Strategia di Offerta in Tempo Reale per VE ed Energia Eolica
L’integrazione dei veicoli elettrici (VE) e dell’energia eolica nei mercati dell’energia e della regolazione della frequenza rappresenta una delle sfide più pressanti e, allo stesso tempo, una delle opportunità più promettenti per i sistemi elettrici moderni. Entrambe le tecnologie sono fondamentali per la decarbonizzazione, ma portano con sé un’incertezza intrinseca che può compromettere la stabilità della rete. L’energia eolica dipende dalle condizioni meteorologiche, e la disponibilità dei veicoli elettrici è soggetta ai modelli individuali di guida e ricarica degli utenti. Questa variabilità spesso porta a scostamenti tra i piani del giorno precedente e la consegna fisica reale, risultando in penalità finanziarie e maggiore pressione sulla rete. Una nuova ricerca, recentemente pubblicata sul Chinese Journal of Automotive Engineering, presenta una soluzione integrale a questo problema: una strategia innovativa di offerta in tempo reale che consente alle flotte di veicoli elettrici e ai parchi eolici di partecipare congiuntamente e in modo redditizio ai mercati dell’energia e della regolazione della frequenza, garantendo contemporaneamente l’equilibrio della rete.
Il team di ricerca, guidato da Pang Songling dell’Istituto di Ricerca Elettrica di Hainan Power Grid Co., Ltd. e del Laboratorio Congiunto di Smart Grid e Microgrid Insulari, in collaborazione con colleghi del Laboratorio Nazionale Chiave di Tecnologia per l’Equipaggiamento di Trasmissione dell’Energia dell’Università di Chongqing, ha sviluppato un modello di ottimizzazione a due livelli. Questo modello va oltre i semplici algoritmi di trading e affronta i problemi fondamentali dell’incertezza e dell’integrità del mercato attraverso l’introduzione di un modello di confini dinamici di programmazione e un meccanismo robusto di valutazione delle deviazioni. Il lavoro rappresenta un progresso significativo nel trasferire la ricerca teorica in un’applicazione pratica per il mondo reale, che è di grande beneficio sia per gli operatori di rete che per i partecipanti al mercato.
Il punto centrale della strategia è il concetto del “confine dinamico di programmazione” per i veicoli elettrici. I modelli tradizionali si basano spesso su ipotesi statiche sulla disponibilità di una flotta di veicoli, formulate la sera precedente. Queste ipotesi possono diventare rapidamente inaccurate durante il giorno man mano che i veicoli arrivano o partono prima o dopo il previsto. Il nuovo modello risolve questo problema aggiornando continuamente il confine di programmazione. L’aggregatore di veicoli elettrici, un’entità centrale che gestisce migliaia di veicoli, raccoglie dati in tempo reale sullo stato di carica attuale (SOC), sull’ora di partenza prevista e sui requisiti di carica di ogni singolo veicolo. Quando un veicolo si collega a una stazione di ricarica, viene immediatamente classificato in una delle diverse categorie basate su questi parametri. Questa classificazione considera lo SOC iniziale, lo SOC desiderato e l’ora di partenza prevista. Aggregando questi veicoli classificati, l’aggregatore può ottenere una visione precisa e dinamica della capacità totale di potenza ed energia disponibile della flotta in qualsiasi momento. Questa capacità di quantificare la “capacità flessibile” della flotta in tempo reale è la base per prendere decisioni commerciali fondate nel mercato in tempo reale, che è rapido e altamente competitivo.
Questo modello di confine dinamico è integrato con un algoritmo di assegnazione rapida della potenza. Una volta che l’aggregatore determina la potenza totale ottimale per la carica, la scarica e la riserva di regolazione della frequenza per un determinato periodo, deve distribuire questa istruzione in modo efficiente e equo tra i veicoli individuali. L’algoritmo proposto minimizza la deviazione tra il piano di carica ideale individuale e il piano effettivamente implementato. Considera i limiti fisici di ogni veicolo, come la potenza massima di carica e scarica, i limiti dello SOC per proteggere la batteria e i requisiti di carica individuali dell’utente. Questa traduzione fluida di una decisione a livello di flotta in migliaia di comandi individuali per veicoli è un avanzamento tecnico cruciale che rende possibile l’implementazione su larga scala delle tecnologie Vehicle-to-Grid (V2G).
L’innovazione vera e propria dello studio risiede nel suo approccio integrato ai mercati dell’energia e della regolazione della frequenza. Invece di considerare questi mercati separatamente, il modello consente una partecipazione simultanea. I veicoli elettrici e i parchi eolici possono non solo vendere energia, ma anche offrire la loro capacità di rispondere in secondi alle deviazioni di frequenza, iniettando o assorbendo potenza. Questa partecipazione doppia è cruciale, poiché consente ai partecipanti al mercato di generare entrate da più fonti. Un veicolo elettrico può ottenere profitti attraverso l’arbitraggio di energia, caricando quando il prezzo dell’elettricità è basso e scaricando quando è alto, e allo stesso tempo ricevere una tariffa di capacità solo per essere disponibile a fornire servizi di regolazione della frequenza quando necessario. Questo massimizza la redditività e rende la partecipazione al mercato più attraente per entrambe le parti.
