Nuovo modello prevede carico stazioni EV
La rivoluzione elettrica nel settore automobilistico è in pieno svolgimento, con veicoli elettrici (EV) che conquistano sempre più spazio sulle strade di tutto il mondo. Questa transizione, guidata da obiettivi ambientali e da progressi tecnologici, sta ridisegnando non solo il panorama dei trasporti, ma anche quello dell’intera infrastruttura energetica. Il rapido aumento del numero di EV ha portato a una domanda senza precedenti per stazioni di ricarica di grandi dimensioni, le quali, a loro volta, impongono nuove sfide complesse alla stabilità e all’efficienza delle reti elettriche. La previsione precisa del carico elettrico generato da queste stazioni è diventata una priorità assoluta, essenziale per evitare sovraccarichi, ottimizzare la generazione di energia e integrare al meglio le fonti rinnovabili.
Un recente studio pubblicato sulla prestigiosa rivista Southern Power System Technology ha fatto un passo avanti significativo in questo campo. Il lavoro, condotto da Wang Changchun dell’Università di Tecnologia Lanzhou in collaborazione con Wang Guo, Zhao Qianyu e Wang Shouxiang dell’Università di Tianjin, introduce un innovativo modello di previsione ibrido che combina reti neurali a memoria a lungo termine (LSTM) e regressione a vettori di supporto (SVR). L’approccio, che integra fattori chiave spesso trascurati come la tariffazione elettrica differenziata e il tasso di utilizzo delle stazioni di ricarica, ha dimostrato di migliorare l’accuratezza delle previsioni di carico a breve termine di oltre l’8% rispetto ai metodi tradizionali. Questo risultato rappresenta un balzo in avanti cruciale per la gestione intelligente delle reti elettriche del futuro.
La sfida della previsione del carico da ricarica
La mobilità elettrica è passata da una visione futuristica a una realtà concreta. Governi e consumatori stanno abbracciando i veicoli elettrici per i loro vantaggi in termini di costi operativi ridotti e impatto ambientale minore. Tuttavia, questo successo esponenziale mette a dura prova i sistemi di distribuzione dell’energia. A differenza dei carichi tradizionali, che tendono a essere più stabili, il carico generato dalla ricarica degli EV è estremamente variabile e spesso si concentra in picchi intensi, specialmente durante le ore serali. Una singola stazione di ricarica di grandi dimensioni, come quella analizzata nello studio con una capacità progettata di 3 MW, può assorbire energia equivalente a centinaia di famiglie. Se non gestita correttamente, questa concentrazione di domanda può causare congestione locale nella rete elettrica, compromettendone la stabilità.
Una previsione precisa del carico a breve termine è fondamentale per diversi attori. Per le compagnie elettriche, permette una pianificazione più efficiente della generazione di energia, riduce la necessità di ricorrere a costose centrali di punta e aiuta a prevenire sovraccarichi. Per gli operatori delle stazioni di ricarica, consente un’ottimizzazione strategica dell’approvvigionamento energetico, soprattutto in contesti di tariffazione elettrica differenziata (Time-of-Use, TOU), dove il costo dell’elettricità varia a seconda dell’orario. Inoltre, previsioni affidabili sono indispensabili per integrare la ricarica degli EV con fonti di energia rinnovabile come solare ed eolico, garantendo che l’energia pulita venga utilizzata al meglio per alimentare i veicoli, massimizzando così i benefici ambientali della decarbonizzazione.
Nonostante la sua importanza, la previsione del carico di ricarica degli EV rimane un problema complesso. I modelli statistici tradizionali spesso falliscono nel catturare le relazioni non lineari e complesse tra il comportamento di ricarica e i fattori esterni. Sebbene i metodi di machine learning e deep learning abbiano mostrato risultati promettenti, molti modelli si concentrano principalmente sui dati storici del carico e su variabili meteorologiche di base, trascurando l’influenza dinamica di incentivi economici e metriche operative come il tasso di utilizzo delle stazioni.
