Previsione intelligente della ricarica per reti urbane di veicoli elettrici
La mobilità elettrica è in piena espansione, trasformando non solo il settore automobilistico, ma anche la struttura fondamentale delle città moderne. Mentre milioni di veicoli elettrici (VE) lasciano i concessionari e invadono le strade, l’infrastruttura di ricarica pubblica è sottoposta a una pressione crescente. Tuttavia, la sfida non riguarda più semplicemente l’installazione di più punti di ricarica, bensì la capacità di prevedere con precisione quando, dove e con quale intensità verranno utilizzati. In questo contesto, un nuovo modello di intelligenza artificiale sviluppato da ricercatori dell’Institute of Energy Systems and Data Science ha ottenuto un notevole progresso: una previsione della ricarica con un’accuratezza quasi perfetta, in grado di integrare dati storici e condizioni in tempo reale per anticipare il comportamento delle stazioni di ricarica in ambienti urbani complessi.
Pubblicato di recente su Nature Energy Intelligence, lo studio guidato dalla dottoressa Evelyn Zhang introduce un modello ibrido che combina due degli algoritmi più potenti dell’apprendimento automatico: LightGBM e XGBoost. Attraverso un design a due fasi, il sistema riesce non solo a stabilire una base predittiva solida basata su pattern storici, ma anche ad aggiustare le sue previsioni in tempo reale utilizzando informazioni dinamiche come il traffico stradale. Il risultato è un framework predittivo altamente adattabile, in grado di gestire il carico di più stazioni con un margine di errore estremamente basso, rappresentando un salto qualitativo per la pianificazione energetica urbana.
La ricerca si è basata su un insieme di dati esteso e dettagliato, raccolto da 86 stazioni di ricarica pubbliche in una grande città cinese per quasi tutto il 2021. Ogni stazione ha generato 8.496 record orari, per un totale di oltre 720.000 punti dati analizzati. Questo volume massiccio ha permesso ai ricercatori di osservare pattern di utilizzo profondi e ricorrenti, ben al di là delle fluttuazioni superficiali. Una delle scoperte più rivelatrici è stata l’universalità del comportamento di ricarica: tutte le stazioni hanno mostrato periodi di inattività durante le ore notturne, con la potenza di uscita che scendeva a zero. Questo pattern, coerente in tutti i siti analizzati, riflette abitudini umane prevedibili: la maggior parte dei conducenti ricarica durante il giorno o alla fine della giornata lavorativa, lasciando le stazioni inattive nelle prime ore del mattino.
Nonostante questa similitudine nei pattern temporali, le differenze nella potenza massima sono state notevoli. Alcune stazioni hanno raggiunto picchi superiori a 1 megawatt (MW), mentre altre sono rimaste su livelli molto più bassi. Questa variabilità è direttamente legata a fattori come la posizione geografica, il numero di caricabatterie disponibili e la loro potenza nominale. Tuttavia, il modello sviluppato dal team di Zhang non dipende da una calibrazione individuale per ogni stazione. Invece, dimostra che un singolo modello addestrato con dati aggregati da più siti può generalizzare con alta precisione, aprendo la strada a soluzioni scalabili e a bassa manutenzione per città di qualsiasi dimensione.
L’architettura del modello è ingegnosa nella sua semplicità concettuale, sebbene sofisticata nella sua implementazione. Si divide in due componenti principali: un modello “offline” e uno “online”. Il primo, basato su LightGBM, agisce come nucleo predittivo. LightGBM, una variante ottimizzata degli alberi decisionali potenziati dal gradiente (GBDT), è noto per la sua velocità di addestramento, basso consumo di memoria e alta precisione, specialmente su dataset grandi e ad alta dimensionalità. Per evitare l’overfitting — un rischio comune nei modelli complessi — LightGBM utilizza un algoritmo basato su istogrammi che discretizza i valori continui e una strategia di crescita per foglia (Leaf-wise) con limite di profondità. Inoltre, incorpora tecniche come il campionamento unilaterale del gradiente e il raggruppamento di caratteristiche esclusive, consentendo di elaborare grandi volumi di dati in modo efficiente senza sacrificare precisione.
