Ottimizzazione a tre livelli per veicoli elettrici
La crescente popolarità dei veicoli elettrici (VE) sta trasformando il panorama della mobilità, ma con essa emergono nuove sfide per le infrastrutture urbane. L’aumento esponenziale del numero di VE sulle strade mette a dura prova sia le reti elettriche che i sistemi di trasporto. La ricarica non coordinata, specialmente durante le ore di punta, può causare picchi di carico, aumentare le perdite di rete, destabilizzare la tensione e generare congestione del traffico intorno alle stazioni di ricarica. Per affrontare questi problemi complessi, un team di ricercatori dell’Università Cinese di Metrologia ha sviluppato un innovativo framework di ottimizzazione a tre livelli, progettato per bilanciare gli interessi della rete elettrica, della rete stradale e dei proprietari di veicoli elettrici.
Lo studio, condotto da Wang Haodong, Yu Jiangtao e Zheng Di del College of Mechanical and Electrical Engineering dell’Università Cinese di Metrologia, introduce un metodo di ottimizzazione olistico denominato “veicolo-strada-rete”. Pubblicato sulla rivista Modern Electronics Technique, la ricerca presenta un modello completo che affronta simultaneamente la stabilità della rete di distribuzione, la fluidità del sistema di trasporto e il carico economico per i conducenti. Integrando queste tre dimensioni, la strategia proposta mira a trasformare i veicoli elettrici da potenziali fonti di disturbo in asset intelligenti e compatibili con la rete, contribuendo a un ecosistema urbano più resiliente ed efficiente.
Il fulcro della ricerca risiede nel suo approccio multilivello, che riconosce che la ricarica dei veicoli elettrici non è un semplice evento elettrico, ma un processo socio-tecnico complesso che coinvolge energia, mobilità e comportamento dell’utente. I metodi di ottimizzazione tradizionali hanno spesso trattato questi aspetti in modo isolato. Alcuni studi si sono concentrati sulla gestione del lato rete, utilizzando prezzi basati sull’orario o il controllo diretto del carico per spostare la ricarica alle ore di minor consumo. Altri si sono concentrati sulla navigazione e sul percorso, guidando i conducenti alla stazione di ricarica più vicina o meno congestionata. Tuttavia, questi approcci frammentati non riescono a cogliere l’intera immagine. Un percorso che minimizza il tempo di guida potrebbe portare a una stazione di ricarica già sovraccarica, causando lunghe code e insoddisfazione dell’utente. Al contrario, una strategia di ricarica che riduce le perdite di rete potrebbe indirizzare involontariamente un gran numero di veicoli a un unico luogo, creando ingorghi stradali e annullando i benefici dell’ottimizzazione della rete.
Il modello a tre livelli proposto dal team dell’Università Cinese di Metrologia affronta direttamente questa frammentazione. Il livello superiore del modello si concentra sull’operazione macroscopica della rete elettrica. Il suo obiettivo principale è minimizzare la varianza del carico equivalente del sistema su un periodo di 24 ore. Questo obiettivo di “riempimento dei picchi e livellamento dei fondali” è cruciale per la stabilità della rete, poiché grandi fluttuazioni della domanda possono stressare i trasformatori, aumentare le perdite di trasmissione e aumentare il rischio di blackout. Ottimizzando la potenza di carica e scarica aggregata dei VE in diversi intervalli di tempo, il livello superiore garantisce che la ricarica dei veicoli elettrici si integri, anziché entrare in conflitto, con il profilo di carico naturale della rete. Questo livello utilizza un algoritmo di Ricerca del Cuculo (CS), una metaeuristica ispirata alla natura nota per la sua capacità di uscire da ottimi locali e trovare soluzioni di alta qualità in spazi di ricerca complessi. L’output di questo livello è un programma di domanda di potenza totale per i VE per ogni ora, che funge da segnale guida per i livelli successivi.
Il livello intermedio opera a livello della rete di distribuzione. Prende la domanda di potenza totale dal livello superiore come vincolo e quindi alloca questa potenza tra le singole stazioni di ricarica, ottimizzando i flussi di potenza attiva e reattiva. Questo è un progresso significativo, poiché la maggior parte dei modelli precedenti si è concentrata esclusivamente sulla potenza attiva. Incorporando la potenza reattiva, il modello può rappresentare con maggiore precisione la fisica del sistema di distribuzione, portando a una gestione più accurata dei profili di tensione e a una riduzione più sostanziale delle perdite di potenza attiva. L’obiettivo del livello intermedio è minimizzare la perdita totale di potenza attiva su tutti i rami della rete, che si traduce direttamente in un miglioramento dell’efficienza della rete e in minori costi operativi per le utility. Per risolvere questo complesso problema di ottimizzazione non lineare, i ricercatori impiegano tecniche di Rilassamento del Cono del Secondo Ordine (SOCR), che trasformano le equazioni di flusso di potenza non convesse in una forma convessa che può essere risolta in modo efficiente utilizzando solutori commerciali come CPLEX. Il risultato è una distribuzione ottimale di potenza per ogni stazione di ricarica, assicurando che la rete operi entro i limiti di tensione e corrente sicuri mentre minimizza lo spreco di energia.
