Nuovo algoritmo ottimizza posizionamento e capacità delle stazioni di ricarica
La transizione verso la mobilità elettrica è un fenomeno in piena accelerazione, con i veicoli elettrici (EV) che rappresentano il fulcro di una rivoluzione globale nel settore dei trasporti. Spinta da ambiziosi obiettivi climatici e da una crescente consapevolezza ambientale, l’adozione dei veicoli elettrici sta registrando una crescita esponenziale in tutto il mondo. In Cina, uno dei mercati automobilistici più grandi e dinamici del pianeta, questa trasformazione è particolarmente marcata, sostenuta da politiche nazionali che mirano a raggiungere il picco di emissioni di carbonio entro il 2030 e la neutralità carbonica entro il 2060. Come diretta conseguenza, il mercato cinese dei veicoli elettrici ha visto un aumento costante del numero di unità immatricolate, e si prevede che entro il 2025 ci saranno 25 milioni di veicoli elettrici in circolazione sulle sue strade. Per supportare questa crescita, è necessario un’estesa rete di infrastrutture di ricarica, con un rapporto veicolo-stazione di ricarica previsto di 2:1. Tuttavia, semplicemente aumentare il numero di stazioni di ricarica non è sufficiente per raggiungere questo obiettivo. Il fattore decisivo è una pianificazione intelligente e basata sui dati che bilanci l’efficienza economica con il comfort dell’utente.
Nonostante gli ingenti investimenti nelle infrastrutture di ricarica, persiste una sfida fondamentale: la disconnessione tra offerta e domanda. Il fenomeno comune di “veicoli senza punti di ricarica” o “punti di ricarica senza veicoli” rivela inefficienze flagranti nelle attuali strategie di pianificazione. In alcune aree, le stazioni di ricarica rimangono inutilizzate, rappresentando uno spreco di capitale e costi operativi elevati. In altre, i conducenti affrontano lunghe attese e ansia per l’autonomia a causa di un’infrastruttura insufficiente o mal posizionata. Questo squilibrio non solo frustra gli utenti, ma rallenta anche l’adozione generalizzata dei veicoli elettrici. La radice del problema risiede nella complessità della pianificazione delle stazioni di ricarica, che non riguarda solo la posizione, ma anche la capacità, ovvero il numero di punti di ricarica. Questo processo, noto come selezione del sito e determinazione della capacità, è un problema classico di ottimizzazione con molteplici variabili.
Gli approcci tradizionali si sono concentrati principalmente su un singolo obiettivo, come la minimizzazione dei costi di costruzione o la massimizzazione della copertura. Questi metodi hanno contribuito all’espansione dell’infrastruttura di ricarica, ma spesso trascurano gli interessi contrastanti delle diverse parti interessate. Per gli operatori delle stazioni di ricarica, la redditività e l’efficienza operativa sono prioritarie. Per i conducenti di veicoli elettrici, ciò che conta di più è l’accessibilità, le brevi distanze per raggiungere le stazioni e i tempi di attesa minimi. Una soluzione veramente efficace deve conciliare questi obiettivi spesso competitivi e creare una rete di ricarica che sia sia economicamente sostenibile che amichevole per l’utente.
È proprio in questo punto che entra in gioco una ricerca innovativa dell’Università Normale del Fujian. Un team di scienziati ha sviluppato un nuovo approccio alla pianificazione delle stazioni di ricarica per veicoli elettrici che integra considerazioni economiche e centrate sull’utente in un quadro di ottimizzazione unificato. Il loro lavoro, pubblicato sulla prestigiosa rivista Journal of Fujian Normal University (Natural Science Edition), presenta un algoritmo denominato Algoritmo Genetico di Ottimizzazione per Sciami di Particelle Adattivo (APSOGA). Questo metodo rappresenta un notevole progresso nel campo, offrendo una soluzione più completa ed efficiente a una delle sfide più pressanti nell’ecosistema della mobilità elettrica.
Il team di ricerca, guidato da Huang Ziqing, Lin Bing, Lu Yu, Liu Dui e Wang Mingfen, ha iniziato con la base fondamentale di qualsiasi modello di pianificazione: la previsione della domanda. Una previsione precisa del comportamento di ricarica dei veicoli elettrici è essenziale per determinare la quantità e le dimensioni necessarie delle stazioni. Gli scienziati hanno analizzato i modelli di guida giornaliera dei veicoli elettrici e hanno utilizzato modelli statistici per prevedere la distribuzione spaziale e temporale della domanda di ricarica. Comprendendo dove e quando i conducenti avranno probabilmente bisogno di una ricarica, sono stati in grado di stabilire un intervallo realistico per il numero di stazioni necessarie in una determinata area. Questo approccio basato sui dati garantisce che il processo di pianificazione si basi su modelli di utilizzo reali e non su ipotesi arbitrarie.
