Zugang und Betrieb der Ladeinfrastruktur zur Reduzierung der Netzauswirkungen der umfassenden Einführung von Elektrofahrzeugen

Nature Energy Band 7, Seiten 932–945 (2022)Diesen Artikel zitieren

29.000 Zugriffe

12 Zitate

849 Altmetrisch

Details zu den Metriken

Elektrofahrzeuge werden zur Emissionsreduzierung in den Vereinigten Staaten beitragen, ihre Aufladung kann jedoch den Betrieb des Stromnetzes gefährden. Wir präsentieren ein datengesteuertes, realistisches Modell der Ladenachfrage, das das unterschiedliche Ladeverhalten künftiger Anwender im US Western Interconnection erfasst. Wir untersuchen die Ladesteuerung und den Ausbau der Infrastruktur als kritische Faktoren, die die Ladelast beeinflussen, und bewerten die Netzauswirkungen bei der schnellen Einführung von Elektrofahrzeugen mit einem detaillierten wirtschaftlichen Modell der Stromerzeugung im Jahr 2035. Wir stellen fest, dass der Spitzennettostrombedarf bei Annahme der Prognose um bis zu 25 % und bei einem Stresstest bei vollständiger Elektrifizierung um 50 % steigt. Lokal optimierte Steuerungen und eine hohe Heimladung können das Netz belasten. Die Umstellung auf unkontrolliertes Laden am Tag kann den Speicherbedarf, die übermäßige Erzeugung nichtfossiler Brennstoffe, Rampen und Emissionen reduzieren. Unsere Ergebnisse fordern die politischen Entscheidungsträger auf, die Auswirkungen auf Erzeugungsebene in den Stromtarifen zu berücksichtigen und eine Ladeinfrastruktur bereitzustellen, die eine Verlagerung vom Laden zu Hause zum Laden am Tag fördert.

Der Einsatz von Elektrofahrzeugen (EVs) in Verbindung mit einem dekarbonisierenden Stromnetz kann den Vereinigten Staaten dabei helfen, ihre Emissionsreduktionsziele zu erreichen1,2. Branchenanalysten prognostizieren, dass sich die Zahl der leichten Elektrofahrzeuge und ihrer Ladestecker bis 2035 weltweit auf über 300 Millionen bzw. 175 Millionen vervielfachen wird, eine Größenordnung mehr als im Jahr 2021 Die Transformationen der beiden Sektoren sind weitgehend unkoordiniert, trotz ihrer gemeinsamen Ziele, die Emissionen zu senken4,5,6,7,8,9,10. Während die Auswirkungen der Elektrifizierung des Verkehrs auf das Stromnetz auf niedrigen, kurzfristigen Einführungsniveaus untersucht wurden, ist die Identifizierung und Abmilderung von Systemfolgen auf tiefen Ebenen der Einführung von Elektrofahrzeugen nach wie vor eine entscheidende Herausforderung, da hierfür Modelle erforderlich sind, die die unterschiedlichen Verhaltensweisen und Bedingungen von Elektrofahrzeugen erfassen zukünftige Treiber11.

Ladeinfrastruktur, Steuerungen und Fahrerverhalten haben Auswirkungen auf den Netzbetrieb und machen die langfristige Planung zur Deckung des täglichen Ladebedarfs in Szenarien mit hoher Elektrifizierung zu einer Herausforderung. Das Fahrerverhalten ist sehr heterogen und stochastisch12,13,14,15,16; Wo, wann und wie oft Fahrer sich für das Anschließen entscheiden, bestimmt ihre Lastform und die Nachfrage im Netz. Das Hinzufügen von Ladesteuerungen und die Änderung der Ladeinfrastrukturlandschaft durch Erhöhen oder Verringern der Verfügbarkeit verschiedener Ladeoptionen stellen leistungsstarke Instrumente zur Umgestaltung des Ladevorgangs dar, um die Netzauswirkungen auf künftigen, tiefgreifenden Stufen der Einführung von Elektrofahrzeugen zu verbessern. Ladesteuerungen, auch intelligentes oder verwaltetes Laden genannt, verändern die Nachfrage, indem sie den Ladevorgang auf eine voreingestellte Zeit verzögern oder die während des Ladevorgangs eines Fahrzeugs gelieferte Leistung als Reaktion auf die Strompreise modulieren. Das Design und die geografische Lage des Ladeinfrastrukturnetzwerks verändern wiederum die Auswahlmöglichkeiten für Fahrer und formen die systemweite Ladenachfrage um, indem der Ladeort und die Tageszeit geändert werden (z. B. von über Nacht beim Laden zu Hause auf mittags beim Laden am Arbeitsplatz). ).

Der Zugang zum Laden ist der Schlüssel zur Vermeidung von Unannehmlichkeiten beim Laden, die ein Hindernis sowohl für die Einführung als auch für die weitere Nutzung von Elektrofahrzeugen darstellen können16,17,18,19,20. Wohlhabende Bewohner von Einfamilienhäusern (SFHs) sind unter den Erstanwendern von Elektrofahrzeugen überrepräsentiert und haben wahrscheinlich Zugang zu Ladestationen zu Hause21. Bei Haushalten mit geringerem Einkommen, Mietern und Bewohnern von Mehrfamilienhäusern oder Mehrfamilienhäusern (MUDs) ist es trotz gezielter Subventionen24 weniger wahrscheinlich, dass sie Zugang zu Ladestationen zu Hause haben12,13,16,17,22,23. Geht man davon aus, dass die Nutzung der Ladeinfrastruktur weiterhin dem Verhalten von Erstanwendern entspricht, würde dies die Optionen zukünftiger Fahrer falsch darstellen und wertvolle Chancen für Haushalte, Versorgungsunternehmen und die Regulierungsbehörde verpassen.

Bestehende Ansätze zur Modellierung des Ladebedarfs in großem Maßstab unterstellen Ladeentscheidungen auf der Grundlage des Verhaltens von Frühanwendern oder Modelliererannahmen über das Fahrerverhalten9,10,25,26,27. Zahlreiche frühere Studien haben Ladesteuerungen eingesetzt, um die Netzauswirkungen und Kosten von Elektrofahrzeugen zu verbessern8,9,25,26,28,29,30,31,32,33,34,35,36. Die meisten Studien haben jedoch begrenzte Szenarien für den Zugang zur Ladeinfrastruktur, verwenden zentral optimierte Steuerungen anstelle von Standort für Standort, bewerten zeitplangesteuerte Optimierungen oder konzentrieren sich auf aktuelle Netzressourcen und -bedingungen, und nur wenige berücksichtigen die Netzspeicherung und berechnen Emissionen (Ergänzende Anmerkung 1). Frühere Studien mit unterschiedlichen Ladeinfrastrukturszenarien konzentrierten sich hauptsächlich auf Erstanwender und konzipierten die Infrastruktur nicht als Werkzeug zur Ladesteuerung9,10,26,34,37,38. Die Bedeutung der Ladeinfrastruktur für Fernreisen und energiereiche Tage zur Unterstützung der Einführung von Elektrofahrzeugen war ein Schwerpunkt anderer neuerer Studien18,39,40.

Das Laden von Elektrofahrzeugen hat Auswirkungen auf die Verteilung, Übertragung und Erzeugung von Strom41. Es hat sich beispielsweise gezeigt, dass unkontrolliertes Laden den Spitzenbedarf erhöht und zu einer Überlastung des Transformators führt5, einen vorzeitigen Austausch von Geräten erzwingt7, Übertragungsleitungen überlastet28, die Stromqualität verschlechtert4,6 oder die Modernisierung von Umspannwerken erforderlich macht42. Ein zentraler Vorteil des kontrollierten Ladens besteht darin, die hohen Kosten für die Modernisierung des Verteilungssystems zu vermeiden. Elektrofahrzeuge können dem Netz auch einen Mehrwert bieten, indem sie Frequenzregulierungs- und Echtzeit-Ramping-Dienste bereitstellen43,44.

In dieser Studie modellieren wir den täglichen Ladebedarf für private Elektrofahrzeuge in Szenarien mit hoher Elektrifizierung im Jahr 2035 für den US-amerikanischen Teil des Western Interconnection (WECC)-Netzes, der 11 Bundesstaaten mit über 75 Millionen Menschen abdeckt45. Wir vergleichen eine Reihe von Zukunftsszenarien, um zu verstehen, wie sich Ladeinfrastruktur, Steuerung und Fahrerverhalten zusammen auf die Netzauswirkungen auswirken werden. Unsere Studie umfasst zwei Strategien (Steuerung und Infrastrukturausbau) und verwendet realistische, detaillierte Modelle aller drei Elemente: Fahrerverhalten, Steuerung und Netzeinsatz. Wir konzentrieren uns auf typische, aggregierte Lademuster von leichten Nutzfahrzeugen als Treiber der Netzauswirkungen auf Generationsebene. Unser Ziel ist es, herauszufinden, welche Szenarien einer groß angelegten Einführung von Elektrofahrzeugen die negativen Folgen des Ladens am besten abmildern und einen wirksamen Dekarbonisierungspfad durch Fahrzeug-Netz-Integration aufzeigen. Unsere Ergebnisse fordern die Kopplung von Lade- und Netzplanungsmaßnahmen. Um die Ladekontrolle effektiver zu gestalten, sollten politische Entscheidungsträger eine Koordinierung des Managements der Auswirkungen auf die Netzerzeugung und -verteilung in Betracht ziehen. Am wichtigsten ist, dass die Planung im Laufe des nächsten Jahrzehnts auf den Ausbau der Ladeinfrastruktur abzielen sollte, die eine Verlagerung vom Laden zu Hause zum Laden am Tag im WECC unterstützt.

Das Fahrerverhalten ist sehr heterogen. Wir verwenden eine probabilistische, datengesteuerte Methode, um die Ladepräferenzen der Fahrer auf der Grundlage von Mustern zu erfassen, die in realen Ladedaten beobachtet werden (Methoden). Wir kalibrieren unser Modell anhand eines Datensatzes von 2,8 Millionen Sitzungen, die 2019 für 27,7 000 Fahrer batterieelektrischer Fahrzeuge in der California Bay Area aufgezeichnet wurden. Wir modellieren den Zusammenhang zwischen Ladeverhaltensclustern und dem Einkommen, der Wohnsituation, den zurückgelegten Kilometern und dem Zugang zu Ladeoptionen der Fahrer Wie in Abb. 1 dargestellt. Wir implementieren standortweise kontrollierte Ladevorgänge, um realistische Reaktionen auf Stromtarife zu simulieren. Wir konzentrieren uns auf den US-amerikanischen Teil des WECC-Netzes und simulieren das Laden für die mehr als 48 Millionen Privatfahrzeuge in den 11 Hauptstaaten (Methoden).

a, Ein Überblick über den Modellierungsansatz. Um die Netzauswirkungen von Ladeszenarien für Elektrofahrzeuge zu untersuchen, wurde der Ladebedarf für jede Region mithilfe eines Modells des Fahrerverhaltens simuliert, regionale Profile aggregiert und die Netzdynamik modelliert, einschließlich der Erzeugung, Speicherung und des Einsatzes von Generatoren für fossile Brennstoffe. In Szenarien mit Ladesteuerung wurden Zeitsteuerungen beim Laden in Privathaushalten angewendet, während der Bedarf jedes Bezirks generiert wurde, und Lastmodulationssteuerungen beim Laden am Arbeitsplatz wurden auf das aggregierte unkontrollierte Arbeitsplatzprofil für WECC angewendet. Staaten werden durch die Abkürzung der Post identifiziert. Die stündliche Verteilung der Nettonachfrage und der Gesamtnachfrage über fossile und nichtfossile Brennstofferzeugungsressourcen hinweg wird für einen Beispieltag im Schritt „Modellraster“ dargestellt. Die ursprünglichen Netto- und Gesamtnachfrageprofile werden mit strichpunktierten bzw. gepunkteten Linien dargestellt, und die glatteren Netto- und Gesamtnachfrageprofile, die durch die Bereitstellung von 10 GW Netzspeicher erzielt werden, werden mit durchgezogenen bzw. gestrichelten Linien dargestellt. b, Das Modell für den Ladebedarf für Elektrofahrzeuge in jeder Region als Funktion der Nachbarschaftsmerkmale, des Zugangs zu Lademöglichkeiten und des Fahrerverhaltens (Methoden). Die Pfeile sind entsprechend den Datenquellen farblich gekennzeichnet: US Census and Community Survey45 und EASI MRI Consumer Survey69 (hellblau), California Vehicle Rebate Project (lila)71, California Energy Commission70 und Umfrage des National Renewable Energy Laboratory (rot), University of California at Davis-Studie12 (gelb), Reihe beobachteter Ladevorgänge (grün) und modellierter (grau) Fahrer, wie unter „Methoden“ beschrieben. EASI MRI steht für Easy Analytic Software Inc. Mediamark Research, eine Datenbank, aus der auf jährliche Kilometerdaten auf Kreisebene zugegriffen wird.

Aktuelle Planungen in Kalifornien gehen davon aus, dass bis 2035 50 % der Flotte leichter Nutzfahrzeuge elektrifiziert werden müssen, um die bevorstehenden Dekarbonisierungsfristen einzuhalten und die Zeitpläne für das Ende des Verkaufs von Fahrzeugen mit Verbrennungsmotoren einzuhalten10,46. Im Einklang mit diesen und anderen Studien zur starken Elektrifizierung47,48 beziehen wir Ergebnisse für eine 50-prozentige Einführung oder 24 Millionen Elektrofahrzeuge in WECC (Elektrifizierung der Hälfte der Privatfahrzeugflotte) im Jahr 2035 ein. Industrie und politische Entscheidungsträger arbeiten jedoch an einer Beschleunigung noch schnellere Akzeptanz. Wir beziehen Ergebnisse für eine 100-prozentige Einführung (vollständige Elektrifizierung der Privatfahrzeugflotte) als Stresstest ein, um die Netzbereitschaft für eine umfassende Einführung zu charakterisieren und zu ermitteln, welche zusätzlichen Änderungen im Netz oder beim Laden erforderlich sind. Wir stellen im gesamten Dokument auch die Sensitivität aller wichtigen Ergebnisse gegenüber einem höheren oder niedrigeren Grad der Akzeptanz dar.

Um die Netzauswirkungen auf Erzeugungsebene für jedes Ladeszenario zu berechnen, übertragen wir den gesamten Strombedarf eines ganzen Jahres auf ein Modell zukünftiger Netzerzeugungsressourcen, das die prognostizierte Stilllegung und Ergänzung von Generatoren für fossile Brennstoffe sowie die Erhöhung der Wind-, Solar- und Netzspeicherung widerspiegelt (Methoden). Wir gehen davon aus, dass die Wind- und Solarenergieerzeugung im Laufe des Jahres von Stunde zu Stunde schwankt, wie dies auch im Jahr 2019 der Fall war.

