Nuova Strategia di Guida alla Ricarica per Veicoli Elettrici
La rivoluzione della mobilità elettrica è in pieno svolgimento, e con essa si intensifica la necessità di una gestione intelligente e sostenibile della rete di ricarica. Mentre il numero di veicoli elettrici (EV) cresce esponenzialmente, le città di tutto il mondo si trovano di fronte a una sfida cruciale: come garantire un’esperienza di ricarica fluida, rapida ed economica per tutti gli utenti, evitando congestionamenti e lunghe attese alle stazioni più popolari? Un team di ricercatori della Beijing Jiaotong University ha sviluppato un innovativo sistema di guida alla ricarica che promette di risolvere questi problemi, combinando modelli predittivi avanzati con una sofisticata teoria dell’ottimizzazione.
La ricerca, guidata dalla professoressa Su Su e condotta in collaborazione con Wang Jianxiang, Li Yujing, Nie Xiaobo e Xiang Wenxu del Dipartimento di Ingegneria Elettrica, insieme a Wang Lei dell’azienda CCCC Mechanical & Electrical Engineering, introduce una strategia basata su un modello di Huff dinamico e sulla teoria del matching bilaterale. Questo approccio, pubblicato sulla prestigiosa rivista Automation of Electric Power Systems (DOI: 10.7500/AEPS20230731008), non si limita a indicare la stazione di ricarica più vicina, ma crea un sistema di raccomandazione personalizzato e bidirezionale che massimizza la soddisfazione sia degli utenti che degli operatori delle stazioni.
Il cuore del sistema risiede nell’analisi di un vasto dataset reale proveniente da Chengdu, una delle città leader in Cina per l’adozione dei veicoli elettrici. I ricercatori hanno esaminato migliaia di registrazioni di ricarica, flussi di traffico e dettagli tecnici delle stazioni, rivelando modelli di comportamento chiave. Lo studio ha dimostrato che gli utenti sono estremamente sensibili al prezzo: circa il 75% delle ricariche avviene in stazioni che rientrano nella metà più economica del mercato. Un altro fattore determinante è il costo del parcheggio, con l’86% delle ricariche effettuate in stazioni che offrono parcheggio gratuito. Infine, la qualità percepita è fondamentale: l’82% degli utenti sceglie stazioni con una valutazione di almeno 4 stelle su 5. Questi dati hanno permesso ai ricercatori di quantificare con precisione ciò che rende una stazione di ricarica “attraente” agli occhi del consumatore.
Per tradurre queste intuizioni in un algoritmo operativo, il team ha sviluppato un “modello di Huff dinamico”. Originariamente utilizzato nel settore del retail per prevedere dove i clienti sceglieranno di fare acquisti, il modello è stato adattato per il contesto della ricarica elettrica. L’idea di base è semplice: la probabilità che un utente scelga una stazione dipende da due fattori principali: la sua “attrattività” e il tempo di viaggio necessario per raggiungerla. L’attrattività di una stazione non è fissa, ma viene calcolata in tempo reale e tiene conto di variabili come il numero di stalli disponibili, il prezzo per kWh, la presenza di parcheggio gratuito e la valutazione media degli utenti. Il tempo di viaggio, a sua volta, non è solo il tempo sulla strada principale, ma include anche una stima del tempo necessario per trovare un posto libero all’interno della stazione e per accedere al punto di ricarica, un dettaglio spesso trascurato ma cruciale per un’esperienza utente reale.
Questo modello dinamico genera liste di raccomandazione personalizzate per ogni utente, basate sulla sua posizione e direzione di marcia. Tuttavia, il vero balzo in avanti della ricerca risiede nell’integrazione della “teoria del matching bilaterale”. A differenza dei sistemi tradizionali che funzionano in modo unidirezionale (dalla stazione all’utente), questo approccio riconosce che la relazione è reciproca. Non si tratta solo di indirizzare un utente verso una stazione, ma di creare una “coppia” ottimale in cui entrambe le parti traggono beneficio.
Il sistema utilizza la teoria delle prospettive, un concetto di economia comportamentale che riconosce che le persone non prendono decisioni in modo puramente razionale. Siamo più sensibili alle perdite che ai guadagni, e questo influenza le nostre scelte. Un utente potrebbe, ad esempio, essere disposto a percorrere un chilometro in più per evitare una tariffa di ricarica elevata o per avere la certezza di un posto libero. Il modello di Su Su incorpora questa psicologia, calcolando non solo il costo oggettivo, ma anche il “valore soggettivo” della scelta per l’utente.
Per l’operatore della stazione, il beneficio è altrettanto tangibile. Il sistema prevede la domanda e distribuisce gli utenti in modo da evitare picchi di affluenza e periodi di inattività. Questo si traduce in una maggiore utilizzazione degli impianti e in un incremento dei ricavi orari. L’obiettivo finale è un’ottimizzazione congiunta: massimizzare la soddisfazione dell’utente (riducendo i tempi di attesa, i costi e migliorando la qualità del servizio) e la soddisfazione dell’operatore (aumentando l’efficienza operativa e i profitti).
