decisori politici e gli stakeholder dell’industria. Un nuovo studio pubblicato su Southern Energy Construction offre un quadro completo per il calcolo delle cariche di ricarica dei cluster di VE, mettendo in luce come diversi tipi di veicoli — dai veicoli privati agli autobus e ai veicoli logistici — straineranno i sistemi elettrici entro il 2030. La ricerca, guidata da YOU Lei, JIN Xiaoming e LIU Yun del China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., introduce un approccio basato sui dati che potrebbe rivoluzionare le strategie di gestione delle reti nell’era dell’elettrificazione di massa.
L’urgenza di previsioni accurate sulle cariche di ricarica dei VE
L’ascesa dei VE è innegabile. Solo in Cina, nel 2022, sono stati venduti 6,887 milioni di veicoli ad energia nuova, dei quali 5,365 milioni erano VE, rappresentando una quota di mercato del 25.6% — un chiaro indicatore della rapida crescita del settore. Sebbene questa transizione prometta vantaggi ambientali significativi, presenta anche una sfida unica: la natura imprevedibile e variabile delle cariche di ricarica dei VE. A differenza delle cariche fisse tradizionali, i VE introducono modelli dinamici di consumo energetico, guidati da comportamenti di utilizzo diversi tra i tipi di veicoli. Se non gestite, queste cariche potrebbero esasperare la domanda di picco, ampliare le lacune di carico della rete e compromettere la stabilità dei sistemi elettrici.
“L’adozione su larga scala dei VE è una spada a due lame”, spiega il team di ricerca. “Sebbene riduca le emissioni di carbonio, la domanda di ricarica aggregata di milioni di veicoli — ciascuno con modelli di utilizzo distinti — rischia di creare scenari di ‘picco su picco’, dove la ricarica dei VE coincide con periodi di alta domanda esistenti. Modellare accuratamente queste cariche è fondamentale per garantire la resilienza della rete”.
Studi precedenti hanno tentato di affrontare questo problema, spesso basandosi su metodi di simulazione Monte Carlo per modellare il comportamento degli utenti. Tuttavia, questi sforzi sono stati limitati da classificazioni ristrette dei tipi di veicoli — generalmente includono solo veicoli privati, tassì e autobus — e adattamenti probabilistici soggettivi privi di solide basi statistiche. Con l’emergenza di nuove categorie di VE, come i veicoli di ride-hailing e i camion logistici elettrici, è necessario un approccio più inclusivo e supportato da dati.
Un quadro innovativo: Classificazione dei VE e modellazione del comportamento
La ricerca introduce una metodologia rafforzata che classifica i VE in sei tipi distinti in base all’utilizzo: veicoli privati, autobus, tassì, veicoli di ride-hailing, veicoli ufficiali e veicoli logistici. Per ogni categoria, il team ha analizzato dati reali per estrarre parametri tipici delle prestazioni delle batterie e stabilire modelli probabilistici che catturino la casualità dei comportamenti di viaggio e ricarica. Integrando previsioni sulle future tassi di adozione dei VE, il modello simula gli orari di ricarica giornalieri per ogni veicolo e li aggrega per calcolare le cariche totali del cluster — un approccio che offre una granularità senza precedenti.
“Il nostro metodo va oltre una modellazione uniforme”, sottolinea il primo autore. “Ogni tipo di veicolo ha modelli unici: un veicolo privato potrebbe ricaricarsi la notte a casa, mentre un tassì prioritizza la ricarica rapida durante le pause per massimizzare le ore di operatività. Considerando queste differenze, possiamo generare previsioni di carico molto più accurate”.
Insight chiave sul comportamento per ogni tipo di veicolo sono emersi dall’analisi:
- Autobus: Operano secondo orari fissi, con ricarica principale durante la notte dopo le 19:00. A causa della lunga percorrenza giornaliera (50–300 km), alcuni autobus necessitano di ricarica rapida durante il giorno per soddisfare la domanda. Utilizzano caricabatterie rapidi (90 kW) per minimizzare i tempi di inattività.
