Średnioterminowe prognozy liczby punktów ładowania pojazdów elektrycznych w Polsce oraz w wybranych krajach
The analysis of development of the number of electric vehicle charging point in Poland and selected countries
Prognozy liczby punktów ładowania pojazdów elektrycznych w Polsce, fot. pexels.com
Ograniczony zasięg większości pojazdów elektrycznych stwarza konieczność zapewnienia odpowiedniej liczby punktów ich ładowania. Prognozy szacujące wielkość wzrostu liczby punktów ładowania w horyzoncie kilku lat są istotną informacją w kontekście perspektyw rozwoju elektromobilności w Polsce oraz na świecie.
Zobacz także
SONEL S.A. Ładowarki aut elektrycznych – jak wpływają na parametry jakości energii elektrycznej?
Dynamiczny rozwój elektromobilności wymusza błyskawiczną rozbudowę infrastruktury ładowania, co staje się jednym z największych wyzwań dla współczesnych systemów elektroenergetycznych. Instalacja stacji...
Dynamiczny rozwój elektromobilności wymusza błyskawiczną rozbudowę infrastruktury ładowania, co staje się jednym z największych wyzwań dla współczesnych systemów elektroenergetycznych. Instalacja stacji ładowania EV – odbiorników o znacznej mocy i nieliniowej charakterystyce – to proces znacznie bardziej złożony niż podłączenie standardowych urządzeń. Niesie on ze sobą ryzyko degradacji parametrów jakości zasilania (JEE), m.in. poprzez generację wyższych harmonicznych, asymetrię obciążeń oraz uciążliwe...
Redakcja Elektro.info.pl news Exobot – nowa marka samochodów elektrycznych z Arabii Saudyjskiej
Arabia Saudyjska, żyjąca z ropy naftowej, intensywnie inwestuje w auta elektryczne. „Krajowy fundusz inwestycyjny i członkowie rodziny królewskiej są właścicielami prawie 62 proc. koncernu Lucid Group,...
Arabia Saudyjska, żyjąca z ropy naftowej, intensywnie inwestuje w auta elektryczne. „Krajowy fundusz inwestycyjny i członkowie rodziny królewskiej są właścicielami prawie 62 proc. koncernu Lucid Group, a teraz państwo rusza z własnym projektem samochodów elektrycznych” – informuje portal elektrowoz.pl. Pojazdy marki Exobot będą produkowane w CEER Manufacturing Complex, czyli największej fabryce aut na Bliskim Wschodzie.
Redakcja Elektro.info.pl news Pierwsza polska ciężarówka wodorowa na Kongresie Nowej Mobilności
Podczas Kongresu Nowej Mobilności, który odbędzie się w dniach 23–25 września br. w Katowicach, warszawska firma Ennovation Technology zaprezentuje pierwszą polską ciężarówkę napędzaną wodorem. Jest to...
Podczas Kongresu Nowej Mobilności, który odbędzie się w dniach 23–25 września br. w Katowicach, warszawska firma Ennovation Technology zaprezentuje pierwszą polską ciężarówkę napędzaną wodorem. Jest to bezemisyjny, wodorowy ciągnik siodłowy w klasycznej konfiguracji osi 4×2, który oferuje zasięg do 600 km na jednym tankowaniu.
W artykule:
|
StreszczenieW artykule przedstawiono prognozy rozwoju liczby punktów ładowania pojazdów elektrycznych w Polsce oraz wybranych krajach. Sformułowano wnioski końcowe z wykonanych prognoz. AbstractThe analysis of development of the number of electric vehicle charging point in Poland and selected countries |
Prognozy dotyczą łącznej liczby punktów ładowania w Polsce oraz kilku wybranych państwach. Założono, że proces (liczba punktów ładowania) jest w początkowej fazie rozwoju. Bardzo krótkie szeregi czasowe liczby punktów ładowania (od 9 do 12 lat w zależności od kraju) wpływają na niepewność prognoz.
Wykorzystując zaproponowane modele wykonano prognozy łącznej liczby punktów ładowania dla lat 2022 – 2024. Z uwagi na krótki horyzont prognoz nie uwzględniono w obliczeniach naturalnego procesu wycofywania niewielkiej części stacji ładowania z eksploatacji.
