Previsione della Domanda di Ricarica per Veicoli Elettrici Fino al 2033
La mobilità elettrica sta attraversando una fase di trasformazione epocale, con i veicoli elettrici (EV) che diventano sempre più centrali nel panorama energetico e urbano globale. L’accelerazione nell’adozione di questa tecnologia, spinta da politiche di sostenibilità, progressi tecnologici e una crescente sensibilità ambientale, sta ridefinendo non solo il modo in cui ci spostiamo, ma anche il modo in cui consumiamo energia. In Cina, uno dei mercati automobilistici più dinamici al mondo, questa transizione è particolarmente intensa. Tuttavia, il rapido aumento del parco di veicoli elettrici pone nuove e complesse sfide per la rete elettrica, soprattutto in termini di gestione della domanda di ricarica e pianificazione dell’infrastruttura.
Mentre molti studi si sono concentrati sulla modellizzazione del comportamento di ricarica a breve termine, esiste un vuoto significativo nella comprensione delle dinamiche a lungo termine. Un recente studio pubblicato sulla rivista Modern Electronics Technique affronta proprio questa lacuna, presentando un modello innovativo e integrato per prevedere con maggiore precisione l’evoluzione della domanda di ricarica su scala decennale. La ricerca, condotta da Mengtong Yu e Hui Gao della School of Automation and Artificial Intelligence presso la Nanjing University of Posts and Telecommunications, in collaborazione con Fengkun Yang di NARI Technology Development Limited Company, va oltre le semplici proiezioni di crescita del parco veicoli, integrando fattori complessi come le abitudini degli utenti, le condizioni ambientali e le caratteristiche tecniche delle batterie.
L’approccio tradizionale alla previsione del parco di veicoli elettrici si basa spesso su metodi come l’estrapolazione dei trend o modelli statistici semplici. Questi strumenti, tuttavia, possono rivelarsi inadeguati in mercati in rapida evoluzione come quello cinese, dove l’adozione di veicoli elettrici ha seguito un andamento esponenziale. Per superare questa limitazione, gli autori hanno sviluppato un modello di previsione basato sulla teoria dei sistemi grigi (Grey Model), noto per la sua efficacia anche con serie storiche brevi o con dati incompleti. Il modello grigio GM(1,1) utilizza una serie di dati iniziali per costruire un’equazione differenziale che descrive la tendenza futura.
Il punto di svolta della ricerca è l’ottimizzazione di questo modello attraverso l’algoritmo delle lucciole (Firefly Algorithm). Questo algoritmo, ispirato al comportamento biologico delle lucciole che si attraggono a vicenda in base al loro “bagliore”, è una sofisticata tecnica di ottimizzazione che permette di trovare i parametri ideali per il modello grigio. Il “bagliore” rappresenta la qualità della soluzione, e l’algoritmo itera ripetutamente, spostando le “lucciole” nello spazio dei parametri per individuare la configurazione che meglio si adatta ai dati storici. Questo processo di affinamento è cruciale per migliorare la precisione delle previsioni in un contesto di alta variabilità.
Per validare il modello, i ricercatori hanno utilizzato i dati reali sul parco di veicoli elettrici di una regione della provincia di Jiangsu, coprendo il periodo dal 2010 al 2022. Il modello è stato addestrato con i dati dal 2012 al 2017 e poi utilizzato per prevedere il numero di veicoli per i successivi cinque anni. I risultati sono stati impressionanti: il modello grigio tradizionale ha mostrato un errore massimo del 39,3% per l’anno 2020, mentre il modello ottimizzato con l’algoritmo delle lucciole ha ridotto questo errore al 7,7%. Nel 2022, l’errore del modello ottimizzato era sceso a un minimo del 2,6%. Questa precisione senza precedenti fornisce una base solida e affidabile per le previsioni a lungo termine, un elemento essenziale per gli investimenti strategici in infrastrutture.
Con una previsione del parco veicoli affidabile, il passo successivo è stato quello di modellare il comportamento di ricarica quotidiano. Qui il lavoro degli autori si distingue per la sua profondità e realismo. Hanno sviluppato una simulazione basata sulle “catene di viaggio” (travel chains), che riflettono le attività quotidiane degli utenti. Le destinazioni sono state classificate in quattro categorie: casa (H), lavoro (W), tempo libero e sociale (SR) e altre (O). I dati, tratti da ampie indagini sulla mobilità, indicano che la maggior parte dei viaggi inizia e termina a casa, sottolineando l’importanza fondamentale della ricarica domestica.
La simulazione tiene conto di variabili cruciali. L’ora di inizio del primo viaggio è stata modellata con una distribuzione normale bimodale, che cattura i picchi di traffico mattutino e pomeridiano. La distanza percorsa in ogni tratta è stata approssimata con una distribuzione log-normale, coerente con i pattern di guida urbana. Questo approccio permette di generare migliaia di profili di guida virtuali, ciascuno con le sue caratteristiche uniche.
