Flotte di veicoli elettrici stabilizzano la rete elettrica
La transizione energetica globale sta ridefinendo non solo il modo in cui produciamo e consumiamo energia, ma anche il ruolo che i veicoli elettrici (EV) possono svolgere all’interno del sistema elettrico. Oltre a rappresentare un pilastro della mobilità sostenibile, i milioni di batterie in movimento che circolano sulle nostre strade stanno emergendo come una risorsa dinamica e distribuita per la stabilizzazione delle reti elettriche. Con l’aumento della penetrazione delle energie rinnovabili come eolico e solare, i sistemi elettrici tradizionali, che si basavano sull’inerzia rotazionale delle grandi turbine sincrone, si trovano a dover affrontare una riduzione significativa di questa inerzia naturale. Questo fenomeno, noto come “low-inertia grid”, rende le reti più vulnerabili a rapide variazioni di frequenza in caso di squilibri improvvisi tra domanda e offerta, aumentando il rischio di blackout.
In questo scenario, la capacità di stoccaggio delle flotte di veicoli elettrici si trasforma da una semplice opportunità in una soluzione strategica. Un recente studio pubblicato sulla rivista High Technology Letters dai ricercatori Ling Feng e Wang Licheng del College of Information Engineering della Zhejiang University of Technology presenta un approccio innovativo che trasforma una flotta aperta e dinamica di veicoli elettrici in un fornitore affidabile di “inerzia virtuale”, un servizio essenziale per la sicurezza della frequenza della rete.
La stabilità della frequenza è un indicatore vitale della salute di qualsiasi rete elettrica. Quando un generatore di grandi dimensioni va offline o si verifica un picco improvviso di domanda, la frequenza della rete inizia a scendere. La velocità di questo calo, nota come Rate of Change of Frequency (RoCoF), è direttamente proporzionale all’inerzia totale del sistema. Minore è l’inerzia, più rapida sarà la caduta della frequenza, riducendo il tempo a disposizione per le riserve di riserva rotanti per attivarsi e ristabilire l’equilibrio. Un calo eccessivo può innescare un collasso a catena. I veicoli elettrici, grazie alla loro elettronica di potenza, possono rispondere a queste variazioni di frequenza in millisecondi, molto più velocemente di qualsiasi generatore convenzionale. Modificando istantaneamente la loro potenza di carica o scarica in base alla RoCoF, possono agire come un ammortizzatore, rallentando la caduta della frequenza e dando alle riserve meccaniche il tempo necessario per intervenire. Questo processo è noto come controllo di inerzia virtuale.
Tuttavia, sfruttare questo potenziale a livello di rete è una sfida estremamente complessa. A differenza di una centrale elettrica, una flotta di veicoli elettrici è un sistema aperto e altamente dinamico. I veicoli si collegano e scollegano dalla rete in modo imprevedibile in base alle abitudini dei proprietari, i loro livelli di carica (SoC) variano notevolmente e le reti di comunicazione possono essere instabili. Questi fattori rendono difficile garantire un livello di supporto costante e prevedibile. Gli approcci precedenti si basavano su modelli statistici, che potevano prevedere il comportamento medio della flotta, ma non erano in grado di gestire la dinamica in tempo reale. Altri metodi, basati sull’ottimizzazione robusta, erano troppo conservativi, limitando l’utilizzo delle risorse e aumentando i costi operativi.
Per superare queste limitazioni, Ling Feng e Wang Licheng propongono un rivoluzionario schema di controllo a due livelli che combina pianificazione centralizzata e coordinamento decentralizzato. Questo approccio ibrido mira a massimizzare l’efficienza, la stabilità e la praticabilità dell’integrazione dei veicoli elettrici.
