Nuovo modello identifica modelli di ricarica EV con dati limitati
Il futuro della mobilità elettrica è sempre più intrecciato con la stabilità e l’efficienza delle reti elettriche. Con oltre 20 milioni di veicoli elettrici (EV) in circolazione a livello globale, il potenziale di queste auto non si limita più al semplice trasporto; stanno emergendo come risorse fondamentali per la gestione dell’energia. Il concetto di Vehicle-to-Grid (V2G), che permette ai veicoli di immagazzinare energia in eccesso e di restituirla alla rete durante i picchi di domanda, rappresenta una delle frontiere più promettenti per bilanciare la rete, integrare le fonti rinnovabili e ridurre i costi energetici. Tuttavia, nonostante i vantaggi teorici, la partecipazione concreta degli utenti a questi programmi rimane frustrantemente bassa. Un nuovo studio, condotto da un team di ricercatori della North China Electric Power University e di State Grid Smart Internet of Vehicles Co., Ltd., potrebbe finalmente superare questo ostacolo principale. Hanno sviluppato un modello innovativo, pubblicato sulla prestigiosa rivista Electric Power Construction, che riesce a identificare con precisione i diversi profili di comportamento degli utenti EV utilizzando un volume minimo di dati, rispettando così i severi requisiti di privacy e sicurezza.
La sfida principale per l’integrazione V2G non è tecnologica, ma umana e organizzativa. Per progettare strategie di incentivo efficaci, gli operatori della rete e le aziende di servizi energetici hanno bisogno di capire come e quando gli utenti ricaricano le loro auto. Tradizionalmente, questo richiederebbe l’accesso a grandi quantità di dati sensibili: traiettorie GPS, orari di arrivo e partenza dal lavoro o da casa, livelli di carica della batteria e preferenze personali. Questo livello di dettaglio solleva gravi preoccupazioni sulla privacy. Normative come il Regolamento Generale sulla Protezione dei Dati (GDPR) in Europa e il California Consumer Privacy Act (CCPA) negli Stati Uniti impongono restrizioni rigorose su come i dati personali possono essere raccolti e utilizzati. Di conseguenza, molte iniziative V2G sono rimaste bloccate, incapaci di ottenere le informazioni necessarie per personalizzare le loro offerte senza violare la fiducia degli utenti. Il modello proposto dai ricercatori offre una soluzione elegante a questo dilemma, dimostrando che una comprensione profonda del comportamento dell’utente può essere raggiunta senza scavare nella sua vita privata.
Il fulcro del modello è la sua filosofia di “meno è meglio”. Invece di cercare dati esaustivi, il team si è concentrato sull’identificazione di un insieme ristretto di indicatori chiave che, pur essendo semplici, sono altamente rivelatori del potenziale di un utente per partecipare ai servizi di rete. Questi indicatori sono derivati direttamente dai registri di ricarica, che sono intrinsecamente meno sensibili dei dati di localizzazione o di guida. Tra questi vi sono la sovrapposizione temporale tra il periodo di ricarica dell’utente e i periodi obiettivo del mercato energetico, la capacità di controllo del punto di ricarica e l’elasticità del tempo e dell’energia di ricarica. Ad esempio, un utente che ricarica regolarmente la sua auto durante le ore di punta della rete, quando la domanda e i prezzi sono più alti, mostra un alto grado di sovrapposizione temporale. Questo modello, di per sé, suggerisce che l’utente potrebbe essere un candidato ideale per programmi di “riempimento delle valli”, in cui viene incentivato a spostare la ricarica a ore notturne più economiche. La capacità di controllo del punto di ricarica si riferisce al fatto che l’infrastruttura sia abbastanza intelligente da ricevere segnali dall’operatore di rete e regolare automaticamente la potenza di ricarica. Infine, l’elasticità misura la disponibilità dell’utente a modificare il suo comportamento in risposta a un incentivo. Un utente con un’elevata elasticità potrebbe essere disposto ad aspettare un’ora in più affinché il suo veicolo raggiunga il 100% di carica se riceve uno sconto significativo. Concentrandosi su questi indicatori, il modello costruisce un profilo dell’utente che è funzionale e rispettoso della privacy.
