บทเรียนจากหนึ่งในโครงการยานยนต์ไฟฟ้าที่ใหญ่ที่สุดในโลก
ยานยนต์ไฟฟ้า (Electric Vehicle หรือ EV) รูปแบบต่างๆ ได้เกิดเพิ่มขึ้นอย่างมากมาย ไม่ว่าจะเป็นแบบ PHEV (Plug-in Hybrid Electric Vehicle) หรือแม้กระทั่ง BEV (Battery Electric Vehicles) ซึ่งอาจจะเต็มทั่วท้องถนนในอนาคตอันใกล้ จากการสำรวจของ EV Outlook 2017 พบว่าปัจจุบันมี EV มากกว่า 2 ล้านคันทั่วโลก โดยที่ EV มีส่วนสร้างสรรค์ให้การใช้พลังงานไฟฟ้าเพื่อการคมนาคมเกิดประโยชน์ทางด้านสิ่งแวดล้อมด้านสุขภาพที่ดี และสภาพเศรษฐกิจที่ดี ซึ่งพลังงานไฟฟ้าที่ใช้จะต้องผลิตมาจากโรงงานไฟฟ้าประเภทคาร์บอนต่ำ อย่างไรก็ตาม ถ้าต้องการให้การเปลี่ยนแปลงครั้งนี้เกิดขึ้นอย่างสมบูรณ์ เราต้องบูรณาการระบบไฟฟ้าให้สอดคล้องกับปริมาณ EV ที่จะเกิดขึ้นในอนาคต
เพื่อทำความเข้าใจกับความท้าทาย และโอกาสการเพิ่มปริมาณ EV โดยเฉพาะอย่างยิ่งประเภทรถยนต์ส่วนบุคคลขนาดเล็ก ผู้ประกอบการระบบ เครือข่ายไฟฟ้า (DNO) และผู้มีส่วนได้เสียต่างๆ ได้ร่วมกันจัดทำโครงการ EV ซึ่งถือเป็นหนึ่งในผู้ที่จัดทำโครงการที่ใหญ่ที่สุดในโลก คือ My Electric Avenue (MEA) (www.myelectricavenue.info) ในสหราชอาณาจักร (UK) นำโดยบริษัท EA Technology โดยเริ่มจัดทำโครงการตั้งแต่มกราคม 2556 ถึงธันวาคม 2558 ซึ่งได้รับเงินสนับสนุนในการจัดทำโครงการจากกองทุนเครือข่ายคาร์บอนต่ำ พร้อมพันธมิตรจากโรงงานอุตสาหกรรม DNO และสถาบันการศึกษา
EV ในโครงการ MEA ประกอบด้วยรถยนต์ Nissan LEAF จำนวนมากกว่า 200 คัน ใน UK เพื่อศึกษาพฤติกรรมการขับขี่และการชาร์จของประชาชนที่มีความหลากหลาย ทั้งทางภูมิศาสตร์ ทางเศรษฐกิจ และสังคมในโครงการนี้ได้ทำการศึกษาวิจัยผลกระทบทางเทคนิคของ EV ต่อระบบไฟฟ้าแรงต่ำของยุโรป และทดสอบการควบคุมการชาร์จหรือจุดชาร์จของ EV เพื่อเพิ่มความสามารถของจุดจ่ายไฟบทความนี้นำเสนอรายละเอียดของโครงการ MEA รวมไปถึงโครงสร้างพื้นฐานที่อ้างมาจากการวิเคราะห์ข้อมูล และการศึกษาระบบซึ่งจะได้นำเสนอผลการทดลองที่สำคัญดังนี้
- พฤติกรรมการชาร์จของผู้ใช้งาน EV
- ผลกระทบของ EV ต่อระบบไฟฟ้าแรงต่ำ
- ผลของกลยุทธ์เพื่อเพิ่มความสามารถของจุดจ่ายไฟ
