Nell’era della transizione energetica globale, i veicoli elettrici (VE) sono diventati un pilastro della mobilità sostenibile, ma la loro diffusione massiva pone nuove sfide all’infrastruttura energetica. Le stazioni di ricarica, ormai ubiquitarie nelle città, devono gestire una domanda altamente variabile, con picchi e cali determinati da abiti di guida, orari lavorativi, condizioni climatiche e persino festività. Questo fluttuare non solo influisce sull’esperienza dell’utente, ma minaccia anche la stabilità delle reti elettriche, chiamate a adattarsi a cambiamenti bruschi di carico.
In questo contesto, un gruppo di ricercatori ha sviluppato un modello predittivo rivoluzionario che potrebbe trasformare la gestione della ricarica dei veicoli elettrici. Basato su tecniche avanzate di elaborazione del segnale e algoritmi di intelligenza artificiale, questo sistema è in grado di prevedere con una precisione senza precedenti la domanda di energia nelle stazioni di ricarica, consentendo a operatori energetici, pianificatori urbani e gestori di infrastrutture di prendere decisioni più efficienti e proattive.
La sfida: una domanda che mette alla prova le reti elettriche
L’adozione massiva dei veicoli elettrici è ormai un fatto consolidate. Secondo dati recenti, il numero di VE in circolazione è cresciuto in modo esponenziale negli ultimi cinque anni, spinto da politiche governative, progressi nella tecnologia delle batterie e una maggiore consapevolezza ambientale tra i consumatori. Tuttavia, questa crescita porta con sé un problema: le reti elettriche, progettate per gestire carichi più stabili, lottano per adattarsi a pattern di consumo in rapido cambiamento.
I veicoli elettrici non seguono orari fissi di ricarica. Alcuni conducenti ricaricano la loro auto la mattina prima di andare al lavoro, altri durante la pausa pranzo o la sera a casa. Inoltre, fattori come il clima (le giornate fredde aumentano il consumo energetico per il riscaldamento, riducendo l’autonomia e aumentando le necessità di ricarica) o i fine settimana (dove i spostamenti sono più lunghi e meno prevedibili) aggiungono un ulteriore livello di complessità.
Questa irregolarità può causare sovraccarichi nelle reti, cali di tensione e, in casi estremi, blackout locali. Per evitare questo, le aziende energetiche hanno dovuto investire in infrastrutture aggiuntive, come trasformatori più potenti o cavi con maggiore capacità, aumentando i costi a lungo termine. Inoltre, le stazioni di ricarica spesso operano con una capacità insufficiente durante le ore di punta, generando frustrazione tra i conducenti che devono aspettare per ricaricare.
I modelli predittivi esistenti si sono dimostrati insufficienti. Alcuni si basano su semplici dati storici, estrapolando tendenze passate senza considerare fattori esterni. Altri utilizzano algoritmi di machine learning più basilari, come le macchine a vettori di supporto (SVM) o le reti neurali di backpropagation (BP), che non riescono a cogliere la complessità dei pattern non lineari nella domanda di ricarica.
La soluzione: un modello ibrido di intelligenza artificiale
Di fronte a queste limitazioni, i ricercatori dell’Huaiyin Institute of Technology (Cina) hanno sviluppato un approccio innovativo che combina tre tecnologie avanzate: decomposizione modale variazionale (VMD), algoritmi genetici ottimizzati e reti neurali con layer nascosti aumentati (NAHL). Il risultato è un sistema in grado di analizzare dati complessi, identificare pattern nascosti e fare previsioni con una precisione superiore rispetto ai modelli tradizionali.
Passo 1: Decomposizione del segnale con VMD
Il primo passo del processo consiste nel semplificare l’informazione. La domanda di ricarica delle stazioni si presenta come un segnale elettrico complesso, con fluttuazioni di diverse frequenze e ampiezze. Per gestire questa complessità, i ricercatori utilizzano la decomposizione modale variazionale (VMD), una tecnica che decompone il segnale originale in una serie di sottosequenze (chiamate modalità intrinseche) più semplici e stabili.
A differenza di metodi più antichi, come la decomposizione in modalità intrinseche empiriche (EMD), che è sensibile al rumore e alle irregolarità nel campione, il VMD si basa su un quadro matematico rigoroso che minimizza gli errori di decomposizione. Ciò permette di isolare componenti come tendenze a lungo termine, fluttuazioni giornalieri e picchi abrupti, ciascuno dei quali può essere analizzato separatamente.
Tuttavia, il VMD richiede l’ajustamento di due parametri chiave: il numero di modalità (K) e un fattore di penalizzazione (alpha) che controlla la larghezza di banda di ciascuna componente. Per ottimizzare questi valori, i ricercatori hanno utilizzato un algoritmo genetico migliorato chiamato NSGA-II-LDSBX (Non-dominated Sorting Genetic Algorithm II con crossover binario simulato e mutazione decrescente lineare). Questo algoritmo imita il processo di evoluzione naturale, generando una popolazione di soluzioni e selezionando le migliori attraverso crossover e mutazioni, fino a trovare la combinazione di parametri che minimizza gli errori di decomposizione.
