Nuovo modello ottimizza ricarica in città montuose
La transizione verso i veicoli elettrici (VE) sta accelerando in tutto il mondo, ma il suo successo dipende da una pianificazione intelligente dell’infrastruttura di ricarica. Mentre le città pianeggianti possono avvalersi di modelli di previsione del carico relativamente semplici, le metropoli montuose affrontano una sfida molto più complessa. In luoghi come Chongqing, Medellín o Lisbona, il terreno accidentato non è solo un ostacolo geografico; altera fondamentalmente la dinamica del consumo energetico dei veicoli, rendendo inadeguati e persino controproducenti i modelli tradizionali di pianificazione delle stazioni di ricarica. Un team di ricercatori cinesi ha presentato una soluzione innovativa che affronta questo problema alla radice, sviluppando un nuovo quadro di pianificazione che incorpora esplicitamente le caratteristiche tridimensionali del terreno montuoso. Il loro studio, pubblicato sulla prestigiosa rivista Electric Power System Technology, rappresenta un progresso significativo verso una mobilità elettrica veramente adattata alla geografia reale delle città.
Il team, guidato dal Dott. Hongyu Long del Chongqing Key Laboratory of Complex Systems and Bionic Control presso l’Università di Poste e Telecomunicazioni di Chongqing, in collaborazione con esperti del Centro di Servizio Marketing della State Grid Chongqing Electric Power Company, ha identificato un difetto critico negli approcci esistenti. La maggior parte dei modelli di ricarica per veicoli elettrici parte da un’assunzione semplificata: che le strade siano piatte. Calcolano il consumo di energia basandosi esclusivamente sulla distanza orizzontale percorsa e su un tasso medio di consumo per chilometro. Questo metodo funziona ragionevolmente bene nelle città con strade a griglia, ma fallisce clamorosamente negli ambienti montuosi. Lì, una breve distanza orizzontale può implicare un’ascesa verticale significativa, che costringe il motore del veicolo a compiere un lavoro considerevole per vincere la forza di gravità. Questo sforzo aggiuntivo si traduce in un consumo energetico molto più elevato, riducendo drasticamente l’autonomia del veicolo e alterando i modelli di utilizzo. Ignorare questo fattore porta a previsioni di ricarica imprecise, a una collocazione inefficiente delle stazioni e, in ultima analisi, a un’esperienza utente frustrante e a una tensione ingiustificata sulla rete elettrica.
Il contributo più significativo del gruppo di ricerca è la creazione di un modello di consumo energetico a livello individuale che incorpora rigorosamente il rilievo del terreno. Il loro approccio va oltre la semplice topografia bidimensionale. Invece di trattare le strade come linee piatte su una mappa, costruiscono un modello spaziale tridimensionale del sistema di trasporto urbano. Questo modello non registra solo la distanza orizzontale tra due punti, ma calcola anche la distanza reale del percorso, includendo tutte le salite e le discese. In questo modo, possono determinare con precisione il lavoro effettivo svolto dal veicolo, consentendo una stima molto più realistica del suo consumo di energia. Ad esempio, un veicolo che viaggia da un punto A a un punto B in una città montuosa può consumare fino al 50% in più di energia rispetto a quanto predetto da un modello tradizionale, semplicemente perché deve salire una collina ripida. Questa differenza non è un dettaglio tecnico; è una realtà operativa che definisce l’esperienza quotidiana degli automobilisti di veicoli elettrici in queste città.
Tuttavia, il vero traguardo del team non risiede solo nel modellare un singolo veicolo, ma nello scalare questa conoscenza per prevedere il comportamento collettivo di migliaia di veicoli. Per raggiungere questo obiettivo, hanno sviluppato un sofisticato modello di previsione del carico di gruppo. Questo modello si alimenta con dati di flusso del traffico reali, raccolti a intervalli regolari in ogni nodo della rete stradale. Applicando un tasso di penetrazione dei veicoli elettrici e una proporzione di veicoli con necessità di ricarica rapida, possono stimare quanti veicoli elettrici richiederanno una ricarica in un determinato periodo di tempo. Un aspetto cruciale della loro metodologia è la correzione della ridondanza dei dati. Un veicolo può essere rilevato in più punti di monitoraggio durante il suo viaggio, il che potrebbe portare a un conteggio duplicato se non corretto. Per affrontare questo problema, i ricercatori hanno introdotto un fattore di correzione basato sulla velocità media del veicolo e sull’intervallo di monitoraggio, assicurando che le loro previsioni riflettano il numero reale di veicoli in movimento, non una cifra gonfiata da osservazioni ripetute.
