Previsione dei Carichi EV con Modello Spaziotemporale
La rivoluzione elettrica sta accelerando a ritmi senza precedenti, con oltre dieci milioni di nuovi veicoli elettrici (EV) immatricolati nel solo 2023. Questo boom, sebbene sia un segnale positivo per la sostenibilità del trasporto, sta mettendo a dura prova le fondamenta delle reti elettriche globali. La sfida principale non risiede semplicemente nell’aumento della domanda totale, ma nella sua natura altamente imprevedibile e dinamica. A differenza dei carichi tradizionali delle abitazioni o delle industrie, il profilo di carica di un veicolo elettrico è influenzato da una miriade di fattori: le abitudini individuali degli utenti, gli orari di lavoro, le destinazioni dei viaggi, le condizioni meteorologiche e, soprattutto, la disponibilità e la posizione delle stazioni di ricarica. Questa complessità trasforma la gestione della rete in un rompicapo in tempo reale per gli operatori, che devono prevedere con precisione quando e dove si verificheranno i picchi di carica per garantire la stabilità della rete, ottimizzare la generazione di energia e integrare al meglio le fonti rinnovabili intermittenti. I metodi tradizionali di previsione della domanda, spesso basati su modelli statistici e analisi di serie temporali, stanno dimostrando di avere limiti crescenti. Questi approcci tendono a trattare ogni stazione di ricarica come un’entità isolata, analizzando la sua storia di carica indipendentemente dal contesto circostante. Questo approccio, tuttavia, ignora un aspetto fondamentale: la profonda interdipendenza spaziale tra le stazioni.
Questa cecità spaziale è un errore critico. La domanda in una stazione non è un fenomeno isolato, ma è strettamente legata alla sua posizione geografica e alla rete di stazioni vicine. Una stazione situata di fronte a un centro commerciale avrà un profilo di carica completamente diverso da una stazione adiacente a un parco industriale. La distanza dalla stazione più vicina, la densità del traffico sulle strade circostanti e la concentrazione di punti di ricarica in un’area creano una “impronta spaziale” unica che modella il comportamento dell’utente. Un picco improvviso di domanda in una popolare stazione del centro città non solo causa code in quel punto, ma innesta una reazione a catena: gli utenti che non trovano un posto disponibile si spostano verso stazioni vicine, ridistribuendo il carico e creando una rete di dipendenze complesse che i modelli convenzionali non possono cogliere. Questo errore si traduce in previsioni inaccurate, con conseguenze che vanno da una programmazione inefficiente della generazione di energia all’incapacità di sfruttare appieno l’energia solare o eolica disponibile, aumentando il rischio di instabilità della rete e il costo complessivo del sistema.
In risposta a questa lacuna critica nella precisione delle previsioni, un team di ricercatori cinesi ha sviluppato un approccio innovativo che promette di rivoluzionare il modo in cui le reti elettriche si preparano all’era dei veicoli elettrici. Un consorzio di esperti di State Grid Lanxi Power Supply Company, Zhejiang Jie’an Engineering Co., Ltd. e Nanjing Institute of Technology ha introdotto un modello di previsione basato sull’intelligenza artificiale (AI) che, per la prima volta, integra in modo sistematico sia le dimensioni spaziali che temporali dei dati di carica. La loro soluzione, denominata modello GCN-LSTM, combina il potere di due tecnologie all’avanguardia: le Reti Neurali di Convoluzione su Grafi (GCN) e le Reti di Memoria a Lungo e Breve Termine (LSTM). Questa architettura ibrida rappresenta un cambiamento di paradigma, poiché trasforma la percezione della rete di ricarica da una collezione di punti isolati a un ecosistema dinamico e interconnesso.
Il principio fondamentale alla base del modello GCN-LSTM è che il carico in una stazione specifica è indissolubilmente legato alla sua posizione geografica. Per catturare questa relazione, i ricercatori iniziano costruendo un “grafo” che rappresenti l’infrastruttura di ricarica della città. In questo grafo, ogni stazione di ricarica è un nodo. Le connessioni tra questi nodi, gli archi, sono definite dalla prossimità fisica tra le stazioni, generalmente la distanza in linea d’aria. Questa rappresentazione matematica trasforma la rete di ricarica in una struttura che un’IA può analizzare. È qui che entra in gioco la Rete di Convoluzione su Grafi (GCN), che funge da analista spaziale. A differenza delle reti neurali tradizionali che elaborano dati su una griglia regolare, come un’immagine, le GCN sono progettate specificamente per operare su strutture di dati irregolari come i grafi. La GCN elabora il grafo “aggregando” informazioni da ogni nodo con le informazioni dei suoi nodi vicini immediati. Impara a riconoscere modelli spaziali, come un gruppo di stazioni che sperimentano una caduta simultanea del carico, il che potrebbe indicare che gli utenti sono attratti da una nuova stazione di ricarica rapida appena entrata in funzione. Questo processo estrae le “informazioni di dipendenza spaziale”, fornendo una comprensione ricca e contestuale di come le stazioni di ricarica siano interconnesse, una conoscenza completamente assente nei metodi tradizionali.
