Modello prevede carica auto elettriche
La transizione verso i veicoli elettrici (VE) è un fenomeno inarrestabile, ma la sua velocità e il suo successo dipendono da una comprensione profonda di un elemento spesso trascurato: il comportamento umano. Non basta costruire auto più efficienti o installare stazioni di ricarica; è fondamentale prevedere come milioni di decisioni individuali, influenzate da fattori come il prezzo dell’elettricità, le condizioni meteorologiche e le abitudini quotidiane, si tradurranno in una domanda di energia che potrebbe mettere a dura prova la rete elettrica. Un nuovo studio, pubblicato sulla prestigiosa rivista Electric Power Construction, introduce un modello di previsione rivoluzionario che va ben oltre i metodi tradizionali. Sviluppato da un team di ricerca guidato da Ding Leyan e Ke Song dell’Università di Wuhan, in collaborazione con esperti dell’Istituto di Ricerca Elettrica della China Southern Power Grid, questo modello non si limita a tracciare quando e dove i veicoli si ricaricheranno. Integra per la prima volta in modo sistematico la dinamica del traffico urbano, l’impatto degli eventi esterni e, cosa più innovativa, la psicologia del conducente, creando uno strumento di simulazione straordinariamente realistico e potente.
I modelli di previsione del carico di ricarica precedenti hanno spesso affrontato il problema con un approccio riduttivo, trattando i veicoli elettrici come una semplice aggiunta al carico della rete o analizzando i loro modelli di ricarica come una serie temporale. Questi approcci, sebbene utili, trascurano elementi critici della realtà. Un’auto non è un dispositivo statico; è un veicolo in movimento, parte integrante di un sistema di trasporto dinamico e congestionato. Il suo consumo di energia non dipende solo dalla distanza percorsa, ma anche dalle condizioni del traffico, dalle frequenti frenate e ripartenze, e dall’uso dei sistemi di climatizzazione. Inoltre, la decisione di quando e dove ricaricare non è un calcolo puramente razionale, ma è profondamente radicata nelle emozioni, nelle aspettative e nelle priorità personali del guidatore. Il modello sviluppato da Ding, Ke e i loro colleghi rappresenta un salto qualitativo, integrando questi tre mondi: la fisica del traffico, l’economia dell’energia e la psicologia dell’utente, creando così uno strumento di simulazione che è notevolmente più realistico e utile.
Il fondamento del modello è un “modello di rete stradale semidinamica” che trasforma una semplice rappresentazione statica di strade e incroci in una simulazione vivente della città. La rete viene suddivisa in zone funzionali chiave: aree residenziali, commerciali e industriali. Questa segmentazione è cruciale, poiché riconosce che i modelli di viaggio e di ricarica sono fondamentalmente diversi a seconda della posizione. Un guidatore che torna a casa dopo il lavoro ha motivazioni diverse da un tassista che cerca la sua prossima corsa nel centro della città. Il modello va oltre introducendo una variabile dinamica: il tempo di percorrenza di ogni tratto stradale. Invece di assumere che la velocità sia costante, il modello calcola che il tempo necessario per percorrere un tratto aumenta man mano che il traffico diventa più intenso. Questo aumento del tempo di percorrenza non solo ritarda il guidatore, ma aumenta anche direttamente il consumo di energia del veicolo, poiché le frequenti frenate e ripartenze sono inefficienti. Aggiornando lo stato del traffico a intervalli regolari (ogni 15 minuti in questo studio), il modello crea un ciclo di retroazione realistico in cui il traffico influenza il consumo, e il consumo (attraverso la necessità di ricarica) influisce a sua volta sul traffico e sul carico sulla rete elettrica.
Con questa rete stradale semidinamica come scenario, il modello introduce un ulteriore livello di complessità analizzando come fattori esterni influenzano il comportamento del guidatore. Il prezzo dell’elettricità è un fattore economico ovvio e potente. Lo studio dimostra che quando i prezzi sono alti, molti guidatori ritardano la ricarica, il che può spostare i picchi di domanda dalle prime ore della sera a quelle notturne. Al contrario, prezzi bassi possono incentivare gli utenti a ricaricare di più, creando potenzialmente nuove pressioni sulla rete. Il clima gioca anche un ruolo duplice. Le temperature estreme, sia un caldo soffocante che un freddo intenso, costringono il veicolo a utilizzare più energia per climatizzare l’abitacolo, aumentando così il suo consumo totale. Ma il clima influenza anche la psicologia umana. Una giornata piovosa e sgradevole può dissuadere le persone dal lasciare casa per attività non essenziali, riducendo così il numero totale di veicoli in movimento e, di conseguenza, la domanda generale di ricarica. La stagionalità è un altro fattore chiave; il modello incorpora un “coefficiente stagionale” che riflette il maggiore consumo di energia in inverno dovuto al riscaldamento, il che si traduce in una frequenza di ricarica più elevata e un carico totale più alto.
Il risultato più significativo di questa ricerca, tuttavia, è l’adozione della “teoria del prospetto cumulativo” (Cumulative Prospect Theory), un quadro dell’economia comportamentale che sfida la nozione che gli esseri umani prendano decisioni in modo completamente razionale. Questa teoria sostiene che le persone valutano le decisioni in base ai loro guadagni e perdite percepiti rispetto a un punto di riferimento, e che sono più sensibili al dolore di una perdita che al piacere di un guadagno equivalente (una tendenza nota come avversione alla perdita). I ricercatori hanno applicato questa teoria per costruire due modelli di utilità decisionale altamente differenziati: uno per i proprietari di veicoli privati e uno per i tassisti, riconoscendo che i loro obiettivi e vincoli sono radicalmente diversi.
Per i proprietari di veicoli privati, il modello identifica due punti di riferimento psicologici principali: l’ora di arrivo e lo stato di carica (SOC) della batteria. Un guidatore ha un'”ora di arrivo prevista” con una finestra di tolleranza. Arrivare fuori da questa finestra viene percepito come una perdita, e la gravità di questa percezione negativa aumenta con la severità del ritardo o dell’anticipo. Allo stesso modo, il guidatore ha un livello di SOC previsto quando lascia casa. Se il livello della batteria è al di sotto di questo punto di riferimento, genera una sensazione di ansia o rischio. Il modello quantifica queste emozioni, mostrando come un guidatore potrebbe essere disposto a pagare un prezzo più alto per l’elettricità o a percorrere un tragitto più lungo fino a una stazione di ricarica preferita per evitare la “perdita” soggettiva di arrivare in ritardo o di rimanere senza batteria. Questo approccio consente al modello di prevedere non solo quando un veicolo ha bisogno di carica, ma anche quando il guidatore si sentirà sufficientemente motivato ad agire.
Il modello per i tassisti è ancora più sofisticato, poiché la loro guida è una fonte diretta di reddito. Il loro processo decisionale è un costante equilibrio tra tempo e denaro. Lo studio sviluppa un “modello di utilità decisionale alla fine del turno” che analizza la scelta di un tassista alla fine della sua giornata lavorativa. Dovrebbe fare un’ultima corsa? La decisione si basa sul valore percepito della tariffa rispetto al costo in termini di tempo ed energia. Il modello incorpora un punto di riferimento per i guadagni previsti. Una corsa che supera questa aspettativa viene percepita come un guadagno, mentre una che la delude viene sentita come una perdita. Le simulazioni hanno rivelato che la sensibilità di un guidatore verso il tempo rispetto al denaro varia ampiamente. Alcuni guidatori, fortemente avversi alla perdita di reddito, accetteranno una corsa lunga e ben pagata anche se significa arrivare a casa molto tardi. Altri, che danno priorità al tempo con la famiglia, rifiuteranno una corsa redditizia se li terrà fuori fino a tarda notte. Simulando questo complesso processo decisionale, il modello può prevedere con grande precisione quando e dove i tassisti cercheranno di ricaricare.
Uno degli aspetti più innovativi di questo lavoro è il passaggio dalla previsione all’azione. Oltre a prevedere semplicemente il comportamento, il quadro proposto include una “strategia di orientamento” progettata per influenzare le decisioni degli utenti a beneficio della rete elettrica. Per un guidatore privato che si sta ricaricando prima di un viaggio pianificato, il sistema può raccomandare un leggero aggiustamento dell’ora di partenza o un cambiamento nella potenza di ricarica. Ad esempio, se il modello prevede che il guidatore arriverà in ritardo e sperimenterà un’utilità negativa, potrebbe suggerire di partire 10 minuti prima. Se il guidatore è preoccupato per il suo SOC, potrebbe raccomandare di aumentare la velocità di ricarica negli ultimi 15 minuti per alleviare la sua ansia. Per i tassisti, la strategia di orientamento agisce come un sistema di assegnazione intelligente, raccomandando una corsa specifica da un elenco di opzioni disponibili. Non sceglie semplicemente la corsa meglio pagata; sceglie la corsa che massimizza l’utilità totale del guidatore, bilanciando guadagni e tempo. Ciò potrebbe significare raccomandare una corsa più breve e meno redditizia a un guidatore che apprezza arrivare a casa presto, o una corsa più lunga e meglio pagata a uno che dà priorità a massimizzare i suoi guadagni. Le simulazioni hanno dimostrato che queste strategie di orientamento sono state altamente efficaci, aumentando in modo significativo l’utilità decisionale sia per i guidatori privati che per i tassisti, portando a un’esperienza utente più soddisfacente.
