Ottimizzazione dello stoccaggio per stazioni di ricarica solari
L’adozione globale dei veicoli elettrici (EV) sta accelerando a ritmi senza precedenti, spinta da ambiziosi obiettivi di decarbonizzazione e da una crescente consapevolezza ambientale. Tuttavia, il successo di questa transizione dipende in modo cruciale dall’evoluzione della relativa infrastruttura di ricarica. Le stazioni di ricarica che integrano pannelli solari, sistemi di accumulo energetico e punti di ricarica, note come PSCS (Photovoltaic Energy Storage Charging Stations), emergono come una soluzione promettente per rendere la ricarica dei veicoli elettrici più sostenibile, economica e resiliente. Questi impianti mirano a massimizzare l’autoconsumo di energia solare, riducendo la dipendenza dalla rete elettrica tradizionale e le relative emissioni di carbonio.
Nonostante il loro potenziale, il design e l’ottimizzazione di una PSCS presentano sfide significative. Due fattori principali introducono un alto grado di incertezza: la variabilità intrinseca della produzione di energia fotovoltaica, influenzata da condizioni meteorologiche imprevedibili, e il comportamento imprevedibile degli utenti, che determina quando e quanto i veicoli vengono ricaricati. Progettare un sistema di accumulo energetico (batterie) di dimensioni eccessive comporta un onere finanziario iniziale insostenibile, mentre un sistema sottodimensionato compromette la capacità di soddisfare la domanda e di massimizzare i profitti.
Un recente studio pubblicato sulla rivista Zhejiang Electric Power affronta direttamente queste complessità. Il team di ricerca, guidato da Jiang Yu della School of Electric Power Engineering dell’Università di Tecnologia di Nanjing, ha sviluppato un modello innovativo per ottimizzare la capacità del sistema di accumulo in una PSCS. A differenza di approcci più semplicistici, questo modello integra una rappresentazione realistica della variabilità solare e del comportamento degli utenti, inclusi effetti come la temperatura ambientale sul consumo energetico dei veicoli. Il lavoro, coautore di Lü Ganyun, Yu Xiangyi e Shan Tingting (Università di Tecnologia di Nanjing), Jia Dexiang (Istituto di Ricerca Energetica di State Grid) e Yu Ming e Wu Qiyu (Società Elettrica di Jiangsu State Grid), offre un quadro di riferimento per progettare stazioni di ricarica che non solo siano economicamente vantaggiose, ma che contribuiscano anche in modo sostanziale alla lotta contro il cambiamento climatico.
Affrontare l’incertezza solare con scenari realistici
Il fulcro del nuovo approccio è la generazione di scenari rappresentativi della produzione fotovoltaica. I modelli tradizionali spesso si basano su un “giorno tipico” di irraggiamento solare, una semplificazione che ignora la natura caotica e variabile del sole. Per superare questo limite, il team ha analizzato un intero anno di dati storici sulla produzione di energia solare da una città del sud della Cina.
L’innovazione risiede nell’uso di una versione migliorata dell’algoritmo K-means per raggruppare i dati giornalieri. Il K-means standard può produrre risultati instabili a causa della scelta casuale dei punti iniziali. Il team ha introdotto due miglioramenti chiave. In primo luogo, ha selezionato i centri dei cluster iniziali in base alla massima distanza tra di loro, garantendo una distribuzione iniziale più ampia e rappresentativa. In secondo luogo, ha sostituito la distanza euclidea standard con una funzione kernel gaussiana, che è più adatta a catturare relazioni non lineari nei dati di irraggiamento.
Per valutare l’efficacia del clustering, i ricercatori hanno utilizzato il coefficiente di siluetta, una metrica che misura quanto bene ogni punto dati appartiene al suo cluster rispetto agli altri. Un valore più vicino a 1 indica cluster ben definiti e separati. Il metodo migliorato ha ottenuto un coefficiente di 0,628, superando nettamente il K-means standard (0,478) e il K-means++ (0,598). Questo punteggio più elevato dimostra che il modello produce gruppi di giorni con profili solari più coerenti e distinti.
