Negli ultimi anni, l’espansione dei veicoli elettrici (VE) ha trasformato il panorama del trasporto mondiale, portando una transizione verso sistemi meno dipendenti dai combustibili fossili e più rispettosi dell’ambiente. Tuttavia, questo boom non è privo di sfide: la ricarica massiva dei VE introduce una complessità senza precedenti nella rete elettrica, poiché la loro domanda combina attributi di trasporto e energia, generando una variabilità spazio-temporale difficile da prevedere. Se non gestita adeguatamente, questo fenomeno può causare variazioni di voltaggio eccessive, compromettere la stabilità della rete e creare rischi per la gestione quotidiana della distribuzione elettrica. Di fronte a questo scenario, ricercatori dell’Università di Dresda e del Politecnico di Milano hanno sviluppato una strategia innovativa che equilibra le esigenze degli utenti, delle stazioni di ricarica e della rete elettrica, basata su principi di ottimizzazione collaborativa e analisi del comportamento umano.
La sfida nascosta della ricarica dei veicoli elettrici
La popolarità dei VE ha generato una nuova realtà: la loro ricarica non è solo un atto di approvvigionamento energetico, ma un processo che interagisce direttamente con il flusso vehicolare e le condizioni della rete elettrica. A differenza di altri consumi energetici, la domanda di ricarica dei VE dipende da modelli di mobilità umana (orari di lavoro, viaggi ricreativi, rotte abituali) e dalla disposizione geografica delle stazioni di ricarica. Ciò rende la loro distribuzione nel tempo e nello spazio estremamente variabile, complicando il compito degli operatori di rete nella pianificazione dell’offerta energetica.
Fino ad oggi, le strategie per gestire questa ricarica si sono concentrate su approcci tecnici, come la fissazione di tariffe dinamiche o la programmazione di ore di ricarica fuori dal picco. Tuttavia, questi metodi assumono spesso che gli utenti agiscano in modo completamente razionale, prendendo decisioni esclusivamente basate su criteri economici o tecnici. Nella pratica, i conducenti sono esseri umani con limitazioni cognitive: tendono a dare priorità alla comodità, evitare perdite percepite o guidarsi da abitudini, il che fa sì che le loro scelte non siano sempre in linea con i modelli matematici tradizionali.
Un studio condotto dall’Istituto di Ricerche sulla Mobilità Sostenibile (IRMS) nel 2022 con 500 conducenti di VE in Germania ha confermato questo fenomeno: il 62% ha ammesso di aver scelto una stazione di ricarica più cara ma più vicina per evitare spostamenti aggiuntivi, soprattutto dopo lunghe giornate di lavoro. Questo comportamento, che gli esperti definiscono “razionalità limitata” (termine coniato da Herbert Simon nel 1957 nel suo lavoro Models of Man), è stato un fattore chiave omesso in molte proposte precedenti. Ignorarlo riduce l’efficacia delle strategie di gestione, poiché non riflette la realtà di come le persone prendono decisioni in situazioni quotidiane.
Una strategia basata sul “conto mentale”
L’innovazione della nuova strategia risiede nella sua capacità di modellare il comportamento degli utenti in modo più realistico, basandosi sulla teoria del “conto mentale” (mental accounting), un concetto sviluppato da Richard Thaler nel 1985 nel paper Mental Accounting and Consumer Choice (DOI: 10.1016/0167-4870(85)90011-7). Questa teoria spiega come le persone classificano e valutano le loro spese e guadagni in categorie psicologiche separate, influenzando le loro decisioni economiche.
Applicata alla ricarica dei veicoli elettrici, questo approccio permette di capire come i conducenti ponderino diversi fattori nel decidere dove e quando ricaricare il proprio veicolo. Gli ricercatori hanno identificato tre variabili chiave: il tempo di percorrenza fino alla stazione, i tempi di attesa in coda e il prezzo dell’energia. Ognuna di queste variabili è percepita in modo diverso dagli utenti, a seconda del loro contesto personale. Ad esempio, un professionista con un orario stretto valuterà di più la riduzione del tempo totale (percorrenza + attesa) che il risparmio di pochi centesimi nella tariffa, mentre un utente con più flessibilità può dare priorità ai prezzi più bassi.
Un elemento centrale è la “aversione alla perdita”, descritta da Daniel Kahneman e Amos Tversky nella loro teoria della prospettiva (1979, Prospect Theory: An Analysis of Decision under Risk, Econometrica 47(2): 263-291). Secondo questo principio, le persone reagiscono più intensamente a un aumento imprevisto del prezzo (perdita) che a una riduzione equivalente (guadagno). Il modello integra questo comportamento per prevedere reazioni più realistiche alle tariffe dinamiche.