Wykonano prognozy „ex_ante” (czyli na przyszłość – bez możliwości weryfikacji ich jakości w chwili wykonywania prognozy). Prognozy wykonano metodami wykorzystującymi tylko szereg czasowy danych historycznych, bez innych zmiennych egzogenicznych.
Charakterystyka wykorzystanych metod prognostycznych
Do prognoz wykorzystano pięć wyselekcjonowanych metod, które najlepiej nadają się do tego typu procesów (głównie metody ekstrapolacji trendu). W wyniku testów wstępnych niektóre metody zostały odrzucone – model oparty na wymiarze fraktalnym oraz model ekstrapolacji trendu z wykorzystaniem wielomianu szóstego stopnia.
Model trendu wielomianowego czwartego stopnia opisuje wzór (1). Parametry funkcji wielomianu na danych z zakresu estymacji zostały dobrane poprzez wyznaczenie najbardziej dopasowanego wielomianu czwartego stopnia.
gdzie:
A, B, C, D, E – parametry funkcji wielomianu.
Model trendu wielomianowego piątego stopnia opisuje wzór (2). Parametry funkcji wielomianu na danych z zakresu estymacji zostały dobrane poprzez wyznaczenie najbardziej dopasowanego wielomianu piątego stopnia.
gdzie:
A, B, C, D, E, F – parametry funkcji wielomianu.
Funkcję logistyczną opisuje wzór (3) [16]. Parametry funkcji logistycznej na danych z zakresu estymacji dobierane były z wykorzystaniem optymalizacji metodą nieliniową GRG (ang. nonlinear Generalised Reduced Gradient). Minimalizacji podlegał błąd SSE (ang. Sum of Squared Errors).
gdzie:
a, b, c – parametry funkcji logistycznej.
Model wg Prigogine’a stosowany do prognoz długoterminowych oraz średnioterminowych procesów, które ulegają nasyceniu do pewnego pułapu wzrostu, opisuje wzór (4) [17]. Parametry modelu na danych z zakresu estymacji dobierane były z wykorzystaniem optymalizacji metodą nieliniową GRG. Minimalizacji podlegał błąd SSE. Prognoza w metodzie wykonywana jest krokowo (do prognozy na rok t wykorzystywana jest wartość prognozy z roku t–1).
gdzie:
y(t) – liczebność populacji w okresie,
r > 0 – współczynnik szybkości wzrostu populacji,
K > 0 – pułap rozwoju (przewidywany wzrost populacji w przyszłości).
Model szary (ang. Grey model) opisuje wzór (5). W tym modelu, rząd szarego równania różnicowego oraz liczba zmiennych są równe 1. Model ten wg literatury [18] zalecany jest szczególnie w przypadku bardzo krótkich szeregów czasowych (powyżej trzech danych) oraz gdy ewolucja procesu jest w fazie początkowej. Parametry modelu na danych z zakresu estymacji dobierane były z wykorzystaniem optymalizacji metodą nieliniową GRG. Minimalizacji podlegał błąd SSE.
gdzie:
n34 – długość szeregu czasowego, a to parametr ewolucji,
u – zmienna szara,
y^(t) – prognoza na okres t.
Prognozy „ex ante” z horyzontem 3 lat (od roku 2022 do roku 2024) liczby punktów ładowania w Polsce oraz wybranych państwach
W kroku pierwszym wykonano dobór parametrów każdej z metod przyjmując, że w zakresie estymacji parametrów dopasowanie krzywej rzeczywistej i krzywej prognozy było jak najlepsze. W kroku drugim wykonano właściwe prognozy „ex ante” dla kolejnych 3 lat.
W kroku pierwszym do oceny jakości dopasowania poszczególnych metod wykorzystano cztery miary jakości dopasowania: współczynnik determinacji R2 (im bliżej wartości 1, tym lepiej), błąd MAPE procentowy (im wartość mniejsza tym lepiej), błąd MBE (im wartość bliższa 0, tym lepiej) oraz błąd RMSE (im wartość mniejsza, tym lepiej).