L’integrazione di fattori chiave: tariffazione differenziata e tasso di utilizzo
L’innovazione centrale di questo studio risiede nell’integrazione di due variabili critiche, spesso trascurate: la tariffazione elettrica differenziata e il tasso di utilizzo delle stazioni di ricarica. I ricercatori sostengono che questi fattori non siano semplici rumori di fondo, ma i principali motori del comportamento degli utenti.
La tariffazione differenziata è una struttura tariffaria che applica prezzi diversi per l’elettricità in base all’ora del giorno. È progettata per incentivare i consumatori a spostare il loro consumo dalle ore di punta a quelle di minore domanda, appiattendo così la curva della domanda e migliorando l’efficienza della rete. Nella città studiata nella provincia di Shandong, in Cina, lo schema TOU divide la giornata in quattro periodi: un periodo di prezzo elevato dalle 17:00 alle 21:59, un periodo standard da mezzanotte alle 9:59, dalle 15:00 alle 16:59 e dalle 22:00 alle 23:59, e due periodi di prezzo basso a mezzogiorno e nel primo pomeriggio. La differenza di prezzo tra le ore di punta e quelle di minore domanda è sostanziale, con tariffe di punta che raggiungono 1,3078 yuan per kWh, rispetto a 0,6717 yuan durante i periodi più bassi.
Questa struttura di prezzo crea un potente incentivo economico per i proprietari di EV a ricaricare i loro veicoli durante le ore più economiche. Lo studio conferma questa intuizione attraverso un rigoroso analisi di correlazione, che mostra una forte correlazione negativa tra il prezzo dell’elettricità e il carico di ricarica. Quando i prezzi sono alti, l’attività di ricarica diminuisce, e quando i prezzi sono bassi, aumenta. Ignorare questo segnale, sostengono i ricercatori, è come tentare di prevedere i modelli di traffico senza considerare i semafori.
Il secondo fattore chiave, il tasso di utilizzo della ricarica, è una metrica operativa che riflette l’effettivo utilizzo della capacità di una stazione di ricarica. Viene calcolato come la percentuale di punti di ricarica attivi rispetto al numero totale di caricabatterie disponibili in un dato momento. Un tasso di utilizzo elevato indica che la stazione è occupata, il che può influenzare il comportamento dell’utente. Ad esempio, un potenziale cliente potrebbe scegliere di ricaricare in un momento diverso o in un’altra posizione se prevede tempi di attesa lunghi. Al contrario, un basso tasso di utilizzo potrebbe attrarre utenti in cerca di comodità. Lo studio ha scoperto che il tasso di utilizzo della ricarica presenta la correlazione positiva più alta con il carico effettivo, persino più forte di quella della temperatura dell’aria, spesso citata come un fattore importante a causa del suo impatto sulle prestazioni della batteria e sull’autonomia del veicolo.
Integrando sia la tariffazione differenziata che il tasso di utilizzo della ricarica nel loro modello, i ricercatori creano una rappresentazione molto più ricca e realistica dell’ecosistema della ricarica. Questo approccio olistico va oltre la semplice osservazione di ciò che è successo per comprendere il perché, catturando i driver economici e comportamentali alla base dei dati.
Un modello ibrido per prestazioni superiori
Per sfruttare il potere predittivo di queste variabili, il team di ricerca ha sviluppato un’architettura di previsione sofisticata e multistep. Il processo inizia con la raccolta e la pre-elaborazione dei dati. Il team ha utilizzato dati reali provenienti da una stazione di ricarica di grandi dimensioni, campionati ogni 15 minuti per due mesi, insieme ai corrispondenti dati meteorologici e alle informazioni sulla tariffazione differenziata. Tutti i dati vengono normalizzati per garantire coerenza e migliorare l’addestramento del modello.
Il passo successivo riguarda l’ingegnerizzazione e la selezione delle caratteristiche. I ricercatori riconoscono che i dati delle serie temporali grezzi, specialmente per variabili come la temperatura e il tasso di utilizzo, sono spesso non stazionari e rumorosi, il che può degradare le prestazioni del modello. Per affrontare questo problema, impiegano una tecnica chiamata Decomposizione Empirica Completa con Rumore Adattivo (CEEMDAN). Questo metodo decompone segnali complessi e non lineari in una serie di componenti più semplici e stabili chiamate funzioni di modo intrinseco (IMF). Scomponendo i dati originali in questi blocchi fondamentali, il modello può meglio catturare le tendenze e i modelli sottostanti su diverse scale temporali.
