Strategia di Decarbonizzazione Scalabile per Flotte di Veicoli Elettrici
L’era della mobilità elettrica è ormai una realtà consolidata, ma la sua piena integrazione nel tessuto energetico ed urbano presenta sfide di una complessità mai vista. Mentre milioni di veicoli elettrici (VE) abbandonano le stazioni di servizio per connettersi alle prese di corrente, stanno emergendo dinamiche inedite che legano indissolubilmente le strade che percorrono alle reti elettriche che li alimentano. Questo fenomeno, noto come accoppiamento strada-elettricità (traffic-electricity coupling), trasforma i VE da semplici consumatori di energia in attori chiave di un sistema energetico più ampio, flessibile e, potenzialmente, più sostenibile. Tuttavia, sfruttare appieno questo potenziale richiede un salto di paradigma nella gestione della rete, passando da un approccio reattivo a uno proattivo e coordinato. Una ricerca pionieristica condotta da Yuan Quan dell’Università di Wuxi e Tang Yi dell’Università del Sud-Est, pubblicata sulla prestigiosa rivista Power System Technology, offre una risposta strutturata e scientificamente rigorosa a questa sfida, proponendo una strategia di coordinamento multi-scala temporale per la decarbonizzazione delle flotte di veicoli elettrici.
Il cuore della ricerca risiede nel riconoscimento che la sostenibilità di un veicolo elettrico non è determinata solo dal suo funzionamento a zero emissioni in movimento, ma anche, e forse soprattutto, dalla “qualità” del kilowattora che carica la sua batteria. Se quel kilowattora proviene da una centrale a carbone, il beneficio ambientale del VE si riduce drasticamente. Il vero obiettivo, quindi, è quello di allineare la domanda di carica dei VE con l’offerta variabile di energia rinnovabile, come il solare e l’eolico. L’idea è semplice: caricare i veicoli quando il sole splende e il vento soffia, massimizzando l’assorbimento di energia pulita e minimizzando la necessità di ricorrere a fonti fossili. Ma la sua implementazione è estremamente complessa, a causa delle molteplici incertezze che caratterizzano sia il sistema di trasporto che quello elettrico.
Yuan e Tang affrontano questa complessità con un modello di coordinamento che opera su due scale temporali distinte ma complementari: il giorno prima (day-ahead) e il giorno stesso (intra-day). Questa distinzione è fondamentale per gestire l’imprevedibilità del mondo reale. Nella fase del giorno prima, il sistema opera con previsioni. Utilizzando modelli avanzati, si anticipa la produzione di energia solare, la domanda di elettricità convenzionale e i flussi di traffico. Con queste informazioni, viene elaborato un piano ottimale per la generazione delle centrali elettriche tradizionali e, in modo cruciale, viene programmato il carico di carica delle flotte di veicoli elettrici. L’obiettivo è spostare deliberatamente la carica dei VE verso le ore centrali della giornata, quando la radiazione solare è al massimo, massimizzando così l’assorbimento di energia fotovoltaica e minimizzando la necessità di ricorrere a centrali di emergenza a gas o carbone.
Questa fase di pianificazione anticipata è solo il primo passo. Il mondo reale è imprevedibile: una nuvola inaspettata può oscurare il sole, un ingorgo può ritardare i conducenti e alterare i loro piani di carica, o un centro commerciale può sperimentare una domanda elettrica più alta del previsto. Qui entra in gioco la fase intraday della strategia. Si tratta di un sistema di riodinamento dinamico e in tempo reale. Basandosi su dati aggiornati, il modello ricalcola la situazione e apporta aggiustamenti precisi. Se la produzione solare supera le aspettative, può ordinare che più veicoli si connettano per sfruttare questo eccesso. Se, al contrario, c’è un deficit, può ridurre temporaneamente la potenza di carica di alcuni VE o, in scenari avanzati, utilizzare la tecnologia Vehicle-to-Grid (V2G) per restituire energia alla rete dalle batterie dei veicoli parcheggiati. Questa capacità di risposta in tempo reale è ciò che trasforma la strategia in un sistema robusto e resiliente, in grado di mantenere l’equilibrio del sistema anche di fronte a perturbazioni.
Un aspetto fondamentale della ricerca è il suo approccio rigoroso alla gestione dell’incertezza. Gli autori non trattano fattori come la produzione solare o il comportamento del conducente come variabili isolate. Invece, utilizzano uno strumento statistico potente noto come la teoria delle copule (Copula theory). Questa teoria consente loro di modellare non solo le incertezze individuali, ma anche le complesse interazioni tra di esse. Ad esempio, una giornata nuvolosa (bassa produzione solare) spesso coincide con un aumento della domanda elettrica domestica (per riscaldamento o illuminazione), mentre il traffico può essere più intenso in giornate di bel tempo. La teoria delle copule cattura queste dipendenze, permettendo ai ricercatori di generare un insieme di scenari tipici che riflettono fedelmente la realtà multifaccettata del mondo reale. A partire da questi scenari, il modello può prendere decisioni di ottimizzazione che sono efficaci non solo in una condizione ideale, ma in un’ampia gamma di condizioni possibili, aumentando enormemente la sua affidabilità e applicabilità pratica.
