Veicoli Elettrici e 5G: Una Sinfonia per la Rete Elettrica
Un’innovativa ricerca condotta dalla Southeast University sta riscrivendo le regole del gioco nell’intersezione tra mobilità elettrica, telecomunicazioni e gestione energetica. Guidati da Zhang Xinyu del Dipartimento di Ingegneria Elettrica, i ricercatori hanno sviluppato un modello rivoluzionario che unisce le batterie dei veicoli elettrici (EV) e quelle delle stazioni base 5G per creare una risorsa di flessibilità energetica senza precedenti. Pubblicato sulla prestigiosa rivista Power System Technology, lo studio introduce un nuovo paradigma di ottimizzazione, denominato “robustezza per soddisfazione” (Robust Satisficing, RS), che permette a un aggregatore di massimizzare i profitti e la resilienza in un mercato elettrico intrinsecamente instabile, superando i limiti dei metodi tradizionali.
L’idea di fondo è semplice ma dirompente: mentre il mondo si dirige verso un futuro elettrificato e iperconnesso, due giganteschi eserciti di batterie stanno emergendo in parallelo. Entro la fine del 2022, la Cina contava oltre 10 milioni di veicoli elettrici e più di 2,3 milioni di stazioni base 5G. Ogni singolo veicolo e ogni singola stazione ospita una batteria agli ioni di litio, un’unità di accumulo elettrochimico. Sebbene ogni unità sia troppo piccola per partecipare direttamente al mercato all’ingrosso dell’energia, il loro potenziale collettivo è immenso. L’innovazione non sta solo nel concetto di aggregazione, ma nel modo in cui si affrontano le molteplici incertezze che affliggono un aggregatore.
Il compito di un aggregatore è simile a quello di un maestro di orchestra in una tempesta. Deve presentare le sue offerte per il giorno successivo basandosi su previsioni, ma deve anche gestire risorse il cui comportamento è fondamentalmente imprevedibile. Quando un veicolo elettrico si collegherà a una stazione di ricarica? Con quale livello di carica e con quale ora di partenza prevista? Quanto sarà disposto il proprietario del veicolo a consentire che la sua batteria venga utilizzata per i servizi di rete? Dall’altro lato, le stazioni base 5G hanno un profilo di carico prevedibile, legato al traffico dati, ma la loro funzione primaria è garantire la continuità del servizio di telecomunicazione, il che significa che devono sempre mantenere una riserva minima di energia per far fronte a eventuali interruzioni. Inoltre, i prezzi dell’energia e dei servizi di regolazione della frequenza fluttuano costantemente. Questi strati di incertezza hanno da tempo limitato l’efficacia dei metodi di pianificazione tradizionali.
I metodi convenzionali si dividono in tre categorie principali. L’ottimizzazione stocastica (SO) utilizza dati storici e ipotesi sulle distribuzioni di probabilità per calcolare un profitto atteso. Sebbene potente, le sue prestazioni dipendono criticamente dalla qualità e dalla quantità dei dati, e può fallire spettacolarmente se il futuro si discosta dai modelli passati. L’ottimizzazione robusta (RO) adotta una posizione difensiva, progettando strategie che funzionino anche nel peggiore dei casi. Sebbene ciò garantisca la sicurezza, conduce a decisioni eccessivamente conservative che sacrificano la redditività. L’ottimizzazione robusta distribuzionale (DRO) cerca di trovare un punto di equilibrio, considerando un insieme di possibili distribuzioni di probabilità, ma richiede ancora una stima precisa di questo insieme, il che può essere difficile quanto il problema originale.
Di fronte a queste limitazioni, Zhang Xinyu e il suo team propongono un paradigma radicalmente diverso: l’ottimizzazione per soddisfazione robusta (RS). Questo modello non cerca il profitto massimo possibile, ma inverte la logica. Innanzitutto, l’aggregatore stabilisce un obiettivo di profitto accettabile. Successivamente, il modello non massimizza il profitto, ma massimizza la robustezza — la capacità del sistema di raggiungere tale obiettivo di profitto nonostante qualsiasi deviazione dalle previsioni. Invece di dipendere da complesse distribuzioni di probabilità, il modello introduce un “fattore di impatto avversario”, un indicatore che misura direttamente quanto il sistema sia sensibile alle incertezze. L’obiettivo diventa quindi minimizzare questa sensibilità.
Questa filosofia di progettazione è profondamente pragmatica. Invece di scommettere su uno scenario ideale, il modello RS si concentra sulla resilienza. Non importa se i prezzi del mercato si comportano in modo imprevisto o se gli schemi di ricarica dei veicoli elettrici cambiano improvvisamente; il modello è progettato per mantenere le prestazioni il più vicino possibile all’obiettivo desiderato. Questa caratteristica lo rende particolarmente adatto al mondo reale, dove gli eventi imprevisti sono la norma, non l’eccezione.
I test di simulazione condotti dal team della Southeast University forniscono una validazione schiacciante della superiorità del modello RS. In uno scenario basato sul mercato dei servizi ausiliari PJM, il modello RS è stato confrontato con SO, RO e DRO in 1.000 diversi scenari di prova. I risultati sono stati conclusivi. Il modello RS non solo ha generato il profitto netto medio più alto, ma ha anche mostrato la minore variabilità nei suoi risultati. In confronto diretto con il modello DRO, considerato uno standard aureo, il RS ha aumentato il profitto effettivo ottenuto del 76,92%, riducendo al contempo la deviazione standard dell’11,05%. Il dato più rivelatore è che, quando si è valutata la performance del DRO nelle stesse condizioni, il suo profitto è stato inferiore del 130,79% rispetto a quello del RS. Questo divario dimostra che la teoria robusta può non tradursi in una performance pratica superiore, e che l’approccio RS, focalizzandosi sulla robustezza del risultato, è più efficace.
