Elbilens påverkan på Falunslågspänningsnät vid hemmaladdning

(1)

UPTEC E 19012

Examensarbete 30 hp Juni 2019

Elbilens påverkan på Faluns

lågspänningsnät vid hemmaladdning

Tomas Hammarlund

(2)

Teknisk- naturvetenskaplig fakultet UTH-enheten

Besöksadress:

Ångströmlaboratoriet Lägerhyddsvägen 1 Hus 4, Plan 0

Postadress:

Box 536 751 21 Uppsala

Telefon:

018 – 471 30 03

Telefax:

018 – 471 30 00

Hemsida:

http://www.teknat.uu.se/student

Abstract

The impact of home charging of electrical vehicles at Falun's low-voltage distribution grid

Tomas Hammarlund

The number of electrical vehicles in Sweden are increasing faster for every year and the demand of charging them at home is growing as well. This requires high delivery reliability and a stable low-

voltage distribution grid. In this master thesis three different low- voltage networks are modelled and simulated together with load which corresponds home charging of electrical vehicles (EV) to analyse if the grid is able to handle these kinds of stresses. Information of the different grids were gathered from Falu Energi & Vatten and modelled in Matlab together with EV charging loads generated in a separate program. The electricity consumption data used in the simulations were measured at the transformer in each grid. A regression analysis of the consumption data were preformed to calculate values which corresponds to a worst case scenario. The results show that the low-voltage distribution grid in Falun is well dimensioned and can handle these possible future loads even in the worst constructed scenario.

(3)

Populärvetenskaplig sammanfattning

Elbilar blir allt vanligare i världen och även i Sverige. Under 2018 har laddbara bilar i Sverige ökat med 25 000 stycken och prognoser för framtiden pekar på att de kommer att öka ännu snabbare de kommande åren. Detta ställer högre krav på lågspänningsnäten, näten mellan nätstationerna ut till abonnenterna, då fler abonnenter (kunder) kommer ladda sin elbil vid hushållet. Laddning av elbilar skapar höga belastningar på lågspän- ningsnätet. Dessutom kan man förmoda att laddningsperioderna sammanfaller med redan kända effekttoppar. I dag är de flesta nätoperatörer inte förberedda och har lite kunskap om hur dessa framtida höga effektnivåers belastningar kan påverka lågspänningsnätet.

I detta arbete utarbetas en metod för att analysera ett urval av lågspänningsnät i Fa- lu kommun och hur de kommer att påverkas av den framtida storskalig elbilsladdning i hemmet. Tillsammans med erhållen nätdata från Falu Energi & Vatten tillsammans med laddprofiler för elbilar vid olika effektnivåer, har det utförts simuleringar i ett nätbe- räkningsprogram för att analysera den nya belastningens påverkan på lågspänningsnäten.

En litteraturstudie av elbilisters laddbeteenden har genomförts, där information om vilken tid på dagen laddning av elbilar är vanligast förekommande och hur ofta de laddas.

En mindre studie om hur laddningen påverkas rent tekniskt av sjunkande temperaturer har genomförts. Statistik för ombordladdare har inhämtats i syfte av att utreda vilken effektnivå vid laddning som är vanligast förekommande idag och vad kommande modeller kommer utrustas med. Ett program för generering av laddprofiler har använts för att simulera förbrukningsmönster hos ägare av elbilar. De olika lågspänningnäten har modellerats med innehållande spänningsknutpunkter, kabeldata, förbrukningsdata och transformatordata i ett nätberäkningsprogram.

Rapporten behandlar även frågan om vad som händer vid extremfall när utomhustem- peraturen är låg. Mätdata som har erhållits vinter 2018/2019 har räknats upp för att motsvara elförbrukningen för en tioårsvinter. Den uppräknade förbrukningsdatan har tillsammans med laddprofilerna simulerats i ett nätberäkningsprogram i Matlab för att analysera hur belastningen kommer att påverka nätet från nätstationen fram till abonnenten.

Resultat visar att den utvecklade beräkningsmodellen är väl lämpad för analysuppgiften samt att lågspänningsnäten som undersökts i arbetet är väl dimensionerade och i alla scenarion klarar den nya belastningen utan några större problem.

(4)

Förord

Detta examensarbete har utförts åt Falu Energi & Vatten. Arbetet har genomförts på Falu Energi & Vattens kontor i Falun. Specifika platsdata för de olika delar av elnäten och kunddata har utelämnats på grund av sekretess.

Jag vill rikta ett stort tack till min handledare vid Falu Energi & Vatten, Daniel Asplund, som har bistått mig med kunskap inom elbilsladdning och som varit ett stort stöd under hela arbetets gång. Jag vill även tacka Joakim Gustafsson och David Berg vid Falu El- nät som har bistått med teknisk information och kunskap om elnätets uppbyggnad och dimensionering, utformning av rapporten samt alla tillfällen jag fått följa med Joakim Gustafsson på studiebesök i Faluns lågspänningsnät.

Jag vill också rikta ett stort tack till Sven-Erik Berglund på SEB-konsult som har varit en god mentor under arbetets gång och framförallt lärt mig hur en uppräkning av elför- brukning mot temperaturer kan genomföras samt flera tekniska detaljer i hur ett elnät fungerar. Tack till Mattias Gustafsson vid Gävle Energi och Högskolan i Gävle för stöd i uppstarten av arbetet samt handledning i simulationerna. Tack till Joakim Munkhammar vid Uppsala Universitet som har bistått med information och förklaring kring modellen som genrerar laddprofilerna. Slutligen tack till min ämnesgranskare Cecilia Boström.

19 juni 2019

Tomas Hammarlund

(5)

Innehåll

1 Inledning 1

1.1 Syfte och frågeställning . . . 2

1.2 Avgränsningar och antaganden . . . 2

2 Bakgrund och teori 4 2.1 Elbilsstatistik . . . 4

2.2 Olika typer av elbilsladdare . . . 4

2.2.1 Ombordladdare . . . 4

2.3 Laddbeteenden, litteraturstudie . . . 5

2.4 Elbilsladdningen vid sjunkande temperaturer . . . 8

2.5 Extremfall: Tioårsvinter . . . 9

2.6 Velanders metod . . . 10

2.7 Kabelberäkning . . . 10

3 Metod 11 3.1 Modellering av lågspänningsnät . . . 11

3.1.1 Visuell ritning av näten . . . 11

3.1.2 Insamling av förbrukningsdata . . . 11

3.1.3 Kabelberäkning . . . 12

3.1.4 Nätberäkning av elkraftssystem . . . 12

3.1.5 Införande av nätdata till beräkningsprogrammet . . . 12

3.1.6 Modellering av elbilsladdning . . . 13

3.1.7 Införande av laddprofiler i förbrukningsdatan . . . 15

3.2 Uppräkning av förbrukningsdata . . . 16

3.2.1 Del 1 . . . 16

3.2.2 Del 2 . . . 16

3.2.3 Jämförelse med Velanders metod . . . 17

3.3 Scenarion: Elbilsladdning . . . 17

3.4 Områden . . . 18

3.4.1 Område 1 . . . 18

3.4.2 Område 2 . . . 20

3.4.3 Område 3 . . . 21

4 Resultat 23 4.1 Uppräkning av temperatur: Resultat . . . 23

4.1.1 Resultat vid jämförelse med Velanders metod. . . 26

4.2 Simulationsresultat: Nätstation . . . 26

4.2.1 Område 1 . . . 26

4.2.2 Område 2 . . . 27

4.2.3 Område 3 . . . 28

4.3 Simulationsrsultat: Kabelskåp . . . 29

4.3.1 Område 1 . . . 29

(6)

5 Diskussion 32

5.1 Antaganden i modellen/metoden . . . 32

5.2 Diskussion av resultat . . . 33

5.3 Effekttillgänglighet och energitillgänglighet . . . 34

6 Slutsats 36 7 Appendix 41 7.1 Velanders metod område 2 . . . 41

7.2 Simulationsresultat: Kabelskåp . . . 41

7.2.1 Område 1: Scenario 1 . . . 42

(7)

1 Inledning

Enligt en rapport från intresseorganisationen Power Circle har antal laddbara fordon i Sverige ökat från 45 000, i slutet av 2017, till 70 000 i slutet av 2018 [5]. Det är en ökning med ca 52 %. Den största ökningen står laddhybriderna för, enligt rapporten fanns det 17071 fler laddbybrider i trafik jämfört med slutet av 2017. Idag står de laddbara bilarna för 1.35 % av samtliga personbilar i Sverige. En grafisk prognos av hur mycket elbilar och laddhybrider kommer att öka de kommande åren finns i figur 1.

Under 2018 stod elbilarna för 2 % av nybilsförsäljningen i Sverige och enligt BilSwedens sammanställning kommer denna siffra dubblas under 2019. De laddbara fordonen väntas växa och helt dominera marknaden 2026 enligt Power Cricle [5]. Av modellutbudet idag är 8 % laddbart och till 2022 förväntas en stigning till 34 % samt 2025 förväntas siffran vara 50 - 80 % enligt Power Circle [5].

Den markanta ökningen av elbilar kräver en högre kapacitet av de lokala lågspännings- näten när behovet av hemmaladdning samtidigt kommer att öka. Hur väl några av låg- spänningsnäten i Falu kommun är förberedda för den nya belastningen undersöks i det här arbete. För att kunna göra detta har en analysmodell utvecklats.

