Nuovo Modello Ottimizza Reti con Veicoli Elettrici ed Energia Verde
La rivoluzione della mobilità elettrica e la crescente penetrazione delle fonti rinnovabili stanno ridefinendo il volto del nostro sistema energetico. Mentre veicoli elettrici (EV), energia solare ed eolica rappresentano pilastri fondamentali per un futuro sostenibile, la loro integrazione massiccia nella rete elettrica tradizionale pone sfide ingegneristiche di primaria importanza. Il comportamento intermittente della generazione da fonti rinnovabili, unito alla domanda di potenza concentrata e altamente variabile proveniente dalle stazioni di ricarica per auto elettriche, può generare instabilità di rete, perdite di energia significative e fluttuazioni di tensione. Garantire un sistema elettrico affidabile, efficiente e stabile non è più un obiettivo secondario, ma una necessità assoluta per il successo della transizione energetica.
In un importante studio pubblicato sulle Proceedings of the CSU-EPSA, un team di ricercatori ha presentato un modello di ottimizzazione della potenza reattiva multi-obiettivo, progettato specificamente per le reti di distribuzione attive (ADN) caratterizzate da un’alta penetrazione di energia rinnovabile e stazioni di ricarica per veicoli elettrici. Il lavoro, condotto da Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai dell’Università di Nanchang e He Wei dell’Istituto di Ricerca Elettrica di State Grid Jiangxi Electric Power Co., Ltd., offre una soluzione integrata e sofisticata per affrontare le complesse interazioni tra la generazione decentralizzata e i carichi dinamici del futuro.
Il punto di forza di questo studio risiede nella sua visione olistica. La ricerca precedente si è spesso concentrata su aspetti isolati: l’ottimizzazione della generazione da fonti rinnovabili, sfruttando la capacità degli inverter eolici e fotovoltaici di fornire potenza reattiva, oppure la gestione del carico, spesso trascurando l’impatto delle stazioni di ricarica. Gli autori, tuttavia, sottolineano che il vero problema è la combinazione di questi due fattori. L’afflusso simultaneo di potenza variabile dalla fonte e di carichi concentrati e imprevedibili dal lato del consumatore crea una doppia pressione sul sistema, che può comprometterne gravemente la stabilità se non gestita in modo sinergico. Il modello proposto è quindi unico nel suo genere perché considera entrambi i fronti contemporaneamente.
Il modello sviluppato persegue tre obiettivi principali: minimizzare il costo operativo del sistema, ridurre al minimo la deviazione di tensione in tutta la rete e massimizzare la stabilità complessiva del sistema. Il primo obiettivo, il costo operativo, è principalmente determinato dalle perdite di potenza attiva nelle linee di trasmissione, una voce di spesa considerevole per le aziende elettriche. Il secondo obiettivo, la deviazione di tensione, mira a mantenere la tensione in ogni nodo della rete di distribuzione il più vicino possibile al suo valore nominale (ad esempio, 12,66 kV), prevenendo danni agli apparecchi e garantendo una qualità del servizio elevata. Il terzo e più innovativo obiettivo è l’ottimizzazione della stabilità del sistema, per il quale i ricercatori hanno introdotto un nuovo indice di stabilità della tensione statica.
Questo nuovo indice rappresenta un contributo fondamentale dello studio. I metodi tradizionali per valutare la stabilità della tensione possono essere complessi e richiedere un elevato costo computazionale. I ricercatori hanno ideato un nuovo indicatore basato sull’analisi della curva PV (Potenza-Tensione), un concetto cardine nell’analisi dei sistemi elettrici che illustra la relazione tra la potenza prelevata da una rete e la tensione risultante. Quando un sistema si avvicina al suo limite di stabilità, o “punto di collasso”, la curva PV assume una caratteristica forma a “naso”. La distanza tra i rami superiore e inferiore di questa curva diventa estremamente piccola a un dato livello di potenza. Il nuovo indice proposto quantifica questa vicinanza, fornendo un indicatore chiaro e univoco di quanto vicino un qualsiasi ramo della rete sia al collasso della tensione. Minimizzando il valore massimo di questo indice su tutti i rami della rete, il modello garantisce che l’intero sistema operi con un ampio margine di sicurezza, anche nelle condizioni più stressanti di alta generazione rinnovabile e picco di ricarica dei veicoli elettrici.