Dopo la decomposizione, lo spazio delle caratteristiche si espande significativamente, potenzialmente introducendo informazioni ridondanti o irrilevanti. Per ottimizzare i dati, i ricercatori utilizzano un metodo di coefficiente di correlazione combinato. Questo approccio calcola un punteggio composito basato sui coefficienti di correlazione di Pearson, Spearman e Kendall’s tau-b, fornendo una misura più robusta della relazione tra ogni caratteristica e il carico obiettivo. Le caratteristiche con punteggi di correlazione bassi vengono scartate, assicurando che il modello si concentri solo sugli input più informativi.
Il cuore del sistema di previsione è un modello ibrido che fonde LSTM e SVR. Ogni algoritmo porta con sé punti di forza unici. LSTM è un tipo di rete neurale ricorrente progettata specificamente per la previsione di sequenze. Eccelle nel catturare le dipendenze a lungo termine nei dati delle serie temporali, rendendolo ideale per comprendere come i modelli di ricarica passati influenzino i carichi futuri. Utilizza un sistema di “gate” per controllare il flusso di informazioni, permettendogli di ricordare eventi importanti del passato remoto mentre dimentica quelli irrilevanti.
D’altra parte, SVR è un potente algoritmo di machine learning per compiti di regressione. È particolarmente efficace nel modellare relazioni non lineari e gestire dati ad alta dimensione. SVR funziona trovando un iperpiano che meglio si adatti ai dati, consentendo un certo margine di errore (la “funzione di perdita insensibile”). Utilizzando una funzione kernel, può proiettare i dati in uno spazio di dimensione superiore in cui è possibile una soluzione lineare, rendendolo altamente flessibile.
I ricercatori si sono resi conto che nessun modello da solo era sufficiente. LSTM potrebbe avere difficoltà con gli aspetti non lineari dei dati, mentre SVR potrebbe non catturare pienamente le dinamiche temporali. La loro soluzione è stata creare un modello di ensemble pesato. Entrambi i modelli, LSTM e SVR, vengono prima addestrati in modo indipendente sui dati pre-elaborati. Le loro previsioni individuali vengono quindi combinate in un’uscita finale utilizzando pesi calcolati dinamicamente.
Lo schema di pesatura è intelligente e adattivo. Calcola prima l’errore assoluto di ciascun modello su un set di validazione. Poi, valuta la differenza relativa tra i due errori. Se gli errori sono vicini, i pesi vengono assegnati proporzionalmente alle prestazioni di ciascun modello. Se un modello è significativamente più accurato, gli viene assegnato un peso molto più alto, consentendo al modello con prestazioni migliori di dominare la previsione finale. Questo garantisce che l’ensemble non sia solo una media, ma una combinazione intelligente che sfrutta il meglio di entrambi i mondi.
Per ulteriormente ottimizzare il modello, i ricercatori hanno impiegato l’algoritmo di Ottimizzazione del Gheppio del Nord (NGO). Questo è un algoritmo metaeuristico ispirato alla natura che imita il comportamento di caccia del gheppio del nord. Viene utilizzato per affinare i parametri iper del modello LSTM e SVR, come il numero di strati nascosti, le probabilità di dropout e i parametri del kernel. Automatizzando questo processo di ricerca, NGO aiuta a trovare la configurazione ottimale che massimizza l’accuratezza della previsione, evitando le trappole dell’addestramento manuale o della ricerca casuale.
Validazione e risultati: un passo avanti chiaro
Il modello proposto è stato rigorosamente validato utilizzando dati reali da una stazione di ricarica di grandi dimensioni. I ricercatori hanno condotto una serie di esperimenti comparativi per isolare l’impatto di ogni componente del loro approccio. Hanno confrontato modelli con e senza dati sulla tariffazione differenziata e sul tasso di utilizzo della ricarica, con e senza la decomposizione e la selezione delle caratteristiche basate su CEEMDAN, e utilizzando diversi algoritmi di previsione (LSTM-SVR, LSTM autonomo, SVR autonomo, rete neurale BP e Random Forest).