Il modello offline riceve un’ampia gamma di input: dati storici di ricarica orari, variabili temporali (ora del giorno, giorno della settimana, se è un giorno lavorativo, ecc.), temperatura, condizioni meteorologiche e caratteristiche derivate come i valori massimi, minimi e medi di ricarica nelle ore precedenti. Questa ingegnerizzazione delle caratteristiche arricchisce il dataset, permettendo al modello di catturare non solo tendenze cicliche, ma anche dinamiche a breve termine, come l’inerzia dell’uso recente. Ad esempio, se una stazione è stata occupata nelle ultime tre ore, è più probabile che continui ad avere domanda nella successiva.
Tuttavia, anche il modello più robusto basato su dati storici ha limiti quando si confronta con eventi imprevisti: un incidente che causa congestione, un temporale improvviso o un evento di massa che altera i pattern di mobilità. Qui entra in gioco il secondo componente: il modello online, basato su XGBoost. Mentre LightGBM stabilisce la previsione base, XGBoost si occupa di correggerla in tempo reale. Il suo input principale è il flusso di traffico in tempo reale, ottenuto da una piattaforma di mappe digitale che fornisce dati sulla velocità media e sull’indice di congestione ogni cinque minuti. Questi dati, altamente dinamici e sensibili ai cambiamenti immediati, permettono al modello di rilevare deviazioni tra la previsione iniziale e la realtà.
Il meccanismo di correzione è elegante: XGBoost non prevede direttamente il carico futuro, ma il residuo — la differenza tra il valore reale osservato e la previsione del modello offline. Questo residuo viene calcolato continuamente e utilizzato per aggiustare l’output finale. La previsione finale è quindi la somma della stima offline e della correzione online: una fusione tra stabilità e reattività. Questo approccio permette al sistema di adattarsi a condizioni mutevoli senza dover riaddestrare l’intero modello da zero, rendendolo ideale per applicazioni in tempo reale.
I risultati dei test sono stati straordinari. Nel set di validazione, il modello ibrido ha raggiunto un coefficiente di determinazione (R²) di 0,99992, il che indica che il modello spiega praticamente tutta la variabilità nei dati di ricarica. Per mettere questo valore in prospettiva, altri modelli all’avanguardia come Random Forest, XGBoost singolo, LightGBM singolo o reti neurali multistrato (MLP) non hanno superato l’R² di 0,999. Inoltre, l’errore percentuale assoluto medio ponderato (WMAPE) si è ridotto allo 0,2277%, un miglioramento sostanziale rispetto al miglior risultato dei modelli comparati, fermo allo 0,8256%. Questi numeri non sono solo statistici: rappresentano la differenza tra una rete elettrica che funziona con margine di sicurezza e una che è al limite del collasso durante i picchi di domanda.
Uno degli aspetti più interessanti dello studio è stato l’analisi dell’importanza delle caratteristiche. Contrariamente a quanto molti potrebbero supporre, fattori come il nome specifico della stazione o persino la temperatura hanno avuto un impatto relativamente basso sulla previsione. Al contrario, le variabili temporali — come l’ora del giorno, il giorno della settimana e se è lavorativo — sono state le più influenti, seguite da vicino dai valori di ricarica delle ore precedenti. Questo rafforza l’idea che il comportamento di ricarica segua pattern routinari, piuttosto che rispondere a condizioni ambientali estreme. Curiosamente, la variabile “giorni dall’inizio” del record non ha avuto alcuna importanza, il che suggerisce che il modello non assume una tendenza lineare di crescita, ma si basa su cicli ripetitivi, rendendolo più robusto di fronte a cambiamenti non lineari a lungo termine.
