Nuova strategia di prezzo per ricarica EV rivoluziona le smart city
In un’era in cui le città globali cercano soluzioni di mobilità più sostenibili, una ricerca pionieristica ha svelato un approccio innovativo alla ricarica dei veicoli elettrici (EV) con il potenziale di ridefinire la gestione dei sistemi energetici e di trasporto urbani. Lo studio, guidato da Lu Siyue e un team di ingegneri della State Grid Beijing Electric Power Company, presenta un modello di tariffazione rivoluzionario progettato per armonizzare l’integrazione delle energie rinnovabili con i flussi di traffico urbano. Pubblicato sul numero di settembre 2024 della rivista Computer Applications and Software, questo lavoro introduce un quadro di ottimizzazione a due livelli che non solo minimizza i costi sociali totali, ma migliora anche la stabilità della rete elettrica e allevia la congestione nelle aree metropolitane.
La ricerca affronta una delle sfide più pressanti della pianificazione urbana moderna: la crescente interdipendenza tra le reti di distribuzione elettrica (DN) e le reti di trasporto urbano (UTN). Con l’adozione in rapida crescita dei veicoli elettrici, un comportamento di ricarica non coordinato può portare a sovraccarichi locali della rete, un uso inefficiente delle risorse rinnovabili e un aumento della congestione presso le stazioni di ricarica. I modelli di prezzo tradizionali spesso non riescono a considerare queste interazioni sistemiche, concentrandosi su aspetti isolati come le tariffe basate sul tempo o le tariffe fisse per posizione. Il team di Lu Siyue, tuttavia, ha riconosciuto la necessità di un approccio più olistico, uno che consideri sia la natura dinamica della generazione eolica sia i modelli stocastici della domanda di viaggio.
Al centro della loro metodologia si trova un modello di ottimizzazione a due livelli. Il livello superiore si concentra sulla determinazione delle tariffe di servizio di ricarica (Charging Service Fees, CSF) all’interno di una rete di distribuzione che incorpora energia eolica. Questo livello è formulato come un problema di programmazione a cono del secondo ordine (SOCP), che consente una modellizzazione precisa dei vincoli elettrici pur tenendo conto dell’incertezza intrinseca nella produzione eolica. Trattando le CSF come variabile decisionale, il modello permette agli operatori della rete di influenzare il comportamento di ricarica degli EV in tempo reale, deviando il carico dai periodi di bassa disponibilità rinnovabile o di alta tensione sulla rete.
Il livello inferiore del modello simula il comportamento dell’utente attraverso un problema di assegnazione del traffico basato sul principio di equilibrio dell’utente (UE). A differenza dei modelli tradizionali che assumono modelli di viaggio deterministici, questo quadro incorpora l’aleatorietà nei flussi di traffico da origine a destinazione (OD), riflettendo la natura imprevedibile delle corse quotidiane e delle commissioni. Si assume che i conducenti prendano decisioni razionali, scegliendo percorsi e fermate di ricarica che minimizzino i loro costi individuali, inclusi il tempo di viaggio, il tempo di attesa e le spese elettriche. L’interazione tra questi due livelli crea un ciclo di retroazione in cui i segnali di prezzo modellano i modelli di traffico, che a loro volta influenzano la domanda di energia e le condizioni della rete.
Quello che distingue questa ricerca è la sua integrazione dell’apprendimento per rinforzo profondo (DRL) per risolvere il problema stocastico a due livelli risultante. Le tecniche di ottimizzazione convenzionali faticano con sistemi così complessi e accoppiati, specialmente quando è coinvolta l’incertezza. Il DRL, tuttavia, offre un’alternativa potente sfruttando reti neurali per approssimare politiche ottimali attraverso tentativi ed errori. Il team ha implementato algoritmi di addestramento basati su gradienti e senza gradienti, confrontando le loro prestazioni in termini di velocità di convergenza e qualità della soluzione. In particolare, la strategia genetica profonda (DGP) senza gradienti ha dimostrato prestazioni superiori, raggiungendo risultati più vicini all’ottimo teorico rispetto al suo omologo basato su gradienti, il Deep Deterministic Policy Gradient (DDPG).
