Controllo Intelligente della Tensione: IA Gestisce Reti con Energia Solare e Veicoli Elettrici
L’integrazione massiccia di energie rinnovabili e veicoli elettrici (VE) nelle reti elettriche di distribuzione rappresenta una delle sfide più significative e urgenti nella transizione energetica globale. Mentre l’energia solare fotovoltaica (FV) e i veicoli elettrici offrono una chiara via verso la decarbonizzazione del settore dei trasporti e della generazione di elettricità, la loro adozione accelerata introduce complessità operative senza precedenti. La natura intermittente della generazione solare, che raggiunge il picco durante le ore centrali della giornata, e i modelli di ricarica dei veicoli elettrici, che tendono a concentrarsi nelle ore serali e notturne, generano fluttuazioni estreme nella domanda e nell’offerta di elettricità. Queste fluttuazioni possono provocare deviazioni di tensione significative, sia sovratensioni che sottotensioni, minacciando la stabilità, la sicurezza e la qualità del servizio elettrico. Le reti elettriche tradizionali, progettate per un flusso unidirezionale di energia da grandi centrali a consumatori passivi, non sono equipaggiate per gestire questa bidirezionalità dinamica. In questo contesto, l’innovazione tecnologica non è solo desiderabile, ma essenziale per garantire un sistema energetico resiliente e sostenibile. Un team di ricercatori dell’Università di Shandong ha presentato una soluzione rivoluzionaria sulla rivista Power System Protection and Control, basata su una strategia di apprendimento per rinforzo profondo (deep reinforcement learning, DRL) gerarchica e multi-scala. Questo approccio basato sull’intelligenza artificiale (IA) coordina in tempo reale una varietà di risorse controllabili, dagli inverter solari al comportamento di ricarica di migliaia di veicoli elettrici, per stabilizzare in modo efficiente e affidabile la qualità della tensione nella rete.
Lo studio, guidato da QI Xianglong, CHEN Jian, ZHAO Haoran, ZHANG Wen e ZHANG Keyu del Laboratorio Chiave di Controllo e Gestione Intelligente del Sistema Energetico dell’Università di Shandong, segna un cambio di paradigma nella gestione delle reti elettriche. Invece di dipendere da metodi di controllo tradizionali, che spesso richiedono modelli matematici precisi del sistema e condizioni di comunicazione perfette, i ricercatori hanno sviluppato un sistema guidato dai dati. La loro strategia affronta il nucleo del problema: la diversa velocità di risposta delle diverse risorse di controllo disponibili. Dispositivi come i compensatori di var statici (SVC) o gli inverter fotovoltaici possono regolare la loro uscita di potenza reattiva in pochi secondi o minuti, rendendoli ideali per il controllo fine. Al contrario, influenzare il comportamento di ricarica dei proprietari di veicoli elettrici è un processo molto più lento, misurato in ore, poiché dipende da decisioni umane. Tentare di controllare tutte queste risorse con un’unica strategia unificata sarebbe inefficiente e potrebbe generare segnali di controllo contraddittori.
Per risolvere questo dilemma, i ricercatori hanno progettato un’architettura di controllo gerarchica a due livelli, che separa deliberatamente i compiti di controllo in base al loro orizzonte temporale e alla velocità di risposta. Il livello inferiore, che opera su una scala temporale breve di 15 minuti, si occupa del controllo fisico diretto e di precisione. Controlla la potenza reattiva degli inverter FV e delle installazioni SVC. Questi dispositivi possono generare o assorbire potenza reattiva, cosa cruciale per correggere i problemi di tensione locali senza influenzare la potenza attiva trasmessa. Questo livello utilizza un approccio multi-agente (Multi-Agent DRL, MADRL), dove ogni inverter e ogni installazione SVC ha il proprio agente intelligente. Questi agenti vengono addestrati in modo centralizzato, permettendo loro di apprendere dalle interazioni dell’intera rete e di agire in modo cooperativo. Tuttavia, nell’esecuzione pratica, agiscono in modo decentralizzato, basandosi esclusivamente su misurazioni locali nel loro punto di connessione alla rete. Questo concetto di “addestramento centralizzato con esecuzione decentralizzata” (CTDE) è un vantaggio chiave, in quanto aumenta la robustezza del sistema. Anche se la comunicazione tra i diversi dispositivi dovesse fallire, gli agenti locali potrebbero continuare a svolgere i loro compiti di controllo in modo autonomo ed efficace, rafforzando la resilienza dell’intera rete.