L’universalità del modello è stata messa alla prova. I ricercatori hanno addestrato il sistema con combinazioni variabili di stazioni: da una singola a 84. Successivamente, ne hanno valutato le prestazioni su tre stazioni rappresentative di diversi distretti urbani. Sebbene le migliori prestazioni siano state ottenute addestrando con i dati della stazione specifica, il modello generalizzato — addestrato con decine di stazioni — ha mantenuto un livello di precisione eccezionale, senza scendere al di sotto di un R² di 0,995. Questa scoperta è cruciale: dimostra che è possibile sviluppare un modello unico per un’intera città, senza dover personalizzare decine di algoritmi individuali. Ciò riduce drasticamente i costi computazionali e operativi, facilitando la sua implementazione su larga scala.
Le implicazioni per la gestione urbana ed energetica sono profonde. Con una previsione così precisa, le compagnie elettriche possono anticipare i picchi di domanda con ore di anticipo, permettendo strategie di gestione del carico come lo spostamento della ricarica (load shifting) o l’attivazione di batterie di backup. Gli operatori delle stazioni possono implementare tariffe dinamiche che incentivino la ricarica al di fuori degli orari di punta, migliorando l’efficienza del sistema. I pianificatori urbani possono identificare zone critiche dove sono necessari più caricabatterie, evitando investimenti inutili in aree a bassa domanda.
Oltre all’infrastruttura, questa tecnologia può essere integrata in servizi di mobilità intelligente. Le app di navigazione potrebbero offrire non solo percorsi, ma anche previsioni di disponibilità dei caricabatterie, tempi di attesa stimati e raccomandazioni personalizzate basate sul comportamento del conducente. Questo non migliora solo l’esperienza dell’utente, ma ottimizza anche l’utilizzo collettivo della rete.
Tuttavia, i ricercatori sono cauti. Il modello, per quanto potente, ha dei limiti. Non considera ancora il tipo di veicolo, la capacità della batteria o le preferenze individuali di ricarica, fattori che potrebbero affinare ulteriormente le previsioni. Inoltre, il suo addestramento si è basato su un ambiente urbano specifico, con un clima e pattern di mobilità particolari. Le sue prestazioni in altre regioni, con culture di guida diverse o infrastrutture meno sviluppate, devono essere validate.
Il futuro del modello include l’integrazione di più dati contestuali, come la posizione esatta delle stazioni, il tipo di zona (commerciale, residenziale, industriale) e eventi programmati. Si esplorerà anche l’ottimizzazione del set di addestramento: identificare un sottoinsieme rappresentativo di stazioni che permetta di massimizzare la precisione senza bisogno dei dati di tutti i siti. L’obiettivo finale è un sistema universale, adattabile e autonomo, in grado di operare in qualsiasi città del mondo con minima interazione.
Questo lavoro non è solo un avanzamento tecnico; è un esempio di come l’intelligenza artificiale possa servire la sostenibilità. Prevedendo con precisione la domanda di ricarica, si evita lo spreco di energia, si riduce la necessità di infrastrutture sovradimensionate e si migliora l’integrazione delle fonti rinnovabili. In un momento in cui le città lottano per decarbonizzare il trasporto, soluzioni come questa sono essenziali.
La dottoressa Evelyn Zhang e il suo team hanno dimostrato che l’innovazione vera non sta nel creare modelli più complessi, ma nel combinarli in modo intelligente per risolvere problemi del mondo reale. Il loro approccio ibrido — robusto, scalabile e basato su dati reali — stabilisce un nuovo standard per la previsione nei sistemi energetici urbani. Mentre il parco di veicoli elettrici continuerà a crescere, soluzioni come questa saranno la colonna portante di una mobilità pulita, efficiente e prevedibile.
Evelyn Zhang, Institute of Energy Systems and Data Science, Nature Energy Intelligence, DOI: 10.1038/s42408-024-00371-9