Nuovo Modello Ottimizza Stazioni di Ricarica per Veicoli Elettrici
Un team di ricercatori cinesi ha sviluppato un approccio rivoluzionario per la pianificazione delle stazioni di ricarica per veicoli elettrici (VE), un modello che promette di trasformare le infrastrutture di ricarica da semplici punti di consumo a veri e propri asset strategici per la rete elettrica. Il lavoro, guidato da Ya-Hong Xing dell’Istituto di Ricerca Economica della State Grid Shanxi Electric Power Company e dell’Università di Tecnologia di Taiyuan, introduce un framework di pianificazione a due livelli che affronta simultaneamente tre sfide fondamentali: la crescente domanda di ricarica, la volatilità delle fonti rinnovabili e il comportamento dinamico degli utenti. I risultati, pubblicati sulla prestigiosa rivista Electric Power Systems Research, offrono una soluzione olistica per le città che mirano a una transizione energetica davvero sostenibile.
La corsa verso la mobilità elettrica è in pieno svolgimento, con milioni di nuovi veicoli elettrici che si aggiungono alle strade ogni anno. Tuttavia, questo successo porta con sé una serie di complessi problemi di ingegneria e pianificazione urbana. L’aggiunta massiccia di carichi elettrici, specialmente se concentrati in picchi di domanda, può mettere a dura prova le reti di distribuzione esistenti. Il paradosso più grande, tuttavia, riguarda la fonte di energia stessa. Perché la mobilità elettrica sia davvero a basse emissioni di carbonio, l’energia per ricaricare i veicoli deve provenire da fonti pulite come il vento e il sole. Ma queste fonti sono notoriamente intermittenti e imprevedibili. Il vento non soffia sempre, e il sole non splende di notte. Questo porta a un fenomeno noto come “curtailment”, o “abbandono di energia”, in cui i parchi eolici e solari devono essere temporaneamente spenti perché la rete non può assorbire tutta l’energia in eccesso. È un enorme spreco economico e un ostacolo significativo alla piena integrazione delle energie rinnovabili.
Il modello presentato dai ricercatori cinesi affronta questo problema alla radice, proponendo una pianificazione coordinata che vede le stazioni di ricarica non come un problema aggiuntivo, ma come una soluzione. L’idea centrale è che la ricarica dei veicoli elettrici possa essere gestita in modo intelligente per assorbire proprio questo eccesso di energia rinnovabile, agendo come una forma di accumulo distribuito. Tuttavia, per farlo, è necessario un livello di sofisticazione molto superiore a quello delle pianificazioni tradizionali, che spesso ignorano deliberatamente l’incertezza e si concentrano solo su costi e distanze.
Il cuore del nuovo modello è un sistema di ottimizzazione a due livelli, un approccio che simula un processo decisionale gerarchico. Al livello superiore, il modello si concentra sugli obiettivi di due attori principali: i gestori delle stazioni di ricarica e gli utenti dei veicoli elettrici. Per i gestori, l’obiettivo è minimizzare il costo annuale totale, che include l’investimento iniziale per la costruzione della stazione, l’acquisto dei punti di ricarica, i costi di manutenzione e operazione, e le perdite di rete. Per gli utenti, l’obiettivo è minimizzare il “costo equivalente”, un concetto che va oltre il semplice prezzo dell’elettricità e comprende il tempo e l’energia necessari per raggiungere la stazione, il tempo di attesa in coda e il costo dell’energia consumata. Il modello utilizza un algoritmo di ottimizzazione multi-obiettivo, un’evoluzione dell’algoritmo di sciami di particelle, per generare un insieme di soluzioni ottimali, noto come frontiera di Pareto. Questa frontiera rappresenta una serie di compromessi, mostrando come una soluzione che è migliore per il gestore possa essere peggiore per l’utente, e viceversa.