Un aspetto rivoluzionario dello studio è l’integrazione dell’impatto della temperatura sulle prestazioni della batteria. Le batterie agli ioni di litio, cuore dei moderni veicoli elettrici, sono estremamente sensibili alle condizioni termiche. A 0 °C, la capacità della batteria si riduce al 79,1% del suo valore nominale, il che significa che l’autonomia diminuisce e la necessità di ricaricare diventa più frequente. Inoltre, il sistema di riscaldamento della batteria consuma energia aggiuntiva, riducendo ulteriormente l’efficienza della ricarica. A 35 °C, sebbene la capacità possa leggermente superare il 100%, l’efficienza di ricarica scende al 91% a causa dell’attivazione del sistema di raffreddamento per proteggere la batteria dal surriscaldamento. Solo a una temperatura ottimale di 25 °C, sia la capacità che l’efficienza raggiungono il loro massimo. Ignorare questi effetti porterebbe a una sottostima significativa della domanda di energia, specialmente in regioni con climi estremi.
La simulazione è stata eseguita per un periodo di dieci anni, dal 2023 al 2033. Ogni anno, il numero di veicoli previsto è stato utilizzato per simulare il comportamento di ricarica dell’intera flotta. I risultati offrono una visione dettagliata e dinamica dell’evoluzione spaziale e temporale della domanda.
I dati mostrano una chiara tendenza di crescita esponenziale del parco di veicoli elettrici nella regione studiata. Partendo da un totale di 94.050 veicoli nel 2022, il modello prevede un aumento continuo, trainato da politiche governative, dalla riduzione dei costi delle batterie e da una crescente accettazione da parte dei consumatori. Questa crescita si traduce direttamente in una maggiore domanda di elettricità per la ricarica.
Analizzando la distribuzione spaziale della ricarica, la zona residenziale (H) si conferma come il luogo dominante per la ricarica. Questo è in linea con le abitudini degli utenti, che preferiscono ricaricare durante la notte a casa, dove i caricabatterie a 7 kW sono comuni. Il profilo di carico residenziale mostra un andamento a doppio picco, con aumenti di attività a mezzogiorno e nel tardo pomeriggio, probabilmente dovuti alla ricarica dopo il rientro dal lavoro e a ricariche supplementari durante soggiorni prolungati.
Al contrario, la ricarica sul posto di lavoro (W) raggiunge il suo picco intorno alle 9:00, poco dopo l’arrivo del mattino, mentre le aree di svago e tempo libero (SR) registrano un aumento intorno a mezzogiorno, coincidendo con le visite per il pranzo e i fine settimana. Le altre zone mostrano una domanda relativamente bassa, indicando una scarsa infrastruttura di ricarica o una frequenza di visita minore. Le stazioni di ricarica rapida pubbliche, modellate a 60 kW, contribuiscono significativamente durante il giorno, ma rappresentano una frazione più piccola dell’energia totale fornita rispetto alla ricarica più lenta e di lunga durata a casa.
L’analisi temporale delle curve di carico giornaliere dal 2023 al 2033 mostra una tendenza ascendente costante nel picco di domanda, con i carichi più elevati che si verificano intorno alle 18:00. Questo momento coincide con la convergenza di diversi fattori: i conducenti tornano a casa, iniziano a ricaricare dopo i viaggi lavorativi e il consumo energetico domestico aumenta nel tardo pomeriggio. Con l’aumento della penetrazione dei veicoli elettrici, questo picco serale diventa sempre più pronunciato, rappresentando una sfida concreta per gli operatori di rete che devono bilanciare offerta e domanda.
Una delle scoperte più rivelatrici riguarda l’impatto della temperatura sulla ricarica. Le simulazioni effettuate a 0 °C, 25 °C e 35 °C hanno mostrato che sia le condizioni fredde che quelle calde portano a un consumo di elettricità totale più elevato. A 0 °C, non solo la capacità della batteria diminuisce, richiedendo ricariche più frequenti, ma il sistema di gestione termica del veicolo consuma energia aggiuntiva per riscaldare il pacco batteria, riducendo l’efficienza di ricarica. Analogamente, a 35 °C, i sistemi di raffreddamento si attivano per prevenire il surriscaldamento, riducendo anche l’efficienza netta del trasferimento di energia.
Di conseguenza, il carico di ricarica giornaliero totale è stato più alto nelle condizioni invernali e più basso nelle condizioni ideali di 25 °C. Questo ha importanti implicazioni per la pianificazione della rete, specialmente nelle regioni con variazioni stagionali significative. Le aziende elettriche devono prepararsi a una domanda maggiore in inverno, non solo per i carichi di riscaldamento, ma anche perché i veicoli elettrici richiedono più energia per chilometro percorso e tempi di ricarica più lunghi.
Lo studio ha inoltre evidenziato l’importanza di una previsione a lungo termine accurata per lo sviluppo dell’infrastruttura. Con l’aumento dell’adozione dei veicoli elettrici, cresce anche la necessità di stazioni di ricarica posizionate strategicamente. Costruire in eccesso comporta un investimento sprecato, mentre costruire in modo insufficiente genera frustrazione per gli utenti e ansia per l’autonomia. Proiettando sia la quantità che la posizione della futura domanda di ricarica, questo modello fornisce informazioni preziose per i pianificatori urbani, le aziende elettriche e i responsabili delle politiche.
