Previsione del carico di ricarica per veicoli elettrici tramite apprendimento federato
La rivoluzione della mobilità elettrica è in pieno svolgimento, e con essa si intensificano le sfide per le reti elettriche globali. L’aumento esponenziale del numero di veicoli elettrici (EV) sulle strade non si traduce solo in un cambiamento nei modelli di consumo energetico, ma impone anche una pressione crescente sui sistemi di distribuzione elettrica, mettendo alla prova la loro stabilità e resilienza. Una delle chiavi per gestire questa transizione in modo efficace è la capacità di prevedere con precisione il carico di ricarica a breve termine. Una previsione accurata è fondamentale per pianificare la produzione di energia, evitare picchi di domanda che potrebbero destabilizzare la rete e ottimizzare la gestione delle infrastrutture di ricarica. Tuttavia, i modelli tradizionali di previsione hanno spesso fallito nel raggiungere livelli di accuratezza soddisfacenti, principalmente a causa di un dilemma apparentemente insormontabile: la necessità di dati dettagliati sul comportamento degli utenti per migliorare le previsioni, contrapposta alla crescente attenzione e alle severe normative sulla privacy dei dati personali.
Un team di ricerca della Scuola di Ingegneria Elettrica e dell’Informazione dell’Università di Tianjin, guidato dal professor Yang Ting, ha affrontato questa sfida con un approccio innovativo e potenzialmente trasformativo. Nel loro studio pubblicato sulla prestigiosa rivista High Voltage Engineering, i ricercatori hanno introdotto un nuovo metodo basato sull’apprendimento federato (federated learning, FL) per prevedere il carico di ricarica a breve termine dei veicoli elettrici, integrando fattori chiave del comportamento dell’utente come orari di inizio e fine ricarica, stato di carica (SOC) della batteria, capacità della batteria e potenza di ricarica selezionata, tutto questo senza mai compromettere la privacy dei dati sensibili.
Il cuore del loro approccio risiede in una riconciliazione tra necessità tecnologica ed etica. L’apprendimento federato, un paradigma di intelligenza artificiale sviluppato per superare i limiti della centralizzazione dei dati, consente di addestrare modelli di machine learning in modo decentralizzato. Nel modello proposto, ogni operatore di ricarica di veicoli elettrici (EVCO) mantiene i suoi dati di ricarica e i dati comportamentali degli utenti all’interno dei propri sistemi sicuri. Invece di inviare i dati grezzi a un server centrale, ogni operatore addestra un modello locale utilizzando il proprio dataset. Quello che viene condiviso con un’entità centrale, come un’azienda elettrica, sono solo i parametri aggiornati del modello—i pesi e i bias di una rete neurale—non i dati degli utenti stessi. Questi parametri vengono poi aggregati da un aggregatore centrale per creare un modello globale più potente e accurato, che viene successivamente redistribuito a tutti i partecipanti per un ulteriore ciclo di addestramento. Questo ciclo iterativo permette al modello globale di apprendere dai modelli locali, accumulando conoscenza collettiva e migliorando continuamente la sua capacità predittiva, mentre i dati sensibili degli utenti rimangono protetti e localizzati.
La genialità del lavoro di Yang Ting, insieme ai suoi colleghi Qin Xiaobing, Feng Xiangwei e Xu Zheming, sta nell’integrazione esplicita di dati comportamentali, spesso trascurati nei modelli precedenti, all’interno di questo framework di apprendimento federato. Mentre molti studi si sono concentrati esclusivamente sui dati storici del carico di ricarica, questo team riconosce che il comportamento umano è un fattore determinante. Quando un utente decide di iniziare a ricaricare, quanto tempo rimane collegato, a quale livello di carica della batteria decide di fermarsi e con quale potenza sceglie di caricare sono tutti elementi che modellano la curva di carico. Ignorare questi dettagli significa perdere una profonda comprensione della dinamica della domanda. Incorporando queste variabili nel modello, i ricercatori hanno creato un sistema molto più “intelligente” e realistico.
