Nuovo modello AI prevede carica veicoli elettrici
Il settore dell’automotive sta vivendo una trasformazione epocale, guidata dall’ascesa inarrestabile dei veicoli elettrici (VE). Tuttavia, questo successo porta con sé una sfida silenziosa ma potenzialmente destabilizzante: la gestione della domanda elettrica. A differenza dei tradizionali elettrodomestici, la ricarica di un’auto elettrica non segue un orario prevedibile. Il momento in cui un proprietario decide di collegare il suo veicolo—dopo il lavoro, durante la notte, o in un viaggio—è altamente casuale e influenzato da fattori personali come gli orari di lavoro, le abitudini di guida e la disponibilità di punti di ricarica. Questo comportamento frammentato e imprevedibile genera un carico sulla rete elettrica che è intrinsecamente non lineare, non stazionario e ricco di picchi. Per le aziende elettriche, questa volatilità rappresenta un rompicapo operativo di primaria importanza. Previsioni inaccurate possono portare a sovraccarichi locali, a una pianificazione inefficiente delle infrastrutture di ricarica e a un’incapacità di integrare al meglio l’energia rinnovabile, minando così la stabilità e l’efficienza del sistema energetico nel suo complesso. In questo scenario, la capacità di prevedere con precisione la domanda di ricarica a breve termine non è un lusso tecnologico, ma una necessità fondamentale per un’era di mobilità elettrica sostenibile.
Un team di ricerca guidato da Chen Xiaohua, dell’Ufficio Elettrico di Zhanjiang della Guangdong Power Grid Co., Ltd., in collaborazione con Wu Jiekang, Zhang Xunxiang, Long Yongcheng e Wang Zhiping delle università di Guangdong e Dongguan, ha affrontato questa sfida con un approccio innovativo. Il loro studio, pubblicato sulla rivista specializzata Shandong Electric Power, introduce un modello di previsione ibrido che combina tecniche di analisi del segnale di ultima generazione con un algoritmo di ottimizzazione bioispirato, offrendo una soluzione potente per affrontare l’imprevedibilità della ricarica dei veicoli elettrici.
I metodi tradizionali di previsione del carico possono essere suddivisi in due grandi famiglie: i modelli basati su teoria e quelli basati sui dati. I primi, come le simulazioni Monte Carlo o le catene di Markov, cercano di modellare il comportamento degli utenti attraverso complesse equazioni matematiche. Tuttavia, spesso si basano su ipotesi semplificate che non rispecchiano la complessità del mondo reale e possono risultare inaffidabili. I secondi, che appartengono al campo del machine learning, hanno guadagnato popolarità negli ultimi anni grazie alla crescente disponibilità di dati. Modelli come le reti neurali convoluzionali (CNN) o le reti neurali a lunga memoria (LSTM) hanno dimostrato una certa efficacia. Il loro punto debole, tuttavia, è la complessità. Questi modelli sono spesso delle “scatole nere” con centinaia o migliaia di parametri interni che devono essere accuratamente regolati, un processo noto come “ottimizzazione degli iperparametri”. Questo processo è non solo laborioso, ma può anche portare a modelli che funzionano bene sui dati di allenamento ma falliscono miseramente quando devono fare previsioni su dati nuovi e sconosciuti, un fenomeno noto come “overfitting”.
La genialità del lavoro di Chen Xiaohua e del suo team risiede nella loro strategia di “scomposizione e conquista”. Invece di affrontare il caotico segnale di carica totale in un unico colpo, il loro modello, denominato CEEMD-SE-POA-GRNN, lo smonta in fasi successive, affrontando ogni livello di complessità con uno strumento specifico.
La prima fase è la decomposizione del segnale. I ricercatori utilizzano una tecnica avanzata chiamata Decomposizione Modale Empirica di Insieme Complementare (CEEMD). Immaginate il segnale di carica come un’onda caotica. Il CEEMD funziona come un potente microscopio, separando quest’onda in una serie di componenti più semplici e più ordinate, chiamate Funzioni di Modo Intrinseco (IMF), ciascuna delle quali rappresenta un diverso “tono” o una diversa frequenza di oscillazione all’interno del segnale originale—dalle rapide fluttuazioni giornaliere ai trend di carica notturna più lenti—più una componente residua che rappresenta la tendenza di fondo. Scomponendo il problema in questi elementi più gestibili, il modello può analizzare e prevedere ciascuna componente separatamente, un approccio molto più efficace che tentare di ingegnerizzare un unico modello per l’intero segnale caotico.
Tuttavia, la decomposizione da sola può creare un nuovo problema: la ridondanza. Il CEEMD può generare diverse IMF che contengono informazioni simili o sovrapposte, aumentando inutilmente il carico computazionale senza migliorare la precisione. Per risolvere questo problema, il team introduce un secondo strumento: l’Entropia di Campionamento (SE). L’entropia è una misura del grado di disordine o imprevedibilità di un segnale. Un segnale ad alta entropia è caotico, mentre uno a bassa entropia è più regolare e prevedibile. I ricercatori calcolano l’entropia di campionamento per ciascuna IMF ottenuta. Le IMF che presentano valori di entropia molto simili vengono considerate dinamicamente equivalenti. Queste componenti vengono quindi combinate o “ricostruite” in un’unica componente, riducendo il numero totale di segnali che il modello finale deve elaborare. Nel loro studio, questo processo ha permesso di ridurre il numero di componenti da 11 a 8, ottimizzando l’efficienza del sistema senza sacrificare la qualità delle informazioni.
