Nuova strategia migliora l’integrazione V2G per la regolazione dei picchi
L’integrazione dei veicoli elettrici (VE) nelle reti elettriche moderne si è affermata come uno dei pilastri fondamentali della transizione energetica globale. Con proiezioni che indicano che la Cina potrebbe avere circa 390 milioni di veicoli elettrici in circolazione entro il 2060, la sfida di gestire il loro impatto collettivo sulla stabilità della rete, specialmente durante i periodi di massima domanda, è diventata sempre più pressante. Uno studio innovativo pubblicato sulla rivista Automation of Electric Power Systems presenta una strategia di controllo in tempo reale a più livelli progettata per sfruttare la flessibilità di flotte massicce di veicoli elettrici, consentendo loro di partecipare attivamente alla regolazione dei picchi di rete con una precisione e velocità senza precedenti.
La ricerca, guidata da Hu Junjie del Laboratorio Statale di Sistemi Elettrici Alternativi con Fonti di Energia Rinnovabili dell’Università della Potenza Elettrica del Nord della Cina, in collaborazione con Wang Wen e Yang Ye di State Grid Smart Internet of Vehicles Co., Ltd., affronta due colli di bottiglia critici nei modelli di aggregazione dei veicoli elettrici attuali: bassa precisione di controllo e tempi di calcolo eccessivi. Queste limitazioni hanno storicamente ostacolato la capacità degli aggregatori di veicoli elettrici di soddisfare in modo affidabile i rigorosi requisiti di prestazione dei mercati elettrici, dove le deviazioni dalle curve di potenza obiettivo possono escludere i partecipanti da incentivi finanziari.
Il quadro proposto ridefinisce il modo in cui i veicoli elettrici vengono gestiti su larga scala, introducendo un’architettura di controllo gerarchica che combina clustering basato sui dati, modellazione robusta dei limiti e controllo predittivo basato su modelli (MPC) per ottenere una risposta in tempo reale. A differenza degli approcci centralizzati tradizionali che trattano tutti i veicoli elettrici in modo uniforme, questa strategia riconosce l’eterogeneità dell’infrastruttura di ricarica e del comportamento degli utenti, creando un meccanismo di controllo più sfumato ed efficace.
Al centro della metodologia si trova una sofisticata tecnica di clustering applicata ai dati delle stazioni di ricarica. Analizzando i record storici di esecuzione della potenza da un set di dati del mondo reale a Shanghai, i ricercatori hanno estratto due indicatori chiave di prestazione: precisione di risposta e precisione di adattamento della potenza. La precisione di risposta misura quanto vicina sia l’uscita di potenza effettiva di un caricabatterie al suo ingresso di comando, mentre la precisione di adattamento della potenza valuta quanto bene un modello lineare possa prevedere l’esecuzione in base ai valori di potenza in tempo reale e di comando. Queste metriche servono come base per raggruppare i caricabatterie in cluster distinti, consentendo all’aggregatore di differenziare tra unità ad alte prestazioni e quelle a precisione più bassa.
Per garantire l’integrità del processo di clustering, il team ha impiegato un algoritmo a due fasi. Innanzitutto, il metodo DBSCAN (Clustering Spaziale Basato sulla Densità di Applicazioni con Rumore) è stato utilizzato per identificare e isolare i caricabatterie anomali con comportamento erratico o poco affidabile; questi sono stati classificati come punti di rumore ed esclusi dai loop di controllo primari. I caricabatterie rimanenti sono stati quindi raggruppati utilizzando l’algoritmo k-means++, che migliora la stabilità del cluster ottimizzando la selezione iniziale dei centroidi. Questo approccio duale non solo migliora la rappresentatività di ogni cluster, ma aumenta anche la robustezza generale del sistema di controllo minimizzando l’influenza dell’hardware con prestazioni scadenti.
I risultati del clustering hanno rivelato quattro gruppi distinti, ciascuno caratterizzato da combinazioni uniche di precisione di risposta e precisione di adattamento. Ad esempio, il Cluster 1 ha mostrato un’elevata precisione di adattamento (R² = 0,984) ma rapporti di risposta leggermente elevati (1,182), indicando una tendenza a superare i livelli di potenza comandati. Al contrario, il Cluster 2 ha dimostrato prestazioni equilibrate con una precisione di risposta di 1,090 e una precisione di adattamento di 0,923. Queste intuizioni consentono all’aggregatore di assegnare in modo strategico i compiti di controllo, privilegiando i cluster ad alta precisione per le operazioni di fine tuning mentre riserva altri per gli aggiustamenti di potenza di massa.