Sulla base di questa previsione della domanda, i ricercatori hanno costruito un modello di ottimizzazione completo che considera sia i costi per gli operatori delle stazioni di ricarica che i costi per gli utenti di veicoli elettrici. I costi per gli operatori includono l’investimento nell’acquisto di terreni, costruzione e attrezzature, nonché i costi operativi e di manutenzione continui. Questi sono bilanciati con i costi per gli utenti, che consistono principalmente nel tempo e nell’energia spesi per raggiungere una stazione di ricarica (costo di deviazione) e nel tempo di attesa affinché un punto di ricarica sia disponibile (costo di attesa). Integrando questi due componenti di costo in una singola funzione obiettivo, il modello cerca di minimizzare il costo totale della rete di ricarica.
Il cuore dell’innovazione del team è l’algoritmo APSOGA, che combina i punti di forza di due tecniche di ottimizzazione ben note: l’Ottimizzazione per Sciami di Particelle (PSO) e gli Algoritmi Genetici (GA). La PSO si ispira al comportamento sociale degli stormi di uccelli o dei banchi di pesci, dove agenti individuali (particelle) si muovono attraverso uno spazio di soluzioni, guidati dalla loro migliore posizione conosciuta e dalla migliore posizione conosciuta dell’intero sciame. Sebbene la PSO sia efficiente e facile da implementare, può convergere troppo rapidamente verso una soluzione subottimale, rimanendo intrappolata in minimi locali. Gli GA, d’altra parte, imitano il processo di selezione naturale, utilizzando operazioni come il crossover e la mutazione per generare nuove soluzioni. Gli GA sono eccellenti per esplorare un ampio spazio di soluzioni, ma possono essere più lenti a convergere.
APSOGA fonde intelligentemente questi due approcci. Utilizza il meccanismo di aggiornamento delle particelle della PSO come nucleo, ma lo migliora con gli operatori di crossover e mutazione del GA. Questa ibridazione consente all’algoritmo di mantenere una popolazione diversa di potenziali soluzioni, riducendo così il rischio di convergenza prematura. Inoltre, i ricercatori hanno introdotto meccanismi adattivi che aggiustano dinamicamente parametri chiave, come il peso di inerzia, in base al progresso dell’ottimizzazione. Nelle prime fasi, l’algoritmo favorisce l’esplorazione, cercando ampiamente nello spazio delle soluzioni. Procedendo, passa all’exploitation, affinando le migliori soluzioni trovate fino a quel momento. Questo equilibrio tra esplorazione ed exploitation è cruciale per trovare soluzioni di alta qualità in problemi complessi e multidimensionali come la pianificazione delle stazioni di ricarica.
Per validare il loro metodo, i ricercatori hanno condotto uno studio di caso a Xiamen, una grande città nel sud-est della Cina. Hanno selezionato un’area rappresentativa e ne hanno mappato la rete stradale, identificando 40 siti candidati per le stazioni di ricarica. Utilizzando dati reali sul parco di veicoli elettrici e sui modelli di guida, hanno simulato le prestazioni del loro algoritmo APSOGA confrontandolo con diversi metodi consolidati, inclusi il GA classico, la PSO standard, l’algoritmo di ricerca del cuculo (CS) e un algoritmo ibrido CS-PSO. I risultati sono stati impressionanti.
La soluzione di pianificazione basata su APSOGA ha ottenuto una riduzione dei costi complessivi dal 7,19% al 14,37% rispetto agli altri metodi. Questa riduzione dei costi deriva da un’allocazione più efficiente delle risorse: costruire il numero corretto di stazioni nei luoghi giusti con il numero ottimale di punti di ricarica. Ciò che è più importante è che questa efficienza di costo non è stata raggiunta a scapito dell’esperienza dell’utente. Al contrario, il tasso di utilizzo delle stazioni di ricarica nel piano APSOGA è aumentato dal 14,28% al 29,03%. Un’utilizzazione più elevata indica che le stazioni vengono utilizzate in modo più efficace, riducendo sia la capacità inutilizzata (che spreca denaro) sia la congestione (che frustra gli utenti).
Un’analisi dettagliata dei componenti di costo ha rivelato i vantaggi sottili dell’approccio APSOGA. Mentre alcuni metodi concorrenti, come il GA puro, hanno ottenuto tempi di attesa più brevi fornendo un gran numero di punti di ricarica, questa strategia ha portato a un aumento massiccio dei costi di costruzione e operativi. Ad esempio, il piano basato su GA richiedeva 125 punti di ricarica, mentre APSOGA ne funzionava con 85. Questo eccesso di risorse ha causato una significativa sottoutilizzazione, con molti punti di ricarica inutilizzati. D’altra parte, altri metodi che minimizzavano i costi di costruzione finivano con stazioni troppo piccole, causando lunghe code e alti costi di attesa per gli utenti. APSOGA ha trovato il giusto equilibrio minimizzando il costo totale mediante una calibrazione accurata della posizione e delle dimensioni delle stazioni per farle corrispondere alla domanda prevista.