I risultati sono stati convincenti. Quando il modello includeva sia la tariffazione differenziata che il tasso di utilizzo della ricarica, l’accuratezza della previsione è migliorata di oltre l’8% rispetto a un modello di base che escludeva questi fattori. Questo sottolinea l’importanza critica di integrare dati economici e operativi nella previsione del carico. Il processo di selezione delle caratteristiche basato su CEEMDAN si è dimostrato altamente efficace, riducendo il rumore e la ridondanza mentre arricchiva l’insieme di caratteristiche con informazioni multi-scala, migliorando ulteriormente l’accuratezza.
Il modello ibrido LSTM-SVR ha superato tutti gli altri modelli singoli. Ha ottenuto l’Errore Quadratico Medio (RMSE) e l’Errore Assoluto Medio (MAE) più bassi, e il valore più alto di R-quadro (R²), indicando un adattamento superiore ai dati reali. I grafici a scatola degli errori di previsione hanno mostrato che il modello LSTM-SVR aveva la dispersione più piccola e il minor numero di outlier estremi, dimostrandone la robustezza e l’affidabilità.
Uno dei risultati più significativi è stata la capacità del modello di prevedere con precisione il carico durante periodi di alta volatilità. Ad esempio, il 21 gennaio, il carico di ricarica ha mostrato una variazione più grande del solito. Il modello LSTM-SVR è stato in grado di tracciare da vicino questa fluttuazione, mentre altri modelli hanno mostrato deviazioni significative. Questa capacità è cruciale per le applicazioni del mondo reale, dove eventi imprevisti possono portare a picchi o cali improvvisi nella domanda.
Implicazioni per il futuro delle reti intelligenti
Le implicazioni di questa ricerca vanno ben oltre una singola stazione di ricarica. Mentre il numero di veicoli elettrici continua a crescere, la capacità di prevedere e gestire il loro carico collettivo diventerà un pilastro di una rete elettrica intelligente, resiliente e sostenibile. Questo studio fornisce una guida su come l’analisi avanzata dei dati e l’intelligenza artificiale possano essere utilizzate per risolvere sfide energetiche reali.
Per gli operatori di rete, questo modello offre uno strumento potente per una gestione proattiva. Avere una previsione più accurata consente di bilanciare meglio offerta e domanda, ridurre le perdite di trasmissione e integrare più energia rinnovabile. Per gli operatori di stazioni di ricarica, permette decisioni commerciali più intelligenti, come strategie di prezzo dinamico e pianificazione della capacità. Per i responsabili delle politiche, fornisce evidenza che incentivi economici come la tariffazione differenziata sono strumenti efficaci per modellare il comportamento dei consumatori e gestire la domanda di punta.
Il successo di questo approccio ibrido indica anche una tendenza più ampia nell’IA: il potere dei metodi di ensemble. Combinando diversi algoritmi, ognuno con i propri punti di forza, i ricercatori possono creare modelli più robusti e accurati di qualsiasi singolo approccio. Questa filosofia del “migliore dei due mondi” probabilmente dominerà gli sviluppi futuri nella previsione del carico e in altri compiti complessi di previsione.
In conclusione, il lavoro di Wang Changchun e dei suoi colleghi rappresenta un passo avanti significativo nel campo della previsione del carico per le stazioni di ricarica di grandi dimensioni per veicoli elettrici. Integrando con attenzione variabili chiave del mondo reale e impiegando una strategia di modellazione sofisticata multistep, hanno sviluppato uno strumento che non è solo più accurato, ma anche più riflessivo delle dinamiche complesse del sistema energetico moderno. Mentre il mondo si muove verso un futuro completamente elettrificato del trasporto, tali innovazioni saranno essenziali per garantire che la rete possa stare al passo.
Wang Changchun, Wang Guo, Zhao Qianyu, Wang Shouxiang. A Short-Term Load Forecasting Method for Large Scale Electric Vehicle Charging Stations Considering Characteristics of Charging Utilization Rate and Time-of-Use Electricity Price. Southern Power System Technology. DOI: 10.13648/j.cnki.issn1674-0629.2024.05.008