Nuovo modello prevede carica EV con teoria del traffico
La transizione verso la mobilità elettrica è in corso, e con essa cresce l’urgenza di comprendere come milioni di nuovi veicoli elettrici (EV) influenzeranno le nostre città e le nostre reti elettriche. Mentre le vendite di auto elettriche continuano a salire, un interrogativo fondamentale per pianificatori urbani, gestori della rete elettrica e produttori automobilistici rimane: quando e dove questi veicoli si ricaricheranno, e quale sarà l’impatto su una rete già sotto pressione? Le risposte tradizionali, basate su simulazioni al computer che modellano il comportamento di singoli conducenti, si sono dimostrate lente, costose e spesso inadeguate a catturare la complessità del mondo reale. Ora, un team di ricercatori della South China University of Technology e del Guangdong Power Grid Control Center ha sviluppato un approccio rivoluzionario che promette di cambiare radicalmente il modo in cui si prevede la domanda di ricarica.
Pubblicato sulla prestigiosa rivista Power System Technology, il nuovo modello abbandona l’idea di inseguire ogni singolo veicolo e adotta invece una prospettiva macroscopica, ispirata alla teoria del traffico urbano. Invece di simulare migliaia di scelte individuali, il metodo si concentra sul comportamento collettivo di un’intera flotta di veicoli elettrici, analizzando come le decisioni di percorso di ciascun conducente influenzino il flusso del traffico, e come questo flusso, a sua volta, determini il consumo di energia e, di conseguenza, la domanda di ricarica. Questo approccio sistematico non solo è più realistico, ma è anche straordinariamente efficiente, riducendo i tempi di calcolo da ore a pochi secondi.
Il cuore del modello risiede nella fusione di due concetti avanzati: l’equilibrio del traffico semidinamico e il calcolo della probabilità basato sullo “Stato di Carica Combinato” (CSOC). La teoria dell’equilibrio del traffico, un pilastro della pianificazione dei trasporti, stabilisce che in una rete congestionata, i conducenti scelgono i percorsi in modo tale che nessuno possa ridurre il proprio tempo di viaggio cambiando strada da solo. Questo stato di equilibrio riflette un’ottimizzazione collettiva del sistema, un fenomeno che i modelli basati su simulazioni di Monte Carlo ignorano, trattando ogni veicolo come un agente isolato.
“I modelli tradizionali partono dal presupposto che un conducente prenda la sua decisione di percorso senza considerare cosa fanno gli altri”, spiega Zhu Junliang, autore principale dello studio e ricercatore presso la School of Electric Power della South China University of Technology. “Ma nella realtà, se tutti scelgono lo stesso percorso ‘più breve’, questo diventa congestionato e non è più la scelta più veloce. Il nostro modello cattura questa retroazione dinamica, dove le decisioni individuali plasmano il flusso di traffico collettivo, e questo flusso collettivo, a sua volta, detta le decisioni future”.
Il modello sviluppato da Zhu Junliang e dai suoi colleghi, Wu Zhigang e Liu Jianing, suddivide la giornata in diversi intervalli di tempo, tipicamente da 15 a 90 minuti. Per ogni intervallo, risolve un problema di equilibrio del traffico statico, assegnando il flusso di veicoli attraverso la rete stradale in modo da minimizzare il tempo di viaggio percepito. Quello che lo rende “semidinamico” è la sua capacità di gestire il “flusso residuo”. Non tutti i veicoli completano il loro viaggio entro un singolo intervallo. Quelli che sono ancora in viaggio alla fine di un periodo diventano il flusso iniziale del periodo successivo, permettendo al modello di simulare la propagazione dei ritardi e l’accumulo di congestione nel corso della giornata.
Per renderlo ancora più realistico, il modello incorpora la teoria dell’utilità casuale. Nella pratica, i conducenti non hanno informazioni perfette sulle condizioni del traffico. Alcuni si affidano alle app di navigazione che potrebbero essere obsolete, altri preferiscono percorsi familiari, e alcuni semplicemente sbagliano. Il modello riflette questa incertezza assegnando una probabilità a ciascun percorso possibile, basata sul suo tempo di viaggio percepito. Ciò significa che, anche se un percorso è teoricamente il più veloce, non tutti i veicoli lo sceglieranno, generando un modello di flusso più disperso e fedele alla realtà.
Una volta determinato il flusso di traffico, il modello passa al lato energetico del sistema. È qui che entra in gioco il concetto di CSOC. Invece di tracciare il livello della batteria di ogni singolo veicolo elettrico, il modello tratta l’intera flotta come un’entità statistica. Presuppone che lo stato di carica iniziale (SOC) dei veicoli segua una distribuzione normale, con una media del 50% e una deviazione standard del 10%, un’assunzione ragionevole per una popolazione di veicoli che hanno trascorso la notte parcheggiati.
