Frotte di veicoli elettrici ottimizzano la regolazione della frequenza con previsione avanzata della batteria
Il panorama dell’auto elettrica sta subendo una trasformazione radicale, passando dal semplice ruolo di mezzo di trasporto a quello di un attore fondamentale nell’equilibrio e nella stabilità delle reti elettriche. Con l’aumento esponenziale del numero di veicoli elettrici (EV) in circolazione, emerge una gigantesca risorsa energetica distribuita: milioni di batterie mobili che, quando collegate alla rete, possono non solo prelevare energia, ma anche rilasciarla attivamente per stabilizzare il sistema elettrico. Questa visione, nota come Vehicle-to-Grid (V2G), è ora più vicina alla realtà grazie a un’innovativa strategia di ricerca sviluppata da un team cinese. Un gruppo guidato dalla Professoressa Sun Ying della Hebei University of Technology ha presentato un approccio rivoluzionario che rende la regolazione della frequenza da parte delle flotte di veicoli elettrici non solo tecnicamente più efficiente, ma anche economicamente più vantaggiosa. Il cuore della soluzione risiede in una previsione estremamente precisa dello stato di salute (SOH) delle batterie e in una sofisticata ottimizzazione economica.
La sfida per le moderne reti elettriche è imponente. L’espansione massiccia delle energie rinnovabili, come quella solare ed eolica, introduce una volatilità intrinseca. Cambiamenti improvvisi nella generazione – causati, ad esempio, da un passaggio di nuvole o da una calma di vento – provocano fluttuazioni di frequenza nella rete. Per mantenere la frequenza critica di 50 Hertz, le centrali tradizionali devono reagire rapidamente, un processo costoso e inefficiente. I veicoli elettrici, quando collegati a una stazione di ricarica, offrono un’alternativa promettente: possono immettere o assorbire energia dalla rete entro secondi per contrastare le fluttuazioni di frequenza. Tuttavia, gli approcci precedenti avevano un punto debole: spesso trascuravano un fattore cruciale, lo stato di invecchiamento delle batterie dei veicoli.
Le batterie invecchiano. Con ogni ciclo di carica e scarica, la loro capacità e potenza diminuiscono. Una batteria fortemente degradata non può fornire la stessa potenza per la regolazione della frequenza di una batteria nuova. Se un operatore di rete richiede una potenza di 1 megawatt da una flotta di 1000 veicoli, la realtà potrebbe essere di 700 chilowatt se lo stato di salute (SOH) effettivo delle batterie non è conosciuto con precisione. Questo porta a pianificazioni inaccurate, obiettivi di regolazione mancati e, in ultima analisi, a una stabilità di rete ridotta. Allo stesso tempo, ogni carico aggiuntivo imposto alla batteria dalla regolazione della frequenza rappresenta un’usura supplementare che deve essere compensata ai proprietari dei veicoli. Una strategia V2G efficace deve quindi rispondere a due domande fondamentali: quanto è sana effettivamente la batteria? E come può il suo utilizzo essere gestito in modo economicamente equo ed efficiente?
È proprio qui che interviene la ricerca di Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai e Zhang Lei. L’innovazione centrale è un algoritmo di filtro di particelle migliorato (Improved Particle Filter, IPF) che permette di prevedere lo stato di salute della batteria (SOH) con una precisione finora ineguagliata. Il filtro di particelle standard è un metodo statistico che cerca di stimare lo stato di un sistema dinamico – in questo caso, la batteria che invecchia – basandosi su dati di misurazione rumorosi. Funziona simulando un gran numero di “particelle” ipotetiche (ognuna rappresenta un possibile stato della batteria) e aggiornando la loro probabilità in base alle nuove misurazioni. Tuttavia, con dati fortemente rumorosi o ipotesi iniziali inaccurate, l’algoritmo può fornire previsioni errate.
Il team della Hebei University of Technology ha migliorato significativamente questo algoritmo. Hanno integrato due elementi chiave: vincoli di limite e una funzione di penalità esponenziale. I vincoli di limite garantiscono che la simulazione produca risultati fisicamente sensati – ad esempio, la capacità prevista di una batteria non può mai superare il 100% né scendere sotto un valore di fine vita definito dell’80%. La funzione di penalità esponenziale è il vero colpo di genio. Quando la previsione dell’algoritmo si discosta dai dati di misurazione effettivi, questo errore non viene semplicemente ignorato. Al contrario, viene trasformato in una funzione di penalità che costringe l’algoritmo ad aggiustare dinamicamente i parametri del suo modello interno. È come se il sistema imparasse dai propri errori e migliorasse la propria capacità predittiva in tempo reale. I risultati delle simulazioni sono convincenti: rispetto al filtro di particelle standard, l’IPF migliorato ha ridotto l’errore di previsione massimo di oltre il 70%. Questa diagnosi precisa è la base di tutto il resto.
Con una previsione affidabile dello SOH, l’intera flotta di veicoli elettrici può ora essere riorganizzata in modo intelligente. Invece di trattare tutti i veicoli in modo uguale, l’algoritmo li suddivide in quattro cluster dinamici: H, h, l e L. Il cluster H è composto da veicoli con la salute della batteria più elevata (SOH tra 0,96 e 1,00). Questi veicoli sono i “lavoratori forti”, destinati a compiti di regolazione della frequenza rapidi e ad alta potenza. Con il diminuire del valore dello SOH, i veicoli vengono classificati nei cluster h, l e infine L, riducendo proporzionalmente il loro coinvolgimento in operazioni impegnative per preservarne la durata e garantire la soddisfazione dell’utente.
