Modello Rivoluzionario per la Flessibilità dei Veicoli Elettrici
Un team di ricercatori cinesi ha compiuto un balzo in avanti nell’integrazione dei veicoli elettrici (VE) nella rete elettrica moderna, sviluppando un modello di intelligenza artificiale che promette di rivoluzionare il modo in cui gli operatori gestiscono la flessibilità energetica. La ricerca, pubblicata sulla prestigiosa rivista Journal of Automation of Electric Power Systems, introduce un approccio probabilistico in grado di prevedere con un’accuratezza senza precedenti il comportamento reale dei veicoli elettrici, tenendo conto delle incertezze legate al comportamento degli utenti e alle fluttuazioni dei prezzi dell’elettricità. Lavorando in collaborazione tra l’Università di Elettricità della Cina Settentrionale, l’Istituto di Ricerca Economica e Tecnologica di State Grid, la State Grid Corporation of China e l’Istituto di Ricerca Economica e Tecnologica di State Grid Zhejiang Electric Power Co., Ltd., il team guidato da Wang Haotian ha creato un modello che non si limita a calcolare la flessibilità teorica dei VE, ma ne modella la vera natura probabilistica, aprendo la strada a una rete elettrica più resiliente e sostenibile.
La transizione energetica globale ha reso la flessibilità della rete elettrica una priorità assoluta. Con l’aumento dell’energia rinnovabile, come quella solare ed eolica, la produzione di elettricità è diventata intrinsecamente variabile e imprevedibile. Il sole non splende sempre e il vento non soffia costantemente, creando una sfida costante per gli operatori di rete che devono mantenere un equilibrio perfetto tra domanda e offerta in ogni istante. In questo contesto, i veicoli elettrici emergono come una delle risorse più promettenti per fornire questa flessibilità. Ogni batteria di un VE non è solo un serbatoio di energia per il trasporto, ma potenzialmente un piccolo accumulatore distribuito in grado di interagire con la rete. Quando la rete ha un eccesso di energia rinnovabile, i VE possono caricare, assorbendo questa energia in eccesso. Durante i picchi di domanda, possono ridurre il loro consumo o, in futuro con la tecnologia Vehicle-to-Grid (V2G), restituire energia alla rete. Questa capacità di rispondere rapidamente alle esigenze della rete li trasforma da semplici consumatori in attori attivi, in grado di stabilizzare la rete, ridurre i costi e facilitare l’integrazione di una quota maggiore di energia pulita.
Tuttavia, il passaggio dal potenziale teorico alla realtà operativa è stato ostacolato da un problema fondamentale: l’incertezza umana. I modelli tradizionali di pianificazione della rete hanno spesso trattato la ricarica dei VE come un processo deterministico, assumendo che i conducenti si collegassero a orari fissi e seguissero un programma di carica ottimale predefinito. Altri approcci, noti come modelli di “batteria virtuale”, calcolano il limite superiore teorico della flessibilità che una flotta di VE potrebbe offrire se tutti i conducenti cooperassero perfettamente. Sebbene queste approssimazioni siano utili per definire i limiti massimi, falliscono miseramente nel mondo reale. Le decisioni di un conducente di collegare il proprio veicolo dipendono da una miriade di fattori: il suo orario di lavoro, un imprevisto, le condizioni meteorologiche o semplicemente il desiderio di uscire a cena. Questa “incertezza del comportamento di ricarica” è stata un ostacolo significativo per gli aggregatori di VE, le aziende che gestiscono flotte di veicoli per offrire servizi alla rete, che hanno bisogno di fare promesse affidabili agli operatori di rete.
Il team di ricerca cinese ha identificato un secondo e più sottile tipo di incertezza, che hanno chiamato “incertezza di risposta al prezzo”. Questo è un problema critico che nasce dalla struttura del mercato elettrico. Un aggregatore pianifica la ricarica dei VE per il giorno successivo basandosi sui prezzi dell’elettricità annunciati un giorno prima (il prezzo “day-ahead”). Tuttavia, il prezzo reale che viene addebitato ogni ora del giorno (il prezzo “in tempo reale”) può discostarsi significativamente dal prezzo pianificato a causa di cambiamenti imprevisti nell’offerta e nella domanda. Se l’aggregatore promette a un conducente di caricare la sua auto al prezzo più basso basato sul prezzo day-ahead, ma il prezzo in tempo reale risulta molto più alto, il conducente sentirà di essere stato ingannato. Questa perdita di fiducia mina la partecipazione ai programmi di gestione della domanda e rende il piano di carica ottimale del giorno precedente, in realtà, subottimale. Finora, i modelli esistenti non avevano incorporato adeguatamente questo divario tra pianificazione e realtà, lasciando un vuoto critico nell’accuratezza delle previsioni.