Il livello inferiore è dove la strategia si collega al singolo conducente. Si concentra sul costo totale di ricarica dell’utente, che è una metrica composita che include non solo il prezzo dell’elettricità, ma anche il valore del tempo del conducente. Questo è un insight critico, poiché riconosce che per molti proprietari di veicoli elettrici, il tempo è una risorsa preziosa. Il costo totale è definito come la somma del tempo impiegato per guidare verso la stazione di ricarica, il tempo impiegato in attesa in coda e il costo diretto dell’elettricità consumata. Il modello utilizza un algoritmo di Dijkstra per trovare il percorso ottimale attraverso la rete stradale, rappresentata come una matrice di adiacenza in cui ogni collegamento ha un peso basato sul tempo di viaggio e sulla congestione. La lunghezza della coda alla stazione di ricarica è modellata come una funzione del tasso di arrivo dei veicoli, che è influenzato dalle decisioni di tutti gli altri conducenti nel sistema. Questo crea un ciclo di feedback: la scelta di una stazione di ricarica influisce sulla sua coda, che a sua volta influisce sul costo totale per i futuri conducenti. Il livello inferiore utilizza le informazioni di allocazione della potenza dal livello intermedio per determinare quali stazioni sono disponibili e quanta potenza possono erogare, assicurando che la stazione scelta dal conducente possa effettivamente soddisfare le sue esigenze di ricarica. L’output è un piano di ricarica personalizzato che minimizza il costo totale del conducente, bilanciando il compromesso tra un viaggio più lungo verso una stazione meno affollata e un viaggio più breve verso una potenzialmente più occupata.
L’integrazione di questi tre livelli è ciò che conferisce potere al modello. I livelli non sono indipendenti; si comunicano e si influenzano a vicenda. Il livello superiore stabilisce il programma di potenza generale, che vincola il livello intermedio. L’allocazione della potenza del livello intermedio determina la disponibilità e la capacità delle stazioni di ricarica, che è un input chiave per la pianificazione del percorso del livello inferiore. Le decisioni del livello inferiore su quali stazioni utilizzeranno i conducenti si riversano nel modello, consentendo una previsione più accurata della distribuzione del carico. Questo sistema a ciclo chiuso consente un’ottimizzazione coordinata che sarebbe impossibile con un approccio a un solo livello.
Per validare il loro modello, i ricercatori hanno condotto uno studio di simulazione dettagliato basato su uno scenario del mondo reale a Hangzhou, in Cina. Hanno modellato un’area urbana specifica con una rete stradale complessa suddivisa in zone residenziali, commerciali, educative e ricreative. Una flotta di 1.000 veicoli elettrici, tutti modellati come veicoli Zeekr 001 con una batteria da 100 kWh, è stata introdotta in questa rete. L’infrastruttura elettrica si basava sul sistema di distribuzione standard IEEE-33 nodi, arricchito con cinque stazioni di ricarica per veicoli elettrici, due fattorie solari fotovoltaiche (PV) e due turbine eoliche. Questa configurazione ha permesso ai ricercatori di studiare l’interazione tra veicoli elettrici e fonti di energia rinnovabile, un aspetto chiave di una rete futura sostenibile.
La simulazione ha confrontato tre diversi scenari per dimostrare l’efficacia del loro metodo a tre livelli. Il primo scenario era una linea di base senza veicoli elettrici connessi alla rete. Il secondo scenario rappresentava un approccio “veicolo-rete”, in cui la ricarica dei veicoli elettrici era ottimizzata per il beneficio della rete, ma senza considerare la rete stradale o i costi del conducente. Il terzo scenario era il modello completo “veicolo-strada-rete” proposto nell’articolo.
I risultati sono stati impressionanti. Rispetto alla ricarica non coordinata, l’ottimizzazione a tre livelli ha ridotto la varianza del carico equivalente del sistema del 72,82%. Questa notevole levigatura della curva del carico significa che la rete sperimenta molto meno stress, riducendo la necessità di costose centrali elettriche di punta e migliorando l’affidabilità complessiva. Ancora più impressionante, le perdite di potenza attiva del sistema sono state ridotte dell’83,41%. Questa è una misura diretta di efficienza; meno energia viene sprecata come calore nelle linee elettriche, il che si traduce in minori emissioni di carbonio e minori costi dell’elettricità. Il modello ha anche migliorato significativamente la stabilità della tensione, riducendo la deviazione di tensione di oltre il 72% rispetto al caso non coordinato, assicurando che tutti gli utenti ricevano energia entro standard di qualità accettabili.