สิ่งที่เรียนรู้จากโครงการขนาดใหญ่นี้ สามารถแสดงผลลัพธ์ที่ทำให้เข้าใจได้ว่า EV มีผลอย่างไรต่อระบบไฟฟ้า และท้ายสุดจะนำเสนอประเด็นหลักที่ได้จากโครงการ MEA นี้
โครงการ My Electric Avenue (MEA)
EV ในโครงการ MEA ประกอบดว้ ยรถยนต์ Nissan LEAF มากกว่า 200 คัน ซึ่งในแต่ละคันใช้งานแบตเตอรี่ขนาด 24 kWh ที่ใช้ทดสอบใน UK (รูปที่ 1) ซึ่งถือเป็นหนึ่งของโครงการที่ใหญ่ที่สุด สามารถทราบถึงผลของ EV ต่อการใช้ระบบไฟฟ้าภายในบ้านเรือน (ชาร์จแบบช้าประมาณ 3.6 kW) วัตถุประสงค์หลักของโครงการคือเป็นการทดลองหาแนวทางปรับปรุงแก้ไข ที่เรียกว่า Esprit (Easily Distributed Personal Rapid Transit) เพื่อลดผลกระทบต่อระบบไฟฟ้าแรงต่ำของยุโรป (European style low voltage network) (ตัวอย่างเช่น จุดจ่ายไฟแรงต่ำหลายฟีดเดอร์ที่ต่อกับหม้อแปลงไฟฟ้าเดียวกันเพื่อจ่ายไฟฟ้าให้กับลูกค้าหลายร้อยราย) เพื่อที่จะบรรลุเป้าหมายของโครงการ โครงการนี้ได้วิเคราะห์ข้อมูลต่างๆ ของ EV เพื่อศึกษาแบบจำลอง ผลกระทบต่อระบบไฟฟ้า และศึกษาด้านการจัดการระบบไฟฟ้า โดย MEA เป็นโครงการแรกที่มุ่งเน้นไปที่การจัดการเครือข่ายระบบไฟฟ้าท้องถิ่นเมื่อมี EV จำนวนมากที่ชาร์จในพื้นที่และเวลาเดียวกัน
โครงการ MEA มีเป้าหมายหลากหลาย เช่น เป้าหมายในเชิงพาณิชย์ เชิงสังคม และเชิงเทคนิค (รายละเอียดพบได้จากรายงาน For Further Reading ของ EA Technology) วัตถุประสงค์ทางเทคนิคที่สำคัญประกอบด้วย
- เรียนรู้พฤติกรรมการขับขี่และการชาร์จของผู้ทดสอบ
- พัฒนาและทดสอบอุปกรณ์ เพื่อให้มั่นใจต่อความสะดวกในการติดตั้ง
- ประเมินผลของระบบที่จะเกิดปัญหาทางเทคนิค (ทั้งแรงดันไฟฟ้าตกและแรงดันไฟฟ้าเกิน) ด้วยการสร้าง EV cluster
- พิจารณาประเภทของระบบที่เทคโนโลยี Esprit สามารถทำงานได้
เพื่อให้บรรลุวัตถุประสงค์เหล่านี้ MEA ได้ทำการทดลองโครงการใน 2 ด้าน ได้แก่ ด้านเทคนิคและด้านสังคม 1) การทดลองทางด้านเทคนิค (ภาพประกอบแสดงด้วยหมุดสีแดงในรูปที่ 1) สร้างกลุ่มทดสอบจำนวน 10 กลุ่ม จาก EV จำนวน 101 คัน (กลุ่มละ 7-13 คัน ต่อระบบจ่ายไฟแรงต่ำ 1 จุด) เพื่อศึกษาประสิทธิภาพของการจัดการ EV สำหรับการทดลองนี้จะใช้โครงสร้างระบบไฟฟ้าพื้นฐานเดิมเป็นหลัก เนื่องจากต้องติดตั้ง Sensor ที่เฉพาะต้นทางของ Feeder (สายป้อน) เท่านั้น และใช้การควบคุมจุดชาร์จ และ Programable Logic Controller (PLC) ที่สถานีไฟฟ้าย่อย เพื่อเป็นศูนย์กลางการจัดการการชาร์จ (รูปที่ 2) 2) การทดลองทางด้านสังคม (ภาพประกอบแสดงด้วยหมุดสีน้ำเงินในรูปที่ 1) มีผู้เข้าร่วมจำนวน 118 ราย โดยวัตถุประสงค์คือเพื่อศึกษาพฤติกรรมการชาร์จของผู้คนที่ใช้งาน EV (เช่น ผู้คนจะชาร์จในเวลาใด และรูปแบบการชาร์จ (กราฟการชารจ์ )) ในการทดลองนี้ไมมี่ระบบ Smart Charging (การจัดการชาร์จอัจฉริยะ) เนื่องจากไม่ต้องการควบคุมการชาร์จ
พลังงานไฟฟ้าสำหรับภาคการขนส่งจากโรงผลิตไฟฟ้าคาร์บอนต่ำ สามารถทำให้เกิดประโยชน์ ทั้งด้านสิ่งแวดล้อม ด้านสุขภาพ และสภาพเศรษฐกิจ
โครงการนี้ศึกษาผลกระทบทางด้านเทคนิคจาก EV ซึ่งส่งผลทางด้านสังคม สิ่งแวดล้อม และเศรษฐกิจ อันเป็นความรู้ที่ดียิ่งต่อ DNO และ Regulator โดยตารางที่ 1 แสดงถึงรายละเอียดที่สำคัญต่างๆ ของโครงการนี้ประกอบด้วย ผลรายงาน ผลการค้นพบต่างๆ ซึ่งข้อมูลสำคัญต่างๆ แสดงอยู่ในเว็บไซต์แบบสาธารณะของโครงการ ซึ่งทุกคนสามารถเข้าถึงได้
ความรู้ความเข้าใจการชาร์จ EV
การทำความเข้าใจว่าผู้คนที่ใช้งาน EV ใช้เวลาในการชาร์จของพวกเขาอย่างไร เป็นจุดที่สำคัญสำหรับการทำการทดลองหรือวิจัยเพื่อเรียนรู้ความสัมพันธ์ระหว่าง EV และระบบไฟฟ้า อย่างไรก็ตามข้อมูลที่ได้มานั้นยังไม่เพียงพอ ยังคงจำเป็นต้องศึกษาวิจัยหาข้อมูลเพิ่มเติมอีก ในโครงการนี้ได้บันทึกการชาร์จ EV มากกว่า 85,000 รายการ ซึ่งการชาร์จนั้นเป็นการชาร์จแบบไม่มีการจัดการ โดยในทุกๆ ครั้งที่ผู้ใช้งาน EV ชาร์จ EV แบบ On Board จะมีการบันทึกข้อมูลเวลาการชาร์จ โดยบันทึกข้อมูลสถานะของการชาร์จ (State of Charge (SOC)) แสดงปริมาณของแบตเตอรี่ตั้งแต่เริ่มต้นชาร์จจนชาร์จเต็ม โครงการนี้ประกอบด้วย EV ทั้งสิ้น 219 คัน เพื่อใช้ในการทดลองหรือการวิจัย และทำความเข้าใจถึงพฤติกรรมการชาร์จของผู้ใช้งาน แม้ว่าโครงการนี้จะเป็นการทำวิจัยในประเทศอังกฤษเพียงประเทศเดียวแต่ก็ยังสามารถนำไปใช้กับประเทศหรือภูมิภาคอื่นๆ ได้เช่นกัน