Il primo livello è un’ottimizzazione periodica, eseguita a intervalli fissi, come ogni cinque minuti. In questa fase, un operatore di sistema esegue una valutazione completa dello stato della rete. Considerando la generazione attuale, la domanda, le riserve disponibili e lo stato aggregato della flotta di veicoli elettrici, l’algoritmo determina il punto di funzionamento ottimale per i generatori convenzionali e, in modo cruciale, la quantità totale di inerzia virtuale che deve essere fornita da ciascun cluster di veicoli elettrici. L’obiettivo è minimizzare il costo totale di esercizio del sistema, che include i costi di generazione, di riserva e il pagamento per il servizio di inerzia virtuale, garantendo al contempo la sicurezza della frequenza.
Questa ottimizzazione tiene conto di vincoli fondamentali. In primo luogo, assicura che l’inerzia totale combinata del sistema (inerzia fisica dei generatori più inerzia virtuale dei veicoli elettrici) sia sufficiente per limitare la RoCoF a un valore accettabile in caso di perdita del generatore più grande. In secondo luogo, verifica che la riserva rotante disponibile sia in grado di compensare completamente il deficit di potenza prima che la frequenza scenda a un livello critico. In terzo luogo, rispetta i limiti fisici dei cluster di veicoli elettrici, come la potenza massima di carica e i limiti di SoC, per prevenire danni alle batterie.
Un aspetto innovativo di questo livello superiore è la sua considerazione dello stato di carica medio del cluster. I ricercatori riconoscono che un veicolo elettrico con un SoC basso è più adatto ad assorbire energia (caricarsi) quando la frequenza sale, mentre uno con un SoC alto è meglio posizionato per iniettare energia (scaricarsi) quando la frequenza scende. Modellando questa relazione, l’ottimizzazione può assegnare il compito di inerzia virtuale in modo più realistico ed equo, massimizzando la capacità di risposta complessiva del cluster.
Una volta che il livello superiore determina la quantità totale di inerzia virtuale richiesta per un cluster, questo comando viene trasmesso ai singoli veicoli. È qui che entra in gioco il secondo livello: il controllo collaborativo in tempo reale all’interno del cluster. Data la natura dinamica della flotta, un controllo centralizzato sarebbe impraticabile. I ricercatori, quindi, implementano un algoritmo di consenso dinamico robusto.
Questo algoritmo consente ai veicoli elettrici di coordinare la loro risposta in modo autonomo attraverso una comunicazione peer-to-peer con i veicoli vicini. Ogni veicolo scambia informazioni solo con un piccolo numero di compagni in una rete di comunicazione, aggiornando il proprio contributo all’inerzia virtuale in base alla differenza tra il suo stato e quello dei suoi vicini. Questa architettura decentralizzata è intrinsecamente scalabile e resiliente ai guasti di comunicazione.
L’algoritmo è progettato per gestire tre eventi: veicoli che rimangono connessi, nuovi veicoli che si uniscono al cluster e veicoli esistenti che si scollegano. Quando un veicolo si disconnette, la sua quota di carico di inerzia virtuale deve essere ridistribuita ai veicoli rimanenti per mantenere la capacità di risposta complessiva del cluster. L’algoritmo raggiunge questo obiettivo trasferendo la “quota” di inerzia del veicolo che abbandona ai suoi vicini, che poi propagano questa regolazione attraverso la rete. Questo garantisce che la somma delle risposte individuali rimanga costante, preservando la capacità del cluster di adempiere al comando del livello superiore.
Per i veicoli che si uniscono, l’algoritmo inizializza il loro contributo di inerzia a zero e poi lo aggiusta gradualmente verso il valore di consenso del cluster. Questo processo evita salti bruschi nella risposta aggregata e mantiene un funzionamento fluido. La rete di comunicazione stessa è adattativa; quando i veicoli entrano o escono, la topologia della rete viene riconfigurata per mantenere la connettività e un grado di comunicazione costante, assicurando la stabilità del processo di consenso.
Una delle principali innovazioni di questo approccio è la sua capacità di raggiungere un “inseguitore senza bias”. Nonostante il costante flusso e riflusso di veicoli, il cluster nel suo insieme può seguire il comando del livello superiore con una deviazione minima. Simulazioni condotte su un sistema di prova di cinque aree con 35 generatori hanno dimostrato che la strategia proposta migliora significativamente la stabilità della frequenza durante grandi perturbazioni. Il valore minimo di frequenza (nadir) è più alto e il sistema si riprende più rapidamente rispetto agli scenari senza il supporto dei veicoli elettrici.