Il motore predittivo alla base del sistema è una rete neurale BiLSTM (Bidirectional Long Short-Term Memory). Questa architettura è stata scelta per la sua eccezionale capacità di analizzare sequenze di dati temporali. A differenza delle reti LSTM standard, che analizzano i dati in una sola direzione (dal passato al futuro), il BiLSTM elabora le informazioni in entrambe le direzioni. Questa capacità di “guardare indietro e avanti” nel flusso di dati gli permette di identificare pattern complessi e dipendenze temporali che sarebbero invisibili a un modello unidirezionale. Per esempio, può apprendere non solo che c’è un picco di ricarica alle 18:00, ma anche che questo picco è spesso preceduto da un aumento graduale di attività nelle ore precedenti e seguito da un calo più lento, grazie alla comprensione del contesto temporale completo.
La preparazione dei dati di input è stata un processo meticoloso. Il team ha creato un set di caratteristiche composite che unisce le misurazioni storiche del carico con indicatori derivati dal comportamento. Per esempio, la potenza media di ricarica in un dato momento è stata calcolata in base alla potenza selezionata da tutti gli utenti attivi. Allo stesso modo, il livello medio di SOC al termine di una sessione di ricarica è stato estratto per catturare le preferenze tipiche degli utenti. Queste caratteristiche, insieme ai dati del carico storico, sono state alimentate nel modello BiLSTM attraverso una strategia di finestra scorrevole, consentendo al sistema di apprendere continuamente dai dati più recenti e di adattare dinamicamente le sue previsioni.
Un aspetto cruciale del progetto è la sicurezza del processo di comunicazione. Gli autori hanno scelto deliberatamente di trasmettere non i gradienti di aggiornamento del modello, ma i parametri finali del modello (pesi e bias). Questa distinzione è sottile ma fondamentale. I gradienti, che rappresentano la direzione e l’entità del cambiamento durante l’addestramento, possono teoricamente essere utilizzati in attacchi sofisticati per inferire informazioni sui dati di addestramento originali. I pesi e i bias finali, d’altra parte, sono il risultato di un processo complesso e sono molto più difficili da decodificare per rivelare informazioni personali. Questa scelta aggiunge uno strato significativo di protezione, rendendo il sistema molto più robusto contro le violazioni della privacy e allineandosi con i principi di “data minimizzazione” e “privacy by design” raccomandati dalle normative come il GDPR.
La validazione del modello è stata condotta utilizzando dati reali provenienti da nove diversi operatori di ricarica (EVCOs) in una grande città cinese, coprendo un intero mese di operazioni nel dicembre 2022. Il dataset comprendeva 25.920 punti di campionamento, catturando sia la dinamica del carico che il comportamento dettagliato degli utenti. I dati sono stati suddivisi in set di addestramento, validazione e test in una proporzione di 4:1:1 e normalizzati per garantire coerenza.
Le prestazioni sono state valutate utilizzando due metriche standard: l’Errore Medio Assoluto Percentuale (MAPE) e la Radice dell’Errore Quadratico Medio (RMSE). I risultati sono stati impressionanti. Quando i dati comportamentali degli utenti sono stati integrati nel modello, sia il RMSE che il MAPE hanno mostrato una riduzione significativa per tutti gli operatori. Per esempio, un operatore specifico (C6) ha registrato una diminuzione del 5,57% del RMSE e un miglioramento dello 0,55% del MAPE, dimostrando che le caratteristiche comportamentali migliorano sostanzialmente la precisione della previsione.
Il confronto più rivelatore è stato tra modelli locali isolati e il modello di apprendimento federato. In tutti i casi, il modello federato ha superato i singoli modelli locali, con riduzioni del RMSE comprese tra il 9,34% e l’11,07% e miglioramenti del MAPE tra il 2,13% e il 5,29%. Questo aumento costante sottolinea il valore dell’apprendimento collaborativo: aggregando la conoscenza di più operatori, il modello globale è esposto a uno spettro molto più ampio di comportamenti di ricarica, portando a previsioni più robuste e accurate.
Il test più convincente della forza del modello è stato un test di generalizzazione con un nuovo operatore (C10) precedentemente sconosciuto. Questo operatore aveva una quantità estremamente limitata di dati storici, solo 24 ore di attività di ricarica. Quando è stato addestrato un modello locale solo con questi dati, le prestazioni sono state scadenti, con un RMSE di 65,3 kW e un MAPE del 19,2%, risultati inaccettabili per la pianificazione operativa. Tuttavia, quando il modello federato precedentemente addestrato è stato applicato ai dati di C10, il RMSE è precipitato a 29,4 kW e il MAPE è sceso al 6,8%, rappresentando miglioramenti del 54,9% e del 12,4% rispettivamente.