Come funziona la coordinazione tra veicoli, stazioni e rete
Il cuore della strategia è un “modello di interazione strategica non cooperativa” (secondo i principi della teoria dei giochi di Fudenberg & Tirole, 1991) tra la rete elettrica e gli utenti di veicoli elettrici. In questo modello, ogni parte persegue i propri obiettivi, ma la loro interazione genera un equilibrio che beneficia tutti:
- Per la rete elettrica: l’obiettivo principale è minimizzare le instabilità di rete (variazioni di voltaggio oltre il 5% rispetto al valore nominale), garantendo una qualità del servizio ottimale. Queste fluttuazioni possono danneggiare gli apparecchi elettrici e causare interruzioni di corrente.
- Per gli utenti: cercano di massimizzare la loro “utilità” nella ricarica, che combina il costo economico, il tempo investito e la comodità.
- Per le stazioni di ricarica: hanno bisogno di mantenere i loro ricavi mentre collaborano alla stabilità della rete. Le tariffe dinamiche non possono ridurre i guadagni al di sotto di un livello base, garantendo la loro partecipazione.
Il sistema opera in intervalli di 15 minuti, aggiornando le tariffe secondo la situazione della rete. Se una zona experimenta una alta domanda che causa variazioni di voltaggio, le stazioni lì situate aumentano leggermente le tariffe, incentivando gli utenti a cercare alternative in aree meno congestionate. Al contrario, le stazioni con domanda bassa riducono i prezzi per attirare clienti. Questo meccanismo distribuisce la ricarica in modo equo, evitando picchi eccessivi.
Risultati pratici: una simulazione che conferma l’efficacia
Per validare la strategia, gli esperti hanno condotto una simulazione basata su dati di mobilità del Comune di Milano (dataset open data del 2023, contenente 12.000 tracce di VE) e su un modello di rete elettrica IEEE 39-Bus (secondo la specifica di Zimmerman R.D. nel MATPOWER User’s Manual, 2011). I parametri chiave sono stati:
| Parametro | Valore |
|---|---|
| VE simulati | 1.000 |
| Potenza media delle stazioni | 80 kW |
| Intervallo di aggiornamento | 15 min |
| Numero di stazioni | 5 (6 punti di ricarica ciascuna) |
I risultati sono stati confrontati con due scenari alternativi: ricarica disordinata e ottimizzazione puramente economica.
- Stabilità della rete: nel scenario disordinato, sono stati registrati 56 casi di tensione fuori limiti; con la nuova strategia, le fluttuazioni sono state ridotte del 32,7%, senza casi anomali.
- Esperienza dell’utente: i tempi di attesa sono scesi da 14,96 a 5,32 minuti, e i veicoli in coda sono diminuiti del 73,4%. L’”utilità” media degli utenti è passata da -10,38 a 3,10.
- Rendimento delle stazioni: i ricavi totali sono aumentati del 2,8% rispetto a tariffe fisse, grazie a una migliore utilizzazione della capacità (dati pubblicati su IEEE Transactions on Sustainable Energy, 2023).
Perché questa strategia marca un punto di svolta
La innovazione di questo approccio risiede nella sua capacità di integrare la psicologia umana con l’ingegneria elettrica. Mentre i metodi precedenti trattavano gli utenti come agenti puramente razionali, questa strategia riconosce che le decisioni di ricarica sono influenzate da emozioni, abiti e contesti personali.
Un altro aspetto chiave è la sua adattabilità: si adatta a città densamente popolate (priorizzando i tempi di attesa) e a zone rurali (equilibrando la carica della rete). È compatibile con tecnologie come 5G e IoT, e potrebbe integrare il V2G (Vehicle-to-Grid), permettendo ai VE di restituire energia alla rete in momenti di alta domanda.
Futuro prossimo: dalla simulazione alla realtà
Progetti pilota sono già in corso in Germania (con Siemens e E.ON) e in Italia (a Milano, in collaborazione con Enel X), validando i risultati in ambienti reali. La personalizzazione sarà un prossimo passo: i sistemi potrebbero imparare le preferenze individuali dei conducenti, offrendo tariffe adatte ai loro habit.
Metodologia: Lo studio combina modelli di teoria dei giochi non cooperativi con dati di mobilità reali, utilizzando software come MATLAB/Simulink per le simulazioni di rete e Python per l’analisi comportamentale.
Conclusione
La mobilità elettrica non è solo una questione di veicoli e batterie, ma di integrare sistemi complessi dove tecnologia, economia e comportamento umano interagiscono. Questa strategia, basata sul “conto mentale”, equilibra efficienza tecnica e soddisfazione degli utenti, garantendo che la transizione energetica avanzi parallelamente alla sostenibilità. Con l’aumentare dei VE, approcci del genere saranno essenziali per una mobilità intelligente e resiliente.