Basandosi su questa classificazione sensibile all’infrastruttura, i ricercatori hanno sviluppato un modello robusto di limite di regolabilità della potenza che tiene conto sia delle esigenze di ricarica rigide che di quelle flessibili. I veicoli elettrici rigidi—quelli che richiedono una ricarica immediata e ad alta potenza a causa di piani di viaggio urgenti—sono trattati come risorse semi-flessibili, con una piccola riduzione consentita (fino al 10%) della potenza di ricarica per supportare le esigenze della rete. I veicoli elettrici flessibili, i cui proprietari sono disposti a ritardare o modulare la ricarica in cambio di incentivi finanziari, formano il nucleo della flotta controllabile.
Il modello del limite calcola i limiti superiore e inferiore di regolazione della potenza per ogni veicolo elettrico in base al suo stato di carica (SOC), all’ora di partenza e alla capacità della batteria. Per l’aggiustamento verso l’alto, il modello determina la potenza aggiuntiva massima che un veicolo elettrico può assorbire senza superare il suo limite di SOC, considerando sia i periodi immediati che quelli differiti. Per l’aggiustamento verso il basso, valuta quanta potenza può essere differita garantendo che il veicolo raggiunga il suo SOC obiettivo all’ora di partenza. Questa stima dinamica dei limiti garantisce che le esigenze degli utenti siano rispettate mentre si massimizza il potenziale di servizio per la rete.
Un’innovazione chiave risiede nella semplificazione di questo calcolo del limite. Invece di fare affidamento su solutori computazionalmente intensivi per ogni passo temporale, i ricercatori hanno derivato espressioni in forma chiusa che approssimano la soluzione ottimale con alta fedeltà. Ciò consente una rapida ricalibrazione dei limiti di potenza man mano che gli stati dei veicoli evolvono, un requisito critico per il controllo in tempo reale. L’approccio trasforma ciò che sarebbe normalmente un problema di ottimizzazione complesso in una serie di operazioni aritmetiche efficienti, riducendo significativamente il sovraccarico di elaborazione.
L’architettura di controllo in sé opera su un quadro a doppio livello e a più scale temporali. A livello superiore, la deviazione totale di potenza tra la curva obiettivo del mercato e l’uscita attuale della flotta di veicoli elettrici viene assegnata attraverso i cluster. Questa assegnazione considera sia la precisione di risposta che il costo di regolazione di ciascun cluster, privilegiando le unità ad alta precisione per minimizzare l’errore di tracciamento. La funzione obiettivo bilancia due obiettivi in competizione: massimizzare la precisione di controllo e minimizzare il numero di comandi di potenza emessi (un proxy per il costo di comunicazione e operativo).
Il secondo livello distribuisce gli aggiustamenti di potenza a livello di cluster ai singoli veicoli elettrici. Qui, l’algoritmo incorpora un meccanismo di assegnazione basato sulle priorità che considera il SOC di ciascun veicolo e il tempo fino alla partenza. I veicoli elettrici con SOC più basso o partenza imminente hanno una priorità più alta, garantendo che ricevano una carica sufficiente anche in condizioni di restrizione. Inoltre, il modello penalizza le grandi fluttuazioni nella potenza di ricarica tra intervalli consecutivi, promuovendo un’operazione più fluida che riduce lo stress sia sulla batteria del veicolo che sulla rete.
Per migliorare ulteriormente la precisione, il sistema introduce un loop di correzione fine che opera in intervalli di 3 minuti all’interno del periodo standard di liquidazione del mercato di 15 minuti. Ogni tre minuti, la potenza effettiva di uscita della flotta viene confrontata con la traiettoria pianificata. Se la deviazione supera una soglia predefinita, viene innescato un rapido riconteggio, concentrandosi esclusivamente sui cluster ad alta precisione identificati in precedenza. A questi cluster viene affidato il compito di assorbire l’errore residuo attraverso aggiustamenti di potenza mirati, effettivamente “affinando” l’uscita generale.
Questo secondo loop di correzione è progettato per velocità ed efficienza. Invece di ripetere l’ottimizzazione dell’intera flotta, tratta l’allocazione dell’energia di 15 minuti per ogni veicolo elettrico come una quantità fissa e la ridistribuisce attraverso i sottointervalli rimanenti. L’obiettivo è minimizzare la differenza tra l’energia effettivamente consegnata e quella desiderata, assegnando un carico di correzione maggiore ai caricabatterie più affidabili. Questo approccio garantisce che il sistema possa rispondere a perturbazioni impreviste—come una caduta improvvisa di potenza dovuta a un malfunzionamento del caricabatterie—senza incorrere nel ritardo computazionale di un riconteggio su larga scala.
