Modello 3D rivoluziona la ricarica EV
La rapida crescita del mercato dei veicoli elettrici (EV) sta trasformando non solo il panorama automobilistico, ma anche le fondamenta stesse delle reti elettriche. Con milioni di nuovi punti di ricarica che si connettono alla rete, il principale ostacolo non è più la tecnologia delle batterie, bensì la gestione del comportamento umano. Quando gli utenti decidono di ricaricare? Quanto sono sensibili agli incentivi economici? E come possiamo prevedere le loro scelte per evitare picchi di domanda che mettano a dura prova la rete? Una squadra di ricercatori dell’Università di Energia Elettrica di Shanghai ha sviluppato una risposta innovativa a queste domande, presentando un modello predittivo che promette di rendere la gestione della ricarica dei veicoli elettrici più intelligente, efficiente e rispettosa delle preferenze degli utenti.
In un articolo pubblicato sulla prestigiosa rivista Proceedings of the CSEE, Ge Xiaolin, insieme ai colleghi Hu Wenzhe, Fu Yang e Cao Shipeng, ha introdotto un rivoluzionario modello a nube Sigmoid tridimensionale basato sulla volontà di risposta degli utenti. Questo approccio, a differenza dei metodi tradizionali, non ignora l’incertezza umana, ma la incorpora direttamente nel cuore del sistema di ottimizzazione. Il risultato è una strategia di pianificazione della ricarica che non solo riduce i picchi di carico sulla rete, ma lo fa in modo che risulti più accettabile e vantaggioso per i proprietari di veicoli elettrici.
Il problema centrale, come spiega Ge Xiaolin, è che la volontà degli utenti di aderire a un programma di ricarica ottimizzata è intrinsecamente incerta e influenzata da una miriade di fattori. “La semplice offerta di una tariffa più bassa non è sufficiente”, afferma. “La decisione di un utente di posticipare la ricarica dipende da una combinazione complessa di fattori economici, come il valore percepito dello sconto, e fattori non economici, come il tempo a disposizione prima della prossima uscita e il livello di comodità personale. I modelli tradizionali, che spesso trattano questo comportamento come un’equazione lineare semplice, falliscono nel catturare questa complessità, portando a risultati subottimali.”
Il modello sviluppato dal team di Shanghai affronta questa sfida in tre fasi chiave. La prima fase riguarda la previsione accurata del comportamento degli utenti. Piuttosto che analizzare tutti i dati storici disponibili, i ricercatori hanno utilizzato una tecnica sofisticata per identificare i “giorni storici correlati”. Analizzando l’entropia Copula tra le funzioni di densità di probabilità del carico di ricarica di ogni giorno storico, e applicando il criterio di Hampel per filtrare gli outlier, sono stati in grado di isolare i giorni con schemi di viaggio simili al giorno da prevedere. Questo approccio, più mirato e intelligente, elimina il rumore e si concentra sui dati più rilevanti, migliorando significativamente la precisione della previsione iniziale.
Sui dati dei giorni correlati, un potente algoritmo di rete neurale a retropropagazione (BP) è stato addestrato per prevedere la distribuzione di probabilità di due variabili fondamentali: l’orario di rientro a casa del veicolo e il suo stato di carica (SOC) al momento della connessione. Questa previsione dettagliata fornisce le basi solide per la fase successiva, che è il cuore del sistema: la modellizzazione della volontà di risposta.
Qui entra in gioco l’innovativo modello a nube Sigmoid tridimensionale. A differenza di un modello deterministico che potrebbe dire “per uno sconto del 20%, il 70% degli utenti accetterà”, il modello a nube rappresenta la volontà di risposta come una “nuvola” di possibili risultati. Ogni “goccia di nube” rappresenta una probabile risposta di un utente, e la densità di queste gocce riflette la probabilità e l’incertezza dietro ogni decisione.
Il modello tridimensionale combina due fattori principali che influenzano la decisione di un utente: il “guadagno di prezzo” (quanto è alto lo sconto offerto) e il “margine di tempo” (quanto tempo libero ha l’utente prima della prossima uscita). Questi due fattori sono inizialmente modellati come due nubi Sigmoid bidimensionali. Successivamente, utilizzando un metodo di ponderazione basato sull’entropia, queste due nubi vengono fuse in una singola, potente rappresentazione tridimensionale della volontà di risposta. Questa fusione è cruciale perché cattura l’interazione tra i due fattori. Per esempio, un utente con un margine di tempo molto ampio potrebbe essere meno sensibile a piccoli sconti, mentre un utente con un margine di tempo ridotto potrebbe richiedere uno sconto molto più alto per essere disposto ad aspettare.
