Nuova strategia ottimizza sistemi elettrici e stradali con ritardi del traffico
L’ascesa inarrestabile dei veicoli elettrici (VE) sta ridefinendo non solo il modo in cui ci spostiamo, ma anche come interagiscono due delle infrastrutture più vitali delle nostre città: la rete elettrica e la rete stradale. Questa crescente interdipendenza ha dato vita a un nuovo paradigma noto come Sistema di Accoppiamento Energia-Traffico (PTCS). In questo complesso ecosistema, ogni decisione presa da un guidatore di un veicolo elettrico – quando e dove ricaricare – ha un impatto diretto e immediato sulla stabilità della rete elettrica e sul flusso del traffico urbano. Una ricerca pionieristica, pubblicata sulla prestigiosa rivista Proceedings of the CSU-EPSA, introduce un approccio rivoluzionario per gestire questo sistema integrato, affrontando un fattore critico spesso trascurato: il ritardo intrinseco delle informazioni sul traffico.
Condotta da Liu Jue, Mu Yunfei, Dong Xiaohong e Jia Hongjie dell’Università di Tianjin e dell’Università di Tecnologia di Hebei, questa ricerca sfida le basi delle strategie di ricarica tradizionali. L’argomento centrale è semplice ma profondo: le informazioni sul traffico che i guidatori utilizzano per pianificare il loro percorso e scegliere una stazione di ricarica sono, per loro natura, datate. Esiste un “fattore di ritardo del traffico” tra il momento in cui un’informazione (ad esempio, la congestione su una strada) viene raccolta e il momento in cui un veicolo effettivamente la sperimenta. Ignorare questo scarto temporale, sostengono i ricercatori, porta a decisioni subottimali che possono aggravare la congestione stradale e creare carichi imprevisti sulla rete elettrica, minando l’efficienza di tutto il sistema.
“Le applicazioni di navigazione e ricarica attuali operano con una fotografia statica del presente”, spiega Mu Yunfei, uno degli autori principali. “Ma il traffico è un sistema dinamico, in continua evoluzione. Se le nostre raccomandazioni non incorporano una previsione del futuro basata sulle condizioni passate, diventano rapidamente obsolete e controproducenti. Stiamo cercando di aggiungere una dimensione temporale alla presa di decisione.”
Il Problema del Ritardo nelle Informazioni in Tempo Reale
I modelli convenzionali per la gestione dell’infrastruttura di ricarica dei veicoli elettrici partono spesso dal presupposto che i guidatori prendano decisioni basandosi su dati in tempo reale riguardanti il traffico e i prezzi di ricarica. In teoria, un guidatore potrebbe vedere sulla sua app che la stazione di ricarica A ha pochi veicoli in attesa e che il percorso verso di essa è sgombro, quindi sceglie quella opzione. Nella pratica, tuttavia, la realtà è molto più caotica.
Le informazioni sul flusso di traffico vengono raccolte a intervalli, elaborate e poi distribuite agli utenti. Questo processo richiede tempo. Mentre un guidatore sta prendendo una decisione basata su dati che hanno, diciamo, cinque minuti di ritardo, centinaia di altri guidatori stanno prendendo decisioni simili basate sugli stessi dati. Il risultato è una valanga di veicoli che si dirigono tutti verso la stessa destinazione, trasformando una stazione di ricarica a basso traffico in un collo di bottiglia in pochi minuti. Questo fenomeno, noto come “effetto gregge”, aggrava la congestione stradale e sovraccarica le stazioni di ricarica e le sottostazioni elettriche locali.
Inoltre, il ritardo significa che i guidatori possono trovarsi in condizioni di traffico che non avevano previsto, aumentando il loro tempo di viaggio, il consumo di energia e, in ultima analisi, il loro costo totale di spostamento. Per la rete elettrica, questo modello di ricarica erratico crea picchi di domanda imprevisti che possono causare perdite di energia, cali di tensione e la necessità di rafforzare l’infrastruttura, con costi significativi. Il team di Liu Jue sostiene che la radice di molti di questi problemi è l’assenza di un modello che riconosca e sfrutti attivamente il “fattore di ritardo del traffico”.
Una Soluzione Basata sulla Predizione Spaziotemporale
Per superare questa limitazione, i ricercatori hanno sviluppato un framework a due livelli che integra il fattore di ritardo del traffico direttamente nel cuore del processo decisionale. Il primo livello è un modello di previsione spaziotemporale della domanda di ricarica dei veicoli elettrici. Invece di simulare un comportamento di guida statico, il modello utilizza simulazioni del traffico per tracciare il movimento di migliaia di veicoli elettrici (5.000 nel loro caso di studio) nell’arco di un’intera giornata.
