The growing adoption of electric vehicles (EVs) presents both opportunities and challengesfor modern electricity systems, particularly in balancing supply and demand through ancillaryservice markets. In Sweden, where plug-in EVs accounted for over 58% of new car registrationsin 2024 (EAFO, 2025), ensuring grid stability is increasingly critical. This thesis investigatesthe potential of leveraging residential EV flexibility to participate in the Manual FrequencyRestoration Reserve (mFRR) market.

By utilizing historical charging data from Greenely, an energy-tech company, and market datafrom Svenska kraftnät (SvK), a machine learning framework was developed to forecast EVavailability. The study compares the performance of LSTM, XGBoost, and SARIMA models inpredicting aggregated residential EV load, with XGBoost achieving the highest accuracy. Theseforecasts inform a linear programming optimization model designed to maximize householdrevenue by engaging in ”EV Flexibility”, which is the process of shifting charging (usingSmart charging controls) to periods with favorable mFRR capacity and activation prices, whileadhering to technical and market regulatory constraints.

Results indicate that partial and bi-directional smart charging significantly improves theeconomic feasibility of mFRR participation for households, even under limited flexibilityassumptions, compared to a baseline case. The study further identifies feasible bidding hours,highlights challenges posed by regulatory thresholds, and suggests strategies for electricityaggregators like Greenely to optimize participation.

By combining machine learning with a linear programming optimization model, this researchfills a critical gap in the literature on participation of residential EVs in frequency markets andprovides actionable insights for grid planning, market design, and energy-aggregator businessmodels.  

Den växande användningen av elfordon (EV) innebär både möjligheter och utmaningarför moderna elsystem, särskilt när det gäller att balansera tillgång och efterfrågan genomstödtjänstmarknader. I Sverige, där laddbara elfordon stod för över 58Genom att använda historisk ladddata från Greenely, ett energiteknikföretag, samtmarknadsdata från Svenska kraftnät (SvK), utvecklades ett maskininlärningsramverk för attförutsäga tillgängligheten hos elbilar. Studien jämför prestandan hos LSTM-, XGBoost- ochSARIMA-modeller i att förutsäga aggregerad hushållsladdning, där XGBoost uppnådde högstnoggrannhet. Dessa prognoser används i en linjär programmeringsmodell som syftar till attmaximera hushållens intäkter genom att delta i ”EV-flexibilitet”, vilket innebär att laddningenförskjuts (med hjälp av smarta laddningsstyrningar) till perioder med gynnsamma mFRR kapacitets- och aktiveringspriser, samtidigt som tekniska och marknadsmässiga regelverkföljs.

Resultaten visar att partiell och tvåvägs smart laddning avsevärt förbättrar den ekonomiskalönsamheten för hushåll att delta i mFRR-marknaden, även under antaganden om begränsadflexibilitet, jämfört med ett basscenario. Studien identifierar dessutom genomförbarabudtimmar, belyser utmaningar kopplade till regulatoriska tröskelvärden och föreslårstrategier för elaggregatorer som Greenely för att optimera sitt deltagande.

Genom att kombinera maskininlärning med en optimeringsmodell baserad på linjärprogrammering fyller denna forskning en viktig kunskapslucka kring hur hushållselbilarkan delta på frekvensmarknader, och bidrar med praktiska insikter för nätplanering,marknadsdesign och affärsmodeller för energibolag och aggregatorer.