Nuovo Modello Prevede la Domanda di Ricarica Rapida per VE
L’ascesa inarrestabile dei veicoli elettrici (VE) sta ridefinendo il volto delle città, mettendo a dura prova la pianificazione urbana e la capacità delle reti elettriche. Una delle sfide più pressanti è quella di prevedere con precisione quando e dove i conducenti avranno bisogno di ricarica rapida. Una previsione inaccurata può portare a una sovraccarica della rete, a lunghe code alle stazioni di ricarica e a investimenti inefficienti. I modelli tradizionali, spesso basati sulla suddivisione delle città in zone funzionali come residenziale, commerciale o industriale, si sono rivelati troppo semplicistici, incapaci di catturare la complessa realtà delle moderne metropoli. Un nuovo studio, pubblicato sulla rivista Southern Power System Technology, propone un approccio rivoluzionario che integra la struttura spaziale della città e la psicologia del conducente per offrire una previsione della domanda di ricarica molto più realistica e affidabile.
Il team di ricerca, guidato da Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao e Chuan Yang del Dipartimento di Ingegneria Elettrica della Shanghai University of Electric Power, ha abbandonato il concetto obsoleto di zone rigide. Hanno sostituito questo modello con un’analisi basata su dati geospaziali reali, riconoscendo che le città contemporanee non sono più centrate su un unico nucleo, ma sono piuttosto entità policentriche, con numerosi nodi di attività sparsi su tutto il territorio. Questi “centri secondari” o “città satellite”, dotati di servizi completi, hanno ridotto drasticamente la necessità di lunghi spostamenti interzonali. Il modello tradizionale, ignorando questa decentralizzazione, tende a sovrastimare la domanda nel centro storico e a sottostimarla nei nuovi sviluppi periferici. Il nuovo approccio, invece, cattura questa complessità, fornendo una visione molto più utile per i pianificatori urbani e gli operatori di rete.
Il cuore pulsante di questa innovazione è l’utilizzo dei dati dei Punti di Interesse (POI). I POI—ristoranti, centri commerciali, uffici, parchi, ospedali—non sono semplici marcatori su una mappa; sono indicatori diretti dell’attività umana e della funzione urbana. I ricercatori hanno raccolto un database estremamente vasto, comprendente oltre 119.000 POI da una grande città cinese. Questi dati sono stati classificati in 16 categorie, a ciascuna delle quali è stato assegnato un “peso funzionale” in base al suo impatto sulla vita quotidiana. Ad esempio, un grande parco aziendale o un ospedale di rilievo hanno un peso molto maggiore nella categoria “lavoro” o “salute” rispetto a un piccolo negozio di quartiere. Questo sistema di ponderazione permette di quantificare con precisione l’intensità funzionale di ogni angolo della città.
Per trasformare questi dati puntuali dei POI in una rappresentazione coerente della struttura spaziale urbana, il team ha impiegato una tecnica chiamata analisi di densità del kernel. Questo metodo calcola la concentrazione di POI entro un raggio specifico attorno a ogni punto di una griglia, creando una superficie liscia che evidenzia le aree di alta attività. Il risultato è una mappa dettagliata dei “centri” della città, che va oltre il centro tradizionale per identificare nuclei secondari ed emergenti nelle zone periferiche. L’analisi ha rivelato una struttura urbana policentrica, con cluster di attività sparsi per la regione, riflettendo la tendenza moderna alla decentralizzazione. Questa mappa dei centri diventa la base per simulare i modelli di spostamento dei VE.
Lo spostamento dei veicoli elettrici è simulato utilizzando un modello gravitazionale migliorato. A differenza dei modelli che presumono viaggi casuali tra zone predefinite, questo approccio prevede il flusso di veicoli tra diverse località in base a due fattori principali: l’attrattività della destinazione e la distanza da percorrere. L’attrattività è determinata direttamente dai pesi funzionali calcolati in precedenza. Una destinazione con un alto peso, come un grande centro commerciale, esercita una forte “forza di attrazione”. Tuttavia, questa forza diminuisce con l’aumentare della distanza. Il modello incorpora anche il concetto di “impedenza”, che rappresenta l’attrito del viaggio, rendendo i viaggi più lunghi meno probabili. Combinando questi fattori, il modello può simulare catene di viaggio reali—sequenze di spostamenti che un conducente potrebbe effettuare in una singola giornata, come da casa al lavoro, dal lavoro a fare shopping e poi a casa.