Ogni veicolo virtuale possiede caratteristiche realistiche: una capacità della batteria, uno stato di carica iniziale, un’ora di partenza e una catena di viaggio (una serie di destinazioni che deve raggiungere). Quando il modello determina che un veicolo ha bisogno di ricarica (perché la sua batteria è sotto una certa soglia o l’autonomia residua è insufficiente per il prossimo tratto), si attiva il secondo componente chiave: il calcolo del fattore di ritardo del traffico.
Questo fattore viene calcolato analizzando dati storici sul flusso di traffico. L’idea è trovare l’intervallo di tempo che massimizza la correlazione tra il flusso di traffico su un segmento stradale e il flusso sul segmento immediatamente a valle. Ad esempio, se il traffico sull’Autostrada X alle 17:00 predice con maggiore precisione il traffico sulla Via Y alle 17:10, allora il fattore di ritardo per quel tratto è di 10 minuti. Questo valore non è una supposizione, ma una metrica derivata da dati reali.
Una volta noto questo fattore, viene utilizzato per prevedere le condizioni di traffico che un veicolo incontrerà nel futuro, non quelle che esistono al momento della decisione. Invece di raccomandare il percorso con il tempo di viaggio attuale più breve, il modello raccomanda il percorso con il tempo di viaggio previsto più breve. Ciò significa che un guidatore potrebbe essere indirizzato verso un percorso che attualmente ha un po’ di traffico, ma che si prevede si sgomberi, piuttosto che verso un percorso che ora è sgombro ma che si prevede si saturi a causa della valanga di veicoli in arrivo. Questa previsione proattiva è il nucleo della strategia.
Ottimizzazione del Sistema per Minimizzare il Costo Totale
Il secondo livello del framework è un modello di ottimizzazione che mira a minimizzare il costo totale di esercizio del sistema PTCS. Questo costo non si concentra solo sul guidatore, ma è una somma di quattro componenti:
- Costo della rete elettrica: Questo è misurato principalmente dalle perdite di energia (perdite nella rete) che si verificano quando vengono trasmesse grandi quantità di elettricità per ricaricare i veicoli. Queste perdite sono inefficienti e costose.
- Costo della rete stradale: Questo è il costo collettivo del tempo che tutti i veicoli trascorrono nel traffico. Gli ingorghi e i tempi di viaggio prolungati hanno un impatto economico e ambientale.
- Costo delle stazioni di ricarica: Questo include principalmente il costo di acquisto di elettricità dalla rete principale, che può essere più elevato durante i periodi di punta.
- Costo per l’utente del VE: Questo è il costo totale per il guidatore, che include il tempo di viaggio fino alla stazione, il tempo di attesa in coda e il prezzo finale della ricarica.
Il modello di ottimizzazione simula l’intero processo per ogni veicolo che ha bisogno di ricarica. Per ogni stazione di ricarica fattibile, calcola il costo totale del sistema che si verificherebbe se il veicolo scegliesse quella stazione. Ciò implica simulare il suo viaggio (utilizzando il modello di previsione con ritardo), il suo tempo di attesa (basato su code simulate) e l’impatto della sua ricarica sulla rete elettrica (utilizzando calcoli di flusso di carica). La stazione di ricarica che risulta nel costo totale più basso per l’intero sistema (rete elettrica + rete stradale + stazione + utente) viene identificata come la scelta ottimale.
Per rafforzare questa ottimizzazione, il modello incorpora uno schema di prezzi dinamico. Quando una stazione di ricarica si avvicina alla sua capacità, il suo prezzo aumenta leggermente. Questo aumento agisce come un segnale di mercato, disincentivando i guidatori a scegliere quella stazione e distribuendo così il carico in modo più uniforme. “Non si tratta di controllare il guidatore”, sottolinea Dong Xiaohong. “Si tratta di creare un sistema di incentivi che guidi le decisioni individuali verso un risultato collettivo più efficiente. È una soluzione vantaggiosa per tutti che si ottiene attraverso una migliore utilizzazione dei dati.”
Risultati Convincenti della Simulazione
L’efficacia di questa strategia è stata validata attraverso uno studio di caso dettagliato che combinava una rete stradale di 24 nodi con una rete di distribuzione elettrica modificata basata sullo standard IEEE 33-bus. Sono stati confrontati tre scenari:
- Scenario 1: Senza considerare il ritardo del traffico, prezzi fissi, funzionamento indipendente delle reti.