Il cuore del modello è un algoritmo di percorso migliorato. A differenza dei sistemi di navigazione convenzionali che danno priorità al percorso più breve o al più veloce, questo algoritmo è stato ridisegnato per trovare il percorso con il minor consumo di energia. In una città montuosa, ciò significa spesso scegliere un percorso più lungo ma con pendenze più dolci invece di uno più corto ma con pendenze ripide. Questo approccio riflette il comportamento reale degli automobilisti, che, spinti dall’ansia da autonomia, cercano attivamente di conservare energia. Simulando milioni di viaggi utilizzando il metodo di Monte Carlo, il modello può prevedere non solo la quantità totale di energia che verrà consumata, ma anche dove e quando è probabile che gli automobilisti cerchino una stazione di ricarica. Ciò genera una previsione dinamica della domanda di ricarica, suddivisa per ora e per posizione, catturando le fluttuazioni naturali del traffico nel corso della giornata.
Questa previsione dettagliata del carico viene quindi integrata in un nuovo quadro di pianificazione delle stazioni di ricarica. L’approccio tradizionale tratta la pianificazione come un processo statico: identificare i migliori luoghi basandosi su una domanda media. Il metodo del team di Chongqing, invece, è iterativo e dinamico. Riconoscono un ciclo di retroazione fondamentale: la posizione di una stazione di ricarica influenza direttamente il comportamento dell’automobilista, che a sua volta altera la distribuzione del carico che i pianificatori stanno cercando di prevedere. Se si posiziona una stazione in una zona ad alto traffico, attirerà naturalmente più utenti, possibilmente sovraccaricando quel punto e lasciandone altri sottoutilizzati. La loro soluzione è un processo di ottimizzazione iterativa. Il modello inizia con un insieme di siti potenziali, esegue la previsione del carico, valuta il risultato e quindi aggiusta la posizione delle stazioni per migliorare le prestazioni. Questo ciclo si ripete fino a quando non viene trovata una configurazione ottimale.
L’ottimizzazione è guidata da due obiettivi principali: minimizzare le fluttuazioni del carico nel tempo e ottenere un equilibrio nella distribuzione spaziale. Il primo obiettivo mira a livellare i picchi e i picchi bassi nella domanda di ricarica durante il giorno. Una stazione che subisce un sovraccarico massiccio durante l’ora di punta del mattino, seguita da ore di inattività, è inefficiente e stressa la rete elettrica. Distribuendo la domanda in modo più uniforme, il sistema diventa più stabile e più facile da gestire. Il secondo obiettivo garantisce che nessuna stazione sia sovraccarica mentre altre rimangono vuote. Una distribuzione equa del carico tra più stazioni migliora l’esperienza dell’utente, riduce i tempi di attesa e crea un’infrastruttura più resiliente. Il modello incorpora anche vincoli pratici, come assicurarsi che nessun automobilista sia a più di una distanza da una stazione di ricarica rispetto a quella che può raggiungere con la sua autonomia residua, e che ogni stazione abbia un numero sufficiente di punti di ricarica per gestire la sua domanda prevista senza code eccessive.
Per validare il loro modello, i ricercatori l’hanno applicato a una rete stradale reale di 20 nodi e 31 tratti in una città montuosa del sud-ovest della Cina. Hanno utilizzato dati di traffico storici del 2012, li hanno proiettati su un orizzonte di pianificazione del 2022 e hanno confrontato i risultati del loro modello, sensibile al terreno montuoso, con un modello tradizionale basato su terreno pianeggiante. Le differenze sono state notevoli. I luoghi ottimali per le stazioni di ricarica erano completamente diversi. Il modello tradizionale raccomandava di posizionare stazioni ai nodi 4 e 8, che potrebbero sembrare centrali su una mappa bidimensionale. Al contrario, il modello sensibile al terreno ha identificato i nodi 5 e 14 come i migliori luoghi, aree che meglio servono i percorsi ad alto consumo energetico e bilanciano meglio il carico generale.