Mentre i veicoli si spostano, consumano energia. Il modello non simula ogni singola scarica, ma descrive il consumo collettivo come uno spostamento della curva di distribuzione del CSOC verso sinistra. Più lontano viaggia un gruppo di veicoli, più energia consuma nel complesso, e più basso è il suo livello di carica medio. Quando lo SOC di un veicolo scende al di sotto di una soglia critica (impostata al 20% per evitare la scarica completa e proteggere la batteria), il conducente decide di cercare una stazione di ricarica. Il modello calcola quindi la probabilità che un veicolo che arriva a un nodo di ricarica abbia bisogno di ricaricarsi, basandosi sulla distribuzione del suo SOC in quel momento.
Il processo di ricarica è modellato con precisione. I ricercatori riconoscono che la potenza di ricarica rapida diminuisce significativamente una volta che la batteria raggiunge l’80% della sua capacità. Il modello presuppone quindi che la ricarica avvenga alla potenza massima solo fino a quel punto. La durata di una sessione di ricarica, e quindi il carico istantaneo sulla rete, dipende direttamente dallo SOC del veicolo quando si collega. Combinando la distribuzione probabilistica dello SOC di arrivo con il profilo di potenza di ricarica, il modello può calcolare il carico medio previsto in qualsiasi momento e in qualsiasi posizione della rete.
La vera prova di qualsiasi modello scientifico è la sua validazione. Il team ha testato il suo approccio in due scenari. Prima, sulla rete di 13 nodi di Nguyen-Dupuis, un benchmark standard nella ricerca sul traffico. Hanno confrontato i loro risultati con molteplici simulazioni di Monte Carlo, che implicano l’esecuzione di migliaia di simulazioni individuali per stimare il comportamento medio. I risultati sono stati conclusivi: all’aumentare del numero di simulazioni di Monte Carlo, il carico di ricarica simulato convergeva verso il risultato prodotto dal nuovo modello. Con 100 simulazioni, il risultato di Monte Carlo era quasi identico a quello del modello teorico, confermando la sua precisione.
La differenza nelle prestazioni è stata sorprendente. Mentre 100 simulazioni di Monte Carlo hanno richiesto più di quattro ore per completarsi, il nuovo modello ha prodotto il suo risultato in appena 4,8 secondi, un miglioramento di velocità di oltre 3.000 volte. Questa efficienza non è solo un esercizio accademico; rende il modello praticabile per applicazioni reali come la gestione della rete in tempo reale, la pianificazione dell’espansione dell’infrastruttura di ricarica e la valutazione delle politiche di mobilità.
Per testare la sua scalabilità, i ricercatori hanno applicato il modello a una rete urbana reale derivata dai dati di OpenStreetMap, che copre una grande parte del distretto di Tianhe a Guangzhou, in Cina. Questa rete contiene quasi 5.000 nodi e più di 5.800 segmenti stradali, una complessità molto superiore ai casi di test tipici. Anche a questa scala, il modello è rimasto altamente efficiente, completando la simulazione in meno di 17 minuti, un tempo che rimane esponenzialmente più veloce di qualsiasi metodo basato su campionamento.
I risultati di entrambe le simulazioni hanno rivelato schemi fondamentali. In primo luogo, la domanda di ricarica dei veicoli elettrici segue da vicino la domanda di viaggio, ma con un ritardo temporale costante. Nelle simulazioni, il picco dei viaggi si è verificato intorno alle 18:00, mentre il picco di ricarica dei veicoli elettrici ha raggiunto il suo massimo alle 19:00. Questo ritardo di un’ora è logico: i conducenti devono completare i loro viaggi prima di poter ricaricare, un aspetto semplice ma spesso trascurato nei modelli semplificati.
In secondo luogo, il modello ha dimostrato che l’aumento della penetrazione dei veicoli elettrici porta a un aumento proporzionale del carico medio di ricarica, senza alterare la forma generale della curva della domanda giornaliera. Questa scoperta lineare è incoraggiante per gli operatori della rete, poiché suggerisce che la scalabilità della flotta di veicoli elettrici non introduce un nuovo livello di imprevedibilità, purché i modelli di guida rimangano costanti.