Questo risultato evidenzia un vantaggio cruciale dell’apprendimento federato: permette un’implementazione rapida e una previsione precisa anche per nuovi operatori o quelli con scarsità di dati. In termini pratici, significa che le reti di ricarica emergenti possono beneficiare immediatamente dell’intelligenza collettiva dei giocatori affermati, accelerando la loro integrazione nell’ecosistema energetico più ampio senza dover accumulare anni di dati.
Dal punto di vista computazionale, il modello è stato ottimizzato utilizzando l’algoritmo Adam, un metodo di ottimizzazione adattativo che aggiorna i parametri del modello in base alle stime del gradiente. Questo non solo accelera la convergenza, ma aiuta anche a evitare minimi locali, garantendo un addestramento stabile ed efficiente. L’intero processo di apprendimento federato è stato configurato con 100 round di comunicazione globale, 5 epoche locali per round e una dimensione del batch di 128, trovando un equilibrio tra precisione del modello ed efficienza computazionale.
Le implicazioni di questa ricerca vanno ben oltre le prestazioni tecniche. Mentre i governi e le aziende di servizi pubblici affrontano l’integrazione di risorse energetiche distribuite, inclusi veicoli elettrici, pannelli solari e sistemi di accumulo domestico, la capacità di prevedere la domanda con alta fedeltà diventa un pilastro della resilienza della rete. Gli strumenti di previsione tradizionali, spesso basati su dati aggregati e anonimizzati, sono sempre più inadeguati di fronte ai modelli di consumo energetico dinamici e decentralizzati.
Il framework di apprendimento federato proposto da Yang Ting e dai suoi colleghi offre un’alternativa scalabile, sicura e intelligente. Si allinea con i principi moderni di governance dei dati, come quelli delineati nel Regolamento Generale sulla Protezione dei Dati (GDPR) dell’UE e nella Legge sulla Protezione delle Informazioni Personali della Cina (PIPL), minimizzando l’esposizione dei dati e decentrando il controllo. Allo stesso tempo, empowers gli operatori e i gestori della rete con informazioni più precise e utilizzabili.
Inoltre, l’architettura del modello è intrinsecamente estensibile. Le future iterazioni potrebbero incorporare ulteriori fonti di dati, come le condizioni meteorologiche, i segnali di prezzo dell’elettricità o i livelli di congestione del traffico, per affinare ulteriormente le previsioni. Lo stesso framework potrebbe anche essere adattato per altre applicazioni, come la gestione della risposta alla domanda, la coordinazione veicolo-rete (V2G) o la previsione dell’energia rinnovabile.
Per gli operatori di ricarica, i benefici sono chiari: una migliore previsione del carico consente una pianificazione della capacità più efficiente, riduce le tariffe per la domanda di picco e migliora la soddisfazione del cliente minimizzando i tempi di attesa e le interruzioni del servizio. Per gli operatori della rete, previsioni accurate supportano una pianificazione delle unità più efficiente, la regolazione della frequenza e il controllo della tensione, funzioni critiche per mantenere la qualità e l’affidabilità dell’energia.
Lo studio apre anche nuove strade per la collaborazione tra stakeholder pubblici e privati. Stabilendo un consorzio di apprendimento federato tra EVCO, aziende elettriche e istituzioni di ricerca, le città possono costruire piattaforme di previsione condivise che servano al bene comune senza compromettere il vantaggio competitivo o la privacy dell’utente.
In un’era in cui i dati sono spesso descritti come il nuovo petrolio, questa ricerca ci ricorda che il valore non proviene sempre dalla centralizzazione. A volte, le intuizioni più potenti emergono non dal monopolizzare i dati, ma dall’apprendere insieme—in modo sicuro, etico e intelligente.
Mentre il mondo avanza verso la mobilità elettrificata, le sfide dell’integrazione della rete diventeranno solo più complesse. Ma con approcci innovativi come l’apprendimento federato, la strada in avanti sta diventando più chiara. Rispettando la privacy degli utenti mentre si sblocca il potere predittivo dei dati comportamentali, questo lavoro stabilisce un nuovo standard per l’analisi intelligente delle reti, un equilibrio tra ambizione tecnologica e responsabilità etica.
Yang Ting, Qin Xiaobing, Feng Xiangwei, Xu Zheming, Scuola di Ingegneria Elettrica e dell’Informazione, Università di Tianjin. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20230765