Nuovo Metodo Basato su Intelligenza Artificiale Rileva in Tempo Reale le Colonnine di Ricerca per Veicoli Elettrici Difettose
Con l’accelerazione della transizione globale verso la mobilità elettrica, l’affidabilità delle infrastrutture di ricarica è diventata una preoccupazione critica non solo per gli automobilisti, ma anche per i gestori di rete, gli enti regolatori e i produttori di automobili. Uno studio recentemente pubblicato su Electric Power Construction introduce un approccio rivoluzionario che sfrutta l’elaborazione avanzata dei segnali e il deep learning per rilevare in tempo reale le imprecisioni di misurazione nelle stazioni di ricarica per veicoli elettrici (EV), senza necessità di ispezioni sul posto o modifiche hardware.
Il metodo, sviluppato da un team guidato da Dongxiang Jiao del Centro di Metrologia di State Grid Jibei Electric Power Co., Ltd., in collaborazione con ricercatori della Tangshan Power Supply Company e della Scuola di Ingegneria Elettrica e dell’Informazione dell’Università di Tianjin, affronta un problema crescente nell’ecosistema EV: la deriva silenziosa dell’accuratezza dei caricabatterie nel tempo a causa dell’invecchiamento dei componenti, dello stress ambientale o di manomissioni. I metodi di verifica tradizionali si basano su calibrazioni manuali e periodiche, costose, ad alta intensità di manodopera e sempre più impraticabili man mano che il numero di colonnine di ricarica pubbliche e semi-pubbliche aumenta, raggiungendo milioni di unità in tutto il mondo.
Ciò che distingue questa nuova tecnica è la sua fusione tra modellistica basata sulla fisica e intelligenza guidata dai dati. Nel suo nucleo, il sistema applica il principio di conservazione dell’energia all’intera topologia della stazione di ricarica. Per i caricabatterie a corrente alternata (CA), che forniscono energia al convertitore di bordo del veicolo, l’energia totale prelevata dalla rete deve essere uguale alla somma dell’energia registrata dai singoli punti di ricarica, più le perdite prevedibili dei cavi e dei carichi fissi della stazione. Per i caricabatterie rapidi a corrente continua (CC), dove la conversione da CA a CC avviene all’interno della colonnina, l’equazione deve tenere conto anche dell’efficienza di quel processo di conversione di potenza, che varia in base al modello, al carico, alla temperatura e ad altri fattori operativi.
È qui che l’innovazione si approfondisce. Mentre i precedenti tentativi di modellare questi sistemi spesso assumevano un’efficienza di conversione fissa o media, il team di ricerca ha riconosciuto che l’efficienza nel mondo reale è dinamica. Per catturare questa variabilità, hanno progettato una nuova architettura di deep learning—denominata Transformer-CNN—che assimila dati in serie temporali da tensione, corrente, fattore di potenza, temperatura ambiente e specifiche di efficienza nominali del produttore. Questo modello ibrido combina la consapevolezza contestuale globale delle reti Transformer con le capacità di estrazione di caratteristiche temporali multi-scala degli strati convoluzionali, consentendo una stima altamente accurata e in tempo reale dell’efficienza di conversione CA/CC per ogni sessione di ricarica.
Con questa stima di efficienza a disposizione, il sistema la alimenta poi in un algoritmo raffinato dei minimi quadrati ricorsivi smorzati (RDLS) per risolvere gli errori di misurazione dei singoli caricabatterie. A differenza dei minimi quadrati ricorsivi standard—che possono diventare instabili o divergere quando affrontano dati rumorosi o mal condizionati—la variante RDLS introduce un termine di smorzamento che penalizza i cambiamenti bruschi dei parametri tra le iterazioni. Ciò non solo stabilizza la convergenza ma migliora anche la robustezza contro il rumore di misura e le anomalie transitorie.
In test estensivi che utilizzavano sia dataset sintetici che dati operativi del mondo reale provenienti da 30 stazioni di ricarica in un periodo di 14 mesi, il metodo ha dimostrato prestazioni eccezionali. Su dati simulati con contatori difettosi noti (intenzionalmente alterati fino a ±4,2%), il sistema ha raggiunto un’accuratezza di rilevamento del 98% e un punteggio F1 dell’84%, superando significativamente le alternative baseline RLS, RLS a due parametri e la regressione kernel ridge. Ancora più impressionante, su dati reali sul campo dove i guasti effettivi sono stati successivamente confermati tramite ispezione fisica, l’algoritmo ha identificato correttamente tutte le unità malfunzionanti con una precisione e un richiamo del 100%.
Questo livello di affidabilità ha implicazioni profonde. Per gli operatori di utility che gestiscono migliaia di colonnine, significa passare da una manutenzione reattiva basata sul calendario a un monitoraggio predittivo basato sulle condizioni. Per gli automobilisti di EV, garantisce una fatturazione equa e prestazioni di ricarica consistenti. E per i regolatori, offre uno strumento scalabile e non invasivo per far rispettare gli standard metrologici in un panorama infrastrutturale frammentato e in rapida evoluzione.
L’approccio è particolarmente tempestivo visti gli ingenti investimenti pubblici e privati che fluiscono nelle reti di ricarica per EV. Solo negli Stati Uniti, il programma National Electric Vehicle Infrastructure (NEVI) ha stanziato 5 miliardi di dollari per costruire un corridoio di ricarica rapida da costa a costa. Iniziative simili sono in corso nell’Unione Europea, in Cina e in India. Tuttavia, senza meccanismi affidabili per verificare l’accuratezza e l’integrità di queste colonnine, la fiducia dei consumatori—e la più ampia adozione dei veicoli elettrici—potrebbe essere minata.
