Una strategia intelligente per la ricarica dei veicoli elettrici
La transizione verso i veicoli elettrici (VE) non riguarda solo il modo in cui alimentiamo le nostre automobili, ma rappresenta una trasformazione fondamentale del rapporto tra mobilità e infrastruttura energetica. Con milioni di nuovi carichi che si collegano alla rete elettrica, emerge un paradosso: la stessa flotta di batterie mobili che minaccia di sovraccaricare la rete durante le ore di punta serale può diventare la soluzione più potente per la stabilità del sistema. Immaginiamo un futuro in cui i VE non sono semplici consumatori di energia, ma attivi partecipanti al mercato elettrico, capaci di immagazzinare l’energia solare e eolica in eccesso durante il giorno e di restituirla alla rete quando la domanda è massima. Il vero interrogativo non è più se i veicoli elettrici possano supportare la rete, ma come progettare un sistema che renda questa collaborazione fluida, vantaggiosa per tutti gli attori coinvolti e, soprattutto, accettabile e conveniente per il guidatore medio.
Gli approcci tradizionali alla gestione delle flotte di VE si basano spesso su modelli di ottimizzazione centralizzati. Questi modelli trattano l’intera flotta come un’entità omogenea, calcolando un piano di ricarica ideale basato su condizioni aggregate della rete e sui prezzi dell’energia. Sebbene matematicamente eleganti, questi metodi incontrano ostacoli pratici. Richiedono una capacità di calcolo enorme, spesso mancano di dati reali sui modelli di guida individuali e, cosa cruciale, trascurano le complesse interazioni strategiche tra i diversi attori. L’aggregatore di carico (LA), che funge da intermediario tra la rete e i consumatori, persegue i propri obiettivi di profitto. Dall’altra parte, i proprietari di VE sono guidati da una miscela di considerazioni economiche e di comodità personale. Un ordine centrale per ricaricare a un’ora specifica potrebbe essere ottimale per la rete, ma rischia di alienare gli utenti se entra in conflitto con le loro routine quotidiane o se gli incentivi finanziari non sono sufficientemente convincenti. Questo divario tra modelli teorici e comportamento umano reale è stato un ostacolo persistente per l’implementazione diffusa di programmi di Veicolo-a-Rete (V2G) efficaci.
Uno studio innovativo pubblicato sulla rivista Power System Protection and Control offre una soluzione sofisticata a questo dilemma. I ricercatori Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang e Yulin Fu del College of Electrical Engineering della Shanghai University of Electric Power hanno sviluppato una strategia di ottimizzazione in due livelli basata sul “gioco di Stackelberg” che modella esplicitamente l’interazione strategica tra un aggregatore di carico e gruppi di utenti di VE. Il loro modello, intitolato “Strategia di ottimizzazione della pianificazione dei veicoli elettrici aggregati mediante gioco di Stackelberg considerando la soddisfazione del cliente e la rete stradale”, va oltre le assunzioni semplificate integrando dati di viaggio reali, la psicologia dell’utente e i vincoli fisici della rete di trasporto. Il risultato è un quadro che non solo migliora la stabilità della rete e aumenta il consumo di energia rinnovabile, ma offre anche benefici tangibili sia per l’aggregatore che per il singolo proprietario di VE, creando uno scenario veramente vantaggioso per tutti.
Il fondamento di questo approccio innovativo è una profonda comprensione della mobilità umana. Invece di affidarsi a modelli di viaggio sintetici o medi, il team di ricerca ha utilizzato un ricco insieme di dati sul comportamento di guida reale. L’analisi si è basata su un mese di registrazioni di viaggio del servizio di ride-hailing Didi Chuxing nella città di Chengdu. Questo ha fornito un’immagine ad alta risoluzione dei viaggi effettivi, inclusi i punti di raccolta e di destinazione, gli orari di viaggio e le traiettorie dei veicoli. Per trasformare questi dati grezzi di GPS in un modello significativo del comportamento urbano, i ricercatori hanno costruito una rappresentazione digitale dettagliata della rete stradale della città. Utilizzando un software GIS (Sistema Informativo Geografico), hanno mappato le strade principali e gli incroci, creando un grafo topologico che i veicoli simulati potevano navigare. Inoltre, hanno arricchito questo modello spaziale integrando i dati dei Punti di Interesse (POI) di Gaode Map, un servizio leader di mappe digitali in Cina. Questo ha permesso di classificare diverse aree della città in zone funzionali — residenziali, commerciali, lavorative e di servizio pubblico — fornendo un contesto sul perché le persone viaggiano da un punto all’altro. Questa fusione di dati di viaggio reali con una rete stradale geograficamente precisa e annotata funzionalmente è un progresso significativo, che assicura che la domanda simulata di ricarica sia radicata nella realtà, riflettendo i veri modelli di pendolarismo, acquisti e attività ricreative.