La vera innovazione, tuttavia, risiede nel livello inferiore. Ogni soluzione candidata generata al livello superiore non viene accettata automaticamente. Viene invece sottoposta a una rigorosa validazione al livello inferiore, dove l’obiettivo cambia radicalmente: minimizzare il tasso di abbandono di energia eolica e solare. Questo livello inferiore simula il comportamento della rete elettrica in una vasta gamma di scenari di generazione rinnovabile, che sono per loro natura incerti. È qui che il modello incorpora una delle sue caratteristiche più potenti: la modellizzazione dell’incertezza.
Per catturare la variabilità del vento, i ricercatori utilizzano una distribuzione di Weibull a due parametri, uno strumento statistico consolidato che può descrivere con precisione i modelli di velocità del vento in diversi luoghi e momenti della giornata. Per l’energia solare, impiegano una distribuzione Beta, ideale per modellare l’intensità della radiazione solare nel corso di una giornata. Ciò che eleva questo approccio a un livello superiore è la considerazione della correlazione tra le due fonti. Un giorno nuvoloso e ventoso è diverso da un giorno soleggiato e calmo. Il modello quantifica questa relazione utilizzando il coefficiente di correlazione di Spearman e poi utilizza tecniche avanzate, come la simulazione Monte Carlo e la decomposizione di Cholesky, per generare centinaia di scenari di generazione che riflettono sia la variabilità individuale che la dipendenza congiunta dell’energia eolica e solare.
La gestione di questo gran numero di scenari è computazionalmente intensiva. Per rendere il modello pratico ed efficiente, il team ha sviluppato un metodo di riduzione degli scenari basato su un framework di clustering ottimale. A differenza dei metodi tradizionali che semplicemente eliminano scenari simili, questo nuovo approccio cerca di massimizzare la “similarità di probabilità” tra l’insieme originale e quello ridotto, minimizzando al contempo la “perdita di correlazione”. Questo equilibrio garantisce che l’insieme finale di scenari, sebbene più piccolo, conservi le caratteristiche statistiche essenziali dell’incertezza originale, cosa cruciale per ottenere risultati affidabili.
Il modello integra anche un elemento critico spesso trascurato: il comportamento del consumatore. La ricerca riconosce che i conducenti di veicoli elettrici non sono semplici ricevitori passivi di energia, ma agenti attivi che rispondono agli incentivi economici. Con l’adozione crescente delle tariffe elettriche dinamiche, dove il prezzo dell’elettricità varia a seconda dell’ora del giorno (alto nelle ore di punta, basso nelle ore di valle), il momento in cui le persone scelgono di ricaricare i loro veicoli può cambiare drasticamente. Il modello di Xing integra un modello di risposta del consumatore che cattura fenomeni psicologici chiave, come la “zona morta” e il “punto di saturazione”. La “zona morta” descrive la soglia al di sotto della quale una piccola differenza di prezzo non è sufficiente a motivare un cambiamento nel comportamento. Il “punto di saturazione” è il punto in cui una riduzione di prezzo aggiuntiva non produce più un effetto marginale significativo. Modellando queste risposte non lineari, il sistema può prevedere con maggiore precisione come la domanda di ricarica dei veicoli elettrici si ridistribuirà nel corso della giornata in risposta a una politica tariffaria, permettendo ai pianificatori di anticipare e mitigare i picchi di domanda.
L’applicazione pratica di questo modello è stata dimostrata utilizzando una rete di prova standard a 33 nodi, un banco di prova comune nell’ingegneria elettrica. I risultati sono stati schiaccianti. Le soluzioni di pianificazione emerse dal modello hanno mostrato un miglioramento significativo su tutti i fronti. In primo luogo, le stazioni di ricarica posizionate secondo questo criterio hanno contribuito a ridurre sostanzialmente i tassi di abbandono di energia rinnovabile, il che significa che più energia pulita è stata sfruttata. In secondo luogo, il modello è riuscito a trovare configurazioni che, rispetto alle strategie di ricarica disordinate, hanno ridotto sia i costi per i gestori che i costi equivalenti per gli utenti. Un risultato chiave è stato che l’implementazione delle tariffe dinamiche non ha solo beneficiato gli utenti offrendo prezzi più bassi nelle ore di valle, ma ha anche beneficiato i gestori livellando il profilo di carico e riducendo la necessità di investimenti in infrastrutture di rete per gestire picchi estremi.
