Previsione dei carichi di ricarica per veicoli elettrici rurali
L’adozione di veicoli elettrici (VE) nelle aree rurali sta accelerando a un ritmo senza precedenti, spinta da politiche governative che mirano a estendere i benefici della mobilità sostenibile oltre i confini delle città. Tuttavia, questo rapido cambiamento introduce sfide significative per le reti elettriche locali, spesso progettate per carichi molto diversi e non preparate per gestire la domanda concentrata e dinamica generata dalla ricarica simultanea di molti veicoli. La capacità di prevedere con precisione quando, dove e quanto intensamente i veicoli elettrici si ricaricheranno è diventata una priorità assoluta per i gestori delle reti elettriche. In un contributo fondamentale a questo campo, i ricercatori Wang Zilong della State Grid Corporation of China e Huang Li della School of Electrical Engineering dell’Università del Sudest hanno sviluppato un modello di intelligenza artificiale rivoluzionario, pubblicato sulla rivista Power Demand Side Management, che promette di trasformare la pianificazione e la gestione delle reti elettriche rurali.
Il loro studio introduce il “Modified Graph Temporal Convolutional Network” (MGTCN), un modello di apprendimento profondo che supera le limitazioni dei metodi tradizionali di previsione dei carichi. A differenza dei modelli puramente basati su serie temporali, che possono catturare quando si verificherà un picco di carico ma non dove, il modello MGTCN è progettato per comprendere simultaneamente le complesse interazioni spaziali e temporali che caratterizzano la ricarica dei veicoli elettrici in contesti geograficamente dispersi.
Il cuore del modello MGTCN risiede nella sua architettura ibrida, che combina due potenti paradigmi di reti neurali: le Graph Convolutional Networks (GCN) e le Temporal Convolutional Networks (TCN). Questa fusione è ciò che lo rende particolarmente adatto per affrontare le sfide uniche delle reti rurali. Le reti elettriche non sono semplici linee di trasmissione; sono strutture complesse e interconnesse, simili a una rete (o “grafo”), dove trasformatori, stazioni di distribuzione e singoli utenti sono nodi collegati da linee elettriche. Il comportamento di ricarica in un nodo può avere un impatto diretto e immediato sui nodi adiacenti, causando cadute di tensione o sovraccarichi.
La componente GCN del modello è responsabile di decifrare questa dimensione spaziale. Essa prende la topologia della rete elettrica rurale e la trasforma in una rappresentazione matematica che il computer può analizzare. Questo permette al modello di “vedere” la struttura della rete, apprendendo come un aumento della domanda in un villaggio possa propagarsi attraverso le linee e influenzare la tensione in un altro villaggio connesso allo stesso trasformatore. Il modello analizza caratteristiche di ogni nodo, come la potenza attiva e reattiva, il prezzo dell’elettricità, la temperatura ambiente e i modelli di carico storici. Attraverso un processo di convoluzione del grafo, estrae dipendenze spaziali di alto livello, identificando in modo efficiente i “punti caldi” di ricarica e comprendendo come il carico si distribuisce attraverso la rete. Questa capacità di modellare le dipendenze spaziali è cruciale per una gestione proattiva della rete, consentendo agli operatori di prevenire problemi prima che si verifichino.
Parallelamente, la componente TCN si concentra sulla dimensione temporale. Mentre la GCN capisce “dove”, la TCN capisce “quando”. Le reti di convoluzione temporale sono specializzate nell’analisi delle serie temporali e sono particolarmente efficaci nel catturare dipendenze a lungo termine. A differenza delle reti neurali ricorrenti (come le LSTM), che possono soffrire di problemi di “svanimento del gradiente” quando si tratta di sequenze lunghe, le TCN utilizzano convoluzioni causali dilatate. Questo consente loro di scansionare finestre temporali molto ampie in modo efficiente, identificando pattern ricorrenti come i picchi di carico durante la notte, le variazioni settimanali (più carico nei fine settimana) o gli effetti stagionali. Per esempio, il modello può imparare che in inverno la durata della ricarica aumenta a causa della necessità di riscaldare la batteria, spostando i picchi di carico o prolungando la loro durata. Questa comprensione del comportamento temporale è essenziale per pianificare la generazione e la distribuzione dell’energia.