Tuttavia, la struttura stessa della rete stradale svolge un ruolo cruciale. Quando i ricercatori hanno ridotto artificialmente la capacità delle strade per simulare la congestione, hanno osservato un cambiamento significativo nei modelli di viaggio e di ricarica. Durante le ore di punta, la domanda di viaggio è stata ritardata, spingendo il picco di ricarica più tardi nella notte. Inoltre, il carico medio di ricarica è aumentato, anche se il numero di viaggi è rimasto costante. Questo effetto è dovuto al fatto che la congestione costringe alcuni conducenti a prendere percorsi alternativi più lunghi, che consumano più energia e, di conseguenza, richiedono più ricarica.
In modo simile, quando la lunghezza delle strade è stata aumentata artificialmente, il picco di ricarica è stato ritardato ulteriormente e il consumo energetico totale è aumentato. Questo dimostra che il design urbano—come la disposizione delle strade e la posizione delle stazioni di ricarica—ha un impatto diretto e quantificabile sulla domanda di elettricità. Le città con reti stradali inefficienti potrebbero affrontare carichi di ricarica più alti e volatili rispetto a quelle con progetti compatti e ben collegati.
Queste conclusioni hanno profonde implicazioni per l’integrazione dei sistemi di trasporto e di energia. Man mano che i veicoli elettrici diventano un componente centrale di entrambi i settori, non è più sufficiente pianificare strade e reti elettriche in modo isolato. La ricerca sottolinea la necessità di una pianificazione coordinata e trasversale che consideri come i cambiamenti in un sistema influenzino l’altro. Ad esempio, la costruzione di una nuova autostrada non solo altererà i flussi di traffico, ma rimodellerà anche il profilo spaziale e temporale della domanda di elettricità, richiedendo probabilmente aggiornamenti alle sottostazioni locali o l’implementazione di strategie di ricarica intelligente.
Il modello apre anche nuove possibilità per la progettazione delle politiche. Prevedendo con precisione la domanda di ricarica in diversi scenari, i pianificatori possono valutare l’impatto di interventi come la tariffazione per la congestione, i pedaggi dinamici o gli incentivi per la ricarica fuori dalle ore di punta. La capacità di simulare come queste politiche influenzano sia il flusso di traffico che il carico sulla rete consente una presa di decisione più olistica.
In futuro, il team di ricerca prevede di estendere il modello in diverse direzioni. Un’area chiave è l’integrazione dei prezzi dell’elettricità nel processo di ottimizzazione del percorso. Nella realtà, i conducenti possono scegliere una stazione di ricarica non solo per la sua vicinanza, ma anche per il suo costo. Integrando i prezzi dell’elettricità in tempo reale, il modello potrebbe simulare come i segnali economici influenzano il comportamento di viaggio e di ricarica.
Un’altra estensione importante è l’inclusione della ricarica in movimento. Il modello attuale presuppone che la ricarica avvenga solo alle destinazioni, ma molti conducenti di veicoli elettrici ora pianificano viaggi lunghi con soste intermedie di ricarica rapida. Modellare questo comportamento richiederebbe una rappresentazione più complessa delle catene di viaggio e del processo decisionale del conducente, ma migliorerebbe significativamente il realismo del modello.
Infine, l’ascesa della mobilità autonoma e condivisa presenta nuove sfide e opportunità. I veicoli elettrici autonomi potrebbero essere programmati per ottimizzare sia il tempo di viaggio che il costo di ricarica, il che potrebbe portare a modelli di utilizzo dell’energia molto diversi. Le flotte condivise potrebbero operare in modo continuo, richiedendo ricariche frequenti e distribuite durante tutto il giorno, invece di picchi concentrati di notte. Adattare il modello a questi nuovi paradigmi sarà essenziale per la pianificazione urbana del futuro.
In conclusione, il lavoro di Zhu Junliang, Wu Zhigang e Liu Jianing rappresenta un progresso significativo nel campo della modellazione del carico di ricarica dei veicoli elettrici. Basandosi su principi fondamentali della teoria del traffico e della probabilità, hanno sviluppato uno strumento che non è solo più veloce e scalabile dei metodi esistenti, ma anche più profondo. Fornisce una spiegazione chiara e meccanicistica di come il comportamento collettivo dei conducenti di veicoli elettrici dia forma al carico elettrico sulla rete, una prospettiva essenziale per costruire sistemi energetici urbani resilienti e sostenibili.
Man mano che le città di tutto il mondo accelerano la loro transizione verso la mobilità elettrica, modelli come questo svolgeranno un ruolo cruciale nel garantire che la rete elettrica possa tenere il passo. I giorni in cui i veicoli elettrici erano considerati semplici consumatori di elettricità isolati sono finiti. Il futuro appartiene al pensiero sistemico e integrato, e questa ricerca è un passo importante in quella direzione.
Zhu Junliang, Wu Zhigang, Liu Jianing, South China University of Technology and Guangdong Power Grid, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.0095