Nuovo modello ottimizza le stazioni di ricarica veloce per le aree rurali
La mobilità elettrica sta attraversando una fase di crescita esponenziale, con milioni di nuovi veicoli elettrici (EV) che ogni anno sostituiscono i tradizionali motori a combustione. Tuttavia, mentre le città si dotano di reti di ricarica sempre più dense e sofisticate, un’enorme porzione del territorio nazionale rimane indietro: le aree rurali, i piccoli centri e le regioni periferiche. Qui, la scarsità di infrastrutture di ricarica rapida rappresenta un freno concreto all’adozione dei veicoli elettrici, alimentando l’ansia da autonomia e limitando la libertà di movimento. Un recente studio condotto da ricercatori della Tsinghua University e del Shantou Power Supply Bureau della Guangdong Power Grid affronta questa sfida con un approccio rivoluzionario, proponendo un modello di pianificazione delle stazioni di ricarica che non si basa solo su dati tecnici e costi, ma che integra per la prima volta in modo sistematico il comportamento reale degli utenti.
L’approccio, sviluppato da Zhuoxu Chen e Zechun Hu del Dipartimento di Ingegneria Elettrica della Tsinghua University, in collaborazione con Yujian Wan e Junsong Li del Shantou Power Supply Bureau, è stato pubblicato sulla prestigiosa rivista Automated Electric Power Systems. Il modello, descritto come un “framework di ottimizzazione basato sull’equilibrio stocastico degli utenti”, rappresenta un salto di qualità rispetto ai metodi tradizionali. Invece di presupporre che i conducenti siano agenti perfettamente razionali che scelgono sempre la stazione più vicina o più economica, il modello riconosce e incorpora la “razionalità limitata” del comportamento umano. Questo significa che tiene conto del fatto che i conducenti, specialmente in aree meno urbanizzate, spesso prendono decisioni con informazioni incomplete, influenzati da fattori come la tolleranza a fare deviazioni, la paura delle code e l’attrattiva dei servizi circostanti.
Il cuore del problema risiede nella natura stessa della mobilità nelle zone extraurbane. A differenza dei centri città, dove i percorsi sono brevi e la rete di ricarica è fitta, i viaggi nelle contee e nei distretti sono spesso più lunghi, con una connettività stradale più rada. In queste condizioni, la scelta di una stazione di ricarica non è mai banale. Un conducente potrebbe preferire fare un leggero deviazione per raggiungere una stazione meno affollata, o potrebbe essere attratto da una stazione vicino a un’area commerciale o turistica, dove può sfruttare il tempo di ricarica per fare una pausa. Ignorare queste dinamiche porta a modelli di pianificazione che, anche se ottimali dal punto di vista matematico, falliscono nella pratica, creando stazioni sovrautilizzate in alcuni punti e sottoutilizzate in altri.
Il modello proposto da Chen e colleghi supera questo limite attraverso un approccio in due fasi. La prima fase è la simulazione della domanda. Utilizzando un metodo chiamato “catena di viaggio”, i ricercatori ricostruiscono in modo dettagliato i percorsi tipici degli utenti, tenendo conto non solo degli spostamenti locali, ma anche del traffico in transito proveniente da altre regioni. Questo è un aspetto cruciale, spesso trascurato, perché i veicoli che attraversano un distretto per raggiungere una destinazione più lontana possono rappresentare una quota significativa della domanda di ricarica. Il modello introduce specificamente i “nodi di connessione esterna”, che rappresentano i punti di ingresso e uscita del sistema stradale locale, permettendo di catturare con precisione questo flusso di utenti temporanei.
La seconda fase è la modellazione della decisione di ricarica. Qui entra in gioco il concetto di Equilibrio Stocastico dell’Utente (SUE). Il modello non assume che tutti i conducenti conoscano perfettamente lo stato di ogni stazione di ricarica. Al contrario, presuppone che i conducenti valutino il costo complessivo di una ricarica come una combinazione di quattro fattori principali: la distanza del deviazione dal percorso previsto, il costo della ricarica (inclusi elettricità, servizio e parcheggio), il livello di congestione della stazione e l’attrattiva dei servizi circostanti. Ogni fattore è pesato in base alla sensibilità dell’utente medio, e il modello utilizza una teoria della scelta discreta per calcolare la probabilità che un conducente scelga una stazione piuttosto che un’altra. Questo approccio genera un “equilibrio”, dove la distribuzione degli utenti tra le stazioni è coerente con le loro percezioni di costo, creando un sistema stabile e realistico.
L’obiettivo finale del modello è la pianificazione ottimale: dove costruire le stazioni, quante colonnine installare e come dimensionarle. L’ottimizzazione persegue due obiettivi principali: minimizzare i costi totali di investimento e gestione per gli sviluppatori delle stazioni e minimizzare la distanza media di deviazione per gli utenti. Questo bilanciamento tra interessi economici e soddisfazione del cliente è fondamentale per una pianificazione sostenibile. Il modello deve inoltre rispettare vincoli fondamentali, come la capacità della rete elettrica locale, che in aree rurali può essere limitata, e i budget di costruzione.
