La ricerca cinese rivela le complessità della ricarica rapida per veicoli elettrici
Mentre i veicoli elettrici (VE) continuano a conquistare quote di mercato in tutto il mondo, l’attenzione si sposta sempre più dalla tecnologia dei veicoli stessi alla complessa rete di infrastrutture che li sostiene. Due studi condotti da ricercatori cinesi, sebbene indipendenti, offrono una visione complementare e profondamente tecnica delle sfide che accompagnano questa transizione energetica. Il primo studio, proveniente dalla Southeast University di Nanjing, affronta il problema della pianificazione intelligente dei percorsi per la ricarica, un aspetto cruciale per l’esperienza utente quotidiana. Il secondo, realizzato dalla Changsha University of Science and Technology, analizza gli impatti fisici ed elettrici che le stazioni di ricarica rapida esercitano sulla rete elettrica, un problema critico per la stabilità e la sicurezza del sistema energetico. Insieme, queste ricerche tracciano un quadro completo delle due facce della medaglia della mobilità elettrica: da un lato, l’ottimizzazione del software e dell’intelligenza artificiale per migliorare l’efficienza del viaggio; dall’altro, la necessità di rafforzare e adattare le infrastrutture fisiche per gestire i carichi estremi.
Il team guidato da Song Yuhang, Chen Yufan, Wei Yanling e Gao Shan della Southeast University ha sviluppato un nuovo approccio alla pianificazione dei percorsi per i veicoli elettrici, basato su tecniche di apprendimento per rinforzo (reinforcement learning). L’obiettivo è superare le limitazioni dei metodi tradizionali, che spesso semplificano eccessivamente la realtà. I modelli convenzionali trattano le stazioni di ricarica come semplici nodi sulla mappa stradale, equivalenti a una normale intersezione. Questa astrazione, sebbene utile dal punto di vista computazionale, ignora una verità fondamentale: raggiungere una stazione di ricarica non è un evento istantaneo. Richiede che il veicolo rallenti, svolti, a volte parcheggi in uno spazio ristretto e, in molti casi, attenda il proprio turno. Queste manovre consumano energia e tempo, fattori che i modelli tradizionali non riescono a catturare adeguatamente.
Per risolvere questo problema, i ricercatori hanno introdotto il concetto di “metodo di espressione in tre segmenti”. Questo approccio rivoluziona la percezione del viaggio, scomponendolo in tre fasi distinte. La prima fase è il movimento dal punto di partenza—sia esso una casa o un ufficio—fino al punto più vicino sulla rete stradale. La seconda fase è la guida standard lungo la rete viaria, da un incrocio all’altro. La terza e ultima fase è l’avvicinamento al destino finale, che può essere un punto di arrivo o, appunto, una stazione di ricarica. Questa segmentazione permette al modello di incorporare esplicitamente i costi energetici e temporali associati all’accesso a una stazione di ricarica, come la perdita di velocità durante una svolta o il tempo di attesa in coda.
Questa metodologia trasforma l’atto di ricaricare da un evento separato e binario (“devo ricaricare o no?”) in una scelta di direzione naturale all’interno della navigazione. Nel modello proposto, decidere di svoltare verso una stazione di ricarica diventa concettualmente simile a scegliere tra svoltare a sinistra o a destra a un incrocio. Questa semplificazione non solo rende il problema più gestibile per gli algoritmi di intelligenza artificiale, ma migliora anche la precisione della pianificazione. Trattando la ricarica come una decisione di percorso, il sistema può valutare in modo più efficace il costo totale—in termini di tempo, distanza e denaro—di diverse opzioni, anche se non implicano il percorso geograficamente più breve.
Il team ha implementato questo modello utilizzando due diversi algoritmi di apprendimento per rinforzo: Q-learning e Deep Q-Networks (DQN). Entrambi i metodi permettono a un agente di intelligenza artificiale di imparare a prendere decisioni ottimali attraverso l’esperienza. L’agente riceve ricompense per risultati positivi, come raggiungere la destinazione con un minimo di tempo, distanza e costo di ricarica, e penalità per fallimenti, come esaurire la batteria. L’ambiente in cui opera l’agente è costruito sulla logica dei tre segmenti, con variabili di stato che includono la posizione del veicolo, il livello di carica della batteria (State of Charge, SoC), l’ora del giorno, la distanza percorsa e il costo totale della ricarica.
Un aspetto cruciale del modello è come gestisce il processo di ricarica stesso. Quando il veicolo raggiunge una stazione, l’algoritmo non considera solo il prezzo per chilowattora, ma anche il tempo di attesa previsto, modellato in base al numero di caricabatterie disponibili e alla domanda corrente. Calcola inoltre il tempo necessario per caricare fino a un livello obiettivo, che dipende dalla potenza del caricabatterie e dalla capacità della batteria. Questa visione olistica permette al sistema di confrontare il costo totale di ricaricare in diverse stazioni, anche se non si trovano direttamente sul percorso più diretto.