Oltre alla redditività, il modello RS si distingue anche per la qualità del servizio. La regolazione della frequenza, un servizio critico per mantenere la stabilità della rete, viene remunerata non solo per la capacità offerta, ma anche per la precisione con cui si segue il segnale di controllo. Il modello RS ha raggiunto un punteggio di precisione medio del 91,27%, con una fluttuazione minima. Al contrario, il modello SO ha mostrato il punteggio più basso e la maggiore volatilità, rendendolo inadatto ai mercati con severe penalità per una bassa performance. Questa affidabilità è essenziale per gli aggregatori, poiché consente loro di rispettare i contratti e mantenere una solida reputazione sul mercato.
Il vero salto di qualità della ricerca, tuttavia, è la co-ottimizzazione dei veicoli elettrici e delle stazioni base 5G. Lo studio confronta tre scenari: operare solo con veicoli elettrici, solo con stazioni base, e una flotta combinata. I risultati mostrano un chiaro effetto sinergico. La somma dei ricavi delle due risorse che operano in modo indipendente è stata di 1.548,89 dollari. Quando sono state gestite congiuntamente, il ricavo totale è salito a 2.012,47 dollari, un aumento del 29,93%. Questo guadagno sostanziale deriva da una complementarità temporale fondamentale tra i due tipi di risorse.
Le stazioni base 5G hanno la loro maggiore domanda di energia durante le ore di punta del traffico dati, principalmente nel tardo pomeriggio e di notte. Durante questi periodi, la loro capacità di accumulo deve riservare energia per garantire la continuità del servizio, il che limita la loro flessibilità per partecipare al mercato. Parallelamente, molte persone tornano a casa dal lavoro nel tardo pomeriggio e collegano i loro veicoli elettrici. Le loro batterie, spesso parzialmente scariche, hanno un grande potenziale per assorbire energia (regolazione discendente) o, se hanno carica sufficiente, per immettere energia nella rete (regolazione ascendente). Nelle prime ore del mattino, quando il traffico dati è basso e le stazioni base hanno maggiore capacità di manovra, la maggior parte dei veicoli elettrici è già completamente carica e non può assorbire più energia. In questo momento, la capacità di riserva delle batterie delle stazioni base può essere utilizzata per stabilizzare la rete, mentre i veicoli elettrici agiscono come un supporto passivo.
Questa sincronizzazione permette all’aggregatore di agire in modo strategico. Può utilizzare le batterie delle stazioni base per assorbire energia a basso costo da fonti rinnovabili durante la notte e le batterie dei veicoli per fornire energia costosa durante le ore di punta. L’operazione congiunta crea un sistema di equilibrio interno. Se una risorsa si avvicina ai suoi limiti operativi a causa della sua partecipazione al mercato, l’altra può compensare. Ciò riduce la necessità di acquistare energia costosa sul mercato in tempo reale per correggere gli squilibri, aumentando così l’efficienza generale e la redditività dell’aggregatore.
Un’altra scoperta chiave è la flessibilità nel profilo di potenza di base. Le strategie tradizionali si concentrano sull’arbitraggio dei prezzi, acquistando a basso prezzo e vendendo a prezzo elevato. Tuttavia, il modello RS rivela una strategia più sofisticata: regolare il profilo di potenza di base non solo per sfruttare le differenze di prezzo, ma anche per consentire offerte di regolazione della frequenza più redditizie. Ad esempio, aumentare la scarica durante un periodo di prezzi bassi può sembrare controproducente, ma se permette all’aggregatore di offrire una maggiore capacità di regolazione discendente quando i prezzi sono alti, il beneficio netto supera il costo dell’energia. Questa manovra strategica è possibile solo grazie alla ridondanza e alla capacità di equilibrio fornita dal sistema combinato.
Il modello RS è anche notevole per la sua adattabilità al rischio. Un aggregatore può regolare il suo obiettivo di profitto per allinearsi con la sua propensione al rischio. Un obiettivo alto porta a offerte più aggressive, con un potenziale di profitto maggiore ma anche una maggiore volatilità. Un obiettivo più conservativo produce un’operazione più stabile e affidabile, con un punteggio di regolazione più alto. Questa capacità di adattamento permette al modello di adattarsi a diversi tipi di partecipanti al mercato, dalle società di venture capital agli operatori di servizi pubblici che danno priorità all’affidabilità.
Nel complesso, questo studio non è solo un avanzamento tecnico, ma una visione del futuro per le città intelligenti. Dimostra che la convergenza della mobilità elettrica e delle telecomunicazioni ad alta velocità non è un semplice fatto tecnologico, ma un’opportunità strategica per costruire sistemi energetici più resilienti, efficienti e sostenibili. Rompendo le barriere tra settori, la ricerca di Zhang Xinyu apre la strada a una nuova era di integrazione energetica.
Zhang Xinyu, Dipartimento di Ingegneria Elettrica, Southeast University, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.2232