Il livello superiore dell’architettura agisce su una scala temporale più lunga, con intervalli di decisione di un’ora. Il suo elemento di controllo principale non è un dispositivo fisico, ma un segnale economico: il prezzo dell’elettricità in tempo reale. Invece di controllare direttamente la potenza di ricarica dei veicoli elettrici, questo livello influenza indirettamente il comportamento degli utenti attraverso la fissazione dinamica dei prezzi. Regolando il prezzo dell’elettricità in tempo reale, il sistema crea incentivi finanziari affinché gli utenti spostino le loro sessioni di ricarica a momenti che siano vantaggiosi per la rete. Ad esempio, se un’elevata produzione solare a mezzogiorno provoca una sovratensione, il prezzo può essere ridotto per incoraggiare i proprietari di veicoli elettrici a ricaricare i loro veicoli in quel momento, consumando così l’eccesso di energia verde. Al contrario, il prezzo può essere aumentato nel pomeriggio, quando la produzione solare diminuisce e la domanda generale di elettricità aumenta, per evitare un carico aggiuntivo causato da molti veicoli elettrici che ricaricano contemporaneamente. Questo livello tratta la potenza di ricarica aggregata dei veicoli elettrici come una risorsa di risposta lenta e di grande scala che può essere gestita attraverso incentivi economici.
Un fattore critico di successo di questa strategia è la modellizzazione precisa del comportamento umano. L’efficacia del livello superiore dipende dalla capacità di prevedere con precisione come gli utenti risponderanno ai cambiamenti di prezzo. I ricercatori hanno sviluppato un modello probabilistico dettagliato che tiene conto dei diversi modelli di spostamento e di parcheggio dei proprietari di veicoli elettrici. Hanno classificato gli utenti in base al loro scopo principale di viaggio: recarsi al lavoro, tornare a casa o attività ricreative, poiché ognuno ha orari di arrivo e partenza caratteristici nelle stazioni di ricarica. Questi modelli sono stati modellati con distribuzioni statistiche (distribuzioni normali). Inoltre, il modello considera lo stato di carica attuale (State of Charge, SOC) della batteria del veicolo e l’autonomia desiderata al momento della partenza dal punto di ricarica. Combinando questi fattori, il modello può prevedere le “finestre di ricarica” di ogni utente. Calcola quindi l’incentivo finanziario (la differenza tra il costo di ricarica al prezzo corrente e il costo di un momento potenzialmente più economico) e ne deriva la probabilità che un utente cambi il suo comportamento di ricarica. Ciò consente al livello di controllo superiore di fare previsioni fondate sull’impatto aggregato delle sue decisioni sui prezzi.
Per valutare l’efficacia della loro strategia DRL gerarchica, i ricercatori hanno condotto simulazioni estese su una rete modificata di 33 nodi IEEE, un modello standard nella ricerca sulle reti elettriche. La rete di prova includeva tre impianti FV da 1,5 megawatt, tre installazioni SVC, banche di condensatori commutabili (SC) e tre stazioni di ricarica, ognuna delle quali serviva 700 veicoli elettrici. Per una simulazione realistica, sono stati utilizzati dati reali di generazione FV e carico dal Belgio. I risultati sono stati convincenti: la strategia proposta ha mantenuto la tensione in tutti i punti della rete entro il range di funzionamento sicuro di 0,93 a 1,07 p.u. (per unità), evitando così in modo efficace sia sovratensioni che sottotensioni.