Con un modello realistico del comportamento di viaggio stabilito, il passo successivo è stato comprendere i bisogni di ricarica che ne derivano. I ricercatori hanno simulato i viaggi di 2.000 veicoli elettrici privati su un giorno rappresentativo. Per ogni veicolo, hanno monitorato il suo stato di carica (SOC), calcolando il consumo energetico in base alla distanza percorsa e al tipo di strada (ad esempio, autostrada rispetto a strada cittadina), che influisce sulla velocità e sull’efficienza. Un evento di ricarica veniva attivato quando il livello della batteria scendeva al di sotto di una soglia di sicurezza, tipicamente il 20%. Questo processo ha generato una mappa altamente dettagliata, spazio-temporale, della domanda di ricarica in tutta la città, rivelando schemi prevedibili. Come previsto, è emerso un picco di ricarica significativo nel tardo pomeriggio e serale, tra le 17:00 e le 22:00, quando i guidatori tornavano dal lavoro e da altre attività. Al contrario, la domanda di ricarica era molto più bassa nelle prime ore del mattino. Questa previsione granulare di quando e dove si sarebbe verificata la ricarica ha fornito l’input essenziale per la fase successiva di ottimizzazione.
Il numero elevato e la diversità dei VE rendono poco pratico per un aggregatore di carico gestire ogni veicolo individualmente. Per affrontare questo problema, i ricercatori hanno impiegato un algoritmo di clustering K-means++, una forma avanzata di apprendimento automatico non supervisionato. Questo algoritmo ha raggruppato i 2.000 VE in cinque cluster distinti in base alla somiglianza dei loro tempi di ingresso e uscita dalla rete — i periodi in cui erano disponibili per caricare o restituire energia alla rete. L’algoritmo K-means++ è stato scelto rispetto al K-means standard perché seleziona intelligentemente i centri iniziali dei cluster per essere il più lontani possibile, il che migliora drasticamente la velocità e l’affidabilità del processo di clustering, evitando raggruppamenti subottimali. I cluster risultanti rappresentavano diversi archetipi di utenti: un gruppo che si collegava presto al mattino, un altro che arrivava a casa tardi la sera, un terzo che aveva una finestra di ricarica a metà pomeriggio, e così via. Questo clustering è un passo cruciale, poiché consente all’LA di trattare ogni gruppo come un’entità più prevedibile con una finestra di disponibilità definita, semplificando enormemente il problema di pianificazione.
Al centro del sistema proposto c’è il gioco di Stackelberg, un quadro matematico per modellare il processo decisionale gerarchico. In questo scenario, l’aggregatore di carico (LA) è il “leader”, e i cinque cluster di VE sono i “seguaci”. Il gioco procede in una sequenza specifica. Prima, l’LA, che possiede o gestisce un portafoglio di risorse energetiche distribuite che includono turbine eoliche, pannelli solari e un sistema di accumulo energetico (BESS), annuncia la sua strategia di prezzo per la giornata. Questa strategia consiste in due prezzi dinamici per ogni ora: un prezzo di “acquisto” più alto al quale l’LA acquisterà elettricità dai VE che stanno restituendo energia alla rete (V2G), e un prezzo di “vendita” più basso al quale venderà elettricità ai VE che stanno caricando. L’obiettivo principale dell’LA è massimizzare il proprio profitto, calcolato come i suoi ricavi dalla vendita di energia alla rete e ai suoi clienti, meno i costi per l’acquisto di energia dalla rete e la manutenzione delle sue risorse energetiche.
I cluster di VE, come seguaci, osservano i prezzi annunciati dall’LA e quindi prendono le proprie decisioni ottimali. L’obiettivo di ogni cluster è massimizzare il suo “surplus del consumatore”, che è la differenza tra il beneficio totale che i suoi membri ottengono dalla ricarica e il costo totale che sostenere. È qui che il modello introduce un concetto rivoluzionario: la soddisfazione dell’utente. Invece di trattare i proprietari di VE come agenti puramente economici, i ricercatori hanno sviluppato una funzione di utilità completa che cattura due aspetti chiave dell’esperienza dell’utente. Il primo è la soddisfazione per il costo di ricarica, che è una metrica economica diretta — agli utenti piacciono i prezzi bassi. Il secondo è la soddisfazione per il modello di utilizzo, che misura di quanto l’orario di ricarica ottimizzato si discosti dal comportamento naturale, non ottimizzato, dell’utente. Un guidatore che normalmente ricarica immediatamente al ritorno a casa alle 18:00 potrebbe essere insoddisfatto se l’orario ottimale richiede di aspettare fino alle 21:00, anche se il prezzo è più basso. Questa funzione quantifica quell’inconveniente. La soddisfazione generale dell’utente è una somma ponderata di questi due componenti, permettendo al modello di rappresentare diversi tipi di utenti. Alcuni utenti sono altamente sensibili al prezzo e sono disposti a cambiare significativamente il loro orario di ricarica per risparmiare denaro. Altri danno priorità alla comodità e sono meno propensi a modificare le loro abitudini, anche per un guadagno finanziario.
