Nuovo modello ottimizza la pianificazione delle reti di ricarica per veicoli elettrici
L’ascesa inarrestabile dei veicoli elettrici (VE) sta ridefinendo il panorama della mobilità globale, trasformando non solo le automobili che guidiamo, ma anche l’intera infrastruttura che le sostiene. Mentre i produttori si concentrano su batterie più performanti e tempi di ricarica più rapidi, un altro elemento critico emerge come fattore decisivo per il successo di questa transizione: la rete di ricarica. Una pianificazione inefficace, con stazioni troppo distanti, sovraffollate o mal posizionate, può trasformare un’esperienza di guida pulita e moderna in un incubo di attese e incertezze, alimentando la temuta “ansia da autonomia”. In un contributo scientifico di rilievo pubblicato sulla prestigiosa rivista Power System Protection and Control, un team di ricercatori della Nantong University ha sviluppato un nuovo modello di pianificazione che promette di risolvere questa sfida con un approccio più intelligente, robusto e centrato sull’utente.
Guidati dal professor Zhang Xinsong e dal suo team, composto da Zhu Chenxu, Li Daxiang e Luo Laiwu della School of Electrical Engineering, gli studiosi hanno creato un modello di ottimizzazione multi-obiettivo che supera i limiti dei metodi tradizionali. Invece di concentrarsi esclusivamente su un singolo aspetto, come massimizzare il numero di veicoli che possono essere ricaricati (un approccio basato sul “flusso di traffico”) o semplicemente ridurre al minimo la distanza da percorrere per trovare una stazione (un approccio basato sulla “distanza spaziale”), questo nuovo framework integra entrambi questi obiettivi in un’unica strategia coerente. Questo approccio ibrido rappresenta un salto qualitativo, riconoscendo che una rete di ricarica efficace deve essere sia capace che conveniente.
Il primo obiettivo del modello è massimizzare il valore minimo del flusso di traffico catturato. Questa formulazione è fondamentale e riflette un principio di ottimizzazione robusta. Piuttosto che cercare semplicemente il miglior risultato medio, il modello si concentra sull’assicurare un livello di servizio anche nelle condizioni più avverse. Perché è così importante? Perché il comportamento degli utenti di VE non è prevedibile con certezza assoluta. Un fattore critico che influenza la necessità di ricarica durante un viaggio è lo stato di carica iniziale (State of Charge, SOC) della batteria. Un guidatore che parte da casa con una batteria completamente carica ha un’autonomia molto maggiore rispetto a uno che parte da un’area senza stazioni di ricarica e la cui batteria è solo al 50%. Questa incertezza sul SOC iniziale introduce una grande variabilità nel traffico di veicoli che effettivamente necessita di ricarica in un dato momento.
Per affrontare questa incertezza in modo rigoroso, il team di Nantong ha impiegato il metodo della simulazione Monte Carlo (MCS). Questa potente tecnica statistica esegue migliaia di simulazioni, ognuna con un SOC iniziale diverso, campionato da una distribuzione di probabilità realistica. In questo modo, il modello può mappare l’intero spettro di scenari possibili, dai giorni in cui pochi veicoli hanno bisogno di ricarica a quelli in cui la domanda è elevata. L’analisi ha rivelato una differenza significativa tra il flusso di traffico catturato minimo e massimo, sottolineando la necessità di una pianificazione che non si basi su assunzioni semplificate. Massimizzando il flusso di traffico catturato minimo, il modello garantisce che, anche nel peggiore dei casi, la rete di ricarica sarà in grado di servire una quota sostanziale della flotta di VE, aumentando enormemente l’affidabilità e la fiducia dell’utente.
Il secondo obiettivo del modello è minimizzare la distanza media di guida per la ricarica. Questo obiettivo si concentra direttamente sull’esperienza dell’utente. Nessuno vuole perdere tempo ed energia a cercare una stazione di ricarica libera, specialmente quando il livello della batteria è basso. Le lunghe distanze dalla stazione più vicina sono una delle principali fonti di frustrazione e ansia. Ottimizzando la distanza media più breve, il modello migliora l’efficienza del servizio e rende la proprietà di un VE più attraente e pratica. Questo approccio a doppio obiettivo—massimizzare la capacità di servizio nel peggiore dei casi e minimizzare la distanza media di guida—crea una soluzione più equilibrata e realistica rispetto a qualsiasi approccio unidimensionale.