La vera genialità del modello emerge quando viene utilizzato per prendere decisioni operative. Il team ha analizzato la “sensibilità della volontà di risposta” osservando i cambiamenti nella densità delle gocce di nube. Hanno scoperto punti di svolta chiari dove la densità cambia drasticamente, indicando soglie psicologiche oltre le quali il comportamento dell’utente cambia in modo significativo. Identificati questi punti di svolta, hanno potuto segmentare gli utenti in tre gruppi distinti:
- Bassa volontà di risposta: Questi utenti desiderano ricaricare immediatamente al rientro a casa. Per loro, viene applicata una politica di “ricarica rapida”, che minimizza qualsiasi disagio.
- Volontà di risposta media: Questi utenti sono disposti a posticipare la ricarica per alcune ore per ottenere un prezzo migliore. Vengono incentivati a ricaricare durante i periodi di bassa domanda, ma non sono obbligati ad attese eccessive.
- Alta volontà di risposta: Questi utenti hanno orari molto flessibili e l’unico requisito è che il veicolo sia completamente carico prima della prossima uscita. A questi utenti vengono offerti i maggiori incentivi per spostare la ricarica alle ore più profonde della notte, anche se ciò significa attendere fino a 12 ore.
Questo approccio, basato sulla volontà e segmentato, è ciò che differenzia radicalmente la strategia di Shanghai dalle soluzioni precedenti. Non impone un comportamento rigido a tutti; invece, offre opzioni personalizzate che si allineano alle preferenze individuali, aumentando così la probabilità di adesione volontaria e il successo a lungo termine del programma.
Per testare la validità della loro strategia, i ricercatori hanno condotto una simulazione su una rete di distribuzione a 10 kV nell’Est della Cina, che serve un’area mista con 800 veicoli elettrici. I risultati sono stati impressionanti. Rispetto a una ricarica disordinata, la strategia proposta ha ridotto il tasso di fluttuazione del carico sulla rete del 20,46%. Rispetto a una strategia basata su tariffe orarie (time-of-use, TOU), l’efficacia è stata comunque significativa, con una riduzione del 11,28% delle fluttuazioni di carico. Questo significa picchi di domanda più bassi, meno stress per i trasformatori e una rete più stabile e sicura.
L’efficienza economica è stata altrettanto notevole. I costi totali di ricarica per gli utenti di veicoli elettrici sono diminuiti del 16,71% rispetto alla tariffa oraria e del 27,25% rispetto alla ricarica disordinata. Parallelamente, le perdite di energia nell’intera rete di distribuzione si sono ridotte rispettivamente del 5,50% e dell’8,31%, traducendosi in risparmi concreti per gli operatori della rete e in un’impronta di carbonio più leggera.
Il risultato più importante, tuttavia, è che questi benefici sono stati raggiunti senza compromettere la soddisfazione dell’utente. Rispettando le preferenze individuali, il modello incoraggia una partecipazione volontaria più elevata, evitando il rifiuto che spesso accompagna i programmi di gestione della domanda più rigidi.
L’impatto di questa ricerca va ben oltre un singolo caso di studio. Mentre il mondo accelera la transizione verso la mobilità elettrica, la pressione sulle reti elettriche aumenterà. Questo modello offre un percorso verso un’integrazione più armoniosa, in cui la rete e gli utenti possono trarne vantaggio reciprocamente.
Da una prospettiva di politica pubblica, lo studio sottolinea la necessità di investire in infrastrutture dati. Una previsione precisa dipende da dati storici di ricarica di alta qualità. Senza di essi, anche il modello più sofisticato non può funzionare in modo ottimale. Sottolinea anche l’importanza dell’educazione dei consumatori, aiutando gli utenti a comprendere come le loro scelte di ricarica influenzano la rete e come possono ottenere benefici economici partecipando a programmi di ricarica flessibile.
Il team di ricerca sta già guardando al futuro, pianificando di estendere il loro modello per includere la tecnologia Vehicle-to-Grid (V2G), in cui i veicoli non solo prelevano energia dalla rete, ma la restituiscono durante i picchi di domanda. Questa funzionalità bidirezionale potrebbe rivoluzionare ulteriormente la stabilità della rete e creare nuove opportunità economiche per i proprietari di veicoli elettrici.
In conclusione, il lavoro di Ge Xiaolin, Hu Wenzhe, Fu Yang e Cao Shipeng rappresenta un balzo in avanti qualitativo nella gestione dei veicoli elettrici. Il loro modello a nube Sigmoid tridimensionale non è solo un altro algoritmo; è uno strumento che comprende le persone. Posizionando il comportamento umano al centro del design tecnico, hanno dimostrato che l’intelligenza vera di una rete non risiede nella sua automazione, ma nella sua capacità di comprendere e collaborare con i suoi utenti. Questo approccio, basato sulla volontà e sulla psicologia, potrebbe essere la chiave per una transizione energetica veramente sostenibile e accettata da tutti.
Strategia di Scheduling Ottimale per Veicoli Elettrici basata su un Modello a Nube Sigmoid Tridimensionale della Volontà di Risposta dell’Utente
Ge Xiaolin, Hu Wenzhe, Fu Yang, Cao Shipeng
Proceedings of the CSEE
DOI: 10.13334/j.0258-8013.pcsee.231157