Es wird davon ausgegangen, dass der jährliche Basisstromverbrauch bis 2035 aufgrund der Elektrifizierung in anderen Anwendungen als dem Transport, wie etwa Heizung und Kühlung, um durchschnittlich 16 % steigen wird48. Wir stellen fest, dass die Einführung von Lademöglichkeiten für Elektrofahrzeuge mit zunehmender Akzeptanz den jährlichen Stromverbrauch um die gleiche Größenordnung weiter erhöht. Jeder prozentuale Anstieg der Einführung von Elektrofahrzeugen erhöht den Gesamtverbrauch in diesem System um etwa 0,11 % (ergänzende Abbildung 7). Bei einer Akzeptanzrate von 50 % entspricht dies einer Steigerung von 5 % gegenüber dem Basisjahr 2035. Zusammengenommen beträgt der Gesamtanstieg aufgrund der Elektrifizierung in allen Sektoren bis zu 22 % gegenüber dem Niveau von 2019. Im Stresstest mit 100 % E-Akzeptanz steigt der Verbrauch bei Elektrofahrzeugen um 11 % und insgesamt um bis zu 28 % gegenüber dem Niveau von 2019.

Der Zeitpunkt dieses Anstiegs des Stromverbrauchs ist entscheidend, und die Netzauswirkungen des Ladens variieren erheblich je nach Nachfrageprofil. Daher modellieren wir vier Szenarien für die zukünftige Ladeinfrastruktur, die den Ladezugang zu Hause von universell bis niedrig variieren, basierend auf aktuellen kalifornischen Umfragedaten (Methoden). Bei Universal Home Access fallen 86 % des gesamten Stromverbrauchs zu Hause an, verglichen mit 22 % bei Low Home Access-Fällen (Ergänzende Anmerkung 5 und Ergänzende Tabelle 2). In jedem Zugangsszenario modellieren wir vier Arten konventioneller Ladesteuerung, um gängige Implementierungen in den Vereinigten Staaten von heute darzustellen49: SFH-Timer, die auf Startzeiten um 21:00 Uhr und 12:00 Uhr eingestellt sind, basierend auf den EV-Tarifen für Privathaushalte50,51 und unidirektionaler Last auf Standortebene Modulationssteuerung an Arbeitsplätzen als Reaktion auf Bedarfsgebühren durch Spitzenminimierung oder auf Nutzungszeitsätze basierend auf durchschnittlichen Netzemissionen (Avg Em). Nachfragespitzen durch synchrone Zeitschaltuhren sind in den heutigen Ladedaten zu beobachten und bleiben in vielen Planungsszenarien bestehen10,52, trotz ihrer Auswirkungen auf die Netzstabilität53,54. Im Gegensatz dazu modellieren wir eine dritte Art der SFH-Timersteuerung, bei der den teilnehmenden Fahrern zufällig eine Startzeit zur halben Stunde zwischen 20:00 und 02:30 Uhr zugewiesen wird. Schließlich modellieren wir ein zusätzliches Szenario, Business As Usual, als Sonderfall von High Home Access mit Arbeitsplatzsteuerung und Timern repräsentiert den heute vorherrschenden Mix an Steuerungsstrategien. Daraus ergeben sich insgesamt 25 Szenarien, von denen eine Teilmenge in Abb. 2 dargestellt ist.

a,b,d,e, Die unkontrollierten Profile für einen typischen Wochentag (links) und ein Wochenende (rechts) werden für Universal Home Access (a) angezeigt; Hoher Hauszugang (b); Low Home, High Work-Zugang (d) und Low Home, Low Work-Zugang (e). f–j, Das Wochentagsprofil wird für ein Beispiel für jeden Steuerungstyp angezeigt: Mitternachts-SFH-Timer mit Universal Home-Zugriff (f); 21 Uhr SFH-Timer mit High Home-Zugriff (g); Arbeitsplatzspitzenminimierung durch Low Home, High Work Access (h); Minimierung der durchschnittlichen Emissionen am Arbeitsplatz mit Low Home, Low Work Access (i); und zufällige SFH-Timer zwischen 20:00 und 2:30 Uhr mit High Home-Zugriff (j) (Methoden). Im WECC werden Profile für die vollständige Elektrifizierung der US-Bundesstaaten dargestellt, um den maximalen modellierten Bedarf darzustellen. Für diese Abbildung wird die Nachfrage in Ortszeit aggregiert, aber in der Simulation werden die beiden Zeitzonen berücksichtigt und es gibt eine Verzögerung von 1 Stunde zwischen den auf Pacific Time und Mountain Time eingestellten Timern. c, „Business As Usual“ ist ein Sonderfall des High-Home-Zugriffs mit einer Mischung aus Wohn-Timern um 20:00, 21:00, 22:00 Uhr und Mitternacht sowie einer Arbeitsplatzkontrolle mit Spitzenminimierung. Das Wochentags- und Wochenendprofil für jedes Szenario wird wiederholt, um den Ladebedarf für das gesamte Jahr zu ermitteln. L2 steht für Level-2-Laden und DCFC steht für Direct Current Fast Charging.

Der Grundbedarf in WECC ist am späten Nachmittag und frühen Abend am höchsten. Der Spitzengesamtstrombedarf an einem typischen Wochentag im Jahr 2035 ohne Elektrofahrzeuge wird modelliert und liegt um 17 Uhr bei etwa 109 GW. Jedes Ladeszenario passt sich diesem Wert anders an, wie in Abb. 3 dargestellt. Hohes Laden zu Hause erhöht die Nachfrage am Abend und verschiebt den Spitzenwert später gegen 19:00 Uhr, während das Laden am Tag neue Spitzenwerte erzeugt, am Vormittag um 10:00 und 11:00 Uhr. Der Wert des Spitzenwerts steigt mit der Hinzufügung des Ladens von Elektrofahrzeugen leicht an, bis die Akzeptanz bei etwa 30 % liegt. Danach gibt es in mehreren Szenarien Wendepunkte. Die stärksten Anstiege treten in den Ladeszenarien mit den höchsten Spitzen auf, wenn die Zeitpunkte des Spitzengesamtbedarfs und des Spitzenladebedarfs aufeinander abgestimmt sind. Bei einer Akzeptanz von 50 % liegt der Anstieg je nach Szenario zwischen 3 % und 9 %, wie in Abb. 4 dargestellt. Im Stresstest mit einer Akzeptanz von 100 % erhöht das Laden die Spitzengesamtnachfrage um 9–26 %. Tagesladeszenarien erhöhen den Spitzengesamtbedarf um mehr als die Ladeszenarien High Home und Universal Home, außer in Fällen mit 21-Uhr-Timern.

Der Zeitpunkt des Spitzengesamtbedarfs hängt vom Zusammenspiel von Lade- und Grundbedarf ab. a, Das Bedarfsprofil für jedes Zugangsszenario mit unkontrolliertem Laden über dem Basisbedarf von Nicht-Elektrofahrzeugen für 2035. L2 steht für Level 2-Laden und DCFC steht für Direct Current Fast Charging. b,c, Die Zifferblätter unter jedem Profil veranschaulichen den Zeitpunkt des Spitzengesamtbedarfs für dieses Zugangsszenario unter allen Steuerungsoptionen für 50 % EV-Einsatz (b) und 100 % EV-Einsatz (c). Min(peak) bezieht sich auf die Arbeitsplatzkontrolle zur Spitzenminimierung und Min(Avg Em) bezieht sich auf die Arbeitsplatzkontrolle zur Minimierung der durchschnittlichen Netzemissionen. Zur Kennzeichnung von PM-Peaks werden dicke Ränder verwendet. Wir beobachten den zeitlichen Verlauf der Spitzenverschiebungen von 17:00 Uhr vor den Elektrofahrzeugen auf den späten Abend in vielen Heimladeszenarien oder auf den Vormittag in den Tagesladeszenarien. d, Die prozentuale Änderung der Spitzengesamtnachfrage mit der Einführung von Elektrofahrzeugen variiert zwischen 10 % und 100 %.

a: Zur Veranschaulichung der Berechnung des Nettobedarfs wird ein typischer Tag ab dem Einsatz vor dem Elektrofahrzeug herangezogen: Zuerst wird die Erzeugung nichtfossiler Brennstoffe eingeplant; Die Nettonachfrage wird berechnet, indem diese Erzeugung von der Gesamtnachfrage abgezogen wird. Die Gesamtnachfrage wird mit einer gestrichelten Linie und die Nettonachfrage mit einer durchgezogenen Linie dargestellt. b,c, Ein Vergleich des Anstiegs des Spitzengesamtbedarfs (b) und des Spitzennettobedarfs (c) im Vergleich zum Strombedarf vor den Elektrofahrzeugen. Es werden Werte für eine 50-prozentige und 100-prozentige EV-Akzeptanz angezeigt. Wir haben festgestellt, dass ein hoher Home-Zugang zum geringsten Anstieg der Spitzengesamtnachfrage führt, Tagesladeszenarien jedoch zu den geringsten Steigerungen der Spitzennettonachfrage führen. Für die Zugangsszenarien werden folgende Kurzformen verwendet: UH = Universal Home; HH = Hohes Zuhause; LHLW = Low Home, Low Work; LHHW = Niedriges Zuhause, hohe Arbeit. d,e, Der Zeitpunkt der Spitzennettonachfrage in jedem Szenario für eine 50-prozentige Einführung von Elektrofahrzeugen (d) und eine 100-prozentige Einführung von Elektrofahrzeugen (e). Wir stellen fest, dass der Spitzennettobedarf in jedem Szenario am Abend auftritt, da der Großteil der Tagesladungen durch die Erzeugung nicht fossiler Brennstoffe gedeckt wird.

Die Gesamtnachfrage gibt jedoch nicht den vollständigen Überblick über die Auswirkungen auf das Netz, und es ist wichtig zu untersuchen, wie sich diese Nachfrage auf die verschiedenen Stromerzeugungsquellen auswirkt. Die Nettonachfrage, berechnet durch Abzug des Beitrags der Erzeugung nichtfossiler Brennstoffe, treibt den Einsatz von Generatoren fossiler Brennstoffe an.

Um diese Auswirkungen besser zu verstehen, haben wir ein detailliertes Modell des Netzes im Jahr 2035 entwickelt, das auf den Ergebnissen der jüngsten Kapazitätserweiterungsplanung auf Landes- und Regionsebene basiert55,56. Wir haben das von Deetjen und Azevedo57 vorgestellte Merit-Order-basierte Dispatch-Modell erweitert, um die angekündigte Stilllegung und Ergänzung von Generatoren widerzuspiegeln, wir haben die Grundnachfrage erhöht und wir haben die Solar- und Windenergieerzeugung auf ein Basisszenario von 3,5× bzw. 3× für 2019 erhöht. Wir haben den Ladebedarf über schnelle und langsame Ladestationen, Heim-, Arbeitsplatz- und öffentliche Ladestationen summiert, um die Auswirkungen auf das Großstromsystem zu untersuchen, und sind davon ausgegangen, dass das Verteilungssystem den Bedarf bewältigen kann (Methoden).

Die in Abb. 4 dargestellten Veränderungen der Spitzennettonachfrage zeigen die entgegengesetzte Auswirkung wie die Gesamtnachfrage. Szenarios zum Laden zu Hause und nicht zum Laden am Tag haben einen schlechteren Einfluss auf die Spitzennettonachfrage und belasten die verbleibende Flotte von Generatoren für fossile Brennstoffe stärker. Dank der hohen Solarenergieerzeugung am Tag tritt der Spitzennettobedarf in jedem Szenario am Abend auf. Das Business-As-Usual-Szenario erhöht die typische Spitzennettonachfrage um das 1,6-fache mehr als das Szenario „Low Home, High Work“ mit 50 % Elektrofahrzeugen oder 1,8-fach mit 100 %. Im schlimmsten Fall erhöht das Universal Home-Zugriffsszenario mit SFH-Timern um 21 Uhr den Wert um das 3,3-fache oder 3,4-fache.

Die erste wichtige Schlussfolgerung dieser Studie besteht darin, sich auf das Laden am Tag zu konzentrieren, um die Auswirkungen auf das Netz zu minimieren. Hier erstmals dargestellt, wird es durch alle folgenden Analysen gestützt. Der Zeitpunkt der zusätzlichen Nachfrage ist im zukünftigen Netz mit zunehmender erneuerbarer Energieerzeugung wichtiger. Tagesladeszenarien profitieren von ihrer Ausrichtung auf die Solarstromerzeugung, während Nachtladeszenarien diese Chance verpassen.

Um sicherzustellen, dass das Stromnetz das Laden bei hoher Verbreitung von Elektrofahrzeugen unterstützt, ist Speicher erforderlich. Eine kleine Menge, 0,39 GW, wird benötigt, um den Grundbedarf zu decken. Die jüngste Planung Kaliforniens sieht bis zum Jahr 2030 eine Netzspeicherkapazität von 9,7 GW mit einer Laufzeit von 4 Stunden vor58, was einer mehr als 40-fachen Steigerung gegenüber dem Niveau von 2019 entspräche.

Wir stellen fest, dass 10 GW an im WECC installiertem Speicher ausreichen, damit das Netz die Einführung von Elektrofahrzeugen zu mindestens 50 % unterstützt. Im WECC im Jahr 2035 mit Business-As-Usual-Laden von Elektrofahrzeugen entsprechen 10 GW zwischen 8 % und 9 % des Spitzengesamtbedarfs an einem typischen Wochentag oder zwischen 6 % und 7 % des Spitzengesamtbedarfs an einem extremen Tag. Das Netz kann in Szenarien mit mehr Tagesladungen mehr Elektrofahrzeuge und in Szenarien mit mehr Heimladungen weniger Elektrofahrzeuge unterstützen, wie in Abb. 5a dargestellt.

a, Der maximale Grad der Einführung von Elektrofahrzeugen, für den das Laden unterstützt werden kann, bevor mindestens eine Stunde im Jahr im Netz 2035 nicht genügend Erzeugungskapazität vorhanden ist. Dank einer besseren Abstimmung des Ladevorgangs auf Stunden mit niedrigem Grundbedarf und einer höheren Erzeugung erneuerbarer Energien besteht die Kapazität, mehr Elektrofahrzeuge in den Szenarien mit geringem Zugang zu Wohngebäuden zu unterstützen. Dieses Modell des Netzes im Jahr 2035 umfasst 10 GW technologieunabhängigen 4-Stunden-Speicher, der zur Glättung der Nettonachfrage betrieben wird. BAU steht für Business As Usual. Max steht für Maximum. b, Die Mindestkapazität einer 4-Stunden-Speicherung, die es dem Netz ermöglichen würde, das Laden für eine zunehmende Verbreitung von Elektrofahrzeugen zu unterstützen. Diese Art von Speicher wird nach allen anderen Erzeugungsressourcen eingesetzt, um den nicht gedeckten Bedarf zu decken, und wir gehen davon aus, dass zusätzliche Solarenergie zum Laden eingesetzt wird (Methoden). c, Ein genauer Blick auf die Speichermenge, die erforderlich ist, um eine 50-prozentige oder 100-prozentige Einführung von Elektrofahrzeugen im Jahr 2035 zu unterstützen. Bei unkontrolliertem Laden würde das Szenario „Low Home, High Work Access“ im besten Fall nur 4,2 GW oder 3,6 % erfordern typische Spitzengesamtnachfrage an Wochentagen für dieses Szenario. In unserem Stresstest mit 100 % EV-Einsatz würde das Netz 8,1 GW Speicher oder 6,1 % des typischen Spitzengesamtbedarfs an Wochentagen benötigen. Bei 50 % stellen wir fest, dass der Speicherbedarf zwischen den Szenarien um den Faktor 1,9 von 3,9 GW bis 7,4 GW variiert. Bei 100 % stellen wir fest, dass der Bedarf zwischen den Szenarien um das 3,3-fache von 7,4 GW bis 24,5 GW variiert.