La vera genialità del lavoro risiede nella sua capacità di essere risolto in modo efficiente. Il problema originale, con le sue complesse equazioni di equilibrio, è estremamente difficile da risolvere. I ricercatori hanno superato questo ostacolo applicando una serie di sofisticate tecniche di linearizzazione. Hanno trasformato le equazioni non lineari in un insieme di disuguaglianze lineari, convertendo così un problema di ottimizzazione non convessa in un programma lineare a numeri interi misti (MILP). Questo tipo di problema può essere risolto con grande efficienza da solutori commerciali come Gurobi, garantendo di trovare la soluzione globalmente ottimale, non solo una soluzione approssimata.
Per testare il modello, i ricercatori hanno utilizzato una rete stradale modificata di 33 nodi, progettata per riflettere la scarsa densità tipica di un distretto rurale. Dopo l’ottimizzazione, il modello ha raccomandato la costruzione di stazioni di ricarica rapida in soli cinque dei dodici siti candidati: i nodi 2, 17, 20, 21 e 26. Questa selezione non è casuale. Il nodo 17, ad esempio, è un nodo di connessione esterna, evidenziando il valore strategico di posizionare una stazione in un punto di ingresso per servire i veicoli in transito. Il modello ha determinato che costruire stazioni in altri nodi esterni sarebbe stato un investimento eccessivo e poco efficiente.
L’analisi dei risultati rivela diversi insight fondamentali. In primo luogo, il modello evita la sovrapposizione. La domanda è distribuita in modo relativamente uniforme tra le cinque stazioni, prevenendo la formazione di colli di bottiglia. Questo è un diretto risultato del modello SUE: quando una stazione diventa troppo affollata, il suo “costo percepito” aumenta a causa delle lunghe attese, spingendo gli utenti a considerare alternative, anche se leggermente più lontane. In secondo luogo, il modello dimostra l’importanza dei fattori non legati al viaggio. Le stazioni situate vicino a zone con una densità più alta di punti di interesse (POI), come centri commerciali o attrazioni turistiche, sono più attraenti per gli utenti. Questo conferma che la ricarica di un veicolo elettrico non è più vista solo come una necessità tecnica, ma come parte di un’esperienza di viaggio più ampia.
La validità del modello è stata testata attraverso un’analisi di sensibilità approfondita. Variando i parametri chiave, come il coefficiente di razionalità (che misura quanto gli utenti sono sensibili alle differenze di costo) o il peso attribuito alla congestione, i ricercatori hanno osservato come la soluzione ottimale cambiasse in modo logico e prevedibile. Quando gli utenti sono più sensibili alle code, il modello suggerisce una rete più distribuita. Quando sono più sensibili al prezzo, il modello tende a concentrare le stazioni in aree più economiche. Questa robustezza è essenziale per un modello che deve essere utilizzato in scenari del mondo reale, dove le condizioni di mercato e il comportamento degli utenti possono cambiare.
Dal punto di vista pratico, questo studio ha implicazioni significative per i pianificatori urbani, le aziende elettriche e gli operatori privati di ricarica. Per le aziende elettriche come la Guangdong Power Grid, che ha finanziato lo studio, il modello fornisce uno strumento per valutare preventivamente l’impatto di nuove stazioni sulla rete locale, evitando sovraccarichi e problemi di stabilità del voltaggio. Per gli operatori privati, il modello offre una base scientifica per prendere decisioni di investimento, consentendo di prevedere con maggiore accuratezza la redditività di una stazione in una posizione specifica.
In un panorama dove spesso i modelli di pianificazione sono opachi e basati su algoritmi di intelligenza artificiale difficili da interpretare, questo lavoro si distingue per la sua trasparenza e il suo fondamento teorico solido. Si basa su principi consolidati di teoria dei giochi, economia del trasporto e ricerca operativa, rendendo i suoi risultati interpretabili, auditabili e, soprattutto, affidabili. Non è un “black box”, ma un processo logico e spiegabile.
La transizione verso la mobilità elettrica non sarà completata finché non sarà accessibile a tutti, non solo agli abitanti delle grandi città. Questo modello rappresenta un passo cruciale verso una rete di ricarica più equa, efficiente e user-friendly. Mostra che il futuro della ricarica non è semplicemente costruire più stazioni, ma costruire le stazioni giuste, nel posto giusto, per le persone giuste. È un esempio di come la scienza dei dati e la comprensione del comportamento umano possano unirsi per creare soluzioni intelligenti per una mobilità sostenibile.
Chen Zhuoxu, Hu Zechun et al., Automated Electric Power Systems. DOI: 10.7500/AEPS20230731003