W tabeli 1. przedstawiono wyniki uzyskane dla Polski dla czterech miar jakości dopasowania dla danych z zakresu estymacji parametrów pięciu modeli prognostycznych (lata 2013–2021). Na zielono zaznaczono wynik najlepszy dla danej miary dopasowania, a na czerwono wynik najgorszy. Należy jednak pamiętać, że model z najlepszą miarą dopasowania na danych z zakresu estymacji parametrów nie zawsze będzie również najlepszym modelem prognostycznym (w tym przypadku prognozy „ex_ante”).
Tab. 1. Wyniki dla Polski dopasowania parametrów pięciu modeli prognostycznych dla danych z zakresu estymacji
W tabeli 1. zostały przedstawione wyniki uzyskane dla Polski dla czterech miar jakości dopasowania dla danych z zakresu estymacji parametrów modeli prognostycznych (lata 2013 – 2021) Na zielono zaznaczono wynik najlepszy dla danej miary dopasowania, a na czerwono wynik najgorszy.
Na rysunku 1. przedstawiono wyniki kroku drugiego, czyli prognozy „ex ante” liczby punktów ładowania w Polsce w latach 2022 – 2024 dla modeli wielomianu czwartego stopnia i wielomianu piątego stopnia.
Rys. 1. Prognozy „ex ante” liczby punktów ładowania dla modeli wielomianu czwartego i wielomianu piątego stopnia, Opracowanie własne: Kamila Nita – źródło danych [7]
Na rysunku 2. przedstawiono wyniki kroku drugiego, czyli prognozy „ex ante” liczby punktów ładowania w Polsce w latach 2022 – 2024 dla modelu funkcji logistycznej.
Rys. 2. Prognozy „ex ante” liczby punktów ładowania dla modelu funkcji logistycznej, Opracowanie własne: Kamila Nita – źródło danych [7]
Na rysunku 3. przedstawiono wyniki kroku drugiego, czyli prognozy „ex ante” liczby punktów ładowania w Polsce w latach 2022 – 2024 dla modelu Prigogine’a.
Rys. 3. Prognozy „ex ante” liczby punktów ładowania dla modelu Prigogine’a, Opracowanie własne: Kamila Nita – źródło danych [7]
Na rysunku 4. przedstawiono wyniki kroku drugiego, czyli prognozy „ex ante” liczby punktów ładowania w Polsce w latach 2022 – 2024 dla modelu szarego.
Rys. 4. Prognozy „ex ante” liczby punktów ładowania dla modelu szarego, Opracowanie własne: Kamila Nita – źródło danych [7]
Na rysunku 5. zostały przedstawione przebiegi dla trzech wybranych wariantów. Jako wariant optymistyczny wybrano model wielomianu piątego stopnia, pesymistyczny model szary, a jako wariant zrównoważony został wybrany model Prigogine’a. Wybrano model wielomianu stopnia piątego jako model optymistyczny, ponieważ osiągnął on największe wartości prognoz w porównaniu do innych modeli prognostycznych oraz ma najlepsze wyniki dla wybranych miar błędów. Najgorszy wynik dla miar błędów osiągnął model Prigogine’a, ale został zakwalifikowany jako zrównoważony ze względu na średnie wartości prognozowanej liczby punktów ładowania.
Rys. 5. Prognozy „ex ante” podzielone na trzy warianty: optymistyczny, zrównoważony i pesymistyczny dla Polski, Opracowanie własne: Kamila Nita
W tabeli 2. przedstawiono wyniki uzyskane dla Niemiec dla czterech miar jakości dopasowania dla danych z zakresu estymacji parametrów pięciu modeli prognostycznych (lata 2012 – 2021). Na zielono zaznaczono wynik najlepszy dla danej miary dopasowania, a na czerwono wynik najgorszy.
Tab. 2. Wyniki dla Niemiec dopasowania parametrów pięciu modeli prognostycznych dla danych z zakresu estymacji
Na rysunku 6. zostały przedstawione przebiegi dla trzech wybranych wariantów. Jako wariant optymistyczny wybrano model wielomianu piątego stopnia, pesymistyczny model funkcji logistycznej, a jako wariant zrównoważony został wybrany model szary. Model wielomianu piątego stopnia został wybrany jako optymistyczny, ponieważ wartości prognozy liczby punktów ładowania są największe w porównaniu innych modeli. Model wybrany jako wariant pesymistyczny charakteryzuje się najmniejszymi wartościami prognoz liczby punktów ładowania w porównaniu do innych analizowanych modeli.