I ricercatori hanno testato il loro sistema in un ambiente simulato che rappresenta un’area di 34 chilometri quadrati intorno alla Southeast University. I risultati hanno dimostrato che il loro approccio produceva coerentemente percorsi efficienti in diverse condizioni di carica della batteria. Ad esempio, partendo con solo il 2,8% di carica e avendo bisogno di raggiungere un minimo del 3% all’arrivo, l’algoritmo navigava con successo verso una stazione di ricarica, ricaricava l’energia e completava il viaggio. Il modello DQN, che utilizza reti neurali per approssimare i valori delle decisioni, ha mostrato prestazioni leggermente migliori in scenari complessi grazie alla sua capacità di gestire spazi di stato ad alta dimensione e di imparare da esperienze passate archiviate in una memoria di ripetizione.
Il risultato più significativo è che lo studio ha dimostrato che il loro metodo supera gli approcci convenzionali che trattano le stazioni di ricarica come semplici vertici della rete. In confronti diretti, il modello di espressione in tre segmenti ha prodotto tempi di viaggio più brevi, un consumo energetico inferiore e costi di ricarica ridotti. Questo miglioramento deriva direttamente dalla capacità del modello di tenere conto delle inefficienze del mondo reale nell’accesso all’infrastruttura di ricarica, un aspetto che i metodi tradizionali trascurano. Inoltre, il framework si è rivelato trasferibile: quando testato in un’area urbana diversa, come intorno al Parco del Popolo a Chengdu, lo stesso algoritmo si è adattato rapidamente e ha prodotto percorsi ugualmente ottimizzati senza la necessità di cambiamenti strutturali.
Le implicazioni pratiche di questa ricerca sono ampie. Per i produttori di automobili e le aziende tecnologiche che stanno sviluppando sistemi di guida autonoma e piattaforme di mobilità intelligente, una pianificazione dei percorsi precisa e realistica è essenziale. Un veicolo elettrico autonomo non può permettersi di calcolare male i suoi bisogni energetici o di ignorare il tempo necessario per accedere a una stazione di ricarica. Il metodo di espressione in tre segmenti fornisce un modo più granulare e fisicamente fondato per modellare queste interazioni, potenzialmente portando a sistemi di navigazione più affidabili e facili da usare nei VE del futuro. È un passo cruciale per superare l'”ansia da autonomia” non solo con batterie più grandi, ma anche con una pianificazione più intelligente.
Mentre un software più intelligente aiuta i conducenti a trovare i caricabatterie, un altro studio, condotto da ricercatori della Changsha University of Science and Technology, rivela che l’atto stesso di ricaricare rapidamente pone sfide significative alla rete elettrica. Guidato da Wang Hongbiao, Su Shiping, Hu Yajie e Ouyang Zhenyu, questa ricerca, pubblicata su Electrical Measurement & Instrumentation, indaga i problemi transitori di qualità dell’energia causati dalle stazioni di ricarica rapida su larga scala.
A differenza del processo di ricarica lenta da una presa domestica, i caricabatterie rapidi forniscono energia a tassi superiori ai 50 chilowatt, con alcuni che superano i 350 kW. Questi sistemi ad alta potenza utilizzano una complessa elettronica di potenza per convertire la corrente alternata (CA) dalla rete in corrente continua (CC) adatta a caricare la batteria. Questo processo coinvolge raddrizzatori, trasformatori ad alta frequenza e convertitori CC-CC, tutti i quali dipendono dall’interruttore rapido di dispositivi semiconduttori come IGBT e diodi. Sebbene efficiente, questo interruttore genera transitori elettromagnetici: brevi ma intensi impulsi di rumore elettrico che possono propagarsi attraverso la rete.
Il team di ricerca ha sviluppato un modello di simulazione dettagliato di una rete di distribuzione che incorpora una stazione di ricarica rapida basata su bus CC, una topologia sempre più utilizzata per integrare fonti di energia rinnovabile come il solare. Il loro analisi si è concentrata su due tipi di disturbi: gli abbassamenti di tensione (voltage sags) e i transitori elettromagnetici. Gli abbassamenti di tensione sono riduzioni di breve durata della magnitudine della tensione, che di solito durano da pochi millisecondi a pochi secondi. Possono verificarsi quando un carico elevato, come una flotta di VE che inizia a caricare simultaneamente, estrae una repentina ondata di corrente dalla rete.
Nelle loro simulazioni, i ricercatori hanno osservato che l’accensione di una stazione di ricarica rapida causava un immediato abbassamento di tensione a 0,1 secondi dall’inizio del processo. La tensione rimaneva al di sotto dei livelli nominali per tutto il periodo di ricarica e si riprendeva solo quando la stazione veniva disconnessa. Questo abbassamento prolungato indica che i sistemi di regolazione della tensione della rete potrebbero avere difficoltà a rispondere abbastanza velocemente ai cambiamenti improvvisi di carico, specialmente in aree con generazione limitata o infrastruttura di rete debole.