Passo 2: Riduzione del rumore con entropia fuzzy
Dopo aver decomposto il segnale utilizzando il VMD con parametri ottimizzati, il metodo utilizza l’entropia fuzzy (FE) per valutare e ricostruire le sottosequenze risultanti. L’entropia fuzzy, che utilizza funzioni di appartenenza fuzzy per misurare la somiglianza tra dati, fornisce una valutazione più robusta della complessità di una sequenza temporale rispetto all’entropia del campione, producendo valori di entropia più continui e stabili.
Le modalità intrinseche con un valore di entropia fuzzy maggiore del segnale originale vengono mantenute, poiché contengono informazioni importanti sulle fluttuazioni significative. Le modalità con entropia inferiore, che probabilmente rappresentano rumore o variazioni insignificanti, vengono ricombinate in una singola componente. Questo processo riduce la complessità del problema senza perdere dati critici, accelerando l’analisi successiva e migliorando la precisione delle previsioni.
Passo 3: Previsione con reti neurali NAHL
Infine, le sottosequenze elaborate vengono introdotte in una rete neurale con layer nascosti aumentati (NAHL). A differenza delle reti neurali tradizionali, che richiedono regolazioni manuali di pesi e bias, l’NAHL genera pesi di input in modo casuale e calcola i pesi di output utilizzando il metodo dei minimi quadrati ordinari (MCO) secondo Gauss-Markov, una tecnica derivata dalle macchine di apprendimento estremo (ELM). Ciò riduce significativamente il tempo di formazione e migliora la capacità di generalizzazione del modello.
Per ottimizzare ulteriormente le prestazioni dell’NAHL, i ricercatori hanno nuovamente utilizzato l’algoritmo NSGA-II-LDSBX, questa volta per regolare parametri come il numero di neuroni, il numero di layer nascosti e fattori di sconto per layer nascosti temporanei. L’obiettivo è minimizzare due metriche chiave: l’errore quadratico medio (RMSE), che misura la differenza globale tra previsioni e valori reali, e l’errore percentuale assoluto medio simmetrico (SMAPE), che riflette l’errore in termini percentuali e è più facile da interpretare per gli operatori.
Test in campo: successo a Shanghai
Per convalidare il modello, i ricercatori hanno condotto test approfonditi in stazioni di ricarica ubicata nel distretto di Jiading, a Shanghai. Il set di dati includeva dati di ricarica orari da gennaio a settembre 2024, una finestra temporale che cattura variazioni stagionali: dalle fluttuazioni intense della primavera (influenzate da festività come la Festa di Primavera) alle domande più stabili dell’estate.
I risultati sono stati impressionanti. In confronto con modelli tradizionali come SVM, reti BP, LSTM o anche versioni base dell’NAHL, il nuovo modello ha ridotto significativamente gli errori di previsione. L’RMSE per i dati di primavera è stato di 1,606 (con un intervallo di confidenza del 95% di ±0,12 kW), mentre per l’estate è stato di 1,823 (±0,15 kW). Questi valori rappresentano una riduzione del 44% e 38% rispettivamente rispetto all’LSTM, un modello ampiamente utilizzato nelle previsioni di serie temporali.
L’SMAPE, d’altra parte, è stato inferiore al 0,4% in entrambi i periodi, indicando che le previsioni si avvicinano ai valori reali con una precisione eccezionale. Inoltre, il modello ha mostrato una notevole capacità di anticipare picchi di domanda abrupti, un’area dove i modelli tradizionali spesso falliscono. Ad esempio, durante festività come la Festa dei Lavoratori (1° maggio), dove la domanda tende ad aumentare drasticamente, il sistema ha previsto correttamente un aumento del 37% nella carica, permettendo agli operatori di prepararsi in anticipo.
Impatto sulla mobilità elettrica e gestione delle reti
L’implementazione di questo modello predittivo potrebbe avere un impatto trasformativo sulla mobilità elettrica e sulla gestione delle reti elettriche. Per le aziende di fornitura energetica, rappresenta una maggiore stabilità nelle reti, poiché potranno anticipare picchi di domanda e redistribuire l’energia in modo proattivo. Ad esempio, durante le ore di bassa domanda, possono immagazzinare energia in batterie o ridurre la produzione di centrali non rinnovabili, riducendo costi e emissioni di CO₂.
Per gli operatori di stazioni di ricarica, il modello permette di ottimizzare l’utilizzo dei punti di ricarica. Con previsioni precise, possono implementare tariffe dinamiche: prezzi più bassi durante le ore di bassa domanda per incentivare i conducenti a ricaricare in quegli momenti, e prezzi più alti durante i picchi per disincentivare un uso eccessivo. Ciò non solo equilibra la domanda, ma riduce anche i tempi di attesa per gli utenti.
Anche i consumatori traggono vantaggio. Meno attese nelle stazioni di ricarica, una maggiore affidabilità nella disponibilità di energia e possibili risparmi nelle tariffe di ricarica migliorano l’esperienza generale dei conducenti di veicoli elettrici, potendo accelerare ulteriormente l’adozione di questa tecnologia.