Per rendere il modello ancora più applicabile al mondo reale, i ricercatori hanno incorporato un vincolo di opportunità per la distanza di guida per la ricarica. Invece di imporre una regola rigida del tipo “non più di X chilometri”, il modello utilizza una probabilità. Ad esempio, può garantire che ci sia una probabilità del 95% che un veicolo che necessita di ricarica trovi una stazione entro 80 chilometri. Questa flessibilità è cruciale per la pianificazione pratica. Permette un design più efficiente ed economico, riconoscendo che è accettabile che una piccola frazione dei viaggi richieda una ricerca più lunga, purché la maggior parte degli utenti abbia un accesso rapido. Questo approccio evita soluzioni conservatrici che potrebbero richiedere un numero eccessivo di stazioni e promuove invece una rete più efficiente.
Risolvere un problema di ottimizzazione non lineare e multi-obiettivo di questa complessità richiede algoritmi sofisticati. Il team ha utilizzato l’Algoritmo Genetico di Classificazione Non Dominata II (NSGA-II), uno strumento evolutivo progettato specificamente per gestire obiettivi multipli che spesso entrano in conflitto. Invece di produrre una singola “migliore” soluzione, il NSGA-II genera un insieme di soluzioni ottimali di Pareto. Questo insieme è un catalogo di opzioni, ognuna delle quali rappresenta un equilibrio diverso tra i due obiettivi. Una soluzione può offrire una distanza media di guida più breve ma un flusso di traffico catturato minimo leggermente inferiore, mentre un’altra può catturare più traffico nel peggiore dei casi ma con distanze di guida leggermente più lunghe. Questo insieme di soluzioni dà ai pianificatori urbani e ai responsabili politici la flessibilità di scegliere la strategia che meglio si adatta alle loro priorità specifiche, che si tratti di massimizzare la copertura, minimizzare i tempi di ricerca o trovare un compromesso equilibrato.
Il modello è stato validato attraverso un esperimento di simulazione su una rete di trasporto a 25 nodi, uno standard comune nella ricerca di questo tipo. I risultati sono stati rivelatori. Rispetto a una rete di ricarica di quattro stazioni posizionate in modo casuale o convenzionale, la rete ottimizzata dal modello ha mostrato un aumento significativo nel flusso di traffico catturato minimo, dimostrando la sua superiorità in termini di capacità di servizio. Allo stesso tempo, la distanza media di guida per la ricarica è stata ridotta al minimo. Lo studio ha anche condotto un’analisi di sensibilità, esaminando come i parametri chiave influenzano i risultati. Ad esempio, riducendo il livello di confidenza del vincolo di opportunità dal 95% al 90%, il numero di soluzioni valide nell’insieme di Pareto è aumentato, illustrando il compromesso tra affidabilità del servizio e flessibilità di pianificazione. Il risultato più cruciale è stato l’analisi del numero di stazioni di ricarica. Il modello ha mostrato che, aumentando il numero di stazioni, i benefici marginali diminuiscono. Sebbene l’aggiunta di stazioni inizialmente produca grandi guadagni in termini di copertura ed efficienza, il beneficio di ogni nuova stazione diminuisce man mano che la rete diventa più densa. Questa conoscenza è inestimabile per i comuni con budget limitati, poiché aiuta a identificare il punto ottimale di investimento prima che il costo di nuove stazioni superi i benefici.
Le implicazioni di questa ricerca sono profonde. Per i pianificatori urbani, fornisce uno strumento basato sui dati per progettare reti di ricarica che siano veramente future. Per le aziende elettriche, offre un modo per anticipare e gestire meglio il carico sulla rete elettrica comprendendo dove e quando è probabile che sorga la domanda di ricarica. Per i produttori di automobili e le flotte di veicoli, può informare le strategie di distribuzione dei veicoli e la pianificazione dei percorsi. Il modello, concentrandosi sulle incertezze del mondo reale e sui compromessi pratici, diventa un quadro altamente rilevante e applicabile.
Questo lavoro contribuisce anche a un cambiamento più ampio nel modo in cui concepiamo l’infrastruttura energetica. Tradizionalmente, i sistemi energetici e di trasporto sono stati pianificati e gestiti in modo isolato. Questa ricerca è un esempio distintivo del campo emergente dei “sistemi di trasporto elettrificati”, dove questi due domini sono profondamente intrecciati. Una stazione di ricarica non è solo una presa; è un nodo in una rete complessa che influenza i modelli di traffico, lo sviluppo urbano e il consumo di energia. Adottando un approccio di sistema, Zhang Xinsong e i suoi colleghi stanno contribuendo a costruire l’infrastruttura integrata e intelligente richiesta da un futuro di trasporto sostenibile.
