Nama :Lingga Wiyandi

NPM :207002063
M.K :Smart Grid

RANGKUMAN

Smart EV Charging in Office Buildings

Eero Koivuniemi1, Juhani Lepistö1, Pirjo Heine1 , Suvi Takala2,
Sami Repo3
1
Helen Electricity Network Ltd., Helsinki, Finland
2
Helen Ltd., Helsinki, Finland
3
Tampere University, Tampere, Finland
1. Introduction

Untuk mencapai target masa depan berkarbon rendah, elektrifikasi transportasi, khususnya
melalui kendaraan listrik (EV), menjadi suatu keharusan. Fokus pada pengisian daya EV di gedung
perkantoran, tulisan ini menyoroti kebutuhan akan infrastruktur pengisian daya yang sesuai. Dalam
mengatasi peningkatan konsumsi listrik dan tuntutan daya maksimum, sebuah algoritma
dikembangkan untuk memodelkan beban pengisian EV. Solusi yang diusulkan melibatkan
pengisian daya cerdas dan penerapan sistem penyimpanan energi baterai (BESS) untuk mengatasi
tantangan tersebut. Hasil implementasi solusi ini diuji dan didiskusikan dalam konteks demonstrasi
nyata.

2. Demonstrated Building

Gedung perkantoran di Helsinki, Finlandia, yang menjadi objek demonstrasi, memiliki

lima lantai kantor dan fasilitas parkir bawah tanah. Pemanasan bangunan menggunakan pemanas
distrik, dengan konsumsi listrik tahunan sekitar 400 MWh. Penggunaan listrik umum di gedung
mencakup ventilasi, pendingin udara, lift, dan penerangan area bersama, mencapai sekitar 230
MWh per tahun. Selain itu, terdapat delapan stasiun pengisian daya kendaraan listrik (EV) dan
satu sistem penyimpanan energi baterai (BESS) dengan kapasitas 120 kW dan 134 kWh.

Penggunaan listrik meningkat selama jam kerja, terutama pada hari Senin hingga Jumat,
dengan konsumsi maksimum tahunan terjadi selama musim panas. Permintaan maksimum tanpa
stasiun pengisian daya EV dan BESS terjadi pada musim dingin sekitar 30 kW, musim semi/musim
gugur sekitar 35 kW, dan musim panas mencapai 65 kW. Proses pengisian EV terjadi bersamaan
dengan penggunaan listrik lain di dalam gedung.

3. Modelling Of The Ev Charging Load

3.1. Membuat Algoritma
Secara keseluruhan, model beban EV dirancang untuk menggambarkan total
kebutuhan energi listrik oleh baterai kendaraan listrik (EV) saat mencapai destinasi, seperti
gedung perkantoran. Dalam merancang model ini, sifat stokastik dipertimbangkan dengan
memasukkan parameter-parameter seperti total jarak tempuh, konsumsi energi oleh EV,
dan kerugian terkait. Selain itu, aspek-aspek lain seperti daya pengisian dan waktu
kedatangan kendaraan juga menjadi pertimbangan penting. Karena jarak tempuh dan
konsumsi energi tidak dapat ditentukan dengan pasti karena bergantung pada perilaku
pengemudi dan jenis kendaraan, maka pendekatan probabilistik digunakan untuk
membentuk model kebutuhan energi secara efektif.

3.2. Jarak Tempuh Tunggal

Di Finlandia, survei nasional tentang perilaku dan pola mengemudi dilaksanakan
secara teratur [3]. Kota Helsinki melaksanakan penelitian tambahan berdasarkan survei
nasional terbaru. Oleh karena itu, memungkinkan untuk mengumpulkan data mengenai
jarak perjalanan yang biasanya ditempuh di Helsinki beserta probabilitasnya masing-
masing. Dengan mengambil sampel jarak perjalanan sesuai dengan probabilitas,
contohnya sebanyak 100.000 kali, histogram jarak yang ditempuh oleh kendaraan pribadi
dapat disusun (lihat Gambar 2). Jarak perjalanan antara 10 hingga 20 km menunjukkan
probabilitas tertinggi.