La classificazione degli utenti è il cuore del sistema. I ricercatori non vedono tutti i proprietari di veicoli elettrici come un gruppo omogeneo, ma propongono una segmentazione in tre categorie principali, ognuna con un diverso profilo di risposta e, di conseguenza, con un diverso insieme di incentivi ottimali. La prima categoria, gli “utenti reattivi in termini di energia”, sono coloro la cui finestra di ricarica coincide fortemente con i periodi di massima domanda del mercato. Il loro valore risiede nella loro prevedibilità e nella loro disponibilità a rimanere collegati per lunghi periodi. Anche se potrebbero non essere i più flessibili per quanto riguarda l’ora esatta di ricarica, la loro capacità di immagazzinare energia durante la notte e rilasciarla durante il giorno li rende asset preziosi per il mercato energetico a medio e lungo termine. Per questo gruppo, gli incentivi potrebbero assumere la forma di tariffe notturne molto attraenti o di bonus per l’impegno a lungo termine.
La seconda categoria, gli “utenti reattivi in termini di potenza”, sono i più agili e adattabili. Mostrano un’elevata elasticità sia nel tempo che nella quantità di energia che consumano. Sono i primi a rispondere ai segnali dei prezzi dinamici, pronti a ricaricare quando il prezzo dell’elettricità scende o a ridurre il loro consumo quando il sistema è sotto stress. Il loro potenziale è nei mercati dei servizi di domanda e nella regolazione dei picchi di carico. Per motivare questo gruppo, sono necessari incentivi immediati e dinamici, come crediti istantanei sul loro conto per ogni chilowattora risparmiato durante un’ora di punta, o un sistema di gamification che ricompensi la loro partecipazione attiva con punti riscattabili.
La terza e più preziosa categoria sono gli “utenti reattivi in termini di frequenza”. Questi sono gli “atleti d’élite” dell’ecosistema V2G. Possiedono un’elevatissima sovrapposizione temporale con i periodi critici del mercato e una capacità di risposta quasi istantanea. Possono aumentare o diminuire la loro potenza di ricarica, o persino iniettare energia di nuovo nella rete, in pochi secondi. La loro funzione è cruciale per la stabilità primaria della rete, aiutando a mantenere la frequenza del sistema a 50 o 60 Hz, un equilibrio delicato che può essere minacciato da qualsiasi perturbazione. I servizi che forniscono sono i più remunerati, e quindi gli incentivi per questo gruppo devono essere i più sostanziosi, come pagamenti premium per la disponibilità o l’accesso prioritario alle stazioni di ricarica più veloci.
Quello che eleva questo modello da una semplice classificazione a uno strumento all’avanguardia è il suo motore di analisi. I ricercatori hanno sviluppato un framework ibrido che combina due tecniche di intelligenza artificiale: il modello a nuvola e la rete di Petri fuzzy (FPN). Il modello a nuvola è uno strumento matematico potente per gestire l’incertezza e la vaghezza intrinseche nel comportamento umano. Invece di trattare concetti come “alta sovrapposizione” o “bassa elasticità” come categorie rigide, il modello a nuvola li rappresenta come distribuzioni probabilistiche. Ciò significa che può dire con una confidenza del 90% che un utente appartiene a una categoria, invece di fare un’affermazione binaria che potrebbe essere errata. Questo approccio è particolarmente adatto al mondo reale, dove i modelli di comportamento raramente sono perfetti.
