Abstract
Elektrifiseringen av transportsektoren har ført til at kraftsystemoperatører har uttrykt bekymringer knyttet til utfordringer det økende energibehovet fra transportsektoren kan påføre kraftnettet. Derfor, for å muliggjøre en videre elektrifisering av transportsektoren, og å unngå tunge tilleggsinvesteringer i kraftnettinfrastruktur, har det oppstått et behov for en ytterligere forståelse av brukeratferd av elektriske kjøretøy. Målet med denne oppgaven var å analysere hvordan elbileiere ladet elbilen sin, og hvordan brukeradferden til elbileiere variert mellom elbileiere som ladet på en ladestasjon. Dette ble utført med en datadrevet analyse av et datasett fra en reel ladestasjon, Adaptive Charging Network (ACN), ved Institute of Technology i California, USA. I tillegg, ble det forsøkt å bygge maskinlæringsmodeller for å predikere varighet på ladeøkt, og energien som leveres i løpet av en ladeøkt, med informasjonen i datasettet. Det var også et mål for denne oppgaven å presentere en oversikt over noen offentlig tilgjengelige datasett, som kan brukes til å analysere aspekter ved elbil brukeratferd, og å presentere noen faktorer som kan være nyttige å registrere ved en ladestasjon, for å analysere elbil brukeradferd. I analysen ble det blant annet observert at flere elbileiere ladet på ACN på hverdager, enn i helgene. Videre, ble det observert at elbileierne som ladet på hverdager, fulgte et lademønster som liknet på det som forventes for en ladestasjon tilknyttet en arbeidsplass. I tillegg ble det observert at elbileierne som ladet på ACN på hverdager, var tilkoblet ladestasjonen lenger enn elbileierne som ladet i helgene. Det ble også observert at el- bileierne som ladet på hverdager hadde en tendens til å la elbilen være tilkoblet vesentlig lengere enn det som tilsynelatende var nødvenidg for å lade elbilen. Når elbileierne ble delt inn i forskjellige ladegrupper, basert på hvor ofte de ladet elbilen, ble det observert at elbileierne som ladet oftest, hadde en tendens til å la elbilen være tilkoblet lengere enn de andre elbileierne. Maskinlæringen resulterte i modeller med en begrenset ytelse, med en R2-verdi på rundt 0,50 for både modellen som predikerte varighet på ladeøkt, og modellen som predikerte energi levert i ladeøkt. Til slutt, basert på observasjonene i analysen, ble faktorer som kunne være nyttige å registrere for å analysere brukeratferd foreslått. Disse faktorene var tilkoblingstid, frakoblingstid, en id som kan skille mellom elbileiere og prisen for lading.