Una Nuova Strategia Ottimizza la Salute delle Stazioni di Ricarica
L’adozione dei veicoli elettrici (EV) è in piena accelerazione, trasformando radicalmente il panorama della mobilità globale. Mentre l’attenzione dei consumatori e dei produttori si concentra spesso sulla potenza delle batterie, sull’autonomia e sulla velocità di ricarica, un elemento cruciale del successo a lungo termine di questa rivoluzione rimane spesso nell’ombra: la salute e la longevità stessa delle infrastrutture di ricarica. Un recente studio pubblicato sul Chinese Journal of Automotive Engineering affronta questo problema in modo innovativo, proponendo una strategia di pianificazione della ricarica che non si limita a soddisfare la domanda, ma mira attivamente a preservare e ottimizzare il patrimonio fisico delle stazioni di ricarica.
Guidati da Lu Yang, Liu Niexuan e Huang Hongye dell’Istituto di Ricerca Scientifica dell’Energia Elettrica di State Grid, parte del gruppo NARI, i ricercatori hanno sviluppato un approccio rivoluzionario che sposta il paradigma dalla semplice disponibilità alla gestione proattiva della salute degli asset. Invece di assegnare i veicoli al punto di ricarica più vicino o disponibile, la loro strategia utilizza un modello di valutazione della salute in tempo reale per guidare le decisioni di assegnazione. Questo cambiamento di prospettiva rappresenta un salto qualitativo significativo rispetto ai tradizionali sistemi “first-come, first-served”, che, sebbene semplici, possono portare a un’usura disomogenea e a un’obsolescenza prematura delle attrezzature.
Il problema è evidente per chi gestisce le reti di ricarica. I punti di ricarica più convenienti o veloci tendono a subire un utilizzo intensivo, specialmente per sessioni di ricarica rapida ad alta potenza. Questo sollecita ripetutamente i componenti critici – come i moduli di potenza, i connettori e i sistemi di raffreddamento – a stress termici ed elettrici estremi. Il risultato è un’accelerazione del processo di invecchiamento, che si traduce in un aumento dei costi di manutenzione, tempi di inattività imprevisti e, in ultima analisi, un’esperienza utente negativa quando un punto di ricarica risulta fuori servizio. Nel frattempo, altri punti di ricarica possono rimanere sottoutilizzati, creando un sistema inefficiente e squilibrato. La strategia proposta da NARI Group mira a rompere questo ciclo vizioso.
La soluzione presentata dai ricercatori è un modello di valutazione della salute complessivo, progettato per fornire una misura quantitativa e oggettiva dello stato di ogni singolo punto di ricarica. Il modello si basa su 26 indicatori distinti, suddivisi in sei moduli principali: potenza, controllo, comunicazione, pistola di ricarica, componenti critici e fattori ambientali. Questa struttura multidimensionale permette di ottenere un quadro completo e dettagliato del benessere di ogni unità.
Gli indicatori di prestazione elettrica sono fondamentali per prevedere la degradazione. Il modello analizza parametri precisi come l’errore di tensione e corrente in uscita, la precisione della regolazione della tensione e della corrente, il bilanciamento della corrente tra i moduli in parallelo (desequilibrio), il fattore di potenza e l’efficienza complessiva del sistema. Anomalie anche minime in questi parametri, come una leggera deriva della tensione o una diminuzione dell’efficienza, possono essere segnali precoci di problemi imminenti nei circuiti interni. Un sistema che perde efficienza non solo consuma più energia per la stessa quantità di ricarica, ma genera anche più calore, alimentando un circolo vizioso di degrado.
La dimensione della sicurezza è altrettanto rigorosa. Il modello monitora costantemente temperature critiche, inclusi i moduli di controllo e comunicazione, la temperatura della pistola di ricarica durante l’operazione e le temperature estreme della batteria del veicolo (massima e minima). Le alte temperature sono uno dei principali fattori di invecchiamento per l’elettronica di potenza. Una pistola di ricarica che si surriscalda regolarmente o un modulo di controllo che opera costantemente al limite termico ha una vita utile drasticamente ridotta. Il modello tiene conto anche della frequenza dei guasti di componenti specifici, come i contattori CA, gli interruttori di emergenza, i lettori di schede, le ventole e i dispositivi di protezione contro i fulmini. La frequenza di questi guasti è un indicatore diretto della affidabilità del sistema. Inoltre, viene considerato anche il tempo di utilizzo della pistola di ricarica, riconoscendo l’usura meccanica che si accumula con ogni connessione e disconnessione.
