Previsione dei carichi di ricarica con precisione rivoluzionaria
La rapida diffusione dei veicoli elettrici (EV) sta trasformando radicalmente il panorama della mobilità e, di conseguenza, della gestione energetica. Con milioni di auto elettriche che si aggiungono ogni anno alle flotte mondiali, le stazioni di ricarica sono diventate nodi critici all’interno della moderna infrastruttura elettrica. Tuttavia, il comportamento di ricarica degli utenti, caratterizzato da un’elevata aleatorietà, rappresenta una sfida persistente per i gestori delle reti elettriche, le compagnie energetiche e i pianificatori urbani. Prevedere con precisione quando e quanto potere verrà richiesto da ogni stazione di ricarica è fondamentale per garantire la stabilità della rete, ottimizzare la distribuzione dell’energia e facilitare l’integrazione delle fonti rinnovabili. In questo contesto, una ricerca innovativa condotta in Cina propone una soluzione avanzata che potrebbe ridefinire completamente il modo in cui si anticipa e gestisce la domanda di ricarica.
Pubblicato sulla rivista Zhejiang Electric Power, riconosciuta per il suo focus sull’innovazione dei sistemi elettrici e sulle tecnologie delle reti intelligenti, lo studio introduce un modello di previsione del carico multifattoriale potenziato dall’intelligenza artificiale e da tecniche di correzione degli errori. Il lavoro, guidato da Zhao Zijun e dal suo team della State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch, affronta le limitazioni fondamentali dei metodi tradizionali di previsione integrando variabili ambientali, temporali ed economiche in un framework di apprendimento profondo ibrido. Il risultato è un modello che supera significativamente gli approcci convenzionali, offrendo una precisione senza precedenti nella previsione del carico delle stazioni di ricarica su diversi orizzonti temporali.
La sfida della previsione del carico delle stazioni di ricarica è multifaccettata. A differenza dei carichi residenziali o industriali, che spesso seguono schemi giornalieri e stagionali prevedibili, la ricarica dei veicoli elettrici è intrinsecamente erratica. Gli automobilisti collegano i loro veicoli in momenti diversi, per durate diverse e in condizioni diverse. Un utente potrebbe ricaricare durante la pausa pranzo, al termine della giornata lavorativa o nel cuore della notte, ogni scenario influenzato dagli orari personali, dalle condizioni meteorologiche e dai prezzi dell’elettricità. Questa aleatorietà trasforma il carico degli EV in uno dei componenti più volatili della domanda elettrica moderna. Come sottolineano Zhao e i suoi colleghi nel loro articolo, “lo sviluppo rapido dei veicoli elettrici ha portato a un aumento annuale dei livelli di carico di ricarica, caratterizzati da una forte casualità e imprevedibilità”. Senza strumenti di previsione precisi, le aziende elettriche rischiano di sovraccaricare i trasformatori, di distribuire la generazione in modo inefficiente o di non sfruttare appieno le opportunità di risposta alla domanda.
Storicamente, la previsione del carico degli EV si è basata su due approcci principali: il modellamento statistico basato sul parco veicoli e sul comportamento di spostamento, oppure l’analisi delle serie temporali dei dati storici di carico. Il primo, spesso utilizzando simulazioni di Monte Carlo per modellare il comportamento di ricarica di flotte di grandi dimensioni, è stato utile per la pianificazione a lungo termine. Tuttavia, manca della granularità necessaria per la presa di decisioni operative a livello di stazione. Il secondo approccio, che utilizza metodi come ARIMA o reti neurali di base, si concentra sulle tendenze storiche del carico ma ignora tipicamente i fattori esterni che guidano i cambiamenti nel comportamento degli utenti.
Il team di Zhao identifica un’importante lacuna: la maggior parte dei modelli esistenti tratta la previsione del carico come un problema univariato, concentrandosi esclusivamente sui valori storici del carico. Questo approccio ristretto limita il loro potere predittivo. Come argomentano i ricercatori, “considerare solo le tendenze di fluttuazione del carico non è sufficiente per soddisfare i requisiti di precisione”. Propongono la necessità di un approccio più olistico, uno che tenga conto della complessa interazione di molteplici fattori di influenza.
Per affrontare questa esigenza, il team propone un framework multidimensionale che incorpora quattro categorie chiave di variabili: condizioni meteorologiche, tipologia di data, tendenze di fluttuazione del carico e prezzi dell’elettricità. Ognuno di questi fattori gioca un ruolo distintivo nel modellare il comportamento di ricarica. Ad esempio, i cambiamenti stagionali influenzano l’efficienza della batteria e le abitudini degli automobilisti. In climi più freddi, gli EV consumano più energia a causa della maggiore richiesta di riscaldamento, il che comporta sessioni di ricarica più lunghe e picchi di carico più elevati. Analogamente, la temperatura influenza l’attività ionica della batteria: condizioni calde in estate permettono una ricarica più rapida, mentre in inverno la rallentano. Queste variazioni stagionali non sono solo rumore di fondo; sono driver centrali dei modelli di carico.
