Nuovo modello prevede carico EV con flusso traffico
Un team di ricercatori della South China University of Technology e del Guangdong Power Grid ha sviluppato un innovativo modello per prevedere con maggiore precisione la domanda di ricarica dei veicoli elettrici (VE), integrando per la prima volta dati dettagliati sul flusso del traffico urbano con l’analisi dello stato di carica delle batterie. Questo approccio, pubblicato sulla prestigiosa rivista Power System Technology, rappresenta un salto qualitativo significativo nella pianificazione delle reti elettriche future, offrendo uno strumento fondamentale per gestire la crescente interazione tra il settore dei trasporti e quello energetico.
La rivoluzione dei veicoli elettrici sta rapidamente trasformando il panorama della mobilità, ma con essa si presenta una sfida cruciale: la previsione e la gestione del carico elettrico aggiuntivo generato da milioni di auto che si collegano alla rete. Il problema principale risiede nella natura intrinsecamente imprevedibile del comportamento degli utenti. Quando le persone decidono di guidare, dove si dirigono e quando decidono di ricaricare le loro auto dipende da una complessa combinazione di fattori, dalle abitudini quotidiane alle condizioni del traffico in tempo reale. Questa casualità si traduce in una distribuzione probabilistica della domanda di ricarica nel tempo e nello spazio, rendendo estremamente difficile per i gestori della rete elettrica pianificare con precisione quando e dove si verificheranno i picchi di consumo. I metodi tradizionali di modellizzazione si sono spesso basati su simulazioni al computer che riproducono il comportamento di migliaia di singoli veicoli, un approccio noto come simulazione Monte Carlo. Sebbene potenzialmente accurato, questo metodo è estremamente oneroso in termini di potenza di calcolo, richiedendo ore o addirittura giorni di elaborazione per simulazioni su larga scala. Inoltre, spesso trascura un aspetto fondamentale: i veicoli non viaggiano in isolamento. Le decisioni di percorso di un guidatore influenzano direttamente il tempo di percorrenza degli altri, creando un sistema dinamico e interconnesso.
È proprio questo gap che il nuovo studio cerca di colmare. I ricercatori, Zhu Junliang e Wu Zhigang del Dipartimento di Ingegneria Elettrica della South China University of Technology, insieme a Liu Jianing del Centro di Controllo e Disaccoppiamento della Rete Elettrica di Guangdong, hanno abbandonato l’approccio microscopico del “singolo veicolo” per adottare una prospettiva macroscopica e sistemica. Il loro modello non traccia ogni auto individualmente, ma tratta l’intera flotta di veicoli elettrici come un’unica entità collettiva, il cui stato di carica combinato evolve nel tempo in base alle dinamiche del traffico. Il fulcro di questo approccio è la combinazione di due potenti teorie: l’equilibrio del traffico e lo “Stato di Carica Combinato” (Combined State of Charge, CSOC).
L’equilibrio del traffico è un concetto fondamentale dell’ingegneria dei trasporti. Descrive lo stato in cui nessun guidatore può ridurre il proprio tempo di percorrenza cambiando unilateralmente il percorso, perché tutti i percorsi utilizzati tra un’origine e una destinazione hanno un tempo di viaggio sostanzialmente uguale. Il modello sviluppato dagli autori è un “equilibrio semidinamico”, il che significa che divide la giornata in diversi intervalli temporali (ad esempio, ogni ora) e calcola l’equilibrio del traffico per ciascuno di essi. L’aspetto “semidinamico” è cruciale perché tiene conto del “flusso residuo”: i veicoli che iniziano un viaggio in un intervallo temporale ma non riescono a completarlo prima della fine di questo, influenzando così la domanda di traffico nel periodo successivo. Questo meccanismo cattura in modo realistico il fenomeno della congestione, dove un ingorgo pomeridiano può ritardare gli arrivi e spostare in avanti la domanda di ricarica serale.