Per trasformare questo vasto insieme di dati in una metrica unica e utilizzabile, i ricercatori hanno sviluppato un indice di salute normalizzato su una scala da 0 a 1. Un valore di 1 rappresenta un punto di ricarica nuovo e in perfette condizioni, mentre uno 0 indica un’unità non funzionante o da smaltire. Il processo di calcolo è sofisticato. Innanzitutto, i dati grezzi vengono normalizzati per eliminare distorsioni di scala. Successivamente, viene assegnato un peso a ciascun indicatore utilizzando il metodo di ponderazione per entropia. Questo approccio statistico è cruciale perché determina l’importanza di ciascun indicatore in modo oggettivo, basandosi sulla sua variabilità e sul suo impatto sullo stato generale del sistema. Gli indicatori con una variabilità maggiore e una correlazione più forte con la degradazione ricevono un peso più elevato. Ad esempio, i guasti dei contattori CA e degli interruttori di emergenza, che hanno mostrato una variabilità significativa nei dati di campo, hanno ricevuto i pesi più alti nel modello (0,1919 e 0,2192 rispettivamente), sottolineandone l’importanza critica per la salute del sistema.
Il vero valore aggiunto di questa ricerca risiede nell’integrazione di questo indice di salute nel processo decisionale di pianificazione della ricarica. Il team ha sviluppato un modello di ottimizzazione che utilizza la durata prevista della ricarica di un veicolo e lo stato di salute dei punti di ricarica disponibili come input chiave. Per semplificare il problema, il carico di ricarica (in kWh) viene convertito in tempo di ricarica, creando così una variabile temporale che può essere gestita più facilmente da un algoritmo. L’obiettivo del gestore della stazione di ricarica non è più semplicemente assegnare il primo punto disponibile, ma trovare la combinazione ottimale che massimizzi la salute complessiva della stazione e minimizzi le disparità tra i singoli punti di ricarica.
Si tratta di un problema di ottimizzazione multi-obiettivo, poiché massimizzare la salute totale e minimizzare la varianza della salute sono spesso obiettivi in conflitto. Per risolverlo, i ricercatori hanno impiegato l’algoritmo NSGA-II (Non-dominated Sorting Genetic Algorithm II), una tecnica di computazione evolutiva avanzata. A differenza dei metodi di ottimizzazione tradizionali che cercano una singola soluzione “ottimale”, NSGA-II genera un insieme di soluzioni di compromesso, noto come fronte di Pareto. Questo permette al gestore di scegliere la soluzione che meglio si adatta alle sue priorità specifiche, sia che si tratti di massimizzare la salute totale o di ottenere una distribuzione più uniforme del carico. La scelta di NSGA-II si è rivelata decisiva, dimostrando una superiorità significativa rispetto ad altri algoritmi, come quello di ottimizzazione dello sciame di particelle (PSO), nella capacità di trovare soluzioni stabili e ad alte prestazioni.
La validazione del modello è stata effettuata utilizzando dati reali provenienti da 10 punti di ricarica in una regione della provincia di Jiangsu, in Cina. I dati, che coprivano un intero anno, includevano parametri operativi dettagliati e registri di ricarica. Sono stati simulati tre scenari diversi: uno scenario base senza ottimizzazione (assegnazione casuale), il modello di salute proposto ottimizzato con l’algoritmo PSO, e lo stesso modello ottimizzato con l’algoritmo NSGA-II. Questo confronto diretto ha fornito evidenze chiare dell’efficacia della strategia.
I risultati sono stati conclusivi. Implementando la strategia di salute con l’algoritmo NSGA-II, la salute annuale media della stazione di ricarica è aumentata di un impressionante 18,54% rispetto allo scenario senza ottimizzazione. A livello individuale, ogni punto di ricarica ha visto un miglioramento medio della salute annuale del 1,85%. In contrasto, l’ottimizzazione con l’algoritmo PSO ha ottenuto un miglioramento molto più modesto del 2,76% per la stazione e dello 0,27% per i singoli punti di ricarica, evidenziando il vantaggio decisivo dell’approccio più sofisticato.