Im besten Fall, bei geringem Hauszugang, „Business As Usual“ oder hohem Hauszugang mit Mitternachts- oder Zufalls-Timern, kann das Netz die Aufladung für eine 100-prozentige Einführung von Elektrofahrzeugen unterstützen. Im schlimmsten Fall, mit Universal Home-Zugang und 21-Uhr-Timern, kann das Netz nur eine 59-prozentige Akzeptanz von Elektrofahrzeugen unterstützen.

Ladesteuerungen werden oft als Lösung für Netzkapazitätsengpässe präsentiert und tatsächlich stellen wir fest, dass 12-Uhr-SFH-Timer und zufällige SFH-Timer den Grad der Einführung von Elektrofahrzeugen, den das Netz unterstützen kann, erheblich erhöhen. Im Universal-Home-Zugriffsszenario erhöhen sie die Kapazität von 67 % auf 86 % und 83 %.

Das Hinzufügen von 10 GW Speicher ist jedoch teuer, und daher berechnen wir, wie viel Speicher in jedem Szenario benötigt wird. In Abb. 5b zeigen wir die Mindestmenge an 4-Stunden-Netzspeicher, die ausreichen würde, um den gesamten nicht gedeckten Bedarf zu decken. Glücklicherweise erfordern die meisten Szenarien weniger als 10 GW, um eine 50-prozentige oder sogar 100-prozentige Einführung von Elektrofahrzeugen zu erreichen, wie in Abb. 5b,c dargestellt. Auch hier stellen wir fest, dass Szenarien mit mehr Tagesladungen besser sind als solche mit hoher Ladung zu Hause.

Richtlinien, die eine Zukunft mit Low Home, High Work-Zugang unterstützen, könnten zu bemerkenswerten Speichereinsparungen führen. Bei unkontrolliertem Laden und einer 50-prozentigen Einführung von Elektrofahrzeugen würde dieses Szenario den Speicherbedarf um das 1,3-fache im Vergleich zu „Business As Usual“ bzw. um das 1,7-fache im Vergleich zu unkontrolliertem Universal Home-Zugriff verringern. Der Wechsel vom „Business As Usual“-Laden zum „Low Home, High Work Access“-Ladeszenario würde die Kosten für installierten Speicher um 0,7 Milliarden US-Dollar bei einer optimistischen Speicherkostenprognose von 143 US-Dollar kWh-1 oder um 1,5 Milliarden US-Dollar bei einer höheren Prognose senken Kosten von 299 US$ kWh−1 (Ref. 59,60). Diese Einsparungen sind im Vergleich zu den Gesamtstromkosten erheblich (Ergänzende Anmerkung 6) und nehmen erheblich zu, wenn wir uns die zunehmende Einführung von Elektrofahrzeugen ansehen. Im Stresstest mit einer 100-prozentigen Einführung von Elektrofahrzeugen würde die Umstellung auf Low Home, High Work-Zugang bei beiden Kostenprognosen Einsparungen von 1,6 Milliarden US-Dollar bzw. 3,4 Milliarden US-Dollar bringen.

Der Speicher kann dem Netz auch andere Werte bereitstellen. Richtlinien, die das Laden am Tag fördern, könnten zu einer besseren Netzzuverlässigkeit führen, indem Speicherkapazitäten frei werden, die als Reserve für extreme Tage dienen oder andere Netzdienste bereitstellen, anstatt den durch das Laden von Elektrofahrzeugen verursachten Spitzenbedarf zu decken.

Die zweite wichtige Schlussfolgerung dieser Studie ist, dass gängige Ladesteuerungsimplementierungen bei umfassender Einführung schwerwiegende Auswirkungen auf Generationsebene haben können. Insbesondere die Zeitsteuerung kann erhebliche negative Auswirkungen haben. Bei der Untersuchung des Anstiegs der Spitzennettonachfrage in Abb. 4 haben wir gesehen, dass SFH-Timer um 21 Uhr zu hohen Steigerungen führten, bis zu 25 % bei 50 % EV-Einsatz oder bis zu 50 % bei 100 % EV-Einsatz. Die Auswirkungen auf den Speicher sind bei einer Akzeptanz von 50 % weniger schwerwiegend, aber wenn wir uns Abb. 5b ansehen, können wir sehen, dass der Speicherbedarf bei höheren Niveaus sehr schnell wächst. Zusätzliche Erzeugungskapazität um 21 Uhr müsste hinzugefügt werden, bevor die Einführung von Elektrofahrzeugen 100 % im Universal-Home-Zugangsszenario erreicht, um zu vermeiden, dass die Speichernachfrage 24 GW übersteigt, was über 18 % des typischen Spitzengesamtbedarfs im Jahr 2035 liegt. Mit Low Home, High Der Arbeitszugang und die Spitzenminimierungskontrolle würden den Speicherbedarf um das 1,5-Fache gegenüber dem unkontrollierten Betrag erhöhen, indem das Laden in den späten Nachmittag verschoben würde, wo der Grundbedarf bereits hoch ist, was den Spitzennettobedarf erhöht.

In diesem Abschnitt gehen wir davon aus, dass die geplante Menge an 10 GW Netzspeicher hinzugefügt und betrieben wird, um die Nettonachfrage zu glätten. Dennoch gibt es erhebliche 1-Stunden-Rampen in den endgültigen Profilen, die an die Generatoren für fossile Brennstoffe gesendet werden, wie in Abb. 6 dargestellt. Dies ist eine wichtige Messgröße für die Netzzuverlässigkeit, da häufiges und schnelles Hochfahren von Generatoren für fossile Brennstoffe die Anlagenlebensdauer verkürzen kann erhöhen die Betriebskosten43,61. Alle Szenarien gehen von einer Situation aus, in der es keine Elektrofahrzeuge gibt und das Hinzufügen von Tagesladungen den Anstieg verringert, indem die Nettonachfrage abgeflacht wird, während das Hinzufügen von Heimladungen den Anstieg erhöht, weil er mit dem Basisspitzenwert übereinstimmt (Abb. 5 und Ergänzende Anmerkung 7). Zufalls- und 12-Uhr-SFH-Timer können in manchen Szenarien den Anstieg verringern, aber die Auswirkung der zusätzlichen Steuerung ist im Vergleich zu der Auswirkung des Wechsels zwischen Ladezugangsszenarien gering.

a,c, Der maximale 1-Stunden-Anstieg im durchschnittlichen Tagesprofil der Nachfrage nach fossiler Brennstofferzeugung in jedem Ladeszenario für 50 % (gestrichelte Linien) und 100 % Einführung von Elektrofahrzeugen (durchgezogene Linien) (a) und über alle Einführungsstufen hinweg ( C). b,d, Die Werte für 50 %, 100 % (b) und andere Stufen der Einführung von Elektrofahrzeugen (d) der jährlichen Gesamtmenge der überschüssigen nichtfossilen Kraftstofferzeugung. In jedem Szenario wurden 10 GW Netzspeicher betrieben, um die Nettonachfrage zu glätten. Wir stellen fest, dass sowohl der Anstieg als auch die übermäßige Erzeugung nichtfossiler Brennstoffe in Szenarien mit geringer Heimladung und hoher Tagesladung geringer sind. In Szenarien mit hoher Aufladung zu Hause nimmt die Rampe mit der Hinzufügung von Elektrofahrzeugen zu, in Szenarien mit hoher Aufladung am Tag nimmt sie jedoch ab; Durch die Erhöhung des Ladebedarfs für Elektrofahrzeuge verringert sich die Menge der überschüssigen nichtfossilen Kraftstofferzeugung in allen Szenarien, am schnellsten in jenen mit mehr Tagesladungen.

An einigen unserer modellierten Tage im Jahr übersteigt die Erzeugung nichtfossiler Brennstoffe die Nachfrage. Ohne die Modellierung der Übertragung können wir nicht feststellen, ob diese überschüssige Erzeugung eingeschränkt oder in eine andere Region exportiert wird. In beiden Fällen könnte es für WECC eine verpasste Gelegenheit darstellen, seine Emissionen zu reduzieren und die Nutzung nichtfossiler Brennstoffquellen zu steigern. Ohne Elektrofahrzeuge beträgt die gesamte jährliche überschüssige nichtfossile Brennstofferzeugung etwa 2,8 TWh. Diese Menge nimmt in allen Szenarien ab, wenn mehr Elektrofahrzeuge hinzugefügt werden, am schnellsten in Szenarien mit mehr Tagesladungen, wie in Abb. 6 dargestellt. Im „Business As Usual“-Szenario mit 50 % Elektrofahrzeugeinführung sind es 1,3 TWh; Bei einer 100-prozentigen Einführung von Elektrofahrzeugen sinkt dieser Wert auf nur 0,5 TWh. Szenarien mit hoher Tagesladung passen besser zur erneuerbaren Energieerzeugung und nutzen mehr von dieser überschüssigen Energie (Ergänzende Anmerkung 7). Auch hier hat die Änderung des Ladezugangs einen größeren Effekt als das Hinzufügen von Kontrolle.

Die Auspuffemissionen für in den USA verkaufte Personenkraftwagen mit Verbrennungsmotor variieren je nach Typ (Ergänzende Anmerkung 8). Da leichte Nutzfahrzeuge und Sport Utility Vehicles (SUVs) das beliebteste Segment sind, schätzt die US-Umweltschutzbehörde (EPA), dass der durchschnittliche Personenkraftwagen in den Vereinigten Staaten etwa 404 g CO2 pro Meile aus seinem Auspuff ausstößt62. Limousinen emittieren weniger; Der Honda Civic 2019 beispielsweise stößt etwa 276 g CO2 pro Meile aus (Ref. 63). Wir stellen fest, dass die zusätzlichen Netzemissionen von CO2 pro Meile des Ladens von Elektrofahrzeugen in WECC wesentlich geringer sind und zwischen 84 g und 88 g CO2 pro Meile in einem Basisszenario für erneuerbare Energien im Jahr 2035 mit 50 % Elektrofahrzeugeinführung oder zwischen 89 g und 93 g liegen CO2 pro Meile bei 100-prozentiger Einführung von Elektrofahrzeugen. Dies entspricht einer mehr als vierfachen Verbesserung der Betriebsemissionen im Vergleich zu einem durchschnittlichen Fahrzeug mit Verbrennungsmotor oder einer dreifachen Verbesserung im Vergleich zu einer Limousine, die in Größe und Stil mit den hier modellierten Elektrofahrzeugen vergleichbar ist (Methoden und Ergänzende Anmerkung 8). Ähnliche Rückgänge bei SO2 und NOX werden ebenfalls beobachtet (Ergänzende Abbildungen 8 und 9).

Szenarien mit weniger Ladestationen zu Hause führen zu geringeren CO2-Emissionen pro Meile, wie in Abb. 7 dargestellt. Dieses Ergebnis ist sowohl bei Netzszenarien als auch bei der Einführung von Elektrofahrzeugen konsistent. Im Basisszenario „Mittlere erneuerbare Energien“ mit 3,5-fachem und 3-fachem Solar- und Windanteil im Jahr 2019 beträgt die Spanne zwischen dem besten und dem schlechtesten Fall 5 % bei 50 % EV-Einsatz oder 4,5 % bei 100 % EV-Einsatz. Bei einem hohen Anteil erneuerbarer Energien auf dem 5-fachen Niveau von 2019 sehen wir einen größeren Unterschied bei den Emissionen zwischen den Szenarien. Universal Home hat bis zu 36 % höhere Emissionen pro Meile als Low Home, High Work Access mit 50 % Elektrofahrzeugen oder bis zu 23 % höhere Emissionen mit 100 % Elektrofahrzeugen.

a–d, Die zusätzlichen CO2-Emissionen, die mit der zusätzlichen Nachfrage nach Ladestationen für Elektrofahrzeuge verbunden sind, werden für zwei Stufen der Einführung von Elektrofahrzeugen – 50 % (a,c) und 100 % (b,d) – und zwei Szenarien der erneuerbaren Energieerzeugung im Jahr 2035 angezeigt: die Basis Fall Mittlere Erneuerbare Energien mit 3,5-fachem und 3-fachem Wind- und Solarstrom von 2019 (a,b) und Hohe Erneuerbare Energien mit jeweils 5-fachem Niveau von 2019 (c,d). Wir stellen fest, dass Tagesladeszenarien unter beiden Netzbedingungen geringere Emissionen verursachen als Heimladeszenarien. Die Emissionen im schlimmsten Szenario sind um 5,0 % bzw. 36,6 % höher als im besten Szenario, und zwar in den beiden Netzen mit einer 50-prozentigen Einführung von Elektrofahrzeugen. Wir sehen die gleichen Trends bei einer 100-prozentigen Einführung von Elektrofahrzeugen, mit etwas geringeren Spreads von 4,5 % und 23,0 % zwischen dem besten und dem schlechtesten Szenario. e, Das mittlere (50. Perzentil) Profil der durchschnittlichen und marginalen Emissionen für Wochentage im Jahr 2035; Die schattierten Bänder zeigen den Bereich vom 25. bis 75. Perzentil und verdeutlichen die Unsicherheit. f,g, Die Merit Order der Generatoren, geordnet nach Kosten, wie sie vom Dispatch-Modell77 verwendet werden: Erzeugungskosten (f) und CO2-Emissionsrate (g) für jeden Generator. Die Breite des Balkens für jeden Generator zeigt seine Kapazität an. Die Dispatch-Reihenfolge ist das ganze Jahr über stark variabel, mit variablen historischen Kraftstoffpreisen und die wöchentliche Merit Order mischt die Generatoren auf diese Weise. Weitere Wochen sind in der ergänzenden Abbildung 12 dargestellt.