La complessità di questo modello multi-obiettivo è notevole. Coinvolge un gran numero di variabili di decisione, tra cui variabili continue come la potenza reattiva fornita da turbine eoliche, inverter fotovoltaici, compensatori statici di VAR (SVC) e stazioni di ricarica per veicoli elettrici, e variabili discrete come il numero di gruppi di condensatori (CB) che vengono inseriti o disinseriti in nodi specifici. Risolvere un problema di ottimizzazione mista, non convessa e non lineare di questo tipo è estremamente difficile per gli algoritmi convenzionali, che possono rimanere intrappolati in soluzioni subottimali o richiedere tempi di calcolo proibitivi.
Per superare questa sfida computazionale, il team di ricerca ha introdotto un algoritmo di ottimizzazione ibrido con un meccanismo di retroazione incrociata unico. Questo algoritmo combina due potenti tecniche metaeuristiche: un algoritmo di ottimizzazione migliorato della falena e della fiamma (MFO) per le variabili continue e un algoritmo genetico (GA) per le variabili discrete. L’algoritmo MFO, ispirato al comportamento di navigazione delle falene notturne, è noto per la sua capacità di esplorare uno spazio di soluzioni. Tuttavia, può soffrire di una perdita di diversità nelle fasi successive, portando a una convergenza prematura verso un ottimo locale. Gli autori hanno migliorato significativamente l’algoritmo MFO incorporando due elementi chiave.
In primo luogo, hanno utilizzato una mappatura caotica Tent per la generazione della popolazione iniziale. La teoria del caos fornisce un modo per generare sequenze che sono deterministiche ma appaiono casuali e sono altamente sensibili alle condizioni iniziali. Questo garantisce che la popolazione iniziale di soluzioni potenziali sia molto più diversificata e distribuita uniformemente in tutto lo spazio delle soluzioni, dando all’algoritmo una migliore possibilità di trovare l’ottimo globale fin dall’inizio. In secondo luogo, hanno introdotto un operatore di mutazione adattivo basato sul “grado di aggregazione” della popolazione. Questa metrica misura quanto è raggruppata la popolazione corrente di soluzioni. Se la popolazione diventa troppo concentrata (indicando un rischio di rimanere intrappolata), l’operatore di mutazione inietta maggiore casualità e diversità nel processo di ricerca, aiutando efficacemente l’algoritmo a sfuggire agli ottimi locali e a continuare la sua esplorazione.
Il meccanismo di retroazione incrociata dell’algoritmo ibrido è il suo punto di forza. Invece di ottimizzare tutte le variabili contemporaneamente, le separa. Il GA lavora sulle decisioni discrete di inserimento/disinserimento dei gruppi di condensatori, mentre il MFO migliorato (chiamato TAMMFO) lavora sulle uscite di potenza reattiva continua. Crucialmente, gli algoritmi non lavorano in isolamento. Dopo un ciclo di ottimizzazione da parte di un algoritmo, i suoi migliori risultati vengono trasmessi come parametri fissi per l’altro algoritmo da utilizzare nel suo prossimo ciclo di ottimizzazione. Ad esempio, il GA potrebbe trovare una configurazione promettente per i gruppi di condensatori; questa configurazione viene mantenuta costante mentre l’algoritmo TAMMFO cerca la configurazione ottimale della potenza reattiva per gli inverter e gli SVC. Il risultato di questa ricerca viene quindi utilizzato per informare la prossima iterazione del GA, e così via. Questo processo iterativo, guidato dalla retroazione, permette ai due algoritmi di guidarsi reciprocamente verso una soluzione superiore, sfruttando i punti di forza di ciascun metodo e mitigandone le debolezze. Questo approccio è molto più efficiente che tentare di risolvere l’intero problema complesso con un singolo algoritmo.
Per validare il loro modello e algoritmo, i ricercatori hanno condotto uno studio di caso dettagliato utilizzando un sistema di distribuzione IEEE a 33 nodi modificato, un benchmark standard nella ricerca sui sistemi elettrici. Lo scenario di simulazione includeva turbine eoliche, una centrale fotovoltaica e due stazioni di ricarica per veicoli elettrici connesse in punti strategici della rete. I ricercatori hanno utilizzato dati previsionali realistici per la generazione eolica e solare, e una sofisticata simulazione di Monte Carlo per modellare il comportamento stocastico di 400 veicoli elettrici (una miscela di veicoli privati, aziendali e taxi) basandosi sui loro modelli di viaggio e di ricarica.