- Veicoli privati: Ricaricano principalmente a casa (80%) o sul luogo di lavoro (20%), con picchi di ricarica a casa tra le 18:00 e le 22:00 e sul lavoro tra le 6:00 e le 11:00. La maggior parte utilizza ricariche lente (7 kW), con solo il 15% che opta per la ricarica rapida (60 kW).
- Tassì: Operano con turni di 12 ore, con ricariche distribuite in quattro finestre giornalieri: 0:00–8:00, 8:00–15:00, 15:00–19:00 e 19:00–24:00. Utilizzano prevalentemente ricariche rapide (90 kW) per massimizzare le ore di servizio e ricaricano in media due volte al giorno.
- Veicoli di ride-hailing: Iniziano l’operazione tra le 4:00 e le 9:00 e terminano tra le 18:00 e le 1:00 del giorno successivo. La percorrenza giornaliera è tra 50 e 400 km, con 75% di ricariche rapide e 25% lente.
- Veicoli ufficiali: Ricaricano principalmente sul luogo di lavoro dopo le 16:00, utilizzando ricariche lente (7 kW) e con parametri simili ai veicoli privati.
- Veicoli logistici: Iniziano l’operazione tra le 4:00 e le 10:00 e terminano tra le 16:00 e le 24:00. La percorrenza giornaliera è tra 25 e 300 km, e il 70% utilizza ricariche rapide (60 kW), con una percentuale crescente rispetto ai passati anni.
Classificando questi comportamenti, il modello assegna parametri chiave come capacità della batteria, consumo energetico per chilometro, potenza di ricarica e efficienza (fissa al 95% per tutti i tipi). Questa granularità permette una simulazione precisa dei profili di ricarica giornalieri.
Simulazione 2030: Un caso studio in una provincia del Sud della Cina
Per convalidare la metodologia, i ricercatori l’hanno applicata a uno scenario ipotetico del 2030 in una provincia del Sud della Cina, stimando la quantità di VE per tutte e sei le categorie. Le proiezioni, basate su analisi di regressione lineare dei dati del 2020 e stime per il 2025, suggeriscono una crescita significativa: i VE privati potrebbero raggiungere i 2-3 milioni, i veicoli logistici 316.000 e i veicoli di ride-hailing 160.000 unità, tra gli altri.
La simulazione ha prodotto risultati sorprendenti. Aggregando le cariche di ogni veicolo, lo studio ha identificato modelli critici nel comportamento di ricarica del cluster:
- Ore di picco: L’intero cluster di VE sperimenta la domanda massima tra le 19:00 e le 23:00, con un picco di carico di 10.0927 GW — equivalente alla produzione di diverse centrali elettriche grandi. Un secondo picco, più piccolo, si verifica tra le 8:00 e le 10:00, rappresentando solo il 18–20% del picco notturno, guidato principalmente da veicoli privati che ricaricano sul lavoro.
- Impatto dei tipi di veicoli: Gli autobus sono emersi come i principali contributor al picco di carico, raggiungendo 4.639,5 MW — molto superiore ai veicoli privati, il cui picco (3.210,4 MW) è meno del 70% di quello degli autobus. I tassì, nonostante il numero elevato, mostrano i picchi di carico più bassi a causa di orari di ricarica dispersi e efficienza della ricarica rapida.
- Sensibilità dei veicoli privati: Il modello ha testato due scenari per l’adozione di VE privati (2 milioni vs. 3 milioni). Il scenario ad alto adozione ha aumentato i picchi di carico dei veicoli privati di ~50%, sottolineando il ruolo significativo che joueranno i veicoli privati man mano che il loro numero crescerà. Se le tendenze attuali continuano, i VE privati potrebbero eventualmente superare gli autobus come fonte dominante di domanda di ricarica.
