Quadro di Intelligenza Artificiale Affidabile Migliora la Pianificazione Veicolo-Rete
Un progresso rivoluzionario nella tecnologia delle reti intelligenti è emerso da uno sforzo di ricerca collaborativo volto a migliorare l’affidabilità e l’efficienza dei sistemi vehicle-to-grid (V2G). Man mano che i veicoli elettrici (EV) si integrano sempre più nelle reti elettriche, la sfida di coordinare le loro attività di carica e scarica senza compromettere la privacy dei dati o l’accuratezza decisionale è diventata più complessa. In risposta, un team di ricercatori ha introdotto un nuovo metodo di apprendimento federato affidabile specificamente progettato per la pianificazione V2G, offrendo una soluzione robusta che allinea gli interessi degli utenti di EV, degli operatori delle stazioni di ricarica e degli operatori di rete, garantendo al contempo un addestramento del modello sicuro e verificabile.
Lo studio, guidato da Yunhua He e Yuhang Cheng della Scuola di Scienza e Tecnologia dell’Informazione presso la North China University of Technology, in collaborazione con Xiaodong Yuan e Yajuan Guo dell’Istituto di Ricerca sull’Energia Elettrica di State Grid Jiangsu Electric Power Co., Ltd., e Jianlin Li del Centro Nazionale di Innovazione e Sviluppo per l’Accumulo di Energia sul Lato dell’Uso, presenta un’architettura completa che affronta due sfide critiche nelle attuali implementazioni V2G: la soggettività delle etichette dei dati di addestramento e la mancanza di verifica nell’aggregazione dei parametri del modello. I loro risultati sono stati pubblicati nel numero di dicembre 2024 di Distributed Energy, una rivista peer-reviewed riconosciuta per i suoi contributi all’innovazione dei sistemi energetici.
Al centro delle operazioni V2G moderne risiede la necessità di modelli di pianificazione intelligenti in grado di guidare migliaia di EV a caricare durante le ore di minor consumo e a scaricare durante i periodi di alta domanda. Questo processo, noto come livellamento dei picchi e riempimento delle valli, aiuta a stabilizzare la rete elettrica, riduce lo stress sull’infrastruttura e abbassa i costi energetici complessivi. Tuttavia, addestrare tali modelli richiede tradizionalmente l’accesso a vaste quantità di dati sensibili, che vanno dai modelli di guida individuali ai prezzi dell’elettricità in tempo reale, che molti stakeholder sono riluttanti a condividere a causa di preoccupazioni sulla privacy e sulla concorrenza.
L’apprendimento federato è stato proposto come un approccio promettente per superare questa barriera alla condivisione dei dati. A differenza del machine learning convenzionale, in cui i dati sono centralizzati, l’apprendimento federato consente a più parti di addestrare collaborativamente un modello senza esporre i propri dati grezzi. Ogni partecipante addestra un modello locale utilizzando il proprio set di dati e condivide solo i parametri aggiornati del modello con un aggregatore centrale. Questi parametri vengono poi combinati per formare un modello globale, che viene ridistribuito per ulteriori perfezionamenti. Sebbene questo metodo migliori la privacy, introduce nuove vulnerabilità. La qualità del modello finale dipende fortemente dall’accuratezza e dall’oggettività delle etichette di addestramento utilizzate, che spesso sono determinate soggettivamente dallo sviluppatore del modello. Inoltre, l’aggregatore centrale, tipicamente un aggregatore di carico nei contesti V2G, potrebbe potenzialmente manipolare il processo di aggregazione, portando a decisioni di pianificazione errate o distorte.
Riconoscendo queste limitazioni, il team di ricerca ha sviluppato un’architettura in tre parti progettata per garantire sia l’integrità del processo di addestramento che l’affidabilità dei risultati. Il primo componente è un modulo di generazione delle etichette che crea etichette di addestramento ottimali e obiettive considerando gli interessi di tutte le parti interessate chiave. Invece di basarsi su presupposti arbitrari, il modello calcola le etichette basandosi su un quadro di ottimizzazione multi-obiettivo che massimizza simultaneamente le entrate dell’operatore, minimizza i costi di ricarica degli utenti di EV e riduce le fluttuazioni del carico sul lato rete.
Questo approccio segna una deviazione significativa dai metodi precedenti, che spesso privilegiavano un unico obiettivo, come minimizzare la varianza del carico di rete, senza tenere adeguatamente conto degli incentivi economici per utenti e fornitori di servizi. Integrando questi diversi obiettivi in un modello matematico unificato, i ricercatori garantiscono che le conseguenti decisioni di pianificazione non siano solo tecnicamente valide, ma anche economicamente sostenibili e socialmente accettabili. Ad esempio, quando un gran numero di EV “in uscita anticipata, in rientro tardivo” domina la flotta, il modello regola automaticamente le strategie dei prezzi per riflettere una maggiore domanda notturna, assicurando che gli operatori possano massimizzare i profitti offrendo comunque tariffe competitive agli utenti.