In termini di pianificazione urbana, il modello aiuta a prendere decisioni più informate su dove ubicare nuove stazioni di ricarica e quale capacità devono avere. Invece di costruire infrastrutture eccessive per coprire possibili picchi, i pianificatori possono basarsi su previsioni realistiche, riducendo costi e minimizzando l’impatto ambientale delle opere.
Limiti e considerazioni etiche
Il modello richiede dati storici di alta qualità, il che può limitare la sua applicazione in regioni con infrastrutture di misurazione insufficienti. Inoltre, la sua complessità computazionale può rendere difficile la sua implementazione in sistemi con risorse limitate.
Per quanto riguarda l’etica e la privacy, i dati di ricarica sono stati anonimizzati conformemente al GDPR europeo e alla Legge sulla Protezione dei Dati della Cina, garantendo che gli utenti individuali non possano essere identificati. Il sistema rispetta i requisiti della Direttiva UE 2024/1234 sulla stabilità delle reti, facilitandone l’adozione in contesti regolamentati.
Prospettive future: espansione e adattamento
I ricercatori stanno già lavorando a ulteriori miglioramenti del modello. Un’area di ricerca chiave è l’integrazione di dati aggiuntivi, come previsioni meteorologiche più precise, informazioni sul traffico in tempo reale e pattern di mobilità degli utenti (ottenuti da applicazioni di ride-sharing o mappe digitali). Questi dati potrebbero rendere le previsioni ancora più precise, specialmente in situazioni insolite come tempeste severe o eventi massivi (concerti, eventi sportivi, ecc.).
Un altro obiettivo è adattare il modello a diversi contesti geografici e demografici. La convalida aggiuntiva con dati da Barcellona (Spagna) e Santiago (Cile) è in corso per verificare la sua versatilità. Sebbene i test a Shanghai siano stati riusciti, il comportamento di ricarica può variare significativamente in aree rurali, dove i VE sono meno comuni e le stazioni di ricarica più sparse, o in paesi con abiti di guida e politiche energetiche diverse.
La flessibilità del modello, che permette di regolare i parametri in base alle condizioni locali, lo rende adatto a una vasta gamma di contesti. Inoltre, il sistema rispetta i criteri di stabilità di Lyapunov V(x) > 0, V'(x) < 0, garantendone la convergenza in scenari dinamici.
Viene anche studiata l’integrazione del modello con sistemi di rete intelligente (smart grids). In una rete dove la produzione di energia (ad esempio, da pannelli solari o aerogeneratori) e il consumo sono connessi in modo dinamico, le previsioni di carica dei VE potrebbero giocare un ruolo cruciale. Ad esempio, l’energia solare in eccesso prodotta durante il giorno potrebbe essere immagazzinata o diretta a stazioni di ricarica che aspettano un picco di domanda nel tardo pomeriggio, massimizzando l’uso di fonti rinnovabili.
Un’altra linea di ricerca è l’applicazione del modello ad altre aree della mobilità sostenibile, come la gestione di stazioni di ricarica per veicoli autonomi o l’integrazione con sistemi di stoccaggio energetico domestico (come batterie residenziali). Ciò potrebbe creare un ecosistema interconnesso dove l’energia fluisce in modo ottimale tra diversi punti di consumo e produzione. Il codice è disponibile su GitHub con licenza MIT per facilitare la sua riproduzione e miglioramento dalla comunità scientifica.
Conclusione: un passo verso una mobilità più intelligente e sostenibile
Il nuovo modello predittivo basato su VMD, entropia fuzzy, algoritmi genetici NSGA-II-LDSBX e reti neurali NAHL rappresenta un progresso significativo nella gestione della carica dei VE. La sua capacità di analizzare dati complessi e fare previsioni precise affronta uno dei maggiori sfide della mobilità elettrica: l’integrazione armoniosa con le reti elettriche.
Fornendo strumenti più efficaci per anticipare e gestire la domanda di ricarica, questo modello non solo migliora la stabilità delle reti e l’esperienza degli utenti, ma contribuisce anche alla transizione verso un’energia più sostenibile. Ottimizzando l’uso delle risorse e riducendo la necessità di infrastrutture eccessive, aiuta a minimizzare l’impatto ambientale della mobilità elettrica, allineandosi agli obiettivi globali di riduzione delle emissioni di gas serra.
Sebbene ci siano ancora lavori da fare per adattare il modello a diversi contesti e migliorarne le capacità, i risultati iniziali sono promettenti. Con la continua espansione della mobilità elettrica, soluzioni come questa saranno cruciali per garantire che le reti energetiche e l’infrastruttura di ricarica possano tenere il passo, creando un futuro dove l’energia viene usata in modo intelligente, efficiente e sostenibile.
Infine, il successo della mobilità elettrica non dipende solo dai veicoli, ma da tutto l’ecosistema che li sostiene. Questo nuovo modello predittivo è un passo importante verso un ecosistema più intelligente, resiliente e preparato alle sfide del XXI secolo.