Il piano finale ottimizzato per Xiamen ha raccomandato la costruzione di sei stazioni di ricarica in posizioni specifiche, dotate di un totale di 85 punti di ricarica. La distribuzione dei punti di ricarica non era uniforme, ma era stata adattata con precisione alla densità locale della domanda. Ad esempio, le stazioni situate in aree ad alto traffico o vicino a grandi zone residenziali hanno ricevuto più punti di ricarica, mentre quelle in aree meno densamente popolate ne hanno ricevuti di meno. Questo approccio differenziato e sensibile alla domanda è una caratteristica distintiva del metodo APSOGA e una ragione chiave delle sue prestazioni superiori.
Lo studio ha anche esaminato la sensibilità dei risultati di pianificazione all’importanza relativa attribuita al costo dell’operatore rispetto al costo dell’utente. Regolando i pesi assegnati a questi due obiettivi nel modello, i ricercatori hanno dimostrato come il piano ottimale cambi sotto diverse priorità politiche. Quando la fattibilità economica della rete di ricarica è la principale preoccupazione (un peso più elevato sui costi dell’operatore), il modello raccomanda meno stazioni, ma più grandi, con un tasso di utilizzo più elevato, anche se ciò significa che gli utenti devono percorrere distanze o aspettare tempi leggermente più lunghi. Questo scenario potrebbe essere appropriato nelle fasi iniziali di adozione dei veicoli elettrici, quando costruire una rete scarsa ma efficiente è più critico che massimizzare il comfort. Al contrario, quando si dà priorità all’esperienza dell’utente (un peso più elevato sui costi dell’utente), il modello suggerisce di costruire più stazioni, possibilmente con un’utilizzazione individuale più bassa, per garantire che la ricarica sia sempre vicina e immediatamente disponibile. Questo approccio è più adatto ai mercati maturi dei veicoli elettrici, dove un’elevata soddisfazione del cliente è fondamentale per mantenere la crescita.
Questa analisi di sensibilità fornisce una guida preziosa per i pianificatori urbani e i responsabili politici. Sottolinea che non esiste una soluzione unica per l’infrastruttura di ricarica. La strategia ottimale dipende dal contesto specifico, inclusi il livello attuale di adozione dei veicoli elettrici, gli obiettivi di sviluppo urbano e il budget disponibile. Il quadro APSOGA, con il suo sistema di pesatura flessibile, offre uno strumento potente per adattare i piani a queste circostanze individuali.
Le implicazioni di questa ricerca vanno oltre il miglioramento immediato dell’efficienza della rete di ricarica. Fornendo un approccio più razionale ed equilibrato alla pianificazione delle infrastrutture, contribuisce alla sostenibilità complessiva del settore dei trasporti. Le stazioni di ricarica utilizzate in modo efficiente riducono la necessità di costruzioni ridondanti, risparmiando materiali ed energia. Le distanze più brevi per raggiungere le stazioni di ricarica significano che viene sprecata meno energia nei “viaggi di ricarica”, riducendo ulteriormente l’impronta di carbonio della proprietà di un veicolo elettrico. Inoltre, un’esperienza di ricarica affidabile e comoda è essenziale per superare la riluttanza dei consumatori e accelerare la transizione verso la mobilità elettrica.
Il lavoro di Huang Ziqing, Lin Bing, Lu Yu, Liu Dui e Wang Mingfen rappresenta un passo significativo avanti nel campo dei sistemi di trasporto intelligenti. Il loro algoritmo APSOGA dimostra il potere di combinare diverse tecniche di intelligenza computazionale per risolvere problemi complessi del mondo reale. Sposta la conversazione da una considerazione semplificata della quantità—quanti punti di ricarica possiamo costruire?—a una considerazione più sofisticata della qualità—come possiamo costruire una rete di ricarica che sia veramente ottimale per tutte le parti interessate?
Guardando al futuro, i ricercatori riconoscono che il loro modello può essere ulteriormente perfezionato. I lavori futuri incorporeranno fattori dinamici come il flusso di traffico in tempo reale, l’impatto dei veicoli a combustione interna sui modelli di traffico dei veicoli elettrici e l’integrazione delle stazioni di servizio esistenti nella rete di ricarica. Hanno anche in programma di considerare diversi tipi di punti di ricarica (rapidi, normali) e i vincoli imposti dalla rete elettrica per garantire la stabilità del sistema. Man mano che il panorama della mobilità elettrica continuerà a evolversi, anche gli strumenti necessari per gestirlo dovranno evolversi.
In sintesi, la transizione ai veicoli elettrici non riguarda solo il cambiamento della fonte di energia delle nostre automobili; richiede una rivalutazione completa della nostra infrastruttura di trasporto. La ricerca del team dell’Università Normale del Fujian fornisce una metodologia sofisticata e basata su evidenze per costruire una rete di ricarica che sia sia economicamente solida che centrata sull’utente. Mentre le città di tutto il mondo lottano con le sfide della decarbonizzazione, studi come questo offrono un piano per un futuro più intelligente e sostenibile.
Huang Ziqing, Lin Bing, Lu Yu, Liu Dui, Wang Mingfen, College of Physics and Energy, Fujian Normal University; Journal of Fujian Normal University (Natural Science Edition), DOI: 10.12046/j.issn.1000-5277.2024.02.003