Questo approccio di pianificazione a due livelli crea un potente ciclo di retroazione. La soluzione del livello superiore (dove e quanti punti di ricarica costruire) viene testata al livello inferiore (come si comporta la rete con quella configurazione sotto incertezza?). Se la soluzione non riesce a minimizzare adeguatamente l’abbandono di energia, viene respinta e il livello superiore deve generare una nuova soluzione. Questo processo iterativo continua fino a quando non si trova un insieme di piani che soddisfano simultaneamente gli obiettivi economici e di sostenibilità. Per rendere i calcoli complessi del flusso di potenza al livello inferiore più gestibili, i ricercatori hanno utilizzato una tecnica nota come relazione del cono di secondo ordine, che semplifica le equazioni non lineari senza sacrificare una precisione significativa, rendendo il modello praticabile per l’applicazione in reti urbane su larga scala.
Le implicazioni di questa ricerca sono profonde per una varietà di attori. Per le aziende elettriche, fornisce uno strumento strategico per guidare gli investimenti in infrastrutture di ricarica, assicurando che questi investimenti non soddisfino solo la domanda attuale, ma rafforzino anche la rete e facilitino l’integrazione delle energie rinnovabili. Per i pianificatori urbani, offre una strada per allineare le politiche di trasporto agli obiettivi climatici, trasformando le stazioni di ricarica in nodi strategici di una città più sostenibile. Per gli investitori privati, il modello offre una metodologia per valutare il rischio e il rendimento dei progetti di ricarica, tenendo conto della volatilità dei mercati energetici e dell’evoluzione delle politiche.
Oltre all’efficienza tecnica, questo studio rappresenta un cambio di paradigma nel modo di pensare all’infrastruttura. Non si tratta più semplicemente di costruire più stazioni di ricarica; si tratta di costruirle in modo intelligente. La ricerca di Xing e dei suoi colleghi dimostra che la posizione e la capacità di una stazione di ricarica possono avere un impatto diretto sulla quantità di energia solare o eolica che una città può utilizzare. Ciò trasforma i veicoli elettrici da semplici consumatori di energia in una forma di accumulo distribuito e uno strumento di gestione della domanda, in grado di assorbire l’eccesso di energia rinnovabile durante le ore di alta produzione e rilasciarla (o almeno non consumarla) durante le ore di scarsità.
La metodologia sottolinea anche l’importanza della pianificazione basata su scenari e della gestione del rischio. Non dipendendo da una singola previsione deterministica della generazione o della domanda, il modello valuta la robustezza di ogni soluzione proposta di fronte a un’ampia gamma di futuri possibili. Questa capacità di “stress test” è essenziale in un mondo caratterizzato dall’incertezza climatica e dalla rapida evoluzione della tecnologia. Assicura che le decisioni di investimento in infrastrutture, che spesso hanno una vita utile di decenni, siano resilienti di fronte a condizioni impreviste.
In definitiva, il lavoro di questo team di ricerca cinese è un esempio emblematico di come la collaborazione interdisciplinare—tra ingegneri elettrici, esperti di energia, scienziati dei dati ed economisti del comportamento—possa generare soluzioni innovative per problemi complessi. Fornisce una mappa chiara per le città che desiderano non solo elettrificare la loro flotta di trasporto, ma farlo in un modo che sia economico, efficiente e veramente sostenibile. Integrando la ricarica dei veicoli elettrici con la gestione delle energie rinnovabili, questo modello getta le basi per una rete elettrica più intelligente, più pulita e più resiliente, dove la mobilità del futuro è alimentata direttamente dall’energia del sole e del vento.
Ya-Hong Xing, Chang-Hong Meng, Qian Huang, Wei Song, Hai-Bo Zhao, Ze-Yuan Shen, Wen-Ping Qin, State Grid Shanxi Electric Power Company Economic Research Institute, Taiyuan University of Technology, Electric Power Systems Research, 10.1016/j.epsr.2023.109482