Mentre la GCN gestisce il “dove”, la rete LSTM si occupa del “quando”. Le reti LSTM sono una variante specializzata delle reti neurali ricorrenti (RNN) eccellenti nell’apprendimento di modelli a lungo termine in sequenze di dati. Possono identificare che una stazione particolare sperimenta un picco di domanda ogni giorno tra le 17:00 e le 19:00, o che il carico diminuisce nei giorni di pioggia. La vera innovazione di questa ricerca risiede nel modo in cui queste due potenti tecnologie sono integrate. Il modello non le esegue in parallelo o in sequenza semplice. Invece, utilizza la GCN per elaborare i dati spaziali in ogni intervallo di tempo discreto—ogni 15 minuti in questo studio. L’output della GCN in ciascuno di questi passi temporali è una rappresentazione sofisticata e arricchita con informazioni spaziali dello stato dell’intera rete. Queste rappresentazioni, contrassegnate temporalmente, vengono quindi trasformate in una sequenza che viene inserita nella rete LSTM. Ciò consente alla LSTM di apprendere i modelli temporali del comportamento di carica, ma con una profonda comprensione del contesto spaziale in ogni momento. Può ora apprendere, ad esempio, che un modello temporale di alta domanda serale si intensifica quando si svolge un grande evento in un distretto vicino, una sfumatura che sarebbe invisibile a un modello che utilizza solo dati di serie temporali.
Per validare l’efficacia del loro modello GCN-LSTM, il team di ricerca ha condotto un rigoroso studio di caso utilizzando dati reali di nove stazioni di ricarica pubblica in un’area urbana della Cina. Il set di dati copriva tre mesi, fornendo un totale di 8.736 punti dati registrati ogni 15 minuti. Questa vasta base di dati ha permesso di addestrare il modello in una vasta gamma di condizioni, inclusi giorni feriali, fine settimana, festività e diversi schemi meteorologici. Le caratteristiche di input per il modello sono state selezionate con cura per riflettere fattori del mondo reale: il carico storico di carica, il prezzo di carica vigente in ogni stazione e un semplice indicatore binario per distinguere tra giorni feriali e giorni di riposo. Prima di inserire questi dati nel modello, è stato eseguito un passaggio cruciale di pre-elaborazione: la normalizzazione. Questo passaggio garantisce che le caratteristiche con scale molto diverse—come il carico in kilowatt e il prezzo in valuta—non distorcano il processo di apprendimento, permettendo all’IA di concentrarsi sui modelli sottostanti piuttosto che sulla grandezza dei numeri.
Il processo di addestramento è stato meticoloso. I ricercatori hanno impiegato una tecnica di finestra scorrevole per convertire i dati storici di serie temporali in un formato adatto all’apprendimento supervisionato. Ad esempio, al modello sono stati mostrati i dati di carica degli ultimi 12 passi temporali (tre ore) e gli è stato chiesto di prevedere il carico al passo 13. Questo processo è stato ripetuto migliaia di volte lungo il set di dati, consentendo al modello di apprendere le complesse relazioni tra stati passati e futuri. Le prestazioni del modello sono state ottimizzate mediante una ricerca a griglia per trovare i parametri iperottimali ideali, come il numero di strati nella GCN e nella LSTM, la dimensione del batch e il tasso di abbandono (dropout), una tecnica utilizzata per prevenire l’overfitting ignorando casualmente alcuni neuroni durante l’addestramento, costringendo così la rete ad apprendere caratteristiche più robuste. La funzione di perdita del modello è stata l’Errore Assoluto Medio (MAE), mentre le sue prestazioni sono state monitorate utilizzando l’Errore Quadratico Medio (RMSE) e il coefficiente di determinazione (R²), fornendo una visione completa della sua precisione e affidabilità.
I risultati dello studio sono stati trasformativi. Il modello GCN-LSTM è stato confrontato con diversi punti di riferimento consolidati: una rete neurale tradizionale di retropropagazione (BP), un modello GCN autonomo e un modello LSTM autonomo. Il divario di prestazioni è stato marcato e coerente. Per la Stazione di Ricarica n. 1, il modello GCN-LSTM ha raggiunto un valore R² di 0,917, indicando che ha spiegato oltre il 91% della varianza nei dati di carica reali. Questo è stato un miglioramento significativo rispetto allo 0,885 del modello BP, lo 0,818 della GCN e lo 0,868 della LSTM. Ancora più importante, le metriche di errore hanno raccontato una storia ancora più convincente. L’Errore Assoluto Medio (MAE) per il modello GCN-LSTM è stato di 31,584 kW, una riduzione drastica rispetto agli 81,404 kW del modello BP e ai 41,133 kW della LSTM. Allo stesso modo, l’Errore Percentuale Assoluto Medio (MAPE) è sceso a soli 2,200%, rispetto al 15,433% del modello BP. Per la Stazione di Ricarica n. 6, i risultati sono stati ancora più impressionanti, con il modello GCN-LSTM che ha raggiunto un R² di 0,957 e un MAPE di un notevole 1,849%. Queste cifre rappresentano un livello di precisione che era irraggiungibile con metodi convenzionali.