Rys. 6. Prognozy „ex ante” podzielone na trzy warianty: optymistyczny, zrównoważony i pesymistyczny dla Niemiec, Opracowanie własne: Kamila Nita
W tabeli 3. zostały przedstawione wyniki uzyskane dla Wielkiej Brytanii dla czterech miar jakości dopasowania dla danych z zakresu estymacji parametrów modeli prognostycznych (lata 2011 – 2021). Na zielono zaznaczono wynik najlepszy dla danej miary dopasowania, a na czerwono wynik najgorszy. W tym przypadku odrzucono model wielomianu stopnia piątego, ponieważ okazał się on niewłaściwy dla danych z zakresu estymacji.
Tab. 3. Wyniki dla Wielkiej Brytanii dopasowania parametrów pięciu modeli prognostycznych dla danych z zakresu estymacji
Na rysunku 7. zostały przedstawione przebiegi dla trzech wybranych wariantów. Jako wariant optymistyczny wybrano model szary, ponieważ zakłada on największy wzrost liczby punktów ładowania w przyszłych latach. Model funkcji logistycznej zakwalifikowano jako wariant pesymistyczny. Na wariant zrównoważony został wybrany model Prigogine’a.
Rys. 7. Prognozy „ex ante” podzielone na trzy warianty: optymistyczny, zrównoważony i pesymistyczny dla Wielkiej Brytanii, Opracowanie własne: Kamila Nita
W tabeli 4. zostały przedstawione wyniki uzyskane dla Norwegii dla czterech miar jakości dopasowania dla danych z zakresu estymacji parametrów modeli prognostycznych (lata 2010 – 2021). Na zielono zaznaczono wynik najlepszy dla danej miary dopasowania, a na czerwono wynik najgorszy.
Tab. 4. Wyniki dla Norwegii dopasowania parametrów pięciu modeli prognostycznych dla danych z zakresu estymacji
Na rysunku 8. zostały przedstawione przebiegi dla trzech wybranych wariantów. Jako wariant optymistyczny wybrano model szary, pesymistyczny model Prigogine’a, a jako wariant zrównoważony został wybrany model wielomianu czwartego stopnia. Dla wszystkich trzech wariantów występuje zauważalny prognozowany wzrost liczby punktów ładowania.
Rys. 8. Prognozy „ex ante” podzielone na trzy warianty: optymistyczny, zrównoważony i pesymistyczny dla Norwegii, Opracowanie własne: Kamila Nita
Na rysunku 9. przestawiono procentowy wzrost prognozowanej liczby punktów ładowania od 2021 roku (stan bieżący) w stosunku do prognozy na 2024 rok dla wariantu zrównoważonego. Według prognoz największy procentowy spośród analizowanych krajów osiągnie Polska. A najmniejszy Norwegia.
Rys. 9. Procentowy wzrost liczby punktów ładowania od 2021 roku w stosunku do prognozy na 2024 rok dla wariantu zrównoważonego, Opracowanie własne: Kamila Nita
Analizując powyższy wykres możemy zakładać dalszy rozwój sektora elektromobilności w Polsce, co spowoduje łatwiejszą dostępność do punktów ładowania samochodów elektrycznych i wyeliminuje liczbę białych plam na mapach bez punktów ładowania, głównie w mniejszych miastach.
Wpływ rozwoju elektromobilności na zapotrzebowanie na energię elektryczną w Polsce
Budowa nowych stacji ładowania pojazdów elektrycznych jest bardzo istotna dla rozwoju elektromobilności w Polsce. Istnieje oczywiście wiele barier – koszty, konieczność modernizacji sieci elektroenergetycznych w celu zapewnienia odpowiedniej mocy w danej lokalizacji oraz budowa nowych linii zasilających. Energia elektryczna musi zostać wyprodukowana w elektrowni (najlepiej ekologiczna z farmy wiatrowej lub systemu fotowoltaicznego). W warunkach krajowych dominuje nadal produkcja energii elektrycznej z węgla. Powstaje zatem zasadne pytanie – czy tej energii elektrycznej nie zabraknie w przypadku bardzo dynamicznie rozwijającej się elektromobilności?