Il tipo di data—se un giorno è un giorno lavorativo, un fine settimana o una festività—esercita anche una forte influenza. Nei giorni lavorativi, la ricarica tende a concentrarsi intorno agli orari di punta, con picchi nel pomeriggio e nella sera quando gli automobilisti tornano dal lavoro. Al contrario, nei fine settimana e nelle festività l’attività di ricarica è più dispersa, spesso legata a viaggi di piacere, shopping o turismo. I ricercatori hanno osservato che in una delle stazioni di prova, i picchi di ricarica nei fine settimana si verificavano tra le 10:00 e le 12:00 e tra le 18:00 e le 22:00, mentre nei giorni lavorativi i picchi erano più acuti e concentrati tra le 11:00–12:00 e le 18:00–19:00. Questa distinzione è cruciale per le aziende elettriche che mirano a implementare tariffe basate sugli orari o programmi di risposta alla domanda.
Il prezzo dell’elettricità, in particolare le tariffe per fasce orarie (ToU), agisce come un potente incentivo comportamentale. In molte regioni, tra cui la provincia di Hunan dove è stato condotto lo studio, l’elettricità è tariffata in tre fasce: punta, piena e valle. Le tariffe della fascia valle sono significativamente più basse, incentivando gli utenti a ricaricare durante le ore notturne. I dati della stazione di ricarica A mostrano chiaramente questo effetto: i picchi di carico si allineano costantemente con la finestra di prezzo della fascia valle. Integrando dati di prezzo in tempo reale nel modello, i ricercatori assicurano che i segnali economici non vengano trascurati nel processo di previsione.
Una volta identificati questi fattori, la sfida successiva è stata come elaborarli in modo efficace. I modelli di machine learning tradizionali faticano con dati ad alta dimensione e non lineari. Il deep learning offre una soluzione, ma la scelta dell’architettura corretta è fondamentale. Il team ha optato per un modello ibrido CNN-LSTM, combinando i punti di forza di due potenti tipi di reti neurali. Le Reti Neurali Convoluzionali (CNN) eccellono nell’estrazione delle caratteristiche, in particolare nell’identificazione di pattern spaziali e temporali all’interno di dataset complessi. Le reti Long Short-Term Memory (LSTM), un tipo di rete neurale ricorrente, sono progettate per catturare dipendenze a lungo termine nei dati sequenziali, ideali per la previsione delle serie temporali.
Nel loro modello, il componente CNN elabora innanzitutto i dati di input multidimensionali—stagione, giorno della settimana, indicatore di festività, ora del giorno, storia recente del carico e fascia tariffaria—estraendo caratteristiche significative e riducendo il rumore. Queste caratteristiche raffinate vengono poi trasmesse alla rete LSTM, che utilizza le sue celle di memoria per modellare l’evoluzione temporale del carico. La combinazione permette al modello non solo di riconoscere i pattern nei dati, ma anche di comprendere come questi pattern evolvono nel tempo. Come spiegano gli autori, questo approccio ibrido “supera il problema dell’interferenza di informazioni non valide nell’addestramento del modello” nei modelli a struttura singola.
Tuttavia, anche i modelli di deep learning più avanzati non sono immuni dagli errori di previsione, specialmente quando si tratta di processi altamente stocastici come la ricarica degli EV. Per migliorare ulteriormente la precisione, il team ha introdotto un secondo strato di intelligenza: un algoritmo di Foresta Casuale (Random Forest, RF) per la correzione degli errori. La Foresta Casuale è un metodo di apprendimento d’insieme che costruisce più alberi decisionali e aggrega i loro output, rendendolo robusto all’overfitting e in grado di catturare relazioni non lineari complesse.
Il meccanismo di correzione degli errori funziona analizzando i residui—la differenza tra i valori predetti e quelli effettivi di carico—del modello CNN-LSTM iniziale. Questi residui vengono trattati come una nuova serie temporale, e l’algoritmo RF viene addestrato per prevederli. L’errore previsto viene quindi sottratto dalla previsione originale, affinando efficacemente l’output. Questo approccio in due fasi—prima la previsione, poi la correzione dell’errore—riflette le migliori pratiche nella previsione ad alta precisione, dove vengono utilizzate tecniche di post-elaborazione per affinare i risultati.
Per validare il loro modello, i ricercatori hanno condotto simulazioni estese utilizzando dati reali di due stazioni di ricarica a Changsha, Hunan. Il dataset copriva l’intero anno 2022, con misurazioni del carico ogni 15 minuti, per un totale di oltre 35.000 punti dati per stazione. I primi otto mesi sono stati utilizzati per addestrare il modello, mentre gli ultimi quattro mesi hanno servito come set di test. Questo test fuori campione garantisce che i risultati riflettano le prestazioni reali del modello e non semplicemente un overfitting sui dati storici.