I risultati della simulazione offrono un’immagine vivida di come si distribuisce il carico di ricarica dei veicoli elettrici in una città. Come previsto, le aree residenziali sperimentano un picco significativo di ricarica di notte, tra le 21:30 e le 22:30, quando i guidatori tornano a casa e collegano i loro veicoli. Le aree commerciali, d’altra parte, vedono un picco più precoce, tra le 17:30 e le 19:00, guidato dai guidatori che ricaricano durante la cena o mentre fanno shopping. Il modello dimostra anche la sensibilità della rete alla penetrazione dei veicoli elettrici. Man mano che la percentuale di VE nella flotta veicolare aumenta dal 60% all’80%, il carico massimo totale aumenta di oltre il 32%, sottolineando la necessità di miglioramenti della rete. Lo studio mostra anche che prezzi più alti dell’elettricità possono ridurre il carico di picco di quasi il 28% scoraggiando la ricarica, mentre le stagioni fredde possono aumentare il carico di picco del 24% a causa del maggiore consumo di energia.
Questa ricerca rappresenta un progresso significativo nel campo della previsione del carico di ricarica dei veicoli elettrici. Superando le assunzioni semplificate e abbracciando la complessità completa del comportamento umano e dei sistemi urbani, Ding, Ke e i loro colleghi hanno creato uno strumento che non è solo predittivo, ma anche prescrittivo. Può essere utilizzato per progettare schemi di tariffazione oraria più efficaci, pianificare la posizione ottimale di nuove stazioni di ricarica e sviluppare sistemi intelligenti di gestione della ricarica che possano livellare i picchi di domanda e prevenire sovraccarichi sulla rete. La capacità del modello di simulare gli effetti di diverse politiche e scenari fornisce una piattaforma potente per la pianificazione strategica. Ad esempio, una città potrebbe utilizzare questo modello per valutare l’impatto di una nuova tariffa di congestione sui modelli di viaggio e ricarica dei veicoli elettrici, o una società elettrica potrebbe usarlo per valutare i benefici di un nuovo programma di risposta alla domanda che incentivi la ricarica fuori dalle ore di punta.
Il lavoro sottolinea anche l’importanza della ricerca interdisciplinare. Risolvere le sfide della transizione energetica richiede una collaborazione tra ingegneri elettrici, scienziati dell’informazione, pianificatori dei trasporti ed economisti comportamentali. Questo studio è un esempio paradigmatico di tale collaborazione, che combina competenze in sistemi di potenza, modellazione del flusso del traffico e psicologia cognitiva. I ricercatori riconoscono che il loro modello è un punto di partenza e che è necessario ulteriore lavoro, in particolare nella raccolta di dati del mondo reale per convalidare e perfezionare i parametri del comportamento. Le future ricerche potrebbero ampliare il modello per includere weekend e festività, diversi tipi di infrastrutture di ricarica e il potenziale della tecnologia del veicolo alla rete (V2G), in cui i veicoli elettrici possono restituire energia alla rete.
In conclusione, il modello presentato da Ding Leyan, Ke Song e il loro team offre una visione molto più realistica e sfumata del futuro della ricarica dei veicoli elettrici. Riconosce che la rete elettrica di domani sarà modellata non solo dalla tecnologia, ma da milioni di decisioni quotidiane prese da guidatori che navigano nella loro vita. Comprendendo e incorporando la psicologia dietro queste decisioni, questa ricerca fornisce uno strumento cruciale per costruire un sistema energetico più intelligente, resiliente e sostenibile. È un contributo vitale allo sforzo continuo per gestire l’elettrificazione dei trasporti in un modo che sia efficiente, equo e vantaggioso per tutte le parti interessate.
Ding Leyan, Ke Song, Zhang Fan, Lin Xiaoming, Wu Mengwei, Zhang Jieming, Yang Jun, Wuhan University, Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.06.002