Inoltre, i benefici economici sono sostanziali. Migliorando l’inerzia del sistema, la presenza di cluster di veicoli elettrici consente una maggiore penetrazione della generazione eolica e solare. Le simulazioni hanno mostrato che con il supporto di inerzia virtuale dei veicoli elettrici, i parchi eolici possono operare più vicino alla loro capacità massima, aumentando l’utilizzo dell’energia rinnovabile fino al 12,58% in alcuni casi. Questo riduce la dipendenza dai generatori a combustibili fossili e abbassa i costi totali di esercizio del sistema.
Lo studio evidenzia anche l’importanza della partecipazione equa. L’algoritmo di consenso garantisce che il carico della risposta di frequenza venga distribuito equamente tra i veicoli elettrici in base al loro SoC, evitando che un singolo veicolo venga sovraccaricato. Questa equità è essenziale per l’accettazione da parte degli utenti e per la partecipazione a lungo termine ai programmi di supporto alla rete.
Da un punto di vista pratico, il framework proposto si integra bene con l’infrastruttura esistente delle reti intelligenti. Il livello di ottimizzazione periodica può essere integrato nei sistemi di gestione energetica attuali, mentre il livello di controllo decentralizzato può essere implementato utilizzando protocolli di comunicazione V2G (Vehicle-to-Grid). La dipendenza da una comunicazione locale e scarsa riduce i requisiti di larghezza di banda e migliora la scalabilità.
Le implicazioni di questa ricerca vanno ben oltre la regolazione della frequenza. Lo stesso meccanismo di coordinamento basato sul consenso potrebbe essere adattato per altri servizi ausiliari, come il supporto di tensione, la compensazione della potenza reattiva o la gestione delle congestioni. Con l’accelerazione dell’adozione dei veicoli elettrici, il potenziale per l’integrazione V2G continuerà solo a crescere.
Tuttavia, persistono sfide prima di un’implementazione generalizzata. La standardizzazione dei protocolli di comunicazione, la protezione contro gli attacchi informatici e i quadri normativi per compensare i proprietari di veicoli elettrici sono prerequisiti necessari. Inoltre, l’impatto dei cicli frequenti di carica e scarica sul degrado della batteria deve essere gestito con attenzione per assicurare che i servizi di rete non compromettano la longevità del veicolo.
Il comportamento del consumatore e le preoccupazioni per la privacy giocano anche un ruolo importante. Sebbene l’algoritmo protegga i dati individuali tramite interazioni locali, gli utenti potrebbero essere riluttanti a consentire a entità esterne di influenzare i modelli di carica dei loro veicoli. Meccanismi di partecipazione trasparenti e incentivi chiari saranno cruciali per costruire fiducia.
Nonostante questi ostacoli, il lavoro di Ling Feng e Wang Licheng rappresenta un passo avanti significativo nella convergenza dei sistemi di trasporto ed energetici. Dimostra che i veicoli elettrici non sono più semplici carichi passivi, ma partecipanti attivi nella gestione della rete. Trattandoli come una risorsa flessibile e reattiva, gli operatori di rete possono migliorare la stabilità, integrare più energie rinnovabili e ridurre i costi, tutto mentre danno potere ai consumatori di contribuire a un futuro energetico più sostenibile.
Mentre i sistemi elettrici continuano a evolversi, la linea tra consumatore e produttore si sfuma. Il veicolo elettrico, un tempo visto esclusivamente come un mezzo di trasporto, è ora pronto a diventare un nodo chiave in una rete più intelligente e resiliente. La ricerca pubblicata su High Technology Letters fornisce un quadro robusto, scalabile ed equo per sbloccare questo potenziale, aprendo la strada a una nuova era di integrazione V2G.
Ling Feng, Wang Licheng, College of Information Engineering, Zhejiang University of Technology, High Technology Letters, doi:10.3772/j.issn.1002-0470.2024.11.008