Le flotte di veicoli elettrici ridefiniscono la stabilità della rete elettrica
La mobilità elettrica sta rapidamente superando il suo ruolo originario di semplice alternativa ai veicoli a combustione interna. Una ricerca pionieristica condotta da un team della Hefei University of Technology rivela che i veicoli elettrici (EV), quando aggregati intelligentemente, possono svolgere un ruolo fondamentale nella stabilizzazione delle reti elettriche attraverso servizi ausiliari in scenari multipli. Questo nuovo approccio di modellazione, basato su dati reali e tecniche avanzate di apprendimento automatico, ridefinisce il modo in cui i veicoli elettrici interagiscono con i sistemi energetici, posizionandoli non più come semplici carichi passivi, ma come asset dinamici e programmabili.
Lo studio, guidato da Wang Yangyang, dottorando presso il Centro di Ricerca per l’Ingegneria dei Sistemi Fotovoltaici del Ministero dell’Istruzione, introduce un innovativo metodo di clustering a due livelli per modellare la capacità programmabile aggregata (ASC) di grandi flotte di veicoli elettrici. Questa capacità, definita come i limiti superiore e inferiore dello scambio di energia o potenza tra i veicoli elettrici e la rete nelle normali condizioni di utilizzo, è cruciale per consentire alle centrali elettriche virtuali (VPP) di partecipare a servizi come il livellamento dei picchi, la regolazione della frequenza e il supporto della tensione. I risultati, pubblicati sulla rivista Automation of Electric Power Systems, offrono un quadro scalabile per integrare milioni di veicoli elettrici nei sistemi di dispatch elettrico a livello provinciale.
Con la flotta di veicoli elettrici in Cina che si prevede raggiungerà quasi 100 milioni di unità entro il 2030, con una capacità di stoccaggio stimata di circa 4 terawattora, le implicazioni di una ricarica non coordinata sono profonde. Una ricarica disordinata potrebbe esacerbare gli squilibri nella rete, specialmente con l’aumento della penetrazione delle energie rinnovabili. Tuttavia, lo studio dimostra che, attraverso tecnologie di Vehicle-to-Grid (V2G) e aggregazione intelligente, i veicoli elettrici possono diventare una risorsa flessibile e reattiva in grado di fornire una capacità di regolazione su scala di gigawatt.
Gli approcci tradizionali alla modellazione delle flotte di veicoli elettrici spesso le trattano come entità monolitiche o si basano su assunzioni probabilistiche sul comportamento di ricarica. Questi metodi, sebbene utili per applicazioni su piccola scala, falliscono quando applicati a reti regionali o provinciali, dove la distribuzione spaziale, la diversità dell’infrastruttura di ricarica e la variabilità del comportamento degli utenti svolgono un ruolo critico. I modelli esistenti spesso assumono modelli di ricarica uniformi o si basano su dati sintetici, limitando così la loro applicabilità nel mondo reale.
Wang e il suo team affrontano queste limitazioni proponendo un quadro basato sui dati e a due livelli. Invece di trattare veicoli e stazioni di ricarica separatamente, il modello integra le caratteristiche di entrambi in un’unica “unità di accumulo energetico generalizzata” (EV-GESS). Questa visione olistica riconosce che la capacità di programmazione di un veicolo elettrico non dipende solo dalla sua capacità della batteria o dallo stato di carica, ma anche dal tipo di caricatore a cui è collegato, dalla sua posizione geografica e dalle abitudini di ricarica dell’utente.
Il primo livello del modello utilizza l’algoritmo di clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) per analizzare oltre 1,78 milioni di record di ricarica reali provenienti da 4.181 stazioni di ricarica in una provincia cinese nel 2021. A differenza dei metodi di clustering basati su centroidi come k-means, DBSCAN non richiede un numero predefinito di cluster ed è robusto agli outlier, rendendolo ideale per gestire la natura rumorosa e irregolare dei dati di ricarica del mondo reale. L’algoritmo identifica diversi modelli di comportamento di ricarica, come “tipo mattutino”, “tipo pomeridiano” e “tipo serale”, basati sull’orario di inizio, durata, energia consumata e rapporto di tempo inattivo.
Una delle innovazioni chiave è l’introduzione del “rapporto di tempo inattivo”, una metrica che quantifica la proporzione di tempo in cui un veicolo elettrico rimane collegato a un caricatore senza caricare attivamente. Un alto rapporto di tempo inattivo indica una maggiore flessibilità; questi veicoli possono ritardare la ricarica o persino restituire energia alla rete senza inconvenienti per l’utente. Ad esempio, i veicoli parcheggiati durante la notte che si collegano dopo cena ma non hanno bisogno del veicolo fino al mattino seguente rappresentano un candidato ideale per i servizi V2G.