ผลจากโครงการ MEA พบว่าฤดูกาลไม่มีผลกับการชาร์จ EV และสามารถแบ่งตัวชี้วัดออกเป็น 2 ประเภท คือ การชาร์จในวันธรรมดา และการชาร์จในวันหยุด โครงการจะไม่เก็บสถิติในช่วงอาทิตย์แรกของการเริ่มต้นวิจัย เพราะมีความผิดปกติของชุดข้อมูลที่จัดเก็บได้ เนื่องจากผู้ใช้งานอาจยังไม่คุ้นเคยกับการใช้งาน EV และข้อมูลก็มีอยู่น้อยมากกล่าวคือ ไม่ถึง 1% โครงการนี้จะแสดงกราฟต่างๆ ที่เกี่ยวข้องกับงานวิจัยการค้นพบที่สำคัญของพฤติกรรมการชาร์จ การชาร์จต่อวัน เวลาเริ่มต้นในการชาร์จ SOC ตอนเริ่มต้นและสิ้นสุดการชาร์จ และสัดส่วนของผู้ชาร์จทั้งหมดที่อยู่ในโครงการต่อวัน
ผู้ใช้ชาร์จ EV มากกว่า 1 ครั้งต่อวันหรือไม่
ไม่ว่าจะเป็นวันธรรมดาหรือวันหยุด จะมีผู้ใช้ประมาณ 30% ชาร์จมากกว่า 1 ครั้งต่อวัน หรือประมาณ 70% ที่ชาร์จเพียง 1 ครั้งต่อวัน ดังแสดงในรูปที่ 3 การวิจัยที่ผ่านๆ มา ไม่เคยมีการเก็บสถิติแบบนี้มาก่อน การชาร์จ 3 ครั้ง หรือมากกว่า 3 ครั้งต่อวัน ในการทดลองนี้ขึ้นไปจะถือให้เป็นการชาร์จแบบ 2 ครั้งต่อวัน เพราะมีส่วนน้อยมาก กล่าวคือมีน้อยกว่า 8% เท่านั้น
การชาร์จช่วงเช้าหรือชาร์จตอนกลางคืน
จากการทดลองชี้ว่าการชาร์จครั้งแรกจะเกิดในช่วงเวลาใดก็ได้ แต่หากมีการชาร์จครั้งที่ 2 จะมีแนวโน้มที่จะเป็นการชาร์จหลังเที่ยงวัน ในรูปที่ 4 (ปรับค่าให้เป็น % หรือ Normalized) แสดงการเริ่มชาร์จสำหรับวันธรรมดา ซึ่งสามารถแบ่งออกเป็น 3 ช่วงเวลา กล่าวคือ 06.00-10.00 น. เป็นจุดสูงสุดของช่วงเช้า (สีน้ำเงิน), 15.00-21.00 น. เป็นจุดสูงสุดของช่วงเย็น (สีเทา)
และช่วงนอกเหนือจากที่กล่าวมา (สีฟ้า) ในการชาร์จครั้งแรกของวัน (รูปที่ 4 a) จะเริ่มพบบ่อยสุดที่เวลาประมาณ 08.00 น. (ก่อนทำงาน) และ 18.00 น. (หลังเลิกงาน) ในการชาร์จครั้งที่ 2 (รูปที่ 4 b) พบว่าจะเกิดในช่วง 18.00 น. บ่อยสุด จากการเก็บสถิติพบว่า EV จำนวนหนึ่งจะถูกชาร์จที่บ้านก่อนและหลังเวลาทำงาน ซึ่งจะสอดคล้องกับการทดลองทางสังคม กล่าวคือในช่วงวันหยุดการชาร์จครั้งแรกจะเกิดขึ้นในช่วง 09.00-18.00 น. และการชาร์จครั้งที่ 2 จะเกิดหลังจาก 18.00 น. ในการทดลองครั้งนี้ไม่พบความแตกต่างอย่างมีนัยสำคัญของการชาร์จระหว่างวันธรรมดาและวันหยุด
การแปลความหมายรูปกราฟในรูปที่ 4 สามารถแสดงตัวอย่างได้ดังนี้ ในกรณีที่เวลา 18.00 น. ของรูปที่ 4 a ซึ่งมีค่าประมาณ 2.6% มีความหมายคือมีค่าโอกาส 2.6% ที่จะมีการชาร์จครั้งแรกที่เวลา 18.00 น. ในขณะที่ในกรณีที่เวลา 18.00 น. ของรูปที่ 4 b ซึ่งมีค่าประมาณ 2.75% มีความหมายคือมีค่าโอกาสประมาณ 2.75% ที่จะมีการชาร์จครั้งที่ 2 ที่เวลา 18.00 น. เป็นต้น