Per testare la validità della loro strategia, i ricercatori hanno condotto una simulazione su larga scala nell’area centrale di Chengdu, una rete complessa di 155 nodi stradali principali, 514 segmenti di strada e 101 stazioni di ricarica rapida con un totale di 1.580 punti di ricarica. I risultati sono stati straordinari. Rispetto a uno scenario in cui gli utenti si dirigono semplicemente alla stazione più vicina disponibile, la nuova strategia ha ridotto la probabilità di attesa a zero. Non un solo utente ha dovuto fare la fila. I costi medi di ricarica sono scesi da 31,54 a 24,28 yuan (circa 3,4 euro), una riduzione del 23%. Gli utenti sono stati guidati verso stazioni di qualità superiore, con una valutazione media che è salita da 4,14 a 4,62 stelle. Per gli operatori, l’effetto è stato altrettanto positivo: l’utilizzo delle stazioni è aumentato e i ricavi orari sono cresciuti del 14%, passando da 9.896 a 11.327 yuan.
Un aspetto particolarmente interessante dello studio è la capacità del sistema di segmentare gli utenti in base alle loro preferenze. Attraverso un’analisi dei dati, il team ha identificato tre tipologie principali: gli utenti sensibili al tempo, quelli sensibili al prezzo e quelli sensibili al servizio. Il sistema è in grado di riconoscere queste diverse priorità e di fornire raccomandazioni mirate. Gli utenti sensibili al tempo sono guidati verso stazioni raggiungibili in un tempo minimo, anche a un costo leggermente superiore. Gli utenti sensibili al prezzo ricevono suggerimenti per le opzioni più economiche, anche se richiedono un tragitto più lungo. Gli utenti sensibili al servizio, infine, sono indirizzati alle stazioni con le valutazioni più alte, garantendo un’esperienza premium. Questa personalizzazione profonda è ciò che distingue il sistema da qualsiasi altra app di navigazione esistente.
La velocità di risposta del sistema è un’altra sua caratteristica vincente. In media, il tempo necessario per calcolare una raccomandazione completa è inferiore a 0,5 millisecondi, anche in condizioni di alta richiesta (fino a 400 richieste al minuto). Questa efficienza computazionale è essenziale per un’applicazione in tempo reale su scala urbana. Il sistema aggiorna le sue liste di raccomandazione ogni cinque minuti o quando uno dei punti di ricarica nella lista diventa occupato, garantendo che le informazioni siano sempre aggiornate e affidabili.
La scalabilità è un altro punto di forza. A differenza di alcuni modelli precedenti la cui complessità aumenta in modo quadratico con la dimensione della rete, la complessità del modello di Su Su cresce linearmente con la dimensione della lista di raccomandazione. Questo significa che può essere facilmente implementato in città molto più grandi di Chengdu, senza il rischio di rallentamenti o crash del sistema.
Il sistema offre anche un alto grado di flessibilità. I ricercatori hanno dimostrato che è possibile regolare il “peso” dato alla soddisfazione dell’utente rispetto a quella dell’operatore. Se si vuole massimizzare il benessere dell’utente, si possono ottenere costi ancora più bassi e stazioni di qualità superiore, a scapito di un leggero calo dei ricavi degli operatori. Al contrario, se l’obiettivo è massimizzare i profitti degli operatori, il sistema può essere sintonizzato di conseguenza. Questa capacità di adattamento lo rende adatto a diversi scenari: dalle amministrazioni pubbliche che vogliono offrire un servizio ottimale ai cittadini, agli operatori privati che cercano di massimizzare il ritorno sul loro investimento.
Le implicazioni di questo lavoro vanno ben oltre la semplice comodità. Un sistema di guida intelligente può avere un impatto significativo sulla stabilità della rete elettrica. Distribuendo in modo più uniforme la domanda di ricarica nel tempo e nello spazio, si possono evitare picchi di carico che metterebbero a dura prova la rete, specialmente durante le ore di punta. Questo è un passo fondamentale verso un’infrastruttura energetica più resiliente e sostenibile.
Il successo di questa ricerca è un esempio lampante di come la collaborazione interdisciplinare possa portare a soluzioni innovative. Unendo competenze in ingegneria elettrica, scienza dei dati, teoria dei trasporti ed economia comportamentale, il team di Su Su ha creato una soluzione che è tecnicamente robusta e, al contempo, profondamente attenta alle reali esigenze degli esseri umani. Il loro lavoro dimostra che il futuro della mobilità non è solo nei motori e nelle batterie, ma anche negli algoritmi e nei sistemi intelligenti che li governano.
Su Su, Wang Jianxiang, Wang Lei, Li Yujing, Nie Xiaobo, Xiang Wenxu, School of Electrical Engineering, Beijing Jiaotong University; Automation of Electric Power Systems, DOI: 10.7500/AEPS20230731008