Per garantire che i partecipanti al mercato rispettino i loro impegni, è incorporato un meccanismo robusto di valutazione delle deviazioni. Questo meccanismo è il pilastro dell’integrità del mercato. Nella realtà, la potenza reale di un parco eolico o la potenza netta di una flotta di veicoli elettrici si discosterà dalla quantità offerta nel mercato precedente a causa di eventi imprevisti. Il meccanismo proposto quantifica il costo di queste deviazioni. Se un partecipante al mercato fornisce più energia di quella che ha offerto (ad esempio, perché il vento soffia più forte del previsto), potrebbe ricevere un compenso a un prezzo in tempo reale più basso. Se, al contrario, fornisce meno di quanto abbia offerto, si trova di fronte a una penalità elevata, che spesso è significativamente più alta della ricompensa per un eccesso di consegna. Un principio simile si applica alle deviazioni nella capacità di regolazione della frequenza offerta. Questa struttura asimmetrica di penalità, in cui il mancato rispetto è punito più severamente dell’eccesso di consegna, è progettata per promuovere previsioni conservative e precise e garantire l’affidabilità del sistema nel suo complesso.
La struttura matematica del modello è concepita come un problema di ottimizzazione a due livelli, che riflette la struttura gerarchica del mercato. A livello superiore, i singoli partecipanti al mercato, l’aggregatore di veicoli elettrici e il fornitore di energia eolica, agiscono come “giocatori leader”. Il loro obiettivo principale è minimizzare i propri costi di valutazione delle deviazioni e i costi operativi, come l’usura della batteria nei veicoli elettrici. Prendono le loro decisioni commerciali basandosi sui loro modelli interni delle risorse disponibili e sulle condizioni attuali del mercato. A livello inferiore, lo scambio elettrico agisce come un “giocatore follower”. Il suo obiettivo è minimizzare il costo totale di esercizio del sistema, che include il costo dell’energia, il costo dell’acquisizione di servizi di regolazione della frequenza e il costo di bilanciare qualsiasi squilibrio residuo attraverso generatori di riserva più costosi. Lo scambio liquida il mercato determinando i prezzi marginali nodali in tempo reale basati su tutte le offerte che riceve.
L’interazione tra questi due livelli è complessa e iterativa. Le azioni del livello superiore influenzano i prezzi di liquidazione del mercato stabiliti dal livello inferiore, che a sua volta influenza le strategie commerciali ottimali dei partecipanti. Per risolvere questo problema computazionalmente impegnativo, i ricercatori hanno utilizzato le condizioni di Karush-Kuhn-Tucker (KKT), trasformando efficacemente il problema a due livelli in un programma lineare misto a un solo livello. Questa scelta metodologica rende il modello gestibile per l’applicazione nella vita reale e consente un processo decisionale tempestivo in un intervallo di mercato di 15 minuti.
Lo studio presenta un’analisi di un caso dettagliato per validare l’efficacia della strategia proposta. La simulazione, condotta su un periodo di 24 ore con 96 intervalli di quindici minuti, utilizza parametri realistici per flotte di veicoli elettrici e profili di generazione eolica. I risultati sono convincenti. Il modello del confine di programmazione dinamico cattura con successo il ritmo giornaliero della disponibilità dei veicoli elettrici, dove la capacità di potenza ed energia della flotta scende a zero al mattino quando i veicoli lasciano le loro stazioni di ricarica e risale di nuovo la sera quando tornano. Questa visione dinamica è molto più precisa di una capacità stimata statica e precedente.
Per l’energia eolica, la strategia mostra un’adattamento intelligente alle condizioni di mercato. Durante i periodi di prezzi elevati per i servizi di regolazione della frequenza, il parco eolico offre strategicamente capacità per la regolazione ascendente, mantenendo il suo output di potenza al di sotto della sua capacità massima prevista per avere margine per aumenti rapidi. Al contrario, quando i prezzi dell’energia sono alti e il suo output di potenza è vicino al massimo, si concentra sull’offerta di deviazioni di energia e accetta che la sua capacità di regolazione discendente sia limitata dalle sue restrizioni fisiche di rampa. L’analisi mostra che l’energia eolica spesso supera la programmazione precedente, trasformando potenziali penalità per squilibri in una fonte aggiuntiva di entrate quando il prezzo in tempo reale è favorevole.