Figur 1: Power Circles prognos för ökningen av elbilar och laddhybrider de kommande åren, där x-axeln visar år från 2018 tom 2045 och y-axeln visar antal bilar där 1M = 1 000 000. [5]

(8)

1.1 Syfte och frågeställning

Syftet med examensarbete är att utveckla en analysmodell och med denna studera hur väl Faluns elnät kommer att klara av den framtida storskaliga elbilsladdningen. Med en ökad efterfrågan av laddbara fordon kommer även en ökad efterfrågan av möjligheten att ladda dessa hemma som i sin tur kommer leda till högre belastningar på de lokala elnäten. Följande frågeställningar har legat till grund för examensarbetet.

1. Litteraturstudie

• Vad är känt om elbilisters laddbeteende?

• Hur påverkas elbilsladdning vid olika temperaturer?

• Vad vet/tror man om framtiden? Hur påverkas beteendet av t.ex. större batterier, snabbare hemmaladdning, laddboxar med effektvakt, osv?

2. Skapa laddprofiler – hur/när laddar olika framtida elbilskunder under dygnet?

3. Studera olika områden i vårt elnät, t.ex. landsbygd, centrum, äldre villaområden, nyare villaområden, flerbostadshusområden. Titta på lasten med timupplösning i nätstationer, vid olika tid på året. Utifrån mätdata vintern 2018/2019 - beräkna

”worst case”-last vid 10/30-årsvintrar.

4. Simulera effektprofiler – lägg ihop befintlig last med olika profiler för elbilsladdning

• Olika scenarier – olika andel elbilar, kall vinterdag, varm sommardag, laddning med stickkontakter (1 fas 10 A), laddbox (effektvakt), laststyrning utifrån, V2G-funktioner, stokastiska modeller?

5. Fördjupad nätsimulering - Hur påverkas elnätet vid olika scenarier i de aktuella lokala områdena? Simuleringarna utförs i Simulink.

6. Kommer vi att få problem i elnätet som kräver att åtgärder behöver vidtas? Vilka lösningar finns/kommer att finnas – förstärka nät, styrning, energilager (hos kund, i nätstationer)?

1.2 Avgränsningar och antaganden

Studien har utförts på befintliga lokala lågspännings-distributionsnät i Falu kommun med en maximal spänningsnivå på 400 V. Påverkan på det övriga distributionsnätet med högre spänningsnivåer har inte undersökts. Studien är även geografiskt avgränsat till specifika typer av områden ett flerbostadshusområde och två radhusområden. I simulationerna antas att lasten är jämnt fördelad på alla faser. Ojämn last på faser har således inte undersökts. De effektnivåer som undersökts vid laddning är 3.6 kW och 11 kW då dessa är de vanligaste förekommande effektnivåerna för ombordladdare i elbilar idag och som rekommenderas av Elsäkerhetsverket. [1]

(9)

Förbrukningsdatan som användas vid analysen är uppmätt vid olika nätstationer för ett helt område med flera abonnenter. Förbrukningsmönster på abonnentnivå har inte stu- derats utan alla kunder har fått ett eget delvärde baserat på deras totala förbrukning.

Laddprofilerna som används i simulationerna är genererade i programmet EVHomeChar- ging [15]. Programmet baseras på modellen som är framtagen i artikeln [14] och de antaganden som programmet är baserat på beskrivs i avsnitt 3.1.6.

Falu Energi & Vatten [3] har efterfrågat en förenklad modell av arbetet för att kunna applicera denna metod på flera nätstationer i kommunen och kunna göra egna förenklade analyser. Eftersom denna rapport enbart tar upp några fåtal nätstationer så kan, med hjälp av resultaten i denna rapport, en förenklad metod tas fram till Falu Energi & Vatten för analyser på andra nätstationer. Eftersom detta arbete har skett under en begränsad period har inte en fördjupande analys av alla områden kunnat genomföras, dock kommer rapporten ta upp förslag på innehåll av sådana.

(10)

2 Bakgrund och teori

2.1 Elbilsstatistik

Enligt Elbilsstatistik [2] som är ett av Power Circles verktyg fanns det, den 31 januari 2019, totalt ca 72 000 stycken laddbara bilar i Sverige. Fördelning per fordonskategori:

71 % PHEV (laddhybrid bilar), 25 % BEV (rena elbilar), 4 % eldrivna lätta lastbilar och ett litet antal, mindre än 1%, batteridrivna fyrhjulingar. De sex vanligaste modellerna är Volkswagen Passat GTE följt av Mitsubishi Outlander PHEV, KIA Optima PHEV, Nissan Leaf, Volvo V60 Plug In Hybrid samt Tesla Model S. Den genomsnittliga batterikapaciteten för laddbara bilar i Sverige är ca 23 kWh. För laddhybrider är 3.6 kW standard som laddningseffekt, enfas växelström 16 A. För rena elbilar är det mer blandat men majoriteten av ombordladdarna tar också emot max 3.6 kW ofta med ett valbart tillval upp till 7.2 kW, enfas växelström 32 A. Ett antal modeller har också möjlighet att ladda med trefas och tar då emot en laddeffekt mellan 11 - 22 kW. Flera bilar har även stöd för snabbladdning (likströmsladdning) men eftersom detta arbete undersöker hemmaladdning (vilket innebär enbart växelströmsladdning) tas den statistiken inte med.

2.2 Olika typer av elbilsladdare

Enligt EU standarderna IEC62196-2 och IEC61851-1 rekommenderas mode 3 typ 2. Typ 2 talar om vilken typ av kontakt som bilen samt laddstolpen/laddboxen har stöd för och säkerhetsnivån beskriver vilken typ av teknik som bilen och laddstolpen/laddboxen använder för att kommunicera med varandra för att göra laddningen säkrare. Mode 3 innebär att bilen laddas via en laddbox eller laddstolpe och mode 2 innebär att laddningen sker i ett schuko (figur 2) uttag, dvs vanligt uttag för 230 V, med en kontrollenhet (EVSE) mellan bil och eluttag.

Figur 2: Schuko-kontakt. [1]

2.2.1 Ombordladdare

Ombordladdare är ett begrepp som står för själva laddningskretsen som sitter ombord

(11)

med en- eller trefas. Den kommunicerar med laddstolpen/-boxen eller uttaget för att batteriet ska laddas upp säkert och kontrollerat. Ett batteri kan enbart laddas med likström och de flesta laddare laddar enligt Mode 2 eller 3 i dagens läge, vilket betyder att det är växelström som matas in i bilen. Ombordladdaren består i stora drag av en likriktare som likriktar strömmen, en PFC (Power Factor Correction) som justerar effektfaktorn för att minimera effektförlusterna och en konverterare som ökar spänningen till batteriets önskade spänningsnivå vid laddning. Laddstolpen/-boxen uppgift är att strömmen från nätet förs över till bilen på ett säkert sätt och att rätt kontakdon används, t ex typ 2.

Under snabbladdning sitter laddkretsen istället i en stationär station, t ex en laddstolpe.

[4]

Eftersom det är ombordladdaren som bestämmer hur mycket effekt som ska tas ut från nätet är det också den som är mest intressant när man ska modellera verklighetstrogna laddprofiler med rätt effektnivå. Laddhybrider kan vanligtvis laddas maximalt med enfas 16 A - 32 A, 3.6 kW - 7.2 kW, medan rena elbilar laddar med enfas 16 A upp till trefas 16 A - 32 A, 11 - 22 kW. [2]

När man köper ett laddbart fordon ingår det vanligtvis en typ 2 laddare (typ 2 till typ 2) och en nödladdare (Schuko till typ 2). Men det blir allt vanligare att dessa tillbehör kan väljas som tillval till bilen. Den senare laddningstypen som alltså motsvarar mode 2 kallas just för ”nödladdare” eftersom den metoden inte är rekommenderad vid konti- nuerlig laddning. [1] På sladden sitter en EVSE (kontrollbox) som ser till att det enbart går ström när den är kopplad mellan bil och eluttag. Genom kommunikation mellan bilen och eluttaget talar EVSE kontinuerligt om vilken maximal effekt som finns tillgänglig för bilen att ta emot.

Patrik Lindergren på Chargestorm [38] och Mazdak Haghanipour, E-mobility specialist på BMW, [39] prognostiserar att trefas kommer bli allt vanligare förekommande i Europiska billtillverkares kommande modeller, dvs en laddeffekt mellan 11 - 22 kW. De asiatiska biltillverkarna kommer med stor sannolikhet forsätta med enbart enfasstöd eftersom de vänder sig framförallt mot den asiatiska och amerikanska marknaden där enfas är vanligast förekommande i hushållen.

2.3 Laddbeteenden, litteraturstudie

Under åren 2010 - 2015 pågick ett projekt [6], Elbilsupphandlingen, som var ett samarbe- te mellan Stockholms stad och Vattenfall AB där syftet var införa fler elbilar på Sveriges vägar. I projektet utvärderades och sammanställdes användningsmönster av 492 elbilar och laddhybrider. För fordonen som användes privat förekom 70 % av laddningarna i hemmet. De övriga laddningarna förekom på arbetsplatsen, i parkeringshus, köpcentrum men även i knutpunkter såsom tågstationer, flygplatser mm. Enligt utvärderingen var majoriteten av resorna under 70 kilometer.