L’output di questa analisi dell’incertezza viene quindi alimentato a una rete di Petri fuzzy, che funge da motore di inferenza logica. Una rete di Petri è una rappresentazione grafica di un sistema che mostra stati (posti) e transizioni (eventi). In questo caso, i posti rappresentano le caratteristiche dell’utente (ad esempio, “alta sovrapposizione temporale”, “alta elasticità di potenza”), e le transizioni rappresentano regole logiche (ad esempio, “se la sovrapposizione è alta e l’elasticità di potenza è bassa, allora l’utente è reattivo in termini di energia”). La “fuzziness” nel nome deriva dalla sua capacità di gestire valori sfumati, consentendo alle regole di avere gradi di verità. Il risultato è un sistema che non solo classifica, ma spiega anche il suo ragionamento. A differenza di un modello di “scatola nera” di apprendimento profondo, le cui decisioni sono spesso inesplicabili, questa rete di Petri fuzzy è trasparente e verificabile. Questa trasparenza è fondamentale per guadagnare la fiducia degli utenti, che possono capire perché gli è stato offerto un incentivo specifico, e dei regolatori, che hanno bisogno di garanzie sull’equità e sull’imparzialità del sistema.
La validità del modello è stata testata con dati reali di 100 utenti di veicoli elettrici in una stazione di ricarica a Pechino. I risultati sono stati conclusivi. Il modello è riuscito a classificare gli utenti con un’elevata confidenza. Ad esempio, l’Utente 1, il cui modello di ricarica ha mostrato un’elevata sovrapposizione temporale ma una bassa elasticità, è stato identificato come un utente reattivo in termini di energia con una confidenza del 95%. L’Utente 2, che ha mostrato una grande variabilità nei suoi orari di ricarica e un’elevata sensibilità ai cambiamenti, è stato classificato come un utente reattivo in termini di potenza con una confidenza dell’89,7%. L’Utente 4, che combinava un’elevatissima sovrapposizione temporale con un’elevata capacità di risposta, è stato identificato come un utente reattivo in termini di frequenza, il più prezioso per la stabilità della rete. Per gli utenti che non rientravano chiaramente in nessuna delle tre categorie, come l’Utente 3, il modello ha raccomandato di non applicare incentivi specializzati, ma di offrire servizi generali come la prenotazione dei caricabatterie o la programmazione remota, dimostrando un approccio razionale ed efficiente all’utilizzo delle risorse.
Le implicazioni di questo lavoro sono profonde. Dal punto di vista della gestione della rete, il modello consente un’assegnazione molto più efficiente dei budget per gli incentivi. Invece di lanciare programmi di incentivi generali che attraggono solo un piccolo gruppo di utenti impegnati, gli operatori possono indirizzarsi direttamente ai segmenti con il maggior potenziale. Questo massimizza il ritorno sull’investimento e accelera l’integrazione dei veicoli elettrici come risorse del sistema. Per gli utenti, significa la fine delle offerte irrilevanti e un’esperienza più personalizzata, in cui gli incentivi sono allineati con le loro abitudini reali. Questo non solo aumenta la soddisfazione, ma promuove anche una relazione più attiva e collaborativa con il sistema energetico.
Inoltre, il modello è intrinsecamente scalabile e adattabile. Non dipendendo da dati privati o da infrastrutture specifiche, può essere implementato da diversi fornitori di servizi in diverse regioni, promuovendo un ecosistema energetico più coeso. Sottolinea anche la necessità di un’infrastruttura di ricarica bidirezionale, un anello critico che è ancora nella sua infanzia. Dimostrando chiaramente il valore degli utenti con un’elevata capacità di risposta, il modello può aiutare a giustificare gli investimenti necessari in questa tecnologia. In definitiva, questo approccio rappresenta un passo cruciale verso un futuro in cui i veicoli elettrici non sono solo un mezzo di trasporto, ma un componente integrale e attivo di una rete elettrica intelligente, resiliente e sostenibile.
Shi Tianchen, Yang Ye, Liu Mingguang, Wang Wen, Wang Jiani, Liu Dunnan, North China Electric Power University and State Grid Smart Internet of Vehicles Co., Ltd., Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.10.007