Cluster EV ottimizzano reti elettriche e stradali
La rapida evoluzione della mobilità elettrica non sta semplicemente cambiando il modo in cui ci spostiamo, ma sta riplasmando l’intera infrastruttura che sostiene la nostra vita moderna. I veicoli elettrici (EV) non sono più visti solo come una sostituzione dei motori a combustione interna, ma come asset dinamici e intelligenti in grado di collegare due sistemi critici: la rete di trasporto e la rete elettrica. Questa convergenza, spesso definita “rete di accoppiamento energia-trasporto”, offre un’opportunità unica per migliorare l’efficienza, la sostenibilità e la resilienza di entrambi i sistemi. Tuttavia, sfruttare appieno questo potenziale richiede di andare oltre i modelli semplificati e abbracciare l’interazione complessa e dinamica tra dove vanno gli EV e come utilizzano l’elettricità. Uno studio pionieristico dell’Università di Tecnologia di Kunming, pubblicato sulla prestigiosa rivista Automation of Electric Power Systems (AEPS), offre una soluzione sofisticata, proponendo una nuova strategia per sbloccare la piena flessibilità dei cluster di EV attraverso un’ottimizzazione coordinata e dinamica.
La sfida è multifaccettata. Da un lato, la ricarica non coordinata di una flotta in crescita di EV può creare una notevole pressione sulle reti di distribuzione elettrica locali, causando fluttuazioni di tensione, sovraccarico delle apparecchiature e costi operativi più elevati per le utility. Questo è particolarmente acuto durante le ore di punta, quando la domanda di elettricità è già elevata. Dall’altro lato, le decisioni che gli utenti di EV prendono – dove andare, quale percorso seguire e quale stazione di ricarica utilizzare – sono profondamente influenzate dalle condizioni di traffico in tempo reale, dalla disponibilità delle stazioni e dai prezzi. Questo crea un ciclo di retroazione: la congestione del traffico può portare a code alle stazioni di ricarica più popolari, il che a sua volta scoraggia gli utenti dall’utilizzarle, potenzialmente deviando la domanda di traffico e ricarica verso posizioni meno ottimali. Ciò può risultare in una distribuzione disomogenea del carico, in cui alcune parti della rete sono sotto stress mentre altre rimangono sottoutilizzate, e alcune strade sono congestionate mentre altre sono vuote. La chiave per rompere questo ciclo e raggiungere un sistema armonioso ed efficiente risiede nel trattare l’EV non come un semplice consumatore passivo, ma come un partecipante attivo e flessibile in una rete più ampia e integrata.
La ricerca, guidata dal professor Liu Zhijian e dal suo team, composto dagli studenti universitari Dai Jing e Yang Lingrui, affronta direttamente questa sfida. Il loro lavoro supera le limitazioni degli studi precedenti, che spesso esaminavano i sistemi energetici e di trasporto in modo isolato o utilizzavano modelli statici che non riescono a cogliere la natura fluida e in tempo reale dei flussi di traffico e di energia. Ad esempio, modelli precedenti potrebbero aver determinato un prezzo di ricarica ottimale per una stazione basato su un singolo istante della domanda, ignorando come quel prezzo avrebbe influenzato il comportamento degli utenti nell’ora successiva mentre i modelli di traffico cambiavano. Altri modelli hanno tentato di guidare gli utenti basandosi esclusivamente sul percorso fisico più breve, una strategia che è fondamentalmente egoistica e porta alla “tragedia dei beni comuni”, in cui la scelta ottimale individuale di tutti porta a un risultato collettivamente subottimale: congestione e stress sulla rete.
L’innovazione centrale dell’approccio del team di Kunming è il suo quadro di ottimizzazione a due livelli dinamici. Questo modello non osserva solo la rete elettrica o la rete stradale; crea un dialogo continuo tra i due, utilizzando un potente concetto chiamato “costo istantaneo di viaggio per flusso unitario” come un segnale universale. Questo costo non è una semplice somma di carburante e pedaggi. Al contrario, è una metrica sofisticata e in tempo reale che incapsula il carico economico totale di un viaggio in un dato momento. Include il costo diretto dell’elettricità per la ricarica, il valore del tempo dell’utente durante il viaggio (il “costo del tempo”) e un elemento cruciale nuovo: un costo di penalità per i ritardi causati dall’attesa in coda a una stazione di ricarica. Integrando questi fattori, il modello crea una visione olistica della salute del sistema.