Lo studio è particolarmente opportuno data la pressione globale per la decarbonizzazione. Mentre i paesi lottano per raggiungere i loro obiettivi climatici, la transizione verso la mobilità elettrica è una strategia fondamentale. Tuttavia, questa transizione non può avere successo senza una trasformazione corrispondente dell’infrastruttura di supporto. Reti di ricarica male pianificate possono creare congestione, aumentare la frustrazione dell’utente e, in ultima analisi, rallentare l’adozione dei VE. Questo nuovo modello fornisce un percorso chiaro in avanti, assicurando che la rete di ricarica non sia un pensiero tardivo, ma un sistema ben ottimizzato, affidabile e facile da usare fin dall’inizio.
Uno dei punti di forza del documento è il suo chiaro riconoscimento dei limiti della ricerca precedente. Molti modelli esistenti si concentrano esclusivamente sul massimizzare il numero di veicoli che possono essere ricaricati (una visione centrata sul flusso di traffico) o sul minimizzare la distanza dalla stazione più vicina (una visione centrata sulla distanza spaziale). Gli autori identificano correttamente che questi approcci a obiettivo unico sono intrinsecamente limitati. Una rete che cattura molto traffico ma obbliga i guidatori a fare grandi deviazioni è inefficiente. Al contrario, una rete con molte stazioni vicine potrebbe minimizzare la distanza di guida ma essere sottoutilizzata ed economicamente insostenibile. Combinando questi due obiettivi, il nuovo modello raggiunge un risultato più equilibrato e realistico.
L’uso del modello FRLM (Flow Refueling Location Model) come base per calcolare il flusso di traffico catturato è anche una scelta solida. Questo modello ben consolidato considera la rete di percorsi di viaggio e l’autonomia del veicolo, fornendo un’immagine più accurata di dove sorgerà la domanda di ricarica rispetto ai modelli basati semplicemente sulla popolazione o sulla distanza. Integrando il FRLM con la simulazione Monte Carlo per l’incertezza del SOC, i ricercatori hanno creato un ambiente di simulazione altamente sofisticato e realistico.
Il valore pratico dell’insieme di soluzioni ottimali di Pareto non può essere sopravvalutato. Nel mondo reale, i decisori raramente si trovano di fronte a una singola e chiara risposta. Devono bilanciare interessi in competizione: budget, uso del suolo, impatto ambientale e priorità politiche. L’insieme di Pareto fornisce un menù di opzioni, ognuna con il proprio profilo di prestazione. Ciò consente un processo decisionale più trasparente e informato. Le parti interessate possono vedere i compromessi espliciti e scegliere una soluzione che meglio si adatti alle esigenze e ai vincoli unici della loro comunità.
Inoltre, il risultato dei rendimenti decrescenti con una maggiore densità di stazioni è una conoscenza economica cruciale. Suggerisce che esiste un “punto ottimale” per l’investimento nell’infrastruttura di ricarica. Oltre questo punto, spendere più soldi produce miglioramenti progressivamente più piccoli nel servizio. Ciò può aiutare a prevenire gli sprechi e assicurare che i fondi pubblici e privati siano utilizzati nel modo più efficiente possibile. Suggerisce anche che futuri investimenti potrebbero essere meglio indirizzati a migliorare la velocità di ricarica (ad esempio, più caricabatterie a corrente continua rapida) o a migliorare l’esperienza dell’utente (ad esempio, sistemi di pagamento e app migliori) invece di costruire semplicemente più stazioni in aree già ben servite.
In conclusione, la ricerca di Zhang Xinsong, Zhu Chenxu, Li Daxiang e Luo Laiwu della Nantong University rappresenta un passo significativo avanti nella scienza della pianificazione delle reti di ricarica per veicoli elettrici. Sviluppando un modello che ottimizza simultaneamente l’affidabilità del servizio e l’efficienza dell’utente, tenendo rigorosamente conto delle incertezze del mondo reale, hanno fornito un potente nuovo strumento per costruire i sistemi di trasporto sostenibile del futuro. Il loro lavoro è un esempio distintivo di come i metodi computazionali avanzati possano essere applicati per risolvere problemi complessi del mondo reale con benefici sociali tangibili.
Nuovo modello ottimizza la pianificazione delle reti di ricarica per veicoli elettrici di Zhang Xinsong, Zhu Chenxu, Li Daxiang e Luo Laiwu della School of Electrical Engineering, Nantong University, pubblicato su Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.231537