Per una valutazione oggettiva, la nuova strategia è stata confrontata con diversi scenari di riferimento. Uno scenario di base che utilizzava solo i dispositivi rapidi (FV e SVC), senza influenzare i veicoli elettrici attraverso incentivi di prezzo, ha provocato fluttuazioni di tensione significative, soprattutto durante i picchi di carico serali. Uno scenario con un prezzo di tempo di utilizzo (Time-of-Use) fisso stabilito il giorno prima ha migliorato la situazione, ma non è riuscito a compensare le fluttuazioni dinamiche della giornata. Un altro scenario che tentava di controllare tutti i dispositivi sulla stessa scala temporale oraria ha mostrato prestazioni scadenti, sottolineando la necessità della separazione basata sulle scale temporali. Anche un algoritmo di ottimizzazione consolidato, il Particle Swarm Optimization (PSO), è stato superato dalla strategia DRL.
La strategia DRL gerarchica ha ottenuto la minima deviazione media di tensione. Rispetto allo scenario di base, l’ha ridotta del 38%, e rispetto alle altre strategie avanzate, tra il 16% e il 18%. Questo miglioramento nelle prestazioni significa un miglioramento significativo nella qualità, affidabilità ed efficienza della rete. Le implicazioni di questa ricerca sono ampie. Per gli operatori di rete, offre uno strumento potente per gestire la crescente penetrazione di energie rinnovabili e veicoli elettrici senza dover dipendere da costose e lunghe espansioni dell’infrastruttura. Può posticipare o addirittura evitare investimenti in nuovi trasformatori o linee elettriche. Per i consumatori, apre la possibilità di partecipare attivamente al mercato energetico e ridurre le loro bollette elettriche attraverso una ricarica intelligente, contribuendo al contempo alla stabilità della rete. Per i responsabili politici, fornisce una base tecnologica concreta per raggiungere obiettivi climatici ambiziosi con un alto grado di sicurezza dell’approvvigionamento.
Questo lavoro segna un progresso significativo nell’applicazione dell’intelligenza artificiale alle infrastrutture critiche. A differenza di molti sistemi di IA che sono “scatole nere”, la struttura gerarchica di questo controllore offre un certo grado di interpretabilità. Gli ingegneri possono capire come vengano separate le responsabilità tra gli incentivi economici a lungo termine (livello superiore) e il controllo fisico a breve termine (livello inferiore). L’uso del framework CTDE garantisce una robustezza intrinseca di fronte ai guasti di comunicazione. Un altro vantaggio chiave è che la strategia è “libera da modelli”. Non richiede un modello matematico perfetto e aggiornato costantemente dell’intera rete elettrica, il che è una sfida enorme, poiché la topologia della rete cambia costantemente. Invece, il sistema apprende la strategia di controllo ottimale direttamente dai dati, rendendolo estremamente adattabile a condizioni mutevoli.
Le possibilità di applicazione di questa tecnologia vanno oltre il controllo della tensione. Lo stesso framework DRL gerarchico potrebbe essere applicato ad altre sfide di gestione delle reti, come il controllo della frequenza, la gestione della congestione o l’ottimizzazione della ricarica di una flotta di veicoli elettrici per un servizio di trasporto condiviso. Potrebbe anche essere integrato nei controller delle microreti per gestire comunità energetiche locali con un alto grado di autoconsumo. Mentre il mondo energetico continua a evolversi, la capacità di prendere decisioni intelligenti in tempo reale attraverso molteplici scale temporali sarà fondamentale. La ricerca di QI Xianglong e dei suoi colleghi all’Università di Shandong fornisce un piano robusto e scalabile per le reti elettriche intelligenti che si auto-ottimizzano in futuro.
Questo studio è un esempio impressionante di ricerca interdisciplinare che combina una profonda conoscenza dell’ingegneria delle reti elettriche con i più recenti progressi nell’intelligenza artificiale. Va oltre un’esplorazione teorica e presenta una soluzione pratica e validata per una delle sfide più urgenti del settore energetico moderno. Sfruttando il potere dell’IA per orchestrare la complessa danza di elettroni in una rete di pannelli solari, veicoli elettrici e consumatori tradizionali, questo lavoro spiana la strada verso un sistema energetico più sostenibile, resiliente e centrato sul consumatore. Il futuro della rete intelligente non è solo una rete connessa; è intelligente, adattativa e impara da ogni interazione.
QI Xianglong, CHEN Jian, ZHAO Haoran, ZHANG Wen, ZHANG Keyu, Key Laboratory of Power System Intelligent Dispatch and Control, Shandong University. Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240122