Le implicazioni pratiche di questo lavoro sono significative. In un sistema di prova a cinque nodi, l’applicazione delle CSF ottimizzate ha ridotto il costo sociale medio del 14,9%, da 10.022,6 yuan a 8.543,2 yuan. Ancora più importante, l’utilizzo dell’energia eolica è migliorato in modo drammatico, con i tassi di curtailment che sono scesi dal 31,1% al 4,8%. Ciò significa che quasi tutta l’energia eolica disponibile è stata integrata con successo nella rete, riducendo gli sprechi e migliorando la sostenibilità. Anche il flusso del traffico è diventato più equilibrato su tutta la rete, alleviando i colli di bottiglia sui corridoi più trafficati e aumentando la capacità sui percorsi sottoutilizzati. Sebbene i costi individuali dei conducenti siano aumentati leggermente, da 1,43 yuan a 1,45 yuan per viaggio, il beneficio sociale complessivo è stato sostanziale, dimostrando che piccoli compromessi a livello individuale possono portare a grandi guadagni collettivi.
Per validare la scalabilità, i ricercatori hanno applicato il loro quadro a uno scenario urbano reale che coinvolge 39 nodi e 10 stazioni di ricarica per veicoli elettrici. La rete su scala cittadina includeva diversi tipi di strade, dalle autostrade periferiche alle arterie urbane, ed era alimentata da una rete di distribuzione con otto generatori distribuiti e tre parchi eolici. Sotto una domanda OD incerta e una produzione eolica fluttuante, la strategia di prezzo guidata dal DRL ha conseguito una riduzione del 2,05% del costo totale del sistema, portandolo da 35.158,0 yuan a 34.436,9 yuan. I tassi di consumo di energia eolica sono aumentati significativamente ai nodi chiave: dal 21,3% al 62,6% al nodo 15 e dal 31,6% al 95,3% al nodo 33. Questi miglioramenti sono stati accompagnati da riduzioni misurabili della congestione del traffico, in particolare su collegamenti ad alta capacità che in precedenza si avvicinavano alla saturazione.
Uno degli aspetti più convincenti dello studio è l’enfasi sulla performance fuori dal campione (out-of-sample). Le condizioni del mondo reale raramente corrispondono perfettamente ai dati storici, quindi qualsiasi strategia di prezzo deve essere robusta a variazioni impreviste. Il team ha testato il suo modello sotto distribuzioni di probabilità alterate sia per la domanda di traffico che per la generazione eolica, simulando scenari in cui i volumi medi di OD sono passati da 1.000 a 1.100 veicoli e la produzione eolica è scesa da 10 MW a 8 MW. Nonostante questi cambiamenti, il sistema ha mantenuto prestazioni solide, indicando che la politica appresa generalizza bene oltre l’ambiente di addestramento. Questa resilienza è cruciale per il deployment nel mondo reale, dove i modelli meteorologici e i comportamenti di viaggio sono intrinsecamente volatili.
La ricerca evidenzia anche i limiti dei metodi non basati su apprendimento per rinforzo profondo nelle applicazioni su larga scala. Confrontato con un algoritmo di iterazione Q adattata (FQI) con uno spazio di azione discretizzato, l’approccio DRL ha superato significativamente. Mentre FQI è riuscito a convergere per alcune stazioni di ricarica, non è stato in grado di identificare livelli di prezzo ottimali su tutta la rete, raggiungendo infine solo una riduzione dei costi dello 0,20%—meno di un decimo di quanto raggiunto dal metodo DRL. Questo netto contrasto sottolinea l’importanza di spazi di azione continui e rappresentazioni di stato ad alta dimensione nella gestione di sistemi complessi e interconnessi.
Da una prospettiva politica, i risultati suggeriscono che una coordinazione centralizzata tra gli operatori dell’utility e le autorità dei trasporti può sbloccare efficienze sostanziali. In molte città, questi domini operano in modo indipendente, portando a risultati subottimali. Ad esempio, un’utility potrebbe offrire prezzi elettrici più bassi durante le ore di punta senza considerare se i conducenti siano disposti o in grado di ricaricare in quel momento. Allo stesso modo, i pianificatori dei trasporti potrebbero espandere la capacità stradale senza considerare la distribuzione spaziale dell’infrastruttura di ricarica. Il quadro proposto colma questa lacuna consentendo un’ottimizzazione congiunta delle risorse energetiche e di mobilità.
Inoltre, il modello supporta un passaggio da una gestione reattiva a una proattiva. Invece di aspettare che si verifichi congestione o instabilità della rete, gli operatori possono anticipare i problemi e regolare i segnali di prezzo di conseguenza. Ad esempio, se una previsione prevede un’alta generazione eolica nel pomeriggio, le CSF possono essere abbassate presso le stazioni di ricarica vicine per incentivare i proprietari di veicoli elettrici a ricaricare durante quella finestra. Al contrario, se i sensori del traffico rilevano una congestione crescente vicino a una stazione di ricarica popolare, le tariffe possono essere temporaneamente aumentate per deviare i conducenti verso alternative meno affollate. Questa capacità di risposta dinamica migliora la flessibilità del sistema e l’esperienza dell’utente.