3.3. Konsumsi Spesifik

Konsumsi spesifik merujuk pada jumlah energi listrik yang digunakan oleh
kendaraan listrik untuk menempuh satu unit jarak. Perhitungan ini dapat dilakukan
berdasarkan kapasitas baterai dan jangkauan kendaraan, menggunakan data yang
 diberikan oleh produsen kendaraan listrik. Namun, karena data yang diperoleh untuk
berbagai kendaraan listrik bervariasi dalam akurasi dan metode perhitungan, perbandingan
di antara keduanya menjadi kurang dapat diandalkan. Sebagai solusi, konsumsi spesifik
dianggap mengikuti distribusi normal terpotong, dengan nilai minimum sebesar 0,10
kWh/km dan nilai maksimum sebesar 0,30 kWh/km. Rata-rata diambil sebesar 0,20
kWh/km, yang merupakan nilai umum yang digunakan dalam perencanaan stasiun
pengisian daya kendaraan listrik pintar di Finlandia. Sebagai ukuran variasi, deviasi
standar sebesar 0,03 kWh/km diterapkan.

3.4. Kebutuhan Energi Listrik Baterai EV

Dengan mengalikan nilai konsumsi spesifik dengan jarak tempuh, total kebutuhan
energi listrik yang diperlukan oleh baterai kendaraan listrik (EV) dapat dihitung. Selain
itu, perlu memperhatikan kerugian yang terjadi pada sistem pengisian dan jaringan
distribusi listrik. Asumsi dalam penelitian ini menyatakan bahwa kerugian pada sistem
pengisian diperkirakan sebesar 10%. Sementara itu, untuk kerugian pada jaringan
distribusi, digunakan nilai sebesar 3%, yang bersumber dari penelitian internal yang
dilakukan oleh Helen Electricity Network Ltd. Diagram distribusi dari total kebutuhan
energi untuk satu sesi pengisian daya dapat dilihat pada Gambar 3. Karena hanya sejumlah
kecil kebutuhan energi yang memberikan kapasitas lebih besar daripada kapasitas energi
kendaraan hibrida plug-in secara umum, korelasi antara kapasitas baterai dan jenis
kendaraan dapat diabaikan untuk mempercepat waktu simulasi.

3.5. Kekuatan Pengisian Daya

Daya pengisian perlu diperhitungkan saat mempelajari pengisian daya yang tidak
terkontrol. Distribusi ini bergantung pada pangsa pasar kendaraan hibrida dan kendaraan
listrik penuh. Sayangnya, hingga saat ini, jumlah data yang tersedia di Finlandia tidak
mencukupi untuk membentuk distribusi yang koheren. Oleh karena itu, penulis makalah
ini mengusulkan distribusi, sebagaimana terlihat pada Gambar 4. Distribusi ini didasarkan
pada asumsi mayoritas kendaraan listrik adalah kendaraan hibrida plug-in. Daya
minimumnya adalah 3,68 kW (fasa tunggal), sementara daya maksimumnya adalah 11,09
 kW (tiga fasa). Daya pengisian sebesar 22,17 kW tidak menjadi pertimbangan dalam
tulisan ini.

3.6. Waktu Kedatangan

Di Finlandia, hari kerja di gedung perkantoran biasanya dimulai antara pukul 07:00
hingga 09:00. Asumsi ini digunakan untuk mensimulasikan variasi perilaku pekerja
kantor. Dalam model ini, dipilih pukul 08:00 sebagai waktu kedatangan yang paling umum
dan oleh karena itu dianggap sebagai nilai rata-rata. Distribusi yang terpotong juga
diterapkan dalam kasus ini, dengan nilai minimum pada pukul 06:00 dan nilai maksimum
pada pukul 09:00. Deviasi standar diasumsikan sebesar 0,5 jam.