L’applicazione di questa strategia ha conseguenze profonde e misurabili. Un’analisi di caso dettagliata, basata su una rete urbana reale, ha rivelato risultati impressionanti. Dopo l’implementazione della coordinazione multiscala, il costo operativo totale della rete elettrica si è ridotto del 23,49%. Questo risparmio non è stato ottenuto a scapito dell’affidabilità, ma migliorando l’efficienza. Spostando il carico di carica dei VE verso le ore di sole, la rete è stata in grado di ridurre drasticamente la generazione delle sue centrali termiche, che sono le più costose da gestire. Inoltre, la riduzione delle perdite nella rete è stata del 16,11%, un beneficio aggiuntivo che si traduce direttamente in una maggiore efficienza del sistema.
L’impatto ambientale è stato ancora più significativo. L’emissione totale di anidride carbonica (CO2) nella rete accoppiata si è ridotta del 23,35%. Questo risultato è stato raggiunto non attraverso un divieto o una riduzione del consumo, ma attraverso una redistribuzione intelligente della domanda. Massimizzando il consumo di energia solare locale, la rete ha evitato la generazione di migliaia di tonnellate di CO2 che sarebbero state prodotte in centrali termiche. Lo studio ha anche mostrato un aumento del 17,77% nell’assorbimento di energia fotovoltaica, dimostrando che la strategia non è solo amica del clima, ma anche una soluzione pratica al problema del “curtailment” o dello spreco di energia rinnovabile quando la rete non riesce ad assorbirla.
La strategia tiene in considerazione anche tecnologie complementari come i sistemi di cattura del carbonio (CCS). Per quelle centrali termiche che devono ancora operare, il modello può integrare il costo e il beneficio della cattura di parte delle loro emissioni. Sebbene la cattura del carbonio sia una tecnologia con costi associati, la ricerca mostra che, nel complesso, la combinazione di flessibilità della domanda (dei VE) e mitigazione alla fonte (CCS) fornisce un percorso più economico verso la decarbonizzazione completa rispetto al dipendere solo da una delle due.
Da una prospettiva pratica, questa ricerca è una guida per diversi attori. Per gli operatori di rete, fornisce un quadro di lavoro per gestire la crescente penetrazione dei VE senza la necessità di investimenti massicci in nuove infrastrutture. Per i pianificatori urbani, sottolinea la necessità di una pianificazione integrata in cui la posizione delle stazioni di ricarica rapida sia strategicamente allineata con le zone ad alta produzione solare o con i nodi della rete che necessitano di supporto. Per i produttori di automobili, indica la strada verso veicoli più intelligenti, dotati di software che consenta una comunicazione bidirezionale con la rete, facilitando la partecipazione a programmi di risposta alla domanda.
L’accettazione dell’utente è un componente critico di qualsiasi strategia di successo. Gli autori riconoscono che non tutti i conducenti possono essere ugualmente flessibili. Non tutti possono aspettare ore per ricaricare il loro veicolo se hanno un appuntamento importante. Per questo motivo, il modello incorpora un fattore di “tasso di risposta”, che nello studio è stato impostato al 50% per le ricariche rapide, riflettendo una partecipazione realistica. Ciò significa che la strategia è progettata tenendo conto della vita reale, non come un esercizio teorico. Gli incentivi, come tariffe elettriche dinamiche che sono più basse durante le ore di sole, saranno fondamentali per aumentare questo tasso di partecipazione e sbloccare tutto il potenziale della flotta di VE.
La rilevanza di questo lavoro va oltre le frontiere di una singola nazione o città. Mentre il mondo si imbarca nella transizione energetica, l’accoppiamento tra trasporto ed elettricità sarà una costante globale. Le città del Nord America, dell’Europa e dell’Asia affronteranno sfide simili. La metodologia sviluppata da Yuan Quan e Tang Yi, con il suo approccio rigoroso, la sua considerazione dell’incertezza e il suo focus sull’ottimizzazione multi-scala, rappresenta un progresso significativo nel campo. Fornisce una mappa chiara per trasformare una potenziale minaccia per la rete elettrica (la ricarica di massa dei VE) in uno strumento potente per costruire un sistema energetico più pulito, più efficiente e più resiliente.
In ultima analisi, questa ricerca è una testimonianza del potere dell’ingegneria e della scienza per risolvere problemi complessi. Non si tratta di una tecnologia di fantascienza, ma di un modello matematico e una strategia di gestione che possono essere implementati con la tecnologia esistente. È un passo concreto verso un futuro in cui l’energia che ci muove ci aiuta anche a guarire il pianeta. La visione di Yuan e Tang è quella di un futuro in cui i veicoli elettrici non sono solo guidati dalle persone, ma giocano anche un ruolo attivo nella guida della transizione energetica, diventando veri e propri agenti di cambiamento climatico.
Yuan Quan, Università di Wuxi; Tang Yi, Università del Sud-Est. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.1792