Unterschiedliche Ladesteuerungsstrategien verändern unser Ergebnis nicht um mehr als 2 %. Unkontrolliertes Laden am Arbeitsplatz passt gut zur Solarenergieerzeugung, und wir sehen, dass eine durchschnittliche Emissionsminimierungskontrolle die Emissionen im Vergleich zu unkontrolliertem Laden nicht wesentlich reduziert. Dies liegt zum Teil daran, dass durchschnittliche und marginale Emissionen nicht übereinstimmen. Aufgrund der hohen Solarenergieerzeugung sind die durchschnittlichen Emissionen tagsüber niedrig, die Grenzemissionen sind jedoch tagsüber häufig höher als zu anderen Zeiten (Ergänzende Abbildungen 10 und 11). Obwohl die durchschnittlichen Emissionen zurückgegangen sind, sind die Grenzemissionen in den Vereinigten Staaten im letzten Jahrzehnt gestiegen64. Als festes Ziel für die Kontrolle wurden die durchschnittlichen Emissionen über das ganze Jahr hinweg herangezogen. Dies führte zu einer geringfügig besseren Nutzung der überschüssigen nichtfossilen Brennstofferzeugung, wie wir in Abb. 7 sehen konnten, es gab jedoch nur bis zu 100 Tage im Jahr, an denen eine überschüssige nichtfossile Brennstofferzeugung angestrebt werden konnte. An den anderen Tagen erhöhte diese Kontrolle tagsüber die Nachfrage nach Generatoren für fossile Brennstoffe mit oft hohen Grenzemissionen.

Eine Verbesserung dieses Steuerungsdesigns wäre jedoch schwierig, da sich das Profil der Grenzemissionen und die Einsatzreihenfolge der Generatoren im Laufe des Jahres ändern. Abb. 7b zeigt die hohe Unsicherheit bei den marginalen Emissionsfaktoren, die oft am Mittag höher sind, und den durchschnittlichen Emissionsfaktoren, die am Mittag am niedrigsten sind. Abb. 7c zeigt die Merit Order der fossilen Brennstoffgeneratoren für eine Woche in der Jahresmitte. Sowohl Generatoren mit hohen als auch mit niedrigen Emissionen sind in der gesamten Merit Order vorhanden, das tägliche Profil der Grenzemissionsfaktoren ist sehr unterschiedlich und eine sich ändernde Nachfrage nach diesen Generatoren hat einen inkonsistenten, geringen Einfluss auf die Gesamtemissionen.

Die aktuelle Netzplanung hängt von Modellen des zukünftigen Ladebedarfs ab. In dieser Studie wurde die Sensitivität dieser Pläne gegenüber unterschiedlichen Laderealisierungen anhand von Szenarien des Fahrerverhaltens, der Infrastruktur und der Kontrolle getestet. In Abb. 8 testen wir die Sensitivität unserer Ergebnisse gegenüber Aktualisierungen in der Netzplanung. In jedem Fall kommen wir zu der gleichen Schlussfolgerung: Der niedrige Ladezugang zu Hause reduziert die Netzemissionen von Elektrofahrzeugen, den Speicherbedarf, das Hochfahren und die übermäßige Erzeugung nichtfossiler Brennstoffe im Vergleich zu Szenarien mit hohem oder universellem Ladezugang zu Hause. Die Kosten und Emissionsvorteile jedes Ladeszenarios werden in der Ergänzenden Anmerkung 9 erläutert.

Wir testen 10 % Steigerungen (durchgezogene Linien) und 10 % Abnahmen (gestrichelte Linien) der Kapazität der Solar-, Wind-, Gas- und Kohleerzeugung. Zur besseren Lesbarkeit zeigen wir die Ergebnisse nur für unkontrollierte Ladeszenarien. a–h, Das Ergebnis für 50 % EV-Einsatz (a–d) und das Ergebnis für 100 % EV-Einsatz (e–h). In jedem Fall stellen wir fest, dass die Hauptschlussfolgerung zutrifft: Tagesladeszenarien reduzieren die Netzauswirkungen im Vergleich zu Szenarien mit hoher Heimladung. Durch die Erweiterung der Wind- und Solarkapazität werden die Netzemissionen verbessert, insbesondere beim Laden am Tag. Eine Erhöhung der Kapazität von Gas und Kohle um 10 % reicht aus, um die Notwendigkeit einer Netzspeicherung zur Deckung des Ladevorgangs für 50 % der Einführung von Elektrofahrzeugen zu eliminieren, da sowohl die zusätzliche Kapazität als auch die Netzspeicherung wie Spitzenerzeuger wirken. Nur der Anstieg der Solar- und Windenergie oder die Menge der überschüssigen nichtfossilen Brennstofferzeugung, da beide Ergebnisse vom Profil der Nettonachfrage abhängen. Dabei werden folgende Kurzformen für die Zugangsszenarien verwendet: UH = Universal Home; HH = Hohes Zuhause; LHLW = Low Home, Low Work; LHHW = Niedriges Zuhause, hohe Arbeit. Bei der Kennzeichnung werden folgende Abkürzungen verwendet: chg = change; cap = Kapazität; und gen = Generation.

In den ergänzenden Abbildungen bieten wir eine Sensitivitätsanalyse für Erdgaspreise, Fahrzeugbatteriekapazität und die Verbreitung von Schnellladungen. 17–19.

Unsere Ergebnisse zeigen das Potenzial der Ladeinfrastruktur zur Verbesserung der Netzintegration von Elektrofahrzeugen in WECC bei hoher Akzeptanz. Im künftigen Netz mit einer höheren Stromerzeugung aus erneuerbaren Energien ist das Timing wichtiger und die Nettonachfrage erzählt eine ganz andere Geschichte als die Gesamtnachfrage. Durch die Umstellung der Fahrer von zu Hause auf das Laden am Tag werden alle Kennzahlen der Netzauswirkungen verbessert, einschließlich Hochfahren, Nutzung nicht fossiler Brennstoffe, Speicheranforderungen und Emissionen. Diese Erkenntnisse sind über die unterschiedlichen Stufen der Einführung von Elektrofahrzeugen hinweg robust.

Unsere Ergebnisse erfordern einen erweiterten Zugang zum Laden am Tag. Eine bloße Einschränkung des Ladens zu Hause könnte sich negativ auf die Akzeptanz auswirken und zu einem ungleichen Zugang zum Besitz von Elektrofahrzeugen beitragen. Die politischen Entscheidungsträger sollten sicherstellen, dass Lademöglichkeiten tagsüber bequem, kostengünstig, weit verbreitet und für die Öffentlichkeit zugänglich sind.

Während die durch den Wechsel zwischen Ladeszenarien erzielten Emissionsreduktionen bei einem mittleren Anteil erneuerbarer Energien bescheiden ausfallen, ist der erforderliche Netzspeicherbedarf erheblich. Die Speicherung ist teuer, die derzeitige Netzdurchdringung ist gering und die Branche steht angesichts anderer Netzherausforderungen bereits unter dem Druck, ihre Kapazitäten zu vergrößern. Durch die Vermeidung der abendlichen Spitzenlast und eine bessere Ausrichtung auf erneuerbare Energien reduzieren Tagesladeszenarien die für das Laden von Elektrofahrzeugen erforderliche Speichermenge und geben ihnen die Möglichkeit, andere Dienste bereitzustellen.

Unsere Ergebnisse zeigen auch Herausforderungen bei der Gebührensteuerung auf der Grundlage bestehender und vorgeschlagener Tarifpläne. Zentrale Steuerungen der Netzbetreiber können diese Situation ändern und einen reibungslosen Netzbetrieb gewährleisten.

Wir zeigen einen Konflikt zwischen den Vorteilen auf System- und Standortebene auf. Eine Spitzenminimierungskontrolle ist an kommerziellen Standorten weit verbreitet und basiert auf Gerätekapazitätsgrenzen und Stromtarifen, um die Infrastruktur des Verteilungssystems zu schützen7. Allerdings erhöht die Verteilung des Ladevorgangs am Arbeitsplatz über den Tag hinweg die Nachfrage am späten Nachmittag, wenn ein hoher Grundbedarf und eine abnehmende Solarenergieerzeugung das Netz bereits auf der Erzeugungsebene belasten, was zu einem höheren Speicherbedarf führt. Angesichts der hohen Kosten für die Modernisierung des Netzspeichers und des Verteilungssystems sind weitere Untersuchungen erforderlich, um den Kompromiss zwischen diesen Zielen zu bewerten.

Ein ähnlicher Konflikt wurde kürzlich im Vereinigten Königreich bei der talfüllenden Kontrolle des Ladens von Privathaushalten festgestellt28. Dies stellt auch eine Spannung zwischen kurzfristigen Bedenken hinsichtlich der Modernisierung der Infrastruktur und langfristigen Bedenken hinsichtlich der Dekarbonisierung des Netzes dar. Die Energieversorger in Kalifornien verzichten auf Verbrauchsgebühren an kommerziellen Standorten für Elektrofahrzeuge, um die wirtschaftlichen Argumente für Stationsbetreiber zu verbessern und die Einführung zu fördern65. Ein ähnliches Problem entsteht bei der Tarifgestaltung für Privathaushalte zwischen einfachen und komplexen Strukturen, die bessere Auswirkungen auf das Netz haben54, aber praktische, regulatorische und ethische Herausforderungen mit sich bringen, die mit der Zuweisung unterschiedlicher Tarife an benachbarte Kunden verbunden sind.

Wir stellen fest, dass eine Arbeitsplatzsteuerung, die darauf ausgelegt ist, das Laden an niedrige durchschnittliche Netzemissionen anzupassen, bei der Umsetzung keine sinnvollen Reduzierungen ermöglicht. Die hohe Variabilität in der Einschaltreihenfolge der Generatoren und im Profil der Grenzemissionen macht die Gestaltung emissionsreduzierender Tarifpläne zu einer Herausforderung. Zusätzlich zum Ausgleich der Auswirkungen auf Verteilungs- und Erzeugungsebene sollten künftige Stromtarife besser mit den Großhandelsstrompreisen harmonieren und könnten von Tag zu Tag je nach Netzerzeugungsbedingungen variieren.

Unterschiedliche Annahmen hinsichtlich der künftigen Grundnachfrage und der Erzeugungsressourcen könnten zu unterschiedlichen Ergebnissen führen und möglicherweise die Dynamik der Tages- und Nachtladung umkehren. Beispielsweise könnte das kontrollierte Laden zu Hause in Systemen mit geringem Nachtbedarf und hoher Abhängigkeit von der Winderzeugung über Nacht am besten geeignet sein. Ebenso könnten saisonale Effekte, die durch sich ändernde Außentemperaturen verursacht werden, die Ergebnisse in einigen Regionen beeinflussen. Die Kopplung sollte auch mit unterschiedlichen Elektrifizierungsszenarien in anderen Sektoren als dem Transportwesen und mit unterschiedlichen Wegen zur Netzdekarbonisierung untersucht werden. In jedem Fall kommt es auf die Tageszeit des Ladevorgangs an.

Der Bau neuer Ladestationen stellt eine leistungsstarke, über mehrere Jahre angelegte Form der Ladesteuerung dar, um die Auswirkungen des Ladens von Elektrofahrzeugen zu verbessern, eine gleichberechtigte breite Einführung zu unterstützen, Emissionen zu reduzieren, die Integration erneuerbarer Energien zu unterstützen und den Übergang zu einer dekarbonisierten Zukunft zu erleichtern.

Wir entwickeln ein Modell für das Laden von Elektrofahrzeugen und das Stromnetz, um die Auswirkungen des Ladebedarfs auf Emissionen, Netzkapazität, Kosten, Speicherung und Integration erneuerbarer Energien im Jahr 2035 zu untersuchen (Abb. 1a). Zunächst entwickeln wir Szenarien für den zukünftigen minutengenauen Ladebedarf von Elektrofahrzeugen und modellieren das Ladeverhalten der Fahrer in den WECC-Staaten mithilfe eines probabilistischen, datengesteuerten Modells des Fahrerverhaltens und des Ladevorgangs. Anschließend untersuchen wir verschiedene Szenarien zum kontrollierten Laden oder zur Änderung des Zugangs des Fahrers zum Laden zu Hause und am Arbeitsplatz. Wir modellieren das kontrollierte Laden sowohl im Wohn- als auch am Arbeitsplatz auf Basis der bestehenden Stromtarife. Wir wiederholen das typische Tagesprofil an Wochentagen und Wochenenden für jedes Ladeszenario, um den Ladebedarf eines ganzen Jahres abzubilden. Zweitens erweitern wir ein bestehendes Modell des Stromnetzes, um die Bedingungen und den Betrieb im Jahr 2035 darzustellen, indem wir ein Dispatch-Modell mit reduzierter Ordnung verwenden, um den Einsatz von Generatoren für fossile Brennstoffe zu simulieren und zukünftige Niveaus der erneuerbaren Energieerzeugung und Netzspeicherung zu berücksichtigen. Anschließend berechnen wir durch die Kombination der beiden Elemente die Netzauslastung über alle 8.760 Stunden im Jahr und die Emissionen, die mit der zusätzlichen Nachfrage durch das Laden von Elektrofahrzeugen verbunden sind, um die Auswirkungen jedes Szenarios zu untersuchen.

Der Ladebedarf für Elektrofahrzeuge hängt vom Fahrerverhalten und dem Fahrzeugtyp ab: wo, wann, wie, wie oft und wie viel jeder Fahrer lädt. Um den Ladebedarf in WECC zu modellieren, bauen wir auf unserem früheren Lademodell auf und erweitern es erheblich, bei dem Fahrer anhand ihres beobachteten Ladeverhaltens in verschiedene Gruppen eingeteilt wurden52. Der vollständige Modellierungsansatz wird hier detailliert beschrieben.

Hier modellieren wir nur persönliche, leichte Nutzfahrzeuge und modellieren keine Szenarien für gewerbliche mittelschwere und schwere Nutzfahrzeuge. Nutzfahrzeuge folgen sehr unterschiedlichen Lademustern, die eher durch den Zeitplan als durch das individuelle Verhalten oder die Vorlieben des Fahrers bestimmt werden. Für mittelschwere und schwere Nutzfahrzeuge wird es ebenfalls unterschiedliche Zeitpläne für die Einführung geben66.

Das Ladeprofil eines Fahrers wird von den Mobilitätsbedürfnissen, den Eigenschaften des Fahrzeugs und vor allem vom Zugang zu Lademöglichkeiten an verschiedenen Standorten beeinflusst. Die für diese Studie verwendeten Daten erfassen ein breites Spektrum an Verhaltensweisen von Fahrern verschiedener Marken und Modelle von Elektrofahrzeugen.

Um das Ladeverhalten von Fahrern aus einkommensschwächeren Gruppen, zukünftigen Anwendern und anderen Fahrern, die in historischen Ladedaten unterrepräsentiert sind, zu modellieren, haben wir diese drei Faktoren als Zwischenprodukt verwendet: Wir parametrisieren das beobachtete Verhalten aktueller Fahrergruppen in Bezug auf ihren Energiebedarf und die Fahrzeugbatterie Kapazität und Zugang zu Gebühren und modellieren Sie, wie sich diese Faktoren ändern würden, um zukünftige Treiber für unterschiedliche Einkommen oder Wohnverhältnisse in verschiedenen Regionen der Vereinigten Staaten darzustellen. Das probabilistische Modell der Ladenachfrage, das diese Merkmale verbindet, ist in Abb. 1b dargestellt.

