Bachelor Informatica
Update van elektrisch voertuig
spotsysteem door data met foto's
te combineren
Bart van den Aardweg
11 augustus 2017
orma
tica
—
Universiteit
v
an
Ams
terd
am
Samenvatting
De druk om over te stappen op elektrische voertuigen neemt steeds verder toe. Door uit-laatgassen terug te brengen kan de luchtkwaliteit verbeterd worden en kunnen de klimaat-veranderingen worden tegengegaan. Om de uitrol en het gebruik van elektrische voertuig
laadstations zo effici¨ent mogelijk te maken wordt onder het IDO-laad programma aan de
HvA onderzoek gedaan. De onderzoeksgroep maakt gebruik van een unieke dataset die ge-gevens van meer dan 5 miljoen oplaadsessies in Nederland bevat.
Deze dataset bevat echter geen informatie over de elektrische voertuigen die bij een op-laadsessie zijn opgeladen. Daarom is er een systeem ontwikkeld dat aan de hand van foto’s de voertuigen herkend met kentekenplaatherkenning. Na het bepalen van het oplaadstation worden deze gegevens opgeslagen, samen met de informatie over het voertuig.
In deze scriptie zijn enkele mankementen van het systeem verholpen en is de informatie afkomstig uit het systeem gekoppeld aan oplaadsessies in de dataset van IDO-laad. Er is een analyse uitgevoerd om de toegevoegde waarde en mogelijkheden van de nieuwe data aan te tonen. Daarnaast is bediscussieerd wat de kwaliteit van de nieuwe dataset is. De resultaten zijn veelbelovend: met een dataset van 400 herkende voertuigen kan informatie worden toegekend aan ruim 100.000 laadsessies.
Inhoudsopgave
1 Introductie 7 1.1 Onderzoeksvraag . . . 8 2 Gerelateerd werk 9 2.1 Bestaand systeem . . . 9 2.1.1 Architectuur . . . 10 2.1.2 Server . . . 10 2.1.3 Mobiele applicatie . . . 10 3 Uitbreidingen EV spotsysteem 13 3.1 Server . . . 13 3.2 Mobiele applicatie . . . 14 3.2.1 Overzicht . . . 14 3.2.2 Statistieken . . . 15 3.2.3 Spotten . . . 16 3.3 Koppeling data . . . 17 4 Analyse datasets 21 4.1 IDO-laad dataset . . . 21 4.2 Spotdataset . . . 255 Analyse gekoppelde data 29 6 Conclusies 37 6.1 Vervolgonderzoek . . . 37
HOOFDSTUK 1
Introductie
Om een goede luchtkwaliteit te garanderen kan elektrisch vervoer een uitkomst bieden. Door uitlaatgassen terug te brengen kunnen ook de klimaatveranderingen worden tegengegaan. Am-sterdam is een van de koplopers in het stimuleren van het gebruik van elektrische vervoersmid-delen [3]. De gemeente faciliteert dit onder andere door het bouwen van infrastructuur, zoals laadpalen, en het subsidi¨eren van de aankoop van elektrische vervoersmiddelen [28]. Er is in Amsterdam het doel gesteld om in 2025 zoveel mogelijk uitstootvrij verkeer te hebben [4]. Niet alleen in Nederland wordt de druk om over te stappen op elektrische voertuigen gerea-liseerd. Het Noorweegse parlement heeft besloten dat in 2025 alle auto’s die verkocht worden geen (elektrisch of waterstof) of lage (plug-in hybrids) uitstoot moeten hebben [5]. India heeft aangegeven om ernaar te streven in 2030 alleen nog verkoop van elektrische vervoersmiddelen toe te staan [18]. Frankrijk [9] en Engeland [6] hebben aangekondigd vanaf 2040 de verkoop van benzine- en dieselauto’s te verbieden. Er is een alliantie opgericht, de International Zero-Emission Vehicle Alliance (ZEV Alliance), die als doel heeft om de klimaatimpact van de transportsector met meer dan 1 miljard ton CO2 te verlagen tegen 2050 [31]. Op het moment van schrijven zijn de leden Groot-Brittanni¨e, Duitsland, Nederland, Noorwegen, de staten Californi¨e, Connecticut, Maryland, Massachusetts, New York, Oregon, Rhode Island en Vermont in de Verenigde Staten en Qu´ebec in Canada. Samen vertegenwoordigd deze groep ongeveer de helft van de verkoop-markt van EV’s (elektrische voertuigen) wereldwijd.
Om de uitrol en het gebruik van EV-laadstations zo effici¨ent mogelijk te maken is onderzoek hard nodig. Aan de HvA is onder de Urban Technology afdeling het IDO-laad [16] programma (Intelligente Data-gedreven Optimalisatie Laadinfrastructuur) opgericht. Er wordt samenge-werkt met het Computational Science lab van de UvA.
Het onderzoek maakt gebruik van een unieke dataset die gegevens van meer dan 5 miljoen op-laadsessies in Nederland bevat. De gegevens bestaan uit begin- en eindtijden van de sessie, het aantal kilowattuur opgeladen en aan welk laadstation is opgeladen. Gebruikers kunnen worden ge¨ıdentificeerd aan de hand van het unieke nummer van hun oplaadpas. Om privacy te waar-borgen zijn er geen gegevens over het opgeladen voertuid aan de oplaadpas gekoppeld. Gegevens over een voertuig zijn wel publiekelijk beschikbaar en kunnen met behulp van het kenteken op-gehaald worden. Met behulp van deze gegevens kunnen nieuwe inzichten in de dataset verkregen worden. Hiermee kunnen betere conclusies worden getrokken en kan het IDO-laad programma bijdragen aan het optimaliseren van de uitrolstrategie¨en van laadstations.
1.1
Onderzoeksvraag
Door de Urban Technology groep is een smartphone applicatie ontwikkeld die onderzoekers in staat stelt om elektrische voertuigen te spotten. Het proces is als volgt: de gebruiker neemt een foto van een auto die aan het opladen is. Met kentekenplaatherkenning wordt het kenteken verkregen. Hiermee worden vervolgens gegevens over de auto opgehaald, zoals het type en prijs-klasse. Met GPS gegevens kan de foto gelokaliseerd worden en daarmee wordt het oplaadstation afgeleid, waar de foto bij genomen is. Hiermee kunnen de gegevens over de auto gekoppeld wor-den aan een oplaadsessie.
Deze nieuwe gegevens kunnen inzicht verschaffen in de laadpatronen van verschillende gebrui-kers. Het wordt mogelijk gemaakt om onderscheid te maken op grond van catalogusprijs, aantal zitplaatsen, merk, model en configuratie. Ook kan het EV type uit deze gegevens worden opge-maakt: vol-elektrisch (BEV, Battery Electric Vehicle) of deels-elektrisch (PHEV, Plug-in Hybrid Eletric Vehicle, is zowel elektrisch als met verbrandingsmotor). Dit gegeven kan eerder onder-zoek [14] versterken, waarin het EV type bepaald werd aan de hand van de hoeveelheid geladen kilowattuur en een schatting van de laadsnelheid. De nieuwe gegevens zijn dus van essenti¨eel belang om trends en verhoudingen in de dataset te kunnen categoriseren en verklaren en om gebruikers specifieker te kunnen onderscheiden. Door specifieker gebruikspatronen te kunnen analyseren en door de invloed van bepaalde automodellen en types te kunnen evalueren, kan er effectiever beleid opgesteld worden. Dit is nodig om doelen omtrent de overgang op elektrische voertuigen, die vele landen gesteld hebben, te behalen.
De laatste stap van het spotsysteem, die de nieuwe gegevens aan laadsessies moet koppelen, is echter nog niet ge¨ımplementeerd. Verder zijn er enkele mankementen aan het spotsysteem die het lastig maken om te spotten of waardoor gegevens niet goed worden opgehaald. De onder-zoeksvraag luidt daarom:
Hoe kan het EV spottersysteem uitgebreid worden om de IDO-laad dataset te verrijken met ge-gevens over de opgeladen auto’s?
