Sistema intelligente per la ricarica dei veicoli elettrici
La mobilità elettrica è in continua evoluzione, trasformando il modo in cui gli automobilisti pianificano i loro spostamenti quotidiani. Con l’aumento esponenziale del numero di veicoli elettrici (EV) sulle strade, trainato da politiche governative e da una crescente sensibilità ambientale, emerge un problema cruciale: l’esperienza dell’utente durante il processo di ricarica. Nonostante l’espansione della rete di ricarica, molti proprietari di veicoli elettrici continuano a incontrare difficoltà nel trovare stazioni di ricarica disponibili, specialmente durante le ore di punta o in aree urbane ad alta densità. Questa incertezza non compromette soltanto il comfort del conducente, ma può anche generare inefficienze nella gestione della rete elettrica e un’utilizzazione disomogenea delle infrastrutture di ricarica.
Uno studio recente pubblicato sulla rivista Microcomputer Applications affronta questa sfida con un approccio innovativo che combina intelligenza artificiale, analisi del comportamento degli utenti e ottimizzazione dei percorsi. A capo della ricerca c’è Wang Yingchun del Centro di Servizio Marketing di State Grid Hubei Electric Power Co., Ltd., in collaborazione con Wang Qing, Peng Tao, Ming Dongyue, Wei Wei e Ye Li di Wuhan Nari Limited Liability Company, filiale dell’Istituto di Ricerca Elettrica di State Grid. Il lavoro presenta un sistema di raccomandazione intelligente che utilizza reti neurali profonde e algoritmi di filtraggio collaborativo per guidare gli utenti verso colonnine libere, ottimizzando così sia l’esperienza individuale che l’efficienza del sistema.
Il sistema proposto rappresenta un salto qualitativo rispetto alle app di navigazione tradizionali, che spesso si limitano a mostrare la stazione di ricarica più vicina o lo stato di occupazione in tempo reale. Questo approccio, pur essendo utile, ignora aspetti fondamentali come le preferenze personali dell’utente, i modelli storici di ricarica e la previsione della congestione futura. La soluzione sviluppata dal team cinese va oltre, creando un modello dinamico in grado di anticipare la domanda, personalizzare le raccomandazioni e bilanciare più obiettivi contemporaneamente.
L’architettura del sistema si articola in tre livelli principali: un livello dati, un livello di modellazione e un livello algoritmico. Il livello dati raccoglie informazioni in tempo reale da molteplici fonti, tra cui sensori di traffico, stazioni meteorologiche, reti IoT nelle stazioni di ricarica e dati di utilizzo forniti dagli utenti. Queste informazioni eterogenee — che spaziano dalle condizioni climatiche al tipo di giorno (feriale o festivo), dal flusso del traffico allo stato di carica dei veicoli — vengono integrate in una piattaforma centralizzata, costituendo la base su cui si fonda l’intero sistema.
Nel livello di modellazione, questi dati vengono elaborati per creare rappresentazioni dinamiche sia della rete stradale che delle operazioni delle stazioni di ricarica. Un elemento chiave è l’utilizzo di una Deep Belief Network (DBN), un tipo di rete neurale che si distingue per la sua capacità di identificare schemi complessi e non lineari in grandi volumi di dati. La DBN viene addestrata per prevedere con precisione il numero di veicoli che arriveranno a una specifica stazione di ricarica in un breve intervallo di tempo, ad esempio i prossimi 30 minuti. A differenza dei modelli statistici tradizionali, che spesso si basano su medie storiche statiche, la DBN può adattarsi a condizioni mutevoli, integrando variabili come il clima, il giorno della settimana e la congestione del traffico per offrire previsioni molto più accurate.
Questa capacità predittiva è essenziale per evitare la congestione. Anticipando quando e dove si accumuleranno i veicoli, il sistema può reindirizzare proattivamente gli utenti verso stazioni alternative prima che si formino code, migliorando così la fluidità del traffico e riducendo i tempi di attesa. Questo vantaggio non riguarda solo l’utente individuale, ma contribuisce anche a una gestione più stabile ed efficiente della rete elettrica, evitando picchi di domanda localizzati che potrebbero compromettere la sicurezza dell’approvvigionamento.