I [7] har data från 7704 laddcykler av elbilar sammanställts och utvärderats. Sammanlagt

(12)

en sexmånaders period. Enligt studien förekom de flesta laddningarna i hemmet under kvällen, mellan 19:00 och 20:00. Det förekom även en mindre laddtopp under morgonen för laddningarna vid hemmet. I figur 3 visas en graf över vilka tider under dygnet de flesta laddcyklarna förekom för olika platser. Patrick Morrissey et al [13] har analyserat data från privata hushåll som visar att de flesta laddningarna sker i hemmet under kvällstid, samtidigt som de redan befintliga effektopparna i elnätet. I [10] presenteras en analytisk process för framtida scenarion av laddbara bilar i USA, rapporten estimerar att 88 % av laddningarna sker i hemmet. Med data från flera amerikanska resundersökningar har en modell byggts upp och simulerat laddprofiler över dygnet, resultatet kan ses i figur 4.

Figur 3: Antal laddcykler under ett dygn för olika platser, i hemmet (blå), vid arbetet (röd), publik laddning (grön) och annan plats (lila). [7]

(13)

Figur 4: Simulerad effektprofil för laddning av elbilar vid olika platser. L1 motsvarar mode 2 laddning och L2 motsvarar mode 3 laddning. Den ljusblåa kurvan visar effektprofilen för hemmaladdning i mode 3. [10]

I [9] presenteras en enkätundersökning gjord bland privata ägare av elbilar i Sverige, av 400 utskickade enkäter svarade 247 stycken. 70 % uppgav att de enbart laddade bilen hemma. 15 % laddar elbilen så fort tillfälle ges (hemma, på jobbet eller när de är ute på ett ärende). 5% laddar enbart vid arbetsplatsen och 1 % samtidigt som de gjorde ärenden.

Deltagarna blev även tillfrågade under vilken tid av dygnet de brukar ladda sin bil, där majoriteten uppgav att de laddar framförallt under natten.

I [11] genomfördes en analyserande litteraturstudie av 56 internationella studier om laddbeteenden för laddhybrider och elbilar. Studien visar att majoriteten av alla laddtillfällen sker vid hemmet, 50 - 80 %. 15 - 25 % av laddningarna sker vid pendlingsparkeringar eller arbetsplatsen. Ungefär 5 % av laddtillfällerna förekom vid publika laddare. Studien undersökte också laddningarnas belastningspåverkan på elnätet. Analysen säger att det i dagens läge med de låga marknadsandelar som elbilar har just nu inte är något större problem för elnätet. På sikt kan detta dock förändras väldigt omgående med den ökande efterfrågan av elbilar som man ser idag. Eftersom de flesta studier pekar på att hem- maladdningen sammanfaller med de redan existerande effekttopparna som finns i elnätet idag, eftermiddag/kväll, kan detta skapa höga belastingar på elnätet.

Dessa effekttoppar sammanfaller även med den lägre elproduktionen för solenergi enligt ICCT’s rapport [12]. Rapporten som har analyserat den publika laddinfrasrukturen har även påvisat ett stark samband mellan marknadsandelar av elbilar och tillgång av publik laddning. Vad gäller den publika laddningen utgör ultrasnabbladdningen det största be- lastningshotet med laddeffekter mellan 150 - 350 kW eller högre. Olika lösningar för att begränsa dessa belastningstoppar testas just nu som t ex eltaxor för att på så viss flytta

(14)

effekttopparna till låglasttimmar.

2.4 Elbilsladdningen vid sjunkande temperaturer

Ett batteris energimängd kan beskrivas med SOC (State of charge) [20], laddningstill- stånd, där (om det är uttryckt i procent) ett fullt urladdat batteri har ett SOC värde på 0% och 100% när det är fullt uppladdat. På motsatt vis kan energimängden även beskrivas med urladdningsdjupet, DOD [19] (Depht of discharge), där batteriet skulle besitta 100 DOD när det är full urladdat och 0 DOD när det är fullt uppladdat.

I [21] genomfördes en studie på hur elbilars batteriprestanda påverkas av extrema temperaturer, både låga och höga. Med data från en finsk trafikundersökning tillsammans med en modell för ett batteri i en laddhybrid och en modell för termisk påverkan av elbilar har det genomförst simulationer i Matlab för att undersöka både höga och låga temperaturers påverkan.

Strypspänningen är den spänning ett batteri har när det anses vara urladdat. Enligt [21] ökar strypspänningen i batteriet när den inre resistansen i batteriet ökar. Den inre resistansen ökar vid sjunkande temperatur. När strypspänningen för batteriet ökar når laddningsströmmen sitt mättnadsvärde tidigare vilket resulterar i en lägre SOC av batteriet när det är uppladdat. När användaren anländer till jobbet för att ladda är då deras SOC oftast högre och detta leder till att strypspänningen är högre och det begränsar i sin tur laddeffekten tidigare. Detta resulterar i högre uppvärmningsförluster för batteriet.

Om stationär BTM (aktiv reglering av batteritemperaturen) och förkonditionering i bilen är avstängda visar denna studie att medianvärdet av batteriernas SOC (laddningstill- stånd) minskar med 3 - 6 %.

Om stationär BTM och förkonditionering vid -10^◦C används ökar medianvärdet av SOC med 3 - 6 %. Dock ökar även då den konsumerade effekten från nätet avsevärt. Vid sjunkande omgivande temperatur (-10 ^◦C) ökar laddningstiden för batteriet med mer än 100

% om batteriet inte värms upp. Om man däremot använder stationär BTM och förkon- ditionering vid -10 ^◦C kan laddningstiden reduceras med 28 %.

En studie från Idaho National Labratory [22] visar att laddningstiden vid snabbladddning ökar med minskad temperatur. Detta kommer även påverka laddningsbeteendet och räck- viddsångesten hos människor. Vilket kommer att göra det svårare att tillåta en extern part styra laddningen av bilen.

”And, the more the temperature dropped, the longer it took to charge the battery. Under the coldest conditions, the rate of charging was roughly three times slower than at warmer temperatures.” [23]

(15)

2.5 Extremfall: Tioårsvinter

Enligt Svenska Kraftnäts rapport i [32] finns det fog för Sveriges elnät att vara dimensio- nerat inom ett intervall mellan två alternativ, A och B. Alternativ A innebär temperaturer för en normalvinter (tvåårsvinter) och alternativ B en tioårsvinter, extremfall. Definitio- nen för en tioårsvinter enligt rapporten är följande:

”Tredygnsmedelvärde av temperaturen som statistiskt återkommer vart 10:e år. Förbruk- ningsprognoser bygger på antagandet att det råder tioårstemperaturer söder om snitt 2.

Norr därom antas normala vintertemperaturer.”

Med temperaturobservationer vid Uppsala Flygplats inhämtad från SMHI öppen data [33] tillsammans med Svenska Kraftnäts definition kan dessa 10-årsvintrar urskiljas, se figur 5. I tabell 1 visas de 15 kallaste vintrarna under perioden.

Figur 5: 3-dygns temperaturvärde för Uppsala flygplats för varje vinter sedan 1951 sor- terad från den lägsta (vänster) till högsta (höger). Data saknas för perioden 2003-12-23 till 2004-01-08. Källa: [33]

(16)

Driftår 3-dygn [^◦C]

1986/87 -24.6 1978/79 -22.2 1969/70 -21.6 1965/66 -20.7 1955/56 -20.4 1984/85 -20.3 2010/11 -20 2002/03 -19.9 2009/10 -19.4 2000/01 -18.5 1967/68 -18.3 2015/16 -18.3 1989/90 -18.1 1995/96 -17.9 1981/82 -17.3

Tabell 1: Tabell över 3-dygns temperaturen för de 15 kallaste vintrarna sedan 1951.

2.6 Velanders metod

Velanders metod är en modell för att uppskatta det sammanlagrade effektuttaget för abonnenter baserat på deras årliga energiförbrukning och vilken typ av uppvärmning hushållet har. Varje hushåll erhåller ett kategorinummer utifrån vilken typ av bostad och uppvärmning abonnenten har. Beräkningen utförs enligt Velanders formel som presenteras i ekvation 1. [8]

P = k1·X

W + k2·

qX

W (1)

Där P [kW] är uträknad toppeffekt, W [kWh] den årliga energiförbrukningen, k₁ och k₂ är konstanter som baseras på abonnenternas kategorikod.

2.7 Kabelberäkning

Vid uppräkning av kablarnas resistansvärde användes ekvation 2. Ekvationen är hämtad från ”NKT Kabelhandboken” [30] sida 20.

R_t= R₂₀[1 + a₂₀(t − 20)] (2)

Där R_t [Ω/km] är den uppräknade resistansen, t [^◦C] är temperaturen. a₂₀ är temperatur koefficienten vid 20^◦C. För koppar är a₂₀ = 0.00393 och för aluminium är a₂₀ = 0.00403.

(17)

3 Metod

I denna del beskrivs bland annat hur de olika lågspänningsnäten har modellerats och införts i simuleringsprogrammet. Temperaturuppräkningen beskrivs i stycke 3.2 och hur laddprofilerna har genererats och implementeras i modellerna beskrivs i stycke 3.1.7. Vid beräkning av effektfaktorn, cos(φ), för förbrukningsdatan i varje tidssteg gav cos(φ) >

0.99 för respektive område. Pga av den höga effektfaktorn uppmätt vid varje nätstation, mer än 0.99, försummades all reaktiv produktion och förbrukning samt induktansen i kablarna.