ข้อมูลโครงการ MEAค่าใช้จ่ายทั้งหมด : 13 ล้านดอลลาร์สหรัฐฯ
โครงสร้างพนื้ ฐาน :
พันธมิตรโครงการ :
สาขาที่ใช้ศึกษา : วิศวกรรม สังคมศาสตร์ สิ่งแวดลอ้ ม และเศรษฐศาสตร์ อัตราแลกเปลี่ยน 1 GBP = 1.431 USD |
ค้นพบเรื่องที่น่าสนใจอย่างหนึ่งจากโครงการ MEA คือความผันแปรในพฤติกรรมการชาร์จตลอดทั้งปี เช่น ฤดูกาล ไม่มีผลการชาร์จ
ความคาดหวังว่าแบตเตอรี่ที่ชาร์จจะเต็มหรือไม่
ผู้ใช้งาน EV มีแนวโน้มที่จะชาร์จ EV ของพวกเขาเมื่อแบตเตอรี่ค่อนข้างต่ำ และเสียบปลั๊กไว้จนกว่ามันจะเต็ม โครงการ MEA พบว่า SOC ขึ้นอยู่กับครั้งที่ของการชาร์จ (ชาร์จครั้งที่ 1 หรือชาร์จครั้งที่ 2) และเวลาเริ่มต้นของการชาร์จ ด้วยเหตุนี้ EV ที่ถูกชาร์จข้ามคืนมีแนวโน้มที่จะชาร์จเต็ม หาก EV ถูกใช้ในระยะทางสั้นในวันต่อไป ซึ่งการชาร์จครั้งที่ 2 จะยังคงมี SOC เริ่มต้นค่อนข้างสูง เพื่อกำหนดค่า SOC เริ่มต้นและค่าสุดท้ายจำเป็นที่จะต้องพิจารณาทั้งครั้งที่ของการชาร์จและเวลาเริ่มต้นการชาร์จโดยเฉพาะอย่างยิ่งสำหรับช่วงเวลาทั้ง 3 ช่วงของวัน (ช่วงเช้า ช่วงเย็น และช่วงที่เหลือ) ในโครงการ MEA มีการพิจารณาเวลาออกเป็น 3 ช่วง กล่าวคือ 2 ช่วง มีการใช้งานสูงสุดช่วงเช้าและบ่าย/เย็น (รูปที่ 4) และอีก 1 ช่วง สำหรับส่วนที่เหลือของวัน เพื่อแสดงผลกระทบของเวลาต่อการชาร์จ โดยไม่พิจารณาความสัมพันธ์ระหว่างเวลาในการเริ่มต้นการชาร์จกับ SOC และจะเรียกว่าตลอดทั้งวัน (Whole Day) สำหรับใช้ในรูปที่ 5 หมายเหตุค่า SOC ที่บันทึกโดยรถยนต์นิสสันลีฟ กำหนดเป็นค่า 0 ถึง 12 หน่วย ซึ่ง 1 หน่วยมีค่าเท่ากับ 2 kWh หรือ 8.33% ของแบตเตอรี่ 24 kWh ดังนั้น 12 หน่วยจะมีค่าเท่ากับ 24 kWh หรือเต็ม 100%
ในรูปที่ 5 แสดงค่าครั้งที่ของการชาร์จต่อค่าเริ่มต้นของ SOC ในช่วงวันธรรมดา ทั้ง 3 ช่วงเวลาและตลอดทั้งวัน ตัวอย่างการแปลความหมายคือโอกาสของ EV ที่ถูกชาร์จที่ SOC เริ่มต้นต่ำกว่า 2 หน่วยมีค่าต่ำกว่า 15% (ผลรวมของกราฟ 0, 1 และ 2 หน่วย) สิ่งนี้ชี้ให้เห็นว่าผู้ใช้ EV ส่วนใหญ่ต้องการที่จะรักษาแบตเตอรี่เหนือระดับที่ค่อนข้างต่ำนี้ (16.6%) นอกจากนี้ EV