Jede Verbindung in Abb. 1b stellt eine bedingte Abhängigkeit dar: Anhand der Region des Fahrers modellieren wir die Wahrscheinlichkeit, dass er über eine bestimmte Wohnart, ein bestimmtes Einkommensniveau und eine bestimmte jährliche Fahrtdistanz verfügen würde; Unter Berücksichtigung des Einkommens und der Wohnart des Fahrers modellieren wir die Wahrscheinlichkeit, dass er über ein Fahrzeug mit großer oder kleiner Batteriekapazität verfügen würde, und seine Wahrscheinlichkeit, Zugang zu verschiedenen Arten von Lademöglichkeiten zu Hause oder am Arbeitsplatz zu haben; und basierend auf der jährlichen Fahrleistung des Fahrers modellieren wir seinen jährlichen Gesamtbedarf an Ladeenergie. Die Links wurden mithilfe einer Reihe von Eingaben und Datensätzen angepasst, die unten beschrieben werden.

Die Modellierung des gesamten Spektrums von Early-, Mid- und Late-Stage-Anwendern ist eine zentrale Herausforderung für die langfristige Planung von Elektrofahrzeugen. Late Adopters sind in den heutigen Daten am stärksten unter den Bewohnern von MUDs, Fahrern ohne Zugang zu Heimladegeräten und Fahrern mit Fahrzeugen mit kleiner Batterie vertreten. Mit dieser Methode werden die einzigartigen Verhaltensmuster der Fahrer in jedem dieser Segmente erfasst und neu skaliert, um zukünftige Ladeszenarien zu erstellen.

Die Fahrerverhaltensgruppen werden durch Clustering von Fahrern aus einem großen Datensatz realer Ladevorgänge identifiziert52; Jedes Cluster repräsentierte einen einzigartigen Fahrertyp mit einem Lademuster über verschiedene Segmente hinweg, wobei zu unterschiedlichen Tageszeiten und mit unterschiedlichen Frequenzen geladen wurde. Wir entwerfen den Merkmalsvektor für jeden Fahrer so, dass er die Batteriekapazität seines Fahrzeugs und Statistiken enthält, die seine Nutzung jedes Ladesegments beschreiben: die Anzahl der Sitzungen, die Häufigkeit des Ladens an Wochenenden statt an Wochentagen sowie die durchschnittliche Startzeit, Energie und Dauer der Sitzung innerhalb jedes Segments Segment. Wir modellieren die täglichen Ladeentscheidungen und Sitzungsparameter separat für die Fahrer in jeder Gruppe. Die Daten zeigen nach Berücksichtigung von Zugang, Energieverbrauch und Fahrzeugbatteriekapazität keine eindeutigen direkten Zusammenhänge zwischen den Verhaltensgruppen der Fahrer und sozioökonomischen Indikatoren. Die von diesen Clustern beobachteten und erfassten Verhaltensweisen stellen offenbare Präferenzen echter Fahrer dar. Mehrere in anderen Studien festgestellte Verhaltensweisen werden in diesen Daten bestätigt, darunter beispielsweise das Vorhandensein von mehr und weniger risikoscheuen Fahrern, die ausgeprägte Gewohnheit, regelmäßig zu laden, und die gemischte Nutzung verschiedener Infrastrukturen13,67. Diese aufgedeckten Verhaltensweisen unterscheiden sich von denen, die durch Umfragen zu angegebenen Präferenzen ermittelt wurden17. Die Ankunftszeiten wurden anhand von Daten aus der National Household Transportation Survey 2016–201768 über verschiedene Haushaltseinkommensniveaus der Befragten in der Bay Area weiter validiert (Ergänzende Anmerkung 4).

Um die im Papier vorgestellten Szenarien zu generieren, modellieren wir den Ladebedarf für jeden Landkreis in den 11 wichtigsten Bundesstaaten im WECC separat und aggregieren die regionalen Profile. WECC bezieht sich auf die Western Interconnection, die vom Western Electricity Coordinating Council überwacht wird. In dieser Studie haben wir die kanadischen und mexikanischen Teile des Territoriums ausgeschlossen. Bei der Erstellung der Gesamtnachfrage verlagern wir den gesamten Ladebedarf auf die pazifische Zeit.

Durch die Verkettung der Wochentags- und Wochenendprofile zur Erstellung eines Ladejahres gehen wir davon aus, dass saisonale Effekte durch Änderungen der Außentemperatur vernachlässigt werden können.

Wir haben aus Volkszählungs-, Gemeinde- und Verbraucherumfragedaten auf die Anzahl der Personenkraftwagen und die Verteilung der Wohntypen, Haushaltseinkommen und Reisenachfrage auf Kreisebene zugegriffen45,69. Wir modellieren die Abhängigkeit des Zugangs zu Wohngebühren vom Einkommen und der Wohnart anhand von Daten aus einer Umfrage unter Kaliforniern aus dem Jahr 2021, die gemeinsam von der California Energy Commission und dem National Renewable Energy Laboratory70 durchgeführt wurde. Die Umfrage definiert drei Klassen für das jährliche Haushaltseinkommen: bis zu 60.000 US-Dollar, zwischen 60.000 und 100.000 US-Dollar und mehr als 100.000 US-Dollar. Wir ordnen die Umfragewohnungstypen den fünf Kategorien in den Volkszählungsdaten zu: SFH-Einfamilienhäuser, SFH-Anbauwohnungen, Wohnungen in niedrigen und mittleren Etagen, Wohnungen in Hochhäusern und Mobilheime. Wir modellieren den Zugang zu Ladestationen am Arbeitsplatz auf der Grundlage einer Umfrage unter kalifornischen Pendlern aus dem Jahr 201812. Wir modellieren die Abhängigkeit der Batteriekapazität vom Fahrereinkommen anhand von Daten des California Clean Vehicle Rebate Project zu über 400.000 Käufen von Elektrofahrzeugen in Kalifornien zwischen 2010 und 202071.

Um das Fahrerverhalten zu modellieren, verwenden wir einen Datensatz von über 2,8 Millionen Ladevorgängen von 27,7 Tausend Fahrern batterieelektrischer Fahrzeuge, die 2019 von einem großen Anbieter von Ladestationen in der kalifornischen San Francisco Bay Area aufgezeichnet wurden. Jeder Sitzung ist eine eindeutige Fahrer-ID zugeordnet und Startzeit, Endzeit, Energie, Laderate und Standortkategorie sind bekannt. Die Sitzungen decken fünf Segmente ab: Laden der Stufe 2 (L2) am Arbeitsplatz, öffentliches L2-Laden, öffentliches Schnellladen (DCFC), SFH-L2-Laden für Privathaushalte und MUD-L2-Laden für Privathaushalte. Die L2-Ladung erfolgte bei 6,6 kW und die DCFC-Ladung erfolgte bei 150 kW.

Die Datenbereinigung wird in der Ergänzenden Anmerkung 2 und den Ergänzenden Methoden ausführlicher beschrieben, und Statistiken zu den Treibern und Sitzungen werden in den Ergänzenden Abbildungen dargestellt. 1–3. 75 % der Sitzungen finden am Arbeitsplatz statt, gefolgt von 17 % in der Öffentlichkeit, 8 % an SFHs und weniger als 1 % (3.592 Sitzungen) an MUDs. Von den Fahrzeugen verfügen 53 % über große Batteriekapazitäten (größer 50 kWh) und 47 % über kleinere Batteriekapazitäten. Die häufigste Marke ist Tesla, gefolgt von Chevrolet und Nissan. Dieser Datensatz dient als offengelegte Präferenzdaten und enthält eine Vielzahl von Verhaltensweisen.

Wir gehen davon aus, dass alle Fahrer Zugang zu öffentlichen Lademöglichkeiten haben. Wir kennzeichnen den Ladezugang zu Hause oder am Arbeitsplatz für Fahrer im Datensatz basierend auf ihrer Ladehistorie im Jahr 2019. Wir modellieren kostenlose und kostenpflichtige Ladestationen am Arbeitsplatz als separate Zugangskategorien und weisen den kostenlosen Zugang Fahrern zu, deren durchschnittliche Sitzungsgebühr im Jahr 2019 unter 0,05 US-Dollar lag. Wir definieren vier Szenarien, indem wir den Zugang der Fahrer zum Laden variieren. Beim „Universal Home Access“ gehen wir davon aus, dass jeder Fahrer aller Wohnverhältnisse und Einkommensstufen Zugang zum Laden zu Hause hat. Für „Hoher Zugang zu Hause“ modellieren wir den Zugang zum Laden zu Hause auf der Grundlage des Szenarios „potenzieller Zugang mit Parkmodifikation“ aus der Umfrage70, wobei wir davon ausgehen, dass L2-Ladevorgänge für alle Fahrer installiert würden, die geantwortet haben, dass sie bei sich irgendeine Art von Ladestation installieren könnten Residenz. Sowohl bei „Universal Home Access“ als auch bei „High Home Access“ gehen wir davon aus, dass 50 % der Fahrer mit hohem Einkommen auf der Grundlage der Studie von 201812 Zugang zu Ladestationen am Arbeitsplatz haben würden, während Fahrer mit niedrigerem Einkommen mit geringerer Wahrscheinlichkeit Zugang haben würden. Für „Low Home, Low Work“ modellierten wir den Zugang zum Laden zu Hause auf der Grundlage des Szenarios „vorhandener Zugang“ aus der Umfrage70 und gingen davon aus, dass nur Fahrer, die bereits neben Ladegeräten der Stufe 1 (L1) parken, L2-Heimladegeräte installieren könnten . Für „Low Home, High Work“ haben wir das gleiche Modell eines geringen Zugangs zum Laden zu Hause verwendet, aber die Wahrscheinlichkeit des Zugangs zum Laden am Arbeitsplatz erhöht, begrenzt durch den Anteil der Kalifornier, die mit dem Auto fahren, um zur Arbeit zu pendeln45. Wir gehen in allen Fällen davon aus, dass das Laden am Arbeitsplatz für 75 % derjenigen mit Zugang kostenlos war. Die Szenarien sind in Abb. 1 und der ergänzenden Abb. 28 dargestellt.

Wir modellieren die Fahrzeugkaufentscheidungen in den Daten des Clean Vehicle Rebate Project mit logistischer Regression, wobei wir das Einkommen jedes Fahrers mit dem mittleren Haushaltseinkommen seiner Postleitzahl darstellen und hochwertige Fahrzeugmarken verwenden, um Fahrzeuge mit größerer Batterie darzustellen. Die durchschnittliche Wahrscheinlichkeit, dass ein Fahrer ein Fahrzeug mit großer Batterie kauft, beträgt 30,6 %, 33,2 % bzw. 37,9 % für Fahrer mit niedrigem, mittlerem und hohem Einkommen. Wir modellieren die Verteilung des gesamten jährlichen Energieverbrauchs der Fahrer, indem wir einen hohen durchschnittlichen Wirkungsgrad zukünftiger Elektrofahrzeuge von 5 Meilen pro kWh (Ref. 72) mit vernachlässigbaren Verlusten bei der Ladeeffizienz annehmen und sieben Klassen definieren, die an den jährlichen Kilometerverteilungen ausgerichtet sind: (0, 600), (600, 1.000), (1.000, 1.600), (1.600, 2.000), (2.000, 3.000), (3.000, 4.000), (4.000, +) kWh. Wir gehen davon aus, dass die Verteilung von Elektrofahrzeugen über die Landkreise der aktuellen Verteilung von Personenkraftwagen bei dem in diesem Dokument untersuchten hohen Niveau der Elektrofahrzeugeinführung entsprechen wird.

Wir gruppieren die Treiber mittels agglomerativem Clustering mit der Ward-Methode. Der Clustering-Algorithmus wird mit jedem Treiber als separatem Cluster initialisiert. xd sei der normalisierte Merkmalsvektor, der den Treiber d beschreibt. Bei jedem Schritt wählt der Algorithmus zwei zu kombinierende Cluster aus, sodass die gesamte Varianz innerhalb des Clusters73 minimiert wird. Wobei Cl die Menge der Treiber in Cluster l bezeichnet und \({x}^{{C}_{l}}\) den Schwerpunkt der Merkmalsvektoren der Treiber in Cl darstellt, kann dies ausgedrückt werden als

Dadurch entsteht eine Hierarchie von Clustern; Zur Auswahl des optimalen Grenzwerts wird das Ellbogendiagramm verwendet, das den Grenznutzen jeder Erhöhung der Clusteranzahl zeigt. Wir gruppierten die Treiber in jedem Abschnitt der jährlichen Ladeenergie separat und fanden insgesamt 136 Gruppen. Das typische Lastprofil an Wochentagen für Fahrer in jeder Gruppe ist in der ergänzenden Abbildung 26 dargestellt.

Wir modellieren die Abhängigkeit der Fahrergruppe von Zugang, Batteriekapazität und Energie, indem wir die Verteilung der Cluster-Labels für Fahrer innerhalb jedes Behälters berechnen. Insbesondere wenn NA,B,E die Anzahl der Fahrer mit Zugriff A in Batteriekapazitätsklasse B und Energieklasse E bezeichnet und NG die Anzahl der Fahrer in Gruppe G bezeichnet, wird die Wahrscheinlichkeit berechnet als \(P(G| A, B,E)={N}_{A,B,E}\!^{G}/{N}_{A,B,E}\).

Die Wahrscheinlichkeit, dass ein Fahrer in einer bestimmten Gruppe an einem Wochentag oder Wochenendtag in jedem Segment lädt, wird anhand der Ladehistorie der Fahrer in der Gruppe modelliert. Für jede Fahrergruppe G und jedes Ladesegment z modellieren wir die gemeinsame Verteilung von Sitzungsparametern, Startzeit und Energie, s, unter Verwendung eines Gaußschen Mischungsmodells mit bis zu K = 10 Komponenten ref. 74). Die Wahrscheinlichkeitsdichtefunktion der Mischung kann daher ausgedrückt werden als:

Jede Komponente k im Mischungsmodell ist eine Gaußsche Verteilung und ihr Gewicht in der Mischung ist P(k). Jede Komponente stellt ein bestimmtes Muster des Ladeverhaltens dar, das in den in Segment z beobachteten Sitzungen für Fahrer in Gruppe G auftritt. In dieser Notation hat Komponente k den Mittelwert μk und die Standardabweichung σk und \({\mathcal{N}}\ ) ist eine Abkürzung für die Standard-Gaußsche Verteilungsformel.

Wir haben die Sensitivität des Ladeverhaltens für US-Bundesstaaten mithilfe der National Household Travel Survey68 getestet und festgestellt, dass alle Verhaltensunterschiede, die über die in unserem Modell des Energiebedarfs erfassten hinausgehen, gering waren.

Für eine kleine Anzahl von Batterie- und Energiebehältern gibt es keine Treiber mit MUD-Zugriff: Wir modellieren die Verhaltensgruppenverteilung für diese Behälter, indem wir andere Behälter in der MUD-Zugriffskategorie verwenden und sie zuerst nach Zugriff, dann nach Energie und dann so gut wie möglich abgleichen Batteriekapazität, basierend auf Beobachtungen der relativen Auswirkungen jedes einzelnen auf das Profil einer Gruppe. Bei der Modellierung des Ladezugangs zu Hause gehen wir davon aus, dass die Gebührenerhebung für Bewohner von Mobilheimen durch unsere Daten zu MUDs dargestellt werden könnte, und wir verringern die Ergebnisse der Umfrage um 50 %, um die spezifische Schwierigkeit der Installation von L2- statt L1-Ladung in einem Mobilheim widerzuspiegeln.