3.1 Modellering av lågspänningsnät

Denna del beskriver hur modelleringen av lågspänningsnäten till nätberäkningsprogram- met har genomförts.

3.1.1 Visuell ritning av näten

Data för de olika lågspänningsnäten som har undersökts i Falu kommun har hämtats från Falu Energi & Vattens GISprogram för elnät, DpPower [28]. Därifrån har kabeldata och nätets geografiska struktur kunnat inhämtats samt kundernas årliga energiförbrukning.

Även transformatordata för nätstationen vid varje område har också inhämtats. Därefter har nätet ritats upp i ett ritprogram för att få en överblick hur alla knutpunkter och anslutningar sitter ihop och för att numrera varje knutpunkt och anslutning. Därefter modellerades nätet i simuleringsprogrammet efter denna struktur.

Figur 6: Ett exempel på modellerat område, där de svarta siffrorna indikerar simulations- nummer för varje knutpunkt och de röda indikerar anslutningsnummer för varje kabel.

Den gula cirkeln motsvarar nätstationen (transformator 0.4/10 kV) som sedan mynnar ut i lågspänningsnätet. De lila boxarna motsvarar matarkablar, de röda kabelskåp, de gröna serviskablar och de blåa abonnenter (kunder).

3.1.2 Insamling av förbrukningsdata

Insamlingen av förbrukningsdata gjordes i nätstationen från transfromatorns sekundärsi- da (400 V). Mätaren som användes heter Kamstrup 351C [27] som är en strömtransfor-

(18)

matormätare. Den mäter transformatorns totala ström som går ut till nätet samt spän- ningsnivån på transfromatorns sekundärsida. Datan erhölls som medelenergi per timme [kWh/h]. Enbart de aktiva registren för mätarna användes eftersom den reaktiva för- brukningen och produktionen försummades. Förbrukningsdatan erhölls som Excelfiler i timupplösning. Varje cell motsvarar medelenergi [kWh/h] under en timme.

3.1.3 Kabelberäkning

Beräkningen av kablar utfördes i Excel. Resistansen [Ω/km] vid 20 ^◦C för varje kabeltyp erhölls från kabeltabeller i ”NKT Kabelhandboken” [30] samt ”NEXANS Kabelboken”

[29]. Detta resistansvärde räknades sedan upp till kabelns resistans vid maximal drift- temperatur vilket är +65^◦C för hängsprialkablar (ALUS) [29], sida 83, +70^◦C för kablar med PVC-isolering (t ex AKKJ, FKKJ, EKKJ mm) samt +90 ^◦C för kablar med PEX- isolering (t ex SE-N1XV-AS), [30] sida 20. Uppräkning gjordes enligt ekvation 2.

Den uppräknade resistansen multiplicerades med kabelns längd i kilometer för att få varje anslutnings (kabel) totala resistans.

Antagen maximal ström per fas hämtades för hängspiralkablarna i [29] sida 107 tabell A.4. För PVC- och PEX-isolerade kablar från [29] sida 105 tabell A.3, enligt förläggnings- sätt D2 (kablar direkt i mark) och strömvärdet vid termisk markresistivitet, 2.5 K ·m/W.

Induktansen i kablarna försummades på grund av att analysen enbart omfattar lågspännings- distributionsnätet. Detaljerad beskriving av de olika kabeltyperna finns i [30] och [29].

3.1.4 Nätberäkning av elkraftssystem

Programmet som användes vid simulationerna heter PowerFlow och är ett script i Matlab [24] som har utvecklats av ”Built Environment Energy Systems Group” [25] vid Uppsala Universitet. Simulationsprogrammet använder Newton-Raphsons metod [26] för att nu- meriskt beräkna effektflödet för balanserade faser i ett lågspänningsnät. Som indata till simulationsprogrammet anges impedans för kablarna, förbrukning- och produktionsdata i varje knutpunkt för varje tidssteg samt spänningsnivån i spänningsknutpunkten (nätsta- tionen) för varje tidssteg. Utdata ges som spänning i varje knutpunkt vid varje tidssteg och ström i varje kabel vid varje tidssteg.

3.1.5 Införande av nätdata till beräkningsprogrammet

Eftersom den uppmätta förbrukningsdatan speglar hela områdets förbrukning, alla abonnenter tillsammans, delades den upp för varje abonnent. För varje område samlades det in data för varje abonnents årliga energförbrukning. Varje abonnent fick därefter ett andel- stal baserat på deras årliga energiförbrukning mot den totala årliga energiförbrukningen för hela området, dvs summan av alla abonnenter. Den totala förbrukningen delades därefter upp på varje abonnent för varje timme. Det vill säga att varje abonnents för-

(19)

som har analyserats innefattar totalt ungefär 2700 timmar. En timme motsvarar ett tidssteg i simulationen. Nätstationens spänningsnivå sattes till 400 V för varje tidssteg.

I resultat simuleras och visas den kallaste veckan för den uppräknade förbrukningen. Tem- peraturerna motsvarar temperaturerna under vecka 2 2010.

3.1.6 Modellering av elbilsladdning

Datamodellen som används i denna studie är Grahn-Munkhammars, Pia Grahn, fors- kare och doktorand på avdelningen för elektriska energisystem vid KTH, och Joakim Munkhammar, Docent vid Institutionen för teknikvetenskaper, Byggteknik vid Uppsala Universitet, modell för hemmaladdning av laddbara fordon [14]. Modellen baseras på en tidsdiskret stokastisk Markovkedja. En Markovkedja är en stokastiskt process som har en Markovegenskap. Det betyder att processens förlopp kan beskrivas utan att känna till det förflutna och kan modelleras genom att enbart veta det befintliga, nuvarande, tillståndet.

Grahn-Munkhammars modellen är baserad på Joakim Widéns, Professor i byggteknik vid Uppsala Universitet, modell som genererar data för hushållselsanvändning [16]. Detta innebär ett antagande där varje person i ett hushåll enbart intar en aktivitet under en specifik tid av ett begränsat antal aktiviteter. Från denna princip har sedan Grahn et al vidareutvecklat en modell för laddning av elbilar i hemmet.

Grahn-Munkhammar modellen [14] innehåller 8 justerbara variabler som tillsammans genererar elbilens laddningsbehov. Det maximala laddningstillståndet, SOC_max, delmäng- den av urladdningsdjupet, p_dod, laddningseffekten, C_p, sannolikheten att bilen används, pcar, fordonets medelhastighet, v, konsumtionsfaktorn, c, och säsongskofficienten, C_i^s. Modellen utgår ifrån att batteriet är fulladdat, dvs batteriet besitter det maximala ladd- ningstillståndet. För varje gång en förare i hushållet intar tillståndet ”borta” kommer sannolikheten att elbilen används under detta tillstånd beskrivas med p_car, detta val be- hålls därefter för varje tidsteg som förarens tillstånd inte ändras och förblir ”borta”. När bilen används konsumeras elektrisk energi från batteriet, dvs laddningstillståndet minskar, baserat på konsumtionsfaktorn c som är proportionerligt mot tiden elbilen befinner sig i tillståndet ”borta” tills batteriet når det minimala laddningstillståndet. Konsum- tionsfaktorn, c, beror i sin tur av medelhastigheten, v, och säsongskofficienten, C_i^s. Om tillståndet ”borta” pågår samtidigt som elbilen används under en längre tid än vad batterikapaciteten tillåter antas bilen köras på ett annat drivmedel än el eller laddas publikt likvärdigt den resterande körtiden. Batteriet laddas upp direkt när föraren återvänder hem och till och med det maximala laddningstillståndet, SOC_max, är uppnått eller när föraren intar tillståndet borta och samtidigt använder sig av bilen igen. För att undvika förslitning av batteriet är laddningstillståndet begränsat till ett maximalt urladdnings- djup som bestäms av p_dod. Lasten av laddningen baseras på laddningseffekten, C_p, tills batteriet uppnått maximalt laddningstillstånd.

Modellens indata baseras på följande antaganden: Att varje hushåll äger en laddbar bil

(20)

där en av två boende är tilldelad egenskapen förare, en justerbar laddningseffekt angett i kW , batterikapacitet för bilen är 24 kW h, att bilen körs med en medelhastighet på 47 km/h, en total körsträcka på 12200 km per år och en medelkonsumtion av energi på 0.2 kW h/km inklusive förluster. Modellen simuleras över ett år i svenska förhållanden i antingen minutvis eller timvis upplösning. Sannolikheten för övergång till de olika till- stånden baseras på information insamlad från en undersökning över människors beteende genomförd i [17]. Körsträckan och medelhastigheten är baserad på en nationell resvane- undersökningen i Sverige 2004 och 2005 [18]. Enligt [18] är det vanligast förekommande med ett fordon per hushåll.

Vid en generering av 100 laddprofiler, i J. Munkhammars program EVHomeCharging [15] (baserat på [14]), under ett år med en laddeffekt på 3.7 kW resulterade i en medelef- fektskurva per dygn enligt figur 7.