Per tradurre questo equilibrio del traffico in una previsione della domanda di energia, il team ha utilizzato il concetto di CSOC. Invece di seguire la batteria di ogni singola auto, il modello tratta lo stato di carica di tutta la flotta come una distribuzione probabilistica (inizialmente ipotizzata normale). Mentre i veicoli percorrono le strade, il loro “CSOC collettivo” si consuma in base alla distanza e all’efficienza energetica dei percorsi scelti. Il modello calcola quindi come questa distribuzione si sposta nel tempo. Quando lo stato di carica di un veicolo scende sotto una certa soglia (ad esempio, il 20%), il veicolo genera una richiesta di ricarica. Il modello CSOC può quindi determinare la probabilità che un veicolo che arriva a una destinazione (come una stazione di ricarica) a un’ora specifica abbia una batteria sufficientemente scarica da richiedere la ricarica. Moltiplicando questa probabilità per il numero di veicoli in arrivo e per la potenza di ricarica, il modello può calcolare il carico di ricarica atteso per quella località e quell’ora.
L’integrazione di questi due modelli crea un sistema di retroazione potente. Ad esempio, se un’arteria principale diventa congestionata, il modello di equilibrio del traffico mostra che i tempi di percorrenza aumentano. Questo significa che i veicoli elettrici impiegano più tempo per raggiungere le loro destinazioni, consumando più energia lungo il tragitto. Questo consumo energetico aggiuntivo sposta la distribuzione CSOC, aumentando la probabilità che i veicoli abbiano bisogno di ricaricare all’arrivo. Inoltre, la congestione potrebbe indurre alcuni guidatori a prendere percorsi più lunghi e meno diretti, il che aumenta ulteriormente il loro consumo di energia e la domanda di ricarica. Questo effetto a cascata, in cui le condizioni del traffico influenzano direttamente i modelli di ricarica, è qualcosa che i modelli precedenti faticavano a rappresentare con precisione. Il nuovo modello, invece, cattura naturalmente questa interdipendenza.
Per testare la validità del loro approccio, i ricercatori hanno condotto estese simulazioni su due reti distinte. La prima era una rete di test standard da 13 nodi, comunemente usata nella ricerca accademica, che ha permesso confronti dettagliati con i metodi esistenti. La seconda era una rete su larga scala e reale, estratta dai dati di OpenStreetMap del distretto di Tianhe a Guangzhou, in Cina, che comprende quasi 6.000 segmenti stradali e 4.800 nodi. Questo test su larga scala era essenziale per dimostrare l’applicabilità pratica del modello in un ambiente urbano reale.
I risultati sono stati impressionanti. In termini di accuratezza, il nuovo modello ha prodotto profili di carico di ricarica virtualmente identici a quelli ottenuti con la simulazione Monte Carlo, confermandone la validità. Tuttavia, la differenza in termini di efficienza computazionale è stata straordinaria. Nella rete da 13 nodi, il nuovo metodo ha raggiunto il suo risultato in soli 4,8 secondi, mentre una simulazione Monte Carlo con 100 iterazioni ha richiesto oltre 4 ore. Nella massiccia rete reale, il nuovo modello ha impiegato 978 secondi (circa 16 minuti), rispetto alle oltre 11 ore necessarie per una simulazione Monte Carlo con 50 iterazioni. Questo rappresenta un’accelerazione di oltre 40 volte, rendendo il modello non solo accurato, ma anche fattibile per applicazioni in tempo reale o quasi in tempo reale, come la pianificazione giornaliera della rete elettrica.
Lo studio ha inoltre fornito intuizioni preziose sui fattori che influenzano la domanda di ricarica. Una scoperta chiave è il ritardo temporale tra la domanda di viaggio e la domanda di ricarica. Il picco del traffico veicolare si è verificato alle 18:00, ma il picco del carico di ricarica è stato osservato alle 19:00. Questo ritardo di un’ora è una conseguenza diretta del fatto che i veicoli elettrici non possono ricaricare mentre guidano; devono completare il loro viaggio prima di collegarsi. Questa intuizione è fondamentale per i gestori della rete che devono anticipare quando colpirà l’ondata di domanda di elettricità.