Il secondo componente dell’architettura è un modulo di apprendimento federato verificabile che utilizza la crittografia omomorfa per proteggere la privacy degli aggiornamenti del modello locale. La crittografia omomorfa consente di eseguire calcoli direttamente su dati crittografati, il che significa che l’aggregatore di carico può sommare i parametri crittografati del modello di ogni stazione di ricarica senza mai decrittarli. Ciò elimina il rischio che l’aggregatore possa reverse-engineer informazioni sensibili sulle operazioni o sul comportamento degli utenti di singole stazioni, una vulnerabilità presente in molti sistemi esistenti.
Tuttavia, la sola crittografia non garantisce la correttezza. Un aggregatore malintenzionato o malfunzionante potrebbe comunque inviare un risultato aggregato errato, intenzionalmente o a causa di errori computazionali. Per affrontare questo problema, i ricercatori hanno introdotto un terzo componente: un meccanismo sicuro di registrazione e verifica basato sulla tecnologia blockchain e sugli smart contract. Dopo che l’aggregatore esegue la somma dei parametri crittografati, costruisce una struttura ad albero binario, denominata albero di aggregazione, in cui ogni nodo foglia rappresenta l’aggiornamento crittografato di una stazione di ricarica e i nodi interni rappresentano somme parziali. Questo albero viene memorizzato off-chain utilizzando l’InterPlanetary File System (IPFS) per minimizzare i costi di archiviazione su blockchain, mentre un puntatore di riferimento viene registrato on-chain.
Ogni stazione di ricarica partecipante può quindi verificare indipendentemente la correttezza dell’aggregazione eseguendo uno smart contract leggero che controlla la consistenza matematica dell’albero. Poiché la verifica segue un percorso gerarchico dalla radice alle foglie, il numero di passaggi computazionali richiesti cresce logaritmicamente con il numero di partecipanti, piuttosto che linearmente. Questo design migliora notevolmente l’efficienza, specialmente in implementazioni su larga scala che coinvolgono centinaia o addirittura migliaia di stazioni di ricarica.
Uno degli aspetti più convincenti del metodo proposto è la sua capacità di rilevare e localizzare errori nel processo di aggregazione. Se durante la verifica viene riscontrata una discrepanza, lo smart contract può individuare il livello esatto e la posizione all’interno dell’albero di aggregazione in cui si è verificata l’incoerenza. Questa capacità di tracciamento degli errori è cruciale per mantenere l’integrità del sistema, poiché consente agli operatori di identificare e rettificare i componenti difettosi senza dover rieseguire l’intero processo di addestramento.
Per valutare le prestazioni del loro framework, i ricercatori hanno condotto una serie di simulazioni che coinvolgono 100.000 EV categorizzati in tre distinti modelli di utilizzo: “in uscita anticipata, in rientro tardivo”, “routine regolare” e “turno di notte”. Queste categorie riflettono comuni comportamenti di guida del mondo reale, come i pendolari che lasciano casa presto al mattino e tornano a casa tardi la sera, i lavoratori d’ufficio con orari standard 9-17 e le persone che lavorano su turni notturni. Variando la proporzione di ogni tipo, il team ha analizzato come le diverse composizioni della flotta influenzano le entrate degli operatori, i costi per gli utenti e la stabilità della rete.
I risultati hanno rivelato che il tipo di EV dominante influenza significativamente i risultati economici. Quando gli EV “in uscita anticipata, in rientro tardivo” erano in maggioranza, il costo minimo di ricarica per veicolo era di 1,2 yuan, leggermente superiore agli 1,152 yuan osservati quando gli EV a “routine regolare” erano dominanti. Questa differenza deriva dalla concentrazione della domanda di ricarica notturna associata ai pendolari mattinieri, che fa aumentare i prezzi dell’elettricità durante le ore di minor consumo. Al contrario, quando gli EV a “turno di notte”, le cui finestre di ricarica si sovrappongono ai carichi diurni di picco, erano predominanti, il costo minimo di ricarica è salito a 1,584 yuan, riflettendo i prezzi di mercato più alti durante i periodi di alta domanda.
Nonostante queste variazioni nei costi e nelle entrate, la varianza del carico sul lato rete è rimasta costantemente bassa in tutti gli scenari. Questo risultato sottolinea un punto di forza fondamentale del modello di generazione delle etichette proposto: la sua capacità di mantenere la stabilità della rete indipendentemente dalla composizione della flotta. Ottimizzando gli orari di ricarica per minimizzare le fluttuazioni del carico, il sistema garantisce che l’integrazione degli EV contribuisca positivamente alla gestione della rete piuttosto che aggravare le sfide esistenti.