Figur 7: Medeleffekt över ett dygn för 100 genererade effektprofiler under ett år i timupp- lösning och med en laddningseffekt på 3.7 kW [10]

(21)

3.1.7 Införande av laddprofiler i förbrukningsdatan

Effektprofilerna för elbilsladdning genererades i [15] och utdatan kom som en excelfil med 8760 (timmar på ett år) rader för varje profil. Varje cell motsvarar medelenergi per timme [kWh/h]. Ett exempeldygn för 7 unika laddprofiler med en laddeffekt på 11 kW kan ses i tabell 2.

Timme Profil 1 [kWh/h]

Profil 2 [kWh/h]

Profil 3 [kWh/h]

Profil 4 [kWh/h]

Profil 5 [kWh/h]

Profil 6 [kWh/h]

Profil 7 [kWh/h]

00:00:00 0 0 0 0 10450 0 0

01:00:00 0 0 0 0 0 0 0

02:00:00 0 0 0 0 0 0 0

03:00:00 0 0 0 0 0 0 0

04:00:00 0 0 0 0 0 0 0

05:00:00 0 0 0 0 0 0 0

06:00:00 0 0 0 0 0 0 0

07:00:00 0 0 0 0 0 0 0

08:00:00 0 0 0 0 0 0 0

09:00:00 0 0 0 0 0 0 0

10:00:00 0 0 0 0 0 0 0

11:00:00 0 0 0 0 0 0 0

12:00:00 0 0 0 0 0 0 0

13:00:00 0 0 0 0 0 0 0

14:00:00 0 0 0 0 0 0 0

15:00:00 733.33333 0 0 0 0 0 0

16:00:00 0 3483.3333 3300 0 0 0 0

17:00:00 0 5133.3333 0 0 0 0 2383.3333

18:00:00 0 11000 6050 0 0 0 11000

19:00:00 0 3300 4400 0 0 0 6050

20:00:00 0 0 0 5500 0 0 0

21:00:00 0 0 0 11000 0 0 0

22:00:00 0 0 0 1650 0 0 0

23:00:00 0 0 0 0 0 10266.667 0

00:00:00 0 0 0 0 0 9166.6667 0

Tabell 2: Ett exempeldygn för 7 unika laddprofiler.

För varje abonnent i varje scenario som blivit tilldelad en elbil adderades respektive profil inom samma tidsspann (antal timmar) på respektive abonnents förbrukning. Laddpro- filernas timmar valdes så att rätt timmar under året korrensponderade rätt timmar för förbrukningsprofilen, på grund av att behålla samma dygnsrytm och för att räkna med säsongskoffiecenten, C_i^s, för rätt årstid (vinter).

(22)

3.2 Uppräkning av förbrukningsdata

Eftersom temperaturvärden för denna vinter var förhållandevis milda gjordes en uppräk- ning mot en kallare tioårsvinter vilket anses vara befogat att dimensionera elnätet för.

Förutom de uppmätta förbrukningsvärdena krävdes det även temperaturdata timvis från både denna vinter samt en tioårsvinter. Temperaturvärden för vintern 2018/2019 och 2009/2010 erhölls från SMHI’s kundsupport [33]. Värdena är framtagna enligt MESAN som är en meterolgisk analysmodell som använder uppmätta värden från väderstationer i Sverige för att beräkna bland annat temperaturvärden för en viss longitud och latitud [34]. Vintern 2009/2010 valdes som en tioårsvinter enligt definitionen och datan i avsnitt 2.5.

Temperaturuppräkningen delas in i 2 delar. I den första delen i stycke 3.2.1 genomfördes en uträkning av den värmestyrda elförbrukningen och hushållsel förbrukning för varje område. I del 2, stycke 3.2.2, genomfördes det en regressionsanalys för den värmestyrda förbrukningen som sedan räknas upp. Slutligen adderas hushållselförbrukningen på den uppräknade värmestyrda förbrukningen vilket resulterar i den nya totala uppräknade förbrukningen.

3.2.1 Del 1

Som visas i figur 11 beräknades det ett glidande medelvärde för den ursprungliga för- brukningen (den oranga kurvan). Denna kurva skalades sedan ner för att efterlikna den värmestyrda elförbrukningen (den blåa kurvan) i figur 11 som motsvarar de långsamma underliggande variationerna i förbrukningskurvan. Därefter subtraherades den värmestyr- da förbrukningen från den ursprungliga kurvan vilket resulterar i den svarta kurvan i figur 11. Denna kurva motsvara hushållselsförbrukningen för området. Det gjordes även en be- räkning av det glidande medelvärde för temperaturdatan 2018/2019 som kan ses i figur 12. I ekvation 3 visas hur hushållselberäkningen genomfördes.

P_h = P_u− P_v (3)

där P_h [kWh/h] är hushållselsförbrukningen, P_u [kWh/h] den ursprungliga uppmätta förbrukningen och P_v [kWh/h] den värmestyrda förbrukningen. P_v är alltså ett nerskalat glidande medelvärde av P_u.

3.2.2 Del 2

I nästa steg genomfördes en regressionsanalys av det glidande medelvärdet för temperaturen 2018/2019, den orangea kurvan i figur 12, och den värmestyrda förbrukningen, den blåa kurvan i figur 11. Vilket resulterade i figur 13. Ett glidande medelvärde för temperaturen 2009/2010 under samma tidsperiod beräknades. Varje punkt i denna kurva beräk- nades med regressionsekvationen 4 vilket gav den uppräknade värmestyrda förbrukningen mot temperaturvärdena för 2009/2010. Därefter adderades hushållselförbrukningen, den svarta kurvan i figur 11, vilket resulterade i den nya uppräknade kurvan (blå heldragna) i

(23)

figur 14. Regressionsanalysen genomfördes med Matlabs inbyggda funktion ”polyfit ” [35]

och de glidande medelvärden med ”movmean” [36].

y = −5.7711 · x + 138.5014 (4)

där y = förbrukningen [kWh/h] och x = temperaturen [^◦C].

Notera att dessa resultat beskriver ett exempelområde. Samma metod användes vid varje område för att räkna upp temperaturen men då med förbrukningsdatan för det specifika området. Vilket betyder att ekvation 4 varierade för varje område.

3.2.3 Jämförelse med Velanders metod

En jämförelse med de uppräknade värden gjordes mot Velanders metod för att verifiera uppräkningen. Vid insamling om kunddata för varje område inhämtades varje hushålls kategorikod (som säger vilken typ av bostad det är och vilken typ av uppvärmning som husållen har) och tillhörande k₁ och k₂ för respektive kategori hämtades från Netkolls bruksanvisning [37]. Beräkningen gjordes enligt ekvation 1 där den årliga energiförbruk- ningen för varje kategorikod summerades. De uppräknade värdena sorterades efter stor- leksordning för de områdena som jämförelsen applicerades på. Den timme med högst medelenergi jämfördes mot den uträknade toppeffekten. Jämförelsen utfördes på två om- råden.

En mer ingående beskrivning av hur beräkningen med Velandersmetod genomfördes finns i appendix avsnitt 7.1.

3.3 Scenarion: Elbilsladdning

Nio scenarion med tre olika penetrationsgrader av elbilar samt tre olika fördelningar mellan laddeffekterna (11 eller 3.6 kW) modellerades för varje område. I tabell 3 finns en grafisk översikt för alla scenarion. Parametrerna 30 %, 60 % eller 90 % penetrationsgrad av elbilar där varje kund antingen har eller inte har en elbilsladdare tillsammans med fördelningen av laddeffekter enligt, 20 % 11 kW och 80 % 3.6 kW, 50 % 11 kW och 50 % 3.6 kW eller 80 % 11 kW och 20 % 3.6 kW utgjorde de nio scenarierna.

Scenario 1 innebär att 30 % av abonnenterna innehar en elbil per hushåll och att 20 % av dessa hushåll laddar sin bil med trefas växelström 16 A, 11 kW, samt 80 % med enfas växelström 16 A, 3.6 kW.

Vid varje scenario delades varje elbilsinnehavare ut jämt per kabelskåp i området för att på ett lättare vis undersöka vid vilken penetration varje delområde (kabelskåp) som kan skapa kapacitetsbrist.

Scenario 0 innebär 0 % penetrationsgrad, inga effektprofiler för elbilsladdare är pålagda utan det är enbart den uppräknade förbrukningskurvan som är simulerad.

(24)

Scenariotabell

Penetrationsgrad av elbilar:

30 %

60 %

90 % Fördelning av

3.6 kW/11 kW:

80 %/20 %

Scenario 1 Scenario 4 Scenario 7 Fördelning av

3.6 kW/11 kW:

50 %/50 %

Scenario 2 Scenario 5 Scenario 8 Fördelning av

3.6 kW/11 kW:

20 %/80 %

Scenario 3 Scenario 6 Scenario 9

Tabell 3: Tabell över de nio scenarierna.

3.4 Områden

Detta avsnitt beskriver de olika lågspänningsnäten som har analyserats.

3.4.1 Område 1

Område 1 är ett landsbyggdsområde som är en förort till Falun. Några av abonnenterna är kopplade till nätet via luftledningar. Alla abonnenter bor i villor med varierande typer av uppvärmning. Nätstationens transformators märkeffekt är 315 kW .