Un risultato ancora più rivelatore è stato l’impatto sulla varianza della salute. Nello scenario senza ottimizzazione, la varianza mensile della salute della stazione tendeva ad aumentare nel tempo, raggiungendo un massimo di 0,0020. Questo aumento indica un crescente squilibrio, dove alcuni punti di ricarica si degradano molto più velocemente di altri, creando punti deboli nella rete. Con la strategia ottimizzata NSGA-II, la varianza non solo si è ridotta, ma ha mostrato una tendenza alla stabilizzazione. Il valore massimo della varianza mensile si è ridotto a 0,0015, dimostrando un’utilizzazione molto più equilibrata e una rete più resiliente. Questa uniformità è vitale per la pianificazione della manutenzione predittiva e per garantire un’elevata disponibilità.
L’analisi dei dati annuali di servizio ha rivelato il meccanismo alla base di questo successo. Nello scenario senza ottimizzazione, il numero di veicoli serviti da ciascun punto di ricarica era relativamente uniforme, ma questa uniformità mascherava un’assegnazione inefficiente del carico. La strategia intelligente, guidata dallo stato di salute, ha aggiustato dinamicamente le assegnazioni. I punti di ricarica più sani sono stati utilizzati per sessioni di ricarica più lunghe o ad alta potenza, sfruttando al meglio la loro capacità, mentre i punti con uno stato di salute inferiore sono stati riservati per ricariche più brevi o a bassa richiesta. Questo approccio preventivo protegge le unità più deboli da un’usura aggiuntiva, prolungando così la vita utile dell’intero parco di punti di ricarica.
Per i gestori commerciali, le implicazioni sono profonde. La loro redditività dipende dal massimizzare i ricavi attraverso un’elevata utilizzazione, riducendo al contempo i costi di manutenzione e sostituzione. Questa strategia offre una soluzione elegante a questo dilemma. Prolungando in modo significativo la vita utile delle attrezzature, si posticipano i grandi investimenti in capitale. Allo stesso tempo, riducendo la frequenza dei guasti e la necessità di manutenzione reattiva, si abbassano i costi operativi e si migliora la soddisfazione del cliente. Un sistema più sano e prevedibile si traduce direttamente in un’esperienza migliore per il guidatore di un veicolo elettrico.
Oltre alla gestione degli asset, questo modello getta le basi per una manutenzione veramente predittiva. Monitorando continuamente gli indicatori di salute, i gestori possono rilevare segnali precoci di deterioramento, come un aumento graduale della temperatura di un modulo o un incremento nella frequenza degli errori di un componente specifico. Questo permette di programmare gli interventi di manutenzione in momenti di bassa domanda, evitando interruzioni costose e migliorando l’efficienza generale.
La scalabilità dell’approccio è un altro punto di forza. Sebbene la validazione sia stata effettuata su una singola stazione, i principi sottostanti sono applicabili a reti di qualsiasi dimensione, da piccole installazioni urbane a grandi corridoi di ricarica autostradali. In futuro, questo sistema potrebbe essere integrato con piattaforme di gestione delle flotte o applicazioni di navigazione per indirizzare proattivamente i guidatori verso le stazioni e i punti di ricarica che non solo sono disponibili, ma sono anche nelle migliori condizioni per gestire la loro richiesta di ricarica.
I ricercatori riconoscono che l’implementazione pratica richiede una stretta integrazione con le piattaforme di gestione della ricarica esistenti e la standardizzazione dei protocolli di dati sulla salute. Tuttavia, il lavoro fornisce un quadro chiaro, tecnico e basato sui dati per la prossima generazione di infrastrutture di ricarica intelligenti. L’uso di un algoritmo avanzato e ben documentato come NSGA-II aggiunge credibilità e trasparenza ai risultati.
In conclusione, la ricerca di Lu Yang, Liu Niexuan e Huang Hongye rappresenta un punto di svolta nell’evoluzione dell’infrastruttura per veicoli elettrici. Spostando il focus dalla semplice disponibilità alla salute olistica degli asset, stabilisce un nuovo standard per la sostenibilità e l’efficienza. Mentre il mondo si muove verso una mobilità completamente elettrificata, innovazioni come questa saranno essenziali per garantire che l’infrastruttura possa sostenere la domanda a lungo termine, non solo in termini di capacità, ma anche in termini di affidabilità e durabilità. Questa strategia non riguarda solo come caricare più velocemente; riguarda come caricare in un modo che preservi e ottimizzi l’ecosistema prezioso che rende possibile la mobilità elettrica.
Lu Yang, Liu Niexuan, Huang Hongye, State Grid Electric Power Research Institute, NARI Group Corporation, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.09