Due to the environmental issues, the amount of installed solar power increases. In the same time, the electric vehicle fleet is expanding rapidly. Those two growing technologies, if not controlled, can cause various unwanted effects for the electricity grid. In order to decrease their negative effects on the grid and benefit from it at the same time, these technologies have to work in synergy with each other. This synergy can be enabled through smart charging of electric vehicles. Therefore, the aim of this study is to develop a smart charging algorithm which uses solar production forecasts to charge the vehicles at a workplace. Furthermore, the goal is to examine how such control of the charging affects the self-consumption of solar power, self-sufficiency and the amount of energy imported from the grid as opposed to uncontrolled charging. To fulfill the goal, the algorithm was developed based on solar production forecasts. The forecasts were created through autoregressive models, AR and ARMA which were estimated using the actual solar production data collected at one of Uppsala regions solar production plants. Also, a case where ideal forecasts were used was applied. Furthermore, the charging need for various number of cars was simulated for every working day throughout an entire year in order to simulate the application of the algorithm and examine its performance but also to simulate the uncontrolled charging. The results, compared to the uncontrolled charging, show that the algorithm is able to increase the self-consumption of solar power by an average of 9,33 – 25,30 percentage points for 10 – 50 charging cars. It is also able to increase the selfsufficiency by an average of 42,65 – 31,28 percentage points for 10-50 cars respectively thus reducing the need of electricity imports from the grid. Furthermore, it was discovered that the results, the self-consumption and selfsufficiency, from the simulations with ideal forecasts differed only by up to 2 percentage points from the simulations where the forecasts were created through an AR(9) model (AR model of order 9). This allows a conclusion that a simple AR(9) model is completely sufficient to create forecasts that are good enough to produce satisfactory results. In general, it is concluded that the algorithm developed in this study is successful when it comes to increasing the self-consumption of the solar power, the selfsufficiency and decreasing the amount of energy needed from the electricity grid. This limits the negative impacts that the increasing solar power production and the growing electric vehicle fleet have on the electricity grid.

Electrical demand flexibility is a key component to enabling a low cost, low carbon grid. In this study, residential electricity demand and flexibility is explored from the lens of a virtual power plant operator. Individual and aggregate asset consumption is analysed using a pool of >10,000 household assets over 6 years. Key safety, comfort and availability limitations are identified per asset type. Pool flexibility is analysed using a combination of past data and principled calculations, with flexibility quantified for different products and methods of control. A machine learning model is built for a small pool of 200 assets, predicting consumption 24 hours in advance. Calculated flexibility and asset limitations are then used within an optimisation model, leveraging flexibility and combining the value of self consumption and day ahead price optimisation for a residential home. / Flexibilitet i efterfrågan av elektricitet är essentiellt för att möjliggöra ett elnät med låga kostnader och utsläpp. I denna studie undersöks elanvändning av en bostad samt flexibilitet i perspektiv från en virtuell kraftverksoperatör. Individuell och sammanlagd konsumtion analyseras genom tillgång av data från >10 000 bostäder över 6 år. Begränsningar av säkerhet, komfort och tillgänglighet identifieras per tillgångstyp. Sammanlagda flexibiliteten analyseras genom en kombination av tidigare data och principiella beräkningar, med flexibilitet kvantifierad för diverse produkter och kontrollmetoder. En modell för maskininlärning utvecklades för 200 bostäder och förutser konsumtion 24 timmar i förväg. Den beräknade flexibiliteten och tillgångsbegränsningar används sedan i en optimeringsmodell som utnyttjar flexibilitet och kombinerar värdet av självkonsumtion och optimerat pris för nästkommande dag för ett bostadshus.