Område 1 Landsbyggd

Årlig elförbrukning (medel) 13 700 kWh Antal abonnenter 58 st

Typ av uppvärmning Blandat Tabell 4: Allmän information område 1.

(25)

Figur 8: Karta över område 1.

(26)

3.4.2 Område 2

Område 2 är ett radhusområde i Falun. Husen är byggda på 70-talet. De flesta abonnenterna har konverterat till fjärrvärme. Matarkablarnas tvärsnittsarea varierar mellan 150 och 50 mm². Flera kabelskåp är kopplade med dubbla matarkablar. Nätstationens transformators märkeffekt är 800 kW .

Område 2 Radhusområde med fjärrvärme

Årlig energiförbrukning (medel) 9 160 kWh

Antal abonnenter 71 st

Typ av uppvärmning Fjärrvärme

Tabell 5: Allmän information område 2.

(27)

3.4.3 Område 3

Område 3 är ett radhusområde i Falun likvärdigt område 2 dock utan fjärrvärme. Husen är byggda på 70-talet. Abonnenterna har eluppvärmda hus. Matarkablarnas tvärsnittsarea varierar mellan 185 och 50 mm². Flera kabelskåp är kopplade med dubbla matarkablar.

Nätstationen består av två transformatorer med en märkeffekt på 800 kW vardera.

Område 3 Radhusområde med eluppvärmning

Årlig energiförbrukning (medel) 17 160 kWh

Antal abonnenter 59 st

Typ av uppvärmning Eluppvärmning

Tabell 6: Allmän information område 3.

(28)

(29)

4 Resultat

4.1 Uppräkning av temperatur: Resultat

Dessa resultat speglar ett exempelområde, område 3, för hur uppräkningen genomfördes.

Samma metod som beskrivs i 3.2 applicerades för varje enskilt område. Dessa kurvor är förbrukningsdata från en nätstation för ett helt område.

Figur 11: Graf över den ursprungliga förbrukningen (den orangea kurvan), den värmestyr- da förbrukningen (den blåa kurvan) samt hushållselförbrukningen (den svarta kurvan).

Alla datapunkter är i timupplösning.

(30)

Figur 12: Graf över temperaturen 2018/2019 (den blåa kurvan) samt det glidande medel- värdet för kurvan (den orangea). Båda i timupplösning.

Figur 13: Graf över regressionsanalysen (den blåa kurvan) samt alla datapunkter (de orangea cirklarna) för varje förbrukning 2018/2019 vid tillhörande temperatur 2018/2019.

(31)

Figur 14: Graf över den uppräknade medeleffekten per timme (den blåa kurvan), uppräk- nad värmestyrd förbrukning (den blåa streckade kurvan) samt det glidande medelvärdet för temperaturen 2009/2010.

(32)

4.1.1 Resultat vid jämförelse med Velanders metod.

Jämförelsen utfördes i område 2 och område 3. Där det beräknade toppeffekten för område 2 blev 231.7 kW och för område 3 342.4 kW. Den timme med högst medelförbrukning av de uppräknade värdena för område 2 blev 234.4 kW och för område 3 blev det 328.8 kW.

De uppräknade värdena stämmer väl överens med de uppskattade värden med Velander metoden.

4.2 Simulationsresultat: Nätstation

I detta avsnitt visas den sammanlagda utgående aktiva effekten från nätstationen i varje område.

4.2.1 Område 1

Den aktiva effekten levererad från transformatorn i område 1 för alla scenarion visas i figur 15.

Figur 15: Aktiv effekt för alla scenarion för område 1. Blått för scenario 1 (streckat), 2 (punkt-streck) och 3 (heldragen), grönt för scenario 4 (streckad), 5 (punkt-streck) och 6 (heldragen) samt rött för scenario 7 (streckad), 8 (punkt-streck) och 9 (heldragen). Den heldragna linjen överst i grafen motsvarar transformatorns kapacitet.

(33)

4.2.2 Område 2

Den aktiva effekten levererad från transformatorn i område 2 för alla scenarion visas i figur 16 och en skalad graf med bättre upplösning visas i figur ??.

(34)

4.2.3 Område 3

Den aktiva effekten levererad från transformatorn i område 3 för alla scenarion visas i figur 17 och en skalad graf med bättre upplösning visas i figur ??.

(35)

4.3 Simulationsrsultat: Kabelskåp

I figur 18 visas strömmen i matarkabeln till kabelskåp 15 i område 1 för scenario 0 och 9.

I figur 19 samt figur 20 visas spänningen och strömmen i matarkabeln för kabelskåp 16 respektive kabelskåp 17.

För övriga simulationsresultat (scenario 1, 7 och 9) för alla kabelskåp i varje område finns i appendix avsnitt 7.2.

4.3.1 Område 1

Figur 18: Ström i matarkabel till kabelskåp 15 i scenario 9. De heldragna blåa linjerna motsvarar ström för scenario 0 och de punkt-streckade blåa scenario 9, de streckade är kabelns säkringsstorlek i nätstationen.

(36)

Figur 19: Ström och spänning i kabelskåp 16 i scenario 9. De heldragna blåa linjerna motsvarar ström för scenario 0 och de punkt-streckade blåa scenario 9, de streckade är kabelns säkringsstorlek i nätstationen. Heldragen orange motsvarar spänning i scenario 0 och den streckade oreanga scenario 9.

(37)

Figur 20: Ström och spänning i kabelskåp 17 i scenario 9. De heldragna blåa linjerna motsvarar ström för scenario 0 och de punkt-streckade blåa scenario 9, de streckade är kabelns säkringsstorlek i nätstationen. Heldragen orange motsvarar spänning i scenario 0 och den streckade oreanga scenario 9.

(38)

5 Diskussion

5.1 Antaganden i modellen/metoden

I denna modell utfördes simuleringarna i lågspänningsnätet under nätstationsnivå och impedanserna i kablarna samt den reaktiva produktionen och förbrukningen har försum- mats. Spänningen från nätstationerna är satt till 400 V vilket inte alltid stämmer överens med verkligheten, där spänningen kan variera mellan 405 till 380 V. Simulationerna utförs i ett program som enbart kan hantera jämnt fördelade faser vilket betyder att ojämnt fördelade faser inte analyseras. När enfasladdningen blir allt mer vanlig kommer det att påverka faserna i nätet och om flera abonnenter på samma kabelskåp laddar med enfas på samma fas kommer detta resultera i snedvridna belastningar. I detta arbete har inga fördjupande elkvalitetsanalyser genomförts. Hur den reaktiva effekten från elbilsladdarna påverkar nätet samt ojämn belastning av faser är intressant att undersöka vidare.

Detta arbete har analyserat effekttillgängligheten i lågspänningsnätet på nätstationsni- vå. Den förbrukningsdatan som simuleringarna bygger på är förbrukningen för ett helt område uppmätt vid nätstationen. Detta betyder att varje enskilt hushålls förbruknings- kurva inte analyseras utan enbart ett delvärde från den totala förbrukningskurvan. Varje hushåll (kund) har ett unikt beteende och olika typer av uppvärmning som kommer att påverka varje hushålls profil. I denna modell är varje hushålls förbrukningsprofil för varje område identiska dock med olika höga värden baserat på deras årliga energiförbrukning mot den total årliga energiförbrukningen för hela området. Genom timvis mätning och insamling av förbrukningsdata för varje abonnent kan mer exakta analyser göras för varje hushåll.

Förbrukningen är uppmätt vintern 2018/2019 vilket inte är en tioårsvinter och motsvarar alltså inte ett ”worst case” scenario för dimensioneringen. Uppräkningen av förbrukningen stämmer väl med Velanders metod men är fortfarande en uppskattning av hur förbruk- ningen kan se ut vid en tioårsvinter. Mer förbrukningsdata krävs från flera tioårsvintrar för att göra en mera verklighetstrogen analys. Uppräkningen bygger på ett linjärt samband av den värmestyrda förbrukningskurvan mot temperatur vilket inte stämmer mot verkligheten. Värmepumpar och andra elektriska uppvärmningssystem beteer sig linjärt till en viss temperatur men vid extrema förhållanden (mycket låga eller höga temperaturer) under en längre tid kan de börja betee sig olinjärt och därav är inte förbrukningen längre linjärt med temperaturen.

Temperaturvärden som använts vid uppräkningen är beräknade för Faluns longitud och latitud hos SMHI. Det vill säga att det inte är riktiga uppmätta värden. Alla områ- dens uppräkning bygger på samma temperaturer även om de skiljer sig geografiskt. De uppmätta värden som finns för Falun i SMHIs databas för Falun var enbart uppmätta 2 gånger per dygn och i denna uppräkning krävdes det temperaturvärden i timupplösning.

Modellen för elbilsladdningen baseras ej på riktiga effektkurvor vid laddning av elbilar.

(39)

het. Hur effektuttaget ser ut under en laddcykel varierar med vilken ombordladdare bilen har och vilken typ av laddare bilen laddas med. Flera mätningar och insamling av data från riktiga laddningar och beteendemönster hos elbilsanvändare skulle kunna ligga till grund för en ännu mer exakt modell för elbilsladdning. Modellen tar ej hänsyn till hur laddningsmönstret och effektprofilen påverkas vid extrema temperaturer (tioårsvinter).