Tuttavia, l’innovazione principale del sistema risiede nel livello algoritmico, dove la previsione del carico si combina con un sofisticato modello di preferenze utente basato sul filtraggio collaborativo. Questo approccio, ampiamente utilizzato nelle piattaforme di e-commerce e di streaming, analizza la cronologia di ricarica di ogni utente per identificare schemi e somiglianze con altri utenti. Se due guidatori hanno abitudini simili — ad esempio, entrambi tendono a ricaricare nel tardo pomeriggio in una stazione specifica — il sistema può dedurre che una raccomandazione valida per uno lo sarà anche per l’altro, anche se il secondo non ha mai visitato quella stazione.
Il calcolo della similarità tra utenti avviene tramite la metrica del coseno, che misura l’angolo tra due vettori in uno spazio multidimensionale, dove ogni dimensione rappresenta una stazione di ricarica. Più l’angolo è vicino a zero, più simili saranno i modelli di comportamento. Per rendere questo modello ancora più realistico, i ricercatori hanno introdotto un fattore di decadimento temporale. Questo fattore attribuisce un peso maggiore alle azioni recenti dell’utente, riconoscendo che le preferenze possono evolvere nel tempo. Per gli utenti nuovi, le cui abitudini non sono ancora consolidate, il sistema si basa principalmente sulle loro attività più recenti. Per gli utenti esperti, i cui modelli sono più stabili, viene data maggiore rilevanza all’intera cronologia, garantendo così una raccomandazione più coerente.
Questa combinazione di previsione e personalizzazione permette al sistema di generare raccomandazioni altamente contestualizzate. Ad esempio, se un utente ha una forte preferenza per una stazione particolare, il sistema può raccomandarla anche se non è la più vicina, a patto che sia disponibile e che il tempo di attesa previsto sia ragionevole. Il risultato è un’esperienza che si sente intuitiva e affidabile, come se un assistente personale conoscesse le abitudini del conducente.
Il processo decisionale finale si basa su una funzione di ottimizzazione multi-obiettivo. Il sistema non cerca semplicemente di minimizzare la distanza o il tempo di attesa, ma bilancia tre fattori chiave: la preferenza dell’utente, la distanza di guida e il tempo di attesa totale. Ognuno di questi fattori viene convertito in un “costo” che si somma per ottenere un costo totale del percorso. L’obiettivo è trovare il percorso che minimizzi questo costo totale.
Per risolvere questo problema complesso, i ricercatori hanno utilizzato una versione migliorata dell’algoritmo di ottimizzazione basato sulle colonie di formiche. Ispirato al comportamento di ricerca del cibo delle formiche, questo algoritmo simula multipli agenti (le “formiche”) che esplorano diversi percorsi e stazioni di ricarica. Mentre queste formiche “viaggiano”, depositano una feromona digitale che rafforza i percorsi più efficienti. Col tempo, il sistema converge verso la soluzione ottimale, che rappresenta il miglior equilibrio tra i tre obiettivi.
Il sistema è stato validato attraverso una simulazione dettagliata su una rete urbana composta da 80 nodi stradali e cinque stazioni di ricarica. È stato simulato il viaggio di un veicolo elettrico con uno stato di carica iniziale del 40%, che partiva alle 18:00. I risultati della simulazione sono stati rivelatori. Quando il sistema ha dato priorità alla preferenza dell’utente, ha indirizzato il veicolo alla Stazione 1, che aveva il punteggio di preferenza più alto (13,83). Il percorso raccomandato, sebbene non fosse il più breve, massimizzava la soddisfazione soggettiva dell’utente, minimizzando il suo disagio.