Per affrontare queste due fonti di incertezza, i ricercatori hanno sviluppato un modello rivoluzionario chiamato TAM-FPM (Modello Probabilistico di Flessibilità basato sul Meccanismo di Attenzione Temporale). A differenza dei modelli tradizionali che offrono una singola previsione, il TAM-FPM è un modello probabilistico. Non prevede un singolo valore per il carico o la flessibilità del VE, ma una distribuzione di probabilità. Ciò significa che non dice solo qual è il risultato più probabile, ma anche quanto sia incerto quel risultato, fornendo un intervallo di possibilità e la probabilità che ciascuna si verifichi. Questa informazione è inestimabile per il processo decisionale, poiché consente agli operatori di rete di valutare i rischi, pianificare con maggiore fiducia e progettare mercati più efficienti.
Il cuore del modello TAM-FPM è un’architettura di intelligenza artificiale sofisticata che combina due tecnologie di punta: il “Meccanismo di Attenzione Temporale” (TAM) e la “Rete di Convoluzione Temporale” (TCN). Il TAM funge da un filtro intelligente. Invece di trattare tutte le ore passate allo stesso modo, impara ad assegnare “pesi” diversi a momenti diversi del passato. Ad esempio, se c’è stato un picco di prezzo dell’elettricità alle 17:00 ieri, il meccanismo di attenzione può imparare che quel modello è altamente rilevante e dargli un’importanza enorme quando prevede i prezzi di oggi a quell’ora. Ciò consente al modello di concentrarsi sui segnali storici più significativi, rendendo le sue previsioni più contestuali e robuste.
La TCN, d’altra parte, è l’esperto nel rilevare modelli complessi nel tempo. A differenza delle reti neurali ricorrenti tradizionali che elaborano i dati passo dopo passo (il che può essere lento e perdere informazioni su eventi distanti), la TCN può analizzare l’intera cronologia dei dati in un colpo solo. I ricercatori hanno progettato una rete di “estrazione delle caratteristiche a più scale” che utilizza strati di convoluzione con dimensioni di filtro diverse. Un filtro piccolo può catturare fluttuazioni a breve termine, come picchi di prezzo di pochi minuti. Un filtro medio può identificare modelli giornalieri, come l’aumento della domanda al mattino. E un filtro grande può rilevare tendenze a lungo termine, come i cicli settimanali. Estraendo caratteristiche da queste diverse scale temporali contemporaneamente, il modello ottiene una comprensione olistica della dinamica del mercato elettrico e del comportamento degli utenti.
La vera innovazione risiede nell’integrazione di queste due tecnologie. Il meccanismo di attenzione identifica prima i momenti più importanti nella cronologia dei dati. Successivamente, la rete di convoluzione temporale prende questi input prioritizzati ed estrae modelli dettagliati attraverso più scale temporali. Questo processo in due fasi consente al modello di apprendere le complesse relazioni non lineari tra fattori come il prezzo day-ahead, il prezzo in tempo reale e il carico di ricarica risultante del VE. L’output è una distribuzione di probabilità completa, che descrive sia il valore atteso che l’incertezza che lo circonda.
Per validare il loro modello, i ricercatori hanno utilizzato dati reali dal mercato elettrico PJM negli Stati Uniti, uno dei mercati più grandi e dinamici al mondo. I dati includevano prezzi day-ahead e in tempo reale per l’intero anno 2020. Per simulare una flotta realistica di VE, hanno generato tramite campionamento Monte Carlo una popolazione di 100 veicoli, con parametri come orari di arrivo e partenza, stato di carica iniziale e obiettivo, basati su distribuzioni statistiche derivate da studi empirici. Il modello è stato addestrato con i dati dei primi 11 mesi dell’anno e valutato nell’ultimo mese, una pratica standard per testare la sua capacità di generalizzazione.
I risultati della valutazione sono stati impressionanti. Il modello TAM-FPM è stato confrontato con due modelli di riferimento ben consolidati: una Rete Neurale Multistrato (MLP) e una rete LSTM. Nelle metriche di accuratezza deterministica come l’Errore Assoluto Medio (MAE), il TAM-FPM ha dimostrato una maggiore precisione nel prevedere sia i prezzi in tempo reale che il carico di ricarica del VE. Tuttavia, il vero vantaggio del modello si è manifestato nelle metriche di valutazione probabilistica. Il modello ha ottenuto un punteggio di Probabilità Classificata Continua (CRPS) significativamente più basso, indicando una qualità superiore della previsione probabilistica.
Il punto forte è stato il rendimento del modello su due metriche chiave: affidabilità (reliability) e nitidezza (sharpness). L’affidabilità misura se gli intervalli di previsione del modello sono ben calibrati; se il modello dice che c’è una probabilità dell’80% che il valore reale rientri in un certo intervallo, allora dovrebbe essere vero circa l’80% delle volte. La nitidezza misura quanto siano stretti quegli intervalli di previsione; un modello più nitido è più preciso. Un modello ideale è sia affidabile che nitido. Il modello TAM-FPM ha eccelso in entrambe le aree. Ha ottenuto i valori più bassi di Deviazione Media di Copertura dell’Intervallo di Previsione (PIACD), indicando un’elevata affidabilità. Allo stesso tempo, ha prodotto gli intervalli di previsione più stretti (PIAW più basso), dimostrando un’eccezionale nitidezza. Questa combinazione mostra che il modello non fa ipotesi ampie e conservative, ma fa previsioni molto precise e sicure su un futuro incerto.