Un’analisi più approfondita dei risultati ha rivelato il ruolo critico delle informazioni spaziali. Quando i ricercatori hanno testato il modello riducendo artificialmente il numero di nodi (stazioni di ricarica) nel grafo, la precisione della previsione è diminuita drasticamente. Questo esperimento ha dimostrato che le prestazioni superiori del modello erano direttamente attribuibili alla sua capacità di apprendere da una ricca rete di relazioni spaziali. Con meno stazioni, la quantità di informazioni spaziali disponibili per la GCN si riduceva, rendendo difficile la cattura delle complesse interdipendenze, e di conseguenza le previsioni diventavano meno precise. Questa scoperta sottolinea una conclusione chiave: per raggiungere la massima precisione di previsione, è necessario considerare l’intero ecosistema di ricarica, non solo stazioni individuali isolate.
Le implicazioni di questa ricerca vanno ben oltre il mondo accademico. Per le aziende elettriche, una previsione più precisa è uno strumento potente per una gestione proattiva della rete. Permette una programmazione migliorata della generazione di energia, assicurando che l’offerta corrisponda esattamente alla domanda prevista di VE, riducendo così la dipendenza da costose e inquinanti centrali elettriche di picco. Permette un’integrazione più efficace delle fonti di energia rinnovabile come il solare e l’eolico, la cui produzione è variabile. Sapendo esattamente quando e dove ricaricheranno i veicoli elettrici, le aziende possono incoraggiare gli utenti a ricaricare quando la generazione rinnovabile è alta, massimizzando l’uso di energia pulita e minimizzando le emissioni di carbonio. Per i pianificatori urbani e gli operatori di stazioni di ricarica, il modello fornisce informazioni inestimabili per lo sviluppo dell’infrastruttura. Può identificare aree con scarsa copertura in cui sono necessarie nuove stazioni e prevedere l’impatto di una nuova stazione sulla rete circostante, evitando costose sovrastrutture. Può anche informare strategie di prezzo dinamico, in cui i prezzi vengono aggiustati in tempo reale in base alla domanda prevista, aiutando a livellare i picchi di carico e migliorare l’efficienza complessiva della rete di ricarica.
Il successo del modello GCN-LSTM indica anche una tendenza più ampia nell’applicazione dell’IA a problemi complessi del mondo reale. Dimostra il potere di combinare diverse architetture di IA, ognuna con i propri punti di forza, per creare una soluzione che è maggiore della somma delle sue parti. La capacità della GCN di gestire strutture di dati complesse e non euclidee come le reti, combinata con la maestria della LSTM nei dati sequenziali, crea un effetto sinergico che è perfettamente adatto alla natura spaziotemporale della ricarica dei veicoli elettrici. Questo approccio può essere facilmente adattato ad altri domini, come la previsione del flusso del traffico, la previsione della qualità dell’aria urbana o la modellazione della diffusione delle informazioni sui social network, tutti i quali coinvolgono entità che sono connesse spazialmente ed evolvono nel tempo.
In conclusione, il lavoro di Huang Jian, Chen Jianhong, He Jianjie, Wu Yan, Wan Xiu e Chen Fan rappresenta un progresso significativo nel campo della previsione dei carichi per veicoli elettrici. Fondendo ingegnosamente l’analisi spaziale basata su grafi con l’apprendimento temporale profondo, hanno creato un modello che cattura la vera complessità dell’ecosistema di ricarica. La loro ricerca, pubblicata sulla prestigiosa rivista Zhejiang Electric Power, fornisce un quadro robusto e basato sui dati che può abilitare gli operatori di rete, i pianificatori urbani e le aziende energetiche a navigare le sfide della rivoluzione dei veicoli elettrici con una fiducia e una precisione senza precedenti. Mentre il mondo avanza verso un futuro di trasporto sostenibile, strumenti come questo saranno essenziali per costruire un’infrastruttura energetica più intelligente, resiliente e pulita.
Huang Jian, State Grid Lanxi Power Supply Company; Chen Jianhong, Zhejiang Jie’an Engineering Co., Ltd.; He Jianjie, Zhejiang Jie’an Engineering Co., Ltd.; Wu Yan, Zhejiang Jie’an Engineering Co., Ltd.; Wan Xiu, Nanjing Institute of Technology; Chen Fan, Nanjing Institute of Technology. Zhejiang Electric Power. DOI: 10.19585/j.zjdl.202412006