L’analisi ha identificato tre scenari principali di produzione fotovoltaica:
- Scenario 1 (17,48% di probabilità): Giorni nuvolosi o piovosi con bassa produzione di energia.
- Scenario 2 (27,89% di probabilità): Giorni parzialmente nuvolosi con produzione media.
- Scenario 3 (54,64% di probabilità): Giorni soleggiati con alta produzione di energia.
Questa rappresentazione basata su scenari multipli e probabilistici è fondamentale. Invece di ottimizzare il sistema per un singolo giorno “medio”, il modello ora può progettare un sistema di accumulo che performi bene in una vasta gamma di condizioni reali, massimizzando l’affidabilità e la redditività.
Modellare il comportamento degli utenti: un’analisi approfondita
L’altro pilastro del modello è la rappresentazione precisa del comportamento di ricarica degli utenti. Il team ha classificato i veicoli elettrici in tre categorie principali, ognuna con schemi di utilizzo distinti: autobus, taxi e veicoli privati.
Gli autobus elettrici operano su rotte fisse con orari rigorosi. Con un’autonomia giornaliera stimata tra 140 e 200 km e una batteria da 324 kWh, richiedono due cicli di ricarica al giorno: uno durante una pausa diurna e uno durante la notte. Questo modello prevedibile facilita la pianificazione, ma il loro elevato consumo energetico influenza significativamente il carico totale della stazione.
I taxi elettrici sono veicoli ad alta intensità di utilizzo, che possono percorrere fino a 400 km al giorno. Anche loro necessitano di due ricariche giornaliere, tipicamente durante le pause per il pranzo e i turni notturni. Evitano deliberatamente le ore di punta per massimizzare il tempo di guida e i guadagni, il che contribuisce a livellare la curva di carico.
I veicoli privati rappresentano il segmento più flessibile e imprevedibile. Il loro carico avviene principalmente dopo il lavoro o al termine di un viaggio nel fine settimana. Per modellare questa variabilità, i ricercatori hanno impiegato il metodo Monte Carlo, eseguendo migliaia di simulazioni in cui l’ora di rientro a casa e il chilometraggio giornaliero sono campionati da distribuzioni statistiche (normale per l’ora di rientro, log-normale per il chilometraggio). Questo approccio produce una curva di carico aggregata che riflette accuratamente la natura stocastica della domanda.
Un aspetto particolarmente innovativo del modello è l’integrazione dell’effetto della temperatura ambientale sul consumo energetico. È noto che temperature estreme riducono l’autonomia dei veicoli elettrici a causa dell’elevato consumo energetico del sistema di climatizzazione. Il team ha utilizzato una funzione polinomiale cubica, basata su dati empirici, per descrivere la relazione tra la temperatura (T) e il consumo energetico per chilometro (E): E = λ₀ + λ₁T + λ₂T² + λ₃T³. Questo livello di dettaglio permette di prevedere con maggiore precisione il fabbisogno energetico giornaliero in base alle condizioni meteorologiche, rendendo il modello molto più robusto.
Risposta alla domanda: trasformare gli utenti in alleati
Il modello va oltre la semplice previsione della domanda, incorporando attivamente la risposta alla domanda (demand response) come strumento di ottimizzazione. Questo concetto utilizza segnali di prezzo, come le tariffe biorarie (ToU), per incentivare gli utenti a modificare il loro comportamento di ricarica.
Lo studio si concentra sui veicoli privati, il cui orario di ricarica è più flessibile. Se il prezzo di ricarica è più alto durante le ore di punta (ad esempio, dalle 16:00 alle 24:00), gli utenti possono essere incentivati a ritardare la ricarica fino alle ore notturne (dalle 00:00 alle 08:00), quando il prezzo è più basso e la stazione può avere energia solare immagazzinata disponibile.
Per quantificare questo effetto, i ricercatori hanno utilizzato una matrice di elasticità dei prezzi. Questa matrice cattura due fenomeni: l’elasticità diretta (come la domanda in un periodo specifico risponde a un cambiamento di prezzo nello stesso periodo) e l’elasticità incrociata (come la domanda in un periodo risponde a un cambiamento di prezzo in un periodo diverso). L’analisi ha rivelato che un aumento del prezzo durante le ore di punta non solo riduce il carico in quel periodo, ma aumenta anche il carico durante le ore di valle, creando un effetto “picco e riempimento della valle”.