Un caso di studio particolarmente rivelatore si è concentrato sul 22 novembre 2020, un giorno con un picco pronunciato dei prezzi dell’elettricità tra le 16:00 e le 20:00, con il prezzo più alto alle 17:00. Il modello MLP ha previsto erroneamente che il picco di prezzo si sarebbe verificato alle 16:00, mentre il modello LSTM non ha colto la tendenza ascendente, producendo una previsione molto più piatta. Questi errori si sono tradotti in previsioni errate del carico di ricarica del VE. Al contrario, il modello TAM-FPM ha catturato con precisione il momento e l’entità del picco di prezzo. Di conseguenza, la sua previsione del carico del VE ha mostrato una chiara e tempestiva riduzione della domanda durante il periodo di prezzi elevati. Inoltre, gli intervalli di previsione del modello erano adattabili, allargandosi durante il periodo di volatilità del prezzo per riflettere una maggiore incertezza e restringendosi durante i periodi più stabili, una caratteristica assente nei modelli di riferimento.
Le implicazioni pratiche di questa ricerca sono profonde. Per gli operatori di rete, il modello TAM-FPM fornisce uno strumento potente per integrare milioni di veicoli elettrici nella loro pianificazione operativa. Offrendo una previsione probabilistica precisa e affidabile della flessibilità del VE, consente una programmazione più efficiente di altre risorse di generazione, riduce il rischio di instabilità della rete e abbassa il costo totale dell’acquisizione di servizi di flessibilità. Per gli aggregatori di veicoli elettrici, il modello può essere utilizzato per progettare programmi di risposta alla domanda più efficaci, ottimizzare gli orari di ricarica per minimizzare i costi dei clienti e generare maggiore fiducia con i proprietari di veicoli offrendo una gestione energetica più trasparente e precisa. La capacità di modellare con precisione il divario tra i prezzi day-ahead e in tempo reale è particolarmente preziosa, poiché consente agli aggregatori di gestire meglio il loro rischio finanziario e offrire prezzi più stabili ai loro clienti.
In futuro, il team di ricerca ha delineato diverse strade promettenti per proseguire questo lavoro. Sebbene il modello attuale si concentri sulla risposta basata sui prezzi, lo stesso framework può essere esteso ad altre applicazioni come la regolazione della frequenza e l’appiattimento dei picchi, che sono guidate da segnali di controllo diretti dalla rete piuttosto che dai prezzi di mercato. Questi scenari implicano diversi tipi di incentivi e vincoli, e modellare l’incertezza di risposta ai comandi diretti presenta un nuovo insieme di sfide. I ricercatori suggeriscono anche che il modello potrebbe essere adattato per tenere conto della distribuzione spaziale dei VE, poiché i modelli di carica dei veicoli nei centri urbani possono differire significativamente da quelli delle zone suburbane o rurali. Inoltre, l’integrazione di dati da VE con capacità V2G, che possono restituire energia alla rete, aggiungerebbe un altro livello di complessità e potenziale valore al modello di flessibilità.
In conclusione, lo sviluppo del modello TAM-FPM rappresenta un salto significativo nel campo della tecnologia delle reti intelligenti. Sfruttando il potere dell’apprendimento profondo con un meccanismo di attenzione sofisticato e un’estrazione di caratteristiche a più scale, il team di ricerca ha creato un modello che cattura la vera natura probabilistica della flessibilità del VE. Questo lavoro sposta la conversazione oltre il potenziale teorico e fornisce una soluzione pratica, basata sui dati, per gestire la relazione dinamica tra i sistemi di trasporto e di energia. Mentre il mondo continua la sua transizione verso un futuro a basse emissioni di carbonio, la capacità di gestire intelligentemente le risorse energetiche distribuite come i veicoli elettrici sarà fondamentale. Questa ricerca, con il suo focus su precisione, affidabilità e applicabilità pratica, fornisce una base solida per costruire la prossima generazione di reti elettriche intelligenti e resilienti.
Wang Haotian, Università di Elettricità della Cina Settentrionale; Liu Dong, State Grid Economic and Technological Research Institute Co., Ltd.; Qin Jishuo, State Grid Economic and Technological Research Institute Co., Ltd.; Shi Rui, State Grid Corporation of China; Dan Yangqing, State Grid Zhejiang Electric Power Co., Ltd.; Sun Yingyun, Università di Elettricità della Cina Settentrionale. Journal of Automation of Electric Power Systems. DOI: 10.7500/AEPS20230625007