L’innovazione del modello va oltre la semplice modellizzazione spaziale e affronta il fondamentale aspetto psicologico della decisione del conducente. I ricercatori riconoscono che i conducenti di VE non sono attori perfettamente razionali che cercano sempre la stazione di ricarica ottimale. Invece, operano con una “razionalità limitata”, prendendo decisioni basate su una combinazione di informazioni oggettive e preferenze soggettive. Un conducente potrebbe preferire una stazione leggermente fuori rotta se ha un prezzo più basso, caricabatterie più veloci o si trova in un’area che conosce bene. Per catturare questo comportamento, il team ha sviluppato un quadro decisionale basato su un “modello di adsorbimento”, che simula come i conducenti valutano le loro opzioni sotto pressione.
In questo quadro, l’urgenza del conducente di ricaricare è rappresentata come una “forza di attrito”. Quando il livello della batteria scende, questa forza di attrito aumenta, abbassando gli standard del conducente su ciò che costituisce una stazione di ricarica accettabile. Al contrario, un conducente con una batteria ben carica ha standard più elevati ed è più selettivo. Il modello incorpora anche la “capacità di adsorbimento” del conducente, che è la sua valutazione soggettiva di una stazione basata su fattori come il prezzo, la potenza disponibile e la distanza del deviazione. La decisione di ricaricare non viene presa quando si trova l’opzione migliore, ma quando appare la prima opzione che soddisfa la soglia di “soddisfazione” del conducente in quel momento. Questo meccanismo rispecchia fedelmente il comportamento del mondo reale, dove i conducenti spesso scelgono la prima stazione disponibile quando sentono ansia per la possibilità di rimanere a piedi.
Per validare il loro modello, il team di ricerca ha condotto una simulazione su larga scala che ha coinvolto 50.000 veicoli elettrici virtuali che si muovevano sulla rete stradale di una città reale per un periodo di 24 ore. La simulazione si basava su una mappa digitale dettagliata di 78.748 segmenti stradali, successivamente semplificata in 2.426 collegamenti. A ciascun veicolo è stato assegnato un insieme unico di caratteristiche: una catena di viaggio, una capacità della batteria e uno stato di carica iniziale, basati su distribuzioni statistiche derivate da dati reali. Man mano che la simulazione procedeva, il modello tracciava la posizione, la velocità, il livello della batteria e lo stato di ricarica di ogni veicolo a intervalli di un minuto.
I risultati della simulazione sono stati rivelatori e significativi. Quando il modello ha tenuto conto della complessa struttura spaziale della città e della razionalità limitata dei conducenti, la domanda prevista di ricarica rapida è risultata nettamente diversa dai modelli che utilizzavano una semplice zonizzazione funzionale. La distanza media di viaggio per i VE è stata di 33,4 chilometri, il 24,4% in meno rispetto ai 44,2 chilometri di uno scenario che ignorava i dati dei POI. Questa distanza di viaggio più breve ha portato a una riduzione del 44,3% dei viaggi di lunga distanza superiori ai 60 chilometri, il che a sua volta ha ridotto la domanda totale di ricarica.
La distribuzione temporale del carico di ricarica ha mostrato anche un modello distintivo. Sono emersi due picchi chiari: uno a fine mattinata (tra i 480 e i 660 minuti dopo la mezzanotte) e un altro a fine pomeriggio (tra i 1.020 e i 1.200 minuti). Il primo picco corrisponde ai conducenti che iniziano la giornata con una batteria parzialmente carica e hanno bisogno di ricaricare durante il loro primo spostamento. Il secondo picco, più ampio, riflette l’ondata di ricarica alla fine della giornata, quando i conducenti tornano a casa e collegano i loro veicoli. Il modello ha predetto un carico di picco di circa 3.200 kilowatt durante il primo picco e 2.340 kilowatt durante il secondo.