“Questi risultati sottolineano la necessità di una pianificazione della rete mirata”, enfatizzano i ricercatori. “Gli autobus, con il loro alto consumo energetico individuale e orari di ricarica sincronizzati, presentano sfide immediate. Tuttavia, il volume enorme di veicoli privati, man mano che il loro numero cresce, richiederà strategie a lungo termine per gestire il loro impatto aggregato”.
Implicazioni per la pianificazione della rete e le politiche
I risultati dello studio hanno implicazioni ampie per lo sviluppo dell’infrastruttura energetica. Identificando le ore di picco e i tipi di veicoli dominanti, gli operatori di rete possono ottimizzare la posizione delle stazioni di ricarica, aggiornare le reti di distribuzione nelle aree a alta domanda e implementare programmi di risposta alla domanda per spostare la ricarica nelle ore non di picco.
Per i decisori politici, i dati supportano incentivi per la ricarica intelligente — come prezzi differenziati per ora per incoraggiare la ricarica notturna per i veicoli privati o sussidi per l’infrastruttura di ricarica rapida per autobus e veicoli logistici. Inoltre, il modello può informare l’integrazione di energie rinnovabili, poiché l’eccesso di energia solare o eolica durante le ore diurne potrebbe essere diretto alla ricarica dei VE, riducendo la dipendenza dai combustibili fossili.
“La chiave è la flessibilità”, argomentano gli autori. “I sistemi di rete devono evolversi da distributori passivi a gestori attivi della domanda. Il nostro modello fornisce gli strumenti per anticipare dove e quando le cariche aumenteranno, permettendo una pianificazione proattiva piuttosto che reattiva”.
Avanzando nel campo: Metodologia e ricerca futura
Ciò che contraddistingue questa ricerca è l’inclusione di categorie veicolari meno indagate, come i mezzi di ride-hailing e i veicoli logistici, che pur registrando una rapida elettrificazione risultano spesso trascurati nei modelli di carico. L’integrazione delle loro peculiarità operative – tra cui le sessioni notturne di ricarica per i servizi ride-hailing e le necessità di ricarica parziale (top-up) diurni per i veicoli logistici – consente al framework di fornire una prospettiva più completa sulla domanda energetica futura.
La metodologia affronta anche i limiti degli approcci precedenti basando i modelli probabilistici su dati empirici, come distribuzioni di percorrenza giornaliera da flotte reali di VE e sondaggi sui modelli di ricarica. Questo riduce la soggettività e migliora l’affidabilità del modello per applicazioni pratiche.
In futuro, il team plansifica di rafforzare il modello incorporando dati di traffico in tempo reale e impatti climatici sulla portata dei VE, migliorando ulteriormente l’accuratezza. Aimano anche esplorare variazioni regionali, poiché i comportamenti di ricarica in aree urbane vs. rurali potrebbero differire significativamente.
Conclusione
Nell’era in cui i sistemi energetici devono bilanciare sostenibilità e affidabilità, una ricerca del genere non è merely accademica — è essenziale per costruire reti resilienti di domani. Questo studio fornisce un quadro robusto e scalabile per la previsione delle cariche di ricarica dei cluster di VE, offrendo insight azionabili per pianificatori, utility e decisori politici. Sottolineando il ruolo dominante degli autobus nei picchi di carico a breve termine e l’influenza crescente dei veicoli privati, traccia una strada chiara per gli investimenti in infrastruttura e gestione della domanda.
In un’epoca in cui i sistemi energetici devono bilanciare sostenibilità e affidabilità, questa ricerca non è solo accademica — è essenziale per costruire le reti resilienti di domani.
Autori: YOU Lei, JIN Xiaoming, LIU Yun
Affiliazione: China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., Guangzhou 510663, Guangdong, China
Rivista: Southern Energy Construction
DOI: 10.16516/j.ceec.2024.5.17