3.7. Tujuan Dari Algoritma Yang Diusulkan

Metode pengisian daya yang dipelajari adalah pengisian daya tidak terkontrol, dan
pengisian cerdas dimana kebutuhan energi dibagi menjadi satu hari kerja penuh (8 jam).
Tujuan dari algoritma ini adalah untuk mengambil sampel dari distribusi kebutuhan
energi setiap kendaraan dan memperoleh perilaku beban masing-masing. Hal ini diulangi
sesuai dengan jumlah hari kerja yang bersangkutan. Dengan cara ini perilaku stokastik
pengemudi kendaraan listrik dan efek dari jenis kendaraan yang heterogen dapat
dimodelkan. Langkah-langkah berbedanya adalah sebagai berikut:
1) ambil sample distribusi waktu kedatangan.
2) Bagilah kebutuhan energi dengan sampel dari distribusi daya pengisian, ATAU
bagi kebutuhan energi dengan durasi peristiwa pengisian daya, untuk
menghitung amplitudo dan durasi peristiwa pengisian daya.
3) Tambahkan vektor beban pengisian ke vektor beban dasar.
4) Ulangi langkah 1–3 hingga setiap kendaraan telah diiterasi.
5) Ulangi langkah 1–3 untuk mengulangi setiap hari kerja.

Output dari algoritma yang dilaporkan di atas diringkas, misalnya. untuk pengukuran
penggunaan listrik gedung perkantoran yang diminati.
 4. Pengisian Daya Tidak Terkontrol, dan Pengisian Daya Cerdas

Algoritma yang dirancang diuji pada situasi perkantoran sebenarnya. Hasil simulasi dari
algoritma tersebut dipaparkan dalam Gambar disamping.

Dapat terlihat bahwa pengisian daya EV yang tidak terkontrol menghasilkan puncak yang
tidak diperlukan karena periode pengisian yang singkat dengan daya pengisian yang tinggi. Hasil
simulasi ini kemudian digabungkan dengan kasus demonstrasi sebenarnya, menghasilkan profil
yang diperlihatkan dalam Gambar dibawah

5. Sistem Penyimpanan Energi Baterai

5.1. BESS Untuk Reduksi Beban Puncak

Selain pengisian daya cerdas, BESS merupakan solusi yang canggih untuk mengurangi
beban puncak. Pada contoh yang diberikan, BESS membatasi permintaan listrik umum hingga
tingkat tertentu. BESS dilepaskan ketika kebutuhan listrik umum terukur melampaui tingkat
kapasitas BESS, dan sebaliknya.

Pada situasi ini, tujuan utamanya adalah membatasi tuntutan listrik maksimum dari gedung
perkantoran. Umumnya, permintaan puncak lebih tinggi pada musim panas karena adanya
kebutuhan pendinginan. Oleh karena itu, untuk secara optimal mengurangi beban puncak bulanan
yang bervariasi, parameter pelepasan dan biaya harus ditentukan. Dengan menggunakan algoritma
genetika, fungsi tujuan yang harus diminimalkan adalah jumlah pangkat puncak selama 12 bulan.
Hasilnya mencakup dua tingkat pengisian dan pengosongan yang terpisah: satu untuk musim panas
dan satu untuk musim dingin. Agar peralihan antara kedua kondisi ini optimal, suhu rata-rata
bergerak juga ditentukan.

Terdapat tiga parameter yang dicari, yaitu tingkat kapasitas untuk musim panas dan musim
dingin (yang berfungsi sebagai tingkat muatan setelah dikurangi 1 kW, sesuai rekomendasi
pabrikan), dan suhu rata-rata bergerak selama 6 jam untuk mengoptimalkan perubahan antara
musim dingin dan musim panas. Data per jam digunakan selama satu tahun dalam proses
pencarian. Gambar 7 memperlihatkan kesuksesan operasional BESS dalam mengurangi beban
puncak, pertama hingga tingkat 42 kW dan kemudian hingga 27 kW.