Säsongskoffiecienten i Grahn-Munkhammar modellen tar visserligen hänsyn till om det är vinter, sommar, höst eller vår men inte om det är en ovanligt kall vinter eller ovanligt varm sommar. Flera analyser och mätningar av laddningen av elbilar vid extrema temperaturer vore intressant att undersöka närmre. Vid jämförelse av den genomsnittliga förbrukningskurvan för ett dygn av 100 genererade förbrukningsprofiler genererade i Munkhammars program som visas i figur 7 med figur 4 och figur 3 stämmer de väl med varandra. Detta påvisar att denna modell är en rimlig uppskattning för laddbeteende hos elbilsägare.

Modellen utgår även ifrån att batterikapaciteten för en elbil är i snitt 24 kWh vilket stäm- mer enligt statistiken för alla laddbara bilar i Sverige, både laddhybrider och rena elbilar.

Enligt prognosen i figur 1 kommer laddhybrider först att öka i antal de kommande åren och därefter nå jämnvikt ungefär 2025 och därefter börjar de att minska för att sedan nästan helt fasas ut framåt 2045. Om man tittar på snittkapaciteten för rena elbilar är den högre, runt 40 kWh. Nyproducerade elbilar får allt större batterier med högre kapacitet. Större batterier kommer resultera i längre laddningsperioder, dvs längre effektkurvor.

Toppeffekterna kommer inte att påverkas så länge laddningseffekten är densamma men effekttillgängligheten över tid samt energitillgängligheten kommer att öka.

Förbrukningsdatan som fanns tillgänglig var medelenergi per timme [kWh/h] och säger alltså inget om de kortare toppeffekterna vid nätstationen. En transformator kan under en kortare tid, från några timmar till någon dag, köras på 120% av märkeffekten. Eftersom de uppräknade värden speglar förbrukningen vid kall utomhustemperatur betyder det att transformatorer som står placerade i ouppvärmda utrymmen i nätstationer får en kylande effekt av den omgivande temperaturen. Dvs klarar transformatorn av att köras över märkeffekten under en längre tid i kalla förhållande än i varma.

5.2 Diskussion av resultat

Om man jämför figur 15 med 16 och 17 ser man att nätstationen i område 2 och 3 har en mycket högre tillgänlig medeleffekt [kWh/h] än vad område 1 har. Detta beror på att transformatorns märkeffekt i område 2 och 3 är mycket högre gentemot antal abonnenter och förbrukningen i respektive område. Område 2 har dessutom två parallellkopplade transformatorer med en märkeffekt på 800 kW var. Abonnenterna i område 3 har konverterat till fjärrvärme från direktverkande elvärme vilket kan vara en delförklaring till den höga effektillgänligheten. I område 1 ser man att eftermiddagstoppen under tisdagen börjar att närma sig transformatorns märkeffekt i scenario 9. Dock är detta under en kort period och är inte något problem för transformatorn att hantera. Eftersom område 1 är ett landsbyggdsområde och område 2 och 3 ligger mer centralt är det också rimligt att

(40)

I alla scenarion ligger strömvärdet klart under säkringsstorleken för kabeln utom möjlig- vis i figur 18, område 1 kabelskåp 15, där vissa toppar i slutet av veckan ligger på 80 A med en säkringsstorlek på 100 A.

Gränserna för spänningsnivåerna i samtliga figurers grafiska snitt är satt till +5 % respektive -5 % från märkspänningen (400 V). Enligt den Europeiska standarden EN 50160 ska slut-användarna (abonnenterna längst ut i nätet) spänningsnivå vara inom ±10% av märkspänningen (400 V). I område 2 håller sig spänningsnivån utan problem inom 400 och 390 V i scenario 9. Huvudspänningen i område 1 håller sig också innanför gränserna, dock ser man tydligare spänningsdippar i scenario 9 vid kabelskåp 16 i figur 19 och vid kabelskåp 17 i figur 20. Detta beror framförallt på att dessa kabelskåp är kopplade till nätet med luftledningar som inte klarar lika höga belastningar om markkablar eftersom luftledningarna har en lägre tvärsnittarea än markkablarna. I figur 19, kabelskåp 16, kan även flera spänningsdippar utöver de som sammanfaller med strömtopparna observeras.

Detta beror på att strömmarna i nätet högre upp påverkar spänningen längre ner. Ka- belskåp 16, figur 19 som är en av kabelskåpen placerat längs ut i nätet är kopplat till kabelskåp 17, figur 20. Om man jämför strömtopparna i kabelskåp 17 med spännings- dipparna i kabelskåp 16 ser man ett tydligt samband mellan lägre spänning vid högre ström.

5.3 Effekttillgänglighet och energitillgänglighet

Arbetet har analyserat effekttillgängligheten i lågspänningsnätet på nätstations nivå i Falun kommun och resultatet visar att elbilsladdningen inte kommer att utgöra något större problem i Faluns nät. Eftersom problemet inte ligger i nätstationen på lågspän- ningnätet kan problemet istället föras vidare högre upp i högspänningsnätet och den överliggande tillgängliga effekten för hela Falun. Om den effekten inte skulle räcka till skulle en utbyggnad av regionnätet (50-130 kV) krävas. I Stockholm finns redan dessa problem där det krävs en högre effektleverans från norra delen av Sverige, där majoriteten av energin produceras, för att hindra effektbrist i södra Sverige.

Vidare kan sägas att utöver den tillgängliga effekten är det även en fråga om den till- gängliga energin, dvs kraftproduktionen i Sverige. Denna analys har enbart behandlat tre mindre områden med ett fåtal abonnenter. Om, i det större perspektivet, t ex om 90% av Sveriges bilägare har elbil kommer även efterfrågan av elenergi öka. Med kärnreaktorer som börjar närma sig sitt bäst före datum som ersätts med oregelbundna kraftprioduktio- nen som solceller och vindkraft kan dessa ökade energinivåer skapa stora problem. Vårt samhälle blir bara mer och mer beroende av elektricitet och med den fossilfria elen som Sverige har idag vill man ogärna importera fossilt producerad el från andra länder. El- bilsladdningen är inte enbart en fråga om effekttillgänglighet utan även tillgängligheten av energi. I det här arbetet har frågan om hemmaladdning undersökts med relativt lå- ga effektnivåer om man jämför med snabbladdning, likströms laddning. Snabbladdning som är en förutsättning för elbilar har i dagens läge i Falun laddeffekter på 50 kW men

(41)

350 kW. Dessa effektnivåer skapar höga belastningar på elnätet och kommer att kräva ännu högre effekt och energitillgänglighet jämfört med effektnivåerna som omfattas vid hemmalddning.

(42)

6 Slutsats

Av de 3 områdena som undersöktes i detta arbete utgjorde belastningen för hemmaladdning av elbilar inte något problem även i det värsta konstruerade scenariot. Dock är dessa typer av analyser fortfarande viktiga för energibolag såsom Falun Energi & Vatten att undersöka då belastningar från elbilar inte har analyserats i någon större utsträckning tidigare. Denna rapport visar en metod för hur man kan gå till väga när man gör en sådan typ av analys. En metod för hur en temperaturberoende uppräkning av förbrukningen hos hushåll har också presenterats. En tioårsvinter infaller just en gång vart tioende år och det finns därför av naturliga skäl väldigt lite förbrukningsdata från dessa perioder.

Därför är en uppräkning av den uppmätta förbrukningen en bra metod för att göra en uppskattning av hur det kan se ut vid extrema temperaturer. Velandersmetod är en väle- tablerad men i dag kanske en förlegad metod. Nya metoder krävs för att kunna uppskatta framtidens effekt- och energibehov och den här rapporten ligger till grund som ett exempel hur detta kan genomföras. Rapporten påvisar även att modellen som används vid elbilsladdning är en bra uppskattning för hur laddbeteendet ser ut hos elbilsägare.

Av de 6 frågeställningar som presenterades i början av rapporten har alla behandlats utom den sista. Den sista frågan, punkt 6, har i sken resultatet av arbetet samt tidsbrist inte besvarats. Resultatet visar att elnäten är väldimensionerade och klarar den här typen av belastning utan återgärder. Utifrån litteraturstudien har en prognos tagits fram för hur hemmaladdning av elbilar skulle kunna se ut. Om denna uppskattning är rimlig eller inte kan enbart framtiden utvisa. Simulationsprogrammet ändrades från Simulink, (vilket är en modul till Matlab) till ett script i Matlab under arbetets gång pga av effektivitet och tillgänglighet.

I framtida studier är en större nätanalys på en högre nivå i distributionsnätet intressant att genomföra. Hur ser effekt- och energitillgängligheten ut högre upp i nätet? En för- djupad analys av elkvaliten i nätet vid elbilsladdning skulle även vara intressant. T ex simulationer med möjlighet till analys av obalanserade faser och hur elkvaliten påverkas lokalt vid laddning.