Oltre alle intuizioni economiche e operative, lo studio fornisce anche benchmark tecnici critici per la scalabilità e l’efficienza. I ricercatori hanno misurato il sovraccarico temporale e di archiviazione associato alla costruzione dell’albero di aggregazione sotto diverse dimensioni di rete, che vanno da 8 a 256 stazioni di ricarica. Hanno scoperto che il tempo di costruzione dell’albero è aumentato da meno di 1 millisecondo per 8 stazioni a circa 23 millisecondi per 256 stazioni, una latenza gestibile per applicazioni in tempo reale. I requisiti di archiviazione, sebbene cresciuti esponenzialmente a causa della struttura ad albero binario, sono rimasti entro limiti pratici grazie all’uso di IPFS per l’archiviazione dei dati off-chain.
Forse il risultato più sorprendente riguarda l’efficienza del processo di verifica. Rispetto ai metodi tradizionali che richiedono il controllo di ogni singolo aggiornamento dei parametri, la verifica basata su smart contract proposta ha ridotto i costi computazionali, misurati in unità “Gas” di Ethereum, di oltre il 96% nelle reti di grandi dimensioni. Ad esempio, con 256 stazioni di ricarica, il risparmio di Gas ha superato il 96%, rendendo l’approccio altamente adatto alla distribuzione su piattaforme blockchain pubbliche dove le commissioni delle transazioni possono essere proibitive.
Le implicazioni di questa ricerca si estendono ben oltre l’interesse accademico. Man mano che le utility e i governi di tutto il mondo spingono per una maggiore elettrificazione dei trasporti, la capacità di gestire milioni di EV come risorse energetiche distribuite diventerà essenziale. Gli attuali programmi pilota spesso si basano su sistemi di controllo centralizzati che mancano di trasparenza e sono vulnerabili a punti singoli di guasto. Il framework di apprendimento federato affidabile proposto da He, Cheng, Yuan, Guo e Li offre un’alternativa decentralizzata che migliora la sicurezza, promuove l’equità e favorisce la fiducia delle parti interessate.
Inoltre, l’integrazione della blockchain e degli smart contract introduce un nuovo livello di verificabilità e responsabilità nell’ecosistema V2G. Ogni evento di aggregazione viene registrato in modo immutabile e qualsiasi deviazione dal protocollo previsto può essere automaticamente rilevata e segnalata. Questa trasparenza è particolarmente preziosa in ambienti normativi dove la conformità e l’integrità dei dati sono fondamentali.
La ricerca evidenzia anche l’importanza della collaborazione interdisciplinare nell’affrontare le complesse sfide energetiche. Combinando competenze in machine learning, crittografia, ingegneria dei sistemi energetici e tecnologia blockchain, il team ha creato una soluzione che è più della somma delle sue parti. Il loro lavoro esemplifica come tecniche all’avanguardia di informatica possano essere applicate a problemi infrastrutturali del mondo reale, spianando la strada a sistemi energetici più intelligenti e resilienti.
Guardando al futuro, il framework potrebbe essere esteso per incorporare variabili aggiuntive come la generazione di energia rinnovabile, i segnali di prezzo dinamici e le preferenze degli utenti. Le iterazioni future potrebbero anche esplorare modelli ibridi che combinano l’apprendimento federato con l’edge computing per ridurre ulteriormente la latenza e migliorare la reattività. Man mano che le reti 5G e oltre si diffondono, abilitando una comunicazione più veloce e affidabile tra EV e infrastrutture di ricarica, il potenziale per un coordinamento V2G adattivo in tempo reale non farà che crescere.
In conclusione, lo studio rappresenta un significativo balzo in avanti nello sviluppo di sistemi V2G affidabili, scalabili ed efficienti. Affrontando le duplici sfide della privacy dei dati e dell’integrità del modello, i ricercatori hanno gettato le basi per una nuova generazione di strumenti intelligenti di gestione della rete. Il loro lavoro non solo avanza lo stato dell’arte nelle applicazioni di apprendimento federato, ma dimostra anche il potenziale trasformativo dell’integrazione dell’intelligenza artificiale con tecnologie sicure e decentralizzate nel settore energetico.
Yunhua He, Yuhang Cheng, Xiaodong Yuan, Yajuan Guo, Jianlin Li, North China University of Technology and State Grid Jiangsu Electric Power, Distributed Energy, DOI: 10.16513/j.2096-2185.DE.2409608