- Scenario 2: Senza considerare il ritardo del traffico, ma con prezzi dinamici e funzionamento coordinato.
- Scenario 3: La strategia proposta, con fattore di ritardo del traffico, prezzi dinamici e funzionamento coordinato.
I risultati sono stati conclusivi. Rispetto allo Scenario 1 (la linea di base), la strategia proposta (Scenario 3) ha ridotto il costo totale di esercizio del sistema del 12,7%. Anche rispetto allo Scenario 2, che rappresentava già un miglioramento, è stata raggiunta una riduzione aggiuntiva del 6,3%.
La riduzione dei costi si è distribuita su tutti i componenti. Il traffico ha beneficiato enormemente: il carico di ricarica si è distribuito in modo molto più uniforme tra le stazioni, evitando il sovraccarico locale. Un indicatore chiave, l’Indice di Prestazione del Traffico (TPI), ha mostrato che il numero di tratti stradali gravemente congestionati (TPI > 0,8) è diminuito del 28% nello Scenario 3 rispetto allo Scenario 1.
La rete elettrica ha anche visto miglioramenti significativi. Le perdite nella rete sono state ridotte del 15,4% perché la ricarica è stata distribuita in modo più efficiente nel tempo e nello spazio, evitando picchi di domanda che stressano l’infrastruttura. Questa efficienza non risparmia solo denaro, ma aumenta anche la resilienza del sistema.
Implicazioni per il Futuro delle Città Intelligenti
Questa ricerca ha profonde implicazioni per lo sviluppo di città intelligenti e sostenibili. Dimostra che la chiave per gestire l’elettrificazione dei trasporti non è l’ottimizzazione di sistemi isolati, ma la comprensione e la gestione delle loro interazioni. La strategia proposta offre una strada pratica per le aziende elettriche, le autorità del traffico e i pianificatori urbani.
Per le aziende elettriche, questo significa un modo per gestire proattivamente il crescente carico dei veicoli elettrici senza dover investire immediatamente e in modo costoso nel rafforzamento dell’infrastruttura di rete. Per le città, offre uno strumento per ridurre la congestione, migliorare la qualità dell’aria e rendere i viaggi più prevedibili. E per i guidatori, promette un’esperienza di ricarica più affidabile, con meno tempo di attesa e potenzialmente costi più bassi.
L’implementazione di questa strategia richiede una collaborazione senza precedenti. Richiede dati in tempo reale sui flussi di traffico, sul carico delle stazioni e sullo stato della rete elettrica, tutti integrati in una piattaforma centrale. Ciò esige standard di dati aperti, protocolli di comunicazione sicuri e piattaforme di calcolo cloud robuste.
La Strada da Percorrere
Gli autori vedono il loro lavoro come un passo fondamentale, ma non l’ultimo. Pianificano di estendere il modello per includere la ricarica notturna domestica, che rappresenta una parte significativa del consumo energetico dei veicoli elettrici. Inoltre, cercano di incorporare tecnologie Vehicle-to-Grid (V2G), in cui i veicoli elettrici non solo consumano energia, ma possono anche restituirla alla rete, aggiungendo un nuovo livello di flessibilità.
L’implementazione pratica probabilmente avverrà sotto forma di una piattaforma di “navigazione intelligente” che agisca come un centro di controllo per la mobilità elettrica. Questa piattaforma riceverebbe dati da molteplici fonti, calcolerebbe le raccomandazioni ottimali in tempo reale e le trasmetterebbe ai guidatori attraverso le loro app di navigazione esistenti. L’accettazione da parte dell’utente sarà cruciale, e gli incentivi, come sconti per seguire percorsi ottimizzati, potrebbero essere necessari per incoraggiare la partecipazione.
In sintesi, il lavoro di Liu Jue, Mu Yunfei, Dong Xiaohong e Jia Hongjie rappresenta un progresso significativo nell’integrazione dell’energia e dei trasporti. Concentrandosi sul fattore di ritardo del traffico, hanno sviluppato una soluzione che non è solo teoricamente solida, ma anche praticamente applicabile. La loro strategia dimostra che anticipando la dinamica del mondo reale, possiamo creare città più efficienti, resilienti e sostenibili per tutti.
Pubblicato da Liu Jue, Mu Yunfei, Dong Xiaohong e Jia Hongjie dell’Università di Tianjin e dell’Università di Tecnologia di Hebei su Proceedings of the CSU-EPSA, DOI: 10.19635/j.cnki.csu-epsa.001411.