Fondamentalmente, il metodo proposto non richiede retrofit hardware. Opera interamente su dati di telemetria già raccolti dalla maggior parte delle colonnine di ricarica moderne e trasmessi ai sistemi di gestione centralizzati. Questo percorso di aggiornamento “solo software” abbassa drasticamente la barriera alla diffusione, specialmente per le installazioni legacy.
La ricerca sottolinea anche una tendenza più ampia nelle infrastrutture intelligenti: la convergenza dei principi ingegneristici classici con l’intelligenza artificiale. Invece di trattare l’IA come una scatola nera, il team ha ancorato la sua soluzione nella fisica dei primi principi—la conservazione dell’energia—per poi utilizzare l’apprendimento automatico per gestire le variabili complesse e non lineari che sfidano la modellazione analitica. Questo paradigma ibrido si allinea alle migliori pratiche emergenti per un’IA affidabile per le infrastrutture critiche, dove interpretabilità, sicurezza e conformità non possono essere sacrificate per guardi marginali in accuratezza predittiva.
Da un punto di vista tecnico, l’architettura Transformer-CNN rappresenta un adattamento ponderato dell’IA all’avanguardia a una sfida specifica del dominio. I Transformer, originariamente sviluppati per l’elaborazione del linguaggio naturale, eccellono nel catturare le dipendenze a lungo raggio nelle sequenze—ideali per capire come l’efficienza di un caricabatterie evolve durante una sessione di più ore. Nel frattempo, le convoluzioni depthwise multi-scala estraggono efficientemente modelli locali (ad esempio, picchi di corrente durante il precondizionamento della batteria) senza il sovraccarico computazionale degli strati densi. Il risultato è un modello leggero adatto per l’implementazione edge o per analisi basate sul cloud, a seconda dell’architettura dell’operatore.
Il componente dei minimi quadrati ricorsivi smorzati esemplifica ulteriormente il pragmatismo ingegneristico. Incorporando un fattore di dimenticanza, l’algoritmo può adattarsi a cambiamenti graduali nel comportamento della stazione—come l’aumento della resistenza dei cavi dovuto alla corrosione—mentre il termine di smorzamento previene reazioni eccessive al rumore a breve termine. Questo equilibrio tra adattabilità e stabilità è essenziale per i sistemi del mondo reale dove la qualità dei dati è imperfetta e le condizioni operative cambiano costantemente.
Guardando avanti, la metodologia potrebbe essere estesa oltre l’accuratezza della misurazione. Lo stesso quadro di bilanciamento energetico potrebbe rilevare furti di energia, identificare componenti elettronici di potenza guasti o persino stimare lo stato di salute della batteria analizzando le inefficienze di ricarica dal lato veicolo. Inoltre, con l’emergere dei servizi vehicle-to-grid (V2G), una contabilità energetica bidirezionale accurata diventerà ancora più cruciale—rendendo la verifica online e robusta non solo desiderabile ma obbligatoria.
Per ora, l’impatto immediato risiede nell’efficienza operativa. La calibrazione manuale di un singolo caricabatterie CC rapido può costare centinaia di dollari e richiedere ore di tempo tecnico. Scalare ciò su una rete nazionale è economicamente e logisticamente insostenibile. Abilitando un’autodiagnosi remota e continua, questo nuovo metodo potrebbe ridurre i costi di manutenzione di ordini di grandezza, migliorando simultaneamente la qualità del servizio.
Il lavoro stabilisce anche un alto standard per la collaborazione accademico-industriale. Guidato da ingegneri esperti di State Grid Jibei—una importante utility regionale—e supportato da esperti accademici in IA e sistemi energetici dell’Università di Tianjin, il progetto colma il divario tra innovazione teorica e implementazione pratica. L’inclusione di dati del mondo reale che abbracciano diversi modelli di colonnine, condizioni ambientali e modelli di utilizzo aggiunge credibilità significativa ai risultati.
Mentre l’adozione di EV continua la sua crescita esponenziale—le vendite globali hanno superato i 10 milioni di unità nel 2022 e si prevede che supereranno i 40 milioni all’anno entro il 2030—la pressione sull’infrastruttura di ricarica si intensificherà solo. Soluzioni come questa, che migliorano l’affidabilità senza aggiungere complessità o costi, saranno essenziali per mantenere lo slancio della transizione elettrica.
In un’era in cui la velocità di ricarica e la copertura della rete dominano i titoli dei giornali, questa ricerca ci ricorda che accuratezza e fiducia sono ugualmente vitali. Una colonnina può essere veloce e ampiamente disponibile, ma se ti addebita 50 kWh quando ne hai ricevuti solo 45, il suo valore evapora. Garantendo che ogni chilowattora sia contabilizzato—in modo equo, trasparente e automatico—questo nuovo metodo aiuta a costruire le fondamenta per un ecosistema di mobilità elettrica veramente sostenibile e centrato sull’utente.
Autori: Dongxiang Jiao¹, Yachao Wang¹, Di Han¹, Xuechao Li², Shengli Yuan², Zhaoshuai Dang³, Ting Yang³ Affiliazioni: ¹ Centro di Metrologia, State Grid Jibei Electric Power Co., Ltd., Pechino 100032, Cina ² Tangshan Power Supply Company, State Grid Jibei Electric Power Co., Ltd., Tangshan 063099, Provincia di Hebei, Cina ³ Scuola di Ingegneria Elettrica e dell’Informazione, Università di Tianjin, Tianjin 300072, Cina Pubblicato in: Electric Power Construction, Vol. 45, No. 8, Agosto 2024 DOI: 10.12204/j.issn.1000-7229.2024.08.013