Al contrario, quando l’obiettivo era minimizzare la distanza di guida, il sistema ha scelto un percorso che era il 36,85% più corto. Tuttavia, questa scelta ha portato a un tempo di attesa significativamente maggiore, riducendo drasticamente la soddisfazione generale. Analogamente, quando l’obiettivo era minimizzare il tempo di attesa totale, il sistema ha indirizzato il veicolo alla Stazione 4. Sebbene il tempo in coda fosse il più basso, la distanza di guida è aumentata del 37,43% rispetto al percorso basato sulle preferenze, e il punteggio di preferenza era molto basso (5,00), indicando che l’utente probabilmente avrebbe percepito questa opzione come scomoda.
Questi risultati illustrano una verità fondamentale: la navigazione ottimale per la ricarica dei veicoli elettrici non può basarsi su un singolo criterio. Una strategia puramente incentrata sulla distanza può risparmiare energia ma sovraccaricare stazioni popolari. Una strategia incentrata sul tempo di attesa può costringere gli utenti a fare grandi deviazioni. La vera innovazione del sistema risiede nella sua capacità di navigare tra questi compromessi, offrendo una soluzione che è tecnicamente efficiente e soggettivamente soddisfacente.
Dal punto di vista dell’infrastruttura, i benefici sono significativi. Distribuendo la domanda di ricarica in modo più uniforme, il sistema riduce il tasso di inattività nelle stazioni sottoutilizzate ed evita la congestione in quelle più popolari. Questo migliora la redditività delle infrastrutture di ricarica e ottimizza l’utilizzo delle risorse. Inoltre, fornendo previsioni precise sull’arrivo dei veicoli, il sistema consente agli operatori di rete di pianificare meglio il carico e gestire la rete in modo più efficace, contribuendo a una maggiore stabilità e resilienza del sistema elettrico.
Per il conducente, il sistema trasforma l’esperienza di ricarica da un atto di gestione reattiva a uno di pianificazione proattiva. Invece di dover cercare attivamente una stazione libera, l’utente riceve una raccomandazione intelligente che tiene conto della sua routine, della sua posizione e delle condizioni del traffico. Questo non solo risparmia tempo e riduce lo stress, ma favorisce anche una maggiore fiducia nella tecnologia del veicolo elettrico, un fattore chiave per l’adozione di massa.
Lo studio sottolinea anche l’importanza dell’integrazione dei dati. Tradizionalmente, le informazioni su traffico, energia e comportamento dell’utente sono state frammentate in silos. Questo sistema dimostra il potere di unire queste fonti di dati per creare un servizio veramente intelligente. La collaborazione tra un operatore di rete elettrica (State Grid Hubei) e un’azienda di ricerca tecnologica (Wuhan Nari) è un esempio perfetto di come le alleanze tra settori possano accelerare l’innovazione nella mobilità sostenibile.
In futuro, questo modello può essere esteso a nuove funzionalità. Potrebbe integrare segnali di prezzo in tempo reale, incentivando gli utenti a ricaricare durante periodi di bassa domanda. Potrebbe connettersi direttamente al sistema del veicolo per attivare raccomandazioni automaticamente quando il livello della batteria scende sotto una soglia predefinita. Potrebbe anche scalare per gestire intere flotte di veicoli elettrici, ottimizzando le operazioni logistiche su larga scala.
In sintesi, questo lavoro non è solo un progresso tecnico; è una visione della mobilità del futuro. Un futuro in cui la ricarica dei veicoli elettrici è un processo senza attriti, personalizzato e completamente integrato nel flusso della vita quotidiana. Combinando il potere dell’apprendimento automatico con una profonda comprensione del comportamento umano, i ricercatori hanno gettato le basi per un ecosistema di mobilità più intelligente, efficiente e centrato sull’utente.
Wang Yingchun, Wang Qing, Peng Tao, Ming Dongyue, Wei Wei, Ye Li, State Grid Hubei Electric Power Co., Ltd. and Wuhan Nari Limited Liability Company, Microcomputer Applications