The primary aim of this thesis was to use the calculation instrument for the solar energy potential map of Landskrona to simulate several PV systems to a sanitation company. The calculation tool is designed to calculate the profitability and environmental benefits of installing solar panels. The calculation tool was adapted in order to compare cost efficiency, environmental benefit and degree of self-sufficiency and self- consumption for the solutions. The PV system was planned to a company, Landskrona Svalöv Renhållning (LSR). Furthermore, four different ways to construct the PV system were investigated; flat against the roof, tilted with respect to the roof, tilted with respect to the roof and oriented (azimuth angle), as well as an installation with a string of tilted PV modules together with PV modules mounted flat against the roof. Variation of the system configurations was achieved by changing the parameters tilt and azimuth angle. The capacity was adjusted so that the annual production would be 83 500 kWh for all the studied systems. The different systems were optimized in two ways; first for the most output per module, and secondly for the greatest self-sufficiency in order to minimize the losses of excess production. PV modules optimally oriented for production per module provides the highest profitability and lowest payback period. The study suggests that photovoltaic systems are a competitive installation for LSR even without subsidies. The degree of self-consumption was 11 %. Simulation results showed that the degree of self-sufficiency could only be increased marginally by simply changing the orientation of solar cells (with power adapted to maintained production level). There was no significant benefit from tilting the solar cells by 90 ° to increase self-sufficiency in the winter. The simulations showed that almost all of the produced electricity was used to LSR 's internal load. This high degree of self-consumption showed very little excess electricity was produced. LSR is connected to the medium voltage power grid via two transformers. The surplus production covered only part of the no-load losses in transformers. Surplus electricity could therefore not be sold, but the high self-consumption rate limited this loss of revenue. The solar electricity from crystalline silicon cells, results in slightly higher greenhouse gas emissions than wind power but much lower than the production mix of electricity available in the market. The self-produced solar electricity contributed to the environment because LSR did not have to buy the contracted wind electricity, which then became available for others. The study's conclusions are that a PV system is likely to be profitable for LSR. Self-sufficiency would be about 11%, and the self-consumption rate of 98%. The environmental benefit consisted of the contribution of renewable energy in the mix of electricity generation on the market. / Huvudsyftet med denna rapport var att simulera olika solcellsanläggningar med ett beräkningsverktyg till en renhållningsverksamhet. Beräkningsverktyget är framtaget till solpotentialkartan över Landskrona för att beräkna lönsamheten och miljönyttan av att installera solceller. Beräkningsverktyget anpassades för att jämföra kostnadseffektiviteten, självförsörjningsgraden, självkonsumtionsgraden och miljönyttan med olika systemlösningar på solcellsanläggningar. Landskrona Svalövs Renhållning (LSR) var den renhållningsverksamhet de simulerade solcellsanläggningarna anpassades till. Först antogs fyra olika sätt att anlägga solcellerna på; platt, uppvinklat från tak, uppvinklat från tak och riktat (azimutvinkeln) samt en systemlösning med en sträng solceller som var uppvinklade tillsammans med en grupp platt anlagda solceller. Sedan utfördes simuleringar genom att ändra parametrarna vinkel och azimutvinkel. Effekten anpassades så att årsproduktionen var 83 500 kWh för alla de studerade systemen. Dessa olika systemlösningar optimerades på två sätt. För det första, till största produktion per modul, för det andra till största självförsörjningsgrad. Den högsta lönsamheten och lägsta återbetalningstiden gav den solcellsanläggning vars moduler var optimalt orienterad för produktion per modul. Studien pekar mot att en solcellsanläggning för LSR är en konkurrenskraftig installation utan statligt stöd. I de simulerade fallen täckte den egenanvända elen den totala elanvändningen till ca 11 %.  Simuleringsresultaten visade att denna självförsörjningsgrad endast gick att höja marginellt genom att ändra på orienteringen (med effekt anpassad så att produktionsnivån bibehölls). Det fanns ingen signifikant nytta av att anlägga solceller i 90° för att öka självförsörjningen under vintern. Simuleringarna visade att nästan all egen elproduktion användes till LSR:s interna last. Denna höga självkonsumtionsgrad visade att mycket lite överskott av el producerades. LSR är anslutna till högspänningsnätet via två transformatorer. Överskottsproduktionen täckte bara en del av tomgångsförlusterna i transformatorerna. Överskottselen kunde därmed inte säljas, men den höga självkonsumtionsgraden begränsade denna förlust av intäkter. Solkraft från solceller av kristallina solceller har något högre växthusgasutsläpp än vindkraftsel men mycket lägre än den produktionsmix av el som finns på marknaden. Egen solelproduktion bidrog till miljönyttan eftersom LSR inte behövde köpa den kontrakterade vindkraften då de använde egen solel och elen från vindkraft blev tillgänglig för andra. Studiens slutsatser är att en solcellsanläggning sannolikt skulle vara lönsam för LSR. Självförsörjningsgraden skulle bli ca 11 % och självkonsumtionsgraden över 98 %. Miljönyttan bestod i tillskott av förnybar el i den mix av elproduktion som fanns på marknaden.

With the ever-increasing adoption of renewable energy sources, the seamless integration of PV systems into existing grids becomes imperative. Therefore, this study investigates the integration of a PV-ESS system into sustainable urban living. It entails the development and evaluation of forecasting models for PV production and electricity consumption using artificial neural network models, as well as the analysis of linear optimization algorithms. These investigations give insight into the benefits, challenges, and implications of implementing a PV-ESS system. The photovoltaic generation forecasting model demonstrates high accuracy in winter months while encountering complexity in dynamic summer conditions. The model for estimating power demand poses challenges due to a variety of factors, including human behaviour and data quality.Moreover, the study focuses on the formulation and assessment of linear optimization models with two aims: minimizing costs and optimizing self-consumption. The first continually reduces electricity costs while increasing self-consumption, whereas the second maximizes self-consumption, with limitations in winter battery use. Finally, forecast precision appears as a crucial factor for optimization models. Forecast errors have an impact on the system’s operation. Improving forecasting accuracy and adaptive control strategies are therefore critical. / Med den ständigt ökande användningen av förnybara energikällor blir sömlös integration av solcellssystem i befintliga elnät nödvändig. Därför undersöker denna studie integrationen av ett solcellsenergilagringssystem (PV-ESS) i hållbart stadsboende. Det innefattar utveckling och utvärdering av prognosmodeller för solcellsproduktion och elförbrukning med hjälp av artificiella neurala nätverksmodeller, samt analys av linjär optimeringsalgoritmer. Dessa undersökningar ger insikt om fördelarna, utmaningarna och konsekvenserna av att implementera ett PV-ESS-system. Modellen för prognostisering av solcellsgeneration visar hög noggrannhet under vintermånaderna men stöter på komplexitet under dynamiska sommarförhållanden. Modellen för att uppskatta elförbrukning står inför utmaningar på grund av olika faktorer, inklusive mänskligt beteende och datakvalitet. Dessutom fokuserar studien på formulering och utvärdering av linjära optimeringsmodeller med två mål: att minimera kostnader och optimera självkonsumtion. Den första minskar kontinuerligt elkostnader samtidigt som den ökar självkonsumtionen, medan den andra maximerar självkonsumtionen med begränsningar i vinterbatterianvändning. Slutligen framstår precision i prognoser som en avgörande faktor för optimeringsmodeller. Prognosfel påverkar systemets drift. Därför är förbättring av prognosnoggrannhet och adaptiva kontrollstrategier avgörande.