(43)

Referenser

[1] Elsäkerhetsverket, INFORMATIONSBEHOV RÖRANDE ELSÄKERHET KRING LADDINFRASTRUKTUREN FÖR ELBILAR, 2014

https://www.elsakerhetsverket.se/globalassets/publikationer/

rapporter/elsak_informationsbehov_laddningsinfrastruktur_2014.pdf [2] Elbilsstatistik, besöktes den 13 Februari 2019

https://www.elbilsstatistik.se/elbilsstatistik [3] Falu Energi & Vatten,

https://www.fev.se/privat/

[4] Murat Yilmaz, Philip T. Krein, Review of Battery Charger Topologies, Char- ging Power Levels, and Infrastructure for Plug-In Electric and Hybrid Vehicles, 2012

https://ieeexplore.ieee.org/document/6280677 [5] Power Circle, Elbilsläget 2018

https://infogram.com/elbilslaget-2018-1h1749rjvkrq4zj?live [6] Elbilsupphandlingen, På väg mot fler elbilar i Sverige, 2015

https://elbilsupphandling.se/app/uploads/Elbilsupphandling-slutrapport-mars-2015-6-mb.

pdf

[7] A.P.Robinson, P.T.Blythe, M.C.Bell, Y.Hübner, G.A.Hill, Analysis of electric vehicle driver recharging demand profiles and subsequent impacts on the carbon content of electric vehicle trips, Energy Policy, volume 61, Pages 337- 348, 2013

https://www.sciencedirect.com/science/article/pii/S0301421513004266 [8] J Dickert and P Schegner. Residential load models for network planning purposes.

In Modern Electric Power Systems (MEPS), 2010 Proceedings of the In- ternational Symposium, pages 1–6. IEEE, 2010

[9] Iana Vassileva, Javier Campillo, Adoption barriers for electric vehicles:

Experiences from early adopters in Sweden, Energy, volume 120, pages 632-641, 2017

https://www.sciencedirect.com/science/article/abs/pii/

S0360544216317741

[10] National Renewable Energy Laboratory, National Plug-In Electric Vehicle In- frastructure Analysis, 2017

https://www.nrel.gov/docs/fy17osti/69031.pdf

[11] Hardman, Scott, et al., A review of consumer preferences of and interactions with electric vehicle charging infrastructure., Transportation Research Part

(44)

D: Transport and Environment, Volume 62, pages 508-523, 2018

https://www.sciencedirect.com/science/article/pii/S1361920918301330 [12] ICCT, Emerging Best Practices for Electric Vehicle Charging Infrastructu-

re, 2017

https://www.theicct.org/sites/default/files/publications/

EV-charging-best-practices_ICCT-white-paper_04102017_vF.pdf

[13] Patrick Morrisseya, Peter Weldona, Margaret O’Mahonya, Future standard and fast charging infrastructure planning: An analysis of electric vehicle charging behaviour, 2016

https://www-sciencedirect-com.ezproxy.its.uu.se/science/article/pii/

S0301421515302159

[14] Grahn P., Munkhammar J., Widen J., Alvehag K., Soeder, L., PHEV Home- Charging Model Based on Residential Activity Patterns, IEEE Transactions on Power Systems 28; 2507-2515, 2013.

https://ieeexplore-ieee-org.ezproxy.its.uu.se/stamp/stamp.jsp?tp=

&arnumber=6422344&tag=1

[15] Dr. Joakim Munkhammar, EVHomeCharging

https://www.teknik.uu.se/solid-state-physics+/Software/

[16] Joakim Widén, Ewa Wäckelgård, A high-resolution stochastic model of domestic activity patterns and electricity demand, 2010

https://www-sciencedirect-com.ezproxy.its.uu.se/science/article/pii/

S0306261909004930

[17] Kajsa Ellegård, Matthew Cooper, Complexity in daily life – a 3D-visualization showing activity patterns in their contexts, 2004

https://ideas.repec.org/a/leu/journl/2004vol1p37-59.html [18] SIKA Statistik, Den nationella resvaneundersökningen, 2007

https://www.trafa.se/globalassets/sika/sika-statistik/ss_2007_19_1.

pdf

[19] Wikipedia, Depth of discharged

https://en.wikipedia.org/wiki/Depth_of_discharge [20] Wikipedia, State of charge

https://en.wikipedia.org/wiki/State_of_charge

[21] Juuso Lindgren, Peter D. Lund, Effect of extreme temperatures on battery charging and performance of electric vehicles, 2016

https://www.sciencedirect.com/science/article/abs/pii/

S0378775316308941

(45)

[22] Yutaka Motoaki, Wenqi Yi, Shawn Salisbury, Empirical analysis of electric vehicle fast charging under cold temperatures, 2018

https://www.sciencedirect.com/science/article/pii/S0301421518304828 [23] ScienceDaily, Electric vehicle charging in cold temperatures could pose chal-

lenges for drivers

https://www.sciencedaily.com/releases/2018/08/180801093718.htm [24] MathWorks, MATLAB R2006a,

https://se.mathworks.com/products/matlab.html [25] Built Environment Energy Systems Group,

https://www.teknik.uu.se/solid-state-physics+

/built-environment-energy-systems/

[26] J.J. Grainger, W.D. Stevenson, Power System Analysis, McGraw-Hill, New York, 1994.

[27] Kamstrup 351C, Strömtransformatormätare http://ecti.co.th/wp-content/

uploads/2017/05/Kamstrup-351-C-Brochure-English.pdf

[28] DpPower, https://www.digpro.se/sv/vara-produkter/el [29] NEXANS Kabelboken,

https://www.nexans.com/Sweden/files/Kabelboken140630.pdf [30] NKT Kabelhandboken,

https://www.nkt.se/fileadmin/user_upload/NKT_kraftkabelhandboken.pdf [31] Energimyndigheten, Indikatorer för försörjningstrygghet, 2007

https://dokodoc.com/indikatorer-fr-frsrjningstrygghet-er-200704.html [32] Svenska Kraftnät, Den svenska effektbalansen vintrarna 2005/2006 och

2006/2007, 2006

https://www.svk.se/siteassets/om-oss/rapporter/effektbalans_rapport_

2006.pdf

[33] SMHI, Utforskaren öppen data

https://www.smhi.se/klimatdata/utforskaren-oppna-data/

[34] SMHI, MESAN Mesoskalig Analys

https://www.smhi.se/publikationer/mesan-mesoskalig-analys-1.36796 [35] MathWorks Documentation, polyfit

https://se.mathworks.com/help/matlab/ref/polyfit.html [36] MathWorks Documentation, movmean

https://se.mathworks.com/help/matlab/ref/movmean.html?s_tid=doc_ta

(46)

[37] Netkoll, Bruksanvisning

http://www.netkollforum.com/NetkollDoc/BruksStd.pdf [38] Patrik Lindergren, Chargestrom

[39] Mazdak Haghanipour, BMW Group Northern Europe

(47)

7 Appendix

7.1 Velanders metod område 2

I det här avsnittet beskrivs det mer ingående hur beräkningarna med Velanders metod genomfördes för område 2.

Varje abonnents (kunds) kategorikod i området erhölls från DpPower, Falu Energi &

Vattens GIS-program för nätdata. Därefter tilldelades varje kategori ett k1 och k2 enligt tabell 1 sida 8 i Netkolls bruksanvisning [37]. Av de 72 abonnenterna i området är 71 hushåll och 1 är ett garage. Den årliga energiförbrukningen för alla abonnenter i respektive kategori summerades och toppeffekten beräknades enligt ekvation 1. I tabell 7 visas den sammanlagda årliga energiförbrukningen för varje kategori med tillhörande k₁ och k₂ samt den beräknade toppeffekten för varje kategori och den totala effekten.

Den totala toppeffekten jämfördes mot den timme med högst förbrukning av den upp- räknade förbrukningsdatan. Dvs innan laddprofilerna adderades. Timmen med högst medeleffekt för område 2 av de uppräknade förbrukningsdatan var 234.3 kW vilket stämmer väl överens med Velandersmetod.

Samma tillvägagångssätt applicerades på område 3 där den totala toppeffekten beräkna- des till 342.2 kW enligt Velandersmetod och den timme med högst uppmätt medelför- brukning blev 328.8 kW.

Kundkategori Antal [st] Tot årsförbrukning [kWh] k₁ k₂ P [kW]

Villa fjärrvärme 59 516551 0,000161 0,117 167.25

Villa direktelvärme 13 126938 0,0003 0,025 46.99

Garage 1 28326 0,0002 0,07 17.45

Totalt:

231.69 Tabell 7: Tabell av kunderna i område 2. Vilken typ av kundkategori, deras sammanlagda årliga energiförbrukning, tillhörande k1 och k2samt beräknad toppeffekt för varje kategori och den totala toppeffekten.

7.2 Simulationsresultat: Kabelskåp

I detta avsnitt visas resultatet för varje kabelskåp i varje område i scenario 1, 7 och 9.

Strömmarna för varje kabel till varje kabelskåp visas med scenario 0 som jämförelse mot aktuellt scenario. Spänningsnivåerna visas enbart i kabelskåpen långt ut i näten. I de grafer som enbart visar ström kan den högra skalan (orange från 0 till 1) ignoreras.

(48)

7.2.1 Område 1: Scenario 1

I figur 21, 22, 23, 24, 25 och 26 visas graf för strömmarna i matarkablarna till varje kabelskåp i område 1 scenario 1 och scenario 0 samt spänningarna för kabelskåpen längst ut i näten. Även säkringsstorleken för varje kabel visas.

Figur 21: Ström i matarkabel till kabelskåp 1 för område 1. 6 utgående serviser från kabelskåpet. Den heldragna blåa linjen motsvarar ström för scenario 0 och den punkt- streckade scenario 1, den streckade är kabelns säkringsstorlek i nätstationen.