I risultati della simulazione sono stati convincenti e hanno dimostrato la superiorità dell’approccio proposto. I ricercatori hanno confrontato due casi: il Caso 1, che utilizzava il loro algoritmo ibrido completo (TAMMFO + GA), e il Caso 2, che utilizzava un algoritmo MFO standard combinato con GA. I risultati hanno mostrato che il modello ha raggiunto con successo i suoi tre obiettivi. Dopo l’ottimizzazione, il costo operativo del sistema, guidato principalmente dalle perdite di potenza, è stato ridotto di oltre il 44% rispetto allo scenario non ottimizzato. Il Caso 1 ha superato il Caso 2, ottenendo un’ulteriore riduzione del 2,41% dei costi, dimostrando l’efficienza dell’algoritmo TAMMFO migliorato.
L’impatto sulla qualità della tensione è stato altrettanto impressionante. La deviazione totale di tensione nella rete è stata ridotta di oltre il 49%. Il Caso 1 ha mostrato nuovamente un vantaggio chiaro, riducendo la deviazione di un ulteriore 3,74% rispetto al Caso 2. Ciò si traduce in un’offerta di energia più stabile e di qualità superiore per tutti i clienti connessi alla rete. Forse il più critico è stato il miglioramento del nuovo indice di stabilità della tensione (VSI). Il valore massimo del VSI è stato ridotto in modo significativo, indicando un margine di sicurezza molto più ampio contro il collasso della tensione. Il Caso 1 ha ottenuto un sistema più stabile rispetto al Caso 2, con un’ulteriore riduzione del valore massimo del VSI.
Un vantaggio pratico importante della strategia proposta è stata la sua capacità di gestire l’usura delle apparecchiature. Il modello include esplicitamente un vincolo sul numero massimo di volte in cui i gruppi di condensatori possono essere inseriti o disinseriti in un giorno, poiché un inserimento/disinserimento frequente riduce la vita utile delle apparecchiature e genera costi di manutenzione. Nel Caso 2, i gruppi di condensatori in due nodi chiave sono stati commutati 10 volte ciascuno, superando il limite giornaliero consentito di 6. Si tratta di un difetto operativo significativo. In netto contrasto, la soluzione ottimizzata del Caso 1 ha mantenuto il numero di commutazioni entro il limite, con un gruppo che si inseriva 6 volte e l’altro solo 4 volte. Questo non solo prolunga la vita delle apparecchiature, ma riduce anche i costi operativi per l’azienda elettrica.
Infine, l’efficienza computazionale dell’algoritmo ibrido è stata una caratteristica distintiva. Il Caso 1, nonostante i suoi risultati superiori, ha completato la sua ottimizzazione in 6.115 secondi, il che è il 38,06% più veloce rispetto ai 9.873 secondi del Caso 2. Questa velocità è cruciale per l’applicazione pratica, poiché gli operatori di rete devono eseguire queste ottimizzazioni quotidianamente o persino orariamente per rispondere alle condizioni in evoluzione. Un algoritmo più veloce rende questo possibile.
In conclusione, la ricerca di Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai e He Wei rappresenta un progresso significativo nel campo della gestione delle reti intelligenti. Il loro modello integrato, che considera simultaneamente gli effetti dinamici delle energie rinnovabili e dei veicoli elettrici, fornisce un quadro più realistico ed efficace per le reti elettriche moderne. Il nuovo indice di stabilità offre uno strumento potente per gli operatori di rete per gestire proattivamente i rischi. Più importante, il loro innovativo algoritmo di ottimizzazione ibrido con retroazione incrociata dimostra un modo pratico ed efficiente per risolvere uno dei problemi più complessi nell’ingegneria energetica. Mentre il mondo continua a elettrificare i trasporti e a decarbonizzare il suo approvvigionamento energetico, questo tipo di approccio sofisticato, basato sui dati e olistico sarà essenziale per creare una rete che non sia solo verde, ma anche robusta, affidabile ed economica. Questo lavoro fornisce una guida preziosa per le aziende elettriche e i ricercatori di tutto il mondo mentre affrontano le sfide e le opportunità della transizione energetica.
Jiang Zhijun, Yuan Xuan, Qiu Wenhao, Huang Licai, He Wei, Scuola di Ingegneria dell’Informazione, Università di Nanchang; Istituto di Ricerca Elettrica, State Grid Jiangxi Electric Power Co., Ltd. Modello di Ottimizzazione della Potenza Reattiva per Reti di Distribuzione Attive con Fonti di Energia Rinnovabile e Stazioni di Ricarica per Veicoli Elettrici. Proceedings of the CSU-EPSA. DOI: 10.19635/j.cnki.csu-epsa.001297