La valutazione ha coperto tre scale temporali: medio termine (mensile), breve termine (settimanale e giornaliero) e ultra breve termine (due ore in anticipo). Per ogni scenario, il team ha confrontato il loro modello proposto—CNN-LSTM con correzione degli errori RF—con due modelli di base: un modello LSTM autonomo e un modello CNN-LSTM non corretto. Le prestazioni sono state misurate utilizzando tre metriche standard: Errore Quadratico Medio (RMSE), Errore Assoluto Medio (MAE) e il coefficiente di determinazione (R²). Valori più bassi di RMSE e MAE indicano errori medi più piccoli, mentre un R² più vicino a 1.0 indica un migliore adattamento ai dati effettivi.
I risultati sono stati sorprendenti. Nella previsione a medio termine per ottobre 2023 alla stazione A, il modello CNN-LSTM corretto con RF ha raggiunto un RMSE di soli 84,36 kW, rispetto a 539,84 kW per il CNN-LSTM non corretto e 572,80 kW per il LSTM autonomo. Il valore di R² è salito a 0,99, indicando che il modello ha spiegato il 99% della varianza nel carico effettivo—un adattamento quasi perfetto. Nella previsione a breve termine settimanale, il modello corretto ha ridotto il RMSE da 539,84 kW a 84,36 kW, una riduzione di oltre l’84%. Per le previsioni giornaliere alla stazione B, il miglioramento è stato altrettanto drammatico: il modello corretto ha raggiunto un R² di 0,99, mentre il LSTM autonomo ha ottenuto solo 0,36.
Forse i risultati più impressionanti sono arrivati nella previsione ultra breve termine—prevedere il carico per le prossime due ore in intervalli di 15 minuti. Questo è lo scenario più impegnativo, poiché richiede di catturare picchi e cali repentini nella domanda. Qui, il CNN-LSTM non corretto ha faticato a tracciare le fluttuazioni rapide, mentre la versione corretta con RF ha dimostrato una sensibilità notevole ai cambiamenti di carico. Il RMSE è sceso da 624,05 kW a 178,28 kW, una riduzione del 71%, e il R² è migliorato da 0,40 a 0,80. Come sottolineano gli autori, il modello corretto “può cogliere con agilità i punti di svolta del cambiamento di carico”, rendendolo adatto alle operazioni in tempo reale della rete.
Le implicazioni pratiche di questa ricerca sono ampie. Per gli operatori di rete, uno strumento di previsione così preciso consente una gestione più efficiente della rete. Permette una migliore pianificazione delle unità, riduce la dipendenza dalle centrali di punta e migliora l’integrazione dell’energia eolica e solare. Per gli operatori di stazioni di ricarica, previsioni precise supportano la fissazione dinamica dei prezzi, la pianificazione della capacità e l’ottimizzazione del servizio clienti. Nel contesto dei sistemi Vehicolo-a-Rete (V2G), dove gli EV possono restituire energia alla rete, una previsione precisa del carico è essenziale per coordinare i flussi di energia bidirezionali.
Inoltre, la capacità del modello di incorporare fattori esterni lo rende adattabile a diverse regioni e contesti normativi. Che una città implementi tariffe aggressive per fasce orarie, sperimenti condizioni meteorologiche estreme o assista a un aumento del turismo nei fine settimana, il modello può essere riaddestrato con dati locali per mantenere la sua precisione. Questa flessibilità aumenta la sua scalabilità e rilevanza a lungo termine.
Da un punto di vista metodologico, lo studio esemplifica il potere delle architetture di IA ibride. Combinando deep learning e metodi d’insieme, i ricercatori dimostrano che il tutto può essere maggiore della somma delle sue parti. La pipeline CNN-LSTM-RF rappresenta un approccio sofisticato ma pratico a un problema complesso del mondo reale. Sottolinea anche l’importanza dell’analisi degli errori nella previsione guidata dall’IA—riconoscendo che i modelli commetteranno errori, ma che questi errori possono essere a loro volta modellati e corretti.
Il lavoro si allinea anche con tendenze più ampie nello sviluppo delle reti intelligenti, dove il processo decisionale basato sui dati sta sostituendo i sistemi basati su regole. Man mano che i sistemi energetici diventano più decentralizzati e dinamici, gli strumenti tradizionali di previsione stanno essendo sostituiti da modelli adattivi basati sull’apprendimento. Il contributo di Zhao e del suo team si inserisce perfettamente in questo cambiamento di paradigma, offrendo una traccia su come l’IA possa essere applicata per modernizzare l’infrastruttura di rete.
In conclusione, la ricerca di Zhao Zijun, Peng Qingwen, Deng Ming, Li Lin, Deng Yazhi, Chen Boyuan e Wu Donglin della State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch presenta un progresso significativo nella previsione del carico delle stazioni di ricarica per veicoli elettrici. Integrando molteplici fattori di influenza e impiegando un modello di IA in due fasi con correzione degli errori, hanno sviluppato un sistema che offre un’eccezionale precisione su tutti gli orizzonti temporali. I loro risultati, pubblicati su Zhejiang Electric Power (DOI: 10.19585/j.zjdl.202404003), offrono uno strumento potente per gestire l’impatto crescente dei veicoli elettrici sulla rete elettrica.