Automobilisten die slim laden doen dit vooral buiten de drukke uren op het energienetwerk. Ook valt te zien dat de totale energievraag van mensen die Slim Laden naar de nachturen verschuift. Dit blijkt uit een analyse van het laadgedrag van 140 automobilisten die de Slim Laden App van Jedlix gebruiken. In totaal zijn 10-duizend laadsessie geanalyseerd door data-analist Nazir Refa van ElaadNL:
“We zien in de cijfers dat automobilisten bij Slim Laden minder energie afnemen tijdens de avondpiek. Dus tussen 18:00 en 21:00 in de avond wordt er minder geladen door deze groep, dit verschuift vooral naar de nacht.”
Het totale verbruik van slimme laders ligt gemiddeld rond 45% lager dan bij mensen die regulier laden. Dus Slim Laden zorgt voor een lagere piekbelasting op het energienetwerk en draagt bij aan het voorkomen van overbelasting van ons energienetwerk. Wil je meer weten over het onderzoek, lees dan verder.
ElaadNL heeft een subset van Jedlix data uit de periode okt. 2017 tot en met juni 2018 geanalyseerd. De dataset bevat meer 10.000 geanonimiseerde laadsessies die afkomstig zijn van bijna 140 verschillende EV gebruikers die in het bezit zijn van een volledig elektrische auto. Op basis van laadtijden, connectieduur, laadfrequentie, energieafname, state of charge (batterij status) en laadvermogens is er gekeken hoe de EV-rijders hun voertuigen opladen. Daarnaast is er ook naar de impact is van het Slim versus niet Slim Laden van de voertuigen. Tot slot, zijn de bevinding uit deze analyses gevalideerd door Jedlix op basis van hun totale dataset. De dataset bevat het complete laadhistorie van de betreffende EV gebruikers. Daarbij zijn er twee verschillende type laadsessies te onderscheiden;
Daarnaast zijn de laadsessies afkomstig van drie verschillende locaties; thuis (54,4%), semi-publieke laadpunten (36,4%) en ongeveer 1.000 laadsessies (9,2%) zijn afgenomen bij snel-laadpunten. Figuur 1 geeft de spreiding van de laadsessies per maand[1] weer. Het valt er op dat het relatieve aandeel van de slimme laadsessies geleidelijk bij deze gebruikers toeneemt van 62% in november 2017 naar meer dan 74% in juni 2018. [1] Voor de maanden oktober 2017 en juni 2018 bevat de dataset minder laadsessies omdat het geanalyseerde dataset een deel van de sessies bevat voor de betreffende gebruikers.
Als eerste is er gekeken op welke momenten van de dag de EV’s aan de laadpunten worden gekoppeld voor op het opladen. Hierbij zijn de laadsessies per locatietype separaat gekeken. De laadsessies zijn te verdelen naar drie type laadpunten;
Figuur 2 geeft de verdeling van de laadsessies per locatietype weer op basis van aankomsttijden. Als je kijkt naar de laadsessies bij overige locaties dan zie je bijvoorbeeld dat ongeveer 22% van alle laadsessies bij deze laadpunten rond 9:00 uur ’s ochtends starten. Deze piek is logisch te verklaren aangezien hierbij om laadsessies bij publiek en bedrijfslaadpunten worden afgenomen. Bij de thuislaadpunten is er een piek te zien tussen 18:00 – 19:00 uur. Verder valt het op dat de snellaadsessies redelijk verspreid over dag liggen.
Vervolgens is er gekeken hoe lang men aan een laadpunt gekoppeld blijft. Figuur 3 geeft de spreiding van connectietijden weer. Bij de thuisladen duren de meeste sessies (76,4%) langer dan 8 uur. Bij de categorie overig laadpunten is dat juist is het aandeel van de laadsessie met een duur van minimaal 8 uur zo’n 48,9%. Dus het aandeel van langer durende sessies ligt hoger bij thuislaadsessies. Bij het snelladen duren de meeste laadsessies (70%) minder dan 2 uur.