Il processo inizia con una simulazione dettagliata della rete stradale dinamica. I ricercatori utilizzano un metodo chiamato Carico Dinamico della Rete (Dynamic Network Loading, DNL) per modellare come il traffico fluisce attraverso le strade e gli incroci della città nel tempo. Una caratteristica chiave del loro modello è l’uso di “archi virtuali” per rappresentare sia i punti di partenza dei viaggi che le stazioni di ricarica stesse. Questa elegante astrazione permette al complesso processo di attesa e ricarica in una stazione di essere trattato matematicamente allo stesso modo di guidare su una strada, con il proprio “tempo di viaggio” che aumenta man mano che più EV si uniscono alla coda. Questo tempo di viaggio è calcolato utilizzando una “funzione di impedenza dell’arco”, una relazione matematica che mostra come il tempo per attraversare un segmento – sia una strada fisica che un arco di ricarica virtuale – aumenti in modo non lineare all’aumentare del numero di veicoli che lo utilizzano. Questo cattura la realtà che aggiungere un’auto in più a una strada poco trafficata ha poco impatto, ma aggiungere un’auto in più a un’autostrada molto congestionata può rallentare drasticamente tutti gli altri.
Con questo modello di traffico dinamico in atto, il focus si sposta sugli stessi EV. I ricercatori riconoscono che non tutti gli EV sono uguali. Vengono in diversi tipi – auto private, autobus, veicoli per il car sharing – ognuno con schemi di guida, dimensioni della batteria e necessità di ricarica distinti. Ancora più importante, la flessibilità di un singolo EV non è statica; dipende dal suo stato di carica attuale, dalla sua destinazione e da quanto tempo intende rimanere in una stazione di ricarica. Il team sviluppa un “dominio di funzionamento flessibile” per ogni EV, una rappresentazione matematica di tutti i possibili schemi di carica e scarica che può seguire mentre soddisfa ancora le esigenze del suo utente. Questo dominio definisce i limiti superiore e inferiore della potenza che l’EV può assorbire dalla rete o fornire ad essa in un dato momento.
Il vero potere del modello risiede nella sua capacità di aggregare migliaia di singoli EV in un unico “cluster” gestibile. Cercare di gestire ogni EV individualmente sarebbe computazionalmente impossibile. Per risolvere questo problema, i ricercatori impiegano una sofisticata tecnica matematica nota come somma di Minkowski, combinata con un’approssimazione lineare utilizzando una forma geometrica chiamata “zonotopo”. Questo permette loro di combinare in modo efficiente i domini di funzionamento flessibile di centinaia o migliaia di EV in un unico dominio di funzionamento flessibile, variabile nel tempo, per l’intero cluster in una determinata stazione di ricarica. Questo cluster aggregato può quindi essere trattato come una grande batteria virtuale, un’unità di “accumulo energetico generalizzato” che la rete elettrica può utilizzare per aiutare a bilanciare offerta e domanda.
È qui che i due livelli del modello si uniscono in un potente ciclo di retroazione. Il livello superiore è il modello di Ottimizzazione della Rete di Trasporto (TNO), che cerca di minimizzare il costo totale del viaggio per tutti gli utenti di EV in tutta la rete. Utilizza il “costo istantaneo di viaggio per flusso unitario” in tempo reale per guidare gli utenti verso i percorsi e le stazioni di ricarica più efficienti. Questo costo deriva dallo stato attuale della rete: prezzi elevati dell’elettricità in una stazione, traffico pesante su un percorso o lunghe code a un caricatore aumenteranno tutti il costo di utilizzare quel percorso, scoraggiando gli utenti dal sceglierlo.
Il livello inferiore è il modello di Ottimizzazione della Rete di Distribuzione (DNO), che si concentra sul funzionamento economico e stabile della rete elettrica. Il suo obiettivo è minimizzare i costi, che includono la spesa per il funzionamento dei generatori tradizionali, le penalità per dover ridurre (sprecare) l’energia rinnovabile da parchi eolici o solari quando c’è troppa offerta, e le penalità per dover interrompere (tagliare) l’energia ai clienti non EV durante i periodi di alta domanda. Il modello DNO utilizza il dominio di funzionamento flessibile aggregato dei cluster di EV come un potente nuovo strumento. Quando la generazione rinnovabile è alta e i prezzi dell’elettricità sono bassi, il modello può segnalare al livello TNO di incoraggiare più EV a ricaricare alle stazioni collegate a quella parte della rete, immagazzinando efficacemente l’eccesso di energia pulita. Al contrario, quando la domanda è alta e i prezzi salgono alle stelle, il modello può incentivare gli EV a scaricare energia di nuovo nella rete (vehicle-to-grid, o V2G), aiutando a soddisfare la domanda di picco ed evitare costose penalità.
L’eleganza del sistema risiede nella sua natura iterativa. Il modello TNO calcola i flussi di traffico in base ai costi attuali. Questi flussi determinano quali EV sono in quali stazioni di ricarica e per quanto tempo, il che a sua volta definisce il dominio di funzionamento flessibile disponibile per il modello DNO. Il modello DNO calcola quindi un nuovo insieme di prezzi ottimali dell’elettricità e costi del sistema. Questi prezzi aggiornati vengono restituiti al modello TNO, modificando il “costo istantaneo di viaggio per flusso unitario” e spingendo gli utenti a modificare il loro comportamento. Questo ciclo si ripete fino a quando il sistema raggiunge uno stato ottimale e stabile in cui le decisioni degli utenti e le esigenze della rete elettrica sono perfettamente allineate.