Dal punto di vista del conducente, i benefici erano altrettanto convincenti. I ricercatori hanno confrontato tre diversi comportamenti di ricarica all’interno del framework ottimizzato. Nel primo, i conducenti sceglievano la stazione con il tempo di guida più breve, ignorando le lunghezze delle code. Nel secondo, sceglievano la stazione con il tempo di attesa più breve, ignorando la distanza di guida. Nel terzo, utilizzavano il modello completo per minimizzare il loro costo totale. I conducenti che minimizzavano solo il tempo di guida finivano con lunghe attese, rendendo il loro tempo di viaggio totale e il costo più alti. Quelli che minimizzavano solo il tempo di attesa dovevano guidare molto più lontano, aumentando il loro consumo di energia e il tempo di viaggio. I conducenti che hanno utilizzato l’ottimizzazione a tre livelli, tuttavia, hanno ottenuto il costo totale più basso, riducendolo dell’8,89% rispetto alla strategia del tempo di guida più breve e del 4,51% rispetto alla strategia del tempo di attesa più breve. Questo dimostra che l’approccio olistico del modello porta a risultati migliori per gli utenti individuali aiutandoli a prendere decisioni più intelligenti e informate.
Il successo di questa ricerca risiede nel suo approccio pratico ed equilibrato. Non cerca di massimizzare un obiettivo a scapito degli altri. Invece, trova una soluzione ottimale di Pareto in cui la rete, la rete stradale e i conducenti traggono tutti beneficio. Questo è un passo cruciale verso la costruzione di un ecosistema di veicoli elettrici veramente sostenibile e amichevole per l’utente. La capacità del modello di ridurre le perdite di rete e la varianza del carico lo rende attraente per le utility e gli operatori di sistema. La sua capacità di prevenire la congestione del traffico intorno alle stazioni di ricarica lo rende prezioso per i pianificatori urbani e le autorità dei trasporti. E la sua capacità di ridurre il costo totale di proprietà per i conducenti lo rende attraente per i consumatori, incoraggiando così un’ulteriore adozione di veicoli elettrici.
Le implicazioni di questo lavoro vanno oltre i risultati tecnici immediati. Fornisce una guida su come le future città intelligenti possono gestire l’integrazione di nuove tecnologie. Mentre sempre più dispositivi diventano connessi e intelligenti, dai veicoli elettrici alle case intelligenti ai veicoli autonomi, la necessità di un’ottimizzazione integrata e multilivello crescerà solo. Questa ricerca mostra che costruendo modelli che riflettono la natura interconnessa dell’infrastruttura moderna, possiamo ottenere risultati che sono maggiori della somma delle loro parti.
Sebbene lo studio attuale sia un progresso significativo, gli autori riconoscono le sue limitazioni. La simulazione è stata condotta su una rete su scala relativamente piccola, e il modello ha assunto una flotta omogenea di veicoli elettrici. Nella realtà, le aree urbane hanno tipi diversi di veicoli con diverse esigenze di ricarica, dimensioni della batteria e modelli di guida. I lavori futuri dovranno scalare il modello a reti più grandi e multi-regionali e incorporare un insieme più diversificato di comportamenti di veicoli e utenti. Inoltre, il modello potrebbe essere migliorato integrando dati in tempo reale da sensori del traffico, previsioni meteorologiche e sistemi di monitoraggio della rete per creare una piattaforma di ottimizzazione dinamica e adattativa.
Nonostante queste sfide, il metodo di ottimizzazione della ricarica a tre livelli rappresenta un grande passo avanti. Sposta la conversazione dal semplice gestire la ricarica dei veicoli elettrici all’orchestrarla intelligentemente come componente chiave di un sistema urbano più grande e integrato. Mentre il mondo continua la sua transizione verso la mobilità elettrica, strategie come questa saranno essenziali per garantire che i benefici dei veicoli elettrici siano realizzati senza creare nuovi problemi. Bilanciando le esigenze della rete, della strada e del conducente, questa ricerca offre una soluzione pratica e potente per le sfide della città del XXI secolo.
Wang Haodong, Yu Jiangtao, Zheng Di, Università Cinese di Metrologia, Modern Electronics Technique, DOI: 10.16652/j.issn.1004⁃373x.2024.10.030