La dominanza persistente della ricarica domestica suggerisce che potrebbero essere necessarie aggiornamenti elettrici residenziali per gestire carichi simultanei più elevati, in particolare nei complessi abitativi più vecchi. Al contrario, la domanda moderata ma costante nei luoghi di lavoro e nei luoghi pubblici indica opportunità per un’implementazione graduale di caricabatterie a media potenza, evitando spese premature di capitale.
Inoltre, l’integrazione degli effetti della temperatura nel modello consente una pianificazione specifica per il clima. Le città con climi più freddi potrebbero dover dare priorità alle soluzioni di ricarica rapida per minimizzare i tempi di permanenza e migliorare l’esperienza dell’utente durante i mesi invernali. Nelle regioni più calde, la gestione termica efficiente dell’attrezzatura di ricarica diventa essenziale per mantenere le prestazioni e la longevità.
Da una prospettiva politica, la ricerca sostiene la necessità di programmi di incentivi che incoraggino la ricarica al di fuori degli orari di punta. Tariffe di utilizzo orarie, algoritmi di ricarica intelligente e tecnologie “vehicle-to-grid” (V2G), in cui i veicoli restituiscono energia alla rete, potrebbero aiutare ad appiattire il picco serale e spostare il carico nelle ore notturne, quando la generazione di energia rinnovabile, in particolare eolica, è spesso abbondante. Tali strategie migliorerebbero la stabilità della rete e massimizzerebbero i benefici ambientali dei veicoli elettrici.
La robustezza del modello deriva dal suo design olistico, che combina la previsione del parco veicoli a livello macro con la simulazione del comportamento individuale a livello micro. Mentre molti modelli esistenti trattano questi aspetti separatamente, questo approccio integrato cattura il ciclo di retroazione tra la dimensione della flotta e i modelli di utilizzo individuali. Con l’aumento dell’adozione dei veicoli elettrici, possono emergere cambiamenti nei modelli di guida e ricarica, come una maggiore fiducia nei viaggi a lunga distanza o cambiamenti nelle posizioni di ricarica preferite, fattori che solo un modello integrato può anticipare.
Nonostante i suoi punti di forza, lo studio riconosce alcune limitazioni. Presuppone una miscela statica di tipi di veicoli e tecnologie delle batterie, mentre i futuri miglioramenti nella densità energetica e nella velocità di ricarica potrebbero alterare i modelli di consumo. Inoltre, non tiene conto delle flotte di veicoli condivisi o dei veicoli elettrici commerciali, che potrebbero avere profili di utilizzo diversi. Future estensioni potrebbero incorporare chimiche delle batterie in evoluzione, capacità di ricarica bidirezionale e segnali di prezzo dinamici per affinare ulteriormente le previsioni.
Tuttavia, il quadro attuale rappresenta un progresso significativo nella previsione del carico di ricarica dei veicoli elettrici a lungo termine. La sua applicazione va oltre la Cina, offrendo un modello per le regioni che stanno vivendo transizioni di elettrificazione simili. Che si tratti di Europa, Nord America o mercati emergenti, i principi di integrazione della crescita del parco veicoli, del comportamento umano e delle condizioni ambientali rimangono universalmente rilevanti.
In conclusione, la ricerca di Yu, Gao e Yang offre una prospettiva orientata al futuro sulla relazione evolutiva tra i sistemi di trasporto e di energia. Prevedendo con precisione la proprietà di veicoli elettrici e la domanda di ricarica per il prossimo decennio, il loro modello fornisce agli stakeholder gli strumenti necessari per costruire un ecosistema di ricarica resiliente, efficiente e sostenibile. Mentre il mondo si avvicina a un futuro a zero emissioni, studi come questo forniscono la base analitica su cui si fondano decisioni intelligenti di infrastruttura.
Modern Electronics Technique, nota per il suo rigoroso processo di revisione paritaria e il suo focus sull’innovazione tecnologica applicata, continua a essere una piattaforma vitale per la ricerca all’avanguardia nei sistemi energetici e nell’ingegneria elettronica. L’impegno della rivista a pubblicare studi ad alto impatto assicura che progressi come questo raggiungano ricercatori e professionisti, favorendo la collaborazione e accelerando il progresso.
Questo lavoro, sostenuto dalla National Natural Science Foundation of China (Grant No. 52077107), è un esempio emblematico del tipo di ricerca interdisciplinare necessaria per affrontare le complesse sfide energetiche. Unendo la scienza dei dati, la modellazione dei trasporti e l’ingegneria elettrica, gli autori hanno creato uno strumento potente per navigare il futuro della mobilità elettrica.
Mengtong Yu, Hui Gao, Fengkun Yang, Nanjing University of Posts and Telecommunications, NARI Technology Development Limited Company, Modern Electronics Technique, DOI: 10.16652/j.issn.1004-373x.2024.06.009