Obecna liczba pojazdów z napędem elektrycznym ma znikomy wpływ na zapotrzebowanie na energię elektryczną z sieci. Jak podaje KSE w 2020 roku roczne zapotrzebowanie na energię elektryczną wynosiło 169 293 GWh. Procentowy udział elektromobilności w rocznym zapotrzebowaniu na energię elektryczną pod koniec 2021 wynosił 0,15%. Należy jednak pamiętać, że zapotrzebowanie będzie stale rosnąć wraz z rozwojem elektromobilności w Polsce. Będzie to wynikało ze zwiększającej się liczby pojazdów elektrycznych. Natomiast jeżeli założymy, że stopień elektryfikacji pojazdów wynosiłby obecnie 20% to zapotrzebowanie na energię zwiększy się do poziomu około 18 tys. GWh, czyli oznacza konieczność zapewnienia o około 10% więcej energii elektrycznej w okresie roku. W przypadku pełnej elektryfikacji wszystkich zarejestrowanych pojazdów w Polsce, których jest obecnie około 28 mln, roczne zapotrzebowanie na energię elektryczną mogłoby wynieść ponad 256 tys. GWh rocznie, co oznacza wzrost o 51% rocznego zapotrzebowania na energię elektryczną. Na rysunku 10. przedstawiono porównanie zapotrzebowania na energię elektryczną samochodów elektrycznych w trzech omówionych wariantach.
Rys. 10. Porównanie zapotrzebowania na energię elektryczną samochodów elektrycznych w trzech wariantach: rzeczywista liczba pojazdów EV na koniec roku 2021, teoretyczna liczba pojazdów EV równa 20% wszystkich pojazdów oraz futurystyczna liczba pojazdów EV równa 100% wszystkich pojazdów zarejestrowanych w Polsce, Opracowanie własne: Kamila Nita
Podsumowanie i wnioski końcowe
Wykonane analizy oraz prognozy wskazują na dalszy dynamicznie rosnący trend liczby punktów ładowania zarówno w Polsce, jak również w pozostałych analizowanych krajach. Wśród wykorzystanych metod charakterystyczna była powtarzalność bardzo dobrego dopasowania na zakresie estymacji parametrów dla modeli ekstrapolacji trendu wielomianu stopnia cztery oraz wielomianu stopnia pięć. Najgorsze dopasowanie na zakresie estymacji parametrów miała najczęściej metoda Prigogine’a oraz model szary. Warto jednak podkreślić, że bardzo duży stopień dopasowania danego modelu na zakresie estymacji parametrów niekoniecznie musi gwarantować najlepszą jakość właściwych prognoz na przyszłość (zakres „ex ante”). Wybór modeli do wariantów zrównoważonego, pesymistycznego oraz optymistycznego był dość odmienny dla poszczególnych krajów, ale warto zwrócić uwagę, że model szary oraz model Prigogine’a, mające niezbyt duże dopasowanie na danych z zakresu estymacji, były często wybierane do tych wariantów.
Analiza zapotrzebowania na energię elektryczną samochodów w skali roku wykazała, że przejście na elektromobilność musi odbywać się stopniowo z uwagi na bardzo duże zapotrzebowanie wynikające z elektromobilności. Zakładając teoretycznie, że w chwili obecnej tylko/aż? 20% pojazdów byłoby pojazdami elektrycznymi to oznaczałoby dość duże wyzwanie dla krajowej elektroenergetyki – niemal 10% wzrost rocznego zapotrzebowania na energię elektryczną w Polsce. Natomiast przy pełnej elektryfikacji pojazdów elektrycznych roczny wzrost zapotrzebowania na energię elektryczny byłby w Polsce ogromny (ponad 51% wzrost), niemożliwy w żaden sposób do osiągnięcia w praktyce. Wniosek stąd taki, że jedynie stopniowo wprowadzana elektryfikacja pojazdów z maksymalnie dużym wykorzystaniem OZE jest możliwa do realizacji w praktyce. Warto zauważyć, że proces ten dokładnie w ten sposób do tej pory zachodzi zarówno w Polsce, jak i w innych krajach. Kryzys energetyczny wywołany wojną w Ukrainie stanowi niestety dodatkowy czynnik mogący negatywnie wpłynąć na dynamikę rozwoju elektromobilności.