Aufgrund der probabilistischen Struktur mit offenem Regelkreis und der Größe der Zensus-Meilenabschnitte schwankt die jährliche Gesamtenergie geringfügig zwischen unkontrollierten Szenarien, von 8,654 × 107 MWh für das Szenario „Low Home High Work“ bis 8,994 × 107 MWh für das Szenario „Low Home High Work“. „Universal Home“-Szenario, ein Unterschied von weniger als 5 %.

Um den täglichen Ladebedarf in jedem Szenario zu generieren, verwenden wir dieses Modell, um jede Ladesitzung abzutasten und dies zu wiederholen, um das Laden für die Gesamtzahl der Fahrzeuge in jeder Region zu simulieren. Der Gesamtsatz der Sitzungen, ihre Startzeiten, Energien und Segmentladeraten wurden verwendet, um die unkontrollierten Ladelastprofile mit einer Zeitauflösung von 1 Minute zu definieren. Mit diesem Ansatz konnten wir in weniger als 9 Minuten auf einem Laptop die typischen Nachfrageprofile an Wochentagen und Wochenenden erstellen, die 48,6 Millionen Fahrer für jedes Szenario repräsentieren. Auf den Ausgang dieses Moduls wird kontrolliertes oder intelligentes Laden angewendet, wobei entweder der Satz von Sitzungsparametern oder die unkontrollierten Profile verwendet werden.

Wir modellieren zwei Arten des kontrollierten Ladens: Lastverlagerungssteuerung in Einfamilienhäusern, wo eine unkontrollierte Sitzung auf eine voreingestellte Startzeit verzögert wird; und Lastmodulationssteuerung an Arbeitsplätzen, bei der die Laderate jedes Fahrzeugs an einem Standort während seiner Sitzung moduliert wird, um das Gesamtlastprofil zu optimieren. Aufgrund der weiten Verbreitung konzentrieren wir uns auf das unidirektionale Laden. Trotz zunehmender wissenschaftlicher Forschung zu diesem Thema bestehen nach wie vor erhebliche regulatorische, soziale und technische Hindernisse für den breiten Einsatz von bidirektionalem oder Vehicle-to-Everything (V2X)-Laden. Zu diesen Herausforderungen gehören die Auswirkungen von V2X auf den Batteriezustand, die Akzeptanz von V2X-Programmen durch Fahrer, Auswirkungen auf Steuern und Garantien sowie die Entwicklung ausreichender Ladeprotokolle, Vorschriften und Standards41,75.

Um den Effekt der Lastmodulationskontrolle im großen Maßstab abzuschätzen, passen wir ein datengesteuertes Modell der Kontrollergebnisse für Standorte im kleineren Maßstab an und folgen dabei unserer von Powell et al.76 vorgeschlagenen Methode. Der vollständige Ansatz wird hier detailliert beschrieben. In jedem Fall erhält der Fahrer die gleiche Energiemenge wie ohne Regelung. Wir implementieren Spitzenminimierung und Durchschnittsemissionsminimierung.

Wir simulieren 1.000 Standorttage am Arbeitsplatz mit jeweils 150 Fahrzeugen, indem wir zufällig Stichproben aus den Ladevorgängen am Arbeitsplatz im Datensatz ziehen. Das Optimierungsproblem für jeden Ladetag unterliegt Einschränkungen, die die Laderate, das Ladezeitintervall und die Sicherstellung, dass jedes Fahrzeug die gleiche Energiemenge erhält wie in der unkontrollierten Sitzung, begrenzen. Wir gehen davon aus, dass die Sitzungsparameter im Voraus bekannt sind. Geschrieben als Funktionen der gesamten Standortlast L zu jeder Tageszeit t beträgt die kontrollierte Standortlast nach Spitzenminimierung \({L}^{* }=\,{{\mbox{argmin}}}\,\,\ mathop{\max }\nolimits_{t}{L}^{t}\). Angesichts des täglichen durchschnittlichen Emissionsfaktorprofils et, das vom Versandmodell für ein Szenario ohne Ladebedarf für Elektrofahrzeuge simuliert wird, beträgt die kontrollierte Standortlast nach der Emissionsminimierung L* = argmin∑tetLt.

Wir verwenden die Ergebnisse, um ein datengesteuertes Modell der Kartierung von den unkontrollierten zu den kontrollierten Standortprofilen zu erlernen, f: L → L*. Wir modellieren f mit Ridge-Regression, normalisieren und unterteilen die 1.000 Standortprofile in Trainings-, Entwicklungs- und Testsätze und trainieren das Modell mit Kreuzvalidierung und einer Rastersuche über den Ridge-Parameter. Die quadratischen Mittelwertfehler des Modells im Entwicklungssatz für die Spitzenminimierungs- und Emissionsminimierungsoptimierungen betrugen 2,06 % bzw. 3,34 % der Spitzenlast.

In der Optimierungsformulierung zur Minimierung der Ladeemissionen am Arbeitsplatz haben wir einen kleinen Regularisierungsterm proportional zur Steigung des Gesamtprofils hinzugefügt, um eine reibungslosere, realistischere Ladeverteilung zu fördern.

Um die endgültigen Profile für die Arbeitsplatzkontrollszenarien zu modellieren, wenden wir das trainierte Modell für jedes Optimierungsziel auf das gesamte unkontrollierte WECC-Arbeitsplatzladeprofil an.

Über 31 % der Ladevorgänge für Privathaushalte in unserem Ladedatensatz zeigen die Verwendung von Timern, um die Startzeiten am Abend bis zum niedrigsten Preiszeitraum des örtlichen Energieversorgers zu verschieben. Wir gehen in allen Zukunftsszenarien mit Timern von der gleichen Rücklaufquote aus.

Wir modellieren die Lastverschiebungs-Timersteuerung, indem wir die Komponenten in den Gaußschen Mischungsmodellen des Sitzungsverhaltens identifizieren, die diese Verhaltensweisen darstellen, und ihre Startzeiten verschieben. Das Szenario „Zufällige Timer“ stellt einen theoretischen Fall dar, bei dem Bewohnern, die Timer verwenden, zufällig Tarifpläne mit den niedrigsten Preisperioden zugewiesen werden, die um 20:30 Uhr, 21:00 Uhr, 21:30 Uhr, 22:00 Uhr, ..., 2:00 Uhr und 2:00 Uhr beginnen: 30 Uhr. Um unkontrolliertes Laden in Wohngebieten zu modellieren, entfernen wir diese Komponenten aus den Mischungsmodellen und addieren ihr Gewicht zu anderen Komponenten mit abendlichen Startzeiten.

An Wochenenden sind die Energieverteilungen für Komponenten des Ladebedarfs in Privathaushalten variabler: Bei der Modellierung unkontrollierter Ladevorgänge in Privathaushalten zielen wir speziell auf Nicht-Timer-Komponenten ab, deren Energie den entfernten Timer-Komponenten am nächsten kommt.

Wir modellieren den US-Teil des WECC, indem wir auf dem von Deetjen und Azevedo57,77 vorgeschlagenen Generator-Dispatch-Modell reduzierter Ordnung aufbauen und das Modell erweitern, um sowohl die Erzeugung nichtfossiler Brennstoffe als auch die Netzspeicherung zu berücksichtigen.

Das Dispatch-Modell erstellt für jede Woche im Jahr eine Leistungsreihenfolge der Generatoren unter Verwendung historischer Kostendaten und verteilt die Generatoren nach den niedrigsten Kosten, um jede Stunde des Bedarfs zu decken. Kosten und Generatorverfügbarkeit werden je nach verfügbaren Daten wöchentlich oder monatlich aktualisiert, was zu 52 verschiedenen Merit Orders im Laufe des Jahres führt. Wir erstellen das Modell anhand der neuesten verfügbaren Daten aus dem Jahr 2019 und fügen mehrere Erweiterungen hinzu, um das zukünftige Netz darzustellen: Wir entfernen oder fügen Erzeugungseinheiten hinzu, basierend auf angekündigten Stilllegungen und Ergänzungen bis 2035; wir erhöhen die Grundnachfrage, um die Elektrifizierung in anderen Sektoren darzustellen; Wir berücksichtigen zwei Szenarien für eine verstärkte Erzeugung erneuerbarer Energien. Wir modellieren das Verhalten der geplanten Speichererweiterungen im Netzmaßstab und fügen den Bedarf aus unseren Ladeszenarien für Elektrofahrzeuge hinzu.

Da zur Berechnung der Erzeugungskosten für jede Anlage historische Daten zu Brennstoffpreis und -produktion verwendet werden, führen Faktoren wie Effizienz, Vertragsunterschied und Standort dazu, dass Anlagen desselben Typs unterschiedliche Erzeugungskosten haben. Infolgedessen sind die Generatoren hinsichtlich ihrer Emissionsraten nicht gut geordnet.

In der Literatur werden eine Reihe von Netzmodellen zur Auswirkung des Ladens von Elektrofahrzeugen verwendet, darunter Modelle zur Übertragung9,28, Einheitenbindung25,34 und andere29,32. Das von Deetjen und Azevedo57 vorgeschlagene Versandmodell mit reduzierter Ordnung ist schnell und rechenintensiv und ermöglicht es uns, viele Szenarien zu berechnen und zu vergleichen. Es ist außerdem Open Source, hochgradig anpassbar und basiert auf öffentlich verfügbaren Daten, sodass wir unser Modell des zukünftigen Grids auch Open Source teilen können. Eine detailliertere Literaturübersicht ist in der Ergänzenden Anmerkung 1 enthalten.

Die von der EPA über ihre kontinuierlichen Emissionsüberwachungssysteme gesammelten Daten geben den stündlichen Betrieb, den Kraftstoffverbrauch, die Kapazität und die Emissionen für jede Einheit zur Erzeugung fossiler Brennstoffe im WECC an78. Die von der EPA in ihrer Datenbank „Emissions and Generation Integrated Resource“ gesammelten Daten enthalten das Baudatum, die Brennstoffart und den Standort jeder Anlage79. Die vom Formular 923 der US Energy Information Administration gesammelten Daten geben Aufschluss über die Brennstoffeinkäufe und -preise für Kohle-, Erdgas- und Ölkraftwerke80. Der Zugriff auf die stündliche Stromerzeugung aus nichtfossilen Brennstoffquellen wie Kernkraft, Wasserkraft, Windkraft und Solarenergie erfolgte über die Website „Electric System Operating Data“ der US Energy Information Administration81.

Geplante und angekündigte Generationsänderungen für 2035 sind das Ergebnis von Kapazitätserweiterungsplanungsmodellen, die eine „Business As Usual“-Basisszenario-Prognose des Ladebedarfs für Elektrofahrzeuge umfassen. Wir verwenden die Ergebnisse dieser Modelle und Ankündigungen, um unser Modell der Netzerzeugung zu aktualisieren und dann den Anteil der Nachfrage von Elektrofahrzeugen zu ändern, um die Empfindlichkeit der Netzauswirkungen auf verschiedene Ladeszenarien zu testen.

Anlagen oder Einheiten, deren Stilllegung bis 2035 angekündigt ist, werden aus dem Generatorsatz entfernt56: 7.644 MW Erdgas und 17.175 MW Kohlekapazität. Angekündigte Zugänge werden berücksichtigt, indem die ähnlichsten bestehenden Anlagen dupliziert werden, wobei diejenigen priorisiert werden, die zuletzt online waren und sich in derselben Region wie die Zugänge befinden56: 14.283 MW Erdgas und keine Kohle.

Der Grundbedarf wird mit dem Faktor 1,16 skaliert, um die Elektrifizierung basierend auf dem Lastprofil „Referenzelektrifizierung“ und „Moderate Technologiefortschrittsszenario“ der Electrification Futures Study darzustellen48,82. Dieser Faktor wurde als durchschnittlicher prozentualer Anstieg des Verbrauchs gegenüber dem Niveau von 2018 in allen WECC-Bundesstaaten berechnet, mit Ausnahme derjenigen, die mit der Elektrifizierung des Verkehrs verbunden sind. Dabei wurden die von Mai et al.48 bereitgestellten Daten verwendet und zwischen den Jahren 2030 und 2040 interpoliert. Diese Schätzung stellt die dar Auswirkungen einer wachsenden Bevölkerung, prognostizierte „Business-as-usual“-Zuwächse beim Einsatz elektrischer Technologien zum Heizen, Kühlen, Kochen und anderen Endanwendungen48 sowie moderate Verbesserungen bei Technologie und Effizienz83.

Wir entwickeln zwei Szenarien für den Ausbau der erneuerbaren Energieerzeugung auf der Grundlage jüngster Prognosen, die durch den kalifornischen Senatsentwurf 100, den „100 Percent Clean Energy Act of 2018“,58 angeregt wurden. Wir gehen davon aus, dass sich die für Kalifornien prognostizierten Kapazitätssteigerungen auf die gesamte WECC-Region auswirken könnten. Unser „Mittlere erneuerbare Energien“-Szenario basierend auf den Prognosen für 2035 geht davon aus, dass die Wind- und Solarkapazität das 3-fache bzw. 3,5-fache des Niveaus von 2019 erreichen wird; und unser „High Renewables“-Szenario basierend auf den Prognosen für 2045 beziffert die Wind- und Solarkapazität jeweils auf das Fünffache des Niveaus von 2019. Basierend auf demselben Bericht58,84 modellieren wir eine Basismenge an Batteriespeicher in WECC mit einer Kapazität von 10 GW und einer Dauer von 4 Stunden.

Wir berechnen den künftigen Bedarf von Generatoren mit fossilen Brennstoffen, Dff, indem wir die angepasste, nicht auf fossilen Brennstoffen basierende Erzeugung, Gnon-ff, vom Gesamtbedarf, Dtotal, subtrahieren, um die Elektrifizierung um den Faktor αelect bereinigt und angepasst, um den zusätzlichen Bedarf einzubeziehen vom Laden von Elektrofahrzeugen, DEVs. Die Berechnung kann wie folgt ausgedrückt werden:

Wir verwenden die Multiplikatoren αsolar und αwind, um die erneuerbare Erzeugung anzupassen und gehen dabei davon aus, dass zukünftige Anlagen die gleichen Kapazitätsfaktoren und Betriebsabläufe wie im Jahr 2019 haben werden. Wir haben die 10 GW des Basisspeichers mit dem Ladeplan r1 vor der Auslastung für Spitzenwerte betrieben -Rasur, Optimierung des Betriebs, um die Norm des Bedarfs von Verbrennungsgeneratoren zu minimieren, \({r}_{1}\!^{* }=\,{{\mathrm{argmin}}}\,\,| | {D}_{{{\mathrm{comb}}}}-{r}_{1}| {| }_{2}\). Jegliche Übergeneration wird zu diesem Zeitpunkt begrenzt, um sicherzustellen, dass ein nicht-negativer Dff ausgelöst wird. Der endgültige Betrag, der an die Generatoren geschickt wurde, betrug

Wir wenden nach dem Generatorversand auch einen zweiten Speichertyp an, indem wir zusätzlichen Speicher verwenden, um nicht gedeckten Bedarf zu decken, und optimieren, um die minimal benötigte zusätzliche Kapazität von 4 Stunden Speicher zu ermitteln.