Il secondo livello del modello applica una versione migliorata della mappa auto-organizzata (SOM), modificata con selezione della dimensione e riduzione delle caratteristiche basata su autoencoder (AE-DSSOM). Questa fase raggruppa le stazioni di ricarica stesse in base alla distribuzione dei profili di ricarica e ai parametri di infrastruttura fissi, come la potenza nominale e le coordinate geografiche. Negli scenari di livellamento dei picchi e regolazione della frequenza, la posizione spaziale può essere meno critica, ma per la regolazione della tensione, la posizione fisica del caricatore influenza direttamente quale parte della rete di distribuzione può essere stabilizzata.
Combinando questi due livelli di clustering, il modello crea aggregatori distinti di EV-GESS (EV-GESSA), ognuno dei quali rappresenta una combinazione unica di comportamento temporale e caratteristiche spaziali-tecniche. Ciò consente agli operatori di rete di rivolgersi a specifici aggregatori per diversi servizi; ad esempio, mobilitando veicoli elettrici con un alto rapporto di tempo inattivo e posizionati centralmente per la risposta in tempo reale della frequenza, mentre riservando stazioni di grande capacità e alta potenza per lo spostamento dell’energia di massa durante le ore di punta.
Le implicazioni pratiche di questa ricerca sono sostanziali. Lo studio stima che, basandosi sui dati del 2021, la flotta di veicoli elettrici modellata potrebbe fornire una gamma media di potenza regolabile di [-39,7, 10,5] megawatt a un intervallo di dispatch di 1 minuto, sufficiente per supportare la stabilità della frequenza regionale. Quando si scala alle previste tariffe di adozione dei veicoli elettrici per il 2030, il potenziale cresce a diversi gigawatt, rivaleggiando con l’output delle centrali elettriche convenzionali di picco.
Inoltre, il modello tiene conto della natura dinamica della capacità programmabile. Mentre i veicoli elettrici caricano o scaricano in risposta ai segnali della rete, la loro capacità disponibile per ulteriori aggiustamenti cambia. I ricercatori incorporano questo ciclo di retroazione nei loro calcoli di ASC, garantendo che le decisioni di dispatch in tempo reale si basino su stime di capacità accurate e aggiornate. Questo è particolarmente importante per i servizi ausiliari che richiedono un’uscita di potenza sostenuta per diversi minuti, come la regolazione della frequenza, dove la capacità di mantenere un livello di potenza fisso per 3-30 minuti è essenziale.
Lo studio esamina anche le tendenze a lungo termine nella flessibilità dei veicoli elettrici. Le analisi settimanali, mensili e annuali rivelano modelli stagionali e comportamentali. Ad esempio, la capacità programmabile tende a diminuire nei fine settimana, probabilmente a causa della riduzione della domanda di ricarica per gli spostamenti. Tuttavia, le vacanze nazionali come la Festa del Lavoro e la Festa Nazionale vedono un aumento dell’attività, probabilmente legato a un maggiore viaggio e tempi di parcheggio più lunghi. Queste intuizioni consentono una pianificazione più precisa e strategica per gli operatori di rete.
Un altro contributo significativo è la validazione delle scelte algoritmiche. Il team confronta DBSCAN, k-means, SOM e DSSOM in entrambi i livelli di clustering, valutando le prestazioni utilizzando l’Indice Davies-Bouldin (DBI), una misura della separazione e compattezza del cluster. I risultati mostrano che DBSCAN raggiunge il miglior equilibrio tra velocità e precisione nel primo livello, elaborando oltre 1,7 milioni di record in meno di 15 secondi con un DBI di 0,7247, superando k-means (0,8262) e SOM standard (0,7354). Nel secondo livello, dove la dimensionalità dei dati è maggiore ma il volume è minore, AE-DSSOM raggiunge il DBI più basso (0,8556), dimostrando una qualità di clustering superiore nonostante un tempo di calcolo leggermente più lungo.
L’integrazione degli autoencoder nel secondo stadio si rivela particolarmente efficace. Riducendo la dimensionalità delle caratteristiche di input, il modello evita la “maledizione della dimensionalità” e migliora la capacità della rete neurale di discernere modelli significativi. Questo è cruciale quando si tratta di dati a 12 dimensioni che includono sia rapporti di comportamento che coordinate geografiche. L’autoencoder apprende una rappresentazione compressa che cattura le caratteristiche più salienti, migliorando sia la velocità che la precisione del clustering.
Da un punto di vista politico ed economico, la ricerca sottolinea la fattibilità finanziaria dei servizi di rete basati sui veicoli elettrici. Le attuali tariffe di compensazione per i servizi ausiliari in Cina variano da 300 a 800 yuan per megawattora. Anche con il set di dati del 2021, che rappresenta solo circa il 30% dell’attività di ricarica totale della provincia, il potenziale di entrate orarie ammonta a decine di migliaia di yuan. Entro il 2030, con l’integrazione completa della flotta, il valore economico potrebbe raggiungere miliardi annualmente, creando un forte incentivo per le aziende elettriche, i produttori di automobili e i consumatori a partecipare ai programmi V2G.