L’efficacia della strategia proposta è stata validata attraverso una simulazione su larga scala che coinvolgeva 3.000 veicoli elettrici organizzati in 16 cluster. Lo scenario di prova copriva un periodo di 24 ore con segnali di mercato dinamici, riflettendo le variazioni del mondo reale nella domanda di regolazione dei picchi. I risultati sono stati convincenti: la precisione media di controllo ha superato il 97%, con le deviazioni di potenza che sono rimaste al di sotto della soglia di valutazione del mercato del 15% per l’intera simulazione. In particolare, il tempo di calcolo per singolo periodo è stato mediamente inferiore a 5 secondi, ben all’interno dei requisiti di tempo reale per un’implementazione pratica.
Un’analisi comparativa con un metodo di controllo centralizzato tradizionale ha evidenziato i vantaggi dell’approccio a più livelli. Mentre il modello centralizzato ha raggiunto una precisione comparabile in alcuni periodi, non è riuscito a soddisfare i requisiti di mercato durante un picco critico serale, con errori che hanno superato il 17%. Al contrario, il metodo proposto ha mantenuto prestazioni costanti, dimostrando una maggiore affidabilità. Inoltre, l’efficienza computazionale è stata significativamente maggiore, con la nuova strategia che completava i calcoli da 1 a 3 volte più velocemente della sua controparte centralizzata.
Le analisi di sensibilità hanno ulteriormente confermato la robustezza del quadro. I ricercatori hanno esaminato l’impatto di parametri chiave di ponderazione nelle funzioni di ottimizzazione, come il compromesso tra precisione e costo a livello di cluster, e l’equilibrio tra errore di tracciamento, priorità e livellamento della potenza a livello di veicolo elettrico. I risultati hanno mostrato che, sebbene la selezione dei parametri influenzi le prestazioni, il sistema rimane stabile ed efficace entro un intervallo ragionevole di valori. Questa flessibilità consente agli aggregatori di adattare la strategia di controllo ai loro obiettivi operativi specifici, sia che si tratti di massimizzare la precisione o di minimizzare le azioni di controllo.
Le implicazioni di questa ricerca vanno oltre le prestazioni tecniche. Consentendo un’integrazione più precisa e affidabile dei veicoli elettrici nella rete, la strategia apre la strada a una partecipazione più profonda nei mercati dei servizi ausiliari. Ciò potrebbe sbloccare nuovi flussi di entrate per i proprietari di veicoli elettrici e per gli aggregatori, rendendo i servizi di veicolo a rete (V2G) più economicamente sostenibili. Dal punto di vista di un operatore di rete, una flotta di veicoli elettrici gestita con tale precisione diventa una risorsa affidabile per bilanciare offerta e domanda, specialmente man mano che aumenta la penetrazione delle energie rinnovabili e la volatilità del sistema.
Lo studio sottolinea anche l’importanza di considerare le caratteristiche dell’hardware nella progettazione del controllo. La maggior parte dei modelli esistenti tratta i caricabatterie come attuatori idealizzati, assumendo un’esecuzione perfetta della potenza comandata. Incorporando dati del mondo reale sul comportamento di risposta dei caricabatterie, questo lavoro riconosce le realtà fisiche dell’infrastruttura, portando a risultati di controllo più precisi e pratici. Questo passaggio dall’astrazione al realismo rappresenta una maturazione del campo, avvicinandosi di più a soluzioni implementabili.
Guardando al futuro, gli autori sottolineano che il modello attuale si concentra esclusivamente sulla regolazione dei picchi all’interno di un quadro centrato sulla potenza. Lavori futuri amplieranno la portata per includere la partecipazione ai mercati energetici in tempo reale e l’accoppiamento delle reti di trasporto e dell’energia. L’incorporazione di incertezze spazio-temporali nei modelli di mobilità dei veicoli elettrici sarà essenziale per sviluppare strategie di controllo veramente adattative e resilienti.
In conclusione, la strategia di controllo in tempo reale a più livelli presentata da Hu Junjie e colleghi rappresenta un progresso significativo nel campo dell’integrazione dei veicoli elettrici con la rete. Combinando clustering basato sui dati, modellazione robusta dei limiti e un’architettura di controllo gerarchica e a più scale temporali, l’approccio raggiunge un livello di precisione ed efficienza che affronta le sfide fondamentali che gli aggregatori di veicoli elettrici devono affrontare oggi. Mentre procede la transizione energetica, tali innovazioni saranno fondamentali per trasformare milioni di veicoli elettrici individuali in un’asset coesivo, intelligente e prezioso per il sistema elettrico moderno.
Hu Junjie, Lu Jiayue, Ma Wenshuai, Li Gengyin, Wang Wen, Yang Ye, Laboratorio Statale di Sistemi Elettrici Alternativi con Fonti di Energia Rinnovabili, Università della Potenza Elettrica del Nord della Cina, State Grid Smart Internet of Vehicles Co., Ltd., Automation of Electric Power Systems, DOI: 10.7500/AEPS20231215003