In modo cruciale, la distribuzione spaziale di questo carico era altamente concentrata intorno ai multipli centri di attività della città, identificati dall’analisi dei POI. La domanda più elevata è stata osservata presso le stazioni di ricarica situate vicino a importanti centri commerciali, corridoi di trasporto e centri di occupazione. Questa scoperta sottolinea l’importanza di posizionare l’infrastruttura di ricarica rapida non solo nelle aree residenziali, ma lungo le dinamiche rotte della vita urbana quotidiana. In contrasto, un modello che ignorava la struttura spaziale prevedeva un carico molto più centralizzato, concentrato quasi esclusivamente nel nucleo del centro città, il che avrebbe portato a una sottostima significativa della domanda nelle crescenti aree suburbane e nei centri secondari.
Le implicazioni di questa ricerca sono di vasta portata. Per i pianificatori urbani, fornisce uno strumento potente per ottimizzare la posizione delle nuove stazioni di ricarica, assicurando che gli investimenti siano fatti dove avranno il maggiore impatto. Per le compagnie elettriche, offre una previsione più accurata del picco della domanda elettrica, consentendo una migliore gestione della rete e la prevenzione di sovraccarichi. Per i produttori di VE e gli operatori di flotte, può informare la progettazione di sistemi di navigazione e di raccomandazione della ricarica che si allineino meglio al comportamento reale del conducente.
Lo studio mette anche in luce la natura mutevole della mobilità urbana. Il passaggio da una struttura mononucleare a una policentrica, guidato da cambiamenti economici e demografici, ha profondi effetti sui modelli di trasporto. Catturando questo cambiamento, il modello non è solo un predittore della domanda attuale, ma uno strumento prospettico che può adattarsi allo sviluppo urbano futuro. È ugualmente applicabile alla pianificazione delle reti di ricarica in città emergenti e al rifacimento dell’infrastruttura in ambienti urbani maturi.
Uno dei principali punti di forza di questa ricerca è la sua base su dati del mondo reale e la sua adesione a principi scientifici consolidati. L’uso dell’analisi di densità del kernel, dei modelli gravitazionali e delle distribuzioni probabilistiche per il comportamento di viaggio garantisce che il modello sia sia teoricamente solido che empiricamente validato. L’integrazione della razionalità limitata aggiunge un livello di realismo comportamentale che spesso manca ai modelli puramente tecnici. Questo approccio olistico, che colma il divario tra geografia, ingegneria dei trasporti e psicologia umana, rappresenta un notevole progresso nel campo della previsione del carico per i VE.
Il team di ricerca riconosce che il modello non è esente da limitazioni. Dipende in gran parte dalla qualità e dalla disponibilità dei dati dei POI, e la sua precisione potrebbe essere ulteriormente migliorata integrando ulteriori fonti di dati, come la densità della popolazione, l’attività economica e gli orari dei trasporti pubblici. Futuri lavori esploreranno queste strade per creare un quadro ancora più completo della mobilità urbana.
In conclusione, lo studio di Qu, Zhao, Mao, Zhao e Yang presenta un cambiamento di paradigma nel modo in cui pensiamo e prevediamo la domanda di ricarica per i veicoli elettrici. Andando oltre le zonizzazioni funzionali semplicistiche e abbracciando la complessità dello spazio urbano e del comportamento umano, hanno sviluppato un modello che non è solo più preciso, ma anche più rivelatore. Mentre le città di tutto il mondo si impegnano a raggiungere i loro obiettivi di riduzione del carbonio e a costruire sistemi di trasporto sostenibili, strumenti come questo saranno essenziali per prendere decisioni informate basate sui dati. Il futuro della mobilità urbana non è solo elettrico; è intelligente, adattabile e profondamente connesso con la trama stessa della città.
Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao, Chuan Yang, Dipartimento di Ingegneria Elettrica, Shanghai University of Electric Power, Southern Power System Technology, DOI: 10.13648/j.cnki.issn1674-0629.2024.10.015