Il genio dell’equilibrio di Stackelberg sta nel fatto che trova una soluzione stabile in cui nessun giocatore può migliorare il proprio risultato cambiando unilateralmente la propria strategia. L’LA imposta prezzi progettati per suscitare una risposta specifica e redditizia dai cluster di VE. I cluster di VE, a loro volta, rispondono caricando e scaricando in un modo che massimizza la propria soddisfazione dati quei prezzi. I ricercatori hanno utilizzato un algoritmo genetico migliorato per risolvere questo complesso problema di ottimizzazione nidificata, aggiustando iterativamente i prezzi dell’LA e le risposte dei cluster fino a quando non è stato raggiunto un equilibrio.
I risultati della simulazione dimostrano l’impatto profondo di questo approccio. Rispetto a uno scenario senza risposta alla domanda, la strategia ottimizzata ha portato a un significativo effetto di “livellamento dei picchi e riempimento delle valli” sulla curva di carico della rete. La differenza tra picco e valle, una metrica chiave della tensione sulla rete, è stata ridotta di oltre 300 kW, un miglioramento sostanziale che migliora la stabilità della rete e riduce la necessità di costose centrali elettriche di picco. I ricavi dell’LA sono aumentati del 12,9%, un risultato diretto della sua capacità di acquistare a basso prezzo, vendere a prezzo alto e gestire in modo efficiente le proprie risorse rinnovabili e di accumulo. Fondamentale è che il surplus del consumatore per gli utenti di VE è aumentato in media del 9,7%. Ciò significa che, nonostante lo spostamento strategico dei loro orari di ricarica, gli utenti sono finiti in una posizione migliore, principalmente perché i risparmi finanziari derivanti dal caricare a prezzi bassi e dal vendere a prezzi alti hanno superato il piccolo fastidio di un orario cambiato. Questo aumento simultaneo di profitto e soddisfazione dell’utente è il marchio di un sistema veramente di successo e sostenibile.
Il modello si è anche dimostrato altamente efficace nell’integrazione delle energie rinnovabili. Allineando la ricarica dei VE con i periodi di alta generazione solare ed eolica — tipicamente durante la metà della giornata quando il sole splende e il vento soffia — il sistema ha aumentato significativamente l’utilizzo di queste fonti pulite. Invece che questa energia rinnovabile venga limitata (sprecata) perché non c’è domanda immediata, viene immagazzinata nelle batterie dei VE. Questa energia immagazzinata è disponibile per essere restituita alla rete durante il picco serale, quando la domanda è alta e la generazione rinnovabile è bassa. Questo non solo riduce le emissioni di carbonio, ma migliora anche l’economia generale dei progetti di energia rinnovabile.
Uno dei risultati più convincenti dello studio è la sua capacità di fornire un servizio personalizzato basato sulle preferenze dell’utente. I ricercatori hanno eseguito tre diversi scenari regolando i pesi nella funzione di soddisfazione dell’utente. In uno scenario, gli utenti sono stati modellati come altamente sensibili al prezzo. L’LA ha risposto creando un segnale di prezzo con un grande divario tra i prezzi di punta e fuori punta. Questo ha creato un forte incentivo finanziario per gli utenti a spostare la loro ricarica, portando a una curva di carico molto piatta e un alto surplus del consumatore, anche se il profitto dell’LA era leggermente inferiore. In un altro scenario, gli utenti sono stati modellati come altamente sensibili alla comodità. L’LA ha offerto una struttura di prezzo più piatta con meno variazione, risultando in un cambiamento più piccolo nel comportamento di ricarica. Sebbene questi utenti avessero un surplus del consumatore più basso, i loro modelli di ricarica erano più vicini alle loro abitudini naturali, e l’LA ha raggiunto il suo profitto più alto. Questa flessibilità mostra che il sistema non è una soluzione universale, ma una piattaforma dinamica che può essere adattata per servire diversi segmenti di mercato e profili di utente.
Questa ricerca rappresenta un salto significativo nel campo della gestione delle reti intelligenti. Chiude con successo il divario tra la teoria economica astratta e la realtà caotica del comportamento umano e dell’infrastruttura urbana. Basando il loro modello su dati di viaggio reali, rispettando le preferenze degli utenti attraverso una sofisticata funzione di utilità e utilizzando un quadro basato sulla teoria dei giochi per modellare l’interazione strategica, Zhang Meixia, Wang Xiaoqing, Yang Xiu, Zhang An e Fu Yulin hanno creato un piano per un futuro in cui i veicoli elettrici non sono solo un mezzo di trasporto, ma un componente integrale, intelligente e vantaggioso di un sistema energetico resiliente, pulito ed efficiente. Il loro lavoro dimostra che, con il giusto design, la transizione alla mobilità elettrica può essere un viaggio senza intoppi e vantaggioso per tutti i coinvolti.
Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang, Yulin Fu, College of Electrical Engineering, Shanghai University of Electric Power, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.230925