Die Kapazität des Netzes zur Unterstützung von Elektrofahrzeugen wird durch die maximale Gesamtkapazität der Generatoren in jeder Woche des Jahres begrenzt.

Um die Kapazität zu testen und die Auswirkungen bei geringerer Akzeptanz zu untersuchen, skalieren wir die Ausgabe des Modells für den Ladebedarf von Elektrofahrzeugen auf 100 % und gehen dabei von einer konstanten Verteilung der Akzeptanz aus.

Die Kapazitätsgrenze ist der erste Prozentsatz der Einführung von Elektrofahrzeugen, wenn die Gesamtlast einschließlich Elektrofahrzeugen nicht unterstützt werden kann. Diese Messung reagiert empfindlicher auf extreme Tage als die Untersuchung des Spitzenwerts an einem durchschnittlichen Tag, stellt jedoch eine echte Einschränkung und erhebliche Auswirkungen auf das Netz dar. Es stellt auch einen wichtigen Schwellenwert für die Netzzuverlässigkeit dar; Bei einem Betrieb nahe dieser Grenze ist es wahrscheinlich, dass das Netz an Tagen mit unterdurchschnittlicher Erzeugung oder überdurchschnittlicher Nachfrage nicht ausreicht.

Das Dispatch-Modell verwendet eine Heuristik, um minimale Ausfallzeitbeschränkungen für Kohlekraftwerke zu implementieren57. Wir gehen davon aus, dass diese Einschränkungen für die gleichen Zeiträume im zukünftigen Netz aktiv sein würden. Das Dispatch-Modell wird jede Woche auf der Grundlage historischer Daten zu Zeiträumen aktualisiert, in denen bestimmte Generatoren im Jahr 2019 offline waren, sodass die maximale Erzeugungskapazität jede Woche variiert. Wenn das Fenster, für das eine Mindestausfallzeitbeschränkung ausgelöst wird, die Grenze zwischen einer Woche und der nächsten überschreitet, wird die Kapazität in diesem Zeitraum durch die niedrigere der beiden Wochenkapazitäten begrenzt. Der Speicherbedarf wird hingegen nicht auf Basis wöchentlicher Limits berechnet, sondern anhand einer stündlichen Zeitreihe des Bedarfs, der beim Ausführen des Versandmodells nicht gedeckt werden konnte.

Prognosen zur Speicherkapazität im Jahr 2035 sind äußerst unsicher und decken ein breites Wertespektrum ab. Die angekündigten Zugänge im WECC führen zu einer etwa achtfachen Steigerung gegenüber dem Niveau von 202056. Obwohl Kalifornien bereits über mehr als das Dreifache der Netzspeicherkapazität aller anderen Bundesstaaten verfügt85, würde die Anforderung des Senats Bill 100-Berichts von 10 GW bis 2030 eine Verfünffachung des Niveaus von 0,2 GW im Jahr 2019 bedeuten (Ref. 58). Wir gehen davon aus, dass dieser Wert eine faire Basisprognose für die Gesamtinstallation im WECC bis 2035 darstellen würde.

Bei der zweiten Art der Speicherimplementierung, wenn wir zusätzliche Speicherkapazität hinzufügen, um einen nicht gedeckten Bedarf zu decken, beziehen wir einen kleinen Regularisierungsterm in das Ziel ein, einen reibungslosen Betrieb der Batterie zu gewährleisten. Der zusätzliche Speicher wird benötigt, um den Kapazitätsengpässen am Abend gerecht zu werden. Wir gehen davon aus, dass die Aufladung durch zusätzliche Solarenergie erfolgen würde, und führen keine Iterationen oder Neuverteilungen mit der zusätzlichen Nachfrage für die Aufladung des zusätzlichen Speichers durch.

Wir berechnen die Gesamtemissionen zu jeder Stunde als Summe der Emissionen jedes einzelnen ausgelieferten Generators. Der für jede Bedarfsstunde zuletzt eingesetzte Generator wird als Grenzerzeuger identifiziert und seine Emissionsrate in kgCO2 kWh−1 bestimmt den Grenzemissionsfaktor. Um die durch das Hinzufügen von Elektrofahrzeugen in jedem Szenario verursachten Emissionen zuzuordnen, subtrahieren wir die Gesamtemissionen vom Versand eines Parallelszenarios ohne Ladebedarf für Elektrofahrzeuge.

Wir berechnen die überschüssige Erzeugung nichtfossiler Brennstoffe, indem wir die überschüssige Erzeugung zu den Stunden summieren, in denen die Erzeugung nichtfossiler Brennstoffe den Bedarf übersteigt. Das Modell stellt keine Übertragung, Zusammenschaltung oder Überlastung dar; Daher modellieren wir nicht, ob die überschüssige Erzeugung eingeschränkt oder in eine andere Region exportiert wird.

Die in dieser Studie verwendeten Ladedaten können aus Datenschutzgründen für die einzelnen Fahrer nicht öffentlich zugänglich gemacht werden, aber die Modellobjekte und Ladeprofile, die mit diesen Daten kalibriert und in dieser Studie verwendet wurden, wurden unter https://data zur Verfügung gestellt. mendeley.com/datasets/y872vhtfrc/2 mit https://doi.org/10.17632/y872vhtfrc.2. Dieser Mindestdatensatz ermöglicht es, das Lademodell auszuführen und neue zukünftige Ladeszenarien zu testen. GVC ([email protected]) kann bei Fragen zum Zugang kontaktiert werden. Das Gittermodell wurde mit öffentlich verfügbaren Daten durchgeführt. Anweisungen zur Erfassung und Verarbeitung sind im Code unter https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact enthalten. Bei Fragen wenden Sie sich bitte an SP, IA oder RR.

Der für die in diesem Dokument vorgestellte Analyse verwendete Code wurde unter https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact mit DOI 10.5281/zenodo.7031008 verfügbar gemacht. Bei Fragen wenden Sie sich bitte an SP.

Bibra, E. et al. Global EV Outlook 2021: Beschleunigung der Ambitionen trotz der Pandemie (Internationale Energieagentur, 2021).

Bouckaert, S. et al. Netto-Null bis 2050: Ein Fahrplan für den globalen Energiesektor (Internationale Energieagentur, 2021).

McKerracher, C. et al. Ausblick auf Elektrofahrzeuge 2021: Zusammenfassung (BloombergNEF, 2021).

Coignard, J., MacDougall, P., Stadtmüller, F. & Vrettos, E. Werden Elektrofahrzeuge den Ausbau des Verteilungsnetzes vorantreiben?: Der Fall Kalifornien. IEEE Electrif. Mag. 7, 46–56 (2019).

Artikel Google Scholar

Muratori, M. Auswirkungen des unkoordinierten Ladens von Plug-in-Elektrofahrzeugen auf den Strombedarf von Privathaushalten. Nat. Energie 3, 193–201 (2018).

Artikel Google Scholar

Quiros-Tortos, J., Ochoa, L. & Butler, T. Wie Elektrofahrzeuge und das Stromnetz zusammenarbeiten: Lehren aus einem der größten Elektrofahrzeugversuche der Welt. IEEE Power Energy Mag. 16, 64–76 (2018).

Artikel Google Scholar

Powell, S. et al. Kontrolliertes Laden von Elektrofahrzeugen am Arbeitsplatz: Der Einfluss von Tarifplänen auf die Alterung von Transformatoren. Appl. Energie 276, 115352 (2020).

Artikel Google Scholar

Brinkel, N., Schram, W., AlSkaif, T., Lampropoulos, I. & van Sark, W. Sollten wir das Netz stärken? Kosten- und Emissionsoptimierung des Ladens von Elektrofahrzeugen unter verschiedenen Transformatorgrenzen. Appl. Energie 276, 115285 (2020).

Artikel Google Scholar

Kintner-Meyer, M. et al. Elektrofahrzeuge im großen Maßstab – Phase-I-Analyse: Hohe Auswirkungen der Einführung von Elektrofahrzeugen auf das Stromnetz im Westen der USA (Pacific Northwest National Laboratory, 2020).

Assembly Bill 2127 Electric Vehicle Charging Infrastructure Assessment (California Energy Commission, 2021); https://www.energy.ca.gov/programs-and-topics/programs/electric-vehicle-pricing-infrastructure-assessment-ab-2127

Muratori, M. et al. Zukünftige integrierte Mobilitäts-Energiesysteme: eine Modellierungsperspektive. Erneuern. Sust. Energy Rev. 119, 109541 (2020).

Artikel Google Scholar

Chakraborty, D., Bunch, DS, Lee, JH & Tal, G. Fordern Sie Treiber für das Ladeinfrastruktur-Ladeverhalten von Pendlern mit Plug-in-Elektrofahrzeugen. Transp. Res. D 76, 255–272 (2019).

Artikel Google Scholar

Lee, JH, Chakraborty, D., Hardman, SJ & Tal, G. Untersuchung von Lademustern für Elektrofahrzeuge: gemischte Nutzung der Ladeinfrastruktur. Transp. Res. D 79, 102249 (2020).

Artikel Google Scholar

Zhang, J., Yan, J., Liu, Y., Zhang, H. & Lv, G. Tägliche Ladelastprofile für Elektrofahrzeuge unter Berücksichtigung der Demografie der Fahrzeugnutzer. Appl. Energie 274, 115063 (2020).

Artikel Google Scholar

Pan, L., Yao, E. & MacKenzie, D. Modellierung der Wahl des Ladevorgangs für Elektrofahrzeuge unter Berücksichtigung von Risikoeinstellungen und Attribut Nichtanwesenheit. Transp. Res. C 102, 60–72 (2019).

Artikel Google Scholar

Hardman, S. et al. Eine Überprüfung der Verbraucherpräferenzen und Interaktionen mit der Ladeinfrastruktur für Elektrofahrzeuge. Transp. Res. D 62, 508–523 (2018).

Artikel Google Scholar

Hardman, S. & Tal, G. Verständnis der Einstellung von Elektrofahrzeugbesitzern in Kalifornien. Nat. Energie 6, 538–545 (2021).

Artikel Google Scholar

Wei, W., Ramakrishnan, S., Needell, ZA & Trancik, JE Elektrifizierungs- und Ladelösungen für Privatfahrzeuge für energiereiche Tage. Nat. Energie 6, 105–114 (2021).

Artikel Google Scholar

Mersky, AC, Sprei, F., Samaras, C. & Qian, ZS Wirksamkeit von Anreizen für die Einführung von Elektrofahrzeugen in Norwegen. Transp. Res. D 46, 56–68 (2016).

Artikel Google Scholar

Ledna, C., Muratori, M., Brooker, A., Wood, E. & Greene, D. Wie man die Einführung von Elektrofahrzeugen unterstützen kann: Kompromisse zwischen Investitionen in die Ladeinfrastruktur und Fahrzeugsubventionen in Kalifornien. Energiepolitik 165, 112931 (2022).

Artikel Google Scholar

Lee, JH, Hardman, SJ & Tal, G. Wer kauft Elektrofahrzeuge in Kalifornien? Charakterisierung der Heterogenität von Early Adopters und Prognose der Marktverbreitung. Energieres. Sozialwissenschaften. 55, 218–226 (2019).

Artikel Google Scholar

Brockway, AM, Conde, J. & Callaway, D. Ungleicher Zugang zu verteilten Energieressourcen aufgrund von Netzinfrastrukturbeschränkungen in Kalifornien. Nat. Energie 6, 892–903 (2021).

Artikel Google Scholar

Canepa, K., Hardman, S. & Tal, G. Ein früher Blick auf die Einführung von Plug-in-Elektrofahrzeugen in benachteiligten Gemeinden in Kalifornien. Transp. Richtlinie 78, 19–30 (2019).

Artikel Google Scholar

Building EV Infrastructure (CALeVIP, abgerufen am 9. September 2021); https://calevip.org/

Szinai, JK, Sheppard, CJ, Abhyankar, N. & Gopal, AR Reduzierte Netzbetriebskosten und Einschränkung erneuerbarer Energien durch Lademanagement für Elektrofahrzeuge. Energiepolitik 136, 111051 (2020).

Artikel Google Scholar

Zhang, J., Jorgenson, J., Markel, T. & Walkowicz, K. Wert für das Netz durch verwaltetes Laden basierend auf der kalifornischen Studie zum Anteil erneuerbarer Energien. IEEE Trans. Stromversorgungssystem. 34, 831–840 (2018).

Artikel Google Scholar

Wood, EW, Rames, CL & Muratori, M. Neue EVSE-Analysetools/-Modelle: Electric Vehicle Infrastructure Projection Tool (EVI-Pro) (National Renewable Energy Lab, 2018).

Crozier, C., Morstyn, T. & McCulloch, M. Die Möglichkeit des intelligenten Ladens, um die Auswirkungen von Elektrofahrzeugen auf Übertragungs- und Verteilungssysteme zu mildern. Appl. Energie 268, 114973 (2020).

Artikel Google Scholar

Manríquez, F., Sauma, E., Aguado, J., de la Torre, S. & Contreras, J. Die Auswirkungen von Ladesystemen für Elektrofahrzeuge auf die Planung des Ausbaus des Stromnetzes. Appl. Energie 262, 114527 (2020).

Artikel Google Scholar

Cheng, AJ, Tarroja, B., Shaffer, B. & Samuelsen, S. Vergleich der Emissionsvorteile zentraler und dezentraler intelligenter Ladeansätze für Elektrofahrzeuge: eine Fallstudie des kalifornischen Stromnetzes im Jahr 2030. J. Power Sources 401, 175–185 (2018).

Artikel Google Scholar

Zhang, C., Greenblatt, JB, MacDougall, P., Saxena, S. & Prabhakar, AJ Quantifizierung der Vorteile von Elektrofahrzeugen für das zukünftige Stromnetz im Mittleren Westen der USA. Appl. Energie 270, 115174 (2020).

Artikel Google Scholar

Doluweera, G., Hahn, F., Bergerson, J. & Pruckner, M. Eine szenariobasierte Studie über die Auswirkungen von Elektrofahrzeugen auf Energieverbrauch und Nachhaltigkeit in Alberta. Appl. Energie 268, 114961 (2020).

Artikel Google Scholar

Wolinetz, M., Axsen, J., Peters, J. & Crawford, C. Simulation des Werts der Integration von Elektrofahrzeugen und Netzen mithilfe eines verhaltensrealistischen Modells. Nat. Energie 3, 132–139 (2018).