Tuttavia, gli autori riconoscono alcune limitazioni. Il modello si basa su dati storici di ricarica e non incorpora ancora le risposte in tempo reale degli autisti ai segnali di dispatch. Il comportamento degli utenti potrebbe cambiare quando vengono introdotti incentivi finanziari o richieste obbligatorie della rete. Inoltre, le preoccupazioni riguardo al deterioramento della batteria e alla disponibilità del caricatore rimangono barriere per l’adozione generalizzata di V2G. I lavori futuri si concentreranno sulla modellazione predittiva di ASC e sui test sul campo per validare il quadro teorico.
L’importanza più ampia di questa ricerca risiede nella sua scalabilità e adattabilità. Sebbene lo studio si concentri su una singola provincia, la metodologia può essere applicata a qualsiasi regione con dati sufficienti sull’infrastruttura di ricarica. Man mano che i contatori intelligenti, i veicoli connessi e le piattaforme energetiche basate sul cloud diventano onnipresenti, gli input necessari per tali modelli—orari di inizio e fine, energia erogata, tipo di caricatore—saranno sempre più disponibili.
Questo cambiamento rappresenta un cambiamento fondamentale nel modo in cui vediamo i sistemi di trasporto e di energia. I veicoli elettrici non sono più semplici consumatori di elettricità; sono unità di stoccaggio mobili, capaci di fornire servizi di rete su larga scala. La transizione da carichi passivi a partecipanti attivi richiede modellazione sofisticata, protocolli di comunicazione robusti e meccanismi di mercato che compensino equamente gli utenti. Questo studio fornisce un pezzo critico di questo puzzle.
Gli operatori di rete stanno già esplorando programmi pilota che sfruttano flotte di veicoli elettrici per la regolazione della frequenza. In Europa, progetti come eV2g in Danimarca e il sistema energetico EV del Regno Unito hanno dimostrato la fattibilità tecnica di V2G. Negli Stati Uniti, aziende come Pacific Gas & Electric e Southern California Edison stanno testando la ricarica bidirezionale con flotte di autobus scolastici elettrici e veicoli municipali. Lo studio cinese aggiunge una nuova dimensione mostrando come grandi popolazioni eterogenee di veicoli elettrici possano essere organizzate e ottimizzate sistematicamente per servizi multipli.
L’approccio di clustering a due livelli ha anche implicazioni oltre i servizi di rete. Potrebbe informare la pianificazione urbana, aiutando le città a identificare posizioni ottimali per i centri di ricarica rapida basati su modelli di utilizzo reali. Potrebbe supportare le decisioni di investimento delle aziende elettriche, guidando il dispiegamento di trasformatori e attrezzature di distribuzione in aree con alta concentrazione di veicoli elettrici. E potrebbe consentire servizi energetici personalizzati, in cui gli autisti ricevano raccomandazioni di ricarica personalizzate in base al loro comportamento storico e alle esigenze della rete.
Man mano che procede la transizione energetica, la linea tra i sistemi di trasporto e di energia continuerà a sfumarsi. I veicoli non saranno solo alimentati da elettricità, ma aiuteranno anche a bilanciare la rete che li alimenta. Il lavoro di Wang Yangyang e dei suoi colleghi alla Hefei University of Technology fornisce una mappa per rendere questa visione una realtà, trasformando milioni di eventi di ricarica individuali in una risorsa coordinata, intelligente e altamente preziosa per la rete elettrica moderna.
Lo studio stabilisce un nuovo standard per la ricerca sull’integrazione di veicoli elettrici e reti elettriche, combinando scienza dei dati rigorosa con intuizioni di ingegneria pratica. Va oltre le simulazioni teoriche per fornire un modello basato su operazioni del mondo reale, convalidato contro il comportamento di ricarica reale. In questo modo, colma il divario tra ricerca accademica e applicazione industriale, offrendo uno strumento che può essere utilizzato direttamente da operatori di rete, aggregatori e responsabili politici.
In conclusione, il futuro della stabilità della rete potrebbe dipendere dalla coordinazione intelligente dei veicoli elettrici. Man mano che le capacità delle batterie aumentano, l’infrastruttura di ricarica si espande e la connettività digitale migliora, il potenziale dei veicoli elettrici come risorse energetiche distribuite continuerà solo a crescere. La ricerca presentata qui non è solo un’impresa tecnica; è un passo verso un futuro energetico più resiliente, efficiente e sostenibile.
Wang Yangyang, Mao Meiqin, Yang Cheng, Zhou Kun, Du Yan, Nikos D. Hatziargyriou, Hefei University of Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230627012