exact gereproduceerd kunnen worden door verschillende onderzoeksgroepen en computeromgevingen.
Fundament voor Grid Studies: Het biedt de grote, diverse en regionaal opgeloste populaties die nodig zijn voor distributie-voeder hosting-capaciteitsanalyses, load forecasting en smart-charging algoritme benchmarking, waarvoor voorheen afhankelijk werd gerekend op closed-source geaggregeerde modellen of niet-Amerikaanse tools.

Het artikel concludeert dat hoewel het model beperkingen heeft (zoals geen bidirectionele vermogensstroom, oordeel-gebaseerde plug-in coëfficiënten), het dient als een betrouwbaar, eerlijk fundament voor de volgende generatie Amerikaanse PEV grid-integratie research.