Nuovo Algoritmo Rivoluziona la Pianificazione delle Reti di Ricarica EV
Con l’adozione globale di veicoli elettrici in crescita esponenziale, le infrastrutture urbane di ricarica sono sottoposte a pressioni senza precedenti. I centri urbani di tutto il mondo devono affrontare la duplice sfida di soddisfare la domanda crescente contenendo al contempo costi e impatti ambientali. In questo scenario, un innovativo metodo di ottimizzazione sviluppato da ricercatori cinesi promette di ridefinire i criteri di pianificazione delle reti di ricarica, garantendo tempi di ricarica più rapidi, costi operativi ridotti e una migliore aderenza ai comportamenti reali di guida.
Il cuore di questa innovazione risiede in una versione potenziata dell’algoritmo firefly, una tecnica computazionale bio-ispirata che simula i pattern luminosi delle lucciole per risolvere complessi problemi di ottimizzazione. Descritta in un recente articolo pubblicato su China High-Tech & New Products, la metodologia utilizza dati granulari sugli spostamenti dei veicoli elettrici per determinare non solo la collocazione ottimale delle stazioni di ricarica, ma anche il numero di colonnine per sito e le relative capacità. A differenza degli approcci convenzionali che trattano le infrastrutture come elementi statici, questo metodo integra dinamicamente le caratteristiche temporali e spaziali dell’utilizzo, producendo soluzioni sia economicamente efficienti che centrate sull’utente.
L’autore principale, Li Yanan, spiega che l’intuizione fondamentale della ricerca è tanto semplice quanto potente: “Le infrastrutture di ricarica devono riflettere come le persone guidano realmente, non come i pianificatori assumono che guidino”. I modelli tradizionali si basano spesso su dati aggregati del traffico o informazioni demografiche grossolane, portando a stazioni sovradimensionate in zone a bassa domanda e carenze croniche nei corridoi ad alto traffico. Al contrario, il team di Li ha costruito il proprio modello su tre dimensioni comportamentali critiche: distanza degli spostamenti, tempistica dei viaggi e densità locale di veicoli elettrici.
La distanza dei viaggi determina se una localizzazione necessita di capacità di ricarica rapida per i viaggiatori a lunga percorrenza o di colonnine più lente per i residenti urbani che effettuano spostamenti brevi. La tempistica dei viaggi – modellata utilizzando una distribuzione di Weibull a tre parametri – rivela quando i veicoli hanno maggiore probabilità di essere parcheggiati e disponibili per la ricarica, consentendo alle utility di allineare il carico di rete con i cicli naturali di utilizzo. La densità di veicoli elettrici, invece, informa le decisioni sulla capacità: un distretto commerciale con centinaia di EV circolanti giornalmente richiede più colonnine di un sobborgo residenziale con utilizzo sporadico.
Per tradurre queste intuizioni in piani infrastrutturali attuabili, il team ha formulato una funzione obiettivo finalizzata a minimizzare i costi totali del ciclo di vita su un orizzonte di pianificazione. Questa include investimenti in hardware, manutenzione continua, perdite energetiche durante la trasmissione, costruzione di strade ausiliarie e costi medi del consumo elettrico. Fondamentalmente, il modello incorpora vincoli realistici – come la densità massima consentita delle stazioni e la copertura minima del servizio – garantendo soluzioni non solo matematicamente ottimali ma anche implementabili nei limiti della zonizzazione municipale e della capacità di rete.
La vera innovazione risiede nella risoluzione del modello. Le tecniche standard di ottimizzazione come gli algoritmi greedy o genetici spesso rimangono intrappolate in minimi locali o richiedono tempi computazionali eccessivi per le reti urbane su larga scala. L’algoritmo firefly migliorato affronta queste limitazioni regolando dinamicamente il “raggio di attrazione” tra le soluzioni candidate e incorporando l’ordinamento non dominato per mantenere la diversità delle soluzioni durante le iterazioni. Ciò previene la convergenza prematura e consente all’algoritmo di esplorare uno spazio di soluzioni più ampio, aspetto critico nel bilanciamento di obiettivi concorrenti come costi, copertura e convenienza per l’utente.
In trial di validazione condotti utilizzando dati di mobilità reali da una città cinese di medie dimensioni, il metodo ha superato i benchmark degli algoritmi greedy e genetici in molteplici metriche. Per sei modelli popolari di veicoli elettrici – tra cui Tesla Model Y, BYD Han EV, Li Auto ONE, NIO EVE, XPeng P7 e Changan Ora – la velocità media di ricarica (misurata in kWh all’ora) è risultata costantemente superiore nel piano ottimizzato con firefly. La Tesla Model Y, ad esempio, ha raggiunto 250,1 kWh/h con il nuovo metodo, rispetto ai 232,6 kWh/h dell’approccio greedy e ai 230,2 kWh/h dell’algoritmo genetico. Sebbene queste differenze possano apparire marginali, si traducono in risparmi temporali significativi su scala, specialmente durante le ore di punta quando i ritardi nelle code possono scoraggiare l’adozione di veicoli elettrici.