Un’altra scoperta significativa riguardava l’impatto del tasso di penetrazione dei veicoli elettrici. La ricerca ha confermato che all’aumentare della percentuale di veicoli elettrici sulla strada, il carico di ricarica giornaliero totale aumenta in modo direttamente proporzionale, lineare. Ciò suggerisce che la previsione della futura domanda di ricarica può essere relativamente semplice se si conosce il tasso di crescita dell’adozione dei veicoli elettrici. Tuttavia, il modello ha anche evidenziato l’influenza profonda della struttura fisica sottostante della rete stradale. Quando i ricercatori hanno simulato una riduzione della capacità stradale, simulando un collo di bottiglia o la chiusura di una strada, hanno osservato un effetto drammatico. Non solo il picco della domanda di viaggio si è spostato più tardi nella serata, ma anche il picco del carico di ricarica è aumentato e si è spostato. Questo perché la congestione costringe i veicoli a trascorrere più tempo sulla strada, bruciando più energia, e a volte a prendere deviazioni più lunghe, entrambi i quali portano a un maggiore bisogno di ricarica. Allo stesso modo, quando le lunghezze delle strade sono state artificialmente aumentate, il picco di ricarica è stato ulteriormente ritardato e il carico giornaliero medio è aumentato, ancora una volta a causa del maggiore consumo di energia derivante da distanze di viaggio più lunghe.
Questi risultati sottolineano un punto cruciale: la rete elettrica e la rete dei trasporti non sono sistemi separati, ma sono profondamente intrecciati. La progettazione e il funzionamento di uno hanno un impatto diretto e misurabile sull’altro. Una rete stradale mal progettata, soggetta a congestioni, non frusterà solo i guidatori, ma creerà anche un carico di ricarica più volatile e con picchi più alti per la rete elettrica. Al contrario, un sistema di trasporto ben ottimizzato può aiutare a livellare la domanda di ricarica, rendendola più facile e meno costosa da gestire.
Le implicazioni di questa ricerca sono ampie. Per le compagnie elettriche, questo modello fornisce uno strumento potente per la previsione del carico. Incorporando dati sul traffico in tempo reale o previsti, possono generare previsioni molto più accurate della domanda di ricarica, consentendo una migliore pianificazione della generazione, una riduzione del bisogno di costose centrali elettriche di punta e una maggiore stabilità della rete. Per i pianificatori urbani e le autorità dei trasporti, il modello offre un modo per valutare l'”impronta energetica” di diverse strategie di sviluppo urbano e gestione del traffico. Una nuova autostrada o un cambiamento nei semafori può ora essere valutato non solo per il suo impatto sui tempi di percorrenza, ma anche per il suo impatto sul consumo di elettricità e sulle emissioni di carbonio della città.
Per l’industria emergente della ricarica dei veicoli elettrici, il modello può informare decisioni strategiche su dove posizionare nuove stazioni di ricarica. Prevedendo non solo il volume della domanda, ma anche la sua precisa distribuzione temporale e spaziale, gli operatori possono evitare di costruire eccessivamente in alcune aree mentre ne servono altre. Ciò porta a un’infrastruttura di ricarica più efficiente e resiliente.
Gli autori riconoscono che il modello può essere ulteriormente perfezionato. I lavori futuri incorporeranno l’influenza dei prezzi di ricarica nelle decisioni di pianificazione del percorso, poiché i guidatori potrebbero scegliere percorsi più lunghi per raggiungere una stazione di ricarica più economica. Il modello attualmente presuppone che la ricarica avvenga solo alla fine di un viaggio, ma nella realtà molti guidatori effettuano una “ricarica opportunistica” durante il loro tragitto. L’incorporazione di questi comportamenti utente più complessi renderà il modello ancora più realistico. Inoltre, l’ascesa della mobilità autonoma e condivisa potrebbe cambiare radicalmente i modelli di viaggio, e il modello dovrà adattarsi a questi nuovi paradigmi.
In conclusione, questa ricerca rappresenta un cambiamento di paradigma nel modo in cui pensiamo e modelliamo il carico di ricarica dei veicoli elettrici. Passando da una simulazione microscopica degli individui a un’analisi macroscopica del comportamento del sistema, fornisce uno strumento più accurato, efficiente e informativo. Unisce con successo l’ingegneria dei trasporti con l’analisi dei sistemi energetici, dimostrando che un approccio olistico, basato sui sistemi, è essenziale per affrontare le complesse sfide del nostro futuro elettrificato. Mentre il mondo corre verso un sistema di trasporto a zero emissioni, strumenti come questo saranno indispensabili per garantire che le nostre reti elettriche possano stare al passo con la domanda, aprendo la strada a una transizione più fluida e sostenibile.
Zhu Junliang, Wu Zhigang, Liu Jianing. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.0095