Questa strategia è vantaggiosa per tutti: gli utenti possono risparmiare pagando tariffe più basse, mentre la stazione di ricarica può ridurre il suo acquisto di energia costosa dalla rete durante le ore di punta, migliorando la sua redditività e riducendo lo stress sulla rete elettrica.
Un modello economico che include il costo del carbonio
Il contributo più significativo dello studio è l’integrazione del costo delle emissioni di carbonio nel modello economico. Il team riconosce che quando una PSCS acquista energia dalla rete, eredita indirettamente le emissioni di CO₂ associate alla generazione di quell’elettricità, che varia a seconda del mix energetico della rete (più carbone di notte, più rinnovabili di giorno).
Il modello assegna un costo per chilogrammo di CO₂ emesso, basato su fattori di emissione orari. Questo costo è aggiunto al costo diretto dell’acquisto di energia, creando un potente incentivo economico per minimizzare l’acquisto dalla rete, specialmente durante i periodi di alta intensità di carbonio. L’obiettivo finale non è semplicemente minimizzare i costi operativi, ma massimizzare il profitto totale, che è definito come:
- Costi: Acquisto di energia dalla rete + Costo delle emissioni di carbonio + Costi di operazione e manutenzione.
- Ricavi: Vendita di energia in eccesso alla rete + Ricavi dalla fornitura di servizi di ricarica agli utenti.
Questo approccio olistico assicura che la soluzione ottimale sia non solo la più redditizia, ma anche la più sostenibile dal punto di vista ambientale, internalizzando il costo esterno delle emissioni di carbonio.
Risultati della simulazione: dimostrazione del valore
Il modello è stato testato in uno studio di caso su una PSCS residenziale con un impianto fotovoltaico da 350 kWp. Il team ha confrontato cinque scenari diversi:
- Nessun impianto fotovoltaico, nessuna risposta alla domanda.
- Impianto fotovoltaico “tipico”, nessuna risposta alla domanda.
- Impianto fotovoltaico “tipico”, con risposta alla domanda.
- Scenari solari multipli (incertezza), nessuna risposta alla domanda.
- Scenari solari multipli (incertezza), con risposta alla domanda.
I risultati sono stati decisivi. Lo scenario più avanzato (scenari multipli con risposta alla domanda) ha determinato una capacità di accumulo ottimale di 461 kWh, generando un profitto giornaliero di 4.334,17 yuan. In contrasto, lo scenario che utilizzava dati solari “tipici” richiedeva una batteria più grande (496 kWh) ma produceva un profitto inferiore (4.218,21 yuan), dimostrando l’inefficienza dei modelli semplificati.
L’impatto ambientale è stato ancora più impressionante. Lo scenario ottimale ha raggiunto le emissioni giornaliere di CO₂ più basse: 8.218 kg, un notevole miglioramento rispetto allo scenario di base senza fotovoltaico (9.310 kg). Anche rispetto agli altri scenari fotovoltaici, le emissioni sono state significativamente ridotte.
Conclusione: verso un’infrastruttura intelligente e sostenibile
La ricerca di Jiang Yu e dei suoi colleghi rappresenta un passo cruciale verso una rete di ricarica per veicoli elettrici più intelligente e resiliente. Dimostra che l’ottimizzazione non può basarsi su dati medi o semplificati, ma richiede un approccio sofisticato che abbracci l’incertezza.
Integrando clustering avanzato, simulazione stocastica del comportamento degli utenti, modellazione della risposta alla domanda e un modello economico che include il costo del carbonio, il team ha creato un quadro di riferimento che può guidare gli sviluppatori, i gestori di reti e i responsabili politici. Questo lavoro non è solo un esercizio accademico; è una bussola pratica per costruire un’infrastruttura di ricarica che sia davvero sostenibile, economica e pronta per il futuro.
Jiang Yu, Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu, Shan Tingting, School of Electric Power Engineering, Nanjing Institute of Technology; Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405002