Ancora più significativamente, l’allineamento tra le raccomandazioni dell’algoritmo e il comportamento di ricarica osservato ha superato il 99% in tutti i campioni di test. In prove che coinvolgevano da 100 a 600 punti dati, il metodo basato su firefly ha ottenuto punteggi di concordanza dal 99,37% al 99,75%, superando costantemente le alternative di almeno 0,7 punti percentuali. Questa elevata fedeltà suggerisce che il modello cattura la struttura sottostante della mobilità urbana dei veicoli elettrici con precisione notevole, prerequisito fondamentale per una pianificazione infrastrutturale affidabile.
Gli esperti del settore sottolineano che tale precisione potrebbe avere implicazioni di vasta portata. “La maggior parte delle città sta ancora rincorrendo lo sviluppo delle infrastrutture per veicoli elettrici”, afferma la dottoressa Elena Martinez, analista della mobilità urbana presso l’International Transport Forum. “Installano colonnine basandosi su pressioni politiche o partnership con i fornitori, non su necessità guidate dai dati. Un metodo che preveda in modo affidabile dove e quanta capacità è necessaria potrebbe prevenire miliardi di investimenti sprecati”.
Le poste in gioco finanziarie sono infatti enormi. Secondo BloombergNEF, la spesa globale per le infrastrutture di ricarica dei veicoli elettrici dovrebbe superare i 100 miliardi di dollari annui entro il 2030. Tuttavia, le inefficienze abbondano: studi dimostrano che fino al 40% delle colonnine pubbliche in alcuni mercati rimane inutilizzato per la maggior parte della giornata, mentre altre affrontano code croniche. Questa discrepanza non solo frustra i conducenti ma mette anche sotto stress gli operatori di rete che devono provisionare capacità per picchi di domanda elevati ma infrequenti.
L’approccio di Li offre un percorso verso una corretta dimensionazione di questi investimenti. Collegando direttamente lo spiegamento delle colonnine alle catene di spostamento osservate – come casa-lavoro-shopping – il modello garantisce che le infrastrutture seguano modelli di utilizzo reali piuttosto che assunzioni teoriche. Lo studio identifica quattro sequenze di viaggio dominanti negli ambienti urbani, ciascuna con distinte implicazioni per la ricarica. Ad esempio, un pendolare che si sposta da casa all’ufficio e poi al ristorante difficilmente ricaricherà durante la giornata lavorativa ma potrebbe aver bisogno di una ricarica prima di tornare a casa. Riconoscere che le fermate intermedie raramente coinvolgono la ricarica (una sfumatura comportamentale spesso trascurata nei modelli di pianificazione) consente all’algoritmo di evitare installazioni ridondanti.
Inoltre, il metodo tiene conto dell’eterogeneità dei veicoli. I profili di ricarica di un’utilitaria compatta come la Changan Ora differiscono significamente da quelli di un SUV a lungo raggio come la NIO EVE. Calibrando la capacità alla miscela prevista di veicoli in una determinata zona, i pianificatori possono evitare un eccessivo provisioning di colonnine ad alta potenza dove unità più lente ed economiche sarebbero sufficienti, o viceversa.
Dal punto di vista politico, il modello supporta anche l’accesso equo. Mappando la densità dei veicoli elettrici tra i quartieri, può segnalare comunità svantaggiate dove potrebbero emergere “deserti di ricarica”, specialmente in aree dominate da residenti in appartamenti senza garage privati. I municipi potrebbero utilizzare queste informazioni per prioritizzare i finanziamenti pubblici o incentivare operatori privati a colmare le lacune.
Guardando al futuro, gli autori riconoscono che il loro attuale quadro si concentra sulla pianificazione statica – un’istantanea dell’attuale parco veicoli elettrici. Con l’accelerazione dell’adozione e la maturazione delle tecnologie vehicle-to-grid (V2G), le iterazioni future dovranno incorporare elementi dinamici: traffico in tempo reale, segnali dei prezzi dell’elettricità e persino dati di manutenzione predittiva. Suggeriscono inoltre l’integrazione di apprendimento per rinforzo per adattare le configurazioni delle stazioni mentre i modelli di utilizzo evolvono.
Nonostante ciò, il lavoro attuale rappresenta un significativo balzo in avanti. Colma il divario tra ottimizzazione teorica e implementazione pratica, una frattura che ha a lungo afflitto i progetti di infrastrutture intelligenti. Basando la sua logica su dati empirici di mobilità e validando i risultati rispetto agli esiti del mondo reale, lo studio soddisfa i più alti standard dell’ingegneria basata sull’evidenza.
Per le città che corrono per elettrificare i trasporti, il messaggio è chiaro: algoritmi più intelligenti possono produrre infrastrutture più intelligenti. E in un’era in cui ogni dollaro e ogni kilowattora contano, quell’intelligenza potrebbe essere la chiave per una mobilità sostenibile.
Autore: Li Yanan
Affiliazione: Taizhou Power Supply Branch, State Grid Jiangsu Electric Power Co., Ltd., Taizhou, Jiangsu 225300, Cina
Rivista: China High-Tech & New Products, 2024, No.5 (Lower)
DOI: Non fornito nel documento originale