Le prestazioni della rete ottimizzata sono state chiaramente superiori. Nel miglior piano del modello tradizionale, una stazione ha affrontato un carico massimo di 3.180 kW, mentre l’altra ha raggiunto un picco di 2.580 kW, una deviazione significativa. Nel piano ottimale del modello sensibile al terreno, le due stazioni hanno avuto picchi di carico di 3.180 kW e 3.000 kW, una distribuzione molto più equilibrata. Ancora più importante, le curve di carico per ogni stazione erano più lisce, con minori differenze tra i periodi di massimo e minimo carico. Questa riduzione delle fluttuazioni di carico è cruciale per gli operatori della rete, poiché riduce la tensione sui trasformatori, minimizza le fluttuazioni di tensione e riduce la necessità di costosi ampliamenti della rete. Il modello ha anche dimostrato che il numero richiesto di punti di ricarica poteva essere dimensionato con maggiore precisione, evitando sia la sottoproduzione che il sovra-investimento costoso.
Le implicazioni di questa ricerca vanno ben oltre Chongqing. Città di tutto il mondo con topografie impegnative, da Pittsburgh e Denver a Sapporo e Hong Kong, possono trarre beneficio da questo approccio più sfumato. Man mano che l’elettrificazione globale si accelera, diventa chiaro che una soluzione unica per l’infrastruttura di ricarica non è più valida. Gli ambienti urbani sono troppo diversi, e le conseguenze di una cattiva pianificazione sono troppo gravi. Una stazione di ricarica sovraccarica in una zona montuosa non è solo un fastidio; può lasciare gli automobilisti bloccati su pendii ripidi, creare ingorghi di traffico pericolosi e minare la fiducia pubblica nella tecnologia elettrica.
Il lavoro di Long, Zhou, Chen e dei loro colleghi fornisce un piano per un futuro più intelligente e adattabile. La loro metodologia cambia il paradigma da una pianificazione reattiva a una proattiva. Invece di costruire stazioni basate su supposizioni o modelli obsoleti, i pianificatori urbani possono ora utilizzare un approccio basato sui dati e informato dalla fisica che tiene conto del vero costo di guidare in un ambiente montuoso. Ciò porta a un’infrastruttura non solo più efficiente, ma anche più equa, garantendo che tutte le parti di una città siano servite in modo giusto.
Inoltre, lo studio evidenzia l’importanza della collaborazione interdisciplinare. Riunisce competenze in sistemi complessi, controllo bionico, ingegneria elettrica e scienza dei trasporti. Questa visione olistica è essenziale per risolvere le sfide multifaccettate della transizione energetica moderna. L’integrazione di algoritmi avanzati, come l’algoritmo genetico utilizzato per l’ottimizzazione, dimostra il potere degli strumenti informatici per affrontare problemi del mondo reale. Non si tratta solo di costruire più caricabatterie; si tratta di costruire i caricabatterie giusti, nei luoghi giusti, nel momento giusto.
Guardando al futuro, questa ricerca apre la porta a modelli ancora più sofisticati. Le prossime iterazioni potrebbero incorporare dati di traffico in tempo reale, condizioni meteorologiche (che influenzano anche l’autonomia dei veicoli elettrici) e segnali di prezzo dinamici per affinare ulteriormente la gestione del carico. Il modello potrebbe anche essere adattato per diversi tipi di veicoli, dai piccoli veicoli urbani ai pesanti camion elettrici, ognuno con il proprio profilo di consumo energetico su pendii ripidi. L’obiettivo finale è un sistema di trasporto ed energia completamente integrato e intelligente, in cui l’infrastruttura di ricarica si adatta in modo fluido alle esigenze della città e dei suoi automobilisti.
In conclusione, lo studio condotto da Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu e Yi Long del Chongqing Key Laboratory of Complex Systems and Bionic Control e del Centro di Servizio Marketing della State Grid Chongqing Electric Power Company presenta un salto qualitativo nella pianificazione dell’infrastruttura di ricarica per veicoli elettrici. Tenendo rigorosamente conto delle sfide uniche delle città montuose, hanno sviluppato un metodo che produce previsioni di carico più accurate, un’utilizzazione più equilibrata delle stazioni e una rete elettrica più stabile. Questo non è solo un esercizio accademico; è una soluzione pratica e scalabile che può aiutare le città di tutto il mondo a costruire un futuro elettrico più sostenibile e resistente. Mentre il mondo continua il suo cammino verso la decarbonizzazione, una ricerca innovativa e sensibile al contesto come questa sarà essenziale per garantire che la transizione non sia solo verde, ma anche intelligente ed equa.
Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu, Yi Long, Chongqing Key Laboratory of Complex Systems and Bionic Control, State Grid Chongqing Electric Power Company Marketing Service Center, Electric Power System Technology, DOI: 10.19725/j.cnki.1007-2322.2022.0195