Artikel Google Scholar

Chen, X. et al. Auswirkungen von Flottentypen und Lademodi für Elektrofahrzeuge auf die Emissionen bei unterschiedlichem Windkraftanteil. Nat. Energie 3, 413–421 (2018).

Artikel Google Scholar

Xu, Y., Çolak, S., Kara, EC, Moura, SJ & González, MC Planung für den Bedarf an Elektrofahrzeugen durch Kopplung von Ladeprofilen mit städtischer Mobilität. Nat. Energie 3, 484–493 (2018).

Artikel Google Scholar

Jenn, A., Clark-Sutton, K., Gallaher, M. & Petrusa, J. Umweltauswirkungen extrem schnellen Ladens. Umgebung. Res. Lette. 15, 094060 (2020).

Artikel Google Scholar

Sachan, S., Deb, S. & Singh, SN Verschiedene Ladeinfrastrukturen sowie intelligente Ladestrategien für Elektrofahrzeuge. Aufrechterhalten. Städte Soc. 60, 102238 (2020).

Artikel Google Scholar

McLaren, J., Miller, J., O'Shaughnessy, E., Wood, E. & Shapiro, E. CO2-Emissionen im Zusammenhang mit dem Laden von Elektrofahrzeugen: die Auswirkungen des Stromerzeugungsmixes, der Verfügbarkeit der Ladeinfrastruktur und des Fahrzeugtyps. Elektr. J. 29, 72–88 (2016).

Artikel Google Scholar

Needell, ZA, McNerney, J., Chang, MT & Trancik, JE Potenzial für eine umfassende Elektrifizierung des Privatfahrzeugverkehrs in den Vereinigten Staaten. Nat. Energie 1, 16112 (2016).

Artikel Google Scholar

He, Y., Kockelman, KM & Perrine, KA Optimale Standorte von US-Schnellladestationen für die Durchführung von Langstreckenfahrten mit batterieelektrischen Fahrzeugen. J. Cleaner Prod. 214, 452–461 (2019).

Artikel Google Scholar

Anwar, MB et al. Bewertung des Werts des verwalteten Ladens von Elektrofahrzeugen: eine Überprüfung der Methoden und Ergebnisse. Energieumwelt. Wissenschaft. 15, 466–498 (2022).

Artikel Google Scholar

Borlaug, B. et al. Elektrifizierung schwerer Lkw und die Auswirkungen der Depotladung auf Stromverteilungssysteme. Nat. Energie 6, 673–682 (2021).

Artikel Google Scholar

Coignard, J., Saxena, S., Greenblatt, J. & Wang, D. Saubere Fahrzeuge als Wegbereiter für ein sauberes Stromnetz. Umgebung. Res. Lette. 13, 054031 (2018).

Artikel Google Scholar

Black, D., MacDonald, J., DeForest, N. & Gehbauer, C. Vehicle-to-Grid-Demonstration auf dem Luftwaffenstützpunkt Los Angeles: Abschlussbericht des Projekts (Lawrence Berkeley National Laboratory, 2020).

Daten der American Community Survey des US Census Bureau (SimplyAnalytics, abgerufen am 13. August 2021); https://simplyanalytics.com/

Fideldy, A. Dezember Board Update Draft: 2020 Mobile Source Strategy (California Air Resources Board, 2020); https://ww2.arb.ca.gov/sites/default/files/2020-11/Draft_2020_Mobile_Source_Strategy.pdf

Mahone, A. et al. Tiefgreifende Dekarbonisierung in einer Zukunft mit hohem Anteil erneuerbarer Energien, aktualisierte Ergebnisse des California Pathways Model (California Energy Commission, 2018); https://www.energy.ca.gov/sites/default/files/2021-06/CEC-500-2018-012.pdf

Mai, T. et al. Studie zur Zukunft der Elektrifizierung: Szenarien der Einführung elektrischer Technologien und des Stromverbrauchs für die Vereinigten Staaten. NREL/TP-6A20-71500 (National Renewable Energy Laboratory, 2018); https://doi.org/10.2172/1459351

Abschlussbericht der California Joint Agencies Vehicle-Grid Integration Working Group (California Public Utilities Commission, 2020); https://www.gridworks.org/wp-content/uploads/2020/09/GW_VehicleGrid-Integration-Working-Group.pdf

Tarifpläne für Elektrofahrzeuge (EV) (Pacific Gas and Electric Company, abgerufen am 28. September 2021); https://www.pge.com/en_US/residential/rate-plans/rate-plan-options/electric-vehicle-base-plan/electric-vehicle-base-plan.page

Tarifoptionen für saubere Energietechnologie: Go Electric With a Great Plan (Southern California Edison, abgerufen am 28. September 2021); https://www.sce.com/residential/rates/electric-vehicle-plans

Powell, S., Cezar, GV & Rajagopal, R. Skalierbare probabilistische Schätzungen des Ladens von Elektrofahrzeugen unter Berücksichtigung des beobachteten Fahrerverhaltens. Appl. Energie 309, 118382 (2022).

Artikel Google Scholar

Chassin, DP et al. Schätzung der Trägheit des WECC-Systems anhand beobachteter Frequenztransienten. IEEE Trans. Stromversorgungssystem. 20, 1190–1192 (2005).

Artikel Google Scholar

Muratori, M. & Rizzoni, G. Reaktion auf die Nachfrage von Privathaushalten: dynamisches Energiemanagement und zeitveränderliche Strompreise. IEEE Trans. Stromversorgungssystem. 31, 1108–1117 (2015).

Artikel Google Scholar

SB 100 Joint Agency Report (California Energy Commission, California Public Utilities Commission und California Air Resources Board, 2021); https://www.energy.ca.gov/sb100

Brown, L. Pensionierungen der Generation: Angekündigte und mögliche Pensionierungen (WECC, 2020); https://www.wecc.org/Administrative/06_Brown_Retirements_October%202020.pdf

Deetjen, TA & Azevedo, IL Dispatch-Modell mit reduzierter Ordnung zur Simulation marginaler Emissionsfaktoren für den Energiesektor der Vereinigten Staaten. Umgebung. Wissenschaft. Technol. 53, 10506–10513 (2019).

Artikel Google Scholar

Zusammenfassung des SB 100 Joint Agency Report 2021: Erreichen von 100 % sauberem Strom in Kalifornien (California Energy Commission, California Public Utilities Commission und California Air Resources Board, 2021); https://www.energy.ca.gov/sb100

Mongird, K. et al. Kosten- und Leistungsbewertung der Grid-Energiespeichertechnologie 2020 (Pacific Northwest National Laboratory, 2021).

Cole, W., Frazier, AW & Augustine, C. Kostenprognosen für Batteriespeicher im Versorgungsmaßstab: Aktualisierung 2021 (National Renewable Energy Lab, 2021).

Kumar, N., Besuner, P., Lefton, S., Agan, D. & Hilleman, D. Kosten für den Kraftwerkszyklus (National Renewable Energy Lab, 2012).

Treibhausgasemissionen eines typischen Personenkraftwagens (US EPA, abgerufen am 9. September 2021); https://www.epa.gov/greenvehicles/greenhouse-gas-emissions-typical-passenger-vehicle

Die offizielle Quelle der US-Regierung für Informationen zum Kraftstoffverbrauch (US-Energieministerium und US-EPA, abgerufen am 10. April 2022); https://fueleconomy.gov/feg/Find.do?action=sbsSelect

Holland, SP, Kotchen, MJ, Mansur, ET & Yates, AJ Warum die marginalen CO2-Emissionen bei US-Strom nicht sinken: Schätzungen und Implikationen für die Klimapolitik. Proz. Natl Acad. Wissenschaft. USA 119, e2116632119 (2022).

Artikel Google Scholar

Fitzgerald, G. & Nelder, C. EVGO-Flotten- und Tarifanalyse: Phase 1: Kalifornien (Rocky Mountain Institute, 2017); https://rmi.org/wp-content/uploads/2017/04/eLab_EVgo_Fleet_and_Tariff_Analysis_2017.pdf

Ledna, C., Muratori, M., Yip, A., Jadun, P & Hoehne, C. Dekarbonisierung mittelschwerer und schwerer Straßenfahrzeuge: Kostenanalyse für emissionsfreie Fahrzeuge (National Renewable Energy Lab, 2022).

Nicholas, M., Tal, G. & Ji, W. Lehren aus Daten zum schnellen Laden im Einsatz: Warum bleiben Fahrer in der Nähe ihres Zuhauses (Institute of Transportation Studies, University of California, Davis, 2017).

2017 National Household Travel Survey (US-Verkehrsministerium, 2017); https://nhts.ornl.gov

EASI MRI Consumer Survey Data 2019 (SimplyAnalytics, abgerufen am 21. Juni 2021); https://simplyanalytics.com/

Alexander, M. Ladezugang zu Hause in Kalifornien. Veröffentlichungsnummer CEC-600-2022-021 (California Energy Commission, 2022).

California Air Resources Board Clean Vehicle Rebate Project, Rebate Statistics (Center for Sustainable Energy, abgerufen am 19. Februar 2021); https://cleanvehiclerebate.org/eng/rebate-statistics

Galvin, R. Werden Elektrofahrzeuge zu groß und zu schwer? Modellierung der zukünftigen Nachfrage nach Fahrzeugen in einem dekarbonisierten US-Stromnetz. Energiepolitik 161, 112746 (2022).

Artikel Google Scholar

Xu, R. & Wunsch, D. Clustering Vol. 10 (John Wiley & Sons, 2008).

Friedman, J., Hastie, T. & Tibshirani, R. The Elements of Statistical Learning Vol. 1, (Springer, 2001).

Gschwendtner, C., Sinsel, SR & Stephan, A. Vehicle-to-X (V2X)-Implementierung: ein Überblick über vorherrschende Versuchskonfigurationen und technische, soziale und regulatorische Herausforderungen. Erneuern. Sust. Energy Rev. 145, 110977 (2021).

Artikel Google Scholar

Powell, S., Cezar, GV, Apostolaki-Iosifidou, E. & Rajagopal, R. Groß angelegte Szenarien zum Laden von Elektrofahrzeugen mit einem datengesteuerten Steuerungsmodell. Energie 248, 123592 (2022).

Artikel Google Scholar

Deetjen, TA & Azevedo, IL Einfaches Dispatch-Open-Source-Modell. Github github.com/tdeetjen/simple_dispatch (2019).

Daten des Continuous Emissions Monitoring System (CEMS) (US EPA, 2019); ftp://newftp.epa.gov/DmDnLoad/emissions/hourly/monthly/

Integrierte Datenbank für Emissionen und Erzeugungsressourcen (eGRID) (US EPA, 2019); https://www.epa.gov/energy/emissions-generation-resource-integrated-database-egrid

EIA-923 Monthly Generation and Fuel Consumption Time Series File (US Energy Information Administration, 2019); https://www.eia.gov/electricity/data/eia923/

Nettoerzeugung nach Energiequelle (US Energy Information Administration, 2019); https://www.eia.gov/opendata/qb.php?category=3390101

Murphy, C. et al. Zukünftige Hochelektrifizierung: Auswirkungen auf das US-amerikanische Massenenergiesystem. Elektr. J. 33, 106878 (2020).

Artikel Google Scholar

Jadun, P. et al. Studie zur Zukunft der Elektrifizierung: Kosten- und Leistungsprognosen für Endverbrauchselektrotechnologie bis 2050 (National Renewable Energy Lab, 2017).

Eingaben und Annahmen – CEC SB 100 Joint Agency Report (California Energy Commission, California Public Utilities Commission und California Air Resources Board, 2021); https://www.energy.ca.gov/sb100

Energiespeicherung: Auswirkungen elektrochemischer Batterie-Energiespeichersysteme im Versorgungsmaßstab auf das Massenenergiesystem (North American Electric Reliability Corporation, 2021).

Referenzen herunterladen

Wir danken N. Crisostomo und M. Alexander vom CEC für ihre Unterstützung; unseren Kollegen in Stanford und SLAC, einschließlich der S3L-, INES-, GISMo- und EV50-Gruppen, für ihr wertvolles Feedback und ihre Diskussion; T. Deetjen für das ursprüngliche Grid-Dispatch-Modell; und ChargePoint für die Bereitstellung von Daten. Diese Arbeit wurde von der California Energy Commission mit dem Zuschuss EPC-17-020 (SP und GVC), von der US National Science Foundation unter der CAREER Award-Nummer 1554178 (RR) und durch Mittel der Stanford Bits & Watts EV50 Initiative von Precourt finanziert Institut für Energie (IMLA und LM) und von Volkswagen (SP). Das SLAC National Accelerator Laboratory wird für das US-Energieministerium von der Stanford University unter dem Vertrag DE-AC02-76SF00515 betrieben.

Siobhan Powell

Derzeitige Adresse: Departement Management, Technologie und Wirtschaft, ETH Zürich, Zürich, Schweiz

Fakultät für Maschinenbau, Stanford University, Stanford, CA, USA

Siobhan Powell

Abteilung für Angewandte Wissenschaften, SLAC National Accelerator Laboratory, Menlo Park, CA, USA

Gustavo Vianna Cezar

Precourt Institute for Energy, Stanford University, Stanford, CA, USA

Liang Min, Inês ML Azevedo & Ram Rajagopal

Abteilung für Energieressourcentechnik, Stanford University, Stanford, CA, USA

Inês ML Azevedo

Woods Institute for the Environment, Stanford University, Stanford, CA, USA

Inês ML Azevedo

Fakultät für Bau- und Umweltingenieurwesen, Stanford University, Stanford, CA, USA

Ram Rajagopal

Fakultät für Elektrotechnik, Stanford University, Stanford, CA, USA

Ram Rajagopal

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SP, GVC, LM, IMLA und RR konzipierten die Forschung. SP, RR und IMLA haben das Modellierungsframework entworfen. SP implementierte das Framework, verarbeitete die Daten und analysierte die Ergebnisse. SP und RR erstellten den ersten Entwurf des Manuskripts. SP, GVC, LM, IMLA und RR haben das Manuskript bearbeitet und überarbeitet. GVC, LM, IMLA und RR leisteten institutionelle und materielle Unterstützung für die Forschung.

Korrespondenz mit Siobhan Powell, Inês ML Azevedo oder Ram Rajagopal.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Energy dankt Kara Kockelman und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Ergänzende Anmerkungen 1–12, Tabellen 1–11, Abb. 1–28, Methoden und Referenzen.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Powell, S., Cezar, GV, Min, L. et al. Zugang und Betrieb der Ladeinfrastruktur zur Reduzierung der Netzauswirkungen der umfassenden Einführung von Elektrofahrzeugen. Nat Energy 7, 932–945 (2022). https://doi.org/10.1038/s41560-022-01105-7

Zitat herunterladen

Eingegangen: 01. Januar 2022

Angenommen: 21. Juli 2022

Veröffentlicht: 22. September 2022

Ausgabedatum: Oktober 2022

DOI: https://doi.org/10.1038/s41560-022-01105-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Kommunikation Erde & Umwelt (2023)

Natur (2022)