Ancora più insidiosi sono i transitori elettromagnetici, che si manifestano come oscillazioni ad alta frequenza o picchi di impulso nelle forme d’onda di tensione e corrente. Questi disturbi derivano dalle azioni di interruttore all’interno dell’elettronica di potenza del caricabatterie. Lo studio ha identificato un transitorio a impulso a 0,105 secondi e un transitorio oscillatorio a 0,121 secondi dopo l’attivazione della stazione. Sebbene di breve durata, questi eventi possono interferire con apparecchiature sensibili come controllori industriali, dispositivi medici e sistemi di comunicazione che condividono lo stesso alimentatore.
La gravità di questi transitori aumenta drasticamente in condizioni di guasto. Durante un cortocircuito tra due fasi, ad esempio, la tensione sulle fasi interessate è scesa a 0,6 e 0,69 per unità, rispettivamente, mentre i transitori elettromagnetici sono diventati più intensi e si sono verificati in momenti diversi: 0,372 secondi per l’impulso e 0,41 secondi per l’oscillazione. In un guasto a terra tra due fasi, il transitorio oscillatorio è apparso ancora prima, a 0,302 secondi, e è durato 5 millisecondi. È notevole che i ricercatori abbiano scoperto che i transitori non si verificavano durante l’estinzione di certi guasti, suggerendo che la configurazione di messa a terra e il tipo di guasto svolgono un ruolo cruciale nella generazione di transitori.
Queste conclusioni hanno implicazioni pratiche immediate. Mentre le città installano sempre più stazioni di ricarica rapida—spesso raggruppate in aree commerciali o lungo le autostrade—l’effetto cumulativo di più caricabatterie che si attivano simultaneamente potrebbe creare una “tempesta perfetta” di abbassamenti di tensione e transitori, specialmente durante le ore di punta di ricarica al mattino o alla sera. Senza una mitigazione adeguata, come restauratori dinamici di tensione, filtri attivi o sistemi di accumulo di energia locale, la affidabilità della rete locale potrebbe essere compromessa, portando a malfunzionamenti delle apparecchiature o addirittura a interruzioni di corrente.
Lo studio sottolinea anche l’importanza delle strategie di ricarica intelligente. La ricarica non controllata, o “stupida”, in cui i veicoli iniziano a caricare non appena vengono collegati, aggrava questi problemi. Al contrario, la ricarica coordinata, in cui il momento e il tasso di ricarica sono gestiti attraverso la comunicazione con la rete, può livellare i profili di carico e ridurre la probabilità di gravi disturbi. L’integrazione di sistemi di accumulo di batterie nelle stazioni di ricarica può ulteriormente mitigare le correnti di inserzione fornendo energia istantanea durante l’avvio.
Da un punto di vista progettuale, la ricerca suggerisce che i produttori possono migliorare la qualità dell’energia ottimizzando gli algoritmi di controllo, incorporando meccanismi di avviamento morbido e utilizzando componenti di filtraggio di qualità superiore. L’adozione di semiconduttori a banda larga come il carburo di silicio (SiC) o il nitruro di gallio (GaN) potrebbe anche ridurre le perdite di commutazione e le emissioni di transitori, portando a una consegna di energia più pulita.
Le autorità di regolamentazione potrebbero dover aggiornare gli standard per affrontare queste sfide. Le linee guida esistenti, come IEEE 1159 e IEC 61000, forniscono raccomandazioni generali per la qualità dell’energia ma potrebbero non catturare completamente il comportamento dinamico delle stazioni di ricarica rapida. Gli autori raccomandano che future revisioni includano disposizioni specifiche per l’infrastruttura di ricarica dei VE, in particolare per quanto riguarda l’immunità ai transitori e i limiti di emissione.
Insieme, questi due studi illustrano la natura multifaccettata della transizione ai VE. Da un lato, algoritmi intelligenti stanno rendendo più facile per i conducenti navigare nel panorama della ricarica. Dall’altro, la realtà fisica di estrarre enormi quantità di energia dalla rete richiede nuove soluzioni di ingegneria per mantenere la stabilità e l’affidabilità. Il lavoro di Song Yuhang, Chen Yufan, Wei Yanling e Gao Shan della Southeast University offre un modo più realistico ed efficiente per pianificare i viaggi dei VE, mentre la ricerca di Wang Hongbiao, Su Shiping, Hu Yajie e Ouyang Zhenyu della Changsha University of Science and Technology evidenzia i costi nascosti della ricarica rapida per il sistema elettrico.
Mentre il mondo si dirige verso l’elettrificazione, entrambi gli aspetti devono essere affrontati simultaneamente. I veicoli più intelligenti hanno bisogno di reti più intelligenti. L’integrazione dei VE non è semplicemente una questione di sostituire i motori a combustione interna con batterie; è una trasformazione dell’intero ecosistema energetico. Assicurare che questa trasformazione sia sostenibile, efficiente e resiliente richiederà un’innovazione continua non solo nei veicoli e nella tecnologia di ricarica, ma anche nell’infrastruttura e nelle politiche che li supportano.
Song Yuhang, Chen Yufan, Wei Yanling, Gao Shan, Southeast University, Journal of Automation of Electric Power Systems, DOI: 10.7500/AEPS20230621004; Wang Hongbiao, Su Shiping, Hu Yajie, Ouyang Zhenyu, Changsha University of Science and Technology, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.06.021