Per validare il loro modello complesso, i ricercatori hanno condotto uno studio di caso dettagliato basato su una versione ricostruita della rete di trasporto Nguyen, un punto di riferimento standard nel campo. Hanno simulato una rete con quattro stazioni di ricarica, ognuna collegata a una parte diversa di una rete elettrica simulata. Due stazioni erano situate vicino a parchi eolici, una vicino a una fattoria solare e una senza generazione rinnovabile locale, creando uno scenario diversificato e realistico. La simulazione è stata eseguita per un periodo di 8 ore, suddiviso in intervalli di 5 minuti, con tre diversi tipi di EV che componevano la flotta.
I risultati sono stati sorprendenti. Rispetto a una strategia tradizionale di “percorso più breve”, il nuovo modello di coordinamento dinamico ha dimostrato vantaggi profondi. Nello scenario del percorso più breve, gli utenti si sono naturalmente riversati nelle due stazioni di ricarica più vicine (c3 e c4). Ciò ha portato a una congestione severa, con volumi di traffico sulle strade di collegamento che superavano la loro capacità e tempi di viaggio che sono schizzati alle stelle. Nel frattempo, le strade che portano alle altre due stazioni (c1 e c2) sono rimaste completamente inutilizzate, uno spreco massiccio di infrastrutture. Questa congestione si è tradotta in un costo totale di viaggio del 47% più alto per gli utenti, principalmente a causa del tempo immenso perso nel traffico.
La storia dal lato della rete elettrica è stata altrettanto drammatica. Poiché nessun EV stava ricaricando nelle stazioni c1 e c2, quelle parti della rete avevano zero flessibilità. Quando il vento soffiava forte a c2, l’energia in eccesso non aveva dove andare e veniva sprecata, incorrendo in alte “penalità per la riduzione”. Allo stesso modo, quando la domanda locale a c1 è aumentata, la rete non aveva modo di soddisfarla con risorse flessibili di EV ed è dovuta ricorrere a generatori di riserva costosi e inquinanti. Il costo operativo totale per la rete elettrica era significativamente più alto.
In netto contrasto, il modello di coordinamento dinamico ha ottenuto un risultato equilibrato ed efficiente. Il “costo istantaneo di viaggio per flusso unitario” ha guidato con successo gli utenti lontano dai percorsi congestionati verso le stazioni sottoutilizzate. Il flusso di traffico è stato distribuito in modo molto più uniforme attraverso la rete, senza che nessuna strada sperimentasse una congestione paralizzante. Ciò ha portato da solo a una sostanziale riduzione del tempo di viaggio e del costo per gli utenti.
L’impatto sulla rete elettrica è stato trasformativo. I cluster di EV in tutte e quattro le stazioni sono diventati partecipanti attivi alla stabilità della rete. Alla stazione c2, il modello ha guidato con successo un gran numero di EV a ricaricare durante i periodi di alta generazione eolica, assorbendo il 67,9% dell’energia eolica altrimenti sprecata. Alla stazione c3, è riuscito a utilizzare il 61,7% dell’eccesso di energia solare. Questa capacità di “assorbire” l’energia rinnovabile non solo ha ridotto gli sprechi, ma ha anche abbassato il costo generale dell’elettricità. Inoltre, la disponibilità diffusa di cluster di EV flessibili ha permesso alla rete di soddisfare meglio la domanda di picco. Il modello ha mostrato un aumento significativo della “capacità di fornitura del carico”, il che significa che gli EV erano in grado di fornire più energia alla rete quando necessario, riducendo la necessità di interruzioni costose del carico. Nel complesso, lo studio ha riscontrato che la strategia coordinata ha portato a un aumento del 33% nel consumo di energia rinnovabile e a un aumento del 25,8% nella risposta di fornitura del carico rispetto alla strategia del percorso più breve.
Le implicazioni di questa ricerca sono di vasta portata. Fornisce un quadro robusto e matematicamente solido per il futuro delle città intelligenti. Invece di vedere gli EV come un problema da gestire, questo lavoro mostra come possano essere parte integrante della soluzione. Creando un canale di comunicazione perfetto e in tempo reale tra i sistemi di trasporto e di energia, le città possono raggiungere un livello di efficienza e sostenibilità che prima era irraggiungibile. Gli utenti beneficiano di tempi di viaggio più brevi e prevedibili e potenzialmente di costi di ricarica più bassi. Le utility beneficiano di una rete più stabile, resiliente ed economica. La società beneficia di minori emissioni di gas serra e di una transizione più rapida verso un futuro basato su energie rinnovabili.
Liu Zhijian, Dai Jing, Yang Lingrui, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230728004