ที่ถูกชาร์จเมื่อ SOC เริ่มต้น มีค่าอยู่ระหว่าง 3 และ 9 หน่วย มีโอกาสมากกว่า 65% (ผลรวมของกราฟ 3, 4 จนถึง 9 หน่วย) ก็หมายความว่า ผู้ใช้ EV ส่วนใหญ่ชาร์จยานพาหนะของพวกเขาเมื่อ SOC มีค่าอยู่ระหว่าง 25% ถึง 75% ซึ่งการค้นพบนี้สอดคล้องกับผลการทดลองทางสังคม การชาร์จครั้งแรกในช่วงวันธรรมดาระหว่าง 15.00-21.00 น. มีโอกาสมากที่สุด (ประมาณ 78% : ผลรวมของกราฟ 3, 4 จนถึง 9 หน่วย) อย่างไรก็ตาม หากการชาร์จครั้งแรกเกิดขึ้นในช่วงวันหยุดระหว่าง 12.00-18.00 น. มีโอกาสมาก (ประมาณ 71%) ที่ EV จะมีสถานะประจุ (SOC) อยู่ระหว่าง 3 ถึง 9 หน่วย พฤติกรรมนี้บ่งชี้ว่า EV มีแนวโน้มที่จะถูกชาร์จไม่นานหลังจากที่คนขับกลับบ้านจากที่ทำงาน (วันธรรมดา) หรือกิจกรรมยามว่าง (วันหยุด) โครงการ MEA ยังพบว่าไม่ว่าจะวันใด ความน่าจะเป็นของการชาร์จครั้งแรกที่มีค่าเริ่มต้นมากกว่า 9 หน่วย จะสูงกว่าในช่วงเช้า (รูปที่ 5) สิ่งนี้แสดงให้เห็นว่ามีการชาร์จจาก EV ข้ามคืน แล้วใช้รถเวลาสั้นๆ ในตอนเช้า จากนั้นกลับมาชาร์จอีกครั้ง
ในแง่ของค่า SOC ค่าสุดท้าย รูปที่ 6 แสดงให้เห็นว่า มีโอกาสกว่า 65% ที่ SOC จะถึง 12 หน่วย (ชาร์จเต็ม) สำหรับการชาร์จครั้งแรก (ในช่วงเช้าวันหยุดจะอยู่ที่ประมาณ 52%) และมีโอกาสกว่า 70% ที่ SOC จะถึง 11 หน่วย (ประมาณ 63% ในตอนเช้าของสัปดาห์) ในทางกลับกัน การชาร์จครั้งที่ 2 ส่วนใหญ่เกิดขึ้นในเวลากลางคืน และมีโอกาสน้อยกว่า 1 ใน 3 ที่จะชาร์จเต็ม เนื่องจากการใช้ EV ในตอนกลางคืนจะส่งผลให้มีการชาร์จใหม่ในช่วงเช้า ในช่วงวันธรรมดามีโอกาสสูงสุดประมาณ 75% ที่จะมีการชาร์จเต็มที่ระหว่าง 15.00-21.00 น. ในวันหยุดมีโอกาสประมาณ 80% ในระหว่าง 18.00 น. และ 07.00 น. โดยสรุปแล้วโอกาสที่จะเสร็จสิ้นการชาร์จ EV ที่ 8 หรือน้อยกว่านั้นมีค่าต่ำกว่า 20% ซึ่งชี้ให้เห็นว่าผู้ใช้ต้องการที่จะจบการชาร์จด้วยค่า SOC ค่าสุดท้ายที่สูงที่สุด
ชาร์จในวันเดียวกันกับเพื่อนบ้านของคุณได้หรือไม่