We hebben ook gekeken naar hoe vaak men per week de EV gaat opladen. In figuur 4 is weergegeven hoeveel laadbeurten een EV-rijders afneemt (oranje punt) per week, ongeacht de locatie. Daarnaast is er ook per de week de standaarddeviatie (verticale lijn) tussen de verschillende EV-rijders weergegeven. Het gemiddelde aantal laadbeurten ligt ongeveer bij 4 met een gemiddelde standaardafwijking van 2 sessies per week.
De energievraag per laadsessie wordt medebepaald door hoe vol de batterij (SoC) van de EV is eigenlijk bij het starten van een laadsessie. Figuur 5 geeft per locatietype weer wat de gemiddelde SoC per locatietype met de standaardafwijking. Bij thuis- en overige laadpunten zien we dat batterijen van de EV’s gemiddeld half vol zijn (met een afwijking van +/- 25%) bij het aansluiten. Daarnaast valt er uit de data op te maken dat men met een gemiddelde SoC van 38% gaat snelladen met een standaarddeviatie van 19%. In het algemeen valt er te concluderen dat de EV-rijders niet wachten met het opladen totdat ze een bijna lege accu hebben.
De geanalyseerde dataset bevat ook details hoe elke laadsessie verloopt. Daarbij is het interessant om te kijken hoe met welke snelheid (vermogen) de verschillende EV’s eigenlijk laden oftewel energie afnemen. In figuur 6 zijn de ‘gemiddelde’ laadprofielen bij thuis – en overige laadpunten (dus niet snelladen). Erbij is er gekeken naar het gemiddelde laadvermogen (verticale as) versus de SoC (horizontale as). Daarnaast is er ook gekeken naar de variatie (de standaardafwijking) met behulp van het laadvermogen per SoC niveau. Tot slot zijn het aantal laadsessies per meting meegenomen (punten in de grafiek). Dit laatst geeft een indicatie voor de betrouwbaarheid. Dus in de grafiek er te zien dat sommige gemiddelden gebaseerd zijn op bijvoorbeeld 250 laadsessies en andere 6000 verschillende sessies. In het algemeen valt er te zien dat het laadvermogen vanaf een SoC niveau van 75% in principe snel gaat dalen. De variatie in de laadcurves wordt veroorzaakt door twee zaken. Ten eerste valt er uit de data te zien dat bij verschillende modellen ook elke uitvoering met een andere laadprofiel heeft. Daarnaast kunnen we de verschillen deels verklaren uit het feit dat ook de laadpunten anders zijn en dus andere vermogen kunnen leveren.
Tot slot hebben we gekeken naar de impact van Slim Laden binnen de afgenomen laadsessies. Zoals eerder beschreven bevat de geanalyseerde dataset met name sessies waarbij laadsturing heeft plaats gevonden op basis van de marktprijzen voor elektriciteit. Om de impact van het Slim Laden in kaart te brengen hebben 1000 willekeurige slim geladen sessies vergelijken met 1000 reguliere sessie die ook willekeurig zijn geselecteerd uit de periode april en mei 2018. Vervolgens is er gekeken naar de totale energievraag per uur voor beide groepen laadsessies. Het profiel voor de reguliere en slimme laadsessies is opgenomen in onderstaande visualisatie. Over het algemeen zien we dat bij Slim Laden men minder energie afneemt tijdens de ochtend- en de avondpiek. Ook valt er te zien dat de totale energievraag van Slim Laden sessie naar de nachturen verschuift. Als we op de avondpiek (tussen 18:00 en 21:00) focussen dan kunnen we concluderen dat bij Slim Laden het totale verbruik 47% lager ligt t.o.v. de regulier laden. Dus met andere woorden Slim Laden zorgt voor een lagere piekbelasting op het net tijdens de avondpiek.
Uit deze analyse kunnen we de volgende zaken concluderen;