La vera innovazione del modello MGTCN, tuttavia, è l’integrazione di un “meccanismo di attenzione”. Questo meccanismo agisce come un filtro dinamico, permettendo al modello di assegnare automaticamente un peso diverso alle varie caratteristiche di input in ogni momento. In pratica, questo significa che il modello può decidere autonomamente quali fattori sono i più influenti in un determinato contesto. In una fredda notte invernale, il modello potrebbe dare un peso molto maggiore alla temperatura esterna, poiché essa influisce direttamente sulla capacità della batteria e sul consumo energetico per il riscaldamento. In una mite sera estiva, invece, potrebbe dare un peso maggiore al prezzo dell’elettricità, anticipando un’ondata di ricarica durante le ore notturne a tariffa ridotta. Questa capacità di adattamento e priorizzazione non solo migliora la precisione della previsione, ma la rende anche più interpretabile, mostrando ai pianificatori energetici quali fattori stanno guidando una particolare previsione.
Per testare la validità del loro approccio, i ricercatori hanno condotto una simulazione su una rete di distribuzione rurale modificata basata sullo standard IEEE-123, un modello di riferimento ampiamente utilizzato nella ricerca sui sistemi elettrici. Il sistema simulato operava a 4,16 kV con un carico totale di 1,40 + j0,77 MW e rappresentava un’area con quattro villaggi. La simulazione includeva 2.000 veicoli, con un tasso iniziale di penetrazione di veicoli elettrici del 10% (200 veicoli). I modelli di guida e di ricarica erano basati su dati empirici provenienti da studi di economia comportamentale, garantendo che il comportamento degli utenti fosse realistico.
Il modello è stato addestrato su un dataset che copriva 91 giorni con una risoluzione temporale di 15 minuti, una granularità sufficiente per catturare i dettagli degli eventi di ricarica. I risultati sono stati schiaccianti. Il modello MGTCN ha superato nettamente i modelli di riferimento, tra cui LSTM, GCN, TCN e una semplice fusione GCN-TCN. L’Errore Medio Assoluto Percentuale (MAPE), una metrica fondamentale, è stato ridotto al 4,06%. Questo rappresenta un miglioramento del 39,49% rispetto al modello LSTM e del 33,11% rispetto al modello TCN. Il coefficiente di determinazione (R²) ha raggiunto un eccezionale 99,67%, indicando che il modello spiega quasi tutta la varianza presente nei dati. Questi risultati dimostrano una robustezza e una affidabilità eccezionali, fondamentali per le decisioni operative.
L’analisi dei dati ha rivelato un profilo di carico distintivo nelle aree rurali: un pattern a “doppio picco, doppia valle”. Il picco di carico più alto della giornata si verifica tra le 23:00 e le 24:00, attratto dalle tariffe elettriche più basse diurne. In un tipico giorno feriale, questo picco serale raggiunge i 336,09 kW, un aumento del 122,05% rispetto al picco di mezzogiorno. Questo comportamento è dovuto principalmente al fatto che la maggior parte degli utenti rurali ricarica i veicoli a casa durante la notte, utilizzando caricabatterie di livello 1 o 2, più lenti ma ideali per una ricarica prolungata. Inoltre, la distribuzione spaziale del carico è risultata altamente non uniforme, con “punti caldi” di alta concentrazione di carico in determinati nodi, creando una pressione diseguale sulla rete.
Lo studio ha anche esplorato l’impatto di tassi di penetrazione più elevati di veicoli elettrici. Le simulazioni sono state eseguite con tassi del 10%, 20% e 40%. A un 10% di penetrazione, la rete rimaneva stabile. A un 20%, si osservavano i primi segni di tensione. Il vero punto di rottura è stato raggiunto al 40%. In questo scenario, la differenza tra il carico di punta e quello di valle è aumentata a 1,48 MW, un aumento del 49,49% rispetto al 10%. Ancora più preoccupante, la tensione minima in diversi nodi è scesa al di sotto del valore standard di 0,95 p.u., raggiungendo 0,9182 p.u. La percentuale di nodi con tensione conforme è crollata al 40,65%, e le perdite di rete sono aumentate dal 4,07% al 5,90%.
Questi risultati sono una chiara chiamata all’azione. L’impatto dei veicoli elettrici sulle reti rurali non è lineare. A basse penetrazioni, gli effetti possono essere gestiti. A penetrazioni elevate, la rete è a rischio di instabilità. Il modello MGTCN offre una soluzione proattiva, permettendo ai gestori di rete di anticipare i picchi e implementare strategie di mitigazione, come l’espansione delle capacità dei trasformatori, l’uso di regolatori di tensione dinamici o la creazione di programmi di prezzo dinamico per spostare la ricarica fuori dalle ore di punta. Questa ricerca non è solo un’impresa tecnica, ma un pilastro fondamentale per una transizione energetica equa e sostenibile in tutte le comunità.
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014