ผู้ใช้ EV มีความต้องการการชาร์จที่แตกต่างกัน บางคนมีแนวโน้มที่จะชาร์จ EV ของพวกเขาทุกวัน แต่บางคนอาจไม่ได้ชาร์จทุกวัน ตามรูปที่ 7 ซึ่งแสดงโอกาสในการชาร์จในวันเดียวกัน ตามเปอร์เซ็นต์ปริมาณการใช้ EV (Penetration Level) ที่มีความแตกต่างกันในวันธรรมดาและวันหยุด โอกาสของ EV ทั้งหมดที่ถูกชาร์จอย่างน้อย 1 ครั้งในวันเดียวกันนั้นมีค่าประมาณ 7% ของเดือน หรือ 2 วันต่อเดือน นอกจากนี้โอกาสของ EV ส่วนใหญ่ (ครึ่งหนึ่งหรือมากกว่า) ที่ชาร์จอย่างน้อย 1 ครั้งในวันธรรมดา คือมากกว่า 75% ของเดือน หรือมากกว่า 3 ใน 4 ของเดือนอีกประเด็นที่น่าสนใจคือไม่มีการชาร์จ EV เลย ประมาณ 6% ของเดือน (เกือบ 2 วันต่อเดือน)
อ่านต่อฉบับหน้า
– การสร้างแบบจำลองความต้องการ (Demand) ในการชาร์จ (EV)
*บทความแปล ได้รับอนุญาตจาก IEEE Power & Energy Society
ห้ามจำหน่าย ดัดแปลง หรือนำเนื้อหาส่วนใดส่วนหนึ่งไปใช้โดยไม่ได้รับอนุญาต
Source: นิตยสาร Electricity & Industry Magazine ปีที่ 26 ฉบับที่ 6 พฤศจิกายน-ธันวาคม 2562
ประวัติผู้เขียน: Jairo Quiros-Tortos is with the University of Costa Rica, San Jose. Luis (Nando) Ochoa is with the University of Melbourne, Australia, and the University of Manchester, United Kingdom. Timothy Butler is with EA Technology, Chester, and United Kingdom.
ผู้แปลและเรียบเรียง: ดร.จักรเพชร มัทราช ผู้อำนวยการกองวางแผนงานระบบไฟฟ้าอัจฉริยะ ฝ่ายวางแผนระบบไฟฟ้า การไฟฟ้าส่วนภูมิภาค
* สำหรับการอ่านเพิ่มเติม
- International Energy Agency. (2017, June). Global EV outlook 2017: Two million and counting. IEA. Paris, France. [Online]. Available: https://www.iea.org/publications/freepublications/publication/GlobalEVOutlook2017.pdf
- EA Technology. (2016, Mar.). My Electric Avenue—Project closedown report. EA Tech. Chester, U.K. [Online].Available: http://myelectricavenue.info/sites/default/fi les/documents/Close%20down%20report.pdf
- J. Quiros-Tortos, A. Navarro-Espinosa, L. F. Ochoa, and T. Butler, “Statistical representation of EV charging: Real data analysis and applications,” in Proc. PSCC, 2018, pp. 1-6.
- J. Quiros-Tortos, L. F. Ochoa, S. W. Alnaser, and T.Butler, “Control of EV charging points for thermal andvoltage management of LV networks,” IEEE Trans. Power Syst., vol. 31, no. 4, pp. 3028-3039, 2016.