Il ruolo dell’intelligenza artificiale in questa trasformazione non può essere sopravvalutato. Mentre tentativi precedenti di ricarica intelligente si basavano su sistemi basati su regole o semplici routine di ottimizzazione, l’integrazione dell’apprendimento profondo permette una presa di decisione adattativa e guidata dai dati. La rete neurale impara relazioni complesse tra variabili—come come un aumento del 10% nella generazione eolica influisce sul prezzo ottimale in diverse posizioni—e applica questa conoscenza in tempo reale. Nel corso di iterazioni successive, la politica diventa sempre più raffinata, avvicinandosi a prestazioni quasi ottimali anche in ambienti altamente stocastici.
Un altro vantaggio dell’approccio DRL è la sua capacità di gestire l’osservabilità parziale. Nella pratica, gli operatori non hanno informazioni perfette sullo stato di carica di ogni veicolo, sulla destinazione o sul percorso preferito. Il modello tiene conto di questa incertezza trattando i dati osservati—come il flusso di traffico aggregato e la velocità del vento—come statistiche sufficienti per prendere decisioni. Attraverso interazioni ripetute con l’ambiente, l’agente impara a inferire stati nascosti e ad agire di conseguenza, proprio come farebbe un dispatcher umano.
Le implicazioni si estendono oltre la ricarica dei veicoli elettrici. Lo stesso quadro potrebbe essere applicato ad altri sistemi di infrastruttura condivisa, come i trasporti pubblici, il bike-sharing o i servizi di micromobilità. Trattando il prezzo come una variabile di controllo e utilizzando l’apprendimento automatico per ottimizzarlo, le città possono ottenere una migliore allocazione delle risorse, ridurre l’impatto ambientale e migliorare la qualità della vita. Con il continuo aumento della popolazione urbana, tali strumenti diventeranno essenziali per mantenere vivibilità e sostenibilità.
Criticamente, lo studio aderisce ai principi di trasparenza e riproducibilità. Tutte le simulazioni sono state condotte utilizzando solutori open source (Mosek e Baron) all’interno di un ambiente Python, e il quadro DRL è stato costruito utilizzando PyTorch, una libreria di apprendimento profondo ampiamente adottata. L’inclusione di confronti di benchmark—contro sia la programmazione stocastica basata su scenari che i metodi RL non profondi—garantisce che le affermazioni sulle prestazioni siano rigorosamente fondate. Inoltre, l’uso di topologie di rete del mondo reale e valori di parametri realistici migliora la validità esterna, rendendo i risultati più applicabili a contesti urbani reali.
Le considerazioni etiche sono anche affrontate implicitamente attraverso il focus sulla minimizzazione del costo sociale. Piuttosto che massimizzare il profitto per gli operatori delle stazioni di ricarica o minimizzare il costo per gli utenti individuali, la funzione obiettivo priorizza il benessere collettivo. Ciò si allinea con la missione di servizio pubblico delle società elettriche e dei governi municipali, assicurando che i progressi tecnologici servano alla comunità più ampia. Inoltre, il leggero aumento dei costi individuali osservato nel sistema a cinque nodi suggerisce che le preoccupazioni di equità siano state bilanciate con i guadagni di efficienza, evitando scenari in cui solo un sottoinsieme di utenti sopporta il carico dell’ottimizzazione del sistema.
In conclusione, il lavoro di Lu Siyue e colleghi rappresenta un passo significativo avanti nell’integrazione dei sistemi energetici e di trasporto. Combinando una rigorosa modellizzazione matematica con tecniche all’avanguardia di apprendimento automatico, hanno sviluppato una strategia di prezzo che è sia tecnicamente solida che praticamente realizzabile. I risultati dimostrano chiari benefici in termini di riduzione dei costi, utilizzo delle energie rinnovabili e gestione del traffico. Mentre le città di tutto il mondo cercano di decarbonizzare i loro settori dei trasporti e modernizzare le loro reti, questa ricerca fornisce una guida per un’operazione intelligente e coordinata dell’infrastruttura. Con ulteriori perfezionamenti e test sul campo, tali modelli potrebbero presto diventare strumenti standard nel kit dello specialista della pianificazione urbana, contribuendo a costruire città più intelligenti, verdi e resilienti.
Lu Siyue, Ji Hongquan, Zhang Lu, Xu Hui, Wang Peiyi, State Grid Beijing Electric Power Company, Computer Applications and Software, DOI: 10.3969/j.issn.1000-386x.2024.09.053