Literatura
- Plan rozwoju elektromobilności w Polsce, Ministerstwo Energii https://www.gov.pl/documents/33372/436746/DIT_PRE_PL.pdf/ebdf4105-ef77-91df-0ace-8fbb2dd18140, dostęp: 7.06.2019.
- „The Strategy of sustainable transport development until 2030”, https://www.gov.pl/attachment/e268e9f9-d7ca-473e-a7b1-8731348155d9.
- P. Piotrowski, Analiza rozwoju elektromobilności w Polsce oraz prognozy liczby pojazdów z napędem elektrycznym do roku 2025, „elektro.info” nr 5/2020 (184), s. 74–78.
- P. Piotrowski, D. Baczyński, P. Kapler, Wielowariantowe prognozy liczby pojazdów elektrycznych w Polsce do roku 2025 oraz ich wpływ na roczne zapotrzebowania na energię elektryczną, „Przegląd Elektrotechniczny” nr 1/2020, R.96, s. 138–141, doi: 10.15199/48.2020.01.30.
- Rynek Motoryzacyjny, Licznik elektromobilności, Polski Związek Przemysłu Motoryzacyjnegohttps://www.pzpm.org.pl/pl/Rynek-motoryzacyjny/Licznik-elektromobilnosci/Listopad-2021, dostęp: 8.01.2022.
- https://elektrowoz.pl/transport/warszawa-najwieksza-stacja-ladowania-autobusow-powstala-na-petli-wilanow-w-sumie-2-400-kw-mocy/, dostęp: 8.01.2022.
- Europen Alternative Fuels Observatory https://www.eafo.eu/, dostęp: 8.01.2022.
- Główny Urząd Statystyczny, Baza Danych Lokalnych, Tablica Transport i Łączność, https://bdl.stat.gov.pl/BDL/dane/podgrup/tablica, dostęp: 8.01.2022.
- GOV.UK , dostęp: 8.01.2022.
- Statistik sentralbyrå, Statistic Norway https://www.ssb.no/en, dostęp: 8.01.2022.
- Car Sales Statistic https://www.best-selling-cars.com/germany/2021-germany-total-number-of-registered-cars-by-brand/, dostęp: 8.01.2022.
- Organisation for Economic Co-Operation and Development https://stats.oecd.org/Index.aspx?DataSetCode=AV_AN_WAGE, dostęp: 8.01.2022.
- H. Saele, I. Petersen, Electric vehicles in Norway and the potential for demand response; IEEE Transactions on Industrial Informatics; Date Added to IEEE Xplore: 13 December 2018, dostęp: 8.01.2022.
- B. Ufnalski, Elektromobilność – niszowa alternatywa czy docelowy kierunek motoryzacji? (część 2), Inżynieria Elektryczna, Sieć Badawcza Łukasiewicz – Instytut Elektrotechniki , nr 3, 2020, s. 26–37.
- P. Piotrowski, K. Nita, Analiza rozwoju liczby punktów ładowania pojazdów elektrycznych w Polsce oraz w wybranych krajach, „elektro.info”, nr 1–2/2022 (201), s. 70–74.
- J. Żurowska, Zastosowanie modelu trendu logistycznego do prognozowania wskaźnika motoryzacji w Polsce, Archiwum motoryzacji, 2 (2007).
- I. Dobrzańska, K. Dąsal, J. Łyp, T. Popławski, J. Sowiński, Prognozowanie w elektroenergetyce. Zagadnienia wybrane. Wydawnictwo Politechniki Częstochowskiej, Częstochowa, (2002).
- S. Liu, Y. Lin (2010), „Grey Systems. Theory and Applications”, Springer, Berlin–Heidelberg, 2010.