5.2. Additional BESS Operation In The Frequency Markets

Sistem Penyimpan Energi (BESS) tidak hanya berfungsi untuk mengurangi beban puncak
dari pengisian kendaraan listrik (EV), tetapi juga dapat diintegrasikan dalam pasar frekuensi yang
diatur oleh Operator Sistem Transmisi (TSO). Di Finlandia, dimana aset pasar beroperasi dalam
skala multi-megawatt, penggabungan aset yang lebih kecil memberikan peluang lebih luas bagi
sumber daya yang lebih kecil dan fleksibel untuk berpartisipasi dalam pasar. BESS telah terbukti
dapat diterapkan, khususnya dalam pasar seperti Frequency Containment Reserve for Normal
Operation (FCR-N).

Dalam demonstrasi, BESS memberikan prioritas pada pembatasan permintaan maksimum

listrik umum, terutama selama jam kerja Senin hingga Jumat. Sebagai hasilnya, BESS dapat
digunakan untuk operasi pasar di luar jam kerja kantor, menjaga fokus pada tugas utamanya.
Keuntungan dari operasi pasar diharapkan akan dibagi antara pihak pengumpul daya dan pemilik
BESS. Dengan potensi besar ini, proyek EU-SysFlex diharapkan memberikan pemahaman yang
lebih mendalam mengenai pemanfaatan BESS sebagai opsi tambahan dalam pasar energi.

6. Results

Dengan algoritma yang telah dikembangkan, berbagai skenario dalam demonstrasi

dilakukan dengan skema pengisian yang tidak terkontrol, berbagai skema pengendalian, serta
menggunakan 12, 24, atau 39 kendaraan listrik (EV). Hasilnya adalah profil permintaan listrik di
gedung kantor, yang mirip dengan yang terlihat pada Gambar 6. Tabel 1 merangkum jumlah daya
puncak bulanan dan biaya terkait. Pengisian tanpa kendali secara signifikan meningkatkan tuntutan
dan biaya maksimum. Oleh karena itu, perlu membatasi puncak ini. Terlihat bahwa pendekatan
yang paling ekonomis dan teknologis adalah menggunakan pengisian cerdas dengan membagi
kebutuhan energi EV sepanjang hari kerja. Solusi ini juga sederhana secara teknis. Sebaliknya,
dalam aplikasi nyata yang dipelajari dengan menggunakan Sistem Penyimpan Energi (BESS),
penghematan dalam pembayaran tarif grid melalui pengurangan puncak BESS lebih tinggi.
Meskipun begitu, ketika mempertimbangkan investasi dan biaya seumur hidup yang tinggi dari
BESS, pengisian cerdas tetap menjadi pilihan yang sangat masuk akal.

7. Conclusion

Berdasarkan hasil simulasi dan data pengukuran, kendaraan listrik (EV) dapat diisi daya
secara cerdas tanpa secara signifikan meningkatkan daya puncak bersamaan dengan penggunaan
dan permintaan listrik pada titik pengukuran dan jaringan tegangan rendah yang dipasok.
Pencapaian ini dapat dilakukan dengan menggunakan stasiun pengisian cerdas. Sebagai alternatif,
sistem kontrol pada EV juga dapat memberikan cara untuk mengurangi daya pengisian. Selain itu,
dalam penelitian ini, diperkenalkan suatu metode untuk mengoptimalkan tingkat pengurangan
puncak dari Sistem Penyimpan Energi (BESS). BESS berhasil diuji dalam mengurangi beban
puncak. Jelasnya, sistem yang terkendali diperlukan untuk menghindari biaya tambahan bagi
pelanggan dan operator sistem distribusi. Penerapan BESS pada pasar frekuensi dapat membawa
manfaat tambahan bagi pelanggan dan aggregator yang beroperasi dalam pasar tersebut.