Gli impatti sui veicoli elettrici sono altrettanto profondi. Il modello mostra che i veicoli elettrici possono eseguire un arbitraggio di energia redditizio senza compromettere le esigenze degli utenti. Caricando energia aggiuntiva quando l’energia eolica è eccessiva e i prezzi dell’elettricità sono bassi, e scaricando questa energia immagazzinata durante le ore di picco dei prezzi, i proprietari di veicoli elettrici possono massimizzare il loro beneficio finanziario. È cruciale che la strategia garantisca che questa attività di arbitraggio venga eseguita entro i limiti del confine dinamico di programmazione, assicurando che il veicolo sia sufficientemente carico per l’ora di partenza del proprietario. Inoltre, l’inclusione dei costi di usura della batteria nell’ottimizzazione evita cicli eccessivi, promuovendo la salute a lungo termine della batteria del veicolo.
Lo studio evidenzia anche la relazione sinergica tra i veicoli elettrici e l’energia eolica. La flessibilità della flotta di veicoli elettrici agisce come un ammortizzatore naturale per la variabilità della generazione eolica. Quando l’energia eolica supera le previsioni, i veicoli elettrici possono assorbire l’energia in eccesso caricando di più. Quando l’energia eolica è al di sotto delle aspettative, i veicoli elettrici possono scaricare per aiutare a soddisfare la domanda. Questo supporto reciproco riduce lo squilibrio generale del sistema, diminuisce la necessità di costosi servizi di equilibrio da parte di impianti di energia convenzionali e contribuisce a una rete più stabile ed efficiente.
Le implicazioni di questa ricerca vanno ben oltre il regno teorico. Fornisce un piano pratico su come gli operatori di rete e i progettisti di mercati possano creare un mercato elettrico più inclusivo e resistente. Stabilendo regole chiare per le penalità per le deviazioni e consentendo una presa di decisioni rapida e precisa attraverso la modellazione dinamica, la strategia riduce le barriere all’ingresso per le risorse energetiche distribuite. Trasforma i veicoli elettrici da consumatori passivi in asset attivi e generatori di entrate per la rete, il che può migliorare significativamente la fattibilità economica delle tecnologie V2G e promuovere una maggiore accettazione da parte dei consumatori.
Per gli operatori di parchi eolici, la strategia offre un modo più sofisticato di monetizzare la loro generazione, passando da una semplice vendita di energia alla partecipazione a servizi ausiliari di maggior valore. Questa diversificazione delle fonti di reddito può migliorare la fattibilità finanziaria dei progetti eolici, specialmente nei mercati con un’elevata penetrazione di energie rinnovabili dove i prezzi dell’energia possono essere volatili.
Il lavoro sottolinea anche l’importanza dell’analisi avanzata dei dati e dell’infrastruttura di comunicazione in tempo reale. Il successo del modello del confine dinamico dipende da un flusso di dati affidabile e tempestivo dai singoli veicoli elettrici all’aggregatore. Questo richiede misure solide di cybersecurity e protocolli di comunicazione standardizzati, che sono componenti centrali di una rete elettrica intelligente moderna.
Sebbene il modello attuale rappresenti un notevole progresso, gli autori riconoscono aree per future ricerche. Lo studio si concentra su un singolo aggregatore di veicoli elettrici; un mercato più complesso con più aggregatori concorrenti introdurrebbe nuove dinamiche strategiche. L’inclusione di altre risorse flessibili, come lo stoccaggio distribuito di batterie e la gestione della domanda di edifici commerciali, potrebbe aumentare ulteriormente la flessibilità del sistema. Inoltre, lo sviluppo di meccanismi di incentivo efficaci per incoraggiare i proprietari di veicoli elettrici a partecipare a tali programmi rimane una sfida sociale ed economica cruciale.
In conclusione, la ricerca di Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi e Zhang Qian offre un quadro innovativo per l’integrazione in tempo reale di veicoli elettrici ed energia eolica nei mercati dell’energia e della regolazione della frequenza. Combinando un modello di confine di programmazione dinamico, un algoritmo di assegnazione della potenza rapida e un meccanismo di valutazione delle deviazioni ben calibrato in un modello di ottimizzazione a due livelli rigoroso, hanno creato una strategia che non solo garantisce l’equilibrio energetico in tempo reale, ma massimizza anche il beneficio economico sia per i proprietari di risorse che per l’intero sistema elettrico. Questo lavoro è un passo decisivo verso un futuro in cui la variabilità delle energie rinnovabili non è un onere, ma una caratteristica gestita, e in cui i milioni di veicoli elettrici sulle strade diventano un pilastro di una rete elettrica flessibile, sostenibile ed economicamente efficiente.
Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi, Zhang Qian, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Smart Grid and Island Microgrid Joint Laboratory, State Key Laboratory of Power Transmission Equipment Technology, Chongqing University, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.08