Questa struttura a cluster viene quindi integrata in un modello di controllo sofisticato. Ogni cluster riceve un coefficiente caratteristico di frequenza variabile, che determina quanto intensamente risponderà a una deviazione di frequenza. Un veicolo nel cluster H con una batteria sana ha un coefficiente basso, il che significa che, in caso di abbassamento della frequenza, scaricherà immediatamente con una potenza elevata. Un veicolo nel cluster L con una batteria più vecchia ha un coefficiente più alto e quindi reagirà in modo meno aggressivo. Questo sistema, combinato con un regolatore Proporzionale-Integrale (PI), permette una distribuzione automatica e ponderata della capacità di regolazione su tutta la flotta, basata sulla capacità reale di ogni singolo veicolo. È una sorta di “centrale elettrica virtuale” che organizza autonomamente le proprie risorse interne.
Tuttavia, la brillantezza tecnica da sola non basta. La dimensione economica è fondamentale per l’accettazione da parte dei proprietari di veicoli e degli operatori di rete. I ricercatori hanno quindi sviluppato un modello di ottimizzazione economica completo che tiene conto di diversi fattori di costo. L’obiettivo è minimizzare il costo totale della regolazione della frequenza, che include il costo del combustibile delle centrali termiche, i costi di esercizio e manutenzione, le penalità per deviazioni di frequenza e, soprattutto, i costi di degrado delle batterie degli EV.
Il modello assegna un compenso ai proprietari di EV che riflette sia l’energia fornita che l’usura aggiuntiva della loro batteria. Quest’ultimo viene calcolato utilizzando un fattore di costo di degrado che si adatta allo SOH del veicolo, poiché una batteria più vecchia potrebbe avere un costo di sostituzione diverso. Confrontando diverse strategie nelle simulazioni, i risultati sono stati rivelatori. La strategia che utilizza l’algoritmo IPF senza ottimizzazione economica (Strategia 3) ha già mostrato un miglioramento significativo nella stabilità della frequenza. Tuttavia, quando è stata applicata l’ottimizzazione economica (Strategia 4), sono stati ottenuti risparmi sostanziali. Negli scenari con perturbazioni di carico a gradino, la Strategia 4 ha ridotto i costi annuali di regolazione di 437.300 RMB (circa 58.000 euro) rispetto alla Strategia 3. Negli scenari con perturbazioni continue e irregolari, che simulano meglio la variabilità delle energie rinnovabili, il risparmio è stato ancora più impressionante: 961.400 RMB (circa 128.000 euro) all’anno. Questi risparmi derivano principalmente dalla riduzione dell’uso di costose centrali termiche, i cui costi del combustibile sono molto più alti di quelli associati all’uso di EV.
Un aspetto fondamentale del design è la considerazione dell’utente. La strategia garantisce che la partecipazione alla regolazione della frequenza non interferisca con le esigenze di mobilità del proprietario del veicolo. Ciò viene ottenuto integrando il monitoraggio dello stato di carica (SOC) con la previsione dello SOH. Il sistema sa quando ci si aspetta che un veicolo lasci la stazione di ricarica e si assicura che venga ricaricato alla capacità desiderata dall’utente prima di quel momento. Un veicolo che si scarica per aiutare la rete verrà ricaricato in modo tempestivo, eliminando la preoccupazione di rimanere senza batteria per il viaggio previsto. Questa trasparenza e affidabilità sono essenziali per promuovere la partecipazione degli utenti.
L’architettura di controllo è elegante e si integra senza problemi con l’infrastruttura di rete esistente. Combina il controllo primario (risposta immediata) e il controllo secondario (aggiustamento fine tramite un controllore AGC, Automatic Generation Control). Le unità di EV virtuali sono collegate direttamente a questo ciclo di controllo, agendo come una risorsa di riserva altamente flessibile e di risposta rapida.
Le implicazioni di questa ricerca sono profonde. Offre una strada chiara per le aziende elettriche e gli aggregatori per gestire flotte di EV su larga scala, trasformando parcheggi, centri commerciali e complessi residenziali in centrali di stoccaggio energetico virtuale. Il metodo è scalabile e adattabile, e potrebbe essere applicato a reti più grandi e complesse. Le autorità di regolamentazione potrebbero utilizzare questo quadro per progettare mercati di servizi ausiliari che valutino adeguatamente il contributo degli EV.
Inoltre, la metodologia sottolinea l’importanza di investire in diagnostica avanzata delle batterie e analisi dei dati come parte delle iniziative di rete intelligente. Una previsione inaccurata dello SOH può avere conseguenze finanziarie gravi nei mercati competitivi di servizi ausiliari. Un sistema che sovrastima la sua capacità può incorrere in penalità, mentre uno che la sottostima lascia denaro sul tavolo. La precisione dell’algoritmo IPF mitiga questo rischio, promuovendo un mercato più efficiente e affidabile.
In definitiva, il lavoro di Sun Ying e dei suoi colleghi rappresenta un progresso significativo nella convergenza tra la mobilità elettrica e la gestione delle reti intelligenti. Non risolve solo problemi tecnici di stabilità, ma costruisce anche un caso economico convincente. Combinando una rigorosa scienza dei dati con una profonda comprensione dell’ingegneria dei sistemi di potenza, hanno creato un modello per il futuro: un sistema energetico in cui i veicoli elettrici non sono solo un mezzo di trasporto, ma partner attivi e preziosi nella creazione di una rete più resiliente, sostenibile ed economica.
Frotte di veicoli elettrici ottimizzano la regolazione della frequenza con previsione avanzata della batteria. Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai, Zhang Lei, Laboratorio Nazionale di Affidabilità e Intelligenza degli Apparecchi Elettrici, Università di Tecnologia di Hebei. Proceedings of the CSU-EPSA, Vol. 36, No. 12, Dicembre 2024, DOI: 10.19635/j.cnki.csu-epsa.001534.