Dit onderzoek is als volgt opgedeeld:
• Het EV spotsysteem is uitgebreid met functionaliteiten om spotten gemakkelijker te maken en om doeltreffender te kunnen spotten.
• De implementatie van het koppelen van spotdata aan de IDO-laad dataset.
• Er is analyse uitgevoerd om de noodzaak van de dataset-uitbreiding te bewijzen, om moge-lijk nieuwe inzichten te vinden en om een opzet te gegeven voor vervolgonderzoek op grond van de uitgebreide dataset.
Bij het uitbreiden van het spotsysteem zijn enkele randvoorwaarden vervuld:
• Doordat de laadinfrastructuur constant wordt uitgebreid, kan het zijn dat een laadstation niet in de dataset staat. Via de app moet het mogelijk zijn om laadstations toe te voegen. Ook moet de dataset met laadstations in de app up-to-date worden gehouden met de IDO-laad dataset.
• Om effici¨ent te kunnen EV spotten moet het met de app makkelijk zijn om laadstations in de buurt te vinden.
• Gebruikers van de app kunnen statistieken van de voortgang van de spotdataset inzien, om doelgerichter te kunnen spotten.
HOOFDSTUK 2
Gerelateerd werk
Het IDO-laad systeem omvat de IDO-laad dataset, evenals een computationele server om on-derzoekers berekenen te laten doen op deze data. De IDO-laad dataset bevat gegevens van oplaadsessies, die afkomstig zijn van de energieproviders. Het EV spotsysteem dient als uitbrei-ding op het IDO-laad systeem. Hieronder wordt het EV spottersysteem [8] uiteengezet, zoals dat bestond v´o´or het uitvoeren van dit onderzoek.
2.1
Bestaand systeem
Het bestaande systeem is gebruikt van eind september 2016 tot en met begin februari 2017. In die periode zijn in totaal 500 spots gedaan, waarvan 400 succesvol (bevatten alle gegevens). Ge-middeld werden er 3 spots per dag gedaan. Er kon nog geen onderscheid worden gemaakt tussen gebruikers. Achteraf is gebleken dat er een fout in het systeem zat, waardoor de catalogusprijs en het aantal zitplaatsen van een auto niet werden opgehaald en opgeslagen. Daarmee zijn in de spotdataset alleen de plaats (adres en lengte- en breedtegraad), laadstation, tijdstip en merk, model, configuratie, type en kleur van de auto opgeslagen per spot. Naast het ontbreken van prijs en aantal zitplaatsen, worden gegevens over de motor ook niet meegenomen.
2.1.1
Architectuur
Figuur 2.1: EV spotsysteem architectuur, afkomstig uit [8].
Het bestaande spotsysteem bestaat uit een server en een mobiele applicatie. Het systeem staat los van het IDO-laad systeem, omdat de IDO-laad dataset privacygevoelig is en daarom alleen voor bevoegden in een prive-netwerk beschikbaar is. De app communiceert met de server van het spotsysteem volgens de client-server architectuur.
2.1.2
Server
De server draait Ubuntu met een LAMP [29] (Linux, Apache, MySQL en PHP) stack. In de MySQL database zijn de gegevens van de spots, gebruikers en laadstations opgeslagen. Op de server draait de API waarmee de app communiceert en deze is geschreven in Python. De API is RESTful en implementeert de functionaliteit die nodig is voor de app om in te loggen en auto’s te spotten. De spotdata wordt dagelijks opgevraagd door een script vanuit het IDO-laad systeem en opgeslagen in de database van dat systeem.
2.1.3
Mobiele applicatie
De app is ontwikkeld in Ionic (versie 1) [17], een framework dat het mogelijk maakt om een hybriede app te ontwikkelen. In Ionic kan met HTML, CSS, en javascript (AngularJS) een app geschreven worden, die compileerd naar meerdere platforms, waaronder Android en iOS. In het ontwikkelproces wordt een app dus als een website gebouwd. Om gebruik te maken van hardware-functionaliteit als de camera en GPS van een telefoon, worden Cordova [10] plugins gebruikt. Cordova zorgt voor een abstractie-laag tussen Ionic en het besturingssysteem van de telefoon. Hierdoor is het dus niet nodig om per platform functionaliteit te schrijven om foto’s te maken en dergelijken. Dit versnelt het ontwikkelproces aanzienlijk.
Figuur 2.2: De verschillende schermen bij het spotproces: gebruiker haalt huidige locatie op en upload een foto van een EV dat oplaadt (links), met kenteken worden gegevens bepaald (midden), laadstation wordt bepaald met huidige locatie (rechts).
Een gebruiker kan in de app een foto maken of een bestaande foto uploaden van een EV die aan het opladen is. Als de gebruiker een foto maakt, wordt met GPS de locatie van gebruiker auto in lengte- en breedtegraad bepaald. Als de gebruiker een bestaande foto uploadt, wordt uit de EXIF-metadata van de foto de locatie gehaald. Met de GPS-co¨ordinaten wordt het dichtsbij-zijndste laadstation bepaald. Met kentekenherkenning wordt het kenteken van de auto bepaald. Hiermee wordt uit de online toegankelijke database van het RDW (Dienst Wegverkeer) [23] infor-matie over de auto opgehaald. Deze inforinfor-matie over de auto in combinatie met een timestamp en de locatiegegevens van het laadstation (een spot) wordt opgeslagen op de server. De gebruiker moet aangeven of het kenteken correct is en kan het aanpassen als het incorrect is. Van het laadstation moet de gebruiker aan de hand van het adres aangeven of het correct is. Als het incorrect is krijgt de gebruiker een ander laadstation in de buurt te zien. Het is in de praktijk vaak lastig om aan de hand van het adres aan te geven of het laadstation juist is, aangezien de gebruiker het adres vaak niet precies weet. Daarnaast is het adres meestal het adres dat het dichtst bij de laadpaal in de buurt is en is dus niet altijd accuraat.
HOOFDSTUK 3
Uitbreidingen EV spotsysteem
3.1
Server
De API die op de server draait was ontwikkeld met de ingebouwde Python module
BaseHTTPServer en vertoonde stabiliteitsproblemen bij meer dan 1 actieve client. Ook wordt gesuggereerd dat deze module niet geschikt is voor productie-omgevingen en zijn er onopgeloste bugs die crashes kunnen veroorzaken [21]. Daarom is de API omgeschreven om gebruik te maken van Tornado [27]. Dit is een webframework dat een asynchroon networkprotocol implementeert en maakt gebruik van niet-blokkerende netwerk I/O. Hierdoor kan het vele (duizenden) con-necties tegelijk aan [22], waardoor het goed werkt bij lang openstaande concon-necties, zoals in het geval van de app. Een gebruiker logt namelijk in en maakt via de app daarna zeer waarschijnlijk meerdere API-calls om statistieken op te vragen of EV’s te spotten.
In de database van de server worden de verschillende tussenresultaten en het eindresultaat (de spot) van het spotproces opgeslagen. Ook is er een tabel aanwezig die de adresgegevens en co¨ordinaten van alle laadstations bevat, afkomstig uit IDO-laad.
Laadpalen kunnen verplaatst, verwijderd of erbij gebouwd worden. Aangezien de laadinfra-structuur constant verandert, is het nodig om deze tabel up-to-date te houden om de juiste laadstations te suggereren in het spotproces. Voor dit probleem is een script geschreven dat vanuit het IDO-laad systeem de gegevens van alle laadstations uploadt naar de server. Op de server wordt de oude tabel vervangen door de nieuwe. De server accepteert de upload alleen als de juiste geheime sleutel is meegegeven, omdat de laadstation-data alleen mag worden vervangen met de echte data uit IDO-laad. De sleutel is alleen bij de server en bij het script bekend en zo wordt misbruik voorkomen. Om het uitlekken van de data en de geheime sleutel te voorkomen, wordt versleuteld gecommuniceerd over het HTTPS-protocol. Door dit script dagelijks uit te voeren wordt gegarandeerd dat de data niet verouderd raakt.
Code Energiebron B Benzine
C LNG (Liquified Natural Gas) D Diesel
E Elektriciteit
G LPG (Liquified Petroleum Gas) H CNG (Compressed Natural Gas) W Waterstof
A Alcohol
Tabel 3.1: Lijst van mogelijke energiebronnen van een motor van een voertuig, in de RDW-database.
Zoals in sectie 2.1 is besproken, haalde de server de catalogusprijs en aantal zitplaatsen van een auto niet op uit de database. Deze fout is opgelost. Daarnaast staat er in de RDW-database ook informatie over de motor(s) van een auto. Per motor wordt het soort brandstof gegeven, zie tabel 3.1. Aan de hand van deze informatie wordt bepaald of het gaat om een BEV of PHEV. Als een auto alleen een elektrische motor heeft, is het een BEV. Als een auto zowel een elektrische als fossiele brandstofmotor bevat, is het een PHEV. Dit gegeven wordt voor elke spot opgeslagen als het EV-type. Het kan ook zijn dat een auto geen elektrische motor bevat, dan wordt bij het EV-type NONEV opgeslagen.
3.2
Mobiele applicatie
3.2.1
Overzicht
Om het mogelijk te maken gebruikerspecifieke feedback te geven, moeten gebruikers van de app een account aanmaken en inloggen om de app te kunnen gebruiken. Van elke spot wordt opge-slagen door welke gebruiker hij gemaakt is. Na inloggen komt de gebruiker op een hoofdscherm waar weergegeven wordt hoeveel spots hij/zij gedaan heeft en hoe dit verhoudt tot het gemid-delde (figuur 3.1). Onderaan dit scherm zijn de laatste 5 spots van de gebruiker te zien. Verder kan gekozen worden om naar het spotten te gaan, of om statistieken te bekijken.
3.2.2
Statistieken
Figuur 3.2: Statistiekenscherm van de app: grafiek van aantal spots versus tijd (links), heatmap van de spotlocaties (rechts).
Op het statistieken-scherm (figuur 3.2) kan de gebruiker inzicht krijgen in de spotdataset. Er is een grafiek die het aantal spots tegenover de tijd visualiseert. Het is mogelijk om in en uit te zoomen door op data te klikken. Er is weergave van het totaal (jaren), per maand (van een gespecificeerd jaar) en per dag (van een gespecificeerde maand). Ook kan de gebruiker ´e´en of meerdere steden toevoegen aan de plot, zodat het verschil ten opzichte van het totaal bekeken kan worden.
Om inzicht te geven waar gespot is en waar het interessant kan zijn om meer te spotten om de dataset aan te vullen, wordt er een heatmap van de spots weergegeven. Hoe meer er in een gebied gespot is, hoe intenser de kleur op de kaart. Verder wordt per automodel het aantal spots weergegeven.
3.2.3
Spotten
Figuur 3.3: Spotscherm van de app.
Het spotten is opgesplitst in twee stappen: in de eerste stap moet de gebruiker een foto maken of een bestaande foto uploaden. De gebruiker een kaart te zien met zijn eigen positie en de laadpalen in de buurt (figuur 3.3). Deze laadpalen worden door de server teruggegeven aan de hand van de GPS-co¨ordinaten van de gebruiker, uit een grote tabel van alle laadpalen, origineel afkomstig uit de IDO-laad dataset.
In de tweede stap geeft de server het kenteken van de gespotte auto met informatie uit RDW over de auto en de laadstations in de buurt terug. De gebruiker moet het kenteken goedkeuren, of het handmatig corrigeren. Daarnaast moet de gebuiker op een kaart het correcte laadstation selecteren. Omdat de laadstations nu op een kaart worden weergeven, waarop ook de positie van de gebruiker te zien is, is het makkelijker voor gebruikers het correcte laadstation te bepalen. Ook biedt dit een oplossing om laadstations die dicht bij elkaar staan en hetzelfde adres hebben uit elkaar te houden.
Het kan voorkomen dat een laadpaal niet in de dataset aanwezig is. Daarom kan een de spotter ook zelf een laadpaal toevoegen op zijn huidige locatie. Om fouten te voorkomen worden laad-palen die heel dicht bij elkaar zijn gezet voor andere gebruikers verborgen. Ook is het mogelijk om de laadpalen die toegevoegd zijn door een bepaalde gebruiker verborgen te maken.
3.3
Koppeling data
Om volledig onderzoek te kunnen verrichten aan de IDO-laad dataset met de spotdata verkregen uit het spottersysteem, is het noodzakelijk dat de spots gekoppeld worden met de bijbehorende oplaadsessie uit IDO-laad. Hieronder wordt een overzicht van de relevante data-elementen gege-ven en wordt de implementatie van het koppelen omschregege-ven.
Attribuut Voorbeeld Omschrijving Address Prinsengracht 638-640 Adres van laadstation PostalCode 1017KV Postcode van laadstation City Amsterdam Stad van laadstation Region Amsterdam Regio van laadstation District Centrum District van laadstation State NH Provincie van laadstation Location skey 104 Unieke code van het laadstation license hash 1978e33e93f302e93... SHA-1 hash van het kenteken timestamp 2017-02-27 21:52:02 Tijdstip van spot
spot longitude 4.89039 Lengtegraad van spot spot latitude 52.3623 Breedtegraad van spot brand MITSUBISHI Merk van gespotte auto model MITSUBISHI OUTLANDER Model van gespotte auto
type Personenauto (M1) Voertuigcategorie van gespotte auto configuration stationwagen Inrichting van gespotte auto
price 45729 Catalogusprijs van gespotte auto (euro) color Bruin Kleur van gespotte auto
seats 5 Aantal zitplaatsen van gespotte auto ev type PHEV EV type (BEV, PHEV of NONEV)
Tabel 3.2: Data resultaat van een spot
Tabel 3.2 geeft een overzicht van de data die uit een spot resulteert. Het attribuut Location skey refereert aan een entry in de laadpaal-tabel (DIM LOCATION) van de IDO-laad dataset. Een om-schrijving van een record uit de laadpaal-tabel is gegeven in tabel 3.3.
Attribuut Voorbeeld Omschrijving
Location skey 105 Unieke nummer van laadstation Country NLD Land van laadstation
State NH Provincie van laadstation Region Amsterdam Regio van laadstation City Amsterdam Stad van laadstation Address Prinsengracht 638-640 Adres van laadstation PostalCode 1017KV Postcode van laadstation District Centrum District van laadstation SubDistrict De Weteringschans Subdistrict van laadstation
SubSubDistrict De Weteringschans Deel van het subdistrict van laadstation Latitude 52.3623 Breedtegraad van laadstation
De gegevens uit de spots moeten gekoppeld worden aan de bijbehorende laadsessie uit de FACT CHARGESESSION tabel uit IDO-laad. Data in deze tabel is afkomstig van de energieleveran-ciers en wordt nooit aangepast: de tabel wordt alleen vergroot. Een beschrijving van een entry uit deze tabel is te zien in tabel 3.4.
Attribuut Voorbeeld Omschrijving
ChargeSession skey 5822744 Uniek nummer van de laadsessie Transaction ID 17030207412604EB6C92jV5w Transactiecode van de laadsessie Location skey 105 Nummer van het laadstation Provider NUON Energieleverancier
ChargePoint skey 722 Unieke nummer van de laadpaal RFID skey 24073 Unieke nummer van de laadpas ChargePoint ID EVB-P1541146 Code van de laadpaal
StartConnectionDateTime 2017-02-27 12:33:19.0 Starttijd van de laadsessie EndConnectionDateTime 2017-03-02 08:41:26.0 Eindtijd van de laadsessie ConnectionTimeHours 68.13528 Duur van de laadsessie ChargeTimeHours 0.5432432 Geschatte laadtijd
kWh 4.02 Aantal kilowattuur geladen StartDate skey 20170227 Startdatum van de laadsessie EndDate skey 20170302 Einddatum van de laadsessie
Tabel 3.4: FACT CHARGESESSION: gegevens van oplaadsessies uit IDO-laad
Een script is ontwikkeld dat de spots aan de juiste laadsessie koppelt. Dit script breidt de spots-tabel uit met het attribuut ChargeSession skey van de bijbehorende laadsessie. Per spot worden de volgende stappen doorlopen om de correcte laadsessie te vinden:
• Eerst worden alle laadsessies gefilterd op start- en eindtijd. Alleen de sessies met een StartConnectionDateTime van v`o`or timestamp en een EndConnectionDateTime van daarna blijven over.
• Vervolgens wordt gesorteerd en gefilterd op een aantal verschillende factoren. Sessies met een matchende Location skey worden hoger gerankt. Er kan niet enkel en alleen op Location skey geselecteerd worden, aangezien gegevens die bij deze parameter horen kun-nen veranderen. Daarom wordt op deze parameter niet gefilterd.
Het absolute verschil tussen de lengte- en breedtegraad van de sessies en de spot wordt berekend. Hoe kleiner het verschil, hoe hoger de ranking. Dit wordt in de ranking het zwaarst gewogen. Als het verschil te groot is, worden de sessies niet verder meegeno-men (verschil mag nooit groter zijn dan 100 meter). De laadsessies met dezelfde postcode (PostalCode) als de spot worden hoger gerankt.
Daarna wordt gekeken naar het laadpatroon van de gebruikers aan de hand van de unieke identifier van de laadpas (RFID skey): het kan namelijk zijn dat er meerdere laadsessies op ´
e´en plek op hetzelfde moment zijn, aangezien laadstation meerdere slots kunnen hebben (doorgaans twee) en daarin wordt geen onderscheid gemaakt in de dataset. Ook kunnen meerdere laadstations dicht bij elkaar staan (soms met dezelfde postcode). Aan de hand van de laadpatronen van de gebruikers kan bepaald worden welke gebruiker er waarschijn-lijker bij de spot hoort. Er wordt gerankt op het aantal sessies dat de gebruiker behorende bij de laadsessie in kwestie bij het laadstation had, in de afgelopen drie maanden. Over het algemeen hebben gebruikers namelijk een vast patroon. Hoe hoger het aantal sessies, hoe hoger de ranking.
UseType Aantal sessies Car2GO 231935 Connexxion 1145 Regulier 4744368 Taxi 66806 Onbekend 2016
Tabel 3.5: Aantal laadsessies in de dataset per gebruikstype.
In Nederland heeft Car2GO op moment van schrijven alleen elektrische Smart Fortwo’s actief [2]. De laadsessies worden dus verder gefilterd: als het merk (brand) en model (model) bij de spot Smart Fortwo is, dan moet het UseType van de sessie gelijk zijn aan Car2GO. Andersom kan een sessie niet bij de spot horen, als het type Car2GO is en het merk en model niet gelijk zijn aan Smart Fortwo.
• Ten slotte wordt de hoogst gerankte sessie geselecteerd en gekoppeld, met een bepaalde zekerheid erbij. Als de postcode overeenkomt zal de zekerheid hoger zijn. Als de gebruikers die op moment van de spot op dezelfde plaats aan het laden waren een sterk verschillend laadpatroon (in totaal) vertonen zal de zekerheid ook toenemen. Als het laadpatroon van de gebruikers echter sterk overeenkomt, zal de zekerheid lager uitvallen.
Met deze implementatie konden alle spots uit een dataset van 400 spots aan een laadsessie gekoppeld worden met hoge zekerheid.
Aangezien er na het koppelen gegevens over de auto die opgeladen is met een bepaalde laadpas (RFID skey) beschikbaar zijn, kunnen deze gegevens aan meer laadsessies gekoppeld worden. De IDO-laad dataset bevat namelijk gemiddeld 48 laadsessies per laadpas. Hoewel het niet helemaal zeker is dat in deze andere sessies dezelfde auto is opgeladen, zal dit toch bijna altijd het geval zijn. Ook in ander onderzoek is deze aanname gedaan [14]. Dit aangezien de meeste mensen het grootste deel van de tijd in dezelfde auto rijden, of in ieder geval hetzelfde type (Car2GO). Om onzekerheid te verwerken, omdat niet zeker is dat alle laadsessies bij een laadpas met dezelfde auto worden gedaan, kunnen de laadsessies worden gewogen. Bijvoorbeeld de arbitraire keuze: van gematchte spots is het gewicht 1, bij laadsessies die er met het RFID-nummer bijgenomen zijn is het gewicht 0.1. Het is niet zeker of deze weging nodig dan wel nuttig is, aangezien niet bekend is hoeveel verschillende auto’s er gemiddeld met ´e´en laadpas opgeladen worden. Om-dat bij de meeste laadpassen enkele honderden laadsessies horen, zal de invloed van de weging miniem zijn. Daarnaast kan het zijn dat de laadsessie waarvan een auto is gespot juist zelf de uitschieter is. Daarom kan worden aangenomen dat dit niet nodig is.
HOOFDSTUK 4
Analyse datasets
Hieronder volgt eerst een globale analyse op de IDO-laad dataset, op enkele veelgebruikte maat-staven in dit onderzoeksgebied [13]. Er is gekeken naar mogelijke trends in het aantal laadsessies, aantal kWh geladen, aantal gebruikers. De hypothese is dat deze trends lastig te verklaren zijn en er meer gegevens nodig zijn om de oorzaak te achterhalen. Aan de hand van de resultaten en vanuit de literatuur is besproken wat de toegevoegde waarde is van de uitbreiding. Vervolgens is een oppervlakkige analyse gegeven in een dataset van 400 spots, om inzicht te krijgen in de verdeling van de verschillende variabelen en om aan te geven waar mogelijke zwakheden zitten.
4.1
IDO-laad dataset
De IDO-laad dataset bevat gegevens van circa 5 miljoen oplaadsessies van de ruim 5 duizend publieke laadstations in heel Nederland. Om consistentie te waarborgen is de dataset gefilterd volgens een deel van de criteria beschreven in [14]. De volgende sessies zijn verwijderd:
• Dubbele of incomplete entries.
• Laadsessies waarin minder dan 0 of meer dan 110 kilowattuur geladen is (er zijn geen EV’s met een capaciteit van >=110 kWh).
• Duur van de laadsessie was korter dan 15 minuten of langer dan 4 weken. Overgebleven zijn 3,8 miljoen sessies.
Om inzicht te krijgen in trends in de dataset worden een aantal statistieken van het totaal ver-geleken met de 5 belangrijkste gebieden: de G4 (Amsterdam, Den Haag, Rotterdam, Utrecht) en MRA (metropoolgebied Amsterdam). Amsterdam is verreweg de grootste speler en omvat ongeveer 1.5 miljoen oplaadsessies van 1500 oplaadstations, met ruim 45 duizend gebruikers in totaal.
In het vervolg zijn de datasets afgebakend van februari 2016 tot en met maart 2017, om recente ontwikkelingen te benadrukken. Resulterend zijn 2,5 miljoen records in totaal en 2 miljoen voor de G4 plus MRA.
(a) Totaal (b) G4 en MRA Figuur 4.1: Aantal laadsessies per maand.
Opvallend is dat het aantal laadsessies per maand (figuur 4.1) blijft toenemen in Amsterdam, Utrecht en Den Haag, maar een sterke daling heeft in begin 2017 voor het hele land. Het is te zien dat de afname wordt veroorzaakt door een afname in Rotterdam. Mogelijk ontbreken hier laadgegevens van. Er zijn ook duidelijke overeenkomsten: in de vakantieperiode (juli, augustus) is er een dipje en eind 2016 neemt het aantal laadsessies bij beide sterk toe.
(a) Totaal (b) G4 en MRA
Figuur 4.2: Gemiddelde opgeladen kWh per laadsessie per maand.
In figuur 4.2 is te zien dat het gemiddeld aantal kilowattuur geladen per laadsessie schommelt tussen de 7.5 en 8.5 bij het totaal en tussen de 8.0 en 9.0 in Amsterdam. Daarmee ligt het gemiddelde ongeveer 0.5 kWh (∼6%) hoger in Amsterdam. Beide plots vertonen eenzelfde soort, parabool-achtige vorm, met een dal midden 2016 en een piek begin 2017.
(a) Totaal (b) G4 en MRA Figuur 4.3: Totaal opgeladen kWh per laadsessie per maand.
(a) Totaal (b) G4 en MRA
Figuur 4.4: Aantal unieke gebruikers per maand.
Figuren 4.3 en 4.4 geven respectievelijk het totaal aantal opgeladen kilowattuur per laadses-sie per maand en het aantal unieke gebruikers per maand. Beide figuren vertonen een bijna identiek verloop vergeleken met figuur 4.1. De conclusie kan worden getrokken dat de oorzaken een vergelijkbare invloed hebben op deze absolutie maatstaven.
Hoewel sommige verschijnselen verklaard kunnen worden met beschikbare data, zoals het dipje in de zomer van 2016 met de vakantieperiode, kunnen niet alle veranderingen per maand worden verklaard. Ook de sterke onderlinge verschillen tussen de steden (figuur 4.2) zijn maar deels te verklaren met beschikbare gegevens. Het uitbreiden van de dataset met gegevens over de auto’s kan mogelijk de uitkomst bieden.
Er zijn een aantal onderzoeken gedaan naar gebruik van laadinfrastructuur en gedrag van EV bestuurders [11] [26] [20] [25]. Ook naar de economie van EV’s, zoals aankoop [19] en mogelijke business cases [15] en mogelijke uitrol strategie¨en [7]. In veel gevallen gaat het echter om pilots of simulaties, en waar echte data wordt onderzocht gaan deze studies voornamelijk in op de keuze van de plaats om laadpalen te bouwen of te evalueren. Maar met een sterke toename van EV’s en daarop volgend ook laadstations, zal de dichtheid van laadstations toenemen, met name in steden. Het is daarom belangrijk om onderzoek te doen dichter bij de gebruiker, zoals tussen steden [30] en tussen districten [28].
Bij onderzoek naar deze laadgebieden met hogere dichtheid kan het gedrag van gebruikers ge-bruikt worden om veranderingen te verklaren. Er zullen in deze laadgebieden veel gebruikers zijn, met een hoge diversiteit aan laadgedrag. Vaak wordt alleen onderscheid gemaakt tussen gedrag bij thuis of uit laden. In IDO-laad is het mogelijk om verschillende type gebruikers te analyseren. Er is onderzoek gedaan naar patronen in laadgedrag en er zijn 6 uiteenlopende patro-nen benoemd [12]. Aan de hand van laadgedrag kan de utilisatie van laadpalen geoptimaliseerd worden door verschillende laadpatronen te combineren door lokaal en algemeen beleid.
Het is nodig om de IDO-laad dataset uit te breiden om beter inzicht te krijgen in laadgedrag. Met gegevens over de auto’s zoals het aantal zitplaatsen, catalogusprijs, type, configuratie en merk kan onderzoek gedaan worden naar de (mogelijke) correlatie met gebruikspatronen en invloed op effici¨ent gebruik van de laadinfrastructuur. Deze informatie is van belang voor gemeentes om een doeltreffend beleid op te stellen en te evalueren (onder andere subsidies), dat uitlaatgassen het effectiefst terugbrengt en zoveel mogelijk laadpalen optimaal in gebruik heeft.
In [14] is onderzoek gedaan naar trends en verhoudingen in gebruik van de laadinfrastructuur op basis van EV type (BEV of PHEV). In dit onderzoek wordt het EV type bepaald aan de hand van criteria op basis van laadsnelheid (geschat volgens [30]) en maximum kilowattuur ge-laden in totaal in alle sessies. Dit kan doordat BEV’s veel grotere accu’s hebben vergeleken met PHEV’s, maar er zijn ook uitzonderingen. Ook is er een groep die niet gecategoriseerd kon worden en het vermoeden bestaat dat sommigen niet juist gecategoriseerd zijn. Met informatie uit het spotsysteem is ook het EV type te bepalen. Door de EV types en resultaten die daarmee behaald kunnen worden te vergelijken kan dit onderzoek versterkt worden. Informatie over de verschillen in laadgedrag tussen BEV en PHEV en de trends bij PHEV is hard nodig, aangezien de verkoop van PHEV’s explosief is toegenomen. De bijdrage aan reductie van uitlaatgassen van PHEV’s moet duidelijk zijn, om een effectief beleid te hanteren, omdat PHEV’s ook voor een deel uitlaatgassen uitstoten.
4.2
Spotdataset
De spotdataset bevat gegevens van auto’s zoals catalogusprijs, type (personenauto of bedrijfs-auto), configuratie (onder andere stationwagen of sedan), EV type (PHEV of BEV), merk en model. De dataset omvat in totaal 400 complete spots. Om inzicht te krijgen in de verdeling van de data volgen hieronder plots van alle gegevens uit RDW. Dit zijn namelijk de nieuwe gegevens die door de uitbreiding worden toegevoegd. Om te bepalen over welke nieuwe parameters valide uitspraken gedaan kunnen worden en over welke waardes van deze parameters, moet duidelijk zijn hoe de spots over de verschillende nieuwe parameters verdeeld zijn.
Hoewel er in de dataset het aantal zitplaatsen, catalogusprijs en EV type ontbraken, konden deze er later bijgehaald worden door gebruik te maken van het license hash (het versleutelde kenteken) en de gecachete kentekens in de server van het EV spotsysteem.
Figuur 4.5: Verdeling van de spots over het type van de auto.
Zoals in figuur 4.5 te zien valt zijn de spots nagenoeg alleen van personenauto’s. Dit kan gevolgen hebben voor de conclusies die uit analyse op deze dataset getrokken worden: ze zijn niet te gene-raliseren naar elk type auto. Het is sterk aan te raden om een evenrediger verdeelde spotdataset te verkrijgen om zo ook inzicht te krijgen in zakelijk EV laadgedrag.
Figuur 4.6: Verdeling van de spots over de configuratie (inrichting) van de auto. In figuur 4.6 is te zien dat de dataset voornamelijk de configuraties hatchback en stationwagen representeert. Er zijn relatief weinig spots van cabriolets en gesloten opbouw auto’s (ongeveer 5 tot 10).
Figuur 4.7: Verdeling van de spots over het EV type (PHEV of BEV). Als het type niet kan worden bepaald, wordt NONEV toegekend.
Het grootste aantal spots zijn van plug-in hybrides (figuur 4.7). BEV’s zijn beduidend minder gespot. Dit valt ook in lijn met het marktaandeel van de EV types: volgens het RVO waren er op 30 juni 2017 16.316 BEV’s en 98.894 PHEV’s geregistreerd [24]. Het verschil is volgens het RVO zelfs nog groter, er zijn 6 keer meer PHEV’s dan BEV’s. De verhouding in de spotdataset is slechts factor 4. Aangezien veel spots in Amsterdam gedaan zijn is een deel van de BEV’s Car2GO auto’s, die exclusief in Amsterdam actief zijn en dus niet representatief zijn voor het totale marktaandeel. Door Car2GO gebruikers uit te sluiten kan de verhouding worden verhoogd naar factor 4,5.
Figuur 4.8: Verdeling van het aantal spots over automerk.
Figuur 4.9: Verdeling van het aantal spots over automodel.
Aan de hand van de figuren 4.8 en 4.9 wordt het duidelijk dat de spotdataset de meeste spots van de merken Mitsubishi, Volkswagen en Volvo bevat. Ook Tesla, Audi en Smart (Car2GO)
Figuur 4.10: Verdeling van de spots over de catalogusprijs van de auto, opgedeeld in klassen van 3000 euro.
In figuur 4.10 is te zien dat de dataset voornamelijk spots van auto’s in de prijsklasse tus-sen de 40 en 60 duizend euro bevat. Er zijn verder pieken ronde 25 en 65 duizend euro.
Het grootste aantal spots is van auto’s met 5 zitplaatsen (figuur 4.11). Er zijn slechts 2 spots van auto’s met 6 zitplaatsen, beide van een Tesla Model X.
HOOFDSTUK 5
Analyse gekoppelde data
In het vorige hoofdstuk werd in sectie 4.2 duidelijk dat de spotdataset voor sommige waarden van categori¨een weinig data bevat (1 of 2 spots). Omdat bij een dergelijk laag getal de kans groot is om een uitschieter te pakken te hebben die niet representatief is voor de parameterwaarde, zijn deze niet meegenomen bij onderstaande analyse op die categori¨een.
Door het koppelen van gegevens over een auto aan een RFID, kan de gekoppelde dataset sterk worden vergroot. Dit verhoogt de bruikbaarheid van de data en resulteert erin dat het aantal laadsessies van 400 naar ruim 100.000 gaat. Dit is een aanzienlijk deel van de totale dataset van 3,8 miljoen laadsessies. Met de gekoppelde dataset kunnen daarom degelijke uitspraken gedaan worden over trends en patronen in laadgebruik.
Met de gekoppelde data zijn een aantal nieuwe inzichten in de IDO-laad dataset te verkrij-gen. Belangrijke invalshoeken zijn laadsessieduur, oplaad tijdstippen, aantal sessies, hoeveelheid opgeladen kilowattuur, bezetting en benutting van laadpalen, zoals toegepast in [28] [13]. Deze kunnen nu worden onderzocht per merk, model, configuratie, EV type, prijs en aantal zitplaatsen. In deze analyse is gekeken naar een selectie van de nieuwe combinaties tussen parameters. Er is het vermoeden dat configuratie, aantal zitplaatsen en merk en model sterk gerelateerd zijn. Om er achter te komen of er een verband is tussen laadgedrag en automodel is er gekeken naar de benutting en bezetting van laadstations op basis van configuratie, EV type en model. Daarnaast is gekeken of catalogusprijs van de auto bepaald laadgedrag karakteriseerd. Verder is de verdeling van de gekoppelde laadsessies per stad onderzocht, om de breedte van de dataset te verhelderen. Ten slotte is met het EV type een bestaande methode van bepaling van het EV type gevalideerd.
Figuur 5.1: De gemiddelde totale duur in uren van laadsessies en het gemiddelde deel dat daad-werkelijk wordt geladen. Vergeleken op configuratie (inrichting) van de opgeladen auto’s.
Figuur 5.2: De gemiddelde verdeling van laadtijd en connectietijd per EV type van de opgeladen auto’s.
In figuur 5.1 is te zien dat hatchbacks gemiddeld het langste laadstations bezet houden zon-der te laden per sessie. Auto’s met gesloten opbouw en coupe’s benutten de laadinfrastuctuur gemiddeld het meest.
Uit figuur 5.2 wordt duidelijk dat BEV’s gemiddeld de langste laadsessies en laadtijd hebben en PHEV’s de kortste. Dit is te verklaren met het feit dat de accucapaciteit van BEV’s gemiddeld veel hoger ligt dan die van PHEV’s: 41,4 kWh tegenover 10,5 kWh [1]. Er is geen duidelijk verschil tussen de verhouding van laadtijd en connectietijd.
Figuur 5.3: De gemiddelde timeratio: het deel van de laadsessie dat wordt geladen gedeeld door de totale duur van de laadsessie (1 is de volledige duur). Vergeleken op model van de opgeladen auto’s.
Figuur 5.3 laat zien welk deel van de laadsessie de auto daadwerkelijk wordt opgeladen, dit wordt ook wel de timeratio genoemd. Deze parameter geeft inzicht in de benutting van de laadinfrastructuur. Er zijn alleen modellen bekeken waarvan minimaal 100 laadsessies zijn gere-gistreerd, om met hogere zekerheid een representatieve weergave van het laadgebruik te krijgen. De conclusie kan worden getrokken dat gebruikers van de BMW 330E en de Smart Electric Drive gemiddeld de laadstations het meest benutten. De Toyota Prius PHEV heeft beduidend de laag-ste timeratio. Dit betekent dat gebruikers met deze auto gemiddeld het langst laadstations bezet houden zonder op te laden. Deze resultaten komen overeen met de vorige resultaten. De Toyota Prius is namelijk een hatchback en die configuratie heeft gemiddeld ook de laagste timeratio (zie figuur 5.1). Gemiddeld gezien is er geen groot verschil in timeratio tussen de EV types, zoals ook duidelijk werd uit figuur 5.2.
(a) Connectietijd. (b) Laadtijd.
Figuur 5.4: Totale duur van de laadsessie (links) en laadtijd (rechts) voor de catalogusprijzen van de opgeladen auto’s.
In figuur 5.4 zijn de duur van de laadsessies (a) en de laadtijden (b) geplot voor de catalo-gusprijs van de opgeladen auto’s. Hoe donkerder de punten, hoe hoger het voorkomen van data. Er is een lijn gefit volgens het generalized additive model (GAM), dit is generiek lineair model. Opmerkelijk is dat er in beide figuren drie scherpe hoeken zitten vlak voor de 50000 euro. Waar-schijnlijk is dit een gevolg van de fit-methode. Desalniettemin valt op te maken dat er een piek in zowel de laadsessieduur als laadtijd is rond de 50000 euro. In connectietijd (a) zit een dal rond de 75000 euro en nog een piek rond de 120000 euro. Dit suggereert dat auto’s van circa 75000 euro gemiddeld minder lang laadpalen bezet houden. In de laadtijd (b) zit een dal rond de 60000 euro en een bijna lineair verloop bij hogere catalogusprijs. De verschillen in laadtijd zijn te klein om een conclusie te trekken. Daarbij komt dat er geen evenredige verdeling van de catalogusprijzen is, zoals ook duidelijk werd in figuur 4.10.
Het is niet geheel duidelijk of de prijs van een auto een goede indicatie geeft van het laadgedrag. Verder onderzoek naar de gebruikspatronen per prijsklassen moet aantonen of er prijsklassen kenmerkend zijn voor bepaalde patronen.
(a) Totaal (b) Gekoppelde spots
Figuur 5.5: Aantal laadsessies per stad per maand, over een periode van februari 2016 tot en met maart 2017.
In figuur 5.5 is het aantal laadsessies per maand per stad weergegeven in totaal (a) en van de gekoppelde spotdata (b). Het valt op dat de verhouding tussen de steden niet gelijk is, bij de gekoppelde spots heeft Amsterdam in grotere mate de overhand. Ook bevat de gekoppelde spotdataset relatief zeer weinig spots van Den Haag en MRR. Daarnaast vertoont de lijn van het aantal laadsessies in Amsterdam andere karakteristieken vergeleken met het totaal, op een graduele toename na.
Wegens het grote verschil in de verdeling van laadsessies over de verschillende steden van de gekoppelde dataset met het totaal, kunnen op moment van schrijven geen betrouwbare analyses gedaan worden op stadsniveau op basis van de gekoppelde dataset.
Figuur 5.6: Maximale kilowattuur geladen in alle laadsessies en het totaal aantal sessies per laadpas. Gegroepeerd op EV type.
Het EV type van auto’s kan per gebruiker (laadpas, zie figuur 5.6) bepaald worden aan de hand van het maximale aantal kWh geladen en de laadsnelheid, volgens de methode uit [14]. In dit onderzoek worden trends en verhoudingen tussen PHEV’s en BEV’s onderzocht. Zoals wordt aangegeven zijn er problemen met deze methode om EV type bepalen. De methode gaat ervan uit dat PHEV’s nooit meer dan 16 kWh kunnen laden, maar omdat accu’s steeds groter worden, zal deze grens opschuiven. Op moment van schrijven zijn er al 2 PHEV’s die een accucapaciteit groter dan 16 kWh hebben [1]. Daarnaast is er een groep auto’s die niet gecategoriseerd kunnen worden, omdat de methode pas het type PHEV toekend als er van de gebruiker minimaal 10 laadsessies geregistreerd zijn.
De gekoppelde spotdata bevat ook het EV type, zie figuur 5.7a. Door de EV types van de gekoppelde spots te vergelijken met de resultaten van de eerder genoemde methode, kan de dataset versterkt worden. Verkeerd gecategoriseerde EV’s kunnen gecorrigeerd worden en de ’Unknown’-groep kan verkleind worden.
(a) EV type gekoppelde spots (b) EV type dat correct is van het totale aantal ge-bruikers volgens gekoppelde spots
Figuur 5.7: Maximale kilowattuur geladen in alle laadsessies en het totaal aantal sessies per laadpas.
Figuur 5.7b laat het deel van de totale dataset zien dat voorkomt in de gekoppelde spotdata. Er is aangegeven welk deel volgens de spotdata correct is en welk deel incorrect is. Het valt op dat de incorrecte EV types met name rond de 16 kWh grens voorkomen en dat de meeste correct zijn. In figuur 5.8 is de verdeling van het aantal laadsessies per EV type te zien, voor (a) en na (b) de correctie. De correctie brengt geen aanzienlijke verandering teweeg. Dit bevestigt de betrouwbaarheid op moment van schrijven van de categorisatiemethode. Om de groep van onbekend EV type terug te dringen zou de spotdataset groter moeten zijn. Omdat er in de toekomst steeds meer PHEV’s met een accucapaciteit van boven de 16 kWh zullen komen, kan de spotdataset een uitkomst zijn. Voor dit doeleinde is het echter belangrijk om het aantal spots te vergroten, aangezien er per gebruiker gecorrigeerd wordt.
(a) Voor correctie (b) Na correctie
Figuur 5.8: Verdeling van het totaal aantal laadsessies per EV type, voor en na de correcte met de gekoppelde spotgegevens.
Aan de hand van de resultaten die in dit hoofdstuk gepresenteerd zijn, kan de conclusie worden getrokken dat er betrouwbare analyses gedaan kunnen worden op basis van de nieuwe gecom-bineerde dataset. Figuren 5.1, 5.2 en 5.3 suggereren dat verschillende patronen in laadgebruik inderdaad gekenmerkt kunnen worden door auto type, configuratie, merk en model. Daarnaast kan het EV type een bestaande methode, die dit bepaalt, versterken.
Er zijn ook beperkingen aan de nieuwe dataset, zoals al duidelijk werd in sectie 4.2. Voor een aantal waarden van de nieuwe parameters zijn onvoldoende metingen bekend om een repre-sentatief beeld te krijgen van het bijbehorende laadgebruik. Daarom zal bij onderzoek aan de dataset enkele minima gesteld moeten worden, om delen van de data die nog te weinig voorko-men weg te filteren. Anders zouden er mogelijk uitspraken gedaan kunnen worden op grond van incomplete data. Het is lastig om aan deze minima een concrete waarde toe te kennen. Hierbij is het uiteraard zo dat bij meer metingen de invloed van uitschieters verlaagd wordt. In dit onderzoek is gekozen voor de enigszins arbitraire criteria van minimaal 100 laadsessies per groep en minimaal 5 spots per groep. In praktijk bleek dit te garanderen dat er genoeg laadsessies beschikbaar zijn om patronen te herkennen en dat er genoeg gebruikers zijn om gemiddeld een respresentatief resultaat te hebben. Verder onderzoek moet uitwijzen wat de statistisch veilige minima zijn.
Door het stellen van minima wordt automatisch omgegaan met onbestaande concepten. Zo worden automodellen die net nieuw zijn gefilterd, tot er genoeg metingen van zijn. Een nadeel is dat zeldzame merken of modellen ook weggelaten kunnen worden. Een mogelijke oplossing zou zijn om te kijken naar het marktaandeel en als blijkt dat een model zeldzaam is om dan een uitzondering te maken en het wel mee te nemen in analyse.
Om kwaliteit van de dataset en de uitspraken die erop gebaseerd zijn te verhogen is het be-langrijk dat er meer metingen worden gedaan. Zoals in figuur 5.5 te zien is geeft de gekoppelde dataset op moment van schrijven geen correct verhouding van sessies tussen de verschillende steden en zoals eerder benoemd ontbreken er metingen van bepaalde groepen. Daarnaast zullen meer metingen bijdragen aan het categoriseren van gebruikers op het juiste EV type. Hiervoor is meer spotten op meer plaatsen een oplossing. Er moet echter wel rekening gehouden worden met de verhoudingen van verschillende waarden binnen een categorie. Zo moeten de aantallen laadsessies tussen bijvoorbeeld verschillende automodellen een verhouding hebben die represen-tatief is met de markt om hierover correcte uitspraken te kunnen doen. Een oplossing is om deze verhoudingen te vergelijken met beschikbare informatie van onder andere het RVO [24]. Moch-ten er verschillen zijn dan kunnen deze worden rechtgezet door handmatig wegingen toe te passen. Er moet worden opgemerkt dat het belangrijk is om bij het spotten van EV’s te vari¨eren van plaats en tijdstip, om effici¨ent de gekoppelde dataset met laadsessies uit te breiden. Het is name-lijk zo dat de meeste gebruikers weinig fluctueren in laadpatroon en als steeds op dezelfde plek op hetzelfde tijdstip gespot wordt, dan zal dezelfde EV rijder meerdere keren gespot worden. Als een EV rijder al gespot is zal de gekoppelde dataset niet groter worden, alleen in zeer kleine mate betrouwbaarder. Als een EV rijder voor het eerst gespot wordt dan kunnen alle laadsessies van die gebruiker gekoppeld worden, wat resulteert in gemiddeld enkele honderden extra laadsessies.
HOOFDSTUK 6
Conclusies
Dit onderzoek behandelt de onderzoeksvraag: Hoe kan het EV spottersysteem uitgebreid worden om de IDO-laad dataset te verrijken met gegevens over de opgeladen auto’s?
Deze vraag is beantwoord op onderstaande punten.
Doordat de laadinfrastructuur constant wordt uitgebreid, kan het zijn dat een laadstation niet in de dataset staat. Een script dat dagelijks wordt uitgevoerd synchroniseert de dataset met laadstations uit IDO-laad met de server van het spottersysteem. Daarnaast kunnen gebruikers zelf laadstations toevoegen aan de dataset in de app.
Om effici¨ent te kunnen EV spotten worden in de app de huidige locatie en de dichtstbijzijnde laadpalen weergegeven. Ook is de app uitgebreid met een werkend login/registreer-systeem, geeft het simpele statistieken van de gebruiker en is het mogelijk om de huidige spotdataset te verken-nen.
Er is een script ontwikkeld dat de spotdata van het spottersysteem aan de IDO-laad dataset koppelt. Door verschillende factoren als lengte- en breedtegraad, patronen van gebruikers en overeenkomsten tussen adresgegevens te wegen, is een robuuste koppeling van de data gereali-seerd. De spotdataset kon explosief uitgebreid worden, door laadsessies van dezelfde pas aan dezelfde spotdata te koppelen. Hierdoor kon met een dataset van 400 spots aan ruim 100.000 laadsessies gegevens over de opgeladen auto’s gekoppeld worden.
Aan de hand van analyse aan de datasets is een tipje van de sluier opgelicht van de mogelijkheden met de nieuw verkregen data uit het spottersysteem. Resultaten bevestigen de veronderstelling dat gebruikspatronen getypeerd kunnen worden door gegevens van de opgeladen auto. Met de informatie kan specifiek inzicht verkregen worden in laadgedrag en de succesfactoren van laadin-frastructuur. Zodoende kan de effici¨entie en effectiviteit van laadinfrastructuur ge¨evalueerd en voorspeld worden, waarmee beleidsmakers en energieproviders afwegingen kunnen maken over het beleid en de optimale uitrolstrategie¨en en economische modellen kunnen bepalen.
6.1
Vervolgonderzoek
Er is maar naar een gering deel van de succesfactoren [13] van de laadinfrastructuur in combina-tie met gegevens over de auto gekeken. Als mogelijk vervolgonderzoek kan de verhouding tussen data over auto’s en deze succesfactoren grootschaliger geanalyseerd worden. Daarnaast
sugMet de uitbreiding van het spottersysteem is het mogelijk om nog meer gegevens aan een ge-bruiker te koppelen dan nu gebeurt. Door gebruik te maken van online voertuigdatabases, zoals [1], kan met het model van de auto meer informatie worden opgehaald. Onder andere gegevens als actieradius en accucapaciteit zijn potentieel interessant vanwege de invloed op gedrag van de gebruiker [26]. Tevens is het belangrijk voor degelijk onderzoek dat niet alleen data van openbare laadstations, maar ook van private laadpalen verzameld wordt.
Verder is het zoals besproken aan het eind van hoofdstuk 5 noodzakelijk voor de accuraatheid en relevantie van onderzoek met de gekoppelde spotdata, dat de dataset van spots vergroot wordt. Hier kunnen meerdere strategie¨en voor ge¨ımplementeerd worden. Het huidige EV spottersysteem is afhankelijk van mensen om metingen te verzamelen. Een mogelijke strategie is om spotters te belonen bij het succesvol spotten van een auto. Een andere oplossing kan zijn om het spotproces te automatiseren, bijvoorbeeld door het plaatsen van camera’s bij laadstations, of door gebruik te maken van reeds beschikbare camera’s in het openbaar.
Het systeem dat in dit onderzoek is uitgebreid kan in het algemeen als voorbeeld dienen voor systemen die momentopnamen koppelen aan sessies. Specifieker kan het een voorbeeld zijn voor automatische identificatiesystemen, dankzij onder andere de toegepaste kentekenherken-ning. Daarnaast kunnen onderdelen, zoals het ophalen en koppelen van gegevens van auto’s, mogelijk gebruikt worden in geautomatiseerde voertuiginformatie registratiesystemen.
Bibliografie
[1] Accu capaciteit van elektrische auto’s. url: https://ev-database.nl/cheatsheet/accu-capaciteit-elektrische-auto (bezocht op 11-08-2017).
[2] Netherlands Enterprise Agency. Electromobility in the Netherlands, Highlights 2014. 2015. url: https://www.rvo.nl/sites/default/files/2015/04/Electromobility%20in% 20the%20Netherlands%20Highlights%202014.pdf (bezocht op 06-08-2017).
[3] Gemeente Amsterdam. Amsterdam elektrisch. url: https://www.amsterdam.nl/parkeren-verkeer/amsterdam-elektrisch/ (bezocht op 06-08-2017).
[4] Gemeente Amsterdam. Gezonde lucht voor alle Amsterdammers. url: https : / / www . amsterdam . nl / parkeren - verkeer / luchtkwaliteit / gezonde - lucht/ (bezocht op 06-08-2017).
[5] Norwegian EV association. Norwegian EV policy. url: http : / / elbil . no / english / norwegian-ev-policy/ (bezocht op 09-08-2017).
[6] Anushka Asthana en Matthew Taylor. Britain to ban sale of all diesel and petrol cars and vans from 2040. url: https://www.theguardian.com/politics/2017/jul/25/britain-to- ban- sale- of- all- diesel- and- petrol- cars- and- vans- from- 2040 (bezocht op 09-08-2017).
[7] Henry A Bonges en Anne C Lusk. “Addressing electric vehicle (EV) sales and range anxiety through parking layout, policy and regulation”. In: Transportation Research Part A: Policy and Practice 83 (2016), p. 63–73.
[8] A. van den Brink. “Electric vehicle spotter system by license plate recognition”. In: (2016). url: https://esc.fnwi.uva.nl/thesis/centraal/files/f768923745.pdf.
[9] Angelique Chrisafis en Adam Vaughan. France to ban sales of petrol and diesel cars by 2040. url: https : / / www . theguardian . com / business / 2017 / jul / 06 / france ban -petrol-diesel-cars-2040-emmanuel-macron-volvo (bezocht op 09-08-2017).
[10] The Apache Software Foundation. Apache Cordova. url: https://cordova.apache.org/ docs/en/latest/guide/overview/ (bezocht op 06-08-2017).
[11] Thomas Franke en Josef F. Krems. “Understanding charging behaviour of electric vehicle users”. In: Transportation Research Part F: Traffic Psychology and Behaviour 21 (2013), p. 75 –89. issn: 1369-8478. doi: http://dx.doi.org/10.1016/j.trf.2013.09.002. url: http://www.sciencedirect.com/science/article/pii/S1369847813000776.
[12] J Helmus en R Van den Hoed. “Unraveling user type characteristics: Towards a taxonomy for charging infrastructure”. In: EVS28 Int. Electr. Veh. Symp. Exhib. 2015, p. 1–16. [13] J Helmus en R Van Den Hoed. “Key Performance Indicators of Charging Infrastructure”.
[16] IDO-laad - Hogeschool van Amsterdam. url: http : / / www . idolaad . nl/ (bezocht op 09-08-2017).
[17] Ionic Framework. url: http://ionicframework.com/docs/v1/overview/ (bezocht op 06-08-2017).
[18] Anil Kumar Jain. Investment Lock-ins and Technological Advancements in the Energy Sec-tor. url: http://www.indiaenergy.gov.in/blog_4.php (bezocht op 09-08-2017). [19] Carlos Madina e.a. “Economic assessment of strategies to deploy publicly accessible
char-ging infrastructure”. In: (2015).
[20] Patrick Morrissey, Peter Weldon en Margaret OMahony. “Future standard and fast char-ging infrastructure planning: An analysis of electric vehicle charchar-ging behaviour”. In: Energy Policy 89 (2016), p. 257–270.
[21] Performance of Python HTTPServer and TCPServer. url: https : / / stackoverflow . com/a/14111484 (bezocht op 06-08-2017).
[22] Python’s Web Framework Benchmarks. url: http://klen.github.io/py-frameworks-bench/#results (bezocht op 06-08-2017).
[23] RDW. Ovi. url: https://ovi.rdw.nl/ (bezocht op 06-08-2017).
[24] RVO. Cijfers Elektrisch Vervoer. url: http://www.rvo.nl/onderwerpen/duurzaam-ondernemen/energie-en-milieu-innovaties/elektrisch-rijden/stand-van-zaken/ cijfers (bezocht op 10-08-2017).
[25] JC Spoelstra en IJ Helmus. “Public charging infrastructure use in the Netherlands: A rollout-strategy assessment”. In: Eur. Batter. Hybrid Fuel Cell Electr. Veh. Congr (2015), p. 1–10.
[26] Xiao-Hui Sun, Toshiyuki Yamamoto en Takayuki Morikawa. “Charge timing choice beha-vior of battery electric vehicle users”. In: Transportation Research Part D: Transport and Environment 37 (2015), p. 97 –107. issn: 1361-9209. doi: http://dx.doi.org/10.1016/ j.trd.2015.04.007. url: http://www.sciencedirect.com/science/article/pii/ S1361920915000395.
[27] Tornado Web Server. url: http : / / www . tornadoweb . org / en / stable/ (bezocht op 06-08-2017).
[28] R Van Den Hoed e.a. “Data analysis on the public charge infrastructure in the city of Amsterdam”. In: Electric Vehicle Symposium and Exhibition (EVS27), 2013 World. IEEE. 2013, p. 1–10.
[29] Wikipedia. LAMP (software bundle). 2017. url: https://en.wikipedia.org/w/index. php?title=LAMP_(software_bundle)&oldid=790000883 (bezocht op 06-08-2017). [30] R Wolbertus, R Van Den Hoed en S Maase. “Benchmarking charging infrastructure
utili-zation”. In: EVS29 Symposium. 2016, p. 19–22.
[31] Zev Alliance - Accelerating the Adoption of Zero-Emission Vehicles. url: http://www. zevalliance.org/ (bezocht op 09-08-2017).