Con un insieme di segnali puliti e ben definiti, il cuore del motore predittivo entra in azione: la Rete Neurale di Regressione Generalizzata (GRNN). La scelta del GRNN è strategica. Si tratta di un modello di machine learning noto per la sua capacità di mappare relazioni non lineari complesse con una velocità di addestramento estremamente rapida. A differenza delle reti LSTM, il GRNN ha un vantaggio cruciale: la sua prestazione dipende principalmente da un singolo parametro, chiamato “fattore di smoothing”. Questo fattore controlla quanto “flessibile” o “rigido” è il modello nella sua previsione. Un valore troppo alto rende il modello eccessivamente generico, facendogli perdere picchi di carica importanti. Un valore troppo basso lo rende eccessivamente sensibile ai dati di addestramento, facendolo aderire troppo al rumore e rendendolo fragile di fronte a nuovi dati. Trovare il valore ottimale di questo fattore di smoothing è quindi la chiave per sbloccare il massimo potenziale del GRNN.
È qui che entra in gioco la seconda grande innovazione: l’Algoritmo di Ottimizzazione del Pellicano (POA). Presentato per la prima volta nel 2022, il POA è un algoritmo metaeuristico ispirato alla natura che simula il comportamento di caccia dei pellicani. L’algoritmo modella due fasi distinte: la fase di esplorazione, in cui i pellicani volano su un’ampia area di acqua per localizzare i banchi di pesci (la soluzione ottimale), e la fase di sfruttamento, in cui si concentrano intensamente su un’area specifica per catturare la preda. Nel contesto del modello, il POA agisce come un cacciatore supremo. Gli viene dato un intervallo di valori possibili per il fattore di smoothing e una funzione di valutazione (in questo caso, l’errore di previsione del modello GRNN su un set di dati di addestramento). Il POA esplora questo spazio di soluzioni, testando diversi valori del fattore di smoothing, e utilizza la sua logica di “esplorazione e sfruttamento” per convergere rapidamente verso il valore che minimizza l’errore di previsione. Il risultato è un modello GRNN ottimizzato dal POA, che diventa il motore predittivo finale per ciascuna componente di carica.
Il modello completo, CEEMD-SE-POA-GRNN, è stato testato con dati di ricarica di veicoli elettrici reali provenienti da una regione della Cina, con misurazioni ogni 15 minuti per un periodo di dieci giorni. I risultati sono stati schiaccianti. Quando confrontato con sei modelli di punta—tra cui LSTM, BiLSTM, un GRNN di base e una versione del modello che utilizzava l’Algoritmo di Ricerca dello Scricciolo (SSA) per l’ottimizzazione—il modello proposto dal team di Chen Xiaohua ha dimostrato una superiorità incontestabile. Utilizzando metriche standard del settore come l’Errore Quadratico Medio (MSE) e il Coefficiente di Efficienza di Nash-Sutcliffe (NSE), il modello CEEMD-SE-POA-GRNN ha ottenuto l’MSE più basso (0,314 MW) e l’NSE più alto (0,958), indicando una precisione di previsione e un adattamento ai dati reali senza precedenti. I modelli più semplici, come il GRNN senza ottimizzazione, hanno avuto prestazioni scadenti (MSE di 1,372 MW), dimostrando l’importanza critica del processo di ottimizzazione. Anche il modello che utilizzava l’SSA, un algoritmo di ottimizzazione ben consolidato, è stato superato dal POA, evidenziando la capacità superiore di convergenza e precisione di questo nuovo algoritmo.
Le implicazioni di questo avanzamento sono profonde per l’intera catena del valore dei veicoli elettrici. Per le aziende elettriche, una previsione precisa significa la capacità di implementare programmi di gestione della domanda più efficaci. Possono offrire tariffe dinamiche che incentivano gli utenti a ricaricare i loro veicoli durante le ore di bassa richiesta, quando la domanda è bassa e l’energia (soprattutto quella rinnovabile) è più abbondante ed economica. Questo non solo allevia la pressione sulla rete, ma massimizza anche l’utilizzo dell’energia pulita. Per i pianificatori delle infrastrutture, questo modello fornisce uno strumento inestimabile per determinare con precisione dove e quando sono necessarie nuove stazioni di ricarica, evitando investimenti costosi in luoghi sbagliati.
Oltre la gestione della rete, questo modello rappresenta un passo avanti verso un sistema energetico più intelligente e integrato. Prevedendo con precisione quando e dove si verificherà la domanda di ricarica, le reti possono coordinare meglio la generazione, lo stoccaggio e il consumo. Ad esempio, l’eccesso di energia solare generata a mezzogiorno potrebbe essere immagazzinato e rilasciato strategicamente per alimentare un’ondata di ricarica serale. Questa sinergia è essenziale per raggiungere una transizione energetica veramente sostenibile.
La scelta del POA come motore di ottimizzazione è particolarmente significativa. Dimostra che gli algoritmi bioispirati di nuova generazione hanno un potenziale reale per risolvere problemi complessi di ingegneria. Il suo successo in questo dominio apre la strada per la sua applicazione in altre sfide del settore energetico, come l’ottimizzazione della programmazione delle centrali elettriche o il controllo delle microreti.
In sintesi, il lavoro di Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng e Wang Zhiping non è solo un avanzamento tecnico; è un contributo pratico e tempestivo a una delle maggiori sfide della decarbonizzazione dei trasporti. Combinando la decomposizione dei segnali, la riduzione della ridondanza e un’ottimizzazione all’avanguardia, hanno creato un modello che stabilisce un nuovo standard di precisione. Questo tipo di innovazione è il fondamento su cui sarà costruita una rete elettrica resiliente, efficiente e in grado di sostenere la rivoluzione dei veicoli elettrici.
Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng, Wang Zhiping